В примере 10 мы показали взаимосвязь между заказами строительной компании и уровнем заработной платы. Рассчитывая коэффициенты корреляции для указанных данных, мы можем только суммировать один расчетный столбец (для у2) и затем обращаться к уравнению для r.
y | x | x2 | xy | y2 (новый столбец) |
2.0 | 4.0 | |||
3.0 | 9.0 | 9.0 | ||
2.5 | 10.0 | 6.25 | ||
2.0 | 4.0 | 4.0 | ||
2.0 | 2.0 | 4.0 | ||
3.5 | 24.5 | 12.25 | ||
Σy = 15.0 | Σx = 18 | Σх2 = 80 | Σху = 51.5 | Σy2 =39.5 |
Такое r =.901 означает существенную корреляцию и взаимосвязь между двумя переменными.
Хотя коэффициенты корреляции являются более общим измерителем, используемым для описания взаимосвязи между двумя переменными, существует другой измеритель. Он называется коэффициентом детерминации. Это просто квадрат от коэффициента корреляции, а именно r 2. Значение r2 будет всегда положительным числом в интервале 0 < r < 1. Коэффициент детерминации является процентным изменением в зависимой переменной (у), которая определяется регрессионным уравнением. В случае примера 12 значение r2 равно 81. Оно показывает, что 81 % общих изменений определяется регрессионным уравнением.
|
|
Множественный регрессионный анализ. Множественная регрессия – это практически расширение модели, которую мы только что рассматривали. Она позволяет строить модель с рядом независимых переменных. Например, если строительная компания хочет включать среднюю годовую процентную ставку в ее модель прогноза продаж, соответствующее уравнение будет:
у = а + b1x1 + b2х2, (4.14)
где у – зависимая переменная, продажи;
а – отрезок, отсекаемый на оси у;
х1 и х2 – значения двух независимых переменных: зарплаты и процентной ставки соответственно.
Математически множественная регрессия требует комплекса средств (обычно с применением компьютера), а формулу для определения а, b1 и b2 мы находим в учебниках по статистике.