Определение параметров уравнения множественной регрессии
Оценка линейного коэффициента множественной корреляции, коэффициента детерминации, средних коэффициентов эластичности, бетта–, дельта–коэффициентов двухфакторной регрессионной модели. Коэффициент детерминации модели, прогноз результирующего показателя.
Рубрика | Экономико-математическое моделирование |
Вид | контрольная работа |
Язык | русский |
Дата добавления | 16.04.2012 |
Размер файла | 197,5 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
2
Размещено на http://www.allbest.ru/
Контрольная работа
Определение параметров уравнения множественной регрессии
Задание 1
множественная корреляция регрессионная модель двухфакторная
По десяти кредитным учреждениям получены данные, характеризующие зависимость объема прибыли (Y) от среднегодовой ставки по кредитам (X1), ставки по депозитам (X2) и размера внутрибанковских расходов (X3).
Требуется:
1. Осуществить выбор факторных признаков для построения двухфакторной регрессионной модели.
2. Рассчитать параметры модели.
3. Для характеристики модели определить:
Ш линейный коэффициент множественной корреляции,
Ш коэффициент детерминации,
Ш средние коэффициенты эластичности, бетта-, дельта-коэффициенты.
Дать их интерпретацию.
4. Осуществить оценку надежности уравнения регрессии.
5. Оценить с помощью t-критерия Стьюдента статистическую значимость коэффициентов уравнения множественной регрессии.
6. Построить точечный и интервальный прогнозы результирующего показателя.
7. Отразить результаты расчетов на графике.
Выполнение задач отразить в аналитической записке, приложить компьютерные распечатки расчетов.
1. Построение системы показателей (факторов). Анализ матрицы коэффициентов парной корреляции. Выбор факторных признаков для построения двухфакторной регрессионной модели.
В этом примере n = 10, m = 3.
При вычислении коэффициента корреляции по формуле:
.
В таблице 2.3 приведены сводные результаты корреляционного анализа.
Таблица 2
Y |
X1 |
X2 |
X3 |
|
Объем прибыли |
Среднегодовые ставки по кредитам |
ставки по депозитам |
размер внутрибанковских расходов |
|
22 30 20 32 44 34 52 56 66 68 |
176 170 156 172 162 160 166 156 152 138 |
150 154 146 134 132 126 134 126 88 120 |
86 94 100 96 134 114 122 118 130 108 |
Таблица 2.1.
t |
Y |
X1 |
||||||
1 |
22 |
176 |
-20,4 |
416,16 |
15,2 |
231,04 |
-310,08 |
|
2 |
30 |
170 |
-12,4 |
