WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 | 2 || 4 | 5 |   ...   | 10 |

• экспонента – y =.

• гипербола – a + b1 x1 + b2 x2 +... + bp xp + Если исследователя не устраивает предлагаемый набор функций регрессии, то можно использовать любые другие функции, приводимые путем соответствующих преобразований к линейному виду, например:

x = a + b1 x1 + b2 + b3 x3 + b4 ln x4.

xОбозначив z1 = x1, z2 =, z3 = x3, z4 = ln x4, xполучим линейное уравнение множественной регрессии y = a + b1 z1+b2 z2+b3 z3+b4 z4+.

Однако чем сложнее функция, тем менее интерпретируемы ее параметры.

Если один и тот же фактор вводится в регрессию в разных степенях, то каждая степень рассматривается как самостоятельный фактор. Так, если модель имеет вид полинома второго порядка 2 y = a + b1 x1 + b2 x2 + b11 x1 + b22 x2 + b12 x1 x2 +, 2 то после замены переменных z1 = x1, z2 = x2, z3 = x1, z4 = x2, z5 = x1x2 получим линейное уравнение регрессии с пятью факторами:

y = a + b1 z1 + b2 z2 + b3 z3 + b4 z4 + b5 z5 +.

Поскольку, как отмечалось, должно выполняться соотношение между числом параметров и числом наблюдений, для полинома второй степени требуется не менее 30-35 наблюдений.

2.4. Оценка параметров уравнения множественной регрессии Для оценки параметров уравнения множественной регрессии применяют метод наименьших квадратов (МНК). Для линейных уравнений регрессии (и нелинейных уравнений, приводимых к линейным) строится система нормальных уравнений, решение которой позволяет получить оценки параметров регрессии. В случае линейной множественной регрессии y = a + b1 x1 + b2 x2 +... + bp xp система нормальных уравнений имеет следующий вид:

y = n a + b1 + b2 +... + bp ;

x1 x2 xp yx1 = a + b1 2 + b2 x1 +... + bp x1;

x1 x1 x2 xp.....................................................................................

yxp = a + b1 xp + b2 xp +... + bp 2.

xp x1 x2 xДля определения значимости факторов и повышения точности результата используется уравнение множественной регрессии в стандартизованном масштабе t = 1 tx + 2 tx +... + tx +, (2.3) y p 1 2 p где ty, tx,..., tx – стандартизованные переменные 1 p xi - xi y - y t =, txi =, (2.4) y y xi для которых среднее значение равно нулю t = tx = 0, а среднее квадратичесy i кое отклонение равно единице = = 1.

t txi y Величины i называются стандартизованными коэффициентами регрессии.

К уравнению множественной регрессии в стандартизованном масштабе применим МНК. Стандартизованные коэффициенты регрессии (-коэффициенты) определяются из следующей системы уравнений:

tx = 1 2 + 2 tx + 3 tx +... + tx ;

t y tx1 tx1 2 tx1 3 ptx1 p tx = 1 tx + 2 2 + 3 tx +... + tx ;

t y tx1 2 tx2 tx2 3 ptx2 p tx = 1 tx + 2 tx + 3 tx +... + t y tx1 p tx2 p tx3 p ptxp p либо из системы уравнений ryx = 1 + 2rx x1 + 3rx x1 +... + rx x1 ;

p 1 2 3 p ryx = 1rx x2 + 2 + 3rx x2 +... + rx x2 ;

p 2 1 3 p............................................................

ryx = 1rx xp + 2rx xp + 3rx xp +... +.

p p 1 2 Стандартизованные коэффициенты регрессии показывают, на сколько сигм (средних квадратических отклонений) изменится в среднем результат, если соответствующий фактор хi изменится на одну сигму при неизменном среднем уровне других факторов. В силу того, что все переменные заданы как центрированные и нормированные, стандартизованные коэффициенты регрессии i сравнимы между собой. Сравнивая их друг с другом, можно ранжировать факторы по силе их воздействия на результат. В этом основное достоинство стандартизованных коэффициентов регрессии в отличие от коэффициентов «чистой» регрессии, которые несравнимы между собой.

В парной зависимости стандартизованный коэффициент регрессии есть не что иное, как линейный коэффициент корреляции ryx.

Связь коэффициентов множественной регрессии bi со стандартизованными коэффициентами i описывается соотношением y bi = i.

xi Параметр а определяется из соотношения a = y - b1x1 - b2 x2 -... - bp x.

p Средние коэффициенты эластичности для линейной множественной регрессии рассчитываются по формуле x j Эyx = b (2.5) j j y и показывают, на сколько процентов в среднем по совокупности изменится результат у от своей величины при изменении фактора х на 1 % от своего значения при неизменных значениях других факторов.

