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
- Использование корреляционно-регрессионного анализа для обработки экономических статистических данных
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 17.01.2016Определение 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 06.12.2014Оценка 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 29.06.2013Вычисление 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 01.05.2011Корреляционный 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 21.01.2011Построение 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 17.10.2009Сущность 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 15.02.2017Построение 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 09.07.2014Выбор 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