153,76 |
9,2 |
84,64 |
-114,08 |
|
3 |
20 |
156 |
-22,4 |
501,76 |
-4,8 |
23,04 |
107,52 |
|
4 |
32 |
172 |
-10,4 |
108,16 |
11,2 |
125,44 |
-116,48 |
|
5 |
44 |
162 |
1,6 |
2,56 |
1,2 |
1,44 |
1,92 |
|
6 |
34 |
160 |
-8,4 |
70,56 |
-0,8 |
0,64 |
6,72 |
|
7 |
52 |
166 |
9,6 |
92,16 |
5,2 |
27,04 |
49,92 |
|
8 |
56 |
156 |
13,6 |
184,96 |
-4,8 |
23,04 |
-65,28 |
|
9 |
66 |
152 |
23,6 |
556,96 |
-8,8 |
77,44 |
-207,68 |
|
10 |
68 |
138 |
25,6 |
655,36 |
-22,8 |
519,84 |
-583,68 |
|
? |
424 |
1608 |
0 |
2742,4 |
- |
1113,6 |
-1231,2 |
|
сред |
42,4 |
160,8 |
- |
- |
- |
- |
- |
|
знач |
Таблица 2.2
t |
Y |
X2 |
||||||
1 |
22 |
150 |
-20,4 |
416,16 |
19 |
361 |
-387,6 |
|
2 |
30 |
154 |
-12,4 |
153,76 |
23 |
529 |
-285,2 |
|
3 |
20 |
146 |
-22,4 |
501,76 |
15 |
225 |
-336 |
|
4 |
32 |
134 |
-10,4 |
108,16 |
3 |
9 |
-31,2 |
|
5 |
44 |
132 |
1,6 |
2,56 |
1 |
1 |
1,6 |
|
6 |
34 |
126 |
-8,4 |
70,56 |
-5 |
25 |
42 |
|
7 |
52 |
134 |
9,6 |
92,16 |
3 |
9 |
28,8 |
|
8 |
56 |
126 |
13,6 |
184,96 |
-5 |
25 |
-68 |
|
9 |
66 |
88 |
23,6 |
556,96 |
-43 |
1849 |
-1014,8 |
|
10 |
68 |
120 |
25,6 |
655,36 |
-11 |
121 |
-281,6 |
|
? |
424 |
1310 |
0 |
2742,4 |
- |
3154 |
-2332 |
|
сред |
42,4 |
131 |
- |
- |
- |
- |
- |
|
знач |
Таблица 2.3
t |
Y |
X3 |
||||||
1 |
22 |
86 |
-20,4 |
416,16 |
-24,2 |
585,64 |
493,68 |
|
2 |
30 |
94 |
-12,4 |
153,76 |
-16,2 |
262,44 |
200,88 |
|
3 |
20 |
100 |
-22,4 |
501,76 |
-10,2 |
104,04 |
228,48 |
|
4 |
32 |
96 |
-10,4 |
108,16 |
-14,2 |
201,64 |
147,68 |
|
5 |
44 |
134 |
1,6 |
2,56 |
23,8 |
566,44 |
38,08 |
|
6 |
34 |
114 |
-8,4 |
70,56 |
3,8 |
14,44 |
-31,92 |
|
7 |
52 |
122 |
9,6 |
92,16 |
11,8 |
139,24 |
113,28 |
|
8 |
56 |
118 |
13,6 |
184,96 |
7,8 |
60,84 |
106,08 |
|
9 |
66 |
130 |
23,6 |
556,96 |
19,8 |
392,04 |
467,28 |
|
10 |
68 |
108 |
25,6 |
655,36 |
-2,2 |
4,84 |
-56,32 |
|
? |
424 |
1102 |
0 |
2742,4 |
- |
2331,6 |
1707,2 |
|
сред |
42,4 |
110,2 |
- |
- |
- |
- |
- |
|
знач |
Таблица 2.4
t |
Х1 |
X2 |
Х1- |
(Х1-)2 |
Х2- |
(Х2-)2 |
(Х1-)* (Х2-) |
|
1 |
176 |
150 |
15,2 |
231,04 |
19 |
361 |
288,8 |
|
2 |
170 |
154 |
9,2 |
84,64 |
23 |
529 |
211,6 |
|
3 |
156 |
146 |
-4,8 |
23,04 |
15 |
225 |
-72 |
|
4 |
172 |
134 |
11,2 |
125,44 |
3 |
9 |
33,6 |
|
5 |
162 |
132 |
1,2 |
1,44 |
1 |
1 |
1,2 |
|
6 |
160 |
126 |
-0,8 |
0,64 |
-5 |
25 |
4 |
|
7 |
166 |
134 |
5,2 |
27,04 |
3 |
9 |
15,6 |
|
