Категории: ДомЗдоровьеЗоологияИнформатикаИскусствоИскусствоКомпьютерыКулинарияМаркетингМатематикаМедицинаМенеджментОбразованиеПедагогикаПитомцыПрограммированиеПроизводствоПромышленностьПсихологияРазноеРелигияСоциологияСпортСтатистикаТранспортФизикаФилософияФинансыХимияХоббиЭкологияЭкономикаЭлектроника |
Расчет и оценка уравнения множественной регрессии средствами ExcelПостроить модель множественной линейной регрессии, которая позволит оценить объем товарооборота на ближайшую перспективу при заданных параметрах независимых переменных: «оборачиваемость товаров» и «удельный вес товаров с высокими торговыми надбавками». Исходные данные представлены в таблице 18.
Таблица 18 - Исходные данные
Выполнение: При построении модели множественной регрессии целесообразнее обратиться к инструменту Excel Регрессия, который предлагает исчерпывающую статистическую информацию о ее параметрах и качестве. Порядок работы с инструментом Регрессия определяется соответствующим окном диалога. Его можно вызвать через команду Анализ данных из контекстного меню панели Сервис. Диалоговое окно Регрессия предлагает пользователю определиться с набором следующих параметров (рис. 32).
Рисунок 32 - Окно диалога «Регрессия»
Так, в первом разделе выходного массива «Регрессионная статистика» (см. ячейки А4:В8 табл. 19) приведены основные статистические характеристики общего качества уравнения: коэффициент множественной корреляции R, коэффициент детерминации R2, стандартная ошибка оценки. Значение R2, равное 0,892, свидетельствует о том, что на основе полученного уравнения регрессии можно объяснить 89,2 % вариации объема товарооборота. Статистические характеристики второго раздела выходного массива «Дисперсионный анализ» (ячейки A10:F14) позволяют оценить меру разброса (дисперсию) зависимой переменной у и остаточной вариации (дисперсии) отклонений вокруг линии регрессии. Так, значение SSр (ячейка С12) характеризует часть дисперсии, объясненную регрессией, а SSо (ячейка С13) — часть дисперсии, не объясненной регрессией из-за наличия ошибок ε. При проведении регрессионного анализа особый интерес представляет изменение этих значений по мере введения каждого регрессора. Качество модели улучшится, если после введения в нее нового фактора значение объясненной части дисперсии возрастет, а не объясненной — снизится. В ячейках D12:D13 отражены соответственно дисперсия исходного ряда (МSp = SSp / df, где df = k — см. ячейку В12) и несмещенная дисперсия остаточной компоненты (MS0 = SS0 / df, где df = п - k - 1 — см. ячейку В13). В ячейке F12 второго раздела выходного массива приведен уровень значимости для оцененного F.Значения F-статистики (53,72) выглядит вполне допустимым, поскольку уровень значимости для нее (5,2•107) остается гораздо ниже 5%-ного предела, принятого для табличных F-статистик. Следовательно, есть основания ожидать, что F-наблюдаемое будет больше Fкрит. Оценив на основе первого и второго разделов выходного массива общее качество модели связи и убедившись в ее значимости, можем перейти к третьему разделу (см. ячейки A16:G19 табл. 19), который содержит детальную информацию о параметрах уравнения регрессии. Приведенные в ячейках В17:В19 значения параметров (коэффициентов) уравнения позволяют придать формальный вид модели, построенной с помощью регрессионного анализа: у = 71650,26 – 1098,94х1 + 255,838х2, где х1 — оборачиваемость товаров, дни; х2 - удельный вес товаров с высокими торговыми надбавками, %. Оценить значимость каждого параметра позволяют значения t-статистики (см. ячейки D17:D19). Можно использовать приведенный в выходном массиве уровень значимости (см. ячейки Е17:Е19): если он не превышает 0,05 (т.е. 5%-ного уровня), то рассчитанные характеристики t-статистики будут больше табличного значения. Следовательно, статистическая значимость рассчитанных параметров уравнения весьма высока. И, наконец, наряду с точечными значениями коэффициентов регрессии третий раздел выходного массива позволяет получить их интервальные оценки с доверительной вероятностью 95 % (см. ячейки F17:G19 табл. 19): 58598,85 < b < 84701,68; -1370,81 < m1 < -827,08; 68,597 < m2 < 443,079. На основании изложенного можно с 95%-ной уверенностью утверждать, что параметры уравнения содержат информацию, значимую для расчета исследуемого показателя. Таблица 19 - Регрессионный анализ
Список рекомендуемой литературы
Основная учебная литература
1. Курс лекций по экономико-математическим методам и моделям. – Могилев, МГУП, 2004. 2. Спирин А.А., Фомин Г.П. Экономико-математические методы и модели в торговле: Учебное пособие для экономических и товароведных факультетов торговых вузов. – М.: Экономика, 1988. – 149 с. 3. Экономико-математические методы и модели: Учебное пособие / Н.И. Холод, А.В. Кузнецов, Я.Н. Жихар и др. // Под общ. ред. А.В. Кузнецова. - Мн.: БГЭУ,1999. – 413 с.
