Признаки мультиколлинеарности

Причины и последствия мультиколлинеарности. Анализ корреляционной матрицы парных коэффициентов корреляции. Определение множественных коэффициентов детерминации переменных. Способы устранения мультиколлинеарности. Отбор наиболее существенных факторов.

Рубрика Экономико-математическое моделирование
Вид контрольная работа
Язык русский
Дата добавления 28.07.2013
Размер файла 50,6 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/

Контрольная работа

Мультиколлинеарность

1. Причины и последствия мультиколлинеарности. Обнаружение

Мультиколлинеарность - это коррелированность двух или нескольких объясняющих переменных в уравнении регрессии. Она может быть функциональной (явной) и стохастической (скрытой). При функциональной мультиколлинеарности матрица ХТХ - вырождена и, (ХТХ)-1 не существует, поэтому невозможно определить . Чаще мультиколлинеарность проявляется в стохастической форме, при этом МНК - оценки формально существуют, но обладают рядом недостатков:

1) небольшое изменение исходных данных приводит к существенному изменению оценок регрессии;

2) оценки имеют большие стандартные ошибки, малую значимость, в то время как модель в целом является значимой (высокое значение R2);

3) расширяются интервальные оценки коэффициентов, ухудшая их точность;

4) возможно получение неверного знака у коэффициента регрессии.

Обнаружение

Существует несколько признаков, по которым может быть установлено наличие мультиколлинеарности.

Во-первых, анализ корреляционной матрицы парных коэффициентов корреляции:

- если имеются пары переменных, имеющих высокие коэффициенты корреляции (> 0,75 - 0,8), говорят о мультиколлинеарности между ними;

- если факторы некоррелированы, то det Q = 1, если полная корреляция, то det Q = 0.

Можно проверить Н0: det Q = 1; используя статистический критерий

,

где n - число наблюдений, m = р+1.

Если , то Н0 отвергается, и мультиколлинеарность доказана.

Во-вторых, определяют множественные коэффициенты детерминации одной из объясняющих переменных и некоторой группой других. Наличие высокого R2 (> 0,6) свидетельствует о мультиколлинеарности.

В третьих, близость к нулю - минимального собственного значения матрицы ХТХ (т.е. решения уравнения ) свидетельствует о близости к нулю и det(XTX) и, следовательно, о мультиколлинеарности.

В-четвертых, высокие частные коэффициенты корреляции.

,

где - алгебраические дополнения элементов матрицы выборочных коэффициентов корреляции. Коэффициенты частной корреляции более высоких порядков можно определить через коэффициенты частной корреляции более низких порядков по рекуррентной формуле:

.

В-пятых, о присутствии мультиколлинеарности говорят некоторые внешние признаки построенной модели, являющиеся её следствиями. К ним следует отнести такие:

· некоторые из оценок имеют неправильные с точки зрения экономической теории знаки или неоправданно большие по абсолютной величине значения;

· небольшое изменение исходных статистических данных (добавление или изъятие некоторых наблюдений) приводит к существенному изменению оценок коэффициентов модели, вплоть до изменения их знаков;

· большинство или даже все оценки коэффициентов регрессии оказываются статистически незначимыми по t-критерию, в то время как модель в целом является значимой по F-критерию.

Существует и ряд других методов определения мультиколлинеарности.

Если основная задача модели - прогноз будущих значений зависимой переменной, то при достаточно большом коэффициенте детерминации R2 (> 0,9) наличие мультиколлинеарности обычно не сказывается на прогнозных качествах модели. Это утверждение будет обоснованным, если и в будущем между коррелированными переменными сохранятся те же соотношения.

Если целью исследования является определение степени влияния каждой из объясняющих переменных на зависимую переменную, то наличие мультиколлинеарности, приводящее к увеличению стандартных ошибок, скорее всего, исказит истинные зависимости между переменными. В этой ситуации мультиколлинеарность является серьезной проблемой.

2. Способы устранения мультиколлинеарности. Отбор наиболее существенных факторов

Единого метода устранения мультиколлинеарности, годного в любом случае, не существует. Это связано с тем, что причины и последствия мультиколлинеарности неоднозначны и во многом зависят от результатов выборки. Все методы, которые могут быть использованы, делятся на две категории: к первой относятся попытки повысить степень выполнения условий Гаусса-Маркова, ко второй - использование внешней информации.