8 |
156 |
126 |
-4,8 |
23,04 |
-5 |
25 |
24 |
|
9 |
152 |
88 |
-8,8 |
77,44 |
-43 |
1849 |
378,4 |
|
10 |
138 |
120 |
-22,8 |
519,84 |
-11 |
121 |
250,8 |
|
? |
1608 |
1310 |
- |
1113,6 |
- |
3154 |
1136 |
|
сред |
160,8 |
131 |
- |
- |
- |
- |
- |
|
знач |
Таблица 2.5
t |
Х1 |
X3 |
Х1- |
(Х1-)2 |
Х3- |
(Х3-)2 |
(Х1-)* (Х3-) |
|
1 |
176 |
86 |
15,2 |
231,04 |
-24,2 |
585,64 |
-367,84 |
|
2 |
170 |
94 |
9,2 |
84,64 |
-16,2 |
262,44 |
-149,04 |
|
3 |
156 |
100 |
-4,8 |
23,04 |
-10,2 |
104,04 |
48,96 |
|
4 |
172 |
96 |
11,2 |
125,44 |
-14,2 |
201,64 |
-159,04 |
|
5 |
162 |
134 |
1,2 |
1,44 |
23,8 |
566,44 |
28,56 |
|
6 |
160 |
114 |
-0,8 |
0,64 |
3,8 |
14,44 |
-3,04 |
|
7 |
166 |
122 |
5,2 |
27,04 |
11,8 |
139,24 |
61,36 |
|
8 |
156 |
118 |
-4,8 |
23,04 |
7,8 |
60,84 |
-37,44 |
|
9 |
152 |
130 |
-8,8 |
77,44 |
19,8 |
392,04 |
-174,24 |
|
10 |
138 |
108 |
-22,8 |
519,84 |
-2,2 |
4,84 |
50,16 |
|
? |
1608 |
1102 |
- |
1113,6 |
- |
2331,6 |
-701,6 |
|
сред |
160,8 |
110,2 |
- |
- |
- |
- |
- |
|
знач |
Таблица 2.6
t |
Х2 |
X3 |
Х2- |
(Х2-)2 |
Х3- |
(Х3-)2 |
(Х2-)* (Х3-) |
|
1 |
150 |
86 |
19 |
361 |
-24,2 |
585,64 |
-459,8 |
|
2 |
154 |
94 |
23 |
529 |
-16,2 |
262,44 |
-372,6 |
|
3 |
146 |
100 |
15 |
225 |
-10,2 |
104,04 |
-153 |
|
4 |
134 |
96 |
3 |
9 |
-14,2 |
201,64 |
-42,6 |
|
5 |
132 |
134 |
1 |
1 |
23,8 |
566,44 |
23,8 |
|
6 |
126 |
114 |
-5 |
25 |
3,8 |
14,44 |
-19 |
|
7 |
134 |
122 |
3 |
9 |
11,8 |
139,24 |
35,4 |
|
8 |
126 |
118 |
-5 |
25 |
7,8 |
60,84 |
-39 |
|
9 |
88 |
130 |
-43 |
1849 |
19,8 |
392,04 |
-851,4 |
|
10 |
120 |
108 |
-11 |
121 |
-2,2 |
4,84 |
24,2 |
|
? |
1310 |
1102 |
0 |
3154 |
- |
2331,6 |
-1854 |
|
сред |
131 |
110,2 |
- |
- |
- |
- |
- |
|
знач |
Таблица 2.7.
Объем прибыли |
Среднегодовые ставки по кредитам |
Ставки по депозитам |
Размер внутрибанковских расходов |
||
Столбец 1 |
Столбец 2 |
Столбец 3 |
Столбец 4 |
||
Объем прибыли Среднегодовые ставки по кредитам Ставки по депозитам Размер внутрибанковских расходов |
1 -0,705 -0,793 0,675 |
1 0,606 -0,435 |
1 -0,684 |
1 |
Анализ результатов коэффициентов парной корреляции показывает, что зависимая переменная, т.е. объем прибыли имеет тесную связь:
- со ставками по депозитам ( )
- со среднегодовыми ставками по кредитам( )
В этом примере n=10, m = 3, после исключения незначимых факторов n = 10, k = 2.
Выбор вида модели и оценка ее параметров.
