2.4.1.1 Парная линейная регрессия
Парная линейная регрессия наиболее часто применяется в регрессионных моделях, в силу простоты расчета и интерпретирования результатов.
Расчет регрессионной модели данного вида заключается в нахождении уравнения вида:
(29)
или (30)
где;
- теоретическое значение результативного признака, рассчитанное по уравнению регрессии, показывающему взаимосвязь между и.
- фактическое значение результативного признака.
- случайная величина (возмущение, шум)
(31)
Показывает влияние не учтенных в модели факторов, а также случайных ошибок.
- параметры уравнения.
Решение уравнения регрессии заключается в расчете его параметров. Наибольшее распространение из методов расчета параметров уравнения получил метод наименьших квадратов (МНК). МНК позволяет получать такие значения , которые минимизируют сумму квадратов отклонений фактических значений от теоретических .
(32)
При расчете параметров уравнения при помощи МНК необходимо решить систему из двух нормальных уравнений.
(33)
Также используют и готовые уравнения.
Для расчета параметра :
; так как получим:
или (34)
где: (35)
(36)
Для расчета параметра :
(37)
Параметр - это теоретическое значение результативного признака при и только в этом случае имеет экономический смысл, если параметр экономического смысла не имеет. В геометрическом представлении означает координату точки пересечения линии регрессии с осью ординат.
Параметр называется коэффициентом регрессии. Коэффициент регрессии показывает, на сколько единиц, в среднем изменится результативный признак, если факторный признак увеличится на одну единицу. Например, если уравнение регрессии имеет вид:
где прибыль млн. руб. в месяц, а затраты на маркетинг тыс. руб. в месяц. Можно сказать, что при дополнительных затратах на маркетинг на 1 тыс. руб. прибыль в среднем возрастет на 0,02 млн. руб.
Геометрически это тангенс угла наклона прямой регрессии .
Пример 7. Имеются данные о средней прибыли (млн. руб.) и затратах на рекламу (млн. руб.) за декаду, по выборке, равной 15-ти предприятий сферы торговли (табл. 21).
Построить линейное уравнение регрессии.
Таблица 21.
№ |
|||
1 |
37,8 |
0,3 |
|
2 |
38,0 |
0,5 |
|
3 |
39,0 |
0,7 |
|
4 |
37,5 |
0,8 |
|
5 |
39,5 |
0,9 |
|
6 |
36,8 |
1,1 |
|
7 |
40,0 |
1,3 |
|
8 |
40,1 |
1,6 |
|
9 |
40,0 |
1,7 |
|
10 |
39,0 |
2,2 |
|
11 |
38,0 |
2,5 |
|
12 |
41,0 |
2,6 |
|
13 |
41,6 |
2,7 |
|
14 |
41,0 |
3,0 |
|
15 |
41,9 |
3,2 |
Решение. Для расчета параметров уравнения регрессии используем МНК. МНК в данном случае дает систему уравнений:
1. Рассчитаем, в таблице 22, все возможные значения и подставим в систему.
После подстановки данных получим систему:
1) Решим систему методом исключения параметра . Для этого первое уравнение разделим на 15, а второе на 25,10.
Далее из второго уравнения вычтем первое
Рассчитаем коэффициент регрессии:
.
Подставим значение в первое уравнение системы и рассчитаем параметр .
Таблица 22
№ |
||||||
1 |
37,80 |
0,30 |
0,09 |
11,34 |
37,792344 |
|
2 |
38,00 |
0,50 |
0,25 |
19,00 |
38,028410 |
|
3 |
39,00 |
0,70 |
0,49 |
27,30 |
38,264476 |
|
4 |
37,50 |
0,80 |
0,64 |
30,00 |
38,382510 |
|
5 |
39,50 |
0,90 |
0,81 |
35,55 |
38,500543 |
|
6 |
36,80 |
1,10 |
1,21 |
40,48 |
38,736609 |
|
7 |
40,00 |
1,30 |
1,69 |
52,00 |
38,972676 |
|
8 |
40,10 |
1,60 |
2,56 |
64,16 |
39,326775 |
|
9 |
40,00 |
1,70 |
2,89 |
68,00 |
39,444808 |
|
10 |
39,00 |
2,20 |
4,84 |
85,80 |
40,034974 |
|
11 |
38,00 |
2,50 |
6,25 |
95,00 |
40,389074 |
|
12 |
41,00 |
2,60 |
6,76 |
106,60 |
40,507107 |
|
13 |
41,60 |
2,70 |
7,29 |
112,32 |
40,625140 |
|
14 |
41,00 |
3,00 |
9,00 |
123,00 |
40,979240 |
|
15 |
41,90 |
3,20 |
10,24 |
134,08 |
41,215306 |
|
Сумма |
591,20 |
25,10 |
55,01 |
1004,63 |
591,199993 |
|
В среднем |
39,413333 |
1,673333 |
3,667333 |
66,975333 |
||
1,518713 |
0,931283 |
3,327158 |
38,874862 |
|||
2,306489 |
0,867289 |
11,069980 |
1511,254918 |
2. Рассчитаем параметры уравнения , используя готовые уравнения.
Небольшие расхождения в расчете параметров разными методами объясняются ошибками округления.
Подставим полученные значения (возьмем значения полученные в Microsoft Excel, как наиболее точные. см. далее ) в уравнение регрессии .
Коэффициент парной линейной регрессии показывает, что при увеличении фактора - «затраты на рекламу» на 1 единицу (1 млн. руб.), результат - «средняя прибыль» увеличится, в среднем на 1,180332 млн. руб.
Далее подставляя значения фактора в уравнение регрессии, рассчитаем теоретические значения , занесем их в последний столбик таблицы 22.
2) Рассмотрим решение данной задачи в Microsoft Excel.
Первое. В новой книге Microsoft Excel внесем исходные данные (рис 1).
Рисунок 1.
Далее нажимаем кнопку Сервис и в открывшейся панели нажимаем кнопку Анализ данных.
В панели Анализ данных нажимаем Регрессия:
В панели регрессия вводим входной интервал , выделяя столбик, содержащий данные результативного признака, и входной интервал , выделяя столбик, содержащий данные фактора. Ответ можно поместить на новом рабочем листе, в новой рабочей книге, или на листе, содержащем условия выбирая выходной интервал, для чего указываем графа-клетку начала размещения ответа (рис 2).
Рисунок 2.
Нажимаем ОК. Появится таблица, содержащая результаты регрессионного анализа (рис 3).
Рисунок 3.
Параметр в данной таблице находится на пересечении столбика «Коэффициенты» и строки «Y-пересечение», параметр - на пересечении столбика «Коэффициенты» и строки «Переменная Х1».
- 1. Эконометрика, предмет и метод
- 1.1 Предмет и метод
- 1.2 Эконометрическая модель
- 1.3 Измерения в экономике
- 2. Изучение взаимосвязей в эконометрике
- 2. метод аналитических группировок;
- 3. корреляционно-регрессионный анализ;
- 2.4 Корреляционно-регрессионный анализ
- 2.4.1 Парная регрессия. Парная корреляция
- 2.4.1.1 Парная линейная регрессия
- 2.4.1.2 Парная линейная корреляция
- 2.4.1.4 Парная нелинейная регрессия