Корреляционный анализ. Пример решения

Поле корреляции

Параметры уравнения регрессии

y = 6.61 x + 108.87

Выборочные средние:

x_ср = ∑x_i / n = 55 / 10 = 5.5

y_ср = ∑y_i / n = 1452 / 10 = 145.2

xy_ср = ∑x_iy_i / n = 8531 / 10 = 853.1

Выборочные дисперсии:

S²(x) = ∑x²_i / n - x²_ср = 385 / 10 - 5.5² = 8.25

S²(y) = ∑y²_i / n - y²_ср = 214628 / 10 - 145.2² = 379.76

Коэффициент корреляции r_xy = 0.9737

Линейное уравнение регрессии имеет вид y = 6.61 x + 108.87

Коэффициент детерминации R² = 0.948

- нажать на текст Скачать решение в формате Word

- получить решение задачи, см. далее текст решения задачи:

Copyright © Semestr.RU

Уравнение парной регрессии.

Использование графического метода.

Этот метод применяют для наглядного изображения формы связи между изучаемыми экономическими показателями. Для этого в прямоугольной системе координат строят график, по оси ординат откладывают индивидуальные значения результативного признака Y, а по оси абсцисс - индивидуальные значения факторного признака X.

Совокупность точек результативного и факторного признаков называется полем корреляции.

На основании поля корреляции можно выдвинуть гипотезу (для генеральной совокупности) о том, что связь между всеми возможными значениями X и Y носит линейный характер.

Линейное уравнение регрессии имеет вид y = bx + a + ε

Здесь ε - случайная ошибка (отклонение, возмущение).

Причины существования случайной ошибки:

1. Невключение в регрессионную модель значимых объясняющих переменных;

2. Агрегирование переменных. Например, функция суммарного потребления – это попытка общего выражения совокупности решений отдельных индивидов о расходах. Это лишь аппроксимация отдельных соотношений, которые имеют разные параметры.

3. Неправильное описание структуры модели;

4. Неправильная функциональная спецификация;

5. Ошибки измерения.

Так как отклонения ε_i для каждого конкретного наблюдения i – случайны и их значения в выборке неизвестны, то:

1) по наблюдениям x_i и y_i можно получить только оценки параметров α и β

2) Оценками параметров α и β регрессионной модели являются соответственно величины а и b, которые носят случайный характер, т.к. соответствуют случайной выборке;

Тогда оценочное уравнение регрессии (построенное по выборочным данным) будет иметь вид y = bx + a + ε, где e_i – наблюдаемые значения (оценки) ошибок ε_i, а и b соответственно оценки параметров α и β регрессионной модели, которые следует найти.

Для оценки параметров α и β - используют МНК (метод наименьших квадратов). Метод наименьших квадратов дает наилучшие (состоятельные, эффективные и несмещенные) оценки параметров уравнения регрессии.

Но только в том случае, если выполняются определенные предпосылки относительно случайного члена (ε) и независимой переменной (x).

Формально критерий МНК можно записать так:

S = ∑(y_i - y^*_i)² → min

Система нормальных уравнений.

a•n + b∑x = ∑y

a∑x + b∑x² = ∑y•x

Для наших данных система уравнений имеет вид

10a + 55 b = 1452

55 a + 385 b = 8531

Из первого уравнения выражаем а и подставим во второе уравнение:

Получаем эмпирические коэффициенты регрессии: b = 6.61, a = 108.87

Уравнение регрессии (эмпирическое уравнение регрессии):

y = 6.61 x + 108.87

Эмпирические коэффициенты регрессии a и b являются лишь оценками теоретических коэффициентов β_i, а само уравнение отражает лишь общую тенденцию в поведении рассматриваемых переменных.

Дата добавления: 2014-01-15