Имитационное моделирование экономических процессов

курсовая работа

7. РЕГРЕССИОННЫЙ АНАЛИЗ

Цель данного раздела - исследовать влияние количественных факторов на выходной количественный фактор и подобрать график для набора наблюдений.

Линейный регрессионный анализ заключается в подборе графика для набора наблюдений с помощью метода наименьших квадратов. Регрессия используется для анализа воздействия на отдельную зависимую переменную значений одной или более независимых переменных.

После вызова процедуры "Регрессия" получаются следующие результаты (Рисунок 7.1).

Рисунок 7.1 - Результаты

Проанализировать регрессионную модель можно с помощью встроенной блочной функции ЛИНЕЙН(Y, X, p1, p2), где параметр p1 = 1, если в модели учитывается свободный член и равен нулю, если не учитывается; параметр p2 = 1, если необходимо вычислить дополнительную статистику регрессии, и ноль, если нужно вычислить лишь коэффициенты регрессии (Таблица 7.1).

Таблица 7.1 - Результаты работы функции "Линейн"

К-т регрессии

4,027362462

-88,40470315

Св. член

Ошибка для b

0,240464854

9,984125401

Ошибка для a

К-т детерминации

0,795746684

4,640276263

Станд. Остаток

Ст-ка Фишера

280,5034564

72

Число степеней свободы

Сумма квадратов отклонения регрессии

6039,846369

1550,315793

Сумма квадратов отклонения остаточная

Зная значение статистики Фишера, можно обратным методом проверки гипотез сделать вывод о значимости регрессии (гипотеза - регрессия незначима). Для этого надо найти вычисленный уровень значимости. Вычисленный уровень значимости равен 1,53452E-26, это меньше 0.05, поэтому гипотеза о незначимости регрессии отвергается.

Выводы об отвержении гипотезы можно сделать прямым методом, найдя значение Fкр. В данном случае Fкр = 3.97, это меньше значения статистики Фишера, поэтому гипотеза о незначимости регрессии также отвергается. Многофакторный регрессионный анализ проводится аналогично, только исследуется влияние нескольких количественных факторов на выходной количественный фактор (Рисунок 7.2).

Рисунок 7.2 - Результаты многофакторного анализа

После анализа модели необходимо выбросить все незначимые факторы (у которых Р-значение больше 0.05) и построить модель вновь. Получаются следующие результаты (Рисунок 7.3).

Рисунок 7.3 - Результаты многофакторного анализа без незначимых факторов

Модель без незначимых факторов лучше модели с теми же факторами, так в первом случае стандартизированный коэффициент детерминации больше, чем во втором.

Делись добром ;)