№ | Х1X2 | Х1X3 | Х1X5 | Х2X3 | Х2X5 | Х3X5 |
1 | 3120,18 | 3941,74 | 2990,828 | 1610,07 | 1221,654 | 1543,322 |
2 | 3171,96 | 4018,41 | 3055,239 | 1605,56 | 1220,724 | 1546,479 |
3 | 3141,60 | 3977,60 | 3112,240 | 1613,64 | 1222,011 | 1547,196 |
4 | 3335,12 | 4018,11 | 3038,862 | 1703,28 | 1288,176 | 1551,978 |
5 | 3351,53 | 4027,17 | 3046,603 | 1707,81 | 1291,979 | 1552,431 |
6 | 3318,75 | 4017,90 | 3032,895 | 1702,50 | 1285,125 | 1555,858 |
7 | 3331,36 | 4022,44 | 3037,208 | 1707,04 | 1288,928 | 1556,312 |
8 | 3356,25 | 4072,25 | 3068,060 | 1706,25 | 1285,500 | 1559,740 |
9 | 3368,96 | 4085,76 | 3071,488 | 1714,56 | 1288,928 | 1563,168 |
10 | 3404,80 | 4085,76 | 3072,384 | 1732,80 | 1303,020 | 1563,624 |
11 | 3425,19 | 4108,43 | 3083,570 | 1741,17 | 1306,830 | 1567,510 |
12 | 3417,57 | 4099,29 | 3075,813 | 1741,17 | 1306,449 | 1567,053 |
S | 39743,27 | 48474,86 | 36685,190 | 20285,85 | 15309,324 | 18674,671 |
39743,27 – 1067,5 ´ 446,70 / 12
rX1X2 = = 0,694;
Ö [94969,35 – (1067,5)2/ 12]´[16638,63 – (446,70)2/ 12]
48474,86 – 1067,5 ´ 544,90 / 12
rX1X3 = = 0,816;
Ö [94969,35 – (1067,5)2/ 12]´[24743,51 – (544,90)2/ 12]
36685,19 – 1067,5 ´ 411,26 / 12
rX1X5 = = 0,912;
|
|
Ö [94969,35 – (1067,5)2/ 12]´[14094,572 – (411,26)2/ 12]
20285,85 – 446,70 ´ 544,90 / 12
rX2X3 = = 0,854;
Ö [16638,63 – (446,70)2/ 12]´[24743,51 – (544,90)2/ 12]
15309,324 – 446,70 ´ 411,26 / 12
rX2X5 = = 0,658;
Ö [16638,63 – (446,70)2/ 12]´[14094,572 – (411,26)2/ 12]
18674,671 – 544,90 ´ 411,26 / 12
rX3X5 = = 0,689.
Ö [24743,71 – (544,90)2/ 12]´[14094,572 – (411,26)2/ 12]
Проанализируем полученные результаты. Как и в предыдущем случае, коэффициент парной корреляции изменяется от – 1 до + 1. Если численное значение названного коэффициента превышает ± 0,9, то считается, что между рассматриваемыми факторами присутствует мультиколлинеарность. В случае присутствия мультиколлинеарности один из факторов должен быть отброшен, поскольку включение в модель двух мультиколлинеарных факторов приводит к сильному искажению результатов моделирования процесса и таким результатам доверять нельзя.
В нашем случае взаимосвязь между всеми факторами имеется на высоком и среднем уровнях (от 0,658 до 0,854), то есть в пределах нормы, и только лишь взаимосвязь между затратами на обработку почвы и надоями молока (rX1Х5 = 0,912) приближается к функциональной, то есть эти факторы мультиколлинеарны. Понятно, что чем выше затраты на обработку почвы, тем выше урожайность, следовательно, улучшается кормовая база, которая, в большой степени, определяет надои молока. Здесь надои молока являются зависимым фактором от затрат на обработку почвы. Поэтому в модель целесообразно включить именно этот фактор – затраты на обработку почвы. Кроме того, этот фактор – затраты на обработку почвы - связан с валовым доходом (rYX1 = 0,897) более тесно, чем второй фактор – надои молока (rYX5 = 0,829). По этому критерию также выбираем фактор Х1 для включения в модель, а фактор Х5 считает мультиколлинеарным и отбрасываем.
|
|
Таким образом, расчет коэффициентов парной корреляции позволил из оставшихся факторов оценить их по критерию мультиколлинеарности. Один из факторов по этому критерию в дальнейшем не рассматривается и в модель не включается, что позволяет ее еще в некоторой степени упростить, без существенных искажений результатов моделирования хозяйственной деятельности фермерского хозяйства.