Таблица 2.8
Y |
X1 |
X2 |
|
Объем прибыли |
Среднегодовые ставки по кредитам |
ставки по депозитам |
|
22 30 20 32 44 34 52 56 66 68 |
176 170 156 172 162 160 166 156 152 138 |
150 154 146 134 132 126 134 126 88 120 |
Уравнение множественной регрессии может быть представлено в виде:
Y = f(в , X) + е
Для оценки параметров уравнения множественной регрессии применяют МНК.
Определим вектор оценок коэффициентов регрессии. Согласно методу наименьших квадратов, вектор s получается из выражения:
s = (XTX)-1XTY
Матрица X
1 |
176 |
150 |
|
1 |
170 |
154 |
|
1 |
156 |
146 |
|
1 |
172 |
134 |
|
1 |
162 |
132 |
|
1 |
160 |
126 |
|
1 |
166 |
134 |
|
1 |
156 |
126 |
|
1 |
152 |
88 |
|
1 |
138 |
120 |
Матрица Y
22 |
|
30 |
|
20 |
|
32 |
|
44 |
|
34 |
|
52 |
|
56 |
|
66 |
|
68 |
Матрица XT
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
|
176 |
170 |
156 |
172 |
162 |
160 |
166 |
156 |
152 |
138 |
|
150 |
154 |
146 |
134 |
132 |
126 |
134 |
126 |
88 |
120 |
Умножаем матрицы, (XTX)
Расписать как получили каждый элемент матрицы (что на что умножали цифрами):
а11=
а12=
…
а21=
а22=
…
а13=
В матрице, (XTX) число 10, лежащее на пересечении 1-й строки и 1-го столбца, получено как сумма произведений элементов 1-й строки матрицы XT и 1-го столбца матрицы X
Умножаем матрицы, (XTY)
аналогично расписать цифрами что на что умножали.
Находим обратную матрицу (XTX)-1 аналогично расписать, как нашли каждое значение
23.87 |
-0.16 |
0.0166 |
|
-0.16 |
0.0014 |
-0.0005 |
|
0.0166 |
-0.0005 |
0.0005 |
Вектор оценок коэффициентов регрессии равен
s = (XTX)-1XTY =
Уравнение регрессии (оценка уравнения регрессии)
Y = 202.3647-0.5554X1-0.5393X2
Регрессионный анализ составлен на основе прил. №1
Таблица 2.9
Регрессионная статистика |
||||
№ |
Принятые наименования |
формула |
Результат |
|
1 |
Коэффициент множественной корреляции |
0,841 |
||
2 |
Коэффициент детерминации, R2 |
0,708 |
||
3 |
Скорректированный R2 |
0,625 |
||
4 |
Стандартная ошибка |
10,7 |
||
5 |
Количество наблюдений |
n |
10 |
Таблица 2.10
df - число степеней свободы |
SS - сумма квадратов |
MS |
F-критерий Фишера |
||
Регрессия |
k=2 |
||||
Остаток |
n - k - 1=7 |
||||
Итого |
N - 1 =9 |
Таблица 2.11
Коэффициенты |
Стандартная ошибка |
t-статистика |
||
Y - пересечение Реклама Индекс потребительских расходов |
202,365 -0,555 -0,539 |
52,253 0,403 0,239 |
3,873 -1,378 -2,252 |
Таблица 2.12 Оценка качества модели
Y(X1,X2) |
ei |
ei2 |
ei - ei-1 |
(ei - ei-1)2 |
|
23.71 |
-1.71 |
2.93 |
0 |
0 |
|
24.89 |
5.11 |
26.16 |
-6.82 |
46.58 |
|
36.98 |
-16.98 |
288.19 |
22.09 |
488 |
|
34.56 |
-2.56 |
6.56 |
-14.41 |
207.79 |
|
41.19 |
2.81 |
7.87 |
-5.37 |
28.81 |
|
45.54 |
-11.54 |
133.19 |
14.35 |
205.83 |
|
37.89 |
14.11 |
198.99 |
-25.65 |
657.78 |
|
47.76 |
8.24 |
67.85 |
5.87 |
34.44 |
|
70.48 |
-4.48 |
20.06 |
12.72 |
161.7 |
|
61 |
7 |
49.05 |
-11.48 |
131.85 |
|
424 |
0 |
800.85 |
-8.71 |
1962.77 |
|
42.4 |
0 |
80.08 |
-0.87 |
196.28 |
Проверку независимости проведем с помощью d-критерия Дарбина - Уотсона.
