Корреляционный и регрессионный методы в анализе взаимосвязи экономических явлений

↑

▷ Содержание

⇐ ПредыдущаяСтр 15 из 53Следующая ⇒

▷ Похожие статьи

, Массовые явления и процессы социально-экономической жизни тесно взаимосвязаны между собой и взаимозависимы. Показатели, характеризующие эти явления и процессы, как правило, составляют единую систему и могут быть связаны корреляционными зависимостями различной степени тесноты, которые исследуются в статистике с помощью методов корреляционного и регрессивного анализа.

Корреляционный анализ взаимосвязи показателей позволяет решать следующие задачи:

1. Оценка тесноты связи между показателями с помощью парных и множественных коэффициентов корреляции.

2. Оценка уравнения регрессии.

Цель регрессионного анализа – получение оценки функциональной зависимости теоретического среднего значения результативного признака от факторных . При этом в регрессионном анализе заранее предполагается наличие причинно-следственных связей между результативным и факторными признаками.

Статистическая модель взаимосвязи явлений в виде уравнения регрессии

будет адекватно описывать реальное явление или процесс при выполнении следующих основных условий:

1) результативный признак должен подчиняться нормальному закону распределения относительно своих средних значений при различных значениях факторных признаков;

2) отдельные наблюдения, на основе которых строится модель регрессии, должны быть получены независимо друг от друга.

Одной из проблем построения уравнения регрессии является выбор её размерности –определение числа факторов, включаемых в модель. Число факторных признаков, входящих в модель должно быть оптимальным, т.е. необходимо учитывать существенные признаки и исключать несущественные (второстепенные).

Корреляционно-регрессионные модели, какими бы сложными они не были, не вскрывают полностью всех причинно-следственных связей, однако достаточно адекватно могут описывать влияние на результативные признаки существенных факторов, если проведён предварительный качественный анализ сущности и специфики исследуемых явлений и процессов.

В теории статистики изучаются парные и множественные корреляции. В парной корреляции рассматривается связь результативного признака с одним единственным факторным признаком, во множественной – с двумя и более факторными признаками. В соответствии с этим строящиеся регрессионные модели могут быть парные и множественные.

Например, если устанавливается зависимость уровня оплаты труда от производительности труда то такая регрессия парная. Если же изучается зависимость уровня оплаты труда не только от производительности труда но и от квалификации работников цены продукции качества продукции то такая регрессия множественная.

Парная регрессия, характеризующая связь между результативным и факторным признаками, аналитически описывается уравнениями различного типа:

прямая

гипербола

парабола

показательная функция

степенная функция

полулогарифмическая функция и др.

Определить тип уравнения можно, используя различные способы, например, исследуя зависимость между признаками графически.

Оценка параметров уравнений регрессии осуществляется методом наименьших квадратов, сущность которого состоит в нахождении параметров регрессии при которых сумма квадратов отклонений фактических значений результативного признака от теоретических, полученных по уравнению регрессии, минимальна. Т.е.

Распространенным случаем связи в общественных и экономических явлениях является прямая зависимость между результативным и факторным признаком. Для прямой зависимости

.

Минимизируя как функцию параметров и , получаем систему уравнений:

Преобразовав уравнения, получим систему обычных уравнений для нахождения параметров линейной парной регрессии методом наименьших квадратов:

Решая систему этих уравнений, находим:

где – число единиц наблюдений (пар значений ).

Используя алгоритм, аналогичный рассмотренному выше, можно определить параметры парной регрессии, описываемой другими видами уравнений – гиперболой, параболой и др.

30. Определение тесноты связи признаков экономических явлений.

Измерение тесноты и направления связи между признаками предлагает определение меры соответствия вариации результативного признака от одного (при изучении парных зависимостей) или нескольких (множественных) факторов.

Линейный коэффициент корреляции был впервые введен в начале 90-х гг. 19 века Пирсоном, Эджвортом и Велдоном и характеризует тесноту и направление связи между двумя коррелируемыми признаками в случае наличия между ними линейной зависимости.

В расчете этого коэффициента учитывается величина отклонений индивидуальных значений признаков от средней величины: и . Однако, сопоставляемые полученные величины могут быть выражены в различных единицах измерения или могут различны по величине. Поэтому сравнивают нормированные отклонения:

и

Для получения обобщающей характеристики тесноты связи берут среднее произведение нормированных отклонений:

(1)

Формула линейного коэффициента корреляции может быть представлена в следующем виде:

Используя математические свойства средней, получаем:

(2)

Преобразования данной формулы позволяют получить следующую формулу линейного коэффициента корреляции:

или (3)

где n - число наблюдений

Производя расчет по итоговым значениям исходных переменных, линейный коэффициент корреляции можно вычислить по формуле:

(4)

или

(5)

Коэффициент корреляции может быть выражен через дисперсии слагаемых:

(6)

Формулы (1), (2), (2) применяются при изучении совокупностей малого объема (n<=20:30).

Между линейным коэффициентом корреляции и коэффициентом регрессии существует определенная зависимость, выражаемая формулой:

для парной корреляции - или , а коэффициент

для многофакторной корреляции - где а_i - коэффициент регрессии в уравнении связи, σ_хi - среднее квадратическое отклонение соответствующего, статистически существенного, факторного признака.

Линейный коэффициент корреляции имеет большое значение при исследовании социально-экономических явлений и процессов, распределение которых близко к нормальному. Линейный коэффициент корреляции изменяется в пределах от -1 до 1. При этом оценку линейного коэффициента корреляции можно представить в таблице:

По степени тесноты связи различают количественные критерии оценки тесноты связи на основе шкалы Чеддока:

В случае наличия линейной и нелинейной зависимости между двумя признаками для измерения тесноты связи применяют корреляционное отношение. Различают эмпирическое и теоретическое корреляционное отношение.

