Решение

Для удобства проведения расчетов поместим результаты промежуточных расчетов в таблицу:

Таблица 3.1.

Найдем средние квадратические отклонения признаков:

1.Для нахождения параметров линейного уравнения множественной регрессии

необходимо решить систему линейных уравнений относительно неизвестных параметров (3.3) либо воспользоваться готовыми формулами (3.4).

Рассчитаем сначала парные коэффициенты корреляции:

Находим по формулам (3.4) коэффициенты чистой регрессии и параметр a :

Таким образом, получили следующее уравнение множественной регрессии:

Уравнение регрессии показывает, что при увеличении ввода в действие основных фондов на 1% (при неизменном уровне удельного веса 36 рабочих высокой квалификации) выработка продукции на одного рабочего увеличивается в среднем на 0,946 тыс. руб., а при увеличении удельного веса рабочих высокой квалификации в общей численности рабочих на 1% (при неизменном уровне ввода в действие новых основных фондов) выработка продукции на одного рабочего увеличивается в среднем на 0,086 тыс. руб.

После нахождения уравнения регрессии составим новую расчетную таблицу для определения теоретических значений результативного признака, остаточной дисперсии и средней ошибки аппроксимации.

Таблица 3.2.

Остаточная дисперсия:

Средняя ошибка аппроксимации:

Качество модели, исходя из относительных отклонений по каждому наблюдению, признается хорошим, т.к. средняя ошибка аппроксимации не

превышает 10%.

Коэффициенты и стандартизованного уравнения регрессии находятся по формуле (3.7):

Т.е. уравнение будет выглядеть следующим образом:

Так как стандартизованные коэффициенты регрессии можно сравнивать между собой, то можно сказать, что ввод в действие новых основных фондов оказывает большее влияние на выработку продукции, чем удельный вес рабочих высокой квалификации.

Сравнивать влияние факторов на результат можно также при помощи средних коэффициентов эластичности (3.8):

Вычисляем:

Т.е. увеличение только основных фондов (от своего среднего значения) или только удельного веса рабочих высокой квалификации на 1% увеличивает в среднем выработку продукции на 0,61% или 0,20% соответственно. Таким образом, подтверждается большее влияние на результат y фактора , чем фактора .

2.Коэффициенты парной корреляции мы уже нашли:

Они указывают на весьма сильную связь каждого фактора с результатом, а также высокую межфакторную зависимость (факторы и явно коллинеарны, т.к. ). При такой сильной межфакторной зависимости рекомендуется один из факторов исключить из рассмотрения.

Частные коэффициенты корреляции характеризуют тесноту связи между результатом и соответствующим фактором при элиминировании (устранении влияния) других факторов, включенных в уравнение регрессии.

При двух факторах частные коэффициенты корреляции рассчитываются следующим образом:

Если сравнить коэффициенты парной и частной корреляции, то можно увидеть, что из-за высокой межфакторной зависимости коэффициенты парной корреляции дают завышенные оценки тесноты связи. Именно по этой причине рекомендуется при наличии сильной коллинеарности (взаимосвязи) факторов исключать из исследования тот фактор, у которого теснота парной зависимости меньше, чем теснота межфакторной связи.

Коэффициент множественной корреляции определить через матрицы парных коэффициентов корреляции (3.9):

где

– определитель матрицы парных коэффициентов корреляции;

– определитель матрицы межфакторной корреляции.

Находим:

Коэффициент множественной корреляции:

Аналогичный результат получим при использовании формул (3.8) и (3.10).

Коэффициент множественной корреляции указывает на весьма сильную связь всего набора факторов с результатом.

3.Нескорректированный коэффициент множественной детерминации оценивает долю дисперсии результата за счет представленных в уравнении факторов в общей вариации результата. Здесь эта доля составляет 94,7% и указывает на весьма высокую степень обусловленности вариации результата вариацией факторов, иными словами – на весьма тесную связь факторов с результатом.

Скорректированный коэффициент множественной детерминации (3.12)

определяет тесноту связи с учетом степеней свободы общей и остаточной дисперсий. Он дает такую оценку тесноты связи, которая не зависит от числа факторов и поэтому может сравниваться по разным моделям с разным числом факторов. Оба коэффициента указывают на весьма высокую (более 94%) детерминированность результата y в модели факторами и .

4.Оценку надежности уравнения регрессии в целом и показателя тесноты связи дает F -критерий Фишера:

В нашем случае фактическое значение F -критерия Фишера:

Получили, что факт табл (при n = 20), т.е. вероятность случайно получить такое значение F -критерия не превышает 41 допустимый уровень значимости 5%. Следовательно, полученное значение не случайно, оно сформировалось под влиянием существенных факторов, т.е. подтверждается статистическая значимость всего уравнения и показателя тесноты связи .

5.Оценим статистическую значимость параметров чистой регрессии с помощью t -критерия Стьюдента. Рассчитаем стандартные ошибки коэффициентов регрессии по формулам (3.19) и (3.20):

Фактические значения t -критерия Стьюдента:

Табличное значение критерия при уровне значимости = 0,05 и числе степеней свободы k=17 составит . Таким образом, признается статистическая значимость параметра , т.к. , и случайная природа формирования параметра , т.к. .

Доверительные интервалы для параметров чистой регрессии:

6.С помощью частных F -критериев Фишера оценим целесообразность включения в уравнение множественной регрессии фактора после и фактора после при помощи формул (3.16):

Найдем и :

Имеем:

Получили, что . Следовательно, включение в модель фактора после того, как в модель включен фактор статистически нецелесообразно: прирост факторной дисперсии за счет дополнительного признака оказывается незначительным, несущественным; фактор включать в уравнение после фактора не следует.

Если поменять первоначальный порядок включения факторов в модель и рассмотреть вариант включения после , то результат расчета частного F -критерия для будет иным. , т.е. вероятность его случайного формирования меньше принятого стандарта = 0,05 (5%). Следовательно, значение частного F -критерия для дополнительно включенного фактора не случайно, является статистически значимым, надежным, достоверным: прирост факторной дисперсии за счет дополнительного фактора является существенным. Фактор должен присутствовать в уравнении, в том числе в варианте, когда он дополнительно включается после фактора .

7.Общий вывод состоит в том, что множественная модель с факторами и с =0,947 содержит неинформативный фактор . Если исключить фактор , то можно ограничиться уравнением парной регрессии:

Найдем его параметры:

Таким образом:

 

return false">ссылка скрыта