В качестве критических табличных уровней при N = 10, двух объясняющих факторах при уровне значимости в 5% возьмем величины d1 = 0,98 и d2 = 1,54.
Автокорреляция отсутствует, если выполняется следующее условие:
d1 < DW и d2 < DW < 4 - d2.
По таблице Дарбина-Уотсона для n=9 и k=1 (уровень значимости 5%) находим: d1 = 1.08; d2 = 1.36.
Поскольку 0,98 < 2,451 и 1,54 < 2,451 < 4 - 1,54, то автокорреляция остатков присутствует.
Вычислим для модели коэффициент детерминации
Если расчетное значение с k1=(m) и k2=(n-m-1) степенями свободы больше табличного при заданном уровне значимости, то модель считается значимой.
Он показывает долю вариации результативного признака под воздействием изучаемых факторов. Следовательно, около 71% вариация зависимой переменной учтено в модели и обусловлено влиянием включенных факторов
Средним коэффициентом эластичности, показывающим на сколько процентов среднем по совокупности изменится результат y от своей средней величины при измени фактора xi на 1% от своего среднего значения;
Частный коэффициент эластичности E1 < 1. Следовательно, его влияние на результативный признак Y незначительно.
Частный коэффициент эластичности E2 < 1. Следовательно, его влияние на результативный признак Y незначительно.
- в-коэффициенты, показывающие, что, если величина фактора изменится на одно среднеквадратическое отклонение Sxi, то значение результативного признака изменится в среднем на в своего среднеквадратического отклонения;
- долю каждого фактора в общей вариации результативного признака определяют коэффициенты раздельной детерминации (отдельного определения):
d2i = ryxiвi.
d21 = -0.7 * -0.0209 = 0.0147.
d22 = -0.79 * -0.0121 = 0.0096.
Проверка гипотезы H0 о статистической значимости уравнения регрессии и показателя тесноты связи (R2 = 0) производится по F-критерию Фишера сравнением
Fфакт с Fтабл.
Оценка статистической значимости парной линейной регрессии производится по следующему алгоритму:
1. Выдвигается нулевая гипотеза о том, что уравнение в целом статистически незначимо: H0: R2=0 на уровне значимости б.
2. Далее определяют фактическое значение F-критерия:
где m=2 для множественной регрессии с двумя факторами.
3. Табличное значение определяется по таблицам распределения Фишера для заданного уровня значимости, принимая во внимание, что число степеней свободы для общей суммы квадратов (большей дисперсии) равно 2 и число степеней свободы остаточной суммы квадратов (меньшей дисперсии) при линейной регрессии равно n-2-1.
4. Если фактическое значение F-критерия меньше табличного, то говорят, что нет основания отклонять нулевую гипотезу.В противном случае, нулевая гипотеза отклоняется и с вероятностью (1-б) принимается альтернативная гипотеза о статистической значимости уравнения в целом.
Табличное значение критерия со степенями свободы k1=2 и k2=7, Fkp = 4.74
Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим (найденная оценка уравнения регрессии статистически надежна).
Оценка значимости коэффициентов регрессии с помощью t-критерия Стьюдента.
Оценка значимости коэффициентов регрессии b1 и b2 производится с помощью t-критерия Стьюдента и связана с сопоставлением их значений с величиной случайных ошибок mb1 и mb2. Более простым способом расчета фактических значений tb1 и tb2 является их определение через критерии F:
Проверим гипотезу H0 о равенстве отдельных коэффициентов регрессии нулю (при альтернативе H1 не равно) на уровне значимости б=0.05.
tкрит (n-m-1;б/2) = (7;0.025) = 2.365
(расписать, как рассчитали числитель и знаменатель)
Поскольку 3.87 > 2.365, то статистическая значимость коэффициента регрессии b0 подтверждается (отвергаем гипотезу о равенстве нулю этого коэффициента).
