Основным применением полученного уравнения регрессии является прогнозирование значения результирующего признака при заданном значении факторного признака. Различают точечное и интервальное прогнозирование. В первом случае оценка - это конкретное число, во втором - интервал, который накрывает истинное значение результата с заданной вероятностью.
Точечный прогноз получается при подстановке прогнозного значения факторной переменной х в уравнение регрессии.
Процедура построения интервальных прогнозов требует определенных навыков в обработке статистических данных и знания аппарата матричной алгебры. Для практического применения можно воспользоваться несколько упрошенным методом построения интервальных прогнозов. Для этого необходимо вычислить дисперсию отклонений. Ее значение определяется по формуле:
.
Если считать, что распределение точечной оценки близко к нормальному, то абсолютная погрешность при достаточно большом количестве измерений может быть получена следующим образом:
|
|
,
где - критическое значение t-статистики при уровне значимости и числе степеней свободы .
Тогда интервальный прогноз результирующего показателя будет иметь вид:
.
Интерпретация полученного результата следующая: истинное значение прогнозируемого показателя у с вероятностью накрывается указанным отрезком.
3. Множественный линейный анализ
Рассмотрим обобщенную модель множественной регрессии:
,
Линейное уравнение, не включающее в себя отклонения u, с конкретными значениями регрессионных коэффициентов называется эмпирическим уравнением регрессии:
.
Включение в уравнение множественной регрессии того или иного факторного признака связано, прежде всего, с представлениями исследователя о природе взаимосвязи результирующего показателя с другими экономическими и физическими показателями, характеризующими рассматриваемый объект. Факторные переменные, включаемые во множественную регрессию, должны отвечать следующим требованиям:
1. Они должны быть количественно измеримы. Если необходимо включить в модель качественный фактор, то ему нужно придать количественную определенность.
2. Факторы должны быть независимыми друг от друга. Нарушение этого условия называется мулътиколлинеарностью.
Основные этапы построения (после проведения спецификации) множественной линейной регрессионной модели совпадают с аналогичными этапами, рассмотренными для парной линейной регрессии.