1. Так как проблема практически всегда возникает в регрессиях по временным рядам, то можно увеличить число наблюдений (от ежегодных к поквартальным). Однако надо не забывать об усилении автокорреляции и ошибок измерения.

2. При перекрестных данных можно увеличить дисперсию наблюдений независимых переменных в выборке.

3. Отбор наиболее существенных факторов. Можно использовать процедуры пошагового включения или исключения факторов. Например, процедура пошагового отбора состоит в следующем:

а) строят уравнение регрессии с полным набором факторов;

б) определяют матрицы парных и частных коэффициентов корреляции;

в) отбирают фактор с наименьшей (отбор) или наибольшей (включение) величиной коэффициента частной корреляции по t-критерию:

,

r - должен быть существенным для включения и несущественным для исключения;

г) строят новое уравнение регрессии:

- при отсеве - пока все факторы не будут существенно отличны от нуля; при включении - пока увеличивается

.

4. Переход от несмещенных оценок к смещенным, т.е.

,

где - некоторое положительное число (=0,10,4). Таким образом, - невырожденная, увеличивается определитель, и уменьшаются ошибки параметров.

5. Переход от исходных объясняющих переменных к новым, представляющим линейные комбинации исходных. В качестве таких переменных используют, например, главные компоненты вектора исходных объясняющих переменных (Метод главных компонент).

Пример использования пошагового отбора факторов в модель.

Изучается зависимость индекса человеческого развития у от переменных:

Х1 - ВВП 2007 г., % к 2012 г.;

Х2 - расходы на конечное потребление в текущих ценах, % к ВВП;

Х3 - расходы домашних хозяйств, % к ВВП;

Х4 - валовое накопление, % к ВВП;

Х5 - суточная калорийность питания населения, ккал на душу населениея;

Х6 - ожидаемая продолжительность жизни при рождении в 2010 г., число лет.

