- •Курсовая работа
- •Глава 3. Анализ причинно-следственных связей признаков выборочной совокупности 35
- •Глава 1. Комплексное приминение методов математической статистики в анализе экономических объектов
- •Глава 2. Формирование и характеристика выборочной совокупности предприятия
- •2.1 Формирование выборки численностью 30 единиц из генеральной совокупности типическим способом отбора
- •2.2 Точечная и интервальная оценка выручки на 1 га с.-х. Угодий при уровне вероятности доверия 0,95
- •2.3 Построение рядов распределений единиц выборки по выручке на 1 га с.-х. Угодий
- •2.4 Проверка статистической гипотезы о соответствии распределения единиц совокупности нормальному распределению по критерию χ2-Пирсона
- •2.5 Расчет и анализ средних величин, показателей вариации и формы распределений в интервальном ряду по выручке на 1 га с.Х. Угодий
- •Глава 3. Анализ причинно-следственных связей признаков выборочной совокупности
- •3.1 Построение результативной аналитической группировки и анализ связи выручки с факторами производства. Выделение наиболее существенных факторов
- •3.2 Построение и анализ факторной аналитической группировки по одному существенному признаку
- •3.3. Расчет и анализ объемов вариации по выручке на 1 га с.-х. Угодий в аналитической факторной группировке
- •3.4 Дисперсионный анализ по данным аналитической факторной группировки
- •3.5 Построение, решение и анализ регрессионной модели связи выручки с факторами производства
- •3.6 Расчет и анализ показателей тесноты связи признаков в однофакторной и многофакторной моделях
- •3.6 Статистическая оценка достоверности связи параметров уравнения и тесноты связи признаков в однофакторной модели
3.5 Построение, решение и анализ регрессионной модели связи выручки с факторами производства
а) однофакторная модель
Корреляционно-регрессионный анализ применяется для определения количественных характеристик корреляционной связи, проявляющейся в среднем по достаточно большому числу наблюдений. С этой целью связь между переменными выражается посредством математического уравнения соответствующего вида, называемого уравнением корреляционной связи или уравнением регрессии. Например, линейная связь между двумя переменными (парная связь) выражается уравнением: , между несколькими переменными (множественная связь) -и т.д.
В уравнениях регрессии - зависимая переменная,- независимые переменные,- параметры уравнения. Параметр- начало отсчета. В уравнении линейной парной связи параметрназываетсякоэффициентом полной регрессии; он показывает, на сколько единиц в среднем изменится значение зависимой переменной при изменении независимой на единицу. В уравнениях линейной множественной связи параметры называютсякоэффициентами чистой регрессии; каждый из них показывает, на сколько единиц в среднем изменится значение зависимой переменной при изменении соответствующей независимой переменной на единицу при условии, что другие независимые переменные, включенные в уравнение, не изменяются.
Следует помнить, что вопрос об установлении вида уравнения является одним из наиболее сложных в корреляционном анализе. При парных связях он может быть решен посредством графиков путем нанесения фактических значений зависимой переменной при соответствующих значениях независимой переменной на корреляционное поле. При достаточно большом числе единиц наблюдения определенное представление о виде уравнения дает построение рядов распределения по двум признакам, или так называемых корреляционных таблиц.
Для изучения наличия и направления связи выручки на 1 га с.-х. угодий с несколькими факторами эффективно применение результативной группировки по выручке с рассмотрением средних значений факторных признаков (см.п.А). Для определения формы связи можно сопоставить по каждой группе средние значения результативного и факторных признаков. Постоянство этих соотношений по группам будет свидетельствовать о наличии линейной формы связи. Перед составлением уравнения множественной связи необходимо исключение возможной коллинеарности факторов. С этой целью анализируется матрица парных коэффициентов корреляции, которая может быть получена в результате анализа данных по программе Excel (корреляция). Но коэффициент парной корреляции между факторами в матрице не превышает по своему значению коэффициенты парной корреляции результативного признака (выручки) с каждым из них, то в одну модель можно включать оба фактора.
После установления вида уравнения необходимо исчислить показатели регрессионной связи. В частности, следует решить уравнение регрессии, то есть найти значения его параметров.
