Линейный множественный регрессивный анализ
![]()
Параметры данного уравнения найдем с помощью инструмента «Регрессия» надстройки «Анализ данных» приложения MS Excel (результаты вычисления – в Приложении 8):
b0=11,3789103724081
b1= -0,140477614195711
b2= 0,334073328849854
b4= -0,0590948468841696
b5= 0,354719169807746
Получаем уравнение линейной множественной регрессии:
![]()
Расчетные значения критерия для заданных параметров получили с помощью инструмента «Регрессия» надстройки «Анализ данных» приложения MS Excel (результаты вычисления – в Приложении 8):
![]()
![]()
![]()
![]()
Поскольку
,
то коэффициенты
b1, b2,
b4 не являются
значимыми для
построенной
модели. Исключаем
самый незначимый
фактор:
![]()
Исключаем фактор Х1 - потребление мяса и мясопродуктов на душу населения (кг).
Строим новую модель с оставшимися факторами:
![]()
Параметры данного уравнения найдем с помощью инструмента «Регрессия» надстройки «Анализ данных» приложения MS Excel (результаты вычисления – в Приложении 9):
b0= 5,45597214112287
b2= 0,200539077387593
b4= -0,0847616134509301
b5= 0,374792925415136
Получаем уравнение линейной множественной регрессии:
![]()
Расчетные значения критерия для заданных параметров получили с помощью инструмента «Регрессия» надстройки «Анализ данных» приложения MS Excel (результаты вычисления – в Приложении 8):
![]()
![]()
![]()
Поскольку
,
то коэффициенты
b2, b4
не являются
значимыми для
построенной
модели. Исключаем
самый незначимый
фактор:
![]()
Исключаем фактор Х8 - потребление фруктов и ягод на душу населения (кг). Строим новую модель с оставшимися факторами:
![]()
Параметры данного уравнения найдем с помощью инструмента «Регрессия» надстройки «Анализ данных» приложения MS Excel (результаты вычисления – в Приложении 10):
b0= -14,5137453627595
b2= 0,272342209805998
b5= 0,471219957359132
Получаем уравнение линейной множественной регрессии:
![]()
Расчетные значения критерия для заданных параметров получили с помощью инструмента «Регрессия» надстройки «Анализ данных» приложения MS Excel (результаты вычисления – в Приложении 10):
![]()
![]()
Поскольку
,
то коэффициент b2 не является значимым для построенной модели. Исключаем незначимый фактор:
![]()
Исключаем фактор Х3 - потребление сахара на душу населения (кг). Строим новую модель с оставшимся фактором:
![]()
Параметры данного уравнения найдем с помощью инструмента «Регрессия» надстройки «Анализ данных» приложения MS Excel (результаты вычисления – в Приложении 11):
b0= 0,166147
b5= 0,412251
Получаем уравнение линейной парной регрессии:
![]()
Расчетное значение критерия для параметра b5 получили с помощью инструмента «Регрессия» надстройки «Анализ данных» приложения MS Excel (результаты вычисления – в Приложении 11):
![]()
Поскольку
,
то коэффициент b5 является значимым для построенной модели. Таким образом, посредством пошагового регрессионного анализа, осуществленного методом исключения факторов, получили модель, содержащую только один значимый фактор Х9 - потребление хлебных продуктов на душу населения (кг).
Определим прогнозное значение результата, если прогнозные значения факторов составляют 80 % от их максимальных значений.Поскольку в уравнении регрессии остался лишь один значимый фактор, именно на основе данных о потреблении хлебных продуктов на душу населения будем рассчитывать прогнозное значение результативного показателя.
![]()
Если прогнозное значение фактора составит 80% от своего максимального значения
,
тогда точечное прогнозное значение результативного показателя составит
![]()
Т.е. если потребление хлебных продуктов на душу населения составит 152,8 кг, то прогнозное значение смертности населения по причине болезни органов кровообращения на 100000 населения составит примерно 63.
Рассчитаем
ошибки и доверительный
интервал прогноза
для уровня
значимости
и
.
![]()
Доверительный интервал для среднего размера смертности населения по причине болезни органов кровообращения на 100000 населения при условии, что потребление хлебных продуктов составляет х = 152,8 кг с надежностью g=0,95:
![]()
![]()
где стандартная ошибка для средних значений:

Т.е. средний размер смертности населения по причине болезни органов кровообращения на 100000 населения при условии, что потребление хлебных продуктов составляет х = 152,8 кг, находится в интервале от 53 до 72 человек. Доверительный интервал для индивидуальных значений размера смертности населения по причине болезни органов кровообращения на 100000 населения при условии, что потребление хлебных продуктов составляет х = 152,8 кг с надежностью g=0,95:
![]()
,
где стандартная ошибка для индивидуальных значений:

Таким образом, если потребление хлебных продуктов будет находиться на уровне 152,8 кг, то возможный размер смертности населения по причине болезни органов кровообращения на 100000 населения в 95% случаев может находиться внутри интервала от 35 до 90 человек.
Рассчитаем
те же показатели
для уровня
значимости
![]()
Доверительный интервал для среднего размера смертности населения по причине болезни органов кровообращения на 100000 населения при условии, что потребление хлебных продуктов составляет х = 152,8 кг с надежностью g=0,90:
![]()
![]()
Т.е. средний размер смертности населения по причине болезни органов кровообращения на 100000 населения при условии, что потребление хлебных продуктов составляет х = 152,8 кг, находится в интервале от 55 до 70 человек.
Доверительный интервал для индивидуальных значений размера смертности населения по причине болезни органов кровообращения на 100000 населения при условии, что потребление хлебных продуктов составляет х = 152,8 кг с надежностью g=0,90:
![]()
![]()
Таким образом, если потребление хлебных продуктов будет находиться на уровне 152,8 кг, то возможный размер смертности населения по причине болезни органов кровообращения на 100000 населения в 90% случаев может находиться внутри интервала от 40 до 85 человек.
Полученные результаты позволяют сделать следующие выводы:На основе сравнительной оценки влияния факторов на результативный показатель посредством расчета коэффициентов эластичности удалось установить, что смертность населения по причине болезни органов кровообращения на 100000 населения увеличивается примерно на 0,12 % при увеличении потребления мяса и мясопродуктов на душу населения на 1 %, на 0,21% при увеличении на 1% потребления сахара на душу населения и на 0,37% при увеличении потребления хлебных продуктов на душу населения на 1%.
А при увеличении оценки ВВП по паритету покупательной способности в 1994 г. на душу населения на 1% результативный показатель, наоборот, уменьшится на 0,59%. Увеличение же потребления фруктов и ягод на душу населения на 1% повлечет снижение смертности примерно на 1,02%.
Величина множественного коэффициента детерминации R2=0,799 свидетельствует о том, что изменение результативного показателя примерно на 80% обусловлено влиянием факторов, включенных в модель. Оценка качества построенного уравнения с помощью средней ошибки аппроксимации подтверждает удовлетворительную точность построенной модели.
Оценка адекватности построенной модели с помощью F-Критерия Фишера подтвердила, что в 95 % случаев уравнение регрессии статистически значимо и отражает существенную зависимость между факторами и результативным показателем. А значит, уравнение можно признать надежным и значимым, доказывающим наличие исследуемой зависимости.
Посредством
пошагового
регрессионного
анализа, осуществленного
методом исключения
факторов, получили
модель, содержащую
только один
значимый фактор
- потребление
хлебных продуктов
на душу населения.
С его использованием
построили новое
уравнение
регрессии, с
помощью которого
рассчитали
прогнозное
точечное значение
результативного
показателя
и доверительный
интервал для
уровня значимости
и
.
Задача 3
В исходной таблице (графы 2 и 3 Приложения 13) представлены статистические данные об объеме продаж продовольственных товаров с 1 января 1990 г. в относительных единицах.
Требуется:
Представить временной ряд графически, провести его сглаживание методом простой скользящей средней, оценить наличие тренда.
Построить
уравнение
неслучайной
составляющей
(тренда) временного
ряда, проверить
значимость
построенного
уравнения по
F-критерию
при уровне
значимости
.
Дать
точечную,
интервальную
оценки прогноза
среднего и
индивидуального
значений с
надежностью
на
1 и 2 шага вперед.
Построить
авторегрессионную
модель временного
ряда, дать
точечный,
интервальный
прогноз среднего
и индивидуального
значений с
надежностью
на
1 и 2 шага вперед.
Сделать выводы по полученным результатам.
Решение:
Представим временной ряд графически:

