- •Экономико-математические методы и модели
- •Содержание
- •Лекция 1. Теоретические основы экономико-математического моделирования
- •1 Объекты изучения и методы исследования курса «Экономико-математические методы и модели»
- •2 Понятие экономико-математической модели и моделирования
- •3 Классификация экономико-математических моделей
- •4 Основные этапы экономико-математического моделирования
- •5 Программное обеспечение экономико-математического моделирования
- •Лекция 2. Система экономико-математических моделей оптимального планирования и управления
- •1 Понятие оптимизационных задач и оптимизационных моделей
- •2 Методика построения оптимизационной модели
- •3 Основные типы линейных экономико-математических моделей
- •1.3 Модели рационального распределения материальных ресурсов. В общем виде данная задача может быть сформулирована следующим образом:
- •Лекция 3. Экономико-статистическое моделирование и прогнозирование
- •1 Понятие экономико-статистической модели
- •2 Основные инструменты анализа экономических данных1
- •3 Применение корреляционного анализа для решения экономических задач1
- •4 Применение регрессионного анализа для решения экономических задач1
- •5 Трендовые модели прогнозирования экономических процессов
- •Лекция 4. Модели оптимального управления товарными запасами
- •1 Основные понятия экономико-математических моделей управления запасами
- •2 Модели управления однономенклатурными запасами1
- •3 Модели управления многономенклатурными запасами2
- •Лекция 5. Модели систем массового обслуживания
- •1 Понятие о системах массового обслуживания (смо)
- •2 Основные характеристики смо1
- •3 Классификация смо
- •4 Экономико-математическая постановка задач массового обслуживания
- •Лекция 6. Методы и модели сетевого планирования и управления
- •1 Особенности и назначение систем сетевого планирования и управления
- •2 Основные понятия, определения и графические обозначения спу
- •3 Правила построения сетевых графиков
- •4 Основные параметры сетевых моделей и методы их расчета
- •5 Постановка задач для решения методами спу
- •6 Виды и сущность оптимизации сетевых моделей
- •Лекция 7. Экономико-математические методы и модели теории игр
- •1 Предмет и задачи теории игр
- •2 Матричные игры с нулевой суммой
- •3 Решение матричных игр в чистых стратегиях
- •4 Решение матричных игр в смешанных стратегиях
- •5 Решение статистических игр по различным критериям
- •Лекция 8. Модели межотраслевого баланса
- •1 Общие понятия балансового метода
- •2 Принципиальная схема межотраслевого баланса
- •3 Экономико-математическая модель межотраслевого баланса
- •Литература
4 Применение регрессионного анализа для решения экономических задач1
Регрессионный анализ имеет своей целью вывод, определение (идентификацию) уравнения регрессии, включая статистическую оценку его параметров.
В основе любой регрессионной модели лежит уравнение (или система уравнений) регрессии, которое показывает, каким будет в среднем изменение зависимой переменной у, если независимые переменные х примут конкретные значения. Это обстоятельство позволяет применять модель регрессии не только для анализа, но и для прогнозирования.
Основная задача прогнозирования с помощью регрессионных моделей — оценить значение эндогенной переменной у для некоторого набора экзогенных переменных х, называемых регрессорами. Направление причинной связи между исследуемым показателем и отобранными факторами определяется путем предварительного обоснования и включается в модель как гипотеза, статистическую состоятельность которой проверяют в процессе создания модели.
Различают уравнения (модели) парной и множественной регрессии. Когда уравнение регрессии математически описывает поведение множества данных исследуемого показателя у во взаимосвязи с массивом данных одной независимой переменной х, то говорят о модели парной регрессии. Модели множественной регрессии отражают вклад нескольких независимых переменных х в результат исследуемого показателя у.
Для отображения и оценки регрессионной взаимосвязи переменных могут использоваться различные функции: линейная, экспоненциальная, логарифмическая, полиномиальная и др. Excel предлагает пользователю 15 функций рабочего листа, созданных непосредственно для этой цели, а также специальный инструмент анализа Регрессия, заметно увеличивающий эффективность проведения достаточно трудоемких регрессионных вычислений.
