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 № _12___

Выполнил: студентка  ФНО, 4поток

Поздеева Екатерина Викторовна

Проверил:         Пампушина С. Н.

Архангельск

2008г.

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.

Номер предприятия

Среднегодовая стоимость основных производственных фондов, млн.руб.

Выпуск продукции, млн. руб.

5

620,00

490,00

23

669,00

651,00

27

725,00

560,00

1

746,00

721,00

8

774,00

770,00

32

788,00

812,00

22

844,00

693,00

19

865,00

665,00

2

879,00

791,00

3

907,00

882,00

13

914,00

938,00

26

935,00

861,00

9

949,00

903,00

4

956,00

980,00

28

977,00

875,00

17

984,00

896,00

6

1005,00

840,00

14

1005,00

1022,00

25

1005,00

910,00

7

1033,00

1134,00

30

1075,00

910,00

18

1089,00

1064,00

10

1096,00

1127,00

20

1103,00

910,00

24

1124,00

1043,00

29

1131,00

959,00

15

1152,00

1239,00

11

1201,00

1190,00

21

1229,00

1225,00

16

1320,00

1330,00

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 КЭ;

в) остаточных величин εi.

7.     Найти наиболее адекватное нелинейное уравнение регрессии с помощью средств инструмента Мастер диаграмм. Построить для этого уравнения теоретическую кривую регрессии.

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 средние значения  результативного признака Y (усредняются значения  в каждой j-ой группе, полученные под воздействием на Y фактора ). Для выявления наличия корреляционной связи используется метод аналитической группировки.

Вывод:

Аналитическая группировка предприятий по факторному признаку Среднегодовая стоимость основных производственных фондов, построенная в табл. 2.2 Рабочего файла EXCEL, показывает, что с увеличением значения факторного признака Х-стоимости ОПФ закономерно увеличивается  среднее значение результативного признака Y-выпуска продукции. Следовательно, между признаками Х- стоимость ОПФ и Y-выпуск продукции 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:

Значение η

0,1 – 0,3

0,3 – 0,5

0,5 – 0,7

0,7 – 0,9

0,9 – 0,99

Сила связи

Слабая

Умеренная

Заметная

Тесная

Весьма тесная

Результаты выполненных расчетов представлены в табл. 2.4 Рабочего файла.

Вывод:

Значение коэффициента η =0,9, 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 (xi , yi), 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 -143,64+1,09 х.

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 =0,91, что в соответствии с оценочной шкалой Чэддока говорит о 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 (xi , yi), 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 a=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

a=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 aр, который указан в результативной таблице (табл.2.7 термин "Р-значение"). Если для коэффициентов а0, а1 рассчитанный уровень значимости aр, меньше заданного уровня значимости a=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 aр =0,12 Так как он больше заданного уровня значимости a=0,05, то коэффициент а0 признается случайным.

Для коэффициента регрессии  а1  рассчитанный  уровень  значимости есть aр = 1,98 Так как он больше заданного уровня значимости a=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

Коэффициенты

Границы доверительных интервалов

Для уровня надежности Р=0,95

Для уровня надежности Р=0,683

нижняя

верхняя

нижняя

верхняя

а0

328,86

41,58

-25,77

-51,52

а1

0,90

1,28

0,99

1,18

Вывод:

В  генеральной  совокупности  предприятий  значение  коэффициента  а0 следует ожидать с надежностью Р=0,95 в пределах 328,86 а041,58, значение коэффициента а1 в пределах 0,90а11,28. 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 =0,91, R2 = 0,83. 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 (xi, yi) 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 a =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 αр индекса детерминации R2 есть aр=1,98 Так как он больше заданного уровня значимости a=0,05, то значение R2 признается случайным и модель связи между признаками Х и Y -143,64 + 1,09х 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 yi 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 ячейке E47.

Вывод:

Погрешность линейной регрессионной модели составляет .100=83,73/2814,17*100= 2,98 %, что подтверждает  адекватность построенной модели -143,64 + 1,09х

Задача 6. Дать экономическую интерпретацию:

1) коэффициента регрессии а1;

3) остаточных величин i.

2) коэффициента эластичности КЭ;

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 = -143,64 показывает, что при увеличении факторного признака Среднегодовая стоимость основных производственных фондов на 1 млн. руб. значение результативного признака Выпуск продукции увеличивается (уменьшается) в среднем на1,09млн. 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, ячейки B50 и D50).

Расчет коэффициента эластичности:

=1,09 * 980,5/ 906,5= 117,9%

Вывод:

Значение коэффициента эластичности Кэ= 1,18 показывает, что при увеличении факторного признака Среднегодовая стоимость основных производственных фондов на 1% значение результативного признака Выпуск продукции увеличивается  в среднем на 18%.

6.3. Экономическая интерпретация остаточных величин εi

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

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 yi и ожидаемым усредненным объемом .

Вывод:

Согласно таблице остатков максимальное превышение ожидаемого среднего объема выпускаемой  продукции  имеют три предприятия - с номерами 19,20,29,а максимальные отрицательные отклонения - три предприятия с номерами 7,15,32.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. Построение для этого уравнения теоретической кривой регрессии.

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

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

Вид уравнения

Уравнение регрессии

Индекс

детерминации R2

Полином 2-го порядка

2 + 0,673х + 49,36

0,835

Полином 3-го порядка

2Е-0,6 х3 – 0,004 х+ 4,981х - 1269

0,898

Степенная функция

0,293 х 1,168

0,837

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 =0,898 Следовательно, наиболее адекватное исходным данным нелинейное уравнение регрессии имеет вид  2Е-0,6 х3 – 0,004 х+ 4,981х - 1269

Это уравнение регрессии и его график приведены на рис.2.2 Полином 3-го порядка..

