Статистическое исследование взаимосвязи социально-экономических показателей

                               Таблица 2

    Оценка характера связи по  линейному коэффициенту корреляции

     Значимость  линейного коэффициента корреляции проверяется на основе t-критерия Стьюдента: проверяется нулевая гипотеза об отсутствии связи между факторным и результативным признаками (H₀: r = 0). Для проверки H₀ по формуле (1.1.11) следует рассчитать t-статистику (t_р) и сравнить ее с табличным значением (t_т), определяемым с использованием таблицы приложения 2 по заданным уровню значимости (α) и числу степеней свободы (d.f.). Если t_р > t_т, то гипотеза H₀ отвергается с вероятностью ошибки меньше чем α·100%. Это свидетельствует о значимости линейного коэффициента корреляции и статистической существенности зависимости между факторным и результативным признаками.

                        (1.1.11)

    где k = n-2 для малой выборки,

    k = n при большом числе наблюдений (n>100).

     Аналогично  оценивается значимость коэффициента регрессии; tр рассчитывают как отношение  взятого по модулю коэффициента регрессии к его средней ошибке с заданными уровнем значимости (α) и числом степеней свободы d.f.= n-2.

      (1.1.12) 

1.5. Множественная корреляция и регрессия 

     При анализе взаимосвязей социально-экономических  явлений, как правило, выясняется, что на результат влияет ряд факторных признаков, основные из которых следует включить в регрессионную модель. При этом следует помнить, что все факторы учесть в модели невозможно по ряду причин: часть факторов просто неизвестна современной науке, по части известных факторов нет достоверной информации или количество включаемых в модель факторов может быть ограничено объемом выборки (количество факторных признаков должно быть на порядок меньше численности изучаемой совокупности).

     Множественная регрессия описывает форму связи в виде уравнения множественной регрессии, или регрессионной модели (табл.3).

                                                                     Таблица 3

                 Основные виды множественной  регрессии

 

   – теоретическое значение результативного признака (y) при определенных значениях факторных признаков (x₁, x₂,…, x_m), подставленных в регрессионное уравнение;

    а₀ – свободный член уравнения;

    a₁,a₂,…,a_m – коэффициенты множественной регрессии. 

     Параметры уравнения множественной регрессии a₁,a₂,…,a_m называют коэффициентами множественной регрессии и определяют с помощью МНК путем решения системы нормальных уравнений МНК. При этом число нормальных уравнений в общем случае будет равно числу параметров. Если связь отдельного фактора с результатом не является линейной, то производят линеаризацию уравнения. Для упрощения решения системы нормальных уравнений значения всех признаков заменяют на отклонения индивидуальных значений признаков от их средних величин. Полученные коэффициенты множественной регрессии являются именованными числами и показывают, на сколько изменится результативный признак (по отношению к своей средней величине) при отклонении факторного признака от своей средней на единицу и при постоянстве (фиксированном уровне) других факторов.

     Значимость  коэффициентов множественной регрессии  оценивается на основе t-критерия Стьюдента; t_р рассчитывают как отношение взятого по модулю коэффициента регрессии к его средней ошибке с заданными уровнем значимости (α) и числом степеней свободы d.f.= n-m-1.

     Коэффициенты  регрессии можно преобразовать  в сравнимые относительные показатели - стандартизованные коэффициенты регрессии, или β-коэффициенты (1.1.13). β-коэффициент  позволяет оценить меру влияния  вариации факторного признака на вариацию результата при фиксированном уровне других факторов:

                       (1.1.13)

     где σx_i – среднее квадратическое отклонение факторного признака,

     σy – среднее квадратическое  отклонение результативного признака,

     a_i – коэффициент регрессии при соответствующем факторном признаке x_i.

     При интерпретации результатов корреляционно-регрессионного анализа часто используют частные  коэффициенты эластичности (Ex_i). Коэффициент эластичности (1.1.14) показывает, на сколько процентов в среднем изменится значение результативного признака при изменении факторного на 1% и при постоянстве (фиксированном уровне) других факторов:

                        (1.1.14)

     где  – среднее значение факторного признака,

     – среднее значение результативного признака.

     Множественная корреляция характеризует тесноту  и направленность связи между  результативным и несколькими факторными признаками. Основой измерения связей является матрица парных коэффициентов  корреляции. По ней можно в первом приближении судить о тесноте связи факторных признаков между собой и с результативным признаком, а также осуществлять предварительный отбор факторов для включения их в уравнение регрессии. При этом не следует включать в модель факторы, слабо коррелирующие с результативным признаком и тесно связанные между собой. Не допускается включать в модель функционально связанные между собой факторные признаки, так как это приводит к неопределенности решения.

     Более точную характеристику тесноты зависимости дают частные коэффициенты корреляции. Их удобно анализировать, если они представлены в табличном виде. Частный коэффициент корреляции служит показателем линейной связи между двумя признаками, исключая влияние всех остальных представленных в модели факторов. Например, для двухфакторной модели частный коэффициент корреляции между y и x₁ при фиксированном x₂ (r_yx1/x₂) определяется в соответствии с (1.1.15).

                                                 (1.1.15)

где r_yx1, r_yx2, r_x1x2 – парные коэффициенты корреляции.

     Проверка  значимости частных коэффициентов  корреляции аналогична, как и для  парных коэффициентов корреляции.

     Множественный коэффициент корреляции (R) рассчитывается при наличии линейной связи между  всеми признаками регрессионной  модели. R изменяется в пределах от 0 до 1. Значимость множественного коэффициента корреляции проверяется на основе F-критерия Фишера. Например, в двухфакторной модели при оценке связи между результативным и факторными признаками для определения множественного коэффициента корреляции можно использовать формулу (1.1.16):

                            или                                         (1.1.16)

  где  δ²_{y x1x2} – дисперсия результативного признака, рассчитанная по регрессионному уравнению,

   σ²_y – общая дисперсия результативного признака,

   r_yx1, r_yx2, r_x1x2 – парные коэффициенты корреляции.

     Квадрат множественного коэффициента корреляции называют множественным коэффициентом  детерминации (R²). R² оценивает долю вариации результативного фактора за счет представленных в модели факторов в общей вариации результата. Множественный коэффициент детерминации обычно корректируют на потерю степеней свободы вариации по формуле (1.1.17):

    (1.1.17)

    где R² _корр – корректированный множественный коэффициент детерминации,

    R² –множественный коэффициент детерминации,

    n – объем совокупности,

    m – количество факторных признаков.

     Статистическая  надежность регрессионного уравнения  в целом оценивается на основе F-критерия Фишера: проверяется нулевая  гипотеза о несоответствии представленных регрессионным уравнением связей реально существующим (H₀: a₀= a₁=a₂=…=a_m=0, R=0). Для проверки H₀ следует рассчитать значение F-критерия (Fр) и сравнить его с табличным значением (Fт), определяемым с использованием таблицы приложения 1 по заданным уровню значимости (α= 0,05) и числу степеней свободы (d.f.1=m-1 и d.f.2=n-m). Fр определяется из соотношения факторной и остаточной дисперсий, рассчитанных на одну степень свободы по формуле (1.1.18):

        (1.1.18)

    где D_факт, D_ост – суммы квадратов отклонений, характеризующие факторную и остаточную вариации результативного признака. В случае однофакторного дисперсионного комплекса D_факт и D_ост выражаются в соответствии с (1.1.19),

    d.f.1 = m-1 – число степеней свободы  факторной дисперсии,

    d.f.2 = n-m – число степеней свободы  остаточной дисперсии.

                                                                     (1.1.19)

где y_ij, – значения результативного признака у i–й единицы в j–й группе