2.5. Частные уравнения регрессии На основе линейного уравнения множественной регрессии y = a + b1 x1 + b2 x2 +... + bp x + p могут быть найдены частные уравнения регрессии, т. е. уравнения регрессии, которые связывают результативный признак с соответствующими факторами хi при закреплении других, учитываемых во множественной регрессии, факторов на среднем уровне. Частные уравнения регрессии имеют следующий вид:

yx,x2,x3,...,xp = a + b1 x1 + b2 x2 + b3 x3 +... + bp x + ;

p yx,x1,x3,...,xp = a + b1 x1 + b2 x2 + b3 x3 +... + bp x + ; (2.6) p ………………………………………………………………… yx,x1,x2,...,xp-1 = a + b1 x1 + b2 x2 +... + bp-1 x + bp x +.

p-1 p p При подстановке в эти уравнения средних значений соответствующих факторов они принимают вид парных уравнений линейной регрессии, т. е. имеем x,x2,x3,...,xp = A1 + b1 xx,x1,x3,...,xp = A2 + b2 x2 (2.7) ………………………… x,x1,x2,...,xp-1 = Ap + bp x p p где A1 = a + b2 x2 + b3 x3 +... + bp xp ;

A2 = a + b1 x1 + b3 x3 +... + bp xp ;

(2.8)...........................................................

Ap = a + b1x1 + b2 x2 +... + bp-1 xp-1.

В отличие от парной регрессии, частные уравнения регрессии характеризуют изолированное влияние фактора на результат, ибо другие факторы закреплены на неизменном уровне. Эффекты влияния других факторов присоединены в них к свободному члену уравнения множественной регрессии. Это позволяет на основе частных уравнений регрессии определять частные коэффициенты эластичности xi Эy xi = bi, (2.9) xi,x1,x2,...,xi-1,xi +1,...,xp где bi – коэффициенты регрессии для фактора хi в уравнении множественной регрессии; xi,x1, x2,...,xi -1, xi +1,...,x p – значение результативного фактора, полученное из частного уравнения регрессии при данном значении фактора хi.

Предположим, что по ряду регионов множественная регрессия величины импорта на определенный товар у относительно отечественного его производства х1, изменения запасов х2 и потребления на внутреннем рынке х3 оказалась следующей = -66,028 + 0,135 x1 + 0,476 x2 + 0,343 x3.

При этом средние значения для рассматриваемых признаков составили:

y = 31,5, x1 = 245,7, x2 = 3,7, x3 = 182,5.

На основе данной информации могут быть найдены средние по совокупности показатели эластичности xi Эyx = bi.

i yxi Для данного примера они окажутся равными:

245,7 3,Эyx = 0,135 = 1,053%, Эyx = 0,476 = 0,056%, 1 31,5 2 31,182,Эyx = 0,343 = 1,987%, 3 31, т. е.: 1) с ростом величины отечественного производства на 1 % размер импорта в среднем по совокупности регионов возрастет на 1,053 % при неизменных запасах и потреблении семей; 2) с ростом изменения запасов на 1 % при неизменном производстве и внутреннем потреблении величина импорта увеличивается в среднем на 0,056 %; 3) при неизменном объеме производства и величины запасов с увеличением внутреннего потребления на 1 % импорт товара возрастает в среднем по совокупности регионов на 1,987 %.

Средние показатели эластичности можно сравнивать друг с другом и соответственно ранжировать факторы по силе их воздействия на результат. В рассматриваемом примере наибольшее воздействие на величину импорта оказывает размер внутреннего потребления товара x3, а наименьшее – изменение запасов x2.

2.6. Множественная корреляция Практическая значимость уравнения множественной регрессии оценивается с помощью показателя множественной корреляции и его квадрата – коэффициента детерминации.

Показатель множественной корреляции характеризует тесноту связи рассматриваемого набора факторов с исследуемым признаком, или, иначе, оценивает тесноту совместного влияния факторов на результат.

Независимо от формы связи показатель множественной корреляции может быть найден как индекс множественной корреляции ост Ryx1x2...xp = 1 -, (2.10) y 2 где – общая дисперсия результативного признака; – остаточная дисy ост персия для уравнения = f (x1, x2, …, xp) (y - x1x2...x )2 p ост =.

n Индекс множественной корреляции изменяется от 0 до 1. Чем ближе его значение к 1, тем теснее связь результативного признака со всем набором исследуемых факторов. Величина индекса множественной корреляции больше или равна максимального парного индекса корреляции Ryx1x2...xp Ryxi (max) (i =1, p).

При правильном включении факторов в регрессионный анализ величина индекса множественной корреляции будет существенно отличаться от индекса корреляции парной зависимости. Отсюда ясно, что, сравнивая индексы множественной и парной корреляции, можно сделать вывод о целесообразности включения в уравнение регрессии того или иного фактора. Так, если у рассматривается как функция от х и z и получен индекс множественной корреляции Ryzx = 0,85, а индексы парной корреляции при этом были Ryx = 0,82 и Ryz = 0,75, то совершенно ясно, что уравнение парной регрессии у = f(х) охватывало 67,2 % (0,822 = 0,672) колеблемости результативного признака под влиянием фактора х, а дополнительное включение в анализ фактора z увеличило долю объясненной вариации до 72,3 % (0,852 = 0,723) т. е. уменьшилась доля остаточной вариации на 5,1 процентного пункта (с 32,8 до 27,7%).

