Категории: ДомЗдоровьеЗоологияИнформатикаИскусствоИскусствоКомпьютерыКулинарияМаркетингМатематикаМедицинаМенеджментОбразованиеПедагогикаПитомцыПрограммированиеПроизводствоПромышленностьПсихологияРазноеРелигияСоциологияСпортСтатистикаТранспортФизикаФилософияФинансыХимияХоббиЭкологияЭкономикаЭлектроника |
Прогнозирование с использованием парной регрессииПроанализировать тесноту связи между товарооборотом торгового предприятия и оборачиваемостью товаров и найти уравнение парной регрессии, которое наилучшим образом опишет изучаемую зависимость. Исходные данные представлены в таблице 15.
Таблица 15 - Исходные данные для поиска уравнения связи переменных
Выполнение: Чтобы найти уравнение парной регрессии, которое наилучшим образом опишет изучаемую зависимость, обратимся к графическому методу. С помощью Мастера диаграмм построим точечную диаграмму зависимости товарооборота от оборачиваемости товаров (см. рис. 29).
Рисунок 29 - График зависимости товарооборота от товарооборачиваемости товаров
После того как диаграмма построена, необходимо обратиться к команде Excel «Добавить линию тренда» из контекстного меню панели Диаграмма. Учитывая возможности Excel, оценим качество аппроксимации базовых данных каждым из пяти предлагаемых окном диалога Линии тренда типом линий: для линейного уравнения R2 = 0,8197; для уравнения логарифмической кривой R2 = 0,8216; для уравнений полинома 4-й степени R2 = 0,8287; для уравнения степенной кривой R2 = 0,8155; для уравнения экспоненциальной кривой R2 = 0,8142. Полученные результаты свидетельствуют, что наиболее адекватно (судя по величине R2) отражают зависимость товарооборота от изменения товарооборачиваемости кривые, построенные на основе уравнений полиномов 4-й степени. На рис. 28 приведена кривая роста, которую описывает уравнение полинома 4-й степени. Рассчитанный Excel коэффициент R2 (0,8287) указывает на достаточно высокое качество приближения базовых данных.
Рисунок 30 - Аппроксимация базовых данных полиномиальной кривой роста
Проведем оценку статистической значимости параметров уравнения полинома 4-й степени, построенного на основе соответствующего массива базовых данных (табл. 16, ячейки A2:F18) с помощью функции ЛИНЕЙН. Для формирования выходного массива значений параметров уравнения и статистических характеристик обозначим диапазон ячеек В20:F24. При определении в диалоговом окне ЛИНЕЙН аргументов функции формируется следующая формула массива: =ЛИНЕЙН(В3:В18;С3:F18;ИСТИНА;ИСТИНА). В первой строке массива результатов, отображенного функцией ЛИНЕЙН после нажатия клавиш Ctrl + Shift + Enter (ячейки В20:F24 табл. 18), находим уточненные в ходе математических расчетов значения параметров уравнения.
Таблица 16 - Оценка статистической значимости модели регрессии с помощью функции ЛИНЕЙН (уравнение полинома 4-й степени)
Вывод: Модель связи товарооборота (у) и оборачиваемости товаров (х), построенная на основе уравнения полинома 4-й степени, имеет вид: у = 3693352 - 419248х + 17765,93х2 - 330,07х3 + 2,269х4. Заметьте, что рассчитанный в массиве Статистика коэффициент R2, равный 0,8287 (ячейка В22), соответствует значению R2, приведенному на рис. 27. В нашем примере (см. табл. 18) значения всех рассчитанных параметров уравнения (ячейки В20:F20) меньше по модулю значений их стандартных ошибок (ячейки В21:F21). Следовательно, надежность оценок параметров регрессии не может быть признана удовлетворительной и составленную модель не следует применять для прогнозирования исследуемого показателя. Используя линии тренда Excel, найдем уравнение другой кривой, для которой значение R2 будет наибольшим. Таким образом, наилучшее качество аппроксимации исходных данных достигается в случае уравнения логарифмической кривой (см. рис. 31).
Рисунок 31 - Аппроксимация базовых данных логарифмической кривой роста
Статистическую надежность сделанной оценки можно проверить с помощью F-критерия, расчетное значение которого в случае парной регрессии определяют на основе следующей формулы: . Итак, для уравнения парной регрессии с коэффициентом R2, равным 0,8216, F = 64,5. По таблице F-распределения (см. прил. А) находим, что при 5%-ном уровне значимости для распределения Фишера с (1;14) степенями свободы Fкрит = 4,60. Поскольку 64,5 > 4,60, можно сделать вывод об адекватности и достаточной точности модели. Следовательно, при условии сохранения существовавшей ранее взаимосвязи переменных на период упреждения модель вида у = -49619ln(х) + 216503 может быть использована для прогнозирования. Чтобы составить прогноз объема товарооборота на 17-й месяц, осталось определить значение переменной х (т.е. оборачиваемости товаров) для данного месяца. Это значение может быть получено (в зависимости от характера показателя) на основе экстраполяционных методов, методов экспертных оценок или непосредственно задано составителем прогноза. Так, будем полагать, что рассматриваемое торговое предприятие на 17-й месяц планирует проведение определенных рекламных мероприятий и выставки-продажи, что по оценкам специалистов позволит ускорить оборачиваемость товаров в среднем на 1,5 дня. В этом случае товарооборачиваемость по предприятию в прогнозируемом месяце составит 37,5 дня. Прогноз объема товарооборота можно получить, создав соответствующую модели формулу в любой (предварительно выделенной) ячейке рабочего листа. Выделим, к примеру, ячейку В19 (см. табл. 17) и внесем в нее следующую формулу: «=-49619*ln(37,5)+216503». После нажатия клавиши Enter в ячейке В19 отразится прогноз объема товарооборота на 17-й месяц, равный 36 667 тыс. руб.
Таблица 17 - Прогноз товарооборота на основе уравнения логарифмической кривой
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Последнее изменение этой страницы: 2016-08-11 lectmania.ru. Все права принадлежат авторам данных материалов. В случае нарушения авторского права напишите нам сюда... |