Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь FAQ Написать работу КАТЕГОРИИ: АрхеологияБиология 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 концентрацииТехника 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 |
В 7. Расчет параметров криволинейных уравнений.Содержание книги
Поиск на нашем сайте
Гипербола: (6.21) (6.22)
(6.23) Степенная функция:
(6.24)
(6.25) (6.26) (6.27)
Парабола: (6.28) (6.29)
В 8. Оценка тесноты связи при криволинейных моделях. В отличие от линейной корреляционно-регрессионной зависимости, при криволинейных связях тесноту связи признаков определяют по индексам корреляции и детерминации. Смысл индексов тот же, что и коэффициентов корреляции и детерминации. Схема нахождения индекса детерминации: 1. Определяют общую дисперсию (6.30) 2. Определяют меру колеблемости расчетных значений признака около среднего: (6.31) 3. Определяют меру колеблемости результативных показателей вокруг теоретических значений, вычисленных по уравнению регрессии. (6.32)
4. В математической статистике доказывают, что общая дисперсия равна факторной дисперсии плюс остаточная дисперсия: (6.33)
Индексом детерминации i2 называется отношение факторной дисперсии к общей дисперсии, т.е. (6.34)
Этот индекс объясняет, какая часть вариации результативного признака (Y) объясняется вариацией факторного признака (X). Индекс детерминации может быть выражен в процентах. 5. Индекс корреляции равен корню квадратному из индекса детерминации взятого в долях (а не в процентах):
(6.35)
Индекс корреляции всегда положителен и не может указывать направление связи. Например: при параболической связи признаков одна ветвь показывает возрастание, другая убывание факторов и общего направления быть не может. 6. Достоверность индексов корреляции и детерминации при криволинейных связях оценивают по критерию Фишера: (6.36)
где: n — число единиц в совокупности, m — число параметров уравнения. F расчетное сравниваем с F табличным. Строку в таблицах находим по значению ; (6.37) столбец по значению
(6.38) Если F расчетное больше F табличного, то нуль-гипотеза отвергается и принимается утверждение, что криволинейная связь в виде полученного уравнения регрессии, индекс корреляции и детерминации достоверны. Если же соотношение Fрасч.<Fтабл., то наша модель недостоверна.
В 9. История развития многофакторного корреляционно-регрессионного анализа. Начало корреляционного и регрессионного анализа относится ко второй половине ХIХ века и связано с именем двоюродного брата Ч. Дарвина – Френсисом Гальтоном (1822–1911). Он ввел понятие «закона регрессии», связав его со средним снижением роста сыновей по сравнению с ростом отцов (1899 г). Ему же принадлежит введение числовой меры, оценивающей силу связи показателей (корреляцию). Поэтому началом разработки корреляционно-регрессионного анализа ученые–статистики считают статью Ф. Гальтона «Регрессия, наследственность и панмиксия» (1896 г), в которой автор «дал определение корреляции, построил теоретическую модель совместного измерения двух переменных, ввел понятие линии регрессии и корреляционного индекса «r».
Экономистами и математиками разработаны различные модели, оценивающие влияние нескольких факторов на результат. Например, в США в 1929 г. при анализе развития обрабатывающей промышленности за 1899–1922 гг. была построена мультипликативная производственная функция, отражающая зависимость выхода продукции от затрат живого труда и наличия капитала, которая получила название функции Кобба-Дугласа (там же, с.176):
У= а Lα Kβ, (6.39)
где У – объем выпускаемой продукции, а – коэффициент размерности, L – объем затрат живого труда или численность работников, К – объем капитала (основного или совокупного), α и β – коэффициенты эластичности производства продукции по труду и капиталу. Для сельского хозяйства данную модель можно расширить, включив в нее еще один важный ресурс – это площадь сельскохозяйственных угодий (S) с соответствующим коэффициентом эластичности. Тогда данная функция будет иметь вид:
У=аLαKβSγ, (6.40)
Существуют и другие нелинейные модели, отражающие различные связи факторов, некоторые из которых рассматриваются в курсе «Планирование и прогнозирование». Однако большинство из них не могут быть интерпретированы системой экономических параметров и сложны в экономическом обосновании. Например, что может отражать экономический логарифм производительности труда или производительность труда в степени n и так далее? То есть модели могут быть использованы для прогнозов без экономической интерпретации параметров. Наилучшим образом экономически интерпретируется многофакторные линейные модели вида: (6.41)
где: n – отражает число факторов.
При составлении модели встает вопрос отбора факторов, которые могут быть включены в многофакторную модель. Как правило, имеется таблица с базой данных, где указаны числовые значения факторов интересующих исследователя. Общий вид такой таблицы с информацией о значениях технико-экономических показателей следующий:
Таблица 6.3. База данных для исследования связей факторов
При исследовании необходимо решить целый ряд проблем, одна из которых заключается в отборе факторов для их включения в модель (уравнение регрессии). Здесь существенную роль играют знания исследователя об экономических закономерностях развития процессов и явлений, знания экономики конкретной отрасли (сельского хозяйства легкой и тяжелой промышленности, транспорта и т.д.). После сбора информации и проведения ее априорного анализа можно провести расчеты, позволяющие достаточно качественно отобрать факторы для проведения корреляционно-регрессионного анализа. Для отбора факторов для модели часто используют матрицу парных коэффициентов корреляции, расчет и интерпретация которых рассматривалась в вопросах 5 и 6 темы.
Таблица 6.4. Матрица парных коэффициентов корреляции
Матрицу используют следующим образом: По строке Y анализируют значения парных коэффициентов корреляции rij и отбирают в модель те факторы, для которых riy>0,2. Используя остальные строки матрицы, устанавливают наличие или отсутствие мультиколлинеарности факторов. Если выявляется наличие таких пар факторов, то в модель включают только один из них. Факторы являются мультиколлинеарными, если связь между ними близка к функциональной или функциональна. Например, производительность труда и трудоемкость –показатели обратные друг другу, и для них парный коэффициент корреляции равен единице. В модель можно включить только один из этих факторов. Можно считать, что фактор является незначимым, если его включение в уравнение регрессии только изменяет значение коэффициентов регрессии, не изменяя суммы квадратов остатков, то есть: = const (6.42)
Если при включении в модель факторного признака увеличивается величина множественного коэффициента корреляции и детерминации, а коэффициенты регрессии меняются незначительно, то данный признак существенен, и его включение в уравнение регрессии обязательно. В 10. Нахождение параметров уравнения многофакторной корреляционно-регрессионной модели. Параметры уравнения регрессии (6.41), то есть коэффициенты регрессии ai и свободный член a0 находят из системы (6.43) нормальных уравнений по методу наименьших квадратов. (6.43)
Данная система может быть решена методом Гаусса или матричным методом. a0 –- свободный член, который отражает объем вариации результативного показателя за счет вариации факторов, не включенных в модель (в том числе и случайную вариацию); ai – называют частными коэффициента регрессии в отличие от парных. Частный коэффициент регрессии показывает, на сколько единиц в среднем изменится результативный показатель (У) с учетом знака, при изменении факторного признака (Xi) на единицу своего измерения при условии, что другие учтенные в модели факторы остаются неизменными.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Последнее изменение этой страницы: 2016-08-12; просмотров: 134; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.144.252.243 (0.007 с.) |