При этом параметры уравнения должны быть определены способом наименьших квадратов, в соответствии с которым сумма квадратов отклонений фактических значений зависимой переменной от значений, определенных по уравнению, должна быть минимальной: . Поэтому для определения параметров решают систему нормальных уравнений. Число нормальных уравнений в системе равно числу параметров уравнения регрессии. Так, для парной линейной связи, выраженной уравнениемх0=а0+а1х1 , где а0 и а1 - неизвестные параметры уравнения, система нормальных уравнений имеет вид(47):
(47)
Таблица 19 -Исходные и расчетные данные по выручке и трудовым ресурсам
Номер |
Исходные данные |
Расчетные данные | |||
Выручка, x0 |
человек, x1 |
x0*x1 |
x0^2 |
x1^2 | |
1 |
6,93 |
5,15 |
35,693213 |
48,02680833 |
26,52696 |
2 |
8,60 |
9,43 |
81,10866 |
74,04108645 |
88,85087 |
3 |
10,11 |
17,55 |
177,39248 |
102,1595374 |
308,0289 |
4 |
10,90 |
4,95 |
53,907821 |
118,8052712 |
24,46064 |
5 |
12,80 |
2,34 |
29,929229 |
163,8417935 |
5,467218 |
6 |
14,40 |
3,09 |
44,519715 |
207,3616043 |
9,558207 |
7 |
15,49 |
4,52 |
70,034739 |
240,0113608 |
20,43597 |
8 |
15,93 |
2,65 |
42,259938 |
253,621391 |
7,041608 |
9 |
17,48 |
3,06 |
53,522774 |
305,6801671 |
9,371519 |
10 |
18,60 |
4,24 |
78,862163 |
346,0081636 |
17,97426 |
11 |
19,51 |
0,63 |
12,382731 |
380,7308695 |
0,402731 |
12 |
20,28 |
4,06 |
82,43678 |
411,4226077 |
16,51786 |
13 |
20,98 |
6,33 |
132,72916 |
440,2654475 |
40,01456 |
14 |
21,80 |
2,93 |
63,947122 |
475,3910944 |
8,601832 |
15 |
22,54 |
1,57 |
35,468721 |
508,0303185 |
2,47629 |
16 |
23,27 |
2,12 |
49,280956 |
541,5859212 |
4,484261 |
17 |
24,87 |
5,57 |
138,54712 |
618,5470047 |
31,03289 |
18 |
26,34 |
4,97 |
131,02939 |
693,9960375 |
24,73891 |
19 |
27,98 |
3,89 |
108,9148 |
782,710783 |
15,15558 |
20 |
29,04 |
4,13 |
119,86068 |
843,1408302 |
17,03936 |
21 |
30,33 |
20,47 |
620,71879 |
919,6708323 |
418,9454 |
22 |
31,76 |
3,40 |
107,93631 |
1008,958915 |
11,5468 |
23 |
38,40 |
6,56 |
251,93648 |
1474,753572 |
43,03905 |
24 |
45,72 |
10,72 |
490,03704 |
2090,382128 |
114,8767 |
25 |
66,35 |
73,85 |
4899,4083 |
4401,81213 |
5453,254 |
26 |
86,18 |
10,62 |
915,47641 |
7427,466865 |
112,8375 |
27 |
121,04 |
31,31 |
3790,3464 |
14650,63134 |
980,6216 |
28 |
167,82 |
30,32 |
5087,897 |
28165,11672 |
919,1049 |
29 |
523,75 |
52,93 |
27719,747 |
274314,0625 |
2801,112 |
30 |
4183,44 |
943,75 |
3948119,1 |
17501149,32 |
890664,1 |
Итого |
5662,66 |
1277,11 |
3993544,47 |
17843157,55 |
902197,58 |
Средняя |
188,75536 |
42,570419 |
133118,15 |
594771,9183 |
30073,25 |
Таблица 20- Вывод итогов |
|
|
|
|
|
|
|
| |||
|
|
|
|
|
|
|
|
| |||
Регрессионная статистика |
|
|
|
|
|
|
| ||||
Множественный R |
0,998187 |
|
|
|
|
|
|
| |||
R-квадрат |
0,996378 |
|
|
|
|
|
|
| |||
Нормированный R-квадрат |
0,996257 |
|
|
|
|
|
|
| |||
Стандартная ошибка |
74,36633 |
|
|
|
|
|
|
| |||
Наблюдения |
32 |
|
|
|
|
|
|
| |||
|
|
|
|
|
|
|
|
| |||
Дисперсионный анализ |
|
|
|
|
|
|
|
| |||
|
df |
SS |
MS |
F |
Значимость F |
|
|
| |||
Регрессия |
1 |
45635667,11 |
45635667,11 |
8251,856894 |
3,51077E-38 |
|
|
| |||
Остаток |
30 |
165910,5376 |
5530,351252 |
|
|
|
|
| |||
Итого |
31 |
45801577,64 |
|
|
|
|
|
| |||
|
|
|
|
|
|
|
|
| |||
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
|
|
|
| |||
Y-пересечение |
0,236012 |
13,72925022 |
0,017190422 |
0,986398523 |
|
|
|
| |||
человек, x1 |
4,431048 |
0,048778739 |
90,83973191 |
3,51077E-38 |
|
|
|
| |||
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% | ||||||||
-27,80285786 |
28,27488108 |
-27,80285786 |
28,27488108 | ||||||||
4,331428122 |
4,530667072 |
4,331428122 |
4,530667072 |
Система нормальных уравнений для однофакторной модели(47.1):
(47.1)
a0=0,333
a1=4, 425
Следовательно, уравнения связи ( однофакторная модель) будет выглядеть так(48):
X 0,1=0,333+4,425x1 (48)
Вывод: Параметр a0=0,333 - начало отсчета. В уравнении линейной парной связи параметр a1=4,425 называется коэффициентом полной регрессии; он показывает, на сколько единиц в среднем изменится значение зависимой переменной при изменении независимой на единицу, т.е. при изменении независимой переменной на единицу, значение зависимой переменной изменится на 4,425.
