ошибка регрессии Sb2 = 0,010504. Фактическое значение критерия Стьюдента
= 2,29165 > 2,07387, то есть значение критерияпопадает в одну из критических областей. Отсюда делаем вывод, что коэффициент регрессии b2 признается значимым.
Чтобы сравнить влияние различных факторов на результирующий показатель, следует сравнить коэффициенты корреляции между каждым из этих факторов и результирующим показателем rXj,Y. Для этого воспользуемся функцией =КОРРЕЛ(массив1;массив2).
Влияние фактора 1: коэффициент корреляции rX1,Y = 0,8314657
Влияние фактора 2: коэффициент корреляции rX2,Y = 0,7695045.
Для фактора Х1 коэффициент корреляции больше rX1,Y = 0,8314657 > rX2,Y = 0,7695045, поэтому фактор 1 (численность служащих) сильнее влияет на результирующий показатель (чистый доход).
Статистические выводы о качестве уравнения регрессии будут обоснованными только в том случае, если выполняются определенные условия относительно свойств случайного отклонения, называемые предпосылками метода наименьших квадратов (МНК). Если предпосылки МНК не выполняются, могут быть существенные проблемы с интерпретацией полученных выводов. Поэтому, построив уравнение регрессии, необходимо проверить выполнение этих условий.
Наиболее наглядный способ проверки состоит в построении диагностической диаграммы: поля корреляции между случайными отклонениями (ошибками прогнозирования) еi и прогнозируемыми значениями результирующего показателя ŷi. Значения случайного отклонения откладываются по вертикальной оси, прогнозируемые значения результирующего показателя - по горизонтальной оси (рис.7).
Возможные варианты интерпретации структуры диагностической диаграммы приведены в таблице 9. Таблица 9. Интерпретация диагностической диаграммы
Структура диагностической диаграммы | Интерпретация |
Явная взаимосвязь отсутствует | Никаких проблем не обнаружено |
Заметна линейная или нелинейная взаимосвязь - присутствует автокорреляция остатков, при этом одно или несколько значений могут резко отклоняться | По-видимому, данные связаны нелинейной связью. Качество уравнения можно повысить, воспользовавшись нелинейной регрессией или добавив в уравнение новую переменную |
Дисперсия случайных отклонений различается для разных значений ŷi - присутствует гетероскедастичность | Прогнозы, сделанные на основании этого уравнения, недостаточно точны. Для улучшения качества уравнения необходимо устранить гетероскедастичность |
Рисунок 7. Диагностическая диаграмма. По виду диагностической диаграммы можно сделать вывод: точки расположены хаотично, явная взаимосвязь отсутствует, поэтому никаких проблем не обнаружено.
Проверим наличие автокорреляции с помощью критерия Дарбина-Уотсона при уровне значимости 0,01. Упорядочим случайные отклонения по возрастанию значений фактора Х и составим вспомогательную таблицу (табл.10).
Критерий Дарбина - Уотсона рассчитывается по формуле: (14)
Для определения критических точек воспользуемся таблицей критических точек Дарбина-Уотсона: при уровне значимости a = 0,01, двух независимых переменных m=2, и числе наблюдений n=25, dl = 0,981 и du = 1,303.
Так как du < dw < 4 - du (0,981 < 1,253 < 2,697), то можно сделать вывод, что автокорреляция
Похожие работы
Тема: Построение модели множественной регрессии |
Предмет/Тип: Менеджмент (Контрольная работа) |
Тема: Построение и анализ модели множественной регрессии |
Предмет/Тип: Менеджмент (Курсовая работа (т)) |
Тема: Построение модели множественной регрессии в MS Excel |
Предмет/Тип: Отсутствует (Контрольная работа) |
Тема: Построение классической линейной модели множественной регрессии |
Предмет/Тип: Менеджмент (Практическое задание) |
Тема: Построение и тестирование адекватности эконометрических моделей множественной регрессии: выбор функциональной формы модели |
Предмет/Тип: Менеджмент (Курсовая работа (т)) |
Интересная статья: Быстрое написание курсовой работы