Сделать выводы по полученным результатам
С помощью коэффициента эластичности определим силу влияния фактора на результативный показатель
Рассчитаем параметры линейного уравнения множественной регрессии
Оценим качество построенного уравнения с помощью средней ошибки аппроксимации
Определим прогнозное значение результата, если прогнозные значения факторов составляют 80 % от их максимальных значений
Сделать выводы по полученным результатам
Построим авторегрессионную модель временного ряда
Навигация
Оценим качество построенного уравнения с помощью средней ошибки аппроксимации
Линейный множественный регрессивный анализ
47795
знаков
19
таблиц
14
изображений
4. Оценим качество построенного уравнения с помощью средней ошибки аппроксимации.
Проведем необходимые дополнительные расчеты с вспомогательной таблицей (графа 11 Приложения 6). На основе полученных данных найдем значение средней ошибки аппроксимации:
Полученное значение средней ошибки аппроксимации подтверждает удовлетворительную точность построенной модели.
5. Используя метод многошагового регрессионного анализа, построим регрессионную модель только со значимыми факторами и оценим ее параметры.
Поскольку модель со всеми заданными факторами уже построена, и значимость каждого фактора рассчитана, можем перейти к следующему шагу анализа, исключив из модели самый незначимый фактор.
Исключаем фактор Х6 - оценка ВВП по паритету покупательной способности в 1994 г. на душу населения (в % к США). Строим новую модель с оставшимися факторами:
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).
Похожие работы
... , что найденный вариант является наилучшим. В современных условиях даже не значительные ошибки могут привести к огромным потерям. В связи с этим возникла необходимость привлечения к анализу и синтезу экономических систем оптимизационных экономико-математических методов и ЭВМ, что создает основу для принятия научно обоснованных решений. Такие методы объединяют в одну группу под общим названием « ...
... - Социальное развитие – 107,3 тыс. грн. - Материальное поощрение – 422,8 тыс. грн. - Другие цели – 51,4 тыс. грн. Вывод Анализ хозяйственной деятельности института позволяет сделать следующие выводы: Институт ЮжНИИгипрогаз является акционерным обществом открытого типа уставный фонд которого сформирован за счет выпуска акций суммарной номинальной стоимостью 1628,7 тыс. грн.; Институт ...
... до 30,4 ц. Значение стандартной ошибки апраксимаци значительно, поэтому прогноз будет носить условный характер. Заключение Статистико-экономический анализ удоя молока от одной коровы по 30 хозяйствам подтвердил сложную экономическую ситуацию, сложившуюся в России в молочном животноводстве. Низкая продуктивность животных, большие затраты на средства производства, топлива и энергию приводят к ...
... между варьирующими признаками, определению неизвестных причинных связей и оценке факторов оказывающих наибольшее влияние на результативный признак. Задачи регрессионного анализа лежат в сфере установления формы зависимости, определения функции регрессии, использования уравнения для оценки неизвестных значении зависимой переменной. Решение названных задач опирается на соответствующие приемы, ...
0 комментариев