Получение регрессионных зависимостей реферат

Обновлено: 02.07.2024

Для решения задач экономического анализа и прогнозирования очень часто используются статистические, отчетные или наблюдаемые данные. При этом полагают, что эти данные являются значениями случайной величины. Случайной величиной называется переменная величина, которая в зависимости от случая принимает различные значения с некоторой вероятностью. Закон распределения случайной величины показывает частоту ее тех или иных значений в общей их совокупности.

Вложенные файлы: 1 файл

Основы регрессионного анализа .docx

Реферат
Основы регрессионного анализа

Содержание

ВВЕДЕНИЕ

Для решения задач экономического анализа и прогнозирования очень часто используются статистические, отчетные или наблюдаемые данные. При этом полагают, что эти данные являются значениями случайной величины. Случайной величиной называется переменная величина, которая в зависимости от случая принимает различные значения с некоторой вероятностью. Закон распределения случайной величины показывает частоту ее тех или иных значений в общей их совокупности.

При исследовании взаимосвязей между экономическими показателями на основе статистических данных часто между ними наблюдается стохастическая зависимость. Она проявляется в том, что изменение закона распределения одной случайной величины происходит под влиянием изменения другой. Взаимосвязь между величинами может быть полной (функциональной) и неполной (искаженной другими факторами).

Пример функциональной зависимости выпуск продукции и ее потребление в условиях дефицита.

Неполная зависимость наблюдается, например, между стажем рабочих и их производительностью труда. Обычно рабочие с большим стажем трудятся лучше молодых, но под влиянием дополнительных факторов образование, здоровье и т.д. эта зависимость может быть искажена.

Раздел математической статистики, посвященный изучению взаимосвязей между случайными величинами, называется корреляционным анализом (от лат. correlatio соотношение, соответствие).

Основная задача корреляционного анализа это установление характера и тесноты связи между результативными (зависимыми) и факторными (независимыми) (признаками) в данном явлении или процессе. Корреляционную связь можно обнаружить только при массовом сопоставлении фактов. Характер связи между показателями определяется по корреляционному полю. Если у зависимый признак, а х независимый, то, отметив каждый случай х (i) с координатами х и yi, получим корреляционное поле.

Теснота связи определяется с помощью коэффициента корреляции, который рассчитывается специальным образом и лежит в интервалах отминус единицы до плюс единицы.

Если значение коэффициента корреляции лежит в интервале от 1 до 0,9 по модулю, то отмечается очень сильная корреляционная зависимость. В случае если значение коэффициента корреляции лежит в интервале от 0,9 до 0,6, то говорят, что имеет место слабая корреляционная зависимость. Наконец, если значение коэффициента корреляции находится в интервале от – 0,6 до 0,6, то говорят об очень слабой корреляционной зависимости или полном ее отсутствии.

Таким образом, корреляционный анализ применяется для нахождения характера и тесноты связи между случайными величинами. Не все факторы, влияющие на экономические процессы, являются случайными величинами. Поэтому при анализе экономических явлений обычно рассматриваются связи между случайными и неслучайными величинами. Такие связи называются регрессионными, а метод математической статистики, их изучающий, называется регрессионным анализом. Рассмотрим, что представляет собой эта значимость. Обозначим коэффициент детерминации, полученный при исключении из правой части уравнения переменной. При этом мы получим уменьшение объясненной дисперсии, на величину. Для оценки значимости включения переменной используется статистика, имеющая распределение Фишера при нулевом теоретическом приросте. Вообще, если из уравнения регрессии исключаются переменных, статистикой значимости исключения будет. Пошаговая процедура построения модели. Основным критерием отбора аргументов должно быть качественное представление о факторах, влияющих на зависимую переменную, которую мы пытаемся смоделировать. Очень хорошо реализован процесс построения регрессионной модели: на машину переложена значительная доля трудностей в решении этой задачи. Возможно построение последовательное построение модели добавлением и удалением блоков переменных.

Объяснение принципов работы с регрессионным анализом начнем с более простого — парного метода.

