Коэффициент линейной корреляции
равен 0,3 ≤ = ≤0,7. Это говорит о
том, что связь между изучаемым показателем (Y) и
фактором умеренная.
Аналогично оценивается влияние
остальных факторов на изучаемый показатель (Y).
=
Коэффициент линейной корреляции
равен 0,3 ≤ = ≤0,7. Это говорит о
том, что связь между изучаемым показателем (Y) и
фактором Х2 умеренная.
=
Коэффициент линейной корреляции
равен = < 0,3. Это говорит о
том, что связь между изучаемым показателем (Y) и
фактором Х3 слабая.
=
Коэффициент линейной корреляции
равен 0,3 ≤ = ≤0,7. Это говорит о
том, что связь между изучаемым показателем (Y) и
фактором Х4 умеренная.
Коэффициент линейной корреляции
равен 0,7 < = Это говорит о том, что
связь между изучаемым показателем (Y) и фактором Х5
близка к линейной (тесная).
Коэффициент линейной корреляции
равен 0,7 < = Это говорит о том, что
связь между изучаемым показателем (Y) и фактором Х6
близка к линейной (тесная).
Коэффициент линейной корреляции
равен 0,7 < = Это говорит о том, что
связь между изучаемым показателем (Y) и фактором Х7
близка к линейной (тесная).
Коэффициент линейной корреляции
равен 0,7 < = Это говорит о том, что
связь между изучаемым показателем (Y) и фактором Х8
близка к линейной (тесная).
Влияние факторов друг на друга
рассчитывается аналогично. Все полученные данные представим в таблице.
Таблица 3.
Y
X1
X2
X3
X4
X5
X6
X7
X8
Y
1
X1
-0,41056
1
X2
-0,62049
0,817335
1
X3
-0,14167
0,750202
0,304572
1
X4
0,684791
-0,31544
-0,63666
-0,13627
1
X5
0,863179
-0,39974
-0,4795
-0,21126
0,494364
1
X6
0,984045
-0,36981
-0,55741
-0,09167
0,560132
0,89804
1
X7
0,719717
-0,08272
-0,45151
0,36154
0,360766
0,610648
0,762909
1
X8
0,752448
-0,40384
-0,42926
-0,26069
0,440197
0,978356
0,790727
0,493109
1
Из свойств корреляции известно,
что если > 0, то связь прямая (); если < 0, то связь обратная ). Факторы (Х1), (Х3), (Х2)
имеют обратную связь с ицпу, то есть если индекс цен платных услуг растет, они
падают, и наоборот. Факторы (Х4), (Х5), (Х6), (Х7), (Х8) имеют прямую связь с
индексом цен платных услуг (вместе с ним растут или падают).
Самая сильная связь наблюдается
между индексом цен платных услуг и железнодорожным транспортом. Самая слабая
связь наблюдается между обрабатывающим производством и производством и
распределением электроэнергии, газа и воды.
2. Используя процедуру выбора факторов, предложить и построить линейные
регрессионные модели изучаемого показателя. Оценить качество моделей
При процедуре выбора факторов
должны выполняться следующие условия:
Факторы должны быть
количественно измеримы или допускать кодировку. В нашем случае это условие
выполняется.
Факторы должны "объяснять"
поведение изучаемого показателя согласно принятым положениям экономической
теории. Это должно подтверждаться индексами корреляции факторов с показателями.
Это условие тоже выполняется, так как для всех факторов индексы корреляции
рассчитаны.
Факторы не должны находиться в
точной функциональной связи (допустим, коллинеарной). Включение в модель
факторов с индексами корреляции, близкими по модулю к единице может привести к
нежелательным последствиям:
1) факторы будут дублировать
друг друга, и будет затруднена экономическая интерпретация параметров модели;
2) система уравнений для
определения параметров может оказаться плохо обусловленной и повлечь
ненадежность полученных уравнений регрессии т нежелательность их использования
для анализа и прогноза.
При наличии корреляции ≥0,7
между факторами один из них следует исключить. Оставить рекомендуется тот,
который при достаточно тесной связи с показателем имеет более слабую связь с
другими факторами.
Рассмотрим таблицу 3, используя
метод исключения, отберем факторы для построения регрессионных моделей. Так как
связь между факторами должна быть слабой, исключим все факторы, коэффициент
корреляции которых больше или равен по модулю 0,3. Для построения модели
оставляем факторы сильно или умеренно влияющие на данный показатель, то есть
коэффициент корреляции должен быть больше или равен 0,3.
Следующее необходимое условие
при построении регриссионных моделей: Число включаемых факторов должно в 6 раз
меньше объема наблюдений, по которым строится регрессия. N-число
наблюдений в нашем случае равно 12. Тогда m ≤ , то
есть m=1 или m=2.
Число параметров при факторах в
линейной модели совпадают с их количеством: m=p.
Итак, можно предложить следующие
регрессионные модели:
1.
2. .
3. .
Используя инструмент РЕГРЕССИЯ,
оценим 1 модель.
1 этап. Оценка значимости модели
в целом.
Таблица 4.
ВЫВОД ИТОГОВ
Регрессионная статистика
Множественный R
0,985324602
R-квадрат
0,970864572
Нормированный R-квадрат
0,963580715
Стандартная ошибка
0,453164887
Наблюдения
11
Дисперсионный анализ
df
SS
MS
F
Значимость F
Регрессия
2
54,74441
27,3722
133,289901
0,00000072
Остаток
8
1,642867
0, 205358
Итого
10
56,38727
Модель линейной регрессии с двумя фактором Х1 и X6
значима в целом согласно F-критерию (F=133,2899) с приемлемым уровнем значимости 0,00000072 ≤
0,05