Построение двухфакторной модели, моделей парной линейной прогрессии и множественной линейной регрессии
Выбор факторных признаков для двухфакторной модели с помощью корреляционного анализа. Расчет коэффициентов регрессии, корреляции и эластичности. Построение модели линейной регрессии производительности труда от факторов фондо- и энерговооруженности.
Рубрика | Экономико-математическое моделирование |
Вид | задача |
Язык | русский |
Дата добавления | 20.03.2010 |
Размер файла | 142,0 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
ЗАДАНИЕ №1
По предложенной выборке наблюдений результативного признака у и факторных признаков х1,х2,х3 требуется с помощью корреляционного анализа выбрать факторные признаки для построения двухфакторной модели и пояснить свой выбор.
n |
у |
х1 |
х2 |
х3 |
|
1 |
88 |
38 |
54 |
87 |
|
2 |
71 |
49 |
92 |
57 |
|
3 |
62 |
44 |
74 |
68 |
|
4 |
49 |
78 |
76 |
42 |
|
5 |
76 |
62 |
41 |
76 |
Решение
Для получения искомых величин составим расчетную таблицу:
Получим: x1 = 54,2, х2=67,4, х3= 66; у*х1=3617; у*х2=4542,4; у*х3=4750,6; х1*х2=3657,2; х1*х3=3415,8; х2*х3= 4256,4
Рассчитаем r коэффициент корреляции между величинами у и х1; у и х2; у и х3; х1 и х2; х2 и х3; х1 и х3;
Cov (x*у)= х*у -х*у
Cov (x1*у)=3617-54.2*69.2 =-133,64
Cov (x2*у)=4542,4-67,4*69,2 =-121,68
Cov (x3*у)=4750,6-66*69,2 =183,4
Rх1у = cov(х1;у) = -133,64 = -133,64 =- 0,712
Var(x1)Var(y) 204,16*172,56 187,696
Rх2у = cov(х2;у)=-121,68= -121,68 = -0,5179
Var(x2)Var(y) 319,84*172,56 234,928
Rх3у = cov(х3;у)=183,4 =183,4 = 0,900
Var(x3)Var(y) 240,4*172,56 203,675
Cov (x1*x2)=x1*x2-x1*x
Cov(x1*x2)=3657,2-54,2*67,4=4,12
Cov(x1*x3)=3415,8-54,2*66=-161,4
Cov(x2*x3)==4256,4-67,4*66=-192
Rх1х2 = cov(х1;х2)=4,12= 4,12 = 0,016
Var(x1)Var(х2) 204,16*319,84 255,5357
Rх1х3 = cov(х1;х3) = -161,4 = -161,4 = -0,728
Var(х1)Var(х3) 204,16*240,4 221,54
Rх2х3 = cov(х2;х3) = -192 = -192 = -0,692
Var(х2)Var(х3) 240,4*319,84 277,288
Построим расчетную таблицу для двухфакторной модели
Для построения двухфакторной модели по модулю подходят х1 и х3 т.к у них более высокий показатель, но по факторному признаку х1 и х3> 0,6 значит выбираем х1 и х2
ЗАДАНИЕ № 2
Результаты обследования десяти статистически однородных филиалов фирмы в таблице (цифры условные). Требуется:
А. Построить модель парной линейной прогрессии производительности труда от фактора фондовооруженности, определить коэффициент регрессии, рассчитать парный коэффициент корреляции, оценить тесноту корреляционной связи, найти коэффициент эластичности и бета - коэффициент: пояснить экономический смысл всех коэффициентов;
Б. Построить модель множественной линейной регрессии производительности труда от факторов фондо- и энерго- вооруженности, найти все коэффициенты корреляции и детерминации, коэффициенты эластичности и - коэффициенты, пояснить экономический смысл всех коэффициентов.
Решение
А. Обозначим производительность труда через у - резтивный признак, два других признака фондовооруженость и энерговооруженность будут фак.х1 и х2. Рассмотрим линейную модель зависимости производительности труда - у от величины фондовооруженности - х1 это модель выражения линейной функции f вида у = а0 + а1*х1, параметры которой находят в результате решения системы нормального уровня, сформированных на основе метода наименьших квадратов, суть которого заключается в то, что бы сумма квадратов отклонений фактических уравнений ряда от соответствующих, выровненных по кривой роста значений была наименьшей.
а0*n+а_х1=_у
а0*_х1+а1*_х1^2=_(у*х1),
где суммирование приводится по всем
- n- группам,
- параметры а0 и а1можно рассчитать по формуле:
а1= cov(х1*у) = ух1-ух1
var(х1) х2-2/х1
а0 = у-а1*х
10*а0+396*а1 = 959
396*а0+15838*а1 = 38856
Составим расчетную таблицу
Из расчета таблицы имеем
ух1 = 3885,60
х1 = 1583,80
Дополнительно рассчитываем
ух1 = 95,9*39,6 = 3797,64
х1 = (39,6)^2 = 1568.16
а1 = 3885,6-3797,64 = 87,96 = 5,624040
1583,8-1568,16 15,64
а0 = 95,9-5,624040*39,6 = -126,81,
таким образом однофакторная модель имеет вид:
у регр = а0+а1*х1
у регр = -126,812+5624041*х1
Полученное уравнение является уравнением парной регрессии, коэффициента а1 в этом уравнении называется коэффициентом регрессии. Знак этого коэффициента определяется направлением связи между у и х2. В нашем случае эта связь образуется а1 = +5,624040(+) - связь прямая.
