Анализ матрицы коэффициентов парных корреляций для абсолютных величин

4. Анализ матрицы коэффициентов парных корреляций для абсолютных величин

Таблица 5

№ фактора	Y	X1	X2	X3	X4	X5	X6
Y	1.00	0.52	-0.22	-0.06	-0.23	0.44	0.12
X1	0.52	1.00	0.38	0.52	0.38	0.74	0.60
X2	-0.22	0.38	1.00	0.91	1.00	0.68	0.74
X3	-0.06	0.52	0.91	1.00	0.91	0.86	0.91
X4	-0.23	0.38	1.00	0.91	1.00	0.67	0.74
X5	0.44	0.74	0.68	0.86	0.67	1.00	0.85
X6	0.12	0.60	0.74	0.91	0.74	0.85	1.00

Из таблицы 4 находим тесно коррелирующие факторы. Налицо мультиколлениарность факторов Х2 и Х4 . Оставим только один фактор Х2 . Так же достаточно высокий коэффициент корреляции ( 0.91 ) между факторами Х2 и Х3 . Избавимся от фактора Х3 .

5. Построение уравнения регрессии для абсолютных величин

Проведём многошаговый регрессионный анализ для оставшихся факторов : Х1 , Х2 , Х5 , Х6 .

а) Шаг первый .

Y = 12. 583 + 0 * X1 + 0.043 * X2 + 0.021 * X5 - 0.368 * X6

Коэффициент множественной корреляции = 0.861

Коэффициент множественной детерминации = 0.742

Сумма квадратов остатков = 32.961

t1 = 0.534 *

t2 = 2.487

t5 = 2.458

t6 = 0.960 *

У фактора Х1 t-критерий оказался самым низким . Следовательно фактором Х1 можно пренебречь . Вычеркнем этот фактор .

б) Шаг второй.

Y = 12.677 - 0.012 * X2 + 0.023 * X5 - 0.368 * X6

Коэффициент множественной корреляции = 0.854

Коэффициент множественной детерминации = 0.730

Сумма квадратов остатков = 34.481

t2 = 2.853

t5 = 3.598

t6 = 1.016 *

У фактора Х6 t-критерий оказался самым низким . Следовательно фактором Х6 можно пренебречь . Вычеркнем этот фактор .

в) Шаг третий .

Y = 12.562 - 0.005 * X2 + 0.018 * X5

Коэффициент множественной корреляции = 0.831

Коэффициент множественной детерминации = 0.688

Сумма квадратов остатков = 39.557

t2 = 3.599

t5 = 4.068

В результате трёхшаговой регрессии мы получили рабочее уравнение.

6. Анализ матрицы коэффициентов парных корреляций для относительных величин

Таблица 5

№ фактора	Y	X1	X2	X3	X4	X5	X6
Y	1.00	0.14	-0.91	0.02	-0.88	-0.01	-0.11
X1	0.14	1.00	-0.12	-0.44	-0.17	-0.09	0.02
X2	-0.91	-0.12	1.00	-0.12	0.98	-0.01	-0.38
X3	0.02	-0.44	-0.12	1.00	0.00	0.57	0.34
X4	-0.88	-0.17	0.98	0.00	1.00	0.05	-0.05
X5	-0.01	-0.09	-0.01	0.57	0.05	1.00	0.25
X6	-0.11	0.02	-0.38	0.34	-0.05	0.25	1.00

В таблице выявляем тесно коррелирующие факторы. Таким образом, не трудно заметить достаточно высокий коэффициент корреляции между факторами Х2 и Х4. Избавимся от Х2

7. Построение уравнения регрессии для относительных величин

 а) Шаг первый .

Y = 25,018+0*Х1+

Коэффициент множественной корреляции = 0,894

Коэффициент множественной детерминации = 0.799

Сумма квадратов остатков = 26,420

t1 = 0,012*

t2 = 0,203*

t3 =0.024*

t4 =4.033

t5 = 0.357*

t6 = 0.739 *

У фактора Х1 t-критерий оказался самым низким . Следовательно фактором Х1 можно пренебречь . Вычеркнем этот фактор .

б) Шаг второй .

Y = e ^3.141 * X2^(-0.722) * X5^0.795 * X6^(-0.098)

Коэффициент множественной корреляции = 0.890

Коэффициент множественной детерминации = 0.792

Сумма квадратов остатков = 0.145

t2 = 4.027

t5 = 4.930

t6 = 0.623 *

У фактора Х6 t-критерий оказался самым низким . Следовательно фактором Х6 можно принебречь . Вычеркнем этот фактор .

в) Шаг третий .

Y = e ^3.515 * X2^(-0.768) * X5^0.754

Коэффициент множественной корреляции = 0.884

Коэффициент множественной детерминации = 0.781

Сумма квадратов остатков = 0.153

t2 = 4.027

t5 = 4.930

В результате трёхшаговой регрессии мы получили рабочее уравнение :

Y =

Экономический смысл модели :

При увеличении расходов на подготовку и освоение производства производительность труда будет увеличиваться . Это означает что на данных предприятиях есть резервы для расширения производства , для введения новых технологий и инноваций с целью увеличения прибыли .

При увеличении заработной платы производительность труда будет снижаться . Это , скорее всего , будет происходить из-за того , что рабочие на данных предприятиях получают и так высокие зарплаты , либо фонд заработной платы используется по максимуму и дальнейший его рост приведёт к непредвиденным расходам .

8. Сравнительный анализ линейной и степенной моделей

Сравнивая линейную и степенную регрессионную модель видим , что статистические характеристики степенной модели превосходят аналогичные характеристики линейной модели . А именно : коэффициент множественной детерминации у степенной модели равен 0.781 , а у линейной - 0.688 . Это означает , что факторы , вошедшие в степенную модель , объясняют изменение производительности труда на 78.1 % , тогда как факторы , вошедшие в линейную модель , - на 68,8 % ; сумма квадратов остатков степенной модели ( 0.153 ) значительно меньше суммы квадратов остатков линейной модели ( 39.557 ) . Следовательно значения полученные с помощью степенной модели близки к фактическим .

Список литературы

Для подготовки данной работы были использованы материалы с сайта http://www.cooldoclad.narod.ru/