Страна 

Y

x1

x2

x3

x4

x5

x6

x1

x5

x2

Австрия

0,904

115

75,5

56,1

25,2

3343

77

115

3343

75,5

Австралия

0,922

123

78,5

61,8

21,8

3001

78,2

123

3001

78,5

Белоруссия

0,763

74

78,4

59,1

25,7

3101

68

74

3101

78,4

Бельгия

0,923

111

77,7

63,3

17,8

3543

77,2

111

3543

77,7

Великобритания

0,918

113

84,4

64,1

15,9

3237

77,2

113

3237

84,4

Германия

0,906

110

75,9

57

22,4

3330

77,2

110

3330

75,9

Дания

0,905

119

76

50,7

20,6

3808

75,7

119

3808

76

Индия

0,545

146

67,5

57,1

25,2

2415

62,6

146

2415

67,5

Испания

0,894

113

78,2

62

20,7

3295

78

113

3295

78,2

Италия

0,9

108

78,1

61,8

17,5

3504

78,2

108

3504

78,1

Канада

0,932

113

78,6

58,6

19,7

3056

79

113

3056

78,6

Казахстан

0,74

71

84

71,7

18,5

3007

67,6

71

3007

84

Китай

0,701

210

59,2

48

42,4

2844

69,8

210

2844

59,2

Латвия

0,744

94

90,2

63,9

23

2861

68,4

94

2861

90,2

Нидерланды

0,921

118

72,8

59,1

20,2

3259

77,9

118

3259

72,8

Норвегия

0,927

130

67,7

47,5

25,2

3350

78,1

130

3350

67,7

Польша

0,802

127

82,6

65,3

22,4

3344

72,5

127

3344

82,6

Россия

0,747

61

74,4

53,2

22,7

2704

66,6

61

2704

74,4

США

0,927

117

83,3

67,9

18,1

3642

76,7

117

3642

83,3

Украина

0,721

46

83,7

61,7

20,1

2753

68,8

46

2753

83,7

Финляндия

0,913

107

73,8

52,9

17,3

2916

76,8

107

2916

73,8

Франция

0,918

110

79,2

59,9

16,8

3551

78,1

110

3551

79,2

Чехия

0,833

99,2

71,5

51,5

29,9

3177

73,9

99,2

3177

71,5

Щвейцария

0,914

101

75,3

61,2

20,3

3280

78,6

101

3280

75,3

Швеция

0,923

105

79

53,1

14,1

3160

78,5

105

3160

79

1. Строим модель с полным перечнем факторов

ВЫВОД ИТОГОВ

Регрессионная статистика

Множественный R

0,98198162

R-квадрат

0,964287903

Нормированный R-квадрат

0,95238387

Стандартная ошибка

0,022104009

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

6

0,237

0,040

81,00514774

4,86777E-12

Остаток

18

0,009

0,000

Итого

24

0,246

 

 

 

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Y-пересечение

-0,636

0,155

-4,109

0,001

-0,962

-0,311

x1

0,000

0,000

-2,088

0,051

-0,001

0,000

x2

0,001

0,001

0,895

0,383

-0,002

0,004

x3

-0,001

0,001

-1,141

0,269

-0,004

0,001

x4

0,000

0,001

0,107

0,916

-0,003

0,003

x5

0,000

0,000

2,114

0,049

0,000

0,000

x6

0,019

0,002

11,654

0,000

0,015

0,022

Уравнение статистически значимо, статистически не значимы коэффициенты b1, b2, b3, b4.

2. Рассчитаем корреляционную матрицу

 

Y

x1

x2

x3

x4

x5

x6

Y

1

x1

-0,00434

1

x2

0,1705

-0,62897

1

x3

-0,00433

-0,36511

0,76495

1

x4

-0,48711

0,541074

-0,66713

-0,49626

1

x5

0,75145

0,077855

0,18551

0,109975

-0,33127

1

x6

0,96203

0,163276

0,04856

-0,05212

-0,40689

0,703927

1

3. Строим регрессию ух6

ВЫВОД ИТОГОВ

Регрессионная статистика

Множествен-ный R

0,962033161

R-квадрат

0,925507804

Нормирован-ный R-квадрат

0,922269013

Стандартная ошибка

0,028241717

Наблюдения

25

Дисперсион-ный анализ

 

df

SS

MS

F

Значимость F

Регрессия

1

0,227918365

0,227918365

285,757

1,8E-14

Остаток

23

0,018344675

0,000797595

Итого

24

0,24626304

 

 

 

 

Коэффициен-ты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Y-пересечение

-0,652063486

0,089019418

-7,324957863

1,9E-07

-0,83621

-0,46791

x6

0,020178753

0,001193702

16,90435369

1,8E-14

0,01771

0,022648

4. Строим уравнения регрессии ух6х1, ух6х2, ух6х3. ух6х4. ух6х5

ВЫВОД ИТОГОВ

Регрессионная статистика

Множественный R

0,975847

R-квадрат

0,952277

Нормированный R-квадрат

0,947938

Стандартная ошибка

0,023113

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

2

0,234511

0,117255

219,4951

2,92E-15

Остаток

22

0,011752

0,000534

Итого

24

0,246263

 

 

 

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Y-пересечение

-0,63377

0,073039

-8,67723

1,49E-08

-0,78525

-0,4823

x6

0,020747

0,00099

20,95189

5,03E-16

0,018693

0,0228

x1

-0,00055

0,000157

-3,51286

0,001963

-0,00088

-0,00023

ВЫВОД ИТОГОВ

Регрессионная статистика

Множественный R

0,969983

R-квадрат

0,940867

Нормированный R-квадрат

0,935491

Стандартная ошибка

0,025728

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

2

0,231701

0,11585

175,0217

3,09E-14

Остаток

22

0,014562

0,000662

Итого

24

0,246263

 

 

 

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Y-пересечение

-0,79427

0,100574

-7,8973

7,31E-08

-1,00284

-0,58569

x6

0,020052

0,001089

18,41813

7,4E-15

0,017794

0,02231

x2

0,001968

0,000823

2,390465

0,02582

0,000261

0,003676

ВЫВОД ИТОГОВ

Регрессионная статистика

Множествен-ный R

0,963126

R-квадрат

0,927613

Нормирован-ный R-квадрат

0,921032

Стандартная ошибка

0,028466

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

2

0,228437

0,114218

140,96

2,86E-13

Остаток

22

0,017826

0,00081

Итого

24

0,246263

 