Проведем его сглаживание методом простой скользящей средней. Выбрав величину скользящей средней, равную 3, доработаем исходную таблицу данных – найдем средние значения для каждых трех исходных (графа 4 Приложения 13).
На основе средних значений строим диаграмму сглаженных данных:

По графику можно сделать предположение о наличии тренда линейного типа. Для наглядности еще более сгладим исходные данные, построив с помощью инструмента «Скользящее среднее» надстройки «Анализ данных» приложения MS Excel график пятичленной скользящей средней.

Предположение о наличии тренда подтверждается, очевидно, также имеет место сезонная компонента.
Построим уравнение неслучайной составляющей (тренда) временного рядаДля определения параметров модели временного ряда из линейного уравнения
![]()
воспользуемся инструментом «Регрессия» надстройки «Анализ данных» приложения MS Excel (результаты вычислений – в Приложении 14).
Получаем уравнение тренда временного ряда следующего вида:
![]()
Проверим
значимость
построенного
уравнения по
F-критерию
при уровне
значимости
![]()

Величина коэффициента детерминации R2=0,324 также рассчитана с помощью инструмента «Регрессия» надстройки «Анализ данных» приложения MS Excel (результаты вычисления – в Приложении 14). Судя по этому параметру, изменение результативного показателя примерно на 32 % обусловлено влиянием временного фактора. Построенную модель на основе парного коэффициента корреляции =0,57 можно признать умеренно качественной.
![]()
![]()
Наблюдаемое
значение F–критерия
меньше табличного:
250,476 > 16,2, т.е. выполнено
неравенство
,
а значит, в 95 %
случаев уравнение
регрессии
статистически
незначимо и
не отражает
зависимости
между временем
и объемом продаж
продовольственных
товаров, что
подтверждается
экономической
теорией.
Дать
точечную,
интервальную
оценки прогноза
среднего и
индивидуального
значений с
надежностью
на 1 и 2 шага вперед.
Чтобы сделать точечный прогноз на 1 и 2 шага вперед, подставим соответствующие значения фактора в полученное уравнение регрессии:
![]()
Доверительный интервал для среднего размера объема продаж продовольственных товаров на 01.12.1995 г. (t=36) с надежностью g=0,95:
![]()
![]()
где стандартная ошибка для средних значений:
,
![]()
Т.е. средний размер объема продаж продовольственных товаров на 01.12.1995 г. (t=36) примерно находится в интервале от 249 до 292 относительных единиц.
Доверительный интервал для индивидуальных значений размера объема продаж продовольственных товаров на 01.12.1995 г. (t=36) с надежностью g=0,95:
![]()
![]()
где стандартная ошибка для индивидуальных значений:

Таким образом, размер объема продаж продовольственных товаров на 01.12.1995 г. (t=36) в 95% случаев может находиться внутри интервала примерно от 205 до 335 относительных единиц.
Для прогноза на 2 шага вперед:
![]()
Доверительный интервал для среднего размера объема продаж продовольственных товаров на 01.01.1996 г. (t=37) с надежностью g=0,95:
![]()
где стандартная ошибка для средних значений:
,
![]()
Т.е. средний размер объема продаж продовольственных товаров на 01.01.1996 г. (t=37) примерно находится в интервале от 250 до 294 относительных единиц.
Доверительный интервал для индивидуальных значений размера объема продаж продовольственных товаров на 01.01.1996 г. (t=37) с надежностью g=0,95:
![]()
![]()
где стандартная ошибка для индивидуальных значений:

