Рассмотрим построение парной регрессионной модели на примере (табл. 1)
Таблица 1
Связь между двумя факторами аналитически выражается уравнениями:
прямой: ; гиперболы: ;
параболы: ; степенной функции: .
Параметры уравнения регрессии определяются по методу наименьших квадратов, основным условием которого является минимизация суммы квадратов отклонений эмпирических значений от теоретических:
= min
Система нормальных уравнений для нахождения параметров парной линейной регрессионной модели имеет вид:
.
Теснота связи при линейной зависимости измеряется с помощью линейного коэффициента корреляции:
.
Для качественной оценки тесноты связи рекомендуется использовать шкалу Чеддока:
Значение коэффициента корреляции | 0,1- 0,3 | 0,3 – 0,5 | 0,5 – 0,7 | 0,7 – 0,9 | 0,9 – 0,99 |
Характеристика тесноты связи | слабая | умеренная | заметная | высокая | весьма высокая |
После построения регрессионной модели осуществляется проверка соответствия знаков параметров направлению влияния факторов, а также дается оценка значимости коэффициентов регрессии по t – критерию Стьюдента. Для парной линейной регрессионной модели расчетные значения t – критерия Стьюдента рассчитываются по формулам:
; .
Расчетные значения t – критерия Стьюдента сравнивают с критическим (табличным) для соответствующего числа степеней свободы k=n-m
(n – число наблюдений; m – число параметров) и принятого уровня значимости a.
Оценка адекватности регрессионной модели осуществляется по
F-критерию Фишера. Расчетное значение F-критерия сравнивают с критическим (табличным) для соответствующего числа степеней свободы k1=m-1 и k2=n-m (n – число наблюдений; m – число параметров) и принятого уровня значимости a.
При анализе и экономической интерпретации уравнений регрессии используют и другие характеристики: коэффициенты эластичности и b - коэффициенты.
Коэффициенты эластичности (Э) показывают, на сколько процентов изменяется в среднем результативный показатель при изменении факторного признака на 1% и при фиксировании других факторов на том или ином уровне.
b - коэффициенты показывают, на сколько средних квадратических отклонений изменится в среднем результативный показатель, если соответствующий факторный признак изменится на одно свое среднее квадратическое отклонение.