                                                                                       

ПРИЛОЖЕНИЕ

Результативные таблицы и графики

Таблица 2.1 - Исходные данные

 

Номер предприятия

Среднегодовая стоимость основных производственных фондов, млн.руб.

Выпуск продукции, млн. руб.

 

5

620,00

490,00

 

23

669,00

651,00

 

27

725,00

560,00

 

1

746,00

721,00

 

8

774,00

770,00

 

32

788,00

812,00

 

22

844,00

693,00

 

19

865,00

665,00

 

2

879,00

791,00

 

3

907,00

882,00

 

13

914,00

938,00

 

26

935,00

861,00

 

9

949,00

903,00

 

4

956,00

980,00

 

28

977,00

875,00

 

17

984,00

896,00

 

6

1005,00

840,00

 

14

1005,00

1022,00

 

25

1005,00

910,00

 

7

1033,00

1134,00

 

30

1075,00

910,00

 

18

1089,00

1064,00

 

10

1096,00

1127,00

 

20

1103,00

910,00

 

24

1124,00

1043,00

 

29

1131,00

959,00

 

15

1152,00

1239,00

 

11

1201,00

1190,00

 

21

1229,00

1225,00

 

16

1320,00

1330,00

 

Таблица 2.2 - Зависимость выпуска продукции от среднегодовой стоимости основных фондов

Номер группы

Группы предприятий по среднегодовой стоимости основных фондов, млн. руб.

Число предприятий, ед.

Выпуск продукции, млн. руб.

Всего

В среднем на одно предприятие

1

2

3

4

5

1

620-774

4

2422,00

605,50

2

774-907

5

2702,00

540,40

3

907-1033

11

2863,00

260,27

4

1033-1152

7

2996,00

428,00

5

1152-1320

3

2940,00

980,00

ИТОГО

 

30

13923,00

2814,17

таблица 2.3 - Расчет внутригрупповых дисперсий

Номер группы

Группы предприятий по среднегодовой стоимости основных фондов, млн. руб.

Число предприятий, ед.

Внутригрупповая дисперсия выпуска продукции

 

1

620-774

4

7705,25

 

2

774-907

5

3265,36

 

3

907-1033

11

6646,181818

 

4

1033-1152

7

12572

 

5

1152-1320

3

3538,888889

 

ИТОГО

 

30

218876,4667

Таблица 2.4 - Дисперсии и эмпирические показатели тесноты взаимосвязи

Общая дисперсия выпуска продукции

Средняя из внутригрупповых дисперсий выпуска продукции

Межгрупповая дисперсия выпуска продукции

Эмпирический коэффициент детерминации

Эмпирическое корреляционное отношение

39434,16556

7295,882222

32138,28333

0,814985759

0,902765617

Регрессионный анализ

 

 

ВЫВОД ИТОГОВ

 

табл. 2.5.

 

Регрессионная статистика

 

Множественный R

0,91318826

 

R-квадрат

0,833912798

 

Нормированный R-квадрат

0,827981112

 

Стандартная ошибка

83,76951935

 

Наблюдения

30

 

табл.  2.6.

 

Дисперсионный анализ

 

 

df

SS

MS

F

Значимость F

 

Регрессия

1

986539,6603

986539,6603

140,5861384

1,97601E-12

 

Остаток

28

196485,3064

7017,332372

 

 

 

Итого

29

1183024,967

 

 

 

 

табл.2.7.

 

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

 

Y-пересечение

-143,64

90,42176509

-1,58856877

0,123387341

-328,8617791

 

Переменная X 1

1,08936

0,09187519

11,85690257

1,97601E-12

0,901157387

 

Верхние 95%

Нижние 68,3%

Верхние 68,3%

 

41,57939475

-235,766891

-51,51549371

 

1,277552975

0,995748668

1,182961694

 

 

ВЫВОД ОСТАТКА

табл. 2.8.

Наблюдение

Предсказанное Y

Остатки

20

1057,917572

-147,9175724

19

798,6510393

-133,6510393

29

1088,419517

-129,4195175

30

1027,415627

-117,4156273

6

951,1607647

-111,1607647

27

646,141314

-86,141314

22

775,7745805

-82,77458053

28

920,6588196

-45,6588196

5

531,75902

-41,75902

25

951,1607647

-41,16076467

24

1080,794031

-37,7940312

17

928,2843059

-32,28430587

2

813,9020119

-22,90201187

26

874,905902

-13,905902

9

890,1568745

12,84312547

18

1042,6666

21,33340013

11

1164,67438

25,32561987

21

1195,176325

29,8236748

16

1294,307647

35,69235333

3

844,4039569

37,59604307

1

669,0177728

51,9822272

23

585,1374239

65,86257613

8

699,5197179

70,48028213

14

951,1607647

70,83923533

10

1050,292086

76,70791387

4

897,7823608

82,2176392

13

852,0294432

85,9705568

32

714,7706904

97,2293096

15

1111,295976

127,7040237

7

981,6627097

152,3372903

Рис. 2.1. Полином 2-го порядкка

                                                                                                                                Рис.2.3. Степенная функция


[1] Все статистические показатели необходимо представить в таблицах с точностью до 4-х знаков после запятой. Таблицы и пробелы в формулировках выводов заполнять вручную. В выводах при выборе альтернативного варианта ответа ненужный вариант вычеркивается.