 

 

 

Коэффициен-ты

Стандартная ошибка

t-статистика

P-Значе-ние

Нижние 95%

Верхние 95%

Y-пересечение

-0,70082

0,108474

-6,46068

1,69E-06

-0,92578

-0,47586

x6

0,020229

0,001205

16,79031

4,98E-14

0,01773

0,022728

x3

0,000766

0,000958

0,799796

0,432381

-0,00122

0,002754

ВЫВОД ИТОГОВ

Регрессионная статистика

Множественный R

0,967717

R-квадрат

0,936477

Нормированный R-квадрат

0,930702

Стандартная ошибка

0,026666

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

2

0,23062

0,11531

162,1653

6,8E-14

Остаток

22

0,015643

0,000711

Итого

24

0,246263

 

 

 

 

Коэффи-циенты

Стандартная ошибка

t-статисти-ка

P-Значе-ние

Нижние 95%

Верхние 95%

Y-пересечение

-0,53425

0,10353

-5,16033

3,58E-05

-0,74896

-0,31954

x6

0,0192

0,001234

15,56127

2,34E-13

0,016641

0,021759

x4

-0,00207

0,001062

-1,94908

0,064149

-0,00427

0,000132

ВЫВОД ИТОГОВ

Регрессионная статистика

Множественный R

0,967696

R-квадрат

0,936435

Нормированный R-квадрат

0,930657

Стандартная ошибка

0,026674

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Значи-мость F

Регрессия

2

0,230609

0,115305

162,0525

6,84E-14

Остаток

22

0,015654

0,000712

Итого

24

0,246263

 

 

 

 

Коэффици-енты

Стандартная ошибка

t-статис-тика

P-Значе-ние

Нижние 95%

Верхние 95%

Y-пересечение

-0,63772

0,084402

-7,55566

1,5E-07

-0,81276

-0,46268

x5

4,64E-05

2,38E-05

1,944768

0,064696

-3,1E-06

9,58E-05

x6

0,018006

0,001587

11,34317

1,16E-10

0,014714

0,021298

Нормированный R2

Ryx6x1

0,9479

Ryx6x2

0,9355

Ryx6x3

0,9210

Ryx6x4

0,9307

Ryx6x5

0,9306

5. Строим уравнение регрессии ух6х1х2, ух6х1х3, ух6х1х4, ух6х1х5

ВЫВОД ИТОГОВ

Регрессионная статистика

Множественный R

0,976138

R-квадрат

0,952845

Нормированный R-квадрат

0,946108

Стандартная ошибка

0,023516

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Значи-мость F

Регрессия

3

0,23465

0,078217

141,4455

4,37E-14

Остаток

21

0,011613

0,000553

Итого

24

0,246263

 

 

 

 

Коэффици-енты

Стандартная ошибка

t-статис-тика

P-Значе-ние

Нижние 95%

Верхние 95%

Y-пересечение

-0,67187

0,106108

-6,3319

2,81E-06

-0,89253

-0,4512

x6

0,020645

0,001028

20,0895

3,43E-15

0,018508

0,022782

x1

-0,00048

0,00021

-2,30955

0,031172

-0,00092

-4,8E-05

x2

0,000496

0,000986

0,502944

0,620238

-0,00156

0,002547

ВЫВОД ИТОГОВ

Регрессионная статистика

Множественный R

0,975952

R-квадрат

0,952481

Нормированный R-квадрат

0,945693

Стандартная ошибка

0,023606

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

3

0,234561

0,078187

140,311

4,74E-14

Остаток

21

0,011702

0,000557

Итого

24

0,246263

 

 

 

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Y-пересечение

-0,61684

0,093455

-6,6004

1,55E-06

-0,81119

-0,42249

x6

0,020749

0,001011

20,51601

2,25E-15

0,018646

0,022852

x1

-0,00057

0,000172

-3,31518

0,003291

-0,00093

-0,00021

x3

-0,00026

0,000852

-0,30086

0,766478

-0,00203

0,001516

ВЫВОД ИТОГОВ

Регрессионная статистика

Множественный R

0,975876

R-квадрат

0,952333

Нормированный R-квадрат

0,945524

Стандартная ошибка

0,023643

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Регрессия

3

0,234524

0,078175

139,8529

Остаток

21

0,011739

0,000559

Итого

24

0,246263

 

