Множественный регрессионный анализ

Модель множественной регрессии в общем виде записывается следующим образом:

(5.5)

Специфической проблемой, решаемой при построении множественной регрессии, является отбор факторов, включаемых в уравнение регрессии. Об условиях, которые следует соблюдать при этом, говорилось выше. Напомним, что для получения надежных оценок параметров, необходимо, чтобы число факторов, включаемых в модель, было, по меньшей мере, в 5 – 6 раз меньше объема изучаемой совокупности. Из-за ограниченности объема совокупности не стоит «засорять» модель факторами, связь которых с зависимой переменной слабая (r < 0,3).

Для получения оценки «очищенного» влияния каждого фактора, в уравнение не следует одновременно включать факторы, между которыми существует тесная линейная зависимость (коллинеарность).

Отбор факторов может быть осуществлен на основе матрицы парных коэффициентов корреляции (Таблица 5.1).

Таблица 5.1

Матрица парных коэффициентов корреляции

Признаки	у				…
y		ryx1	ryx2	ryx3	…	ryxк
x1	…		rx1x2	rx1x3	…	rx1xк
x2	…	…		rx2x3	…	rx2xк
x3	…	…	…		…	rx3xк
…	…	…	…	…		…
xк	…	…	…	…	…

Поскольку парный коэффициент корреляции - мера симметричная, матрица симметрична относительно единичной диагонали, поэтому достаточно заполнить либо верхний, либо нижний сегмент корреляционной матрицы.

Анализ первой строки матрицы, содержащей показатели тесноты связи между признаком-результатом и каждым из признаков-факторов, позволяет исключить из анализа факторы, практически не влияющие на поведение зависимой переменной (r < 0,3).

В остальных клетках выделенного сегмента матрицы содержатся коэффициенты, оценивающие зависимость между факторами. Анализ этих характеристик позволяет выявить наличие мультиколлинеарности. Из двух коллинеарных факторов (r ≥ 0,7), один следует исключить из анализа. Предпочтение отдается признаку, связь которого с результатом более тесная.

Расчет параметров уравнения множественной регрессии осуществляется на основе МНК.

Параметры при факторах в уравнении множественной регрессии называются условно-чистыми коэффициентами регрессии. Их можно было бы назвать «чистыми», если бы удалось включить в модель все факторы, определяющие значение признака-результата, что на практике не может быть реализовано.

Условно-чистые коэффициенты регрессии оценивают силу влияния каждой независимой переменной при условии элиминирования других факторов, включенных в модель. Интерпретация значений коэффициентов аналогична интерпретации коэффициентов в уравнении парной регрессии.

Независимые переменные могут иметь разные единицы измерения, поэтому получаемые коэффициенты регрессии не сопоставимы и не позволяют ранжировать аргументы по силе их влияния на зависимую переменную.

Для сравнения роли отдельных факторов в формировании уровня признака-результата рассчитываются относительные характеристики, такие, как коэффициенты эластичности (Э) и β -коэффициенты.

Частные коэффициенты эластичности рассчитываются по формуле:

, (5.6)

где - коэффициент регрессии при i -м факторе;

- среднее значение i -го фактора;

- среднее значение признака-результата.

Величина характеризует, на сколько процентов в среднем изменяется значение зависимой переменной при изменении фактора на 1% от своей средней, в условиях элиминирования влияния других факторов.

-коэффициент характеризует, на какую часть своего средне- квадратического отклонения изменится признак-результат при изменении оцениваемого фактора на величину своего среднеквадратического отклонения, и рассчитывается как:

. (5.7)

Сравнивая значения частных коэффициентов эластичности или β– коэффициентов, можно выделить факторы, воздействие на которые более целесообразно, с точки зрения управления результативным признаком.

Оценка качества полученного уравнения множественной регрессии выполняется аналогично оценке уравнения парной зависимости: статистическая значимость параметров модели проверяется на основе t-статистики, статистическая значимость уравнения в целом – на основе F – критерия Фишера.

Дата добавления: 2015-07-02