Парный регрессионный анализ

Первые действия при использовании регрессионного анализа будут практически идентичны предпринятым нами в рамках вычисления коэффициента корреляции. Три основных условия эффективности корреляционного анализа по методу Пирсона — нормальное распределение переменных, интервальное измерение переменных, линейная связь между переменными — актуальны и для множественной регрессии. Соответственно, на первом этапе строятся диаграммы рассеяния, проводится статистически-описательный анализ переменных и вычисляется линия регрессии. Как и в рамках корреляционного анализа, линии регрессии строятся методом наименьших квадратов.

Принципиальная идея регрессионного анализа состоит в том, что, имея общую тенденцию для переменных — в виде линии регрессии, — можно предсказать значение зависимой переменной, имея значения независимой.

Разность между исходным и предсказанным значениями называется остатком (с этим термином — принципиальным для статистики — мы уже сталкивались при анализе таблиц сопряженности).

Анализ соотношения исходных и предсказанных значений служит для оценки качества полученной модели, ее прогностической способности. Одним из главных показателей регрессионной статистики является множественный коэффициент корреляции К — коэффициент корреляции между исходными и предсказанными значениями зависимой переменной. В парном регрессионном анализе он равен обычному коэффициенту корреляции Пирсона между зависимой и независимой переменной. Чтобы содержательно интерпретировать множественный В, его необходимо преобразовать в коэффициент детерминации. Это делается так же, как и в корреляционном анализе — возведением в квадрат. Коэффициент детерминации Я-квадрат (К) показывает долю вариации зависимой переменной, объясняемую независимой (независимыми) переменными.

Чем больше величина коэффициента детерминации, тем выше качество модели.

Регрессионная статистика включает в себя также дисперсионный анализ. С его помощью мы выясняем: 1) какая доля вариации (дисперсии) зависимой переменной объясняется независимой переменной; 2) какая доля дисперсии зависимой переменной приходится на остатки (необъясненная часть); 3) каково отношение этих двух величин (/А-отношение). Дисперсионная статистика особенно важна для выборочных исследований — она показывает, насколько вероятно наличие связи между независимой и зависимой переменными в генеральной совокупности. Однако и для сплошных исследований (как в нашем примере) изучение результатов дисперсионного анализа небесполезно. В этом случае проверяют, не вызвана ли выявленная статистическая закономерность стечением случайных обстоятельств, насколько она характерна для того комплекса условий, в которых находится обследуемая совокупность, т. е. устанавливается не истинность полученного результата для какой-то более обширной генеральной совокупности, а степень его закономерности, свободы от случайных воздействий.

Дополнительным условием корректности множественной регрессии (наряду с интервальностью, нормальностью и линейностью) является отсутствие мультиколлинеарности — наличия сильных корреляционных связей между независимыми переменными.

Интерпретация статистики множественной регрессии включает в себя все элементы, рассмотренные нами для случая парной регрессии. Кроме того, в статистике множественного регрессионного анализа есть и другие важные составляющие.

Работу с множественной регрессией мы проиллюстрируем на примере тестирования гипотез, объясняющих различия в уровне электоральной активности по регионам России. В ходе конкретных эмпирических исследований были высказаны предположения, что на уровень явки избирателей влияют:

Дополнительная полезная статистика в анализе соотношения исходных и предсказанных значений зависимой переменной — расстояние Махаланобиса и расстояние Кука. Первое — мера уникальности случая (показывает, насколько сочетание значений всех независимых переменных для данного случая отклоняется от среднего значения по всем независимым переменным одновременно). Второе — мера влиятельности случая. Разные наблюдения по-разному влияют на наклон линии регрессии, и с помощью расстояния Кука можно сопоставлять их по этому показателю. Это бывает полезно при чистке выбросов (выброс можно представить как чрезмерно влиятельный случай).

Регрессионный анализ своей целью имеет вывод, определение (идентификацию) уравнения регрессии, включая статистическую оценку его параметров. Уравнение регрессии позволяет найти значение зависимой переменной, если величина независимой i или независимых переменных известна. Практически, речь идет о том, чтобы, анализируя множество точек на графике (т.е. множество статистических данных), найти линию, по возможности точно отражающую заключенную в этом множестве закономерность (тренд, тенденцию), линию регрессии.

По числу факторов различают одно-, двух- и многофакторные уравнения регрессии.

По характеру связи однофакторные уравнения регрессии подразделяются на:

линейные
степенные
показательные

Линейные взаимосвязи могут быть положительными или отрицательными. Если вы обнаружили, что количество поисково-спасательных операций увеличивается при возрастании среднесуточной температуры, такое отношение является положительным; имеется положительная корреляция. Другой способ описать эту положительную взаимосвязь - сказать, что количество поисково-спасательных операций уменьшается при уменьшении среднесуточной температуры. Соответственно, если вы установили, что число преступлений уменьшается при увеличении числа полицейских патрулей, данное отношение является отрицательным. Также, можно выразить это отрицательное отношение, сказав, что количество преступлений увеличивается при уменьшении количества патрулей. На рисунке ниже показаны положительные и отрицательные отношения, а также случаи, когда две переменные не связаны отношениями:

Диаграммы рассеивания: положительная связь, отрицательная связь и пример с 2 не связанными переменными.

Корреляционные поля и цель их построения. Коэффициенты уравнения парной линейной регрессии. Связь между коэффициентами регрессии и корреляции. Определение параметров парной линейной регрессии. Графическое представление уравнения парной линейной регрессии.

Рубрика	Экономико-математическое моделирование
Вид	реферат
Язык	русский
Дата добавления	30.01.2013
Размер файла	168,2 K

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

1. Корреляционные поля и цель их построения

2. Понятие регрессии

2.1 Уравнение линейной регрессии

2.2 Коэффициенты уравнения парной линейной регрессии

2.3 Связь между коэффициентами регрессии и корреляции

2.4 Определение параметров парной линейной регрессии

2.5 Графическое представление уравнения парной линейной Регрессии

Обработка статистических данных уже давно применяется в самых разнообразных видах человеческой деятельности. Вообще говоря, трудно назвать ту сферу, в которой она бы не использовалась. Но, пожалуй, ни в одной области знаний и практической деятельности обработка статистических данных не играет такой исключительно большой роли, как в экономике, имеющей дело с обработкой и анализом огромных массивов информации о социально-экономических явлениях и процессах. Всесторонний и глубокий анализ этой информации, так называемых статистических данных, предполагает использование различных специальных методов, важное место среди которых занимает корреляционный и регрессионный анализы обработки статистических данных.

В экономических исследованиях часто решают задачу выявления факторов, определяющих уровень и динамику экономического процесса. Такая задача чаще всего решается методами корреляционного и регрессионного анализа. Для достоверного отображения объективно существующих в экономике процессов необходимо выявить существенные взаимосвязи и не только выявить, но и дать им количественную оценку. Этот подход требует вскрытия причинных зависимостей.

Основными задачами корреляционного анализа являются оценка силы связи и проверка статистических гипотез о наличии и силе корреляционной связи. Не все факторы, влияющие на экономические процессы, являются случайными величинами, поэтому при анализе экономических явлений обычно рассматриваются связи между случайными и неслучайными величинами. Такие связи называются регрессионными, а метод математической статистики, их изучающий, называется регрессионным анализом.

1. Корреляционные поля и цель их построения

Корреляция изучается на основании экспериментальных данных, представляющих собой измеренные значения (xi, yi) двух признаков. Если экспериментальных данных немного, то двумерное эмпирическое распределение представляется в виде двойного ряда значений xi и yi. При этом корреляционную зависимость между признаками можно описывать разными способами. Соответствие между аргументом и функцией может быть задано таблицей, формулой, графиком и т. д.

Корреляционный анализ, как и другие статистические методы, основан на использовании вероятностных моделей, описывающих поведение исследуемых признаков в некоторой генеральной совокупности, из которой получены экспериментальные значения xi и yi.

Когда исследуется корреляция между количественными признаками, значения которых можно точно измерить в единицах метрических шкал (метры, секунды, килограммы и т.д.), то очень часто принимается модель двумерной нормально распределенной генеральной совокупности. Такая модель отображает зависимость между переменными величинами xi и yi графически в виде геометрического места точек в системе прямоугольных координат. Эту графическую зависимость называются также диаграммой рассеивания или корреляционным полем.

Данная модель двумерного нормального распределения (корреляционное поле) позволяет дать наглядную графическую интерпретацию коэффициента корреляции, т.к. распределение в совокупности зависит от пяти параметров: mx, my - средние значения (математические ожидания); sx,sy - стандартные отклонения случайных величин Х и Y и р - коэффициент корреляции, который является мерой связи между случайными величинами Х и Y.