(расписать, как рассчитали числитель и знаменатель)
Поскольку 1.38 < 2.365, то статистическая значимость коэффициента регрессии b1 не подтверждается (принимаем гипотезу о равенстве нулю этого коэффициента).
(расписать, как рассчитали числитель и знаменатель)
Поскольку 2.25 < 2.365, то статистическая значимость коэффициента регрессии b2 не подтверждается (принимаем гипотезу о равенстве нулю этого коэффициента).
Построить точечный и интервальный прогнозы результирующего показателя.
Таблица 2.13
Объем прибыли |
Среднегодовые ставки по кредитам |
ставки по депозитам |
абсолютные приросты |
||
y |
X1 |
X2 |
xi-xi-1 |
xi-xi-1 |
|
22 |
176 |
150 |
- |
- |
|
30 |
170 |
154 |
-6 |
4 |
|
20 |
156 |
146 |
-14 |
-8 |
|
32 |
172 |
134 |
16 |
-12 |
|
44 |
162 |
132 |
-10 |
-2 |
|
34 |
160 |
126 |
-2 |
-6 |
|
52 |
166 |
134 |
6 |
8 |
|
56 |
156 |
126 |
-10 |
-8 |
|
66 |
152 |
88 |
-4 |
-38 |
|
68 |
138 |
120 |
-14 |
32 |
|
? |
- |
- |
-38 |
-30 |
|
Ср.зн. |
- |
- |
-4,22 |
-3,33 |
Для получения прогнозных оценок зависимостей переменных по модели
Y = 202,365-0,555X1-0,539X2
Подставим в нее найденные прогнозные значения факторов X1 и X2.
Yt=11 = 202,365-0,555*(138-4,22)-0,539*(120-3.33)=65.22
Yt=12 = -1471,438 + 9,5684,85 + 15,754112,488 = 69.36
tкрит (n-m-1;б/2) = (7;0.025) = 2.365
Доверительный интервал прогноза будет иметь следующие границы:
Верхняя граница прогноза
Yp (N+1) + U(1)
Нижняя граница прогноза:
Yp (N+1) - U(1).
Результаты прогнозных оценок модели регрессии.
Таблица 2.14
Таблица прогнозов (р=95%) |
||||
Упреждение |
Прогноз |
Нижняя граница |
Верхняя граница |
|
1 |
65,22 |
39,91 |
90,52 |
|
2 |
69,36 |
44,04 |
94,67 |
Отразить результаты расчетов на графике.
Рисунок 1.Фактический и расчетный ряд.
Приложение1
ВЫВОД ИТОГОВ |
|||||||||
Регрессионная статистика |
|||||||||
Множественный R |
0,841413 |
||||||||
R-квадрат |
0,707975 |
||||||||
Нормированный R-квадрат |
0,62454 |
||||||||
Стандартная ошибка |
10,69612 |
||||||||
Наблюдения |
10 |
||||||||
Дисперсионный анализ |
|||||||||
df |
SS |
MS |
F |
Значимость F |
|||||
Регрессия |
2 |
1941,552 |
970,7758 |
8,485289 |
0,013458 |
||||
Остаток |
7 |
800,8485 |
114,4069 |
||||||
Итого |
9 |
2742,4 |
|||||||
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% |
||
Y-пересечение |
202,3647 |
52,25349 |
3,87275 |
0,00611 |
78,80482 |
325,9246 |
78,80482 |
325,9246 |
|
Переменная X 1 |
-0,55543 |
0,403 |
-1,37824 |
0,210569 |
-1,50837 |
0,397513 |
-1,50837 |
0,397513 |
|
Переменная X 2 |
-0,53933 |
0,239463 |
-2,25223 |
0,059004 |
-1,10557 |
0,026915 |
-1,10557 |
0,026915 |
|
ВЫВОД ОСТАТКА |
|||||||||
Наблюдение |
Предсказанное Y |
Остатки |
Стандартные остатки |
||||||
1 |
23,71029 |
-1,71029 |
-0,18131 |
||||||
2 |
24,88557 |
5,114434 |
0,54218 |
||||||
3 |
36,97618 |
-16,9762 |
-1,79964 |
||||||
4 |
34,56121 |
-2,56121 |
-0,27151 |
||||||
5 |
41,19416 |
2,805841 |
0,297447 |
||||||
6 |
45,54097 |
-11,541 |
-1,22346 |
||||||
7 |
37,89379 |
14,10621 |
1,495397 |
||||||
8 |
47,76269 |
8,237311 |
0,873236 |
||||||
9 |
70,47877 |
-4,47877 |
-0,47479 |
||||||
