- •Министерство науки и образования Украины
- •Введение
- •Развить навыки защиты выполненной работы.
- •Исходные данные варианта 17
- •Содержание пояснительной записки:
- •Защита работы
- •Содержание и последовательность выполнения работы
- •Краткие сведения из теории и компьютерной технологии
- •1.1. Контроль исходной информации на наличие грубых ошибок и выбросов
- •1.2. Проверка соответствия исследуемых признаков нормальному закону распределения
- •1.4. Регрессионный анализ статистических данных
- •1.4.1. Парный линейный регрессионный анализ
- •1.4.2. Парный нелинейный регрессионный анализ
- •1.4.3. Многомерный линейный регрессионный анализ
- •1.4.4. Многомерный нелинейный регрессионный анализ
- •1.5. Критерии оценки качества модели регрессии
- •1.6. Прогнозирование на основе уравнения регрессии
- •1.7. Экономический смысл параметров модели регрессии
- •2. Пример выполнения задания
- •Контроль исходной информации на наличие грубых ошибок и выбросов
- •Проверка соответствия исследуемых признаков нормальному закону распределения
- •Корреляционный анализ данных наблюдений
- •Парный линейный регрессионный анализ
- •Выходная информация инструмента «Регрессия»
- •Анализ качества модели регрессии
- •Парный нелинейный регрессионный анализ
- •Многомерный линейный регрессионный анализ
- •Многомерный нелинейный регрессионный анализ
- •Прогнозирование на основе методов оптимизации
- •Целевая функция
- •Целевая функция
- •Постановка задач оптимизации для принятия решений внутри выборки
- •Список литературы
Проверка соответствия исследуемых признаков нормальному закону распределения
Гистограмма для результативного признака построена с помощью инструмента Гистограмма пакета анализа и представлена на рис. 6.
Форма гистограммы свидетельствует о том, что рентабельность подчиняется нормальному закону распределения.
С помощью инструмента Описательная статистика пакета анализа выполняем статистическую обработку многомерной выборки. Результаты работы описательной статистики представлены в таблице 9.
Значения числовых характеристик исследуемых признаков:
среднее, мода и медиана имеют один порядок;
эксцесс и асимметричность близки к нулю.
Рис.6. Гистограмма рентабельности предприятий
Т а б л и ц а 9
Результаты работы описательной статистики
Следовательно, исследуемые признаки подчиняются нормальному закону распределения.
Корреляционный анализ данных наблюдений
Корреляционная матрица, полученная с помощью инструмента «Корреляция», приведена в таблице 10.
Т а б л и ц а 10
Матрица коэффициентов парной корреляции
Анализ коэффициентов парной корреляции показывает, что:
между рентабельностью предприятия и премиями работников наблюдается заметная положительная корреляционная связь;
между удельным весом рабочих в составе промышленно-производственного персонала и непроизводственными расходами – очень сильная отрицательная корреляционная связь.
В математическую модель парной регрессии следует включить факторный признак , наиболее значимый по тесноте связи с результативным признаком.
Парный линейный регрессионный анализ
Запишем математическую модель парной линейной регрессии в виде
(26)
Математическая запись метода наименьших квадратов для этой модели
(27)
Параметры модели регрессии определим с помощью инструмента «Регрессия» пакета анализа. Выходная информация представлена в таблице 11.
Т а б л и ц а 11
Выходная информация инструмента «Регрессия»
В ячейках таблицы 11 приведена следующая информация:
ячейка В4 – множественный коэффициент корреляции (в данном случае это коэффициент парной корреляции см. таблицу 10);
ячейка В5 – коэффициент детерминации
ячейка В5 – нормированный коэффициент детерминации, определяемый по формуле
где - объем выборки,- число неизвестных параметров уравнения регрессии. Коэффициент детерминации корректируется с учетом числа факторных признаков и объема выборки.
ячейка В7 – стандартная ошибка ;
ячейка В8 – объем выборки ;
ячейка В12 – число степеней свободы для определения критического значения критерия Фишера;
ячейка В13 – число степеней свободы для определения критического значения критерия Фишера;
ячейка С12 – сумма квадратов разностей между расчетными значениями и средним значением результативного признакат.е. сумма квадратов, объясняемая регрессией ();
ячейка С13 – остаточная сумма квадратов, т.е. сумма квадратов отклонений ;
ячейка D13 – остаточная дисперсия
ячейка Е12 – расчетное значение критерия Фишера;
ячейка В17 – параметр уравнения регрессии;
ячейка В18 - параметр уравнения регрессии;
ячейка С17 – стандартная ошибка параметра ;
ячейка С18 - стандартная ошибка параметра ;
ячейка D17 – расчетное значение статистики параметра;
ячейка D18 - расчетное значение статистики параметра;
ячейка Е17 - значение параметра;
ячейка Е18 -значение параметра;
ячейки F17:F18 – нижние границы доверительных интервалов соответствующих параметров уравнения регрессии;
ячейки G17:G18 – верхние границы доверительных интервалов этих параметров.
Для оценки статистической значимости параметров модели регрессии удобно использовать метод значение (value). Обозначив через уровень значимости, получают следующее правило принятия решения:
принять нулевую гипотезу о том, что параметр модели регрессии может быть равен нулю, если
отвергнуть нулевую гипотезу, если