- •Введение
- •Часть 1 пособия включает 10 девять разделов.
- •1. Моделирование и экономическая деятельность
- •Философия создания правильно построенных экономических систем
- •2. Основы вероятностных методов анализа и моделирования экономических систем
- •2.1. Элементарные понятия о случайных событиях, величинах и функциях
- •Числовые характеристики случайных величин
- •2.3. Статистическая оценка законов распределения случайных величин
- •Вариационный ряд часовой выработки автомобиля
- •2.4. Основные законы распределения случайных величин
- •Дискретные законы распределения
- •2.5. Выбор теоретического закона распределения случайной величины
- •Сравнительная таблица
- •3. Моделирование экономических систем с использованием марковских случайных процессов
- •3.1. Основные понятия марковских процессов
- •3.2. Марковские цепи
- •3.3. Непрерывные цепи Маркова
- •Финальные вероятности состояний
- •Необходимые и достаточные условия существования финальных вероятностей
- •3.4. Моделирование работы подвижного состава с использованием марковских случайных процессов
- •4. Моделирование систем массового обслуживания
- •4.1. Компоненты и классификация моделей массового обслуживания
- •4.2. Определение характеристик систем массового обслуживания. Одноканальная модель с пуассоновским входным потоком с экспоненциальным распределением длительности обслуживания
- •Многоканальная модель с пуассоновским входным потоком и экспоненциальным распределением длительности обслуживания
- •Модель обслуживания машинного парка
- •5. Статистическое моделирование экономических систем
- •5.1. Теоретические основы метода
- •Формулы для моделирования случайных величин
- •Решение
- •Решение
- •Решение
- •Понятие о моделировании случайных функций
- •5.2. Моделирование систем массового обслуживания с использованием метода Монте-Карло
- •Методику решения задачи рассмотрим на примере моделирования смо с отказами.
- •5.3. Моделирование потоков отказов элементов сложных технических систем
- •Решение
- •6.Методы и модели корреляционно-регрессионного анализа
- •6.1. Общие сведения
- •Выборочные уравнения регрессии
- •Линейная регрессия
- •Основные понятия корреляционно-регрессионного анализа
- •6.2. Исходные предпосылки регрессионного анализа и свойства оценок
- •6.3. Этапы построения многофакторной корреляционно-регрессионной модели
- •1. Априорное исследование экономической проблемы.
- •2. Формирование перечня факторов и их логический анализ.
- •3. Сбор исходных данных и их первичная обработка.
- •4. Спецификация функции регрессии.
- •5. Оценка функции регрессии.
- •6. Отбор главных факторов.
- •7. Методы и модели прогнозирования временных рядов экономических показателей
- •7.1. Основные положения и понятия в прогнозировании временных рядов
- •7.2. Характеристика методов и моделей прогнозирования показателей работы предприятий
- •7.3. Прогнозирование с помощью методов экстраполяции
- •1. Установление цели и задачи исследования, анализ объекта прогнозирования.
- •2. Подготовка исходных данных.
- •3. Фильтрация исходного временного ряда.
- •4. Логический отбор видов аппроксимирующей функции.
- •Оценка математической модели прогнозирования
- •Выбор математической модели прогнозирования
- •8.Оптимизационные методы и модели в управлении экономическими системами Линейное программирование
- •8.1. Задачи линейного программирования
Выборочные уравнения регрессии
Условное математическое ожидание случайной величины Y: М(Y/X) есть функция от X, которая называется функцией регрессии и равна f(x), т. е.
M(Y/X)=f(x); (6.2)
аналогично
M(X/Y) = (6.3)
Графическое изображение f(x) или называется линией регрессии, а записанные уравнения (5.2) и (5.3) — уравнениями регрессии.
Поскольку условное математическое ожидание М случайной величины Y есть функция от (х), то его оценка , т. е. условная средняя, также является функцией от X. Обозначим эту функцию через
(6.4)
Уравнение (5.4) определяет выборочное уравнение регрессии у на х. Сама функция называется выборочной регрессией Y на X, а график — выборочной регрессией. Аналогично определяется для случайных величин X:
(6.5)
Функция регрессии необратима, так как речь идет о средних величинах для некоторого конкретного значения фактора.
Функция регрессии формально устанавливает соответствие между переменными X и Y, хотя такой зависимости может и не быть в экономике (ложная регрессия).
Линейная регрессия
Пусть задана система случайных величин X и Y и случайные величины X и Y зависимы.
Представим одну из случайных величин как линейную функцию другой случайной величины X:
(6.6)
где - параметры, которые подлежат определению.
В общем случае эти параметры могут быть определены различными способами, наиболее часто используется метод наименьших квадратов (МНК).
Функцию g(x) называют наилучшим приближением в смысле МНК, если математическое ожидание принимает наименьшее возможное значение.
В этом случае функцию g(x) называют средней квадратической регрессией Y на X. Можно доказать, что линейная средняя квадратическая регрессия имеет вид:
(6.7)
где — математические ожидания случайных величин X, Y соответственно;
— средние квадратические отклонения случайных величин X, Y соответственно;
r — коэффициент парной корреляции, который определяется по формуле:
(6.8)
где - ковариация.
(6.9)
тогда - коэффициент регрессии. Возникает проблема определения параметров и на основе выборке.
Рассмотрим определение параметров выбранного уравнения прямой линии средней квадратической регрессии по несгруппированным данным. Пусть изучается система количественных признаков (X, У), т. е. ведутся наблюдения за двухмерной случайной величиной (X, Y). Пусть в результате я наблюдений получено п пар чисел (x1,y1), (x2,y2),…, (xn,yn).
Требуется по полученным данным найти выборочное уравнение прямой линии средней квадратической регрессии:
Поскольку данные несгруппированные, т. е. каждая пара чисел встречается один раз, то можно перейти от условной средней к переменной у. Угловой коэффициент k обозначим через k = р и назовем его выборочной оценкой коэффициента регрессии .Итак, требуется найти:
(6.10)
Очевидно, параметры р и b нужно подобрать так, чтобы точки (x1,y1), (x2,y2),…, (xn,yn),построенные по исходным данным, лежали как можно ближе к прямой (5.10) (рис. 5.1).
Рис. 6.1. Динамика изменения признака Y
Уточним смысл этого требования. Для этого введем следующее понятие. Назбвем отклонением разность вида:
Yi-yi(i=1,2,…,n)
где Yi - вычисляется по уравнению (6.10) и соответствует наблюдаемому значению xi;
yi наблюдаемая ордината, соответствующая xi
Подберем параметры р и b так, чтобы сумма квадратов указанных отклонений была наименьшей:
В этом состоит требование метода наименьших квадратов (МНК).
Эта сумма есть функция F отыскиваемых параметров р и b:
или
Для отыскания min найдем частные производные и приравняем их к нулю:
Далее запишем систему:
Для простоты вместо будем писать (индекс i опускаем), тогда:
Получили систему двух линейных уравнений относительно p и b. Решая эту систему, получим:
(6.11)(6.12)
Метод наименьших квадратов применяется и для нахождения параметров множественной регрессии. В этом случае число линейных уравнений, возрастает, и такие системы уравнений решаются с помощью ЭВМ.