Пример 1

В следующей таблице приведены данные об изменении потребительского спроса на куриные яйца семи семейных хозяйств в зависимости от цены на этот продукт в течение 15 недель:

i
Спрос				11.5							13.5		13.5	14.5
Цена	0.54	0.51	0.49	0.49	0.48	0.48	0.48	0.47	0.44	0.44	0.43	0.42	0.41	0.40	0.39

(спрос измерялся в дюжинах, цена — в долларах). Диаграмма рассеяния для этих данных имеет следующий вид:

Предполагая, что модель наблюдений имеет вид где — спрос в i- ю неделю, а — цена в i- ю неделю, мы получаем следующие оценки для неизвестных параметров и модели линейной связи между ценой и спросом: Таким образом, подобранная модель линейной связи имеет вид При этом,

так что коэффициент детерминации оказывается равным т. е. изменчивость цен объясняет 51.4% изменчивости спроса на куриные яйца. На диаграмме рассеяния изображена прямая линия, Соответствующая подобранной модели линейной связи.

Пример 2. В следующей таблице приведены данные о годовом потреблении свинины на душу населения в США (в фунтах) и оптовых ценах на свинину (в долларах за фунт) за период с 1948 по 1961 год:

Год	Потр.	Цена		Год	Потр.	Цена
	67.8	0.5370			66.6	0.4256
	67.7	0.4726			67.4	0.4111
	69.2	0.4556			61.5	0.4523
	71.9	0.4655			60.2	0.4996
	72.4	0.4735			67.6	0.4183
	63.5	0.5047			65.2	0.4433
	60.0	0.5165			62.2	0.4448

Для этих данных диаграмма рассеяния имеет вид

Предполагая, что модель наблюдений имеет вид где — потребление свинины в i- й год рассматриваемого периода, а — оптовая цена на свинину в этом году, мы получаем следующие оценки для неизвестных параметров и модели линейной связи между оптовой ценой и потреблением: Таким образом, подобранная модель линейной связи имеет вид При этом,

, ,

так что коэффициент детерминации здесь оказывается равным . Изменчивость оптовой цены объясняет здесь лишь 5.5% изменчивости потребления свинины.

Пример 3. Рассмотрим данные о размерах совокупного располагаемого дохода и совокупных расходах на личное потребление в США в период с 1970 по 1979 год. Обе величины выражены в текущих долларах США.

Год	Расп. доход	Потребление
	695.2	621.7
	751.9	672.4
	810.3	737.1
	914.0	811.7
	998.1	887.9
	1096.2	976.6
	1194.3	1084.0
	1313.5	1204.0
	1474.3	1346.7
	1650.5	1506.4

Этим данным Соответствует диаграмма рассеяния

Предполагая, что модель наблюдений имеет вид где — совокупные расходы на личное потребление в i- й год рассматриваемого периода, а — совокупный располагаемый доход в этом году, мы получаем следующие оценки для неизвестных параметров и модели линейной связи между совокупным располагаемым доходом и совокупными расходами на личное потребление: Таким образом, подобранная модель линейной связи имеет вид При этом,

, ,

так что коэффициент детерминации здесь оказывается равным . Изменчивость совокупного располагаемого дохода объясняет здесь более 99.95% изменчивости совокупных расходов на личное потребление.

Впрочем, не следует слишком оптимистически интерпретировать близкие к единице значения коэффициента детерминации как указание на то, что изменения значений объясняемой переменной практически полностью определяются именно изменениями значений объясняющей переменной. В этой связи, рассмотрим следующий поучительный пример.

Пример 4. Рассмотрим динамику изменений в период с 1957 по 1966 годы трех совершенно различных по природе показателей: E — суммарного производства электроэнергии в США (в млрд. квт-час), C — совокупных потребительских расходов в Тайланде (в млрд. бат) и H — мирового рекорда на конец года в прыжках в высоту с шестом среди мужчин (в см). Значения этих показателей приведены в таблице:

Год	Потребление Тайланд млрд бат	Эл. энергия США млрд квт-час	Мир. рекорд (прыжки с шестом), см
	34.9
	35.9
	37.9
	41.1
	43.5
	46.7
	48.9
	52.0
	56.1
	62.6

Динамика изменений показателей показана на графике:

По этим данным мы можем формально, используя метод наименьших квадратов, подобрать модели линейной зависимости каждого из трех показателей от каждого из остальных показателей. Это приводит, например, к моделям

(Заметим, кстати, что произведение угловых коэффициентов двух последних прямых, Соответствующих моделям линейной связи, в которых объясняемая и объясняющая переменная меняются местами, равно и совпадает со значением коэффициента детерминации в этих двух подобранных моделях.)

Во всех подобранных моделях значения коэффициента детерминации весьма высоки, и это формально означает, что изменчивость «объясняющих» переменных в этих моделях составляет значительный процент от изменчивости «объясняемой» переменной, стоящей в левой части уравнения. Однако, вряд ли мы всерьез можем полагать, что динамика роста суммарного производства электроэнергии в США действительно объясняется динамикой роста мирового рекорда по прыжкам в высоту с шестом, несмотря на высокое значение 0.9 коэффициента детерминации в первом из четырех уравнений.

В ситуациях, подобных последнему примеру, принято говорить о фиктивной (ложной, паразитной — spurious) линейной связи между Соответствующими показателями. И такие ситуации часто встречаются при рассмотрении показателей, динамика изменений которых обнаруживает заметный тренд (убывание или возрастание) — именно такой характер имеют исследуемые показатели в последнем примере.

Чтобы понять, почему это происходит, вспомним полученное в свое время равенство

Из этого равенства вытекает, что близкие к единице значения коэффициента детерминации Соответствуют близким по абсолютной величине к единице значениям коэффициента корреляции между переменными и . Но этот коэффициент корреляции равен

где

При фиксированных значениях и , значение будет тем ближе к , чем большим будет значение Последнее же обеспечивается совпадением знаков разностей и для максимально возможной доли наблюдений переменных и , что как раз и имеет место, когда в процессе наблюдения обе переменные возрастают или обе переменные убывают по величине. (В этом случае превышение одной из переменных своего среднего значения сопровождается, как правило, и превышением второй переменной своего среднего значения. Напротив, если одна из переменных принимает значение, меньшее среднего значения этой переменной, то и вторая переменная, как правило, принимает значение, меньшее своего среднего.)

Аналогичным образом, значение будет тем ближе к , чем меньшим будет значение Последнее же обеспечивается несовпадением знаков разностей и для максимально возможной доли наблюдений переменных и , что имеет место, когда в процессе наблюдения одна из переменных возрастает, а вторая убывает. (В этом случае, если одна из переменных принимает значение, меньшее среднего значения этой переменной, то вторая переменная, как правило, принимает значение, большее своего среднего.)

Из сказанного следует, что близость к единице наблюдаемого значения коэффициента детерминации не обязательно означает наличие причинной связи между двумя рассматриваемыми переменными, а может являться лишь следствием тренда значений обеих переменных.

Последнее обстоятельство часто наблюдается при анализе различных экономических показателей, вычисленных без поправки на инфляцию (недефлированные данные). Проиллюстрируем это следующим примером.