10 |
60,99637 |
7,003625 |
0,742453 |
Размещено на Allbest
Подобные документы
Расчет линейного коэффициента парной и частной корреляции. Статистическая значимость параметров регрессии и корреляции. Анализ корреляционного поля данных. Точность прогноза, расчет ошибки и доверительный интервал. Коэффициент множественной детерминации.
контрольная работа [155,8 K], добавлен 11.12.2010Экономическая интерпретация коэффициентов множественной регрессии. Доверительные интервалы для параметров множественной регрессии. Скорректированный коэффициент детерминации. Средние коэффициенты эластичности. Прогноз фундаментального исследования.
контрольная работа [866,7 K], добавлен 07.02.2009Определение параметров линейной регрессии и корреляции с использованием формул и табличного процессора MS Excel. Методика расчета показателей парной нелинейной регрессии и корреляции. Вычисление значений линейных коэффициентов множественной детерминации.
контрольная работа [110,4 K], добавлен 28.07.2012Ковариационная матрица оценок коэффициентов регрессии. Оценка дисперсии ошибок. Сущность теоремы Гаусса-Маркова. Проверка статистических гипотез, доверительные интервалы. Расчет коэффициента детерминации, скорректированного коэффициента детерминации.
контрольная работа [1,4 M], добавлен 28.07.2013Понятие модели множественной регрессии. Сущность метода наименьших квадратов, который используется для определения параметров уравнения множественной линейной регрессии. Оценка качества подгонки регрессионного уравнения к данным. Коэффициент детерминации.
курсовая работа [449,1 K], добавлен 22.01.2015Построение модели множественной линейной регрессии по заданным параметрам. Оценка качества модели по коэффициентам детерминации и множественной корреляции. Определение значимости уравнения регрессии на основе F-критерия Фишера и t-критерия Стьюдента.
контрольная работа [914,4 K], добавлен 01.12.2013Выбор факторных признаков для двухфакторной модели с помощью корреляционного анализа. Расчет коэффициентов регрессии, корреляции и эластичности. Построение модели линейной регрессии производительности труда от факторов фондо- и энерговооруженности.
задача [142,0 K], добавлен 20.03.2010Описание классической линейной модели множественной регрессии. Анализ матрицы парных коэффициентов корреляции на наличие мультиколлинеарности. Оценка модели парной регрессии с наиболее значимым фактором. Графическое построение интервала прогноза.
курсовая работа [243,1 K], добавлен 17.01.2016Расчет параметров линейного уравнения множественной регрессии; определение сравнительной оценки влияния факторов на результативный показатель с помощью коэффициентов эластичности и прогнозного значения результата; построение регрессионной модели.
контрольная работа [1,1 M], добавлен 29.03.2011Расчёт параметров линейного уравнения регрессии. Оценка регрессионного уравнения через среднюю ошибку аппроксимации, F-критерий Фишера, t-критерий Стьюдента. Анализ корреляционной матрицы. Расчёт коэффициентов множественной детерминации и корреляции.
контрольная работа [241,8 K], добавлен 29.08.2013