Теснота связи между у и х1 определяется коэффициентом корреляции:
rух1 = V1-о у регр.^ 2/ оу^2 , где оу - средняя квадратная ошибка выборки у из значений таблицы
rух1 |
0.8809071 |
rух1 = V1-142.79937/637.49 = 0.8809071
Чем ближе коэффициент корреляции к единице, тем теснее корреляционная связь: rух1=0,881, следовательно, связь между производительностью труда и фондовооруженностью достаточно тесная.
Коэффициент детерминации rух1^2
rух1^2 |
0.7759974 |
Это означает, что фактором фондовооруженности можно объяснить 77,6% изменения производительности труда.
Коэффициент эластичности Эух1 = а1*х1 ср./ у ср.; Эух1 = 5,624040*39,6/95,9
Эух1 |
2,322336 |
Это означает, что при увеличении фондовооруженности на 1%, производительность труда увеличится на 2,3223%.
Бета коэффициент _ух1 = а1*ох1/оу,
_ух1 = 5,624040*V15.64/ V637,49 = 0,8809072
_ух1 |
0,8809072 |
Это значит, что увеличение фондовооруженности на величину среднеквадратического отклонения этого показателя приведет к увеличению среднего значения производительности труда на 0,88 среднеквадратического отклонения.
Б. Модуль множественных регрессий рассматривается на периметре двухфакторной линейной модели, отражающей зависимость производительности труда у, от величины фондовооруженности (х1) и энерговооруженности (х2), модуль множественной регрессии имеет вид у = а0+а1у1+а2х2. Параметры модели а0,а1,а2, находятся путем решения системы нормальных уравнений:
а0*n+а1*х1+а2*х2=у
а0*х1+а1*х1^2+а2*(х1*х2) = (у*х1)
а0*х2+а1*(х1*х2)+а2*х2^2 = у*х2)
10*а0+396*а1+787*а2 = 959
396*а0+15838*а1+31689*а2 = 38859
787*а0+31689*а1+64005*а2 = 78094
Рассчитаем таблицу
Решаем систему нормальным уравнением,методом Гаусса (метод исключения неизвестных).
Разделим каждое уравнение системы на коэффициент при а0 соответственно:
а0+39,6*а1+78,7*а2 = 95,9
а0+39,994949*а1+80,022727*а2 = 98,128787
а0+40,26556*а1+81,327827*а2 = 99,229987
из первогоуравнения системы вычитаем второе уравнение системы
а0+39,6а+78,7а2 = 95,9
а0 +39,994949а1+30,022727а2 = 98,128787
-0,394949-1,322727 = -2,228787
Из первого вычитаем третье уравнение:
а0+39,6а+78,7а2 = 95,9
а0+40,26556*а1+81,327827*а2 = 99,229987
-0,665563-2,627827 = -3,329987
получим систему с двумя неизвестными
0,394949*а1+1,322727а2 = 2,228787
0,665565*а1+2,627827а2 = 3,329987
Делим каждое уравнение на в при а1 соответственно:
а1+3,349108а2 = 5,643227
а1+3,948265а2 = 5,003248
из первого вычитаем второе
-0,599157а2 = 0,639979
а2 = -1,0681323 |
Полученное значение а2 подставим в уравнение с двумя неизвестными:
а1+3,349108а2 = 5,643227
а1 = 5,643227-3,349108*(-1,0681323)
а1 = 5,643227+3,577290
а1 =9,220517 |
Полученное значение а1 и а2 подставим в любое из уравнений с тремя неизвестными
а0+39,6а+78,7а2 = 95,9
а0 = 95,9-39,6 а1-78,7 а2
а0 = 95,9-39,6*9,220517-78,7*(-1,0681323)
а0 = 95,9-365,132473+84,062012
а0 = 185,170461
а0 = -185,170461 |
Получим модель:
у = а0+а1х1+а2х2
у = -185,170461+9,220517х1-1,0681323х2
Ответ: у = -185,170461+9,220517х1-1,0681323х2
Парные коэффициенты корреляции:
А. rух1 = ((у*х1)ср-уср*х1ср)/(оу*ох1)
rух1 |
0,881 |
Б. rух2 = ((у*х2)ср-уср*х2ср)/(оу*ох2), где ох2 = V(х2-х2ср)^2/10
rух2 |
0,722 |
|
ох2 |
14,38 |
В. rх1х2 = ((х1*х2)ср-х1ср*х2ср)/(ох1*ох2)
rх1х2 |
0,921 |
Чем ближе коэффициент корреляции к 1, тем теснее связь.
