Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: Археология Биология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрации Техника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ? Влияние общества на человека Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления	Главная Избранные Случайная статья Познавательные Новые добавления Обратная связь FAQ Построение регрессионных моделей ⇐ ПредыдущаяСтр 7 из 8Следующая ⇒ В системе Excel   Развитие компьютерных технологий придало новый импульс применению статистических методов анализа данных в экономике, приобщив к статистическому анализу широкий круг практиков, не обладающих фундаментальной математической подготовкой. Статистические программные продукты представляют собой реализованные в компьютерных программах статистические методы обработки данных. Они являются наукоемкими программными продуктами, широко применяемыми в исследовательской и практической деятельности. По данным Международного статистического института, число наименований статистических ППП приближается к тысяче. Для целей научных исследований применяются продвинутые и достаточно сложные в освоении ППП, например, Statistica, Eviews, квалифицированное использование которых требует глубоких знаний эконометрики и информационных технологий. В практических целях могут быть полезны команды Ехсеl. В частности, регрессионные модели на пространственных данных могут быть построены с помощью команды Анализ данных. Продемонстрируем работу команды на примере 4.1.1. Актуализация этой команды проводится следующим образом. 1) Проверьте доступ к пакету анализа. Для этого в главном меню последовательно выберите Сервис / Надстройки. Установите флажок Пакет анализа; 2) В главном меню выберите Сервис/Анализ данных/Регрессия. Щелкните по кнопке ОК; 3) Заполните диалоговое окно ввода данных (рис.4.1.3):       Рис. 4.1.3. Диалоговое окно ввода параметров инструмента Регрессия для парной регрессии. Входной интервал Y – диапазон, содержащий данные результативного показателя; Входной интервал X – диапазон, содержащий данные факторов. Щелкните по кнопке ОК. На экране появится Вывод итогов (рис.4.1.4).   ВЫВОД ИТОГОВ               Регрессионная статистика     Множественный R 0,742667342     R-квадрат 0,551554781     Нормированный R-квадрат 0,506710259     Стандартная ошибка	1,966188382
Наблюдения	12
Дисперсионный анализ
	df	SS	MS
Регрессия	1	47,54769912	47,54769912
Остаток	10	38,65896755	3,865896755
Итого	11	86,20666667
	Коэффициенты	Стандартная ошибка	t-статистика
Y-пересечение	16,15088496	10,58896647	1,525256029
Переменная X 1	2,162241888	0,616544814	3,507031181

 

Рис. 4.1.4. Результат применения инструмента.

 

Параметры регрессии, их стандартные ошибки и t-статистики приведены в третьей таблице распечатки. А коэффициент детерминации (R-квадрат) и стандартная ошибка уравнения регрессии в первой таблице Регрессионная статистика.

В том случае, если строится множественная регрессия, актуализация команды Регрессия осуществляется аналогично. Продемонстрируем это на примере 4.1.4. Теперь входной интервал X представляет собой не один столбец, а два столбца (рис.4.1.5)

 

 

Рис. 4.1.5. Диалоговое окно ввода параметров инструмента Регрессия для множественной регрессии.

 

Результаты регрессионного анализа для данных примера 4.1.4 представлены на рис.4.1.6.

 

ВЫВОД ИТОГОВ
Регрессионная статистика
Множественный R	0,921508809
R-квадрат	0,849178484
Нормированный R-квадрат	0,815662592
Стандартная ошибка	1,201934558
Наблюдения	12
Дисперсионный анализ
	df	SS	MS
Регрессия	2	73,20484652	36,60242326
Остаток	9	13,00182014	1,444646683
Итого	11	86,20666667
	Коэффициенты	Стандартная ошибка	t-статистика
Y-пересечение	-408,4585437	100,9626404	-4,045640469
Переменная X 1	1,720831351	0,391178515	4,399094747
Переменная X 2	4,337338322	1,029200378	4,21427976

 

Рис. 4.1.6. Результат применения инструмента.

Как и в случае однофакторной регрессии, коэффициент детерминации и стандартная ошибка уравнения регрессии приведены в первой таблице Регрессионная статистика. В третьей таблице также в соответствующих столбцах приведены параметры регрессии, их стандартные ошибки и t-статистики. Различие состоит в увеличении количества строк таблицы, что связано с увеличением числа параметров регрессионной модели. В примере 4.1.4 их уже не 2, как в однофакторной регрессии, а три.

В случае множественной регрессии требуется проверка мультиколлинеарности факторов. В этом случае в главном меню выберите Сервис/Анализ данных/Корреляция. Щелкните по кнопке ОК;

3) Заполните диалоговое окно ввода данных (рис.4.1.7):

Входной интервал X – диапазон, содержащий набор факторов.

 

 

Рис. 4.1.7. Диалоговое окно ввода параметров инструмента Корреляция для парной регрессии примера 4.1.4.

 

Коэффициент корреляции между факторами x₁, x₂ представлен в ячейке корреляционной матрицы (2,1).

Результаты регрессионного анализа для данных примера 4.1.4 представлены на рис.4.1.8.

	Столбец 1	Столбец 2
Столбец 1	1
Столбец 2	0,267759	1

 

Рис. 4.1.8. Результат применения инструмента.