Сущность корреляционно-регрессионного анализа

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 (y). Функция регрессии у = f(x_u х₂, х₃, х₄,... х_т) 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 сто- хастична (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 в — 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.

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.

1. Установление формы зависимости (линейная или нелинейная; положительная или отрицательная и т. д.).

2. Определение функции регрессии и установление влияния факторов на зависимую переменную. Важно не только определить форму регрессии, указать общую тенденцию изменения зависимой переменной, но и выяснить, каково было бы действие на зависимую переменную главных факторов, если бы прочие не изменялись и если бы были исключены случайные элементы. для этого определяют функцию регрессии в виде математического уравнения того или иного типа.

3. Оценка неизвестных значений зависимой переменной, т. е. решение задач экстраполяции и интерполяции. В ходе экстраполяции распространяются тенденции, установленные в прошлом, на будущий период. Экстраполяция широко используется в прогнозировании. В ходе интерполяции определяют недостающие значения, соответствующие моментам времени между известными моментами, т. е. определяют значения зaвисимой переменной внутри интервала заданных значений факторов.

2. МОДЕЛИРОВАНИЕ СТОИМОСТИ ОДНОКОМНАТНЫХ КВАРТИР НА ВТОРИЧНОМ РЫНКЕ В ЛЕНИНСКОМ РАЙОНЕ Г.О. САМАРА