Практическое статистическое исследование по оценке взаимосвязи и построение регрессионной модели
Построение корреляционного поля задач. Корреляционный анализ, проверка коэффициента корреляции на значимость (достоверность). Механизм статистических гипотез, правило Стьюдента. Регрессионный анализ, проверка параметров на значимость (достоверность).
Рубрика | Экономико-математическое моделирование |
Вид | практическая работа |
Язык | русский |
Дата добавления | 03.12.2015 |
Размер файла | 274,9 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/
Практическое статистическое исследование по оценке взаимосвязи и построение регрессионной модели
По результатам статистического исследования, проведенного в гостинице, получена зависимость расходов туристов (Yi тыс. руб.) от стоймости путевки (Xi тыс. руб.)
Xi - стоймость путевки (тыс. руб.)
Yi - расходы туриста (тыс.руб.)
1.1 Построение корреляционного поля задач
корреляционный статистический регрессионный
Исходные данные:
N |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
|
Xi |
15 |
16 |
19 |
23 |
25 |
26 |
29 |
34 |
38 |
49 |
|
Yi |
4 |
15 |
10 |
13 |
18 |
20 |
19 |
17 |
26 |
33 |
На основе этих исходных данных по результатам строится корреляционное поле задач, далее исследование продолжается в рамках корреляционного анализа, который решает три вопроса: 1) Существует ли взаимосвязь между фактором признаком (x) и результирующим признаком (y)?; 2) Какая связь (прямая или обратная)?; 3) Какая связь по степени жесткости?;
1.2 Корреляционный анализ
Составим вспомогательную таблицу:
N |
X |
Y |
X·Y |
X2 |
Y2 |
|
1 |
15 |
4 |
60 |
225 |
16 |
|
2 |
16 |
15 |
240 |
256 |
225 |
|
3 |
19 |
10 |
190 |
361 |
100 |
|
4 |
23 |
13 |
299 |
526 |
169 |
|
5 |
25 |
18 |
450 |
625 |
324 |
|
6 |
26 |
20 |
520 |
676 |
400 |
|
7 |
29 |
19 |
551 |
841 |
361 |
|
8 |
34 |
17 |
578 |
1156 |
289 |
|
9 |
38 |
26 |
988 |
1444 |
676 |
|
10 |
49 |
33 |
1617 |
2401 |
1089 |
|
? |
274 |
175 |
5493 |
8541 |
3649 |
= = (15+16+19+23+25+26+29+34+38+49) = 27,4 [тыс.руб];
= = (4+15+10+13+18+20+19+17+26+33) = 17,5 [тыс.руб];
= (60+240+190+299+450+520+551+578+988+1617) = 549,3 [тыс.руб];
= =
(225+256+361++526+625+676+841+1156+1444+2401) = 854,1 [тыс.руб];
=
(16+225+100+169+324+400+361+289+676+1089) = 364,9 [тыс.руб];
В основе любого статистического анализа в качестве исходных данных, мы всегда будем иметь дело с выборкой, объем которой является ограниченным. Следовательно, возникает опасность совершить в ходе такого анализа ту или иную ошибку, любой показатель, который рассчитывается статистическими методами, обязательно должен пройти проверку на значимость (достоверность). В рамках корреляционного анализа, мы будем пользоваться линейным коэффициентом корреляции.
= ;
r = = = 0,89;
Вывод: Коэффициент корреляции r = 0,89 говорит нам о том, что связь между фактором признаком (x) и результирующим признаком (y) существует, по степени градация, она является сильной, и является прямой.
1.3 Проверка коэффициента корреляции на значимость (достоверность)
После нахождения линейного коэффициента корреляции (r) проводится проверка на его значимость (достоверность), эта проверка основана на механизме статистических гипотез, в основе которого лежит правило Стьюдента: Статистические гипотезы: Первая гипотеза: : где " r = 0"; Вторая гипотеза: ; По таблице Стьюдента значение tкрит. для нашего объёма выборки 2,3 . = 10 - 2 = 8 (2,3 по таблице Стьюдента).
л = 0,05 |
||
1 |
12,7 |
|
2 |
4,3 |
|
3 |
3,2 |
|
4 |
2,8 |
|
5 |
2,6 |
|
6 |
2,5 |
|
7 |
2,4 |
|
8 |
2,3 |
Найдем Среднее квадратичное отклонение линейного коэффициента корреляции:
айдем наблюдаемое значение для (r):
=
Вывод: так как попадает в область принятия гипотезы (H1) , то эта гипотеза принимается, а гипотеза (H0) отклоняется. Следовательно, коэффициент корреляции r = 0,89 является значимым, т.е. связь между (x) и существует.
1.4 Регрессионный анализ
После завершения корреляционного анализа, исследования продолжаются, но уже в рамках регрессионного анализа, то есть если нами будет достоверно установлено, что связь между (x) и (y) существует, и коэффициент корреляции успешно прошел проверку на значимость (достоверность), то переходит в регрессионный анализ. Основные цели регрессионного анализа: 1) Построение математической модели исследования бизнес процесса; 2) Проверка построения модели на качество; Найдем параметры модели: Параметр модели (а): = Параметр модели (b): b = = 17,5 - 0,67·27,4 = -0,85; Уравнение модели имеет вид: ;
1.5 Построение модели вида
Построим таблицу для уравнения модели:
x |
y |
|
15 |
9,2 |
|
16 |
9,87 |
|
19 |
11,88 |
Построим совмещённый график исходных данных и уравнение модели:
После построения линии регрессии на совмещённом графике с исходными, переходят к следующему важному шагу регрессионного анализа, который называется: «Проверка параметров модели (a) и (b) на значимость (достоверность).
