Содержание 

СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ……………………….…………….…….……..35 2

Введение 3

Глава 1 Корреляционный анализ 4

1.1 Функциональная, статистическая  и корреляционная  зависимости 4

1.2 Линейная парная  регрессия 6

1.3 Коэффициент корреляции 9

1.4 Основные положения  корреляционного  анализа. 12

1.5 Корреляционное отношение  и индекс корреляции 12

1.6 Понятие о многомерном  корреляционном анализе. 15

Множественный и частный коэффициенты корреляции 15

1.7 Ранговая корреляция 17

Глава 2 Регрессионный анализ 20

2.1. Основные положения  регрессионного анализа.  Парная регрессионная  модель 20

2.2. Интервальная оценка  функции регрессии 22

2.3. Проверка значимости  уравнения регрессии.  Интервальная оценка  параметров парной  модели 24

2.4. Нелинейная регрессия 27

2.5. Определение доверительных  интервалов 29

для коэффициентов и  функции регрессии 29

2.6. Мультиколлинеарность 30

2.7. Понятие о других  методах многомерного  статистического  анализа 31

Заключение 34

Список используемых источников 35

Приложение 1 36

Приложение 2 40 

     Введение

 

     Диалектический подход к изучению природы и общества требует рассмотрения явлений в их взаимосвязи и непрестанном изменении. Понятия корреляции и регрессии появились в середине XIX в. благодаря работам английских статистиков Ф. Гальтона и К. Пирсона. Первый термин произошел от латинского «correlatio» – соотношение, взаимосвязь. Второй термин (от лат. «regressio» - движение назад) введен Ф. Гальтоном, который, изучая зависимость между ростом родителей и их детей, обнаружил явление «регрессии к среднему» – у детей, родившихся у очень высоких родителей, рост имел тенденцию быть ближе к средней величине.

     В практике экономических исследований очень часто имеющиеся данные нельзя считать выборкой из многомерной  нормальной совокупности, например, когда одна из рассматриваемых переменных не является случайной или когда линия регрессии явно не прямая и т.п. В этих случаях пытаются определить кривую (поверхность), которая дает наилучшее (в смысле метода наименьших квадратов) приближение к исходным данным. Соответствующие методы приближения получили название регрессионного анализа. Задачами регрессионного анализа являются установление формы зависимости между переменными, оценка функции регрессии, оценка неизвестных значений (прогноз значений) зависимой переменной.

     Выше  сказанным обусловлена актуальность выбора темы курсовой работы. Цель данной работы – исследовать функциональную зависимость между случайными величинами методами корреляционного и регрессионного анализов.

 
             Глава 1 Корреляционный анализ

     1.1 Функциональная, статистическая и корреляционная зависимости

     В естественных науках часто речь идет о функциональной зависимости (связи), когда каждому значению одной переменной соответствует вполне определенное значение другой. Функциональная зависимость может иметь место как между детерминированными (неслучайными) переменными (например, зависимость скорости падения в вакууме от времени и т.п.), так и между случайными величинами (например, зависимость стоимости проданных изделий от их числа и т.п.).В экономике в большинстве случаев между переменными величинами существуют зависимости, когда каждому значению одной переменной соответствует не какое-то определенное, а множество возможных значений другой переменной. Иначе говоря, каждому значению одной переменной соответствует определенное (условное) распределение другой переменной. Такая зависимость (связь) получила название статистической (или стохастической, вероятностной).

     Возникновение понятия статистической связи обусловливается тем, что зависимая переменная подвержена влиянию ряда неконтролируемых или неучтенных факторов, а также тем, что измерение значений переменных неизбежно сопровождается некоторыми случайными ошибками. Примером статистической связи является зависимость урожайности от количества внесенных удобрений, производительности труда на предприятии от его энерговооруженности и т.п.

     В силу неоднозначности статистической зависимости между Y и Х для исследователя, в частности, представляет интерес усредненная по х схема зависимости, т.е. закономерность в изменении среднего значения - условного математического ожидания (Y) (математического ожидания случайной переменной Y, найденного при условии, что переменная Х приняла значение х ) в зависимости от х.