Если р = 0, то значения, xi, yi, полученные из двумерной нормальной совокупности, располагаются на графике в координатах х, у в пределах области, ограниченной окружностью (рис.1.3, а). В этом случае между случайными величинами Х и Y отсутствует корреляция и они называются некоррелированными. Для двумерного нормального распределения некоррелированность означает одновременно и независимость случайных величин Х и Y.

Рис.1.3. Графическая интерпретация взаимосвязи между показателями.

Если р = 1 или р = -1, то между случайными величинами Х и Y существует линейная функциональная зависимость (Y = c + dX). В этом случае говорят о полной корреляции. При р = 1 значения xi, yi определяют точки, лежащие на прямой линии, имеющей положительный наклон (с увеличением xi значения yi также увеличиваются), при р = -1 прямая имеет отрицательный наклон (рис.1.3, б).

В промежуточных случаях (-1 0 имеет место положительная корреляция (с увеличением xi значения yi имеют тенденцию к возрастанию), при p

1.1. Вычислить значения регрессионно - авторегрессионой зависимости Y_k = Y_k_-1 + a * X_k + b для k = 1, 2, 3, 4, 5, если X_k= k , Y₀ = 0, a = 3 b=3.

Рисунок 1.1 Исходные данные и результат вычислений к п.1.1

1.2. Вычислить значения регрессионно-авторегрессионой зависимости Y_k = Y_k_-1 + a * X_k + b для k = 1, 2, 3, 4, 5, если a =3 b=3, Y₀ = 0, а k> = .

Рисунок 1.2 Исходные данные и результат вычислений к 1.2

1.3. Вычислить значения авторегрессионой зависимости второго порядка Y_k = a*Y_k_-1 + b * Y_k_-2 для k = 1, 2, 3, 4, 5, если a =3 b=3, Y₀ =1, а Y_-1 =0.

Рисунок 1.3 Исходные данные и результат вычислений к п. 1.3

Задание 2. Применение идентификации регрессионных зависимостей

Предприятие производит выпуск продукции, количество которой Q зависит от управления (привлеченных средств) С. Различные варианты эмпирической зависимости Q = Q(С) даны в таблице. Варианты эмпирической зависимости соответствует номеру столбца таблицы, содержащего данные Q.

2.1. Задайте вид математической модели зависимости Q = Q(С) в виде линейного уравнения регрессии.

Рисунок 2.1 Исходные данные с вычислением полученных данных.

Рисунок 2.2 График построения исходной и линейной зависимости

2.2. Определите его адекватность эмпирическим данным, используя критерии качества модели:

1) коэффициент корреляции COR;

2) D - коэффициент детерминации;

Рисунок 2.3 Нахождение коэффициента корреляции COR

Рисунок 2.4 определение коэффициента детерминации D

2.3. Подготовьте данные для расчетов средствами Excel, оформив соответствующий шаблон решения задачи.

Рисунок 2.5 Определение данных с помощью средства Excel "Поиск решения"

Задание 3. Оптимизация производственных и коммерческих операций

регрессионный линейный программирование математический

3.1. Найти графическое решение задачи линейного программирования (найти max и min целевой функции).

Преобразуем систему неравенств в систему уравнений.

Найдем производную F по X₁ и X₂ F 1 (1;1)

Найдем по две точки каждой прямой и проведем через них линии:

Рисунок 3.1 Графическое решение задачи линейного программирования

Определим область поиска решений.

После этого построим вектор , проведем через него перпендикуляр. При опускании его к центру координат определим точки max и min.

Из графика видно, что точка max образуется при пересечении прямых (1) и (3). Найдем ее координаты:

В результате получим X₁ = 6; X₂ = 1. Значение целевой функции будет равным F_max = 1*6+1*1 = 7

Как видно из графика точка min X₁ = 0; X₂ = 3. Значение целевой функции будет равным F_min = 1*0+1*3 = 3

3.2. Подготовить шаблон для решения задачи средствами Excel и отобразить необходимые команды в интерфейсе инструмента "Поиск решения".

Определим max и min целевой функции, для этого заполним в Excel таблицу с данными ограничениями. С помощью средства Excel "Поиск решения" выполним данное задание:

Рисунок 3.2 Определение max целевой функции

Рисунок 3.3 Определение min целевой функции

Раздел: Информатика, программирование
Количество знаков с пробелами: 3008
Количество таблиц: 1
Количество изображений: 12

Цель: построить несколько вариантов регрессионных моделей (не менее трех), отражающих зависимость температуры от широты города. Выбрать наиболее подходящую функцию.

ПЛАН

1. Повторить основные способы построения регрессионных моделей.

2. Построить регрессионные модели (не менее трех), отражающих зависимость температуры от широты города средствами Microsoft Excel.

3. Оформить работу.

Практическая работа

Проектные задания на получение регрессионных зависимостей.

В следующей таблице приводится прогноз средней дневной температуры на последнюю неделю мая в различных городах Европейской части России. Названия городов расставлены в алфавитном порядке. Указана также географическая широта этих городов. Построить несколько вариантов регрессионных моделей (не менее трех), отражающих зависимость температуры от широты города. Выбрать наиболее подходящую функцию.

Один из вариантов ответа

Информационные источники (основные учебники по предмету)

Информатика. Базовый уровень: учебник для 11 класса / Семакин И. Г., Хеннер Е. К., Т.Ю. Шеина.- 5-е изд. — М.: БИНОМ. Лаборатория знаний, 2015. —224 с.

Ресурсы сети Интернет

13 апреля группа № 21 предмет (Информатика и ИКТ)

Урок № 57

Цель: придумать таблицу парных измерений значений некоторых величин, между которыми существует гипотетическая корреляционная зависимость. Провести анализ этой зависимости на наличие линейной корреляции.

ПЛАН

2. Придумать таблицу парных измерений значений некоторых величин, между которыми существует гипотетическая корреляционная зависимость.

3. Провести анализ этой зависимости на наличие линейной корреляции.

Практическая работа "Проектные задания по теме "Корреляционные зависимости""

Придумать таблицу парных измерений значений некоторых величин, между которыми существует гипотетическая корреляционная зависимость. Провести анализ этой зависимости на наличие линейной корреляции.

Примерами соответствующих связанных величин могут служить:
• уровень образования (измеренный, например, в годах обучения в целом) и уровень месячного дохода;

• уровень образования и уровень занимаемой должности (для последней придумайте условную шкалу);

• количество компьютеров в школе, приходящихся на одного учащегося, и средняя оценка при тестировании на уровень владения стандартными технологиями обработки информации;

• количество часов, затрачиваемых старшеклассниками на выполнение домашних заданий, и средняя оценка;

• количество удобрений, вносимых в почву, и урожайность той или иной сельскохозяйственной культуры.

При этом вы можете идти двумя путями. Первый, более серьезный и практически полезный: вы не просто придумываете гипотетическую корреляционную зависимость, но и находите в литературе действительные данные о ней. Второй путь, более легкий: вы рассматриваете это как игру, необходимую для понимания того, что такое корреляционная зависимость, и выработки технических навыков ее анализа, и придумываете соответствующие данные, стараясь делать это наиболее правдоподобным образом.

Информационные источники (основные учебники по предмету)

Реферат
Тема: Регрессионный анализ. Парная регрессия.

Содержание:
Построение регрессионных моделей.
Построение модели.
Проверка статистической значимости уравнения регрессии.
Характеристика оценок коэффициентов уравнения регрессии.

Смысл регрессионного анализа – построение функциональных зависимостей между двумя группами переменных величин Х1, Х2, … Хр и Y. При этом речь идет о влиянии переменных Х (это будут аргументы функций) на значения переменной Y (значение функции). Переменные Х мы будем называть факторами, а Y – откликом.
Сегодня мы разберем наиболее простой случай – установление зависимости одного отклика y от одного фактора х. Такой случай называется парной (простой) регрессией

Дежурко Л.Ф. Эконометрика

формат doc
размер 176.48 КБ
добавлен 27 октября 2010 г.

Мн.: БГЭУ, 2009 г. , 41 стр. Учебно-методическое пособие. Содержание: Основные понятия эконометрики. Парная линейная регрессия. Нелинейная регрессия. Множественная регрессия. Временные ряды. Эконометрический анализ при нарушении предпосылок. метода наименьших квадратов.

Лабораторная работа

формат doc
размер 210.13 КБ
добавлен 25 апреля 2009 г.

Парная регрессия. Множественная регрессия. Системы эконометрических уравнений. Анализ временных рядов. Таблица значений F-критерия Фишера при уровне значимости. Критические значения t-критерия Стьюдента при уровне значимости 0,10; 0,05; , 0,01(двухсторонний). Критические значения корреляции для уровней значимости 0,05 и 0,01 Значения статистик Дарбина – Уотсона

Лабораторная работа - Построение и анализ моделей линейной регрессии

формат xls, doc
размер 294.82 КБ
добавлен 24 февраля 2011 г.

Исследуется зависимость размера дивидендов акций группы компаний от доходности акций, дохода компании и объема инвестиций в расширение и модернизацию производства. Исходные данные представлены выборкой объема Парная линейная регрессия Множественная линейная регрессия

Лекции - Эконометрика

формат doc
размер 745 КБ
добавлен 28 октября 2009 г.

Введение. Эконометрика и эконометрическое моделирование: основные понятия и определения Парная корреляция и регрессия Ковариация. Выборочный коэффициент парной корреляции Оценка значимости выборочного коэффициента парной корреляции Модель парной регрессии. Основные понятия. Линейная парная регрессия Определение параметров линейной парной модели методом МНК Проверка значимости параметров парной линейной модели Проверка выполнения предпосылок МНК.

Лекции по эконометрике

формат doc
размер 759.37 КБ
добавлен 05 мая 2009 г.

Днепропетровский университет экономики и права Эконометрика Конспект лекций. Для всех специальностей направлений. Предмет и задачи эконометрии Простейшие примеры эконометрических моделей Основные сведения из теории вероятностей и математической статистики Парная регрессия Линейная регрессия Анализ уравнений линейной регрессии. Коэффициент корреляции и его свойства. Проверка адекватности нелинейной корреляционной модели. Коэффициент детерминации.

Общий вариант фондовых лекций(методичка) 2 курс

формат doc
размер 1.67 МБ
добавлен 14 апреля 2011 г.

Парная регрессия и корреляция. Множественная регрессия и корреляция. Метод наименьших квадратов. системы эконометрических уравнений. и. т. д. Вэпи 2 курс.

Расчетная работа по эконометрике (43 стр. с приложениями)

формат doc
размер 1.44 МБ
добавлен 15 февраля 2010 г.

3 задачи: парная линейная регрессия (построение модели, анализ качества, точечный и интервальный прогнозы), множественная регрессия (построение модели с помощью метода многошагового регрессионного анализа, прогноз), сглаживание временного ряда - все подробно описано, приведены результаты промежуточных расчетов, сделаны выводы. Сдано для специальности "Математические методы в экономике"

Реферат - Метод Наименьших Квадратов (МНК)

формат rtf
размер 8.2 МБ
добавлен 20 июня 2010 г.

Оглавление Введение История Постановка задачи Примеры Свойства оценок на основе МНК Парная линейная регрессия. Метод наименьших квадратов Взвешенный метод наименьших квадратов Системы одновременных уравнений Нелинейная регрессия Авторегрессионное преобразование Применение МНК в экономике Заключение Список литературы КИГМС, Организация и Технология Защиты Информации,2 курс/4семестр

Решение эконометрических задач в EXCEL(примеры)

формат doc
размер 235.21 КБ
добавлен 04 августа 2011 г.

В данном файле, приводится решения двух задач по дисциплине "эконометрика". Примеры взяты из двух тем: -парная множественная регрессия -парная линейная регрессия страниц:16 Год: 2010

Сидоренко М.Г. Эконометрика

формат pdf
размер 1001.03 КБ
добавлен 21 декабря 2011 г.

Учебное пособие. - Томск: ТУСУР, 2004. - 119 с. Парная линейная регрессия. Множественная линейная регрессия. Нелинейная регрессия. Гетероскедастичность. Автокорреляция. Фиктивные переменные в регрессионных моделях. Динамические модели. Системы одновременных уравнений.

Читайте также: