ВСЕРОССИЙСКИЙ ЗАОЧНЫЙ ФИНАНСОВО-ЭКОНОМИЧЕСКИЙ ИНСТИТУТ

КАФЕДРА СТАТИСТИКИ

О Т Ч Е Т

о результатах выполнения

компьютерной лабораторной работы 2

Автоматизированный корреляционно-регрессионный анализ взаимосвязи статистических данных в среде MS Excel

Вариант № 322

                                                                                  Выполнил:

                                                                                  Проверила:

1. Постановка задачи статистического исследования

Корреляционно-регрессионный анализ взаимосвязи признаков является составной частью проводимого статистического исследования деятельности 30-ти предприятий и частично использует результаты ЛР-1.

В ЛР-2 изучается взаимосвязь между факторным признаком Среднегодовая стоимость основных производственных фондов (признак Х) и результативным признаком Выпуск продукции (признак Y), значениями которых являются исходные данные ЛР-1 после исключения из них аномальных наблюдений.

В процессе статистического исследования необходимо решить ряд задач.

1.     Установить наличие статистической связи между факторным признаком Х и результативным признаком Y графическим методом.

2.     Установить наличие корреляционной связи между признаками Х и Y методом аналитической группировки.

3.     Оценить тесноту связи признаков Х и Y на основе эмпирического корреляционного отношения η.

4.     Построить однофакторную линейную регрессионную модель связи признаков Х и Y, используя инструмент Регрессия надстройки Пакет анализа, и оценить тесноту связи признаков Х и Y на основе линейного коэффициента корреляции r.

5.     Определить адекватность и практическую пригодность построенной линейной регрессионной модели, оценив:

а) значимость и доверительные интервалы коэффициентов а₀, а₁;

б) индекс детерминации R2 и его значимость;

в) точность регрессионной модели.

6.     Дать экономическую интерпретацию:

а) коэффициента регрессии а₁;

б) коэффициента эластичности К_Э;

в) остаточных величин ε_i.

7.     Найти наиболее адекватное нелинейное уравнение регрессии с помощью средств инструмента Мастер диаграмм.

2. Выводы по результатам выполнения лабораторной работы[1]

Задача 1. Установление наличия статистической связи между факторным признаком Х и результативным признаком Y графическим методом.

Статистическая связь является разновидностью стохастической (случайной) связи, при которой с изменением факторного признака X закономерным образом изменяется какой–либо из обобщающих статистических показателей распределения результативного признака Y.

Вывод:

Точечный график  связи признаков  (диаграмма рассеяния, полученная в ЛР-1 после удаления аномальных наблюдений) позволяет сделать вывод, что имеет  место статистическая связь. Предположительный вид связи – линейная прямая.

Задача 2. Установление наличия корреляционной связи между признаками Х и Y методом аналитической группировки.

Корреляционная связь – важнейший частный случай стохастической статистической связи, когда под воздействием вариации факторного признака Х закономерно изменяются от группы к группе средние групповые значения  результативного признака Y (усредняются результативные значения , полученные под воздействием фактора ). Для выявления наличия корреляционной связи используется метод аналитической группировки.

Вывод:

Результаты выполнения аналитической группировки предприятий по факторному признаку Среднегодовая стоимость основных производственных фондов даны в табл. 2.2 Рабочего файла, которая показывает, что с увеличением значений факторного признака Х закономерно увеличиваются средние групповые значения  результативного признака . Следовательно, между признаками Х и Y  существует корреляционная связь.

Задача 3.Оценка тесноты связи признаков Х и Y на основе эмпирического корреляционного отношения.

Для анализа тесноты связи между факторным и результативным признаками рассчитывается показатель η – эмпирическое корреляционное отношение, задаваемое формулой

           ,

где  и  - соответственно межгрупповая и общая дисперсии результативного признака Y - Выпуск продукции (индекс х дисперсии  означает, что оценивается мера влияния признака Х на Y).

Для качественной оценки тесноты связи на основе показателя эмпирического корреляционного отношения служит шкала Чэддока:

Результаты выполненных расчетов представлены в табл. 2.4 Рабочего файла.

Вывод:

Значение коэффициента η =0,9028, что в соответствии с оценочной шкалой Чэддока говорит о весьма тесной степени связи изучаемых признаков.

Задача 4. Построение однофакторной линейной регрессионной модели связи изучаемых признаков с помощью инструмента Регрессия надстройки Пакет анализа и оценка тесноты связи на основе линейного коэффициента корреляции r.

4.1. Построение регрессионной модели заключается в нахождении аналитического выражения связи между факторным признаком X и результативным признаком Y.

