- •Индивидуальная работа
- •Содержание
- •Введение
- •1 Моделирование как составной элемент построения экономических прогнозов
- •2 Основные инструменты анализа экономических данных
- •2.1 Инструмент «Описательная статистика»
- •2.2 Корреляционный анализ
- •Трендовые модели прогнозирования экономических процессов
- •Вычисление скользящего среднего средствами Excel
- •Составление линейных прогнозов средствами Excel
- •Использование функции линейн для создания модели тренда
- •3.2.2 Использование функции тенденция для построения прогнозов
- •Использование возможностей Excel при построении нелинейных прогнозов
- •Функция лгрфприбл
- •Функция рост
- •Прогнозирование с применением функции экспоненциального сглаживания
- •Добавление линии тренда к рядам данных на диаграмме
- •4 Экономическая интерпритация результатов регрессионного анализа
- •Заключение
4 Экономическая интерпритация результатов регрессионного анализа
Основная особенность регрессионного анализа: при его помощи можно получить конкретные сведения о том, какую форму и характер имеет зависимость между исследуемыми переменными. Последовательность этапов регрессионного анализа. Рассмотрим кратко этапы регрессионного анализа.
1. Формулировка задачи. На этом этапе формируются предварительные гипотезы о зависимости исследуемых явлений.
2. Определение зависимых и независимых (объясняющих) переменных.
3. Сбор статистических данных. Данные должны быть собраны для каждой из переменных, включенных в регрессионную модель.
4. Формулировка гипотезы о форме связи (простая или множественная, линейная или нелинейная).
5. Определение функции регрессии (заключается в расчете численных значений параметров уравнения регрессии)
6. Оценка точности регрессионного анализа.
7. Интерпретация полученных результатов. Полученные результаты регрессионного анализа сравниваются с предварительными гипотезами. Оценивается корректность и правдоподобие полученных результатов.
8. Предсказание неизвестных значений зависимой переменной.
При помощи регрессионного анализа возможно решение задачи прогнозирования и классификации. Прогнозные значения вычисляются путем подстановки в уравнение регрессии параметров значений объясняющих переменных. Решение задачи классификации осуществляется таким образом: линия регрессии делит все множество объектов на два класса, и та часть множества, где значение функции больше нуля, принадлежит к одному классу, а та, где оно меньше нуля, - к другому классу.
Таблица 4.1 ― Проведение регрессионного анализа с помощью инструмента Регрессия: результаты оценки на втором шаге
Порядковый номер месяца |
Объем товарооборота, тыс.руб |
Оборачиваемость товаров, дни |
Удельный вес торговой площади в общей, % |
Удельный вес товаров с высокими торговыми надбавками, % |
1 |
28415 |
43,5 |
44,0 |
22,5 |
2 |
28231 |
43,0 |
44,0 |
18,0 |
3 |
29783 |
43,0 |
44,0 |
24,9 |
4 |
30969 |
43,5 |
47,8 |
24,4 |
5 |
30494 |
43,0 |
47,8 |
20,6 |
6 |
29757 |
42,5 |
47,8 |
19,0 |
7 |
30850 |
43,0 |
49,0 |
22,2 |
8 |
31325 |
41,5 |
49,0 |
21,6 |
9 |
31359 |
42,0 |
50,3 |
19,8 |
10 |
31610 |
41,5 |
50,3 |
19,7 |
11 |
32366 |
40,5 |
50,3 |
23,1 |
12 |
33313 |
40,0 |
50,3 |
23,9 |
13 |
33508 |
40,0 |
50,3 |
21,2 |
14 |
33374 |
39,0 |
50,3 |
20,4 |
15 |
34811 |
39,5 |
50,3 |
24,2 |
16 |
36046 |
39,0 |
49,0 |
26,5 |
Прогноз |
|
|
|
|
17 |
36990,5 |
39,0 |
55,0 |
26,5 |
18 |
38378,4 |
35,0 |
49,0 |
27,0 |
ВЫВОД ИТОГОВ |
|
|
|
Регрессионная статистика |
|
Множественный R |
0,97401351 |
R-квадрат |
0,948702318 |
Нормированный R-квадрат |
0,935877898 |
Стандартная ошибка |
550,4256253 |
Наблюдения |
16 |
Примечание – Источник: [1, с.134].
Дисперсионный анализ |
|
|
|
|
|
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
3 |
67237376 |
22412459 |
73,976233 |
5,22487E-08 |
Остаток |
12 |
3635620,4 |
302968,4 |
|
|
Итого |
15 |
70872996 |
|
|
|
|
Коэфф. |
Станд. ош. |
t-стат |
P-Значение |
Нижние 95% |
Верхние 95% |
Y-пересечение |
41961 |
9236,64 |
4,54288 |
0,000674 |
21836,072 |
62085,9 |
Оборачиваемость товаров, дни |
-769,193 |
127,905 |
-6,0138 |
6,09E-05 |
-1047,874 |
-490,51 |
Удельный вес торговой площади в общей, % |
307,133 |
84,3761 |
3,64005 |
0,003388 |
123,29374 |
490,973 |
Удельный вес товаров с высокими торговыми надбавками, % |
307,072 |
63,762 |
4,81591 |
0,000422 |
168,14686 |
445,998 |
Примечание – Источник: [1, с.135].
Формальный вид модели, построенный на первом шаге регрессионного анализа:
Y= 41960,98-769,193*X1+307,0723*X2+307,1334*X3
где Х1 – оборачиваемость товаров, дни
Таблица 4.2 ― оценка некорреляционности отклонения от линии регрессии
ВЫВОД ОСТАТКА |
|
|
ВЫВОД ВЕРОЯТНОСТИ | ||||||
Наблюдение |
Предсказанное Объем товарооборота, тыс.руб |
Остатки |
|
Персентиль |
Объем товарооборота, тыс.руб |
| |||
1 |
28924,1 |
-509,07 |
|
3,125 |
28231 |
| |||
2 |
27926,8 |
304,161 |
|
9,375 |
28415 |
| |||
3 |
30045,6 |
-262,64 |
|
15,625 |
29757 |
| |||
4 |
30674,6 |
294,388 |
|
21,875 |
29783 |
| |||
5 |
29892,3 |
601,666 |
|
28,125 |
30494 |
| |||
6 |
29785,6 |
-28,615 |
|
34,375 |
30850 |
| |||
7 |
30752,2 |
97,7903 |
|
40,625 |
30969 |
| |||
8 |
31721,8 |
-396,76 |
|
46,875 |
31325 |
| |||
9 |
31183,7 |
175,297 |
|
53,125 |
31359 |
| |||
10 |
31537,6 |
72,4076 |
|
59,375 |
31610 |
| |||
11 |
33350,8 |
-984,83 |
|
65,625 |
32366 |
| |||
12 |
33981,1 |
-668,09 |
|
71,875 |
33313 |
| |||
13 |
33152 |
356,009 |
|
78,125 |
33374 |
| |||
14 |
33675,5 |
-301,53 |
|
84,375 |
33508 |
| |||
15 |
34457,8 |
353,196 |
|
90,625 |
34811 |
| |||
16 |
35149,4 |
896,606 |
|
96,875 |
36046 |
|
Примечание – Источник: [1, с.139]