Коэффициент множественной корреляции:
А. rух1х2 = V(rух1^2+rух2^2-2*rух1*rух2*rх1х2)/(1-rх1х2^2)
rх1х2 |
0,91 |
Таким образом, степень тесноты связи производительности труда с факторами фондовооруженности и энерговооруженности является высокой.
Совокупный коэффициент детерминации:
rух1х2^2 |
0,829 |
Это означает, что совместное влияние двух факторов определяет 82,9% производительности труда.
Частные коэффициенты корреляции:
А. rух1(х2) = (rух1-rух2*rх1х2)/V(1-rух2^2)*(1-r х1х2^2)
rух1(х2) |
0,831 |
т.е. теснота связи между производительностью труда и фондовооруженностью, при энерговооруженности, значительная.
В. Rух2(х1) = (rух2-rух1*rх1х2)/V(1-rух1^2)*(1-r х1х2^2)
rух2(х1) |
-0,486 |
т.е. связи между производительностью труда и энерговооруженностью, при неизменной фондовооруженности, в данной выборке нет.
Частные коэффициенты эластичности:
А. эух1(х2) = а1*х1ср/уср
эух1(х2) |
3.807 |
т.е. при увеличении фондовооруженности на 1% и неизменной энерговооруженности, производительность труда увеличится на 3,807%.
Б. эух2(х1) = а2*х2ср/уср
эух2(х1) |
-0,877 |
т.е. при увеличении энерговооруженности, производительность труда не изменится.
Частные бета в коэффициенты:
А. вух1(х2) = а1*ох1/оу
вух1(х2) |
1,444 |
это означает, что при неизменной энерговооруженности, увеличение на величину среднеквадратического отклонения размера фондовооруженности приведет к увеличению средней производительности труда на 1,444 среднеквадратического отклонения.
Б. Вух2(х1) = а2*ох2/оу
вух2(х1) |
-0,6083377 |
это означает, что связи нет.
Подобные документы
Описание классической линейной модели множественной регрессии. Анализ матрицы парных коэффициентов корреляции на наличие мультиколлинеарности. Оценка модели парной регрессии с наиболее значимым фактором. Графическое построение интервала прогноза.
курсовая работа [243,1 K], добавлен 17.01.2016Оценка распределения переменной Х1. Моделирование взаимосвязи между переменными У и Х1 с помощью линейной функции и методом множественной линейной регрессии. Сравнение качества построенных моделей. Составление точечного прогноза по заданным значениям.
курсовая работа [418,3 K], добавлен 24.06.2015Анализ метода наименьших квадратов для парной регрессии, как метода оценивания параметров линейной регрессии. Рассмотрение линейного уравнения парной регрессии. Исследование множественной линейной регрессии. Изучение ошибок коэффициентов регрессии.
контрольная работа [108,5 K], добавлен 28.03.2018Понятие регрессии. Оценка параметров модели. Показатели качества регрессии. Проверка статистической значимости в парной линейной регрессии. Реализация регрессионного анализа в программе MS Excel. Условия Гаусса-Маркова. Свойства коэффициента детерминации.
курсовая работа [233,1 K], добавлен 21.03.2015Построение и анализ классической многофакторной линейной эконометрической модели. Вид линейной двухфакторной модели, её оценка в матричной форме и проверка адекватности по критерию Фишера. Расчет коэффициентов множественной детерминации и корреляции.
контрольная работа [131,9 K], добавлен 01.06.2010Анализ влияния основных социально-экономических показателей на результативный признак. Особенности классической линейной модели множественной регрессии, ее анализ на наличие или отсутствие гетероскедастичности в регрессионных остатках и их автокорреляции.
лабораторная работа [573,8 K], добавлен 17.02.2014Построение линейной модели и уравнения регрессии зависимости цены на квартиры на вторичном рынке жилья в Москве в 2006 г. от влияющих факторов. Методика составления матрицы парных коэффициентов корреляции. Экономическая интерпретация модели регрессии.
лабораторная работа [1,8 M], добавлен 25.05.2009Расчет параметров уравнения линейной регрессии, экономическая интерпретация ее коэффициента. Проверка равенства математического ожидания уровней ряда остатков нулю. Построение степенной модели парной регрессии. Вариация объема выпуска продукции.
контрольная работа [771,6 K], добавлен 28.04.2016Построение модели множественной линейной регрессии по заданным параметрам. Оценка качества модели по коэффициентам детерминации и множественной корреляции. Определение значимости уравнения регрессии на основе F-критерия Фишера и t-критерия Стьюдента.
контрольная работа [914,4 K], добавлен 01.12.2013Основы построения и тестирования адекватности экономических моделей множественной регрессии, проблема их спецификации и последствия ошибок. Методическое и информационное обеспечение множественной регрессии. Числовой пример модели множественной регрессии.
курсовая работа [3,4 M], добавлен 10.02.2014