Эмпирическое корреляционное отношение рассчитывается по данным группировки, когда δ² характеризует отклонения групповых средних результативного показателя от общей средней:

(7)

где η - корреляционное отношение;

σ² - общая дисперсия

- средняя из частных (внутригрупповых) дисперсий;

- межгрупповая дисперсия (дисперсия групповых средних)

Теоретическое корреляционное отношение определяется по формуле:

(8)

где - дисперсия выровненных значений результативного признака, т.е. рассчитанных по уравнению регрессии;

σ² - дисперсия эмпирических (фактических) значений результативного признака.

Так как и

Тогда (9)

В основе расчета корреляционного отношения лежит правило сложения дисперсий, при этом средняя из межгрупповых дисперсий отражает вариацию результативного признака У под влиянием всех неучтенных при анализе факторов, т.е. носит остаточный характер. Поэтому её часто называют остаточной дисперсией.

Отсюда формула корреляционного отношения принимает вид (выражаем межгрупповую дисперсию через общую и среднюю из внутригрупповых):

(10)

Корреляционное отношение изменяется в пределах от 0 до 1 и анализ степени тесноты связи полностью соответствует линейному коэффициенту корреляции. Теоретическое корреляционное отношение также может выражаться по формуле:

Корреляционное отношение является более универсальным показателем тесноты связи сравнению с линейным коэффициентом корреляции.

Для измерения тесноты связи при множественной корреляционной зависимости, т.е. при исследовании трех и более признаков одновременно, вычисляются множественный или совокупный и частные коэффициенты корреляции.

Множественный коэффициент корреляции рассчитывается при наличии линейной связи между результативным и несколькими факторными признаками, а также между каждой парой факторных признаков.

В случае оценки связи между результативным (У) и двумя факторными признаками (х₁ и х₂) множественный коэффициент корреляции определяют по формуле:

(11)

где r - парные коэффициенты корреляции между признаками

Множественный коэффициент корреляции можно рассчитать, используя парные коэффициенты r_ij и коэффициенты регрессии в стандартизованном масштабе (β_i)

где r_yxi - парные коэффициенты;

β_i - коэффициенты в стандартизованном масштабе.

Множественный коэффициент корреляции изменяется в пределах от 0 до 1 и по определению положителен.

Приближение R к 1 свидетельствует о сильной зависимости между признаками.

Чтобы оценить общую вариацию результативного признака в зависимости от факторных признаков, величина коэффициента множественной корреляции корректируется на основании следующего выражения:

где - скорректированное значение;

n- число наблюдений;

k - число факторных признаков.

Корректировка не производится при условии, если

Проверка значимости коэффициента множественной корреляции осуществляется на основании F-критерия Фишера-Снедекора

Частные коэффициенты корреляции характеризуют степень тесноты связи между двумя признаками х₁ и х₂ при фиксированном значении других (к‑2) факторных признаков, т.е. когда влияние х₃ и других исключается и оценивается связь между х₁ и х₂ в "чистом виде".

Коэффициент, в котором исключается влияние только одного факторного признака, называется коэффициентом частной корреляции первого порядка. В общем виде коэффициент корреляции первого порядка выражается так:

В случае зависимости Y от двух факторных признаков х₁ и х₂ коэффициент частной корреляции следующий:

В первом случае исключено влияние факторного признака х₂, во втором - х₁. Значения парного и частного коэффициентов корреляции отличаются друг от друга, так как парный коэффициент характеризует связь между двумя признаками без учета влияния других признаков, а частный учитывает наличие и влияние других факторов.

Кроме перечисленных выше коэффициентов для измерения тесноты применяются коэффициент детерминации. Он равен квадрату корреляционного отношения и обозначается буквой η²

В числителе формулы стоит сумма квадратов отклонений фактических значений признака у от индивидуальных расчетных показателей. Эта сумма не может равняться нулю, если связь не является функциональной. При неверной формуле или ошибки в расчетах возрастают расхождения фактических и расчетных значений, и корреляционное отношение снижается.

С целью расширения возможностей экономического анализа используются частные коэффициенты эластичности, определяемые по формуле:

где - среднее значение соответствующего факторного признака;

- среднее значение результативного признака;

а_i - коэффициент регрессии при соответствующем факторном признаке.

Коэффициент эластичности показывает, на сколько в среднем изменится значение результативного признака при изменении факторного признака на 1%.

Частный коэффициент детерминации показывает на сколько процентов вариация результативного признака объясняется вариацией i-того признака, входящего в множественное уравнение регрессии и определяется по формуле:

где r_yxi - парный коэффициент корреляции между результативным и i-м факторным признаками;

β_хi - соответствующий коэффициент уравнения множественной регрессии в стандартизованном виде.

Множественный коэффициент детерминации (R²) представляет собой множественный коэффициент корреляции в квадрате и показывает какая доля вариации результативного признака обусловлена изменением факторных признаков, входящих в многофакторную регрессионную модель.

Для более точной оценки влияния каждого факторного признака на моделируемый используют Q-коэффициент, определяемый по формуле:

где - коэффициент вариации соответствующего факторного признака.

Интерпретировать корреляционные показатели строго следует лишь в терминах вариации отклонений от средней величины. Если же необходимо измерение изменений признака во времени, то метод корреляционно-регрессионного анализа требует значительного изменения. Модели на основе этого метода обладают слабыми экстраполяционными свойствами и не отражают тенденции развития и пригодны лишь для построения краткосрочных прогнозов.

Б

Познавательные статьи:



Коммуникативные барьеры и пути их преодоления

Рынок недвижимости. Сущность недвижимости

Решение задач с использованием генеалогического метода

История происхождения и развития детской игры