Можно пользоваться следующей формулой индекса множественной корреляции:

)( y - yx1x2...xp Ryx x2...xp = 1 -. (2.11) ( y - y)При линейной зависимости признаков формула индекса корреляции может быть представлена следующим выражением:

Ryx x2...xp = ryx, xi i i где x – стандартизованные коэффициенты регрессии;

i ryx – парные коэффициенты корреляции результата с каждым фактором.

i Формула индекса множественной корреляции для линейной регрессии получила название линейного коэффициента множественной корреляции, или, что то же самое, совокупного коэффициента корреляции.

Индекс множественной корреляции равен совокупному коэффициенту корреляции не только при линейной зависимости рассматриваемых признаков.

Тождественность этих показателей, как и в парной регрессии, имеет место и для криволинейной зависимости, нелинейной по переменным. Так, если для фирмы модель прибыли у имеет вид y = a + b1 x1 + b2 ln x2 + b1 x1 + b3 ln x3 + b4 ln x4 +, где x1 – удельные расходы на рекламу; x2 – капитал фирмы; x3 – доля продукции фирмы в общем объеме продаж данной группы товаров по региону; x4 – процент увеличения объема продаж фирмы по сравнению с предыдущим годом.

Тогда независимо от того, что фактор x1 задан линейно, а факторы x2, x3, x– в логарифмах, оценка тесноты связи может быть произведена с помощью линейного коэффициента множественной корреляции.

В рассмотренных показателях множественной корреляции (индекс и коэффициент) используется остаточная дисперсия, которая имеет систематическую ошибку в сторону преуменьшения, тем более значительную, чем больше параметров определяется в уравнении регрессии при заданном объеме наблюдений n.

Если число параметров при хj равно m и приближается к объему наблюдений, то остаточная дисперсия будет близка к нулю и коэффициент (индекс) корреляции приблизится к единице даже при слабой связи факторов с результатом.

Для того чтобы не допустить возможного преувеличения тесноты связи, используется скорректированный индекс (коэффициент) множественной корреляции. Скорректированный индекс множественной корреляции содержит по правку на число степеней свободы, а именно, остаточная сумма квадратов (y - x )2 делится на число степеней свободы остаточной вариации x2...x 1 p (n – m – 1), а общая сумма квадратов отклонений y - y)2 – на число степеней ( свободы в целом по совокупности (n – 1).

Формула скорректированного индекса множественной детерминации имеет вид ( y - )2 : (n - m -1), (2.12) R = 1( y - y)2 : (n -1) где m – число параметров при переменных хi, n – число наблюдений.

Поскольку ( y - )2 / ( y - y)2 = 1 – R2, то величину скорректированного индекса детерминации можно представить в виде (n -1) R = 1- (1- R2). (2.13) (n - m -1) 2 Чем больше величина m, тем сильнее различия R и R.

Для линейной зависимости признаков скорректированный коэффициент множественной корреляции определяется по той же формуле, что и индекс множественной корреляции, т. е. как корень квадратный из R. Отличие состоит лишь в том, что в линейной зависимости под m подразумевается число факторов, включенных в регрессионную модель, а в криволинейной зависимости m – число параметров при х и их преобразованиях (х2, lnх и др.), которое может быть больше числа факторов как экономических переменных. Так, если у = f (х1, х2), то для линейной регрессии m = 2, а для регрессии вида 2 y = a + b1 x1 + b12 x1 + b2 x2 + b22 x2 + число параметров при х равно 4, т. е. m = 4. При заданном объеме наблюдений, при прочих равных условиях, с увеличением числа независимых переменных (параметров) скорректированный коэффициент множественной детерминации убывает. Его величина может стать и отрицательной при слабых связях результата с факторами. В этом случае он должен считаться равным нулю. При небольшом числе наблюдений скорректированная величина коэффициента множественной детерминации R2 имеет тенденцию переоценивать долю вариации результативного признака, связанную с влиянием факторов, включенных в регрессионную модель.

В статистических пакетах прикладных программ в процедуре множественной регрессии обычно приводится скорректированный коэффициент (индекс) множественной корреляции (детерминации). Величина коэффициента множественной детерминации используется для оценки качества регрессионной модели.

Низкое значение коэффициента (индекса) множественной корреляции означает, что в регрессионную модель не включены существенные факторы – с одной стороны, а с другой стороны – рассматриваемая форма связи не отражает реальные соотношения между переменными, включенными в модель.

В этом случае требуются дальнейшие исследования по улучшению качества модели и увеличению ее практической значимости.

2.7. Частная корреляция Как было показано выше, ранжирование факторов, участвующих во множественной линейной регрессии, может быть проведено через стандартизованные коэффициенты регрессии (-коэффициенты). Эта же цель может быть достигнута с помощью частных коэффициентов корреляции – для линейных связей. При нелинейной взаимосвязи исследуемых признаков эту функцию выполняют частные индексы детерминации. Кроме того, частные показатели корреляции широко используются при решении проблемы отбора факторов: целесообразность включения того или иного фактора в модель доказывается величиной показателя частной корреляции.

Pages:     | 1 | 2 || 4 | 5 |   ...   | 10 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.