Дополнительная литература 4. Багриновский К.А., Матюшонок В.М. Экономико-математические методы и модели (микроэкономика): Учебное пособие для вузов. – М.: Изд-во РУДН, 1999. – 183 с.: ил. 5. Балашевич В.А., Андронов A.M. Экономико-математическое моделирование производственных систем: Учебное пособие для вузов. – Мн.: Унiверсiтэцкае, 1995. – 240 с. 6. Бережная Е.В., Бережной В.И. Математические методы моделирования экономических систем: Учеб. пособие. – М.: Финансы и статистика, 2001. – 368 с.: ил. 7. Гарнаев А.Ю. Использование MS Excel и VBA в экономике и финансах. – СПб.: БХВ – Санкт-Петербург, 1999. – 336 с. 8. Кузнецов А.В. и др. Высшая математика: Математическое программирование: Учебник / Кузнецов А.В., Сакович В.А., Холод Н.И. // Под общ. ред. А.В. Кузнецова. – Мн.: Выш. шк., 1994. – 286 с. 9. Курицкий Б.Я. Поиск оптимальных решений средствами Excel 7.0. – СПб.: ВНV–Санкт-Петербург, 1997. – 384 с., ил. 10. Лабскер Л.Г., Бабешко Л.О. Теория массового обслуживания в экономической сфере: Учебное пособие для вузов. – М.: Банки и биржи, ЮНИТИ, 1998. – 319 с. 11. Федосеев В.В., Эриашвили Н.Д. Экономико-математические методы и модели в маркетинге: Учебное пособие для вузов / Под редакцией В.В. Федосеева. – М.: ЮНИТИ-ДАНА, 2001. – 159 с. 12. Черняк А.А., Новиков В.А., Мельников О.И., Кузнецов А.В. Математика для экономистов на базе Mathcad. – СПб.: БХВ-Петербург, 2003. – 496 с. 13. Четыркин Е.М. Статистические методы прогнозирования. – М.: Статистика, 1977. – 184 с. 14. Шелобаев С.И. Математические методы и модели в экономике, финансах, бизнесе: Учеб. пособие для вузов. – М.: ЮНИТИ-ДАНА, 2000. – 367 с. 15. Экономико-математические методы и модели. Компьютерные технологии решения: Учебное пособие / И.Л. Акулич, Е.И. Велесько и др. – Мн.: БГЭУ, 2003. – 348 с. 16. Экономико-математические методы и прикладные модели: Учебно-методическое пособие для студентов II и III курса всех специальностей / Всероссийский заочный финансово-экономический институт: В.А. Половников, И.В. Орлова, А.Н. Гармаш, В.В. Федосеев. – М.: Финстатинформ, 1997. – 104 с.
Приложение А Критические значения F-критерия (распределение Фишера)
В таблице приведены значения F-критерия при 5%-ном и 1%-ном уровнях значимости в зависимости от числа степеней свободы v1 = k для столбца и v2 = (n - k - 1) для строки.
Таблица А.1
Продолжение таблицы А.1
Приложение Б |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Последнее изменение этой страницы: 2016-08-11 lectmania.ru. Все права принадлежат авторам данных материалов. В случае нарушения авторского права напишите нам сюда... |