Инструмент Регрессия на основе исходных данных (x_i , y_i), производит расчет параметров а₀ и а₁ уравнения однофакторной линейной регрессии , а также вычисление ряда показателей, необходимых для проверки адекватности построенного уравнения исходным (фактическим) данным.

Примечание. В результате работы инструмента Регрессия получены четыре результативные таблицы (начиная с заданной ячейки А75). Эти таблицы выводятся в Рабочий файл без нумерации, поэтому необходимо присвоить им номера табл.2.5 – табл.2.8 в соответствии с их порядком.

Вывод:

Рассчитанные в табл.2.7 (ячейки В91 и В92) коэффициенты а₀ и а₁ позволяют построить линейную регрессионную модель связи изучаемых признаков в виде уравнения -3565,4820+1,0894х

4.2. В случае линейности функции связи для оценки тесноты связи признаков X и Y, устанавливаемой по построенной модели, используется линейный коэффициент корреляции r.

Значение коэффициента корреляции r приводится в табл.2.5 в ячейке В78 (термин "Множественный R").

Вывод:

Значение коэффициента корреляции r =0,9132, что в соответствии с оценочной шкалой Чэддока говорит о весьма тесной степени связи изучаемых признаков.

Задача 5. Анализ адекватности и практической пригодности построенной линейной регрессионной модели.

Анализ адекватности регрессионной модели преследует цель оценить, насколько построенная теоретическая модель взаимосвязи признаков отражает фактическую зависимость между этими признаками, и тем самым оценить практическую пригодность синтезированной модели связи.

Оценка соответствия построенной регрессионной модели исходным (фактическим) значениям признаков X и Y выполняется в 4 этапа:

1)      оценка статистической значимости коэффициентов уравнения а₀, а₁ и определение их доверительных интервалов для заданного уровня надежности;

2)      определение практической пригодности построенной модели на основе оценок линейного коэффициента корреляции  r  и индекса детерминации R²;

3)      проверка значимости уравнения регрессии в целом по F-критерию Фишера;

4)      оценка погрешности регрессионной модели.

5.1.         Оценка статистической значимости коэффициентов уравнения а₀, а₁ и определение их доверительных интервалов

Так как коэффициенты уравнения а₀ , а₁  рассчитывались, исходя из значений признаков только для 30-ти пар (x_i , y_i), то полученные значения коэффициентов являются лишь приближенными оценками фактических параметров связи а₀ , а₁. Поэтому необходимо:

1.     проверить значения коэффициентов на неслучайность (т.е. узнать, насколько они типичны для всей генеральной совокупности предприятий отрасли);

2.     определить (с заданной доверительной вероятностью 0,95 и 0,683) пределы, в которых могут находиться значения а₀, а₁ для генеральной совокупности предприятий.

Для анализа коэффициентов а₀, а₁ линейного уравнения регрессии используется табл.2.7, в которой:

 – значения коэффициентов а₀, а₁ приведены в ячейках В91 и В92 соответственно;

 – рассчитанный уровень значимости коэффициентов уравнения приведен в ячейках Е91 и Е92;

 – доверительные интервалы коэффициентов с уровнем надежности Р=0,95 и Р=0,683 указаны в диапазоне ячеек F91:I92.

5.1.1. Определение значимости коэффициентов уравнения

Уровень значимости – это величина α=1–Р, где Р – заданный уровень надежности (доверительная вероятность).

Режим работы инструмента Регрессия использует по умолчанию уровень надежности Р=0,95. Для этого уровня надежности уровень значимости равен α = 1 – 0,95 = 0,05. Этот уровень значимости считается заданным.

В инструменте Регрессия надстройки Пакет анализа для каждого из коэффициентов а₀ и а₁ вычисляется уровень его значимости α_р, который указан в результативной таблице (табл.2.7 термин "Р-значение"). Если рассчитанный для коэффициентов а₀, а₁ уровень значимости α_р, меньше заданного уровня значимости α= 0,05, то этот коэффициент признается неслучайным (т.е. типичным для генеральной совокупности), в противном случае – случайным.

Примечание. В случае, если признается случайным свободный член а₀, то уравнение регрессии целесообразно построить заново без свободного члена а₀. В этом случае в диалоговом окне Регрессия необходимо задать те же самые параметры за исключением лишь того, что следует активизировать флажок Константа-ноль (это означает, что модель будет строиться при условии а₀=0). В лабораторной работе такой шаг не предусмотрен.

Если незначимым (случайным) является коэффициент регрессии а₁, то взаимосвязь  между признаками X и Y в принципе не может аппроксимироваться  линейной моделью.