 

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Верхние 95%

Y-пересечение

-0,64446

0,100821

-6,39216

2,45E-06

-0,4348

x6

0,020866

0,001262

16,52766

1,63E-13

0,023491

x1

-0,00058

0,000218

-2,64304

0,015208

-0,00012

x4

0,000201

0,001274

0,157911

0,876035

0,002852

ВЫВОД ИТОГОВ

Регрессионная статистика

Множественный R

0,980559

R-квадрат

0,961495

Нормированный R-квадрат

0,955994

Стандартная ошибка

0,021249

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

3

0,236781

0,078927

174,7949

5,23E-15

Остаток

21

0,009482

0,000452

Итого

24

0,246263

 

 

 

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Y-пересечение

-0,62115

0,067386

-9,21774

7,91E-09

-0,76128

x6

0,01873

0,00128

14,63733

1,72E-12

0,016069

x1

-0,00054

0,000145

-3,69691

0,001338

-0,00084

x5

4,26E-05

1,9E-05

2,242227

0,035871

3,09E-06

Нормированный R2

Ryx6x1х2

0,9461

Ryx6x1х3

0,9457

Ryx6x1х4

0,9455

Ryx6x1х5

0,9560

6. Строим уравнение регрессии ух6х1х5х2, ух6х1х5х3, ух6х1х5х4

ВЫВОД ИТОГОВ

Регрессионная статистика

Множественный R

0,980559

R-квадрат

0,961497

Нормированный R-квадрат

0,953796

Стандартная ошибка

0,021774

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

4

0,236781

0,059195

124,8592

7,6E-14

Остаток

20

0,009482

0,000474

Итого

24

0,246263

 

 

 

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Y-пересечение

-0,62333

0,100882

-6,17882

4,9E-06

-0,83376

-0,41289

x6

0,018731

0,001312

14,28188

5,93E-12

0,015995

0,021467

x1

-0,00053

0,000195

-2,71963

0,013198

-0,00094

-0,00012

x5

4,25E-05

2E-05

2,119958

0,046711

6,81E-07

8,43E-05

x2

2,79E-05

0,00094

0,029666

0,976628

-0,00193

0,001988

ВЫВОД ИТОГОВ

Регрессионная статистика

Множественный R

0,981161

R-квадрат

0,962676

Нормированный R-квадрат

0,955211

Стандартная ошибка

0,021438

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

4

0,237072

0,059268

128,9629

5,58E-14

Остаток

20

0,009191

0,00046

Итого

24

0,246263

 

 

 

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Y-пересечение

-0,57869

0,086425

-6,69585

1,62E-06

-0,75897

-0,39841

x6

0,018588

0,001303

14,26201

6,08E-12

0,015869

0,021307

x1

-0,00058

0,000156

-3,70562

0,001399

-0,00091

-0,00025

x5

4,58E-05

1,96E-05

2,337282

0,029935

4,92E-06

8,66E-05

x3

-0,00063

0,00079

-0,79557

0,435621

-0,00228

0,00102

ВЫВОД ИТОГОВ

Регрессионная статистика

Множественный R

0,980631

R-квадрат

0,961636

Нормированный R-квадрат

0,953964

Стандартная ошибка

0,021734

Наблюдения

25

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

4

0,236816

0,059204

125,3321

7,33E-14

Остаток

20

0,009448

0,000472

Итого

24

0,246263

 

 

 

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Y-пересечение

-0,63799

0,092729

-6,88015

1,1E-06

-0,83142

-0,44456

x6

0,018907

0,001462

12,93174

3,59E-11

0,015857

0,021957

x1

-0,00057

0,0002

-2,85616

0,009762

-0,00099

-0,00015

x5

4,29E-05

1,95E-05

2,202278

0,039545

2,26E-06

8,35E-05

x4

0,000318

0,001173

0,271507

0,788784

-0,00213

0,002765

Нормированный R2

Ryx6x1х5х2

0,9537

Ryx6x1х5х3

0,9552

Ryx6x1х5х4

0,9540

При добавлении 4-го фактора коэффициент детерминации не увеличивается. Поэтому 4-й фактор лишний, и наилучшей является регрессия ух6х1х5:

,

Уравнение значимо, все коэффициенты значимы, R2 = 0,956.

