- •Статистическое изучение взаимосвязи социально-экономических явлений
- •Часть II однофакторный и многофакторный регрессионный анализ
- •1. Нахождение уравнений регрессии между двумя признаками
- •1.1. Парная линейная регрессия. Расчет параметров уравнения регрессии по индивидуальным данным
- •1.2. Парная линейная регрессия. Расчет параметров уравнения регрессии по сгруппированным данным
- •Поясним, как вычислялись суммы :
- •1.3. Парная линейная регрессия. Сопряженные уравнения
- •1.4. Парная линейная регрессия. Параболическая и гиперболическая корреляция
- •2. Многофакторная (множественная) регрессия. Общие положения
- •2) Выбор типа урвнения.
- •2.1. Мультиколлинеарность и коллинеарность.
- •5.1. Построение и статистический анализ многофакторной линейной модели
- •5.1. Построение и статистический анализ двухфакторной линейной модели (трехмерной регрессии)
- •5.1.1. Парные коэффициенты корреляции
- •5.1.2. Частные коэффициенты корреляции
- •5.1.3. Совокупный коэффициент множественной корреляции
- •5.1.4. Совокупный коэффициент множественной детерминации
- •5.1.5. Частные коэффициенты эластичности
- •3. Пример на экономическую интерпретацию многофакторной регрессионной модели
5.1. Построение и статистический анализ многофакторной линейной модели
Наиболее простыми для построения, анализа и экономической интерпретации являются многофакторные линейные модели, которые содержат независимые переменные только в первой степени:
.
Для вычисления параметров (коэффициентов регрессии) ,,...,можно использовать МНК. Для этого минимизируют выражение
.
Для нахождения минимума данной функции приравниваем нулю ее частные производные по параметрам ,,...,. Выполняем элементарные преобразования полученных выражений и получаем нормальные уравнения с (k + 1) неизвестным в следующем виде (заметим, суммирование везде ведется от 1 до n, где n – число наблюдений, поэтому с целью сокращения записей в формулах выражения типа обозначим как):
Параметры модели могут быть найдены методом К.Гаусса.
5.1. Построение и статистический анализ двухфакторной линейной модели (трехмерной регрессии)
На примере двухфакторной линейной модели рассмотрим некоторые характеристики тесноты связи между зависимой и независимой переменными: парные, частные и множественные коэффициенты корреляции, множественный коэффициент детерминации.
Изучение парных и частных коэффициентов корреляции позволяет отобрать наиболее существенные, значимые факторы.
Линейная двухфакторная регрессия (простейшее уравнение множественной регрессии) имеет следующий вид:
. (31)
Система нормальных уравнений для этой модели:
(31,а)
5.1.1. Парные коэффициенты корреляции
Для измерения тесноты связи между двумя рассматриваемыми в данной модели переменными (без учета их взаимодействия с другими переменными) применятся парные коэффициенты корреляции:
, (33)
, (34)
, (35)
где ,,(35,а) – средние квадратические отклонения.
5.1.2. Частные коэффициенты корреляции
Однако в реальных условиях все переменные, как правило, взаимосвязаны.
Теснота взаимосвязи между переменными определяется частными коэффициентами корреляции, которые характеризуют степень и влияние одного из аргументов на функцию при условии, что остальные независимые переменные закреплены на постоянном уровне.
В зависимости от числа переменных, влияние которых исключается, частные коэффициенты корреляции могут различного порядка: при исключении влияния одной переменной – первого порядка, при исключении влияния двух переменных – второго порядка и т.д.
Парный коэффициент корреляции между функцией и аргументом обычно не равен соответствующему частному коэффициенту.
Частные коэффициенты корреляции вычисляются по следующим формулам:
между признаками иy при исключении влияния , т.е. коэффициентпервого порядка:
; (36)
между признаками иy при исключении влияния , т.е. коэффициентпервого порядка:
; (37)
между признаками ипри исключении влиянияу, т.е. коэффициент первого порядка:
, (38)
где r – парные коэффициенты корреляции между соответствующими признаками.