- •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
Анализ качества модели регрессии
Следовательно, модель парной линейной регрессии имеет вид:
(28)
Выполним анализ качества полученной модели регрессии:
следовательно, только 45,8% дисперсии рентабельности объясняется влиянием факторного признака «премии и вознаграждения», т.е. необходимо включить в математическую модель регрессии другие факторные признаки и выполнить многомерный регрессионный анализ;
Критическое значение критерия Фишера при . Следовательно, уравнение регрессии в целом статистически значимо, т.е. имеется хорошее соответствие данным наблюдений;
Критическое значение - статистики при уровне значимости Для параметрамодели регрессии при факторном признакерасчетное значение - статистики равно 6,495, т.е. этот параметр статистически значим. Об этом же свидетельствуют: - значение (<0,05) и границы доверительного интервала (нижние 95% и верхние 95%). Следовательно, нулевая гипотеза о том, что параметрмодели регрессии может принимать нулевые значения, отвергается.
Выполним прогнозирование на основе полученной модели регрессии.
39 – е предприятие может обеспечить премии и вознаграждения на одного работника в размере 1,89 %. Тогда точечный прогноз для рентабельности этого предприятия равен:
Для построения интервального прогноза из выходной информации инструмента «Регрессия» выбираем стандартное отклонение (стандартную ошибку) 4,35 из регрессионной статистики. Тогда в соответствии с неравенствами имеем
20,5117-4,35*2,00920,5117+4,35*2,009
,
т.е. с вероятностью 95% истинное значение рентабельности предприятия будет находиться в пределах от 11,773 до 29,25, если оно обеспечит премии и вознаграждения на одного работника в размере 1,89 %.
Точечный прогноз показывает, какой бы была рентабельность предприятия при премиях 1,89 %, если бы оно использовало свои производственные возможности в такой степени, как в среднем все предприятия. Фактическое значение рентабельности 39 - ого предприятия Следовательно, предприятие использует свои возможности хуже, чем в среднем все исследуемые предприятия.
В таблице 12 приведены прогнозные значения рентабельности для 39 – го предприятия и при увеличении максимального выборочного значения признака премии и вознаграждении на 15 %, т.е. при значении 2,53 %.
Т а б л ц а 12
Прогноз рентабельности
Анализ результатов расчета показывает, что увеличение максимального значения признака премии и вознаграждения на 15 % дает точечный прогноз рентабельности 25,68.
Парный нелинейный регрессионный анализ
Запишем в общем виде модель парной нелинейной регрессии
(29)
Для этого случая математическая запись метода наименьших квадратов имеет вид:
(30)
Определим параметры модели регрессии с помощью надстройки «Поиск решения». В качестве целевой функции принимаем выражение (30). Так как параметры модели регрессии могут принимать любые значения, то ограничения и граничные условия в математической модели оптимизации отсутствуют.
Размещение информации представлено в таблице 13. Расчетные формулы записаны в таблицу 14.
Т а б л и ц а 13
Размещение информации на рабочем листе
|
A |
B |
C |
D |
E |
F |
G |
H |
I |
1 |
Значение целевой функции |
| |||||||
2 |
|
|
|
|
=* |
|
=* |
=* |
|
3 |
1 |
e | |||||||
4 |
1 |
1,23 |
=b4^2 |
13,26 |
=* |
=* |
=f4^2 |
=* |
=* |
5 |
1 |
1,04 |
10,16 |
|
|
| |||
… |
|
|
|
|
|
| |||
55 |
1 |
2,2 |
23,56 |
|
|
| |||
56 |
|
|
|
|
|
|
| ||
57 |
|
|
|
|
|
=* |
=* | ||
58 |
|
|
|
|
|
=* |
=* | ||
59 |
|
|
|
|
|
|
|
=* |
Примечание. Символ =* означает, что в эту ячейку записывается формула, символ - копирование формул.
Т а б л и ц а 14
Расчетные формулы
Адрес ячейки |
Формула |
Запись на языке ЭТ |
E4 |
Формула (29) |
=СУММПРОИЗВ(a4:c4;$a$2:$c$2) |
F4 |
=d4-e4 | |
H4 |
=d4-$h$2 | |
I4 |
=h4^2 | |
E2 |
Формула (30) |
=СУММКВРАЗН(e4:e55;d4:d55) |
G2 |
=КОРРЕЛ(d4:d55;e4:e55) | |
H2 |
=СРЗНАЧ(d4:d55) | |
G56 |
=СУММ(g4:g55) | |
I56 |
=СУММ(i4:i55) | |
G57 |
=g56/49 | |
I57 |
=i56/49 | |
G58 |
=1-g57/i57 | |
I58 |
=g58*49/((1-g58)*2) | |
I59 |
Определяется с помощью мастера функций |
Примечание. В данном примере объем выборки равен 52, число неизвестных параметров регрессии – 3, из которых два связаны с факторным признаком, поэтому
Результаты расчета приведены в таблице 15.
Т а б л и ц а 15
Результаты расчета
Продолжение таблицы 15
Определим параметры модели регрессии с помощью инструмента Регрессия пакета анализа. Для оценки качества модели регрессии используем коэффициент парной корреляции и критерий Фишера.
Выходная информация инструмента Регрессияи размещение информации приведены в таблице 16 и таблице 17.
Т а б л и ц а 16
Выходная информация инструмента Регрессия
Т а б л и ц а 17
Размещение информации
Коэффициент парной корреляции соответствует Множественному R регрессионной статистики таблицы 16.
Анализ результатов расчета.
Модель парной нелинейной регрессии
Коэффициент парной корреляции т.е. связь между фактическими и теоретическими значениями результативного признака заметная.
Расчетное значение критерия Фишера больше критического, следовательно, уравнение регрессии в целом статистически значимо и его можно использовать для прогноза.
Точечный прогноз: среднее значение рентабельности при равно 29,242.
По сравнению с линейной моделью регрессии среднее значение рентабельности увеличилось, но это значение находиться в границах интервального прогноза для линейной модели. Следовательно, в данном случае можно обойтись линейной моделью регрессии.
Результаты расчетов свидетельствуют о том, что определять значения параметров нелинейной модели регрессии можно с помощью надстройки Поиск решенияи инструментРегрессия пакета анализа.