Литература

мультиколлинеарность корреляционный матрица

1. Экономическая статистика, эконометрика: Программы, тесты, задачи, решения. Под ред. Л.С. Гребнева.- М.: ГУ - ВШЭ, 2000.

2. Мардас А.Н. Эконометрика. СПб: Питер, 2001.

3. Грицан В.Н. Эконометрика. М.: Издательско-книготорговый центр «Маркетинг», МУПК, 2001.

4. Салманов О.Н. Эконометрика. Учебное пособие. - М.: Экономистъ, 2006. - 320 с.

5. Луговская Л.В. Эконометрика в вопросах и ответах: учеб. пособие. - М.:ТК Велби, Изд-во Проспект, 2005. - 208 с.

6. Просветов Г.И. Эконометрика: Задачи и решения: Учебно-методическое пособие. 3-е изд., доп. - М.: Изд-во РДЛ, 2006. - 160 с.

Размещено на Allbest.ru


Подобные документы

  • Расчет стоимости оборудования с использованием методов корреляционного моделирования. Метод парной и множественной корреляции. Построение матрицы парных коэффициентов корреляции. Проверка оставшихся факторных признаков на свойство мультиколлинеарности.

    задача [83,2 K], добавлен 20.01.2010

  • Описание 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 17.01.2016

  • Определение парных коэффициентов корреляции и на их основе факторов, оказывающих наибольшее влияние на результативный показатель. Анализ множественных коэффициентов корреляции и детерминации. Оценка качества модели на основе t-статистики Стьюдента.

    лабораторная работа [890,1 K], добавлен 06.12.2014

  • Оценка корреляционной матрицы факторных признаков. Оценки собственных чисел матрицы парных коэффициентов корреляции. Анализ полученного уравнения регрессии, определение значимости уравнения и коэффициентов регрессии, их экономическая интерпретация.

    контрольная работа [994,1 K], добавлен 29.06.2013

  • Вычисление парных коэффициентов корреляции и построение их матрицы. Нахождение линейного уравнения связи, коэффициентов детерминации и эластичности. Аналитическое выравнивание ряда динамики методом наименьших квадратов. Фактические уровни вокруг тренда.

    контрольная работа [121,1 K], добавлен 01.05.2011

  • Корреляционный и регрессионный анализ экономических показателей. Построение матрицы парных коэффициентов корреляции. Расчет и сравнение частных и парных коэффициентов корреляции. Построение регрессионной модели и её интерпретация, мультиколлинеарность.

    курсовая работа [314,1 K], добавлен 21.01.2011

  • Построение линейной модели зависимости цены товара в торговых точках. Расчет матрицы парных коэффициентов корреляции, оценка статистической значимости коэффициентов корреляции, параметров регрессионной модели, доверительного интервала для наблюдений.

    лабораторная работа [214,2 K], добавлен 17.10.2009

  • Сущность регрессионного анализа и применение его в эконометрике. Инструментарий эконометрического исследования в области мультиколлинеарности, методы ее устранения. Исследование на мультиколлинеарность факторов, влияющих на экономические процессы.

    курсовая работа [711,5 K], добавлен 15.02.2017

  • Построение корреляционной матрицы. Проведение теста на наличие мультиколлинеарности. Расчет частного коэффициента эластичности для прогноза экономических процессов. Расчет доверительного интервала. F-статистика Фишера проверки модели на адекватность.

    контрольная работа [1,7 M], добавлен 09.07.2014

  • Выбор факторных признаков для построения регрессионной модели неоднородных экономических процессов. Построение диаграммы рассеяния. Анализ матрицы коэффициентов парной корреляции. Определение коэффициентов детерминации и средних ошибок аппроксимации.

    контрольная работа [547,6 K], добавлен 21.03.2015

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.