Рассчитаем уравнения множественной регрессии y(х1,х2,х3), y(х1,х3), y(х2, х3), y(х1, х2).
В строке меню основного окна выберем команду Relate, на экране появится список методов регрессионного анализа (рисунок 13).
Рисунок 13 – Список методов регрессионного анализа
- простая регрессия,
- полиномиальная регрессия,
- бокса-кокса преобразование,
- множественная линейная регрессия.
Выберем множественную регрессию (Multiple Regression). На экране появится диалоговое окно для ввода данных в процедуру построения моделей множественной регрессии. Выделим переменную Y нажатием левой кнопки мыши, затем введём её в поле Dependent Variable (зависимая переменная), аналогично переменные х1, х2, х3 заносим в поле Independent Variables (независимые переменные) (рисунок 14).
Рисунок 14 – Окно диалога для ввода данных в процедуру построения моделей множественной регрессии
После нажатия кнопки ОК получим сводку проведённого анализа (рисунок 15).
Рисунок 15 – Отчёт о множественной регрессии y (х1, х2, х3)
Отчёт о множественной регрессии содержит следующую информацию: в столбце Estimate (оценка)приведены оценки параметров уравнения регрессии, т.е. рассчитаны свободный член и коэффициенты регрессии; столбец Standard Error содержит стандартные ошибки соответствующих оценок; столбец T Statistic ─ расчётные статистики Стьюдента; столбец P-Value ─ выборочный уровень значимости для соответствующих статистик Стьюдента. В таблице дисперсионного анализа Analysis of Variance рассчитаны суммы квадратов отклонений Sum of Squares,обусловленные регрессионной зависимостью (SSR) и случайными ошибками (SSE), соответствующие им числа степеней свободы Df, средние квадраты или оценки дисперсий Mean Square (MSR и MSE),значение критерия Фишера F-Ratio и значение уровня значимости P-Value для статистики Фишера.
|
|
Далее приведены:
R-Squared – коэффициент множественной детерминации,
R-Squared (adjusted for d. f.) – исправленный коэффициент множественной детерминации,
Standard Error of Est. – стандартная ошибка оценки,
Mean absolute error – средняя абсолютная ошибка,
Durbin-Watson Statistic – статистика Дарбина –Уотсона.
Аналогично рассмотренной выше процедуре получите отчёт о множественной регрессии y (х1, х3) (рисунок 16 ), y (х2, х3) (рисунок 17)), y (х1, х2) (рисунок 18).
Рисунок 16 – Отчёт о множественной регрессии y (х1, х3)
Рисунок 17 – Отчёт о множественной регрессии y (х2, х3)
Рисунок 18 – Отчёт о множественной регрессии y (х1, х2)
Рассчитаем уравнения парной регрессии y (х1), y (х2), y (х2), воспользовавшись процедурой построения простой регрессии: Relate/Simple Regression.
Рисунок 19 – Окно диалога для ввода данных в процедуру построения простой регрессии
В появившемся окне диалога (рисунок 19) выделим сначала переменную y и введём её в поле анализа Y нажатием кнопки со стрелкой, а затем переменную х1 в поле анализа X. После нажатия ОК на экране появится отчёт о парной линейной регрессии y (х1) (рисунок 20 ), y (х2) (рисунок 21), y (х3) (рисунок 22).
|
|
Рисунок 20 – Отчёт о простой линейной регрессии y (х1)
Рисунок 21 – Отчёт о простой линейной регрессии y (х2)
Рисунок 22 – Отчёт о простой линейной модели y (х3)
Выпишем уравнения множественной и парной регрессий в натуральном масштабе (см. рисунок 16,17,18,20,21,22):
= – 2 238,27 + 6,56х1 + 8,56х2 + 134,896х3,
= – 2 286,7+6,246 82х1+145,414х3,
= – 3 898,64 + 7,363х2 + 234,599х3,
= – 0,445 08 + 14,426 1х1 + 11,693 7х2,
= 176,805 + 14,843х1,
= – 122,601 + 33,140 8х2,
= – 3 871,17 + 239,54 х3.
Рассмотрим выполнение пунктов 3.1 – 3.5 на примере анализа уравнения множественной регрессии y(х1, х3):
3.1. = b0 + b1x1 + b3x3
Уравнение множественной регрессии y(х1, х3) имеет следующий вид:
= – 2 284,42+6,215 42х1+145,323х3.
Коэффициенты регрессии b1 и b3 показывают, что с увеличением x1 и x3 на единицу объём реализации продукции за квартал у в среднем соответственно увеличится на 6,215 42 и на 145,323 млн руб. Сравнивать эти значения не следует, т.к. они зависят от единиц измерения каждого фактора и поэтому несопоставимы между собой. Сопоставимость коэффициентов уравнения регрессии достигается при рассмотрении стандартизированного уравнения регрессии.
Оценим точность уравнения регрессии = – 2 284,42+6,215 42х1+ 145,323х3.
Определим значимость уравнения в целом, для чего воспользуемся процедурой дисперсионного анализа.
Проверим гипотезу Н0: (все коэффициенты регрессии уравнения равны 0), при альтернативной гипотезе Н1: хотя бы один 0.
Для проверки гипотезы используется критерий Фишера
.
Табличное значение критерия определяется по таблице значений критических точек распределения Фишера – Снедекора (приложение Г), где n1= (m – число факторов в модели) и n2= число степеней свободы для различных оценок дисперсии. Если расчетное значение F > , то Н0 отвергается, в противном случае она не отвергается.
Т.к. расчётное значение критерия Фишера (см. рисунок 20) F = 77,54 больше табличного F(0,05,2,12) = 3,885, гипотеза Н0 о незначимости уравнения регрессии отвергается, принимается гипотеза Н1: данное уравнение регрессии значимо.
Оценка значимости коэффициентов регрессии и свободного члена осуществляется с помощью t -критерия Стьюдента.
Выдвигаем гипотезу Н0: =0 и альтернативную ей гипотезу Н1: 0
Рассчитаем t- статистики по формулам:
для коэффициентов регрессии , где – стандартные ошибки коэффициентов регрессии;
для свободного члена , где – стандартная ошибка свободного члена.
Сравним полученное расчётное значение статистики t с табличным значением , которое определяется по таблице критических точек распределения Стьюдента (приложение Б) с n = () степенями свободы ( – число единиц совокупности, – число факторов в уравнении) и заданным уровнем значимости (для двусторонней критической области). Если , то гипотеза Н0 отвергается, коэффициент регрессии значим, в противном случае он не значим. Табличное значение статистики Стьюдента . Выясним, какие из коэффициентов регрессии равны нулю, а какие значимо отличны от нуля:
> , гипотеза Н0: В0=0 отвергается, принимается Н1: В0 0;
< , гипотеза Н0: =0 не отвергается;
> , гипотеза Н0: =0 отвергается, принимается Н1: 0.
3.2Оценим параметры множественной регрессии в стандартизированном масштабе:
у0 = b1х10 + b2х20 + …+ bmхm0 + е,
где у0 и хк0 – стандартизированные значения переменных у и хк:
, ,
где и - стандартные отклонения переменных у и хк.
- стандартизированные коэффициенты регрессии или -коэффициентами.
-коэффициенты показывают, на какую часть своего стандартного отклонения изменится зависимая переменная у, если независимая переменная х к изменится на величину своего стандартного отклонения .
|
|
Запишем стандартизированное уравнение регрессии
3,78; .
Таким образом, увеличение затрат на рекламу и среднего уровня дохода только на одно или на одно увеличивает в среднем объём продаж соответственно на 3,78 или на 5,57 .