Прогнозирование с использованием парной регрессии. Если при проведении корреляционного анализа были получены достаточно высокие значения коэффициента парной корреляции (0,7 < |r| < 1), то можно попытаться оценить параметры и проверить статистическую значимость линейного уравнения связи вида у = b + mх. Однако реальная взаимосвязь величин у и х может быть в лучшей степени описана нелинейной функцией. Изучить специфику зависимости и проследить характер связи в случае двух переменных проще всего графически, построив на плоскости ту линию, которая наиболее адекватно отразит поведение точек базового ряда, с помощью команд и функций Excel.
Построение и оценка модели множественной регрессии. Процесс создания многофакторной модели на практике может оказаться достаточно длительным и сложным. Очень редко первое оцененное уравнение зависимости экономических переменных является удовлетворительным во всех отношениях. Обычно исследователю приходится постепенно подбирать состав объясняющих переменных и формулу связи, анализируя на каждом этапе качество оцененной зависимости.
Формально решить задачу построения модели множественной регрессии можно лишь в том случае, когда количество наблюдений n превышает число независимых факторов k и, по крайней мере, выполняется неравенство n>k+1. Положительная разность (n-k-1) называется числом степеней свободы. Если это число мало, то статистическая надежность оцениваемой формулы не будет высокой. Поэтому обычно при оценке множественной регрессии требуется, чтобы число наблюдений не менее, чем в 3 раза превосходило количество объясняющих переменных х.
Если установлено, что связь исследуемого показателя и отобранных факторов носит линейный характер (что подтверждают результаты корреляционного анализа), то аналитической формой ее выражения может стать уравнение множественной линейной регрессии. Наиболее часто используемая линейная модель множественной регрессии имеет вид
у = b + m1x1 + m2х2 + ... + mk xk + ε,
где ε — остаточная компонента, которая используется для оценки качества построенной модели.
Если связь между исследуемым показателем и факторными признаками носит нелинейный характер, то для построения моделей регрессии могут использоваться экспоненциальная, степенная или логарифмическая функции. Если форму зависимости обосновать трудно, поиск модели связи можно провести с помощью разных уравнений и затем сравнить полученные результаты.
Как и в случае парной регрессии, задача построения модели множественной линейной регрессии связана с определением и оценкой параметров уравнения b, m1, m2, ..., m3. Критерии оценивания параметров модели могут быть различны.
Наиболее приемлемым способом отбора факторных признаков для построения модели является шаговая регрессия. Сущность метода шаговой регрессии заключается в последовательном включении факторов в уравнение: сначала в расчет принимается один фактор, с которым у исследуемого показателя наиболее тесная линейная связь, затем второй, третий и т.д. И на каждом шаге рассчитываются уравнение связи и набор статистических характеристик, которые позволяют судить о качестве полученного уравнения. Если введение каждого последующего фактора не ухудшает общего качества модели, то данный фактор признается существенным и его включение в уравнение регрессии необходимо. Если же при введении в уравнение факторного признака статистические характеристики его качества ухудшаются, то данный признак не включают в модель связи.
Между тем на определенном шаге построения модели прямым шаговым методом могут возникать ситуации, когда введение каждого из последующих факторов в отдельности ухудшает некоторые статистические характеристики модели, а их совокупное введение приводит к получению статистически значимых величин. Поэтому на практике используют и другие алгоритмы шагового регрессионного анализа, например, с последовательным исключением факторов, ставших незначимыми в ходе анализа качества оцененной зависимости (обратный метод).
Расчет формулы связи переменных еще не означает, что создана модель регрессии. До тех пор, пока не дана оценка ее качества, полученное уравнение остается лишь гипотезой. Анализ качества модели регрессии включает две составляющие: статистическую и содержательную.
Проверка статистического качества полученного уравнения предполагает оценку: общего качества уравнения; статистической значимости каждого параметра уравнения; наличия автокорреляции остатков.
Самым ответственным этапом, завершающим регрессионный анализ, является содержательная оценка качества уравнения, которая состоит в его переводе с языка математики и статистики на язык экономиста, проверке наличия экономического смысла в размере и характере влияния на исследуемый показатель каждого из объясняющих факторов.
Для статистической оценки общего качества уравнения линейной регрессии обычно используют коэффициент детерминации R2, который представляет собой квадрат коэффициента множественной корреляции (для случая парной регрессии это квадрат коэффициента корреляции переменных х и у). Он характеризует долю объясненной части разброса зависимой переменной у. Как правило, с добавлением еще одной переменной R2 увеличивается, но если объясняющие переменные x1 и x2 сильно коррелируют между собой, то они объясняют одну и ту же часть разброса переменной у, и в этом случае ухудшаются показатели оценки статистической значимости параметров уравнения.
Чтобы убедиться в статистической надежности модели (или статистической значимости коэффициента детерминации R2) проверяют гипотезу о равенстве нулю одновременно всех параметров уравнения регрессии, за исключением свободного члена. Такую проверку осуществляют по F-критерию, расчетное значение которого сравнивают с табличным. При заданном уровне значимости модель считается надежной, если расчетное значение F-статистики c v1 = k и v2 = (n-k-1) степенями свободы больше табличного Fкрит.
В качестве меры точности аппроксимации моделью исходных данных применяют несмещенную оценку дисперсии остаточной компоненты, которая представляет собой отношение суммы квадратов уровней остаточной компоненты к величине (n - k - 1), квадратный корень из которой называется стандартной ошибкой оценки.
Считается, что чем выше значение коэффициентов множественной корреляции, детерминации и критерия Фишера и чем ниже значение стандартной ошибки, тем точнее полученное уравнение связи описывает зависимости, сложившиеся между исследуемым показателем и отобранными факторными признаками, тем, следовательно, выше общее качество модели.
Для оценки статистической значимости отдельных параметров уравнения регрессии (т.е. проверки нулевой гипотезы для каждого из них) используют t-критерий, сравнивая рассчитанное значение t-статистики с найденным по таблице распределения Стьюдента при заданном уровне значимости Fкрит. Нулевая гипотеза отвергается, если t-наблюдаемое больше tкрит. В противном случае фактор, соответствующий исследуемому параметру mk, признается незначимым и исключается из модели (при этом ее качество не ухудшается). Как и в случае парной регрессии, здесь можно приближенно считать оценку параметра незначимой, если t-статистика по модулю меньше единицы, и весьма надежной, если модуль t-статистики больше трех.
При проверке адекватности уравнения множественной регрессии исследуемому процессу возможны следующие варианты:
1) построенная модель на основе ее проверки по F-критерию в целом адекватна и все параметры уравнения регрессии значимы. Такая модель может быть использована для прогнозирования исследуемого показателя;
2) модель по F-критерию адекватна, но часть параметров регрессии не значима. В этом случае модель может быть пригодна для принятия отдельных решений, но не подходит для расчета прогнозов;
3) модель по F-критерию адекватна, но все параметры уравнения не значимы. Такая модель полностью считается неадекватной. На ее основе нельзя принимать решения и составлять прогнозы.
Одним из основных предположений, которые принимаются при оценке качества линейного уравнения регрессии, является случайность и статистическая независимость отклонений фактических данных исследуемого показателя от регрессионной прямой. Чтобы убедиться в этом обычно проверяют некоррелированность отклонений от линии регрессии, причем некоррелированность не любых, а соседних значений отклонений. Для этого рассчитывают коэффициент автокорреляции первого порядка.
При достаточном числе наблюдений (не менее 12-15), при 1-3 объясняющих переменных коэффициент автокорреляции остатков должен быть не менее -0,5 и не более 0,5. Когда коэффициент автокорреляции составляет 0,1-0,2-0,3, хотя и нельзя с абсолютной уверенностью утверждать о взаимной независимости отклонений от линии регрессии, этим обычно удовлетворяются при проверке их независимости. В противном случае признается наличие автокорреляции остатков, и полученная формула модели регрессии считается неудовлетворительной.
Таким образом, даже беглый взгляд на проблему построения модели множественной регрессии отражает достаточно сложную схему вычислений и процедуры проверки качества полученной модели связи. Если учесть при этом громоздкость расчетов названных выше статистических характеристик и необходимость использования методики шагового анализа, которая предполагает многократное повторение всех описанных оценок по мере введения (исключения) каждого факторного признака, то становится ясным: поиски адекватной реальному процессу модели могут занять у исследователя достаточно много времени. Для практической деятельности в сфере экономики это нередко равнозначно упущенным возможностям. Именно поэтому до последнего времени многофакторный регрессионный анализ не нашел должного применения в экономическом прогнозировании. Внедрение в практику экономических расчетов персональных ЭВМ, значительно ускоряющих техническую сторону процедуры регрессионного анализа, расширяет возможности его применения в прогнозировании и оперативном управлении коммерческой деятельностью.