Таким образом, размер объема продаж продовольственных товаров на 01.01.1996 г. (t=37) в 95% случаев может находиться внутри интервала примерно от 207 до 304 относительных единиц.
Построим авторегрессионную модель временного ряда.Для построения авторегрессионной модели 1-го порядка вида
![]()
Определим ее параметры с помощью МНК из системы уравнений:


Воспользовавшись надстройкой «Поиск решения» приложения MS Excel, находим коэффициенты модели:

Получаем модель:
![]()
Дадим точечный прогноз по полученной авторегрессионной модели на 1 и 2 шага вперед:
![]()
![]()
Дадим интервальный
прогноз среднего
и индивидуального
значений по
полученной
авторегрессионной
модели с надежностью
на
1 и 2 шага вперед.
Доверительный интервал для среднего размера объема продаж продовольственных товаров по полученной авторегрессионной модели на 01.12.1995 г. (t=36) с надежностью g=0,95:
![]()
где стандартная ошибка для средних значений:
,
![]()
Доверительный интервал для индивидуальных значений размера объема продаж продовольственных товаров по полученной авторегрессионной модели на 01.12.1995 г. (t=36) с надежностью g=0,95:
![]()
![]()
где стандартная ошибка для индивидуальных значений:
![]()
Итак, с надежностью 0,95 среднее значение объема продаж продовольственных товаров на момент t=36 будет заключено в пределах от 233,17 до 275,99 относительных единиц, а его индивидуальное значение — от 189,44 до 319,72 относительных единиц.
Для прогноза на 2 шага вперед:
![]()
Доверительный интервал для среднего размера объема продаж продовольственных товаров по полученной авторегрессионной модели на 01.12.1995 г. (t=37) с надежностью g=0,95:
![]()
где стандартная ошибка для средних значений
![]()
Доверительный интервал для индивидуальных значений размера объема продаж продовольственных товаров по полученной авторегрессионной модели на 01.01.1996 г. (t=37) с надежностью g=0,95:
![]()
![]()
где стандартная
ошибка для
индивидуальных
значений:
![]()
Итак, с надежностью 0,95 среднее значение объема продаж продовольственных товаров на момент t=37 будет заключено в пределах от 212,28 до 254,64 относительных единиц, а его индивидуальное значение — от 169,06 до 299,86 относительных единиц.
Выводы по полученным результатам:Проведя сглаживание временного ряда методом простой скользящей средней, по графику сделали предположение о наличии тренда линейного типа. Вычислив параметры модели, получаем уравнение тренда
![]()
Величина коэффициента детерминации R2=0,324 свидетельствует о том, что изменение У на 32% обусловлено влиянием времени. Построенную модель на основе коэффициента корреляции можно признать умеренно качественной.
Проверив значимость построенного уравнения по F-критерию, приходим к выводу, что в 95% случаев уравнение регрессии статистически незначимо и не отражает зависимости между временем и объемом продаж продовольственных товаров, что подтверждается экономической теорией.
Точечный прогноз на 1 шаг вперед на основе полученной модели примет значение
![]()
Интервальный прогноз позволяет установить, что размер объема продаж на 01.12.1995 г. в 95% случаев может находиться в интервале от 205 до 335 относительных единиц, а средний размер объема продаж - в интервале от 249 до 292 относительных единиц.
Точечный прогноз на 2 шага вперед на основе полученной модели примет значение
![]()
Интервальный прогноз позволяет установить, что размер объема продаж на 01.01.1996 г. в 95% случаев может находиться внутри интервала примерно от 207 до 304 относительных единиц, а средний размер объема продаж – внутри интервала от 207 до 304 относительных единиц.
Поскольку построенное ранее уравнение линейного тренда не является значимым, для прогнозирования значений временного ряда построили авторегрессионную модель