б) многофакторная модель
Для проведения многофакторного корреляционно-регрессионного анализа взяты следующие факторы: затраты на 1 га с.-х. угодий предприятий и число работников на 1 га с.-х. угодий. Необходимо определить наличие и направление связи выручки с данными факторами.
Регрессионный и корреляционный анализ выполнен с помощью средств Microsoft Excel.
Таблица 21- вывод итогов |
|
|
|
|
|
|
|
| |||||||
|
|
|
|
|
|
|
|
| |||||||
Регрессионная статистика |
|
|
|
|
|
|
| ||||||||
Множественный R |
0,998302044 |
|
|
|
|
|
|
| |||||||
R-квадрат |
0,996606972 |
|
|
|
|
|
|
| |||||||
Нормированный R-квадрат |
0,99637297 |
|
|
|
|
|
|
| |||||||
Стандартная ошибка |
73,20402364 |
|
|
|
|
|
|
| |||||||
Наблюдения |
32 |
|
|
|
|
|
|
| |||||||
|
|
|
|
|
|
|
|
| |||||||
Дисперсионный анализ |
|
|
|
|
|
|
| ||||||||
|
df |
SS |
MS |
F |
Значимость F |
|
|
| |||||||
Регрессия |
2 |
45646171,6 |
22823085,8 |
4258,968791 |
1,56141E-36 |
|
|
| |||||||
Остаток |
29 |
155406,0433 |
5358,829078 |
|
|
|
|
| |||||||
Итого |
31 |
45801577,64 |
|
|
|
|
|
| |||||||
|
|
|
|
|
|
|
|
| |||||||
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
|
|
|
| |||||||
Y-пересечение |
-3,346862933 |
13,75481816 |
-0,24332295 |
0,809468208 |
|
|
|
| |||||||
человек, x1 |
5,725753174 |
0,925983113 |
6,183431526 |
9,64141E-07 |
|
|
|
| |||||||
Произв. Затрат, х2 |
-0,012229529 |
0,008734883 |
-1,40007926 |
0,172097668 |
|
|
|
|
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% |
-31,47862433 |
24,78489846 |
-31,47862433 |
24,78489846 |
3,831905092 |
7,619601256 |
3,831905092 |
7,619601256 |
-0,030094371 |
0,005635313 |
-0,030094371 |
0,005635313 |
Матрица корреляционных связей показывает, что между факторными признаками существует тесная связь. Следует учесть, что в экономике многие факторы тесно связаны друг с другом. Поэтому при минимальном числе исходных факторных признаков в данной курсовой работе, включаются оба фактора в одно уравнение с оговоркой, что выводы будут не вполне объективными и каждый фактор в силу положительной их связи будет преувеличивать значимость отдельного признака.
Таким образом, в результате решения по программе Expel получены следующие коэффициенты уравнения: a0 = -3,35; a1 = 5,73 a2 = -0,01.
Уравнение регрессии в решенном виде: y = -3,35+5,73х1-0,01х2.
При этом: a0 = -3,35 – условное начало отсчета результативного признака при нулевом значении факторов, т.е. возможное значение выручки на 1 га с.-х. угодий при нулевых затратах и численности работников, если такие уровни факторов могут быть в производстве; a1 = 5,73 – коэффициент чистой регрессии при факторе х1, показывает, что с увеличением затрат на 1 тыс. руб. на 1 га с.-х. угодий выручка в среднем увеличивается на 5,73 тыс. руб. при фиксированной численности работников; a2 = -0,01- коэффициент чистой регрессии при факторе х2, показывает, что с увеличением численности работников на одного, выручка в среднем уменьшится на 0,01 тыс. руб. при условии, что затраты зафиксированы на среднем уровне.