Корреляционно-регрессионный анализ используется для исследования форм связи, устанавливающих количественные соотношения между случайными величинами изучаемого процесса. В социально-экономическом прогнозировании этот метод применяют для построения условных прогнозов и прогнозов, основанных на оценке устойчивых причинно-следственных связей. При этом значение независимой переменной (х) нам известно по предположению. В процессе прогнозирования оно может быть использовано нами для оценки зависимой переменной (у). Функция регрессии у = f(x1, x2, х3, x4,... хт ) показывает, каким будет в среднем значение переменной у, если переменные х примут конкретное значение.
Переменная у, характеризующая результат, формируется под воздействием других переменных и факторов. Поэтому она всегда стохастична (случайна) по природе. Переменные х ( объясняющие переменные) характеризуют причину. Они поддаются регистрации, а часть из них — планированию и регулированию. Значения ряда переменных х могут характеризовать внутренние элементы системы или задаваться «извне» прогнозируемой системы.
|
|
По своей природе объясняющие переменные могут быть случайными и неслучайными. Регрессионные остатки ε — это латентные (скрытые) случайные компоненты, влияющие на у, а также случайные ошибки в измерении анализируемых результирующих переменных.
В зависимости от количества исследуемых переменных различают парную и множественную корреляцию.
Парная корреляция — корреляционные связи между двумя переменными. Примерами парной корреляции могут служить зависимости между уровнем образования и производительностью труда, между ценой товара и спросом на него, между качественными параметрами товара и ценой. Экономико-математические модели, построенные с учетом такого рода взаимосвязей, называют однофакторными моделями. Следует отметить, что в практике прогнозирования экономических явлений однофакторные модели занимают значительное место, что определяется простотой вычислительного процесса и ясностью экономической интерпретации результатов.
Множественная корреляция — корреляционные взаимосвязи между несколькими переменными. В качестве ее примеров можно привести зависимость спроса на товар от цены, уровня доходов населения, расходов на рекламу; зависимость объема выпускаемой продукции от размера инвестиций, технического уровня оборудования, численности занятых в процессе производства.
Примеры корреляционных зависимостей
Примером использования корреляционной зависимости для прогнозирования и принятия управленческих решений могут служить кривые спроса и предложения, на основе которых строятся модели, описывающие последствия изменения цен.
|
|
В конце XIX в. немецкий статистик Э. Энгель сформулировал законы и построил кривые, согласно которым с ростом дохода доля расходов на питание сокращается, на одежду и жилище остается неизменной, а на образование и лечение—увеличивается. Эти кривые послужили исходным пунктом построения различных моделей, описывающих поведение покупателей при изменении их доходов и соответственно используемых при прогнозировании спроса на товары и услуги.
Немецкий исследователь Г. Госсен сформулировал утверждение о зависимости потребительской оценки полезности от количества благ и дал им математическую интерпретацию.
Примерами множественной корреляции могут служить различные модели экономического роста (модель Е. Домара, модель Р.ф. Харрода, модель Р. Солоу), описывающие зависимость реального дохода в экономике от наиболее значимых факторов.
В конце 1960-х гг. эмпирическим путем была установлена закономерность снижения переменных издержек на производство единицы продукции на 10—30%. При каждом удвоении объема производства. Эта зависимость получила название кривой опыта, она лежит в основе многих концепций деловой стратегии.
При анализе временных рядов часто встречается ложная корреляция, когда параллельно повышаются или снижаются показатели, на самом деле совершенно не зависящие друг от друга. Ложная корреляция — это отсутствие причинной связи между явлениями, связанными корреляционной связью.
Регрессионный анализ — часть теории корреляции. В процессе регрессионного анализа решаются задачи выбора независимых переменных, существенно влияющих на зависимую величину, определение формы уравнения регрессии, оценивание параметров.
Мы рассмотрим модель линейной регрессии как наиболее доступную для понимания и довольно часто используемую на практике. Множественные модели также находят практическое применение, но обычно для их построения используются пакеты прикладных программ. Проблема, с которой сталкивается прогнозист при использовании пакетов прикладных программ, заключается в оценке адекватности отображения действительности и будущих взаимосвязей в регрессионных моделях и корректное их использование для прогнозирования будущего.