Применение регрессионных моделей в оценочной деятельности в основном сводится к получению прогнозных значений различных параметров для оцениваемого объекта. Обычно термин «прогнозирование» используется в тех ситуациях, когда требуется предсказать значение интересующего параметра в будущем. Для регрессионных моделей он имеет более широкий смысл. Данные могут не иметь временной структуры, но и в этих случаях вполне может возникнуть задача: оценить значение результирующей переменной для некоторого набора факторных переменных, которых нет в исходной выборке. Именно в этом смысле чаще всего понимается прогнозирование в оценке.
Все процедуры по построению точечных и интервальных прогнозов, описанные для парной линейной регрессии, применяются в том же виде и в той же последовательности и для множественной линейной регрессии.
Интервальный прогноз указывает нижнюю и верхнюю границу отрезка, накрывающего истинное значение прогнозируемого показателя и если считать, что распределение точечных оценок является нормальным и объем выборки достаточно большой, определяется выражением:
|
|
.
4. Нелинейный регрессионный анализ
Линейная модель множественной регрессии носит еще название аддитивной модели, так как в ней влияния различных объясняющих переменных складываются. В практике оценки наряду с аддитивными моделями широко используются мультипликативные и гибридные модели.
Мультипликативная модель имеет вид:
.
В мультипликативной модели переменные не умножаются на свои коэффициенты. Вместо этого они либо возводятся в степени, либо сами служат в качестве показателя степени, а результаты затем перемножаются. Случайная составляющая также входит в модель мультипликативно. Для оценки параметров мультипликативной модели ее сначала необходимо преобразовать к аддитивному виду путем логарифмирования, а затем применить метод наименьших квадратов.
Для оценки параметров необходимо предварительно преобразовать исходные данные наблюдений - найти логарифмы от значений результирующей переменной и той части факторных переменных, которые входят в модель как аргументы логарифмической функции.
Для мультипликативной модели процедура оценки качества сложнее, чем для линейной (аддитивной) модели. Есть два подхода к анализу качества модели. Первый подход состоит в том, что анализируется качество линеаризированной модели, а результаты автоматически переносятся на мультипликативную модель. При втором подходе качество мультипликативной модели оценивается путем вычисления коэффициента корреляции между наблюдаемыми значениями у и значениями, рассчитанными по модели. Чем ближе коэффициент корреляции к единице, тем лучше считается модель.
|
|
Подобные проблемы возникают при построении интервальных прогнозов. Непосредственно по мультипликативной модели построить интервальный прогноз не представляется возможным, поэтому строят интервальный прогноз для ln y, а затем выполняют обратное преобразование. При этом, если в аддитивной модели интервальный прогноз всегда симметричен относительно точечного прогноза, то в мультипликативной модели интервальный прогноз этим свойством не обладает.
Гибридная модель объединяет как аддитивные, так и мультипликативные компоненты. Гибридная модель дает оценщику большую свободу при построении модели, что позволяет ему строить более качественные и содержательные модели. Однако в гибридных моделях нельзя получать оценки параметров непосредственно с помощью метода наименьших квадратов. Для каждой модели приходится искать подходящий способ оценки параметров.
К нелинейным регрессионным моделям относятся также модели парной регрессии, в которых функция f(x) имеет вид экспоненты, гиперболы и других нелинейных зависимостей. Построение таких моделей достигается обратным или логарифмическим преобразованием факторного или результирующего признака, а также их комбинациями.