- •Тема 6 корреляционно-регрессионный анализ эконономических показателей рекомендуемая литература
- •Раздел 6. Учебное пособие по мсммуп. – 2014. – 250 с.
- •Априорный анализ (модельная спецификация)
- •3. Измерение тесноты корреляционной связи между экономическими признаками
- •При парных линейных связях в качестве меры тесноты корреляционной связи между y и X применяется коэффициент парной корреляции Пирсона:
- •Построение парного и множественного уравнения регрессии
- •Решение системы нормальных уравнений
- •Результаты парного кра прибыли супер-маркетов
- •5. Анализ построенной модели регрессии
- •6. Практическое применение построенного уравнения регрессии
- •Сравнительный анализ лидеров и аутсайдеров на базе линейной регрессионной модели
- •Результаты точечного и интервального прогнозирования прибыли супер-маркетов в системе statistica
Тема 6 корреляционно-регрессионный анализ эконономических показателей рекомендуемая литература
Раздел 6. Учебное пособие по мсммуп. – 2014. – 250 с.
Янковой О. Г. Моделювання парних зв’язків в економіці. – Одеса : Оптимум, 2001. – 198 с.
Янковой А. Г. Основы эконометрического моделирования : Учеб. пособие. – Одесса, ОГЭУ, 2006. – 133 с.
Янковой А. Г. Основы теории статистики : Учеб. пособие. – Одесса, ОИФ УГУФМТ, 2007. – 111 с.
ПЛАН
Виды причинно-следственных связей между
признаками
Априорный анализ (модельная
спецификация)
Измерение тесноты корреляционной связи
между экономическими признаками
Построение парного и множественного
уравнения регрессии
5. Анализ построенной модели регрессии
6. Практическое применение построенного
уравнения регрессии
Виды причинно-следственных связей между признаками
Между экономическими показателями предприятия наблюдаются два основных типа причинно-следственных связей:
1. Функциональные.
2. Стохастические (вероятностные).
В свою очередь, различают два вида стохастической связи между исследуемыми экономическими явлениями и процессами – регрессионную и корреляционную.
При регрессионной (односторонней) вероятностной зависимости между Y и Х каждому значению аргумента отвечает не одно определенное значение функции, а закон её распределения, т.е. набор значений Y с соответствующими вероятностями их появления, которые меньше 1. Причём обратных связей нет или они крайне слабы, поэтому ими можно пренебречь.
При корреляционной (двусторонней) стохастической зависимости обе переменные (и Y и Х) можно рассматривать как аргумент и как функцию одновременно: каждому значению Х отвечает закон распределения Y, и наоборот, каждому значению Y отвечает закон распределения Х. Иными словами, при корреляционной зависимости реально существуют как прямые, так и обратные связи между признаками.
И регрессионные и корреляционные связи между изучаемыми признаками в силу действия случайных факторов-причин проявляются не в каждом отдельном наблюдении, а только в совокупности наблюдений, в массовом процессе. Поэтому, для чёткого проявления подобных зависимостей, согласно закону больших чисел, необходима статистическая совокупность объектов (наблюдений) значительного объёма с тем, чтобы в результате взаимного погашения действия случайных факторов-причин основная тенденция или закономерность превратилась из завуалированной, латентной, в явную, фиксируемую с помощью методов КРА.
Априорный анализ (модельная спецификация)
Априорный анализ (от лат. а priori – до опыта, до сбора данных) или модельная спецификация – это та предварительная стадия КРА, на которой собираются и обобщаются теоретические сведения об изучаемом экономическом объекте на базе соответствующей экономической науки с привлечением имеющегося опыта в данной области.
В самом общем виде будущая регрессионная модель записывается так:
Y = f (Х1, Х2, …) + e .
На стадии априорного анализа исследователь должен попытаться дать ответ, какой в его представлении является будущая регрессионная модель, т.е. осуществить модельную спецификацию. Здесь решаются следующие основные задачи:
Выбор зависимой (результативной) Y и независимых (факторных) переменных Х1, Х2, …, Хm, исходя из целей и задач исследования.
Установление конкретных измерителей выбранных переменных.
Выявление направления причинно-следственных связей между переменными и наложение ограничений на знаки коэффициентов парной корреляции и коэффициентов регрессии будущей модели.
Обоснование формы связи f между результативной и факторными переменными модели.
Выдвижение предположений относительно вероятностных свойств случайной компоненты ε.