- •Московский государственный университет
- •Оглавление
- •Введение
- •Подготовка данных и подключение необходимых модулей
- •2. Корреляционный анализ экономических показателей
- •2.1. Построение матрицы парных коэффициентов корреляции
- •Элементы диалогового окна «Корреляция»
- •Входной диапазон (Input range)
- •Группирование (Grouped By)
- •3. Метки в первой строке/Метки в первом столбце (Labels in first row/column)
- •4. Выходной диапазон (Output Range)
- •Расчёт частных коэффициентов корреляции. Сравнение частных и парных коэффициентов корреляции
- •Регрессионный анализ экономических показателей
- •3.1. Проверка исходных данных на мультиколлинеарность
- •3.2. Построение регрессионной модели и её интерпретация
- •1. Входной интервал y (Input y Range)
- •6. Выходной диапазон
- •II этап регрессионного анализа.
- •Аналогичные расчёты проводятся и для любого другого заданного уровня надёжности γ. Интерпретация результатов
- •3.3. Сравнение исходных данных с рассчитанными по уравнению регрессии
- •Индивидуальные задания для самостоятельной работы
- •Нормальный закон распределения
- •Р а с п р е д е л е н и е с т ь ю д е н т а (t-распределение)
- •Р а с п р е д е л е н и е ф и ш е р а - с н е д е к о р а (f-распределение)
- •Приложение 3 статистические и математические функции excel, использованные в работе
- •Статистические функции
- •Математические функции
- •Литература
Аналогичные расчёты проводятся и для любого другого заданного уровня надёжности γ. Интерпретация результатов
Величина R2 характеризует долю общей дисперсии зависимой переменной, обусловленную воздействием объясняющих переменных. Т.о. около 56,39% вариации рентабельности (Y) объясняется вариацией оборачиваемости ненормируемых оборотных средств (X1), фондоотдачей (X2) и оборачиваемостью нормируемых оборотных средств (X4), а 43,61% вариации вызвано воздействием неучтенных в модели и случайных факторов. Таким образом, можно сделать вывод, что модель достаточно адекватно отражает исследуемый процесс.
Коэффициент регрессии показывает среднюю величину изменения зависимой переменной Y при изменении объясняющей переменной X на единицу собственного изменения. Знак при коэффициенте указывает направление этого изменения.
Коэффициент регрессии при X1 показывает, что при росте оборачиваемости ненормируемых оборотных средств на единицу рентабельность Y в среднем уменьшается на 0,4926 единиц. Построенная выше интервальная оценка показывает, что с вероятностью 0,95 при росте оборачиваемости ненормируемых оборотных средств на единицу уменьшение рентабельности будет в пределах от 0,21 до 0,7753 единиц.
Аналогично, коэффициент при X4 свидетельствует о том, что при росте оборачиваемости нормируемых оборотных средств на единицу рентабельность в среднем уменьшается на 0,0510 единиц, а с вероятностью 0,95 при росте оборачиваемости нормируемых оборотных средств на единицу уменьшение рентабельности будет в пределах от 0,0102 до 0,0917 единиц.
Коэффициент при X2 свидетельствует о том, что при росте фондоотдачи на единицу рентабельность в среднем увеличивается на 6,8525. Из полученной интервальной оценки можно сделать вывод, что с вероятностью 0,95 при росте фондоотдачи на единицу увеличение рентабельности будет в пределах от 3,4233 до 10,2823 единиц.
3.3. Сравнение исходных данных с рассчитанными по уравнению регрессии
В графе Предсказанное Y (Predicted Y) мы получили Y, рассчитанное по уравнению регрессии, т.е. Ŷ. Добавим столбец исходных данных Y (таб.12) и, выделив область этих двух столбцов, построим диаграмму сравнения расчётных и реальных значений исследуемого показателя. Можно ранжировать предприятия в порядке возрастания значения признака и построить другую диаграмму сравнения (рис. 2).
Отклонения расчетного значения Y от фактического показаны в графе Остатки (Residuals). Проанализировав графу Стандартные остатки (Standart Residuals) можно прийти к выводу, что предприятия № 7, 19 демонстрируют большую рентабельность, чем в среднем по всем рассматриваемым предприятиям. А для предприятия № 26 характерна обратная ситуация – отрицательное отклонение от линии регрессии.
Таблица 12
Сравнительная таблица исходных данных показателя рентабельности (Y) с рассчитанными с помощью построенной линейной регрессионной модели
Наблюдение |
Наблюдаемое Y |
Предсказанное Ŷ |
Остатки |
Стандартные остатки |
1 |
13,26 |
11,372 |
1,888 |
0,494 |
2 |
10,16 |
11,782 |
-1,622 |
-0,425 |
3 |
13,72 |
13,019 |
0,701 |
0,183 |
4 |
12,85 |
10,578 |
2,272 |
0,595 |
5 |
10,63 |
13,252 |
-2,622 |
-0,687 |
6 |
9,12 |
11,912 |
-2,792 |
-0,731 |
7 |
25,83 |
17,984 |
7,846 |
2,055 |
8 |
23,39 |
18,595 |
4,795 |
1,256 |
9 |
14,68 |
14,021 |
0,659 |
0,173 |
10 |
10,05 |
5,860 |
4,190 |
1,097 |
11 |
13,99 |
16,084 |
-2,094 |
-0,548 |
12 |
9,68 |
4,292 |
5,388 |
1,411 |
13 |
10,03 |
13,741 |
-3,711 |
-0,972 |
14 |
9,13 |
9,595 |
-0,465 |
-0,122 |
15 |
5,37 |
4,156 |
1,214 |
0,318 |
16 |
9,86 |
12,881 |
-3,021 |
-0,791 |
17 |
12,62 |
14,339 |
-1,719 |
-0,450 |
18 |
5,02 |
9,750 |
-4,730 |
-1,239 |
19 |
21,18 |
13,751 |
7,429 |
1,946 |
20 |
25,17 |
23,798 |
1,372 |
0,359 |
21 |
19,4 |
16,071 |
3,329 |
0,872 |
22 |
21 |
17,094 |
3,906 |
1,023 |
23 |
6,57 |
10,150 |
-3,580 |
-0,938 |
24 |
14,19 |
19,277 |
-5,087 |
-1,332 |
25 |
15,81 |
16,677 |
-0,867 |
-0,227 |
26 |
5,23 |
12,597 |
-7,367 |
-1,929 |
27 |
7,99 |
12,984 |
-4,994 |
-1,308 |
28 |
17,5 |
15,254 |
2,246 |
0,588 |
29 |
17,16 |
18,375 |
-1,215 |
-0,318 |
30 |
14,54 |
15,887 |
-1,347 |
-0,353 |
Рис.2. Диаграммы сравнения исходных данных показателя рентабельности (Y) с рассчитанными с помощью линейной регрессионной модели
Приложение 1