Как правило, экономический процесс описывается числом показателей, более двух, т.е. вектором случайных величин:
X=(X1, X2…, X j,…, Xn)
где j - номер показателя (фактора)
2.4.1. Корреляционная матрица
Пусть совокупность {X j } имеет совместный нормальный закон распределения. Тогда, как и ранее, взаимосвязь между двумя показателями X i и X j можно описать коэффициентом парной линейной корреляции rij. Множество всех возможных сочетаний{ rij }, i,j = образует квадратную корреляционную матрицу:
(2.11)
Отметим важные свойства корреляционной матрицы
1). Все диагональные элементы этой матрицы равны единице:
daig K = rji = 1, i=j.
2). Корреляционная матрица – симметричная, т.е. ее элементы, симметричные относительно главной диагонали, равны друг другу:
rij = r ji,
так как произведение в формуле (2.4) для rij не зависит от порядка следования сомножителей.
2.4.2. Выборочный линейный коэффициент множественной корреляции
Линейный коэффициент множественной корреляции (или совокупный коэффициент корреляции) определяет тесноту связи одного показателя с совокупностью остальных (n-1) показателей при их одновременном действии:.
|
|
(2.12)
K jj – алгебраическое дополнение элемента rjj матрицы К.
Коэффициент множественной корреляции изменяется от 0 до +1, т.е. всегда неотрицателен. Заметим, что совокупный коэффициент корреляции может быть определен без построения регрессионной модели с использование лишь парных линейных коэффициентов корреляции.
2.4.3. Частный коэффициент корреляции
Частный коэффициент корреляции служит количественной мерой связи случайных величин Xi и Xj при условии исключения влияния других случайных (m-2) величин, т.е. при их фиксации.
Выборочная оценка коэффициента частной корреляции определяется по формуле:
(2.13)
где K ij, K jj – алгебраическое дополнение соответствующих элементов матрицы К.
Частный коэффициент корреляции так же, как и парный коэффициент линейной парной корреляции, изменяется от -1 до + 1, т.е. может быть отрицательным.
Гипотеза о значимости частного коэффициента корреляции проверяется так же, как и для парного коэффициента корреляции:
H0: tr < tтаб(a; N-2)?
2.4.4. Коэффициент детерминации
Коэффициент детерминации равен квадрату множественного коэффициента корреляции и применительно к корреляционному анализу показывает: какую долю общей дисперсии исследуемого показателя Xj объясняет (формирует) вариация всех остальных (n-1) показателей X1,X2,…,Xn при их совместном действии:
|
|
(2.14)
2.4.5. Оценка значимости множественного коэффициента детерминации
Используется F – статистика Фишера для R2:
(2.15)
где, n – число компонент вектора ; N – число опытов.
Проверяется нуль гипотеза:
H0: F = 0;
если то коэффициент множественной корреляции незначим (гипотеза Н0 принимается);
если то R2 значим (гипотеза Н0 отвергается);
n1– число степеней свободы для числителя; n2 – число степеней свободы для знаменателя (n1=n-1; n2=N-n) дроби (2.15).
2.4.6. Индекс корреляции при нелинейной связи двух случайных величин
Слово «индекс» здесь понимается в смысле «отношения» [1]. Поэтому употребляется и другой термин для этой числовой меры: «корреляционное отношение».
Пусть две случайные величины X и Y связаны в среднем нелинейным функциональным уравнением вида:
(2.16)
Пример:
Функция f (x) должна быть априори известна.
(2.16)
Тогда выборочная оценка индекса корреляции равна:
(2.17)
Практическая формула для индекса корреляции [ ]:
(2.18)
Здесь:
– дисперсия остатков уравнения регрессии;
– общая дисперсия как мера разброса наблюдений вокруг среднего.
Заметим, что при подстановке и под корень в уравнении (2.18) и условии (N-n)»(N-1) при больших N степени свободы и их можно сократить, откуда следует упрощенная приближенная расчетная формула:
(2.20)
Эта формула допускает наглядное толкование: чем сильнее стохастическая связь в уравнении (2.16), тем меньше доля дисперсии по отношению к общей дисперсии и больше индекс корреляции .
2.4.7. Индекс множественной корреляции
Пусть построено нелинейное по независимым переменным уравнение множественной регрессии:
(2.20)
Тогда использую простую формулу (2.20), можно получить индекс множественной корреляции
(2.21)
Соответственно квадрат этого индекса даст множественный индекс детерминации в нелинейном случае.