1.6 Проверка параметра «а» на значимость (достоверность)
,
где (а = 0,67) , для этой проверки найдем отклонения в каждой из десяти точек:
?? = y? - ;
?1 = y1 - 1 = 4 - (a·x1 + b) = 4 - (0,67·15 - 0,85) = -5,2;
?2 = y2 - 2 = 8 - (a·x2 +b) = 15 - (0,67·16 - 0,85) = 5,13;
?3 = y3 - 3 = 10 - (a·x3 +b) = 10 - (0,67·19 - 0,85) = -1,88;
?4 = y4 - 4 = 14 - (a·x4 +b) = 13 - (0,67·23- 0,85) = -1,56;
?5 = y5 - 5 = 12 - (a·x5 +b) = 18 - (0,67·25 - 0,85) = 2,1;
?6 = y6 - 6 = 20 - (a·x6 +b) = 20 - (0,67·26 - 0,85) = 3,43;
?7 = y7 - 7 = 19 - (a·x7 +b) = 19 - (0,67·29 - 0,85) = 0,42;
?8 = y8 - 8 = 15 - (a·x8 +b) = 17 - (0,67·34 - 0,85) = -4,93;
?9 = y9 - 9 = 22 - (a·x9 +b) = 26 - (0,67·38 - 0,85) = 1,39;
?10 = y10 - 10 = 17 - (a·x10 +b) = 33 - (0,67·49 - 0,85) = 1,02;
Возведем каждое отклонение в квадрат и просуммируем их ?2 : ?2 = (-5,2)2 + (5,13)2 + (-1,88)2 +(-1,56)2 +(2,1)2 +(3,43)2 +(0,42)2 +(-4,93)2 +(1,39)2 +(1,02)2 =27,04+26,31+3,53+2,43+4,41+11,7+0,17+24,3+1,93+1,04 =102,86 ; Найдем дисперсию отклонения ?i2:
De = ; De = = 12,86;
Найдем дисперсию параметра (а):
Da = ;
Da = = 0,012;
Найдем Среднее квадратичное отклонение параметра (а):
a = = = 0,11;
Для проверки на значимость (достоверность) параметра (а) выдвинем 2 гипотезы:
tкрит. = 2,3; tнабл. = ; tнабл. = = 6,09; н1 Н0 Н1 tкрит. = -2,3 0 tкрит. = 2,3 tнабл. = 6,09 t Вывод: так как tнабл. = 6,09 попадает в область принятия гипотезы (Н1) , то гипотеза (Н0) отклоняется, а гипотеза (Н1) принимается. Следовательно, параметр (a = 0,67) является значимым (достоверным).
1.7 Проверка параметра «b» на значимость (достоверность)
b = -0,85 Найдем дисперсию параметра (b): Db = Da · ()2 ; Db = 0,012·(27,4)2 = 0,012·750,76=9,01; Найдем Среднее квадратичное отклонение параметра (b): b = = = 3; Для проверки на значимость (достоверность) параметра (b) выдвинем 2 гипотезы:
tкрит. = 2,3;
tнабл. = ;
tнабл. = = 0,28;
Н1 Н0 Н1
tкрит. = -2,3 0 tнабл. = 0,28 tкрит = 2,3 t
Вывод: так как tнабл. = 0,28 попадает в область гипотезы (Н0), то эта гипотеза принимается, а гипотеза (Н1) отклоняется. Следовательно, параметр (b = -0,85) является недостоверным, и он обнуляется в этой модели. В результате проверки параметров модели на значимость, получилось, что параметр (а) является значимым (достоверным), а параметр (b) в модели нужно обнулить. Построим окончательное уравнение модели, после проверки параметров (а) и (b) на значимость (достоверность). Окончательно, после проверки на параметров на значимость (достоверность) имеем: .
Построим таблицу для модели :
X |
Y |
|
0 |
0 |
|
10 |
6,7 |
|
20 |
13,4 |
|
30 |
20,1 |
Построим совмещенный график исходных данных и уравнения модели
Размещено на Allbest.ru
Подобные документы
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 21.01.2011Оценка тесноты связи с помощью показателей корреляции и детерминации. Построение поля корреляции и расчёт параметров линейной регрессии. Результаты вычисления функций и нахождение коэффициента детерминации. Регрессионный анализ и прогнозирование.
курсовая работа [1,1 M], добавлен 07.08.2011Построение корреляционного поля зависимости между y и x1, определение формы и направления связи. Построение двухфакторного уравнения регрессии y, x1, x2, оценка показателей тесноты связи. Оценка модели через F-критерий Фишера и t-критерий Стьюдента.
лабораторная работа [1,0 M], добавлен 23.01.2011Определение методом регрессионного и корреляционного анализа линейных и нелинейных связей между показателями макроэкономического развития. Расчет среднего арифметического по столбцам таблицы. Определение коэффициента корреляции и уравнения регрессии.
контрольная работа [4,2 M], добавлен 14.06.2014Проведение корреляционно-регрессионного анализа в зависимости выплаты труда от производительности труда. Построение поля корреляции, выбор модели уравнения и расчет его параметров. Вычисление средней ошибки аппроксимации и тесноту связи между признаками.
практическая работа [13,1 K], добавлен 09.08.2010- 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 Определение зависимой и независимой переменной. Построение корреляционного поля зависимости издержек производства от объема затраченных ресурсов и их цены. Произведение статистического анализа регрессионной модели. Нахождение коэффициента детерминации.
лабораторная работа [62,3 K], добавлен 26.12.2011Выбор 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 21.03.2015Расчет 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 11.12.2010Построение уравнения регрессии, учитывающего взаимодействия факторов, проверка полученной модели на адекватность. Построение математической модели и нахождение численных значений параметров этой модели. Вычисление коэффициентов линейной модели.
курсовая работа [1005,0 K], добавлен 07.08.2013