Вывод:

Для свободного члена а₀ уравнения регрессии рассчитанный уровень значимости есть α_р =0,1026 Так как он больше заданного уровня значимости α=0,05, то коэффициент а₀ признается случайным.

Для коэффициента регрессии  а₁  рассчитанный  уровень  значимости есть α_р =1,9760 Так как он больше заданного уровня значимости α=0,05, то коэффициент а₁ признается случайным.

5.1.2. Зависимость доверительных интервалов коэффициентов уравнения от заданного уровня надежности

Доверительные интервалы коэффициентов а₀, а₁ построенного уравнения регрессии при уровнях надежности Р=0,95 и Р=0,683 представлены в табл.2.7, на основе которой формируется табл.2.9.

Таблица 2.9

Границы доверительных интервалов коэффициентов уравнения

Вывод:

В  генеральной  совокупности  предприятий  значение  коэффициента  а₀ следует ожидать с надежностью Р=0,95 в пределах 7893,0932а₀762,1293, значение коэффициента а₁ в пределах 0,9012а₁1,2776. Уменьшение уровня надежности ведет к сужению доверительных интервалов коэффициентов уравнения.

           Определение практической пригодности построенной регрессионной модели.

Практическую пригодность построенной модели можно охарактеризовать по величине линейного коэффициента корреляции r:

·     близость  к единице свидетельствует о хорошей аппроксимации исходных (фактических) данных с помощью построенной линейной функции связи ;

·     близость  к нулю означает, что связь между фактическими данными Х и Y нельзя аппроксимировать как построенной, так и любой другой линейной моделью, и, следовательно, для моделирования связи следует использовать какую-либо подходящую нелинейную модель.

Пригодность построенной регрессионной модели для практического использования можно оценить и по величине индекса детерминации R², показывающего, какая часть общей вариации признака Y объясняется в построенной модели вариацией фактора X.

В основе такой оценки лежит равенство R = r (имеющее место для линейных моделей связи), а также шкала Чэддока, устанавливающая качественную характеристику тесноты связи в зависимости от величины r.

Согласно шкале Чэддока высокая степень тесноты связи признаков достигается лишь при >0,7, т.е. при  >0,7. Для индекса детерминации R² это означает выполнение неравенства R² >0,5.

При недостаточно тесной связи признаков X, Y (слабой, умеренной, заметной) имеет место неравенство 0,7, а следовательно, и неравенство .

С учетом вышесказанного, практическая пригодность построенной модели связи  оценивается по величине R² следующим образом:

·     неравенство R² >0,5 позволяет считать, что построенная модель пригодна для практического применения, т.к. в ней достигается высокая степень тесноты связи признаков X и Y, при которой более 50% вариации признака Y объясняется влиянием фактора Х;

·      неравенство  означает, что построенная модель связи практического значения не имеет ввиду недостаточной тесноты связи между признаками X и Y, при которой менее 50% вариации признака Y объясняется влиянием фактора Х, и, следовательно, фактор Х влияет на вариацию Y в значительно меньшей степени, чем другие (неучтенные в модели) факторы.

Значение индекса детерминации R² приводится в табл.2.5 в ячейке В79 (термин "R - квадрат").

Вывод:

Значение линейного коэффициента корреляции r и значение индекса детерминации R² согласно табл. 2.5 равны: r =0,9132, R² =0,8339. Поскольку   и , то построенная линейная регрессионная модель связи  пригодна  для практического использования.

            Общая оценка адекватности  регрессионной модели по F-критерию Фишера

Адекватность построенной регрессионной модели фактическим данным (x_i, y_i) устанавливается по критерию Р.Фишера, оценивающему статистическую значимость (неслучайность) индекса детерминации R².

Рассчитанная для уравнения регрессии оценка значимости R² приведена в табл.2.6 в ячейке F86 (термин "Значимость F"). Если она меньше заданного уровня значимости α=0,05, то величина R² признается неслучайной и, следовательно, построенное уравнение регрессии  может быть использовано как модель связи между признаками Х и Y для генеральной совокупности предприятий отрасли.

Вывод:

Рассчитанный уровень значимости α_р индекса детерминации R² есть α_р=1,9760. Так как он больше заданного уровня значимости α=0,05, то значение R² признается случайным и модель связи между признаками Х и Y -3565,4820+1,0894х неприменима для генеральной совокупности предприятий отрасли в целом.

            Оценка погрешности регрессионной модели

Погрешность регрессионной модели можно оценить по величине стандартной ошибки  построенного линейного уравнения регрессии . Величина ошибки  оценивается как среднее квадратическое отклонение по совокупности отклонений  исходных (фактических) значений y_i признака Y от его теоретических значений , рассчитанных по построенной модели.

Погрешность регрессионной модели выражается в процентах и рассчитывается как величина .100.

В адекватных моделях погрешность не должна превышать 12%-15%.

Значение  приводится в выходной таблице "Регрессионная статистика" (табл.2.5) в ячейке В81 (термин "Стандартная ошибка"), значение    – в таблице  описательных  статистик  (ЛР-1, Лист 1, табл.3, столбец 2).

Вывод:

Погрешность линейной регрессионной модели составляет .100=1938,6660/21130,2*100=9,1749%, что подтверждает адекватность построенной модели -3565,4820+1,0894х

Задача 6. Дать экономическую интерпретацию:

1) коэффициента регрессии а₁;

3) остаточных величин _i.

2) коэффициента эластичности К_Э;

6.1. Экономическая интерпретация коэффициента регрессии а₁

В случае линейного уравнения регрессии =a₀+a₁x величина коэффициента регрессии a₁ показывает, на сколько в среднем (в абсолютном выражении) изменяется значение результативного признака Y при изменении фактора Х на единицу его измерения. Знак при a₁ показывает направление этого изменения.

Вывод:

Коэффициент регрессии а₁ =1,0894 показывает, что при увеличении факторного признака Среднегодовая стоимость основных производственных фондов на 1 млн руб. значение результативного признака Выпуск продукции увеличивается в среднем на 1,0894млн руб.

6.2. Экономическая интерпретация коэффициента эластичности.

С целью расширения возможностей экономического анализа явления используется коэффициент эластичности , который измеряется в процентах и показывает, на сколько процентов изменяется в среднем результативный признак при изменении факторного признака на 1%.

Средние значения  и  приведены в таблице описательных статистик (ЛР-1, Лист 1, табл.3).

Расчет коэффициента эластичности:

=1,0894*(22670/21130,2) =1,1688%

Вывод:

Значение коэффициента эластичности К_э=1,1688 показывает, что при увеличении факторного признака Среднегодовая стоимость основных производственных фондов на 1% значение результативного признака Выпуск продукции увеличивается в среднем на 1,1688%.

6.3. Экономическая интерпретация остаточных величин ε_i

Каждый их остатков  характеризует отклонение фактического значения y_i от теоретического значения , рассчитанного по построенной регрессионной модели и определяющего, какого среднего значения    следует ожидать, когда фактор Х принимает значение x_i.

Анализируя остатки, можно сделать ряд практических выводов, касающихся выпуска продукции на рассматриваемых предприятиях отрасли.

Значения остатков _i (таблица остатков из диапазона А98:С128) имеют как положительные, так и отрицательные отклонения от ожидаемого в среднем объема выпуска продукции  (которые в итоге уравновешиваются, т.е.).

Экономический интерес представляют наибольшие расхождения между фактическим объемом выпускаемой продукции y_i и ожидаемым усредненным объемом .

Вывод:

Согласно таблице остатков максимальное превышение ожидаемого среднего объема выпускаемой  продукции  имеют три предприятия - с номерами 20,27,6,  а максимальные отрицательные отклонения - три предприятия с номерами 24,8,26. .Именно эти шесть предприятий подлежат дальнейшему экономическому анализу для выяснения причин наибольших отклонений объема выпускаемой ими продукции от ожидаемого среднего объема и выявления резервов роста производства.

Задача 7. Нахождение наиболее адекватного нелинейного уравнения регрессии с помощью средств инструмента Мастер диаграмм.

Уравнения регрессии и их графики построены для 3-х видов нелинейной зависимости между признаками и представлены на диаграмме 2.1 Рабочего файла.

Уравнения регрессии и соответствующие им индексы детерминации R2 приведены в табл.2.10 (при заполнении данной таблицы коэффициенты уравнений необходимо указывать не в компьютерном формате, а в общепринятой десятичной форме чисел).

Таблица 2.10

Регрессионные модели связи

Выбор наиболее адекватного уравнения регрессии определяется максимальным значением индекса детерминации R2: чем ближе значение R2 к единице, тем более точно регрессионная модель соответствует фактическим данным.

Вывод:

Максимальное значение индекса детерминации R2 =0,8381. Следовательно, наиболее адекватное исходным данным нелинейное уравнение регрессии имеет вид  3Е-09х³-0,0002х²+5,0652х-30585

ПРИЛОЖЕНИЕ

Результативные таблицы и графики