Сущность корреляционно-регрессионного анализа
Корреляционнo-регрессионный анализ- используется для исследования форм связи, устанавливающих количественные соотношения между случайными величинами изучаемого процесса. В социально-экономическом прогнозировании этот метод применяют для построения условных прогнозов. При этом значение независимой переменной (Х) нам известно по предположению. В процессе прогнозирования оно может быть использовано нами для оценки зависимой переменной (Y). Функция регрессии Y = f(X1, X2, X3, X4,…Xm) показывает, каким будет в среднем значение переменной Y, если переменные X примут конкретное значение.
Переменная Y, характеризующая результат, формируется под воздействием других переменных и факторов. Поэтому она всегда стохастична (случайна) по природе. Переменные Х (объясняющие переменные), характеризуют причину. Они поддаются регистрации, а часть из них планированию и регулированию. Значения ряда переменных Х могут задаваться "извне" прогнозируемой системы. По своей природе объясняющие переменные могут быть случайными и неслучайными. Регрессионные остатки ε - это латентные (скрытые) случайные компоненты, влияющие на Y, а также случайные ошибки в измерении анализируемых результирующих переменных.
В зависимости от количества исследуемых переменных различают парную и множественную корреляцию.
Парная корреляция - корреляционные связи между двумя переменными. Примерами парной корреляции могут служить зависимости между уровнем образования и производительностью труда, между ценой товара и спросом на него, между качественными параметрами товара и ценой. Экономико-математические модели, построенные с учетом такого рода взаимосвязей, называют однофакторными моделями. Следует отметить, что в практике прогнозирования экономических явлений однофакторные модели занимают значительное место, что определяется простотой вычислительного процесса и ясностью экономической интерпретации результатов.
Множественная корреляция - корреляционные взаимосвязи между несколькими переменными. В качестве примеров множественной корреляции можно привести зависимость спроса на товар от цены, уровня доходов населения, расходов на рекламу; зависимость объема выпускаемой продукции от размера инвестиций, технического уровня оборудования, численности занятых в процессе производства.
Примеры корреляционных зависимостей
1.Примером использования корреляционной зависимости для прогнозирования и принятия управленческих решений могут служить кривые спроса и предложения, на основе которых строятся модели, описывающие последствия изменения цен.
2.В конце ХIХ века немецкий статистик Э. Энгель сформулировал законы и построил кривые, согласно которым с ростом дохода доля расходов на питание сокращается, доля расходов на одежду и жилище остается неизменной, а расходов на образование и лечение – увеличивается. Данные кривые послужили исходным пунктом построения различных моделей, описывающих поведение покупателей при изменении их доходов и соответственно используемых при прогнозировании спроса на товары и услуги.
3.Немецкий исследователь Г.Госсен сформулировал утверждения о зависимости потребительской оценки полезности от количества благ и дал им математическую интерпретацию.
4.Примерами множественной корреляции могут служить различные модели экономического роста (модель Е.Домара, модель Р.Ф.Харрода, модель Р.Солоу), описывающие зависимость реального дохода в экономике от наиболее значимых факторов.
5.В конце 60-х годов ХХ века эмпирическим путем была установлена закономерность снижения переменных издержек на производство единицы продукции на 10-30 % при каждом удвоении объема производства. Данная зависимость получила название кривая опыта. Она лежит в основе многих концепций деловой стратегии.
При анализе временных рядов часто встречается ложная корреляция, когда параллельно повышаются или снижаются показатели, на самом деле совершенно не зависящие друг от друга. Ложная корреляция - это отсутствие причинной связи между явлениями, связанными корреляционной связью.
Регрессионный анализ - часть теории корреляции. В процессе регрессионного анализа решаются задачи выбора независимых переменных, существенно влияющих на зависимую величину, определение формы уравнения регрессии, оценивание параметров.
Мы рассмотрим модель линейной регрессии, как наиболее доступную для понимания и довольно часто используемую на практике. Множественные модели также находят практическое применение, но обычно для их построения используются пакеты прикладных программ. Проблема, с которой сталкивается прогнозист при использовании пакетов прикладных программ, заключается в оценке адекватности отображения действительности и будущих взаимосвязей в регрессионных моделях и корректное их использование для прогнозирования будущего.
7.3. Прогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур
1. Сбор исходной информации.
2. Качественный анализ взаимосвязи исследуемых показателей, определение причинно-следственной связи между анализируемыми характеристиками.
3. Оценка тесноты связи. Расчет коэффициента корреляции.
Коэффициент корреляции (R) - характеризует тесноту связи между случайными величинами (Х, У), может быть рассчитан по формуле 40.
Rx,y= (40),
По численному значению коэффициента корреляции можно сделать следующие выводы:
R = 0 - рассматриваемые величины не взаимосвязаны;
R = 1 - имеет место прямая функциональная зависимость, изменение значений переменных однонаправленное, при увеличении одной переменной другая тоже увеличивается;
R = -1 - имеет место обратная функциональная зависимость, изменение значений переменных разнонаправленное, при увеличении одной переменной, другая уменьшается.
В практике расчетов мы можем получить значения коэффициентов близкие к одной из названных величин. По абсолютному значению коэффициента корреляции можно прийти к следующим заключениям:
0 R< 0,2 - связи практически нет,
0,2 R< 0,5 - связь слабая,
0,5 R< 0,75 - связь заметная,
0,75 R< 0,95 - связь тесная,
0,95 R 1 - связь близкая к функциональной.
На практике принято строить прогнозы на основе взаимосвязей с коэффициентом корреляции от 0,75 до 1.
Виды корреляционных зависимостей показаны на рисунке 5.
y . y .. :: ..× . y ..
× ...× . ..× . : ::× .×
. .. : : . : × : .. ...× :
. . . : . : . × . ..::: × ×..
х х х
1 2 3
Рис. 5. Виды корреляционных зависимостей
(1 - переменные Х и У не коррелируются; 2 - слабая положи-
тельная корреляция; 3 - сильная отрицательная корреляция)
4. Расчет параметров уравнения регрессии. Корреляционное уравнение (уравнение регрессии) - математическое описание корреляционных связей. Оценка параметров уравнения регрессии осуществляется методом наименьших квадратом на основе следующих формул (41, 42, 43).
Y = a + b*X (41),
b= (42), a = (43),
где n – объем выборки.
5. Оценка значимости, типичности.
6. Задание условий прогнозного периода (вероятных значений параметра X).
7. Прогнозирование возможных значений параметра Y при заданных значениях параметра X.
Дата добавления: 2016-04-22; просмотров: 2020;