     Определение: Статистическая зависимость между двумя переменными, при которой каждому значению одной переменной соответствует определенное среднее значение, т.е. условное математическое ожидание другой, называется корреляционной. Иначе, корреляционной зависимостью между двумя переменными величинами называется функциональная зависимость между значениями одной из них и условным математическим ожиданием другой.

     Корреляционная  зависимость может быть представлена в виде:

     (Y)=   (1.1)

     (X)=ψ(x)   (1.2)

      Предполагается, что φ(x)≠const и ψ(x)≠const, т.е. если при изменении х или у уcловные математические ожидания(Y) и не изменяются, то говорят, что корреляционная зависимость между переменными Х и У отсутствует. Сравнивая различные виды зависимости между Х иY, можно сказать, что с изменением значений переменной Х при функциональной зависимости однозначно изменяется определенное значение переменной у, при корреляционной – определенное среднее значение (условное математическое ожидание) Y, а при статистической- определенное (условное) распределение переменной Y (Рис.1.1)

     рис. 1.1

     Таким образом, из рассмотренных зависимостей наиболее общей выступает статистическая зависимость. Каждая корреляционная зависимость является статистической, но не каждая статистическая зависимость является корреляционной. Функциональная зависимость представляет частный случай корреляционной.

     Уравнения (1.1) и (1.2) называются модельными уравнениями регрессии (или просто уравнениями регрессии) соответственно Y по Х и Х по Y, функции ψ(x) и φ(у) – модельными функциями регрессии (или функциями регрессии), а их графики - модельными линиями регрессии (или линиями регрессии).

     Для отыскания модельных уравнений  регрессии, вообще говоря, необходимо знать закон распределения двумерной случайной величины (Х,Y). На практике исследователь, как правило, располагает лишь выборкой пар значений (,) ограниченного объема. В этом случае речь может идти об оценке (приближенном выражении) по выборке функции регрессии. Такой наилучшей (в смысле метода наименьших квадратов) оценкой является выборочная линия (кривая) регрессии Y по Х

     )      (1.3)

где – условная (групповая) средняя переменной Y при фиксированном значении переменной Х = х; ,,…,- параметры кривой.

     Аналогично  определяется выборочная линия (кривая) регрессии Х по Y:

                                   (1.4)

где – условная (групповая) средняя переменной Х при фиксированном значении переменной Y= у; -параметры кривой.

     Уравнения (1.3), (1.4) называют также выборочными уравнениями регрессии соответственно Yпо Х и Х по Y.

     При правильно определенных аппроксимирующих функциях ) и с увеличением объема выборки (n) они будуг сходиться по вероятности соответственно к функциям регрессии ψ(x) и φ(у).

     Статистические  связи между переменными можно  изучать методами корреляционного и регрессионного анализа. Основной задачей регрессионного анализа является установление формы и изучение зависимости между переменными. Основной задачей корреляционного анализа – выявление связи между случайными переменными и оценка ее тесноты.

     1.2 Линейная парная регрессия

     Данные  о статистической зависимости удобно задавать в виде корреляционной таблицы.

    Рассмотрим  в качестве примера зависимость  между суточной выработкой продукции Y (т) и величиной основных производственных фондов Х (млн руб.) для совокупности 50 однотипных предприятий (табл. 1). (В таблице черези обозначены середины соответствующих интервалов, а через, и – соответственно их частоты.)

     Для каждого значения, т.е. для каждой строки корреляционной таблицы вычислим групповые средние

                                         (1.5)

где - частоты пар () и ; m – число интервалов по переменной Y.

     Вычисленные групповые средние поместим в последнем столбце корреляционной таблицы и изобразим графически в виде ломаной, называемой эмпирической линией регрессии Y по X

     Аналогично  для каждого значения по формуле

                                               (1.6)

вычислим  групповые средние , где , l – число интервалов по переменной X.

     По  виду ломанной можно определить наличие  линейной корреляционной зависимости Y по X между двумя рассматриваемыми переменными, которая выражается тем точнее чем больше объем выборки n: