Гиперболическое уравнение парной регрессии
Гиперболическая зависимость имеет место, если связь между признаками обратная. Однако обратная связь может описываться и линейным уравнением с отрицательным значением коэффициента регрессии. Проанализировав расположение точек на корреляционном поле, можно выяснить, к какому типу зависимости больше всего тяготеют эмпирические данные, и выбрать окончательный вид уравнения. При выборе гиперболы также следует помнить, что в этом случае факторный признак не сможет принимать нулевое значение. Если данный факт не устраивает исследователя, нужно остановиться на обратной линейной зависимости. Уравнение гиперболы при парной зависимости между признаками имеет вид: Если значения результативного признака уменьшаются при увеличении факторного признака , параметр будет иметь положительное значение, если значения увеличиваются при увеличении , – отрицательное. При этом и уменьшение значений , как в первом случае, и их увеличение, как во втором, будут постепенно замедляться, и при неограниченном росте значений средняя величина результативного признака будет сколь угодно мало отличаться от значения свободного члена уравнения , т.е. при х → → . Гиперболические связи часто встречаются при анализе экономических явлений. Примером может являться зависимость между объемом производства продукции и ее себестоимостью. Как правило, с увеличением размера выпуска продукции себестоимость единицы продукции уменьшается, но до определенного предела, после которого все большее увеличение объема выпуска уже не приводит к уменьшению затрат, составляющих себестоимость. Применение метода наименьших квадратов для оценки параметров гиперболы в случае парной зависимости приводит к следующей системе нормальных уравнений:
Пример 2 Известны данные по 10 предприятиям промышленности об объеме произведенной продукции определенного вида и ее себестоимости. Между признаками имеется обратная зависимость, предположительно гиперболическая, что подтверждается специфическим расположением точек на корреляционном поле (рис. 6). Рис. 6. Корреляционное поле Построим гиперболическое регрессионное уравнение и определим среднюю ошибку аппроксимации. Данные промежуточных расчетов поместим во вспомогательную таблицу 20.
Таблица 20
Для определения оценок параметров гиперболы составим систему нормальных уравнений: Откуда находим значения = 0,859 и = 0,22. Таким образом, искомое уравнение гиперболы имеет вид: Рассчитаем выравненные значения зависимой переменной ( ) и определим среднюю ошибку аппроксимации (табл. 20).
Величина средней ошибки аппроксимации не превышает 12-15 %, значит, полученное уравнение достаточно адекватно описывает рассматриваемое явление. Степень практической значимости модели определим с помощью расчета теоретического коэффициента детерминации (см. табл. 21).
Таблица 21
Тогда теоретический коэффициент детерминации равен: = = 0,981 т.е. полученное уравнение описывает вариацию зависимой переменной с достаточно высокой точностью – 98,1 %.
Пошаговая регрессия
При построении множественной регрессии часто возникает проблема отбора факторных признаков . Для ее решения в теории созданы особые процедуры, в том числе и так называемые пошаговые методы регрессии, подразделяющиеся на две группы: пошаговая регрессия с включением независимых переменных и пошаговая регрессия с исключением независимых переменных . При реализации метода пошагового включения на первом шаге строится уравнение регрессии с одной переменной, имеющей максимальный по абсолютной величине парный коэффициент корреляции с результативным показателем: На втором шаге в модель вводится переменная, имеющая наибольшее по абсолютной величине значение частного коэффициента корреляции с зависимой переменной при фиксированном влиянии ранее введенной переменной: О целесообразности введения в модель дополнительного фактора судят, определяя, насколько уменьшилась в результате этой операции остаточная дисперсия, и увеличилось значение коэффициента детерминации. Если коэффициент множественной детерминации увеличился незначительно и, следовательно, остаточная дисперсия не претерпела существенных изменений, ввод нового фактора признается нецелесообразным. Процедура включения факторов в модель повторяется до тех пор, пока число объясняющих переменных либо не достигнет предельно допустимого значения (их должно быть в три-четыре раза меньше, чем количество наблюдений), либо не перестанет значительно меняться остаточная дисперсия при введении новых факторов. При реализации метода пошагового исключения сначала строят уравнение со всеми переменными, а затем независимые переменные исключаются из анализа по одной на каждом шаге до достижения модели лишь с теми переменными, которые наиболее значимы для регрессии. Следует учесть, что обе описываемые процедуры могут давать разный конечный набор независимых переменных .
Популярное: Почему стероиды повышают давление?: Основных причин три... Как построить свою речь (словесное оформление):
При подготовке публичного выступления перед оратором возникает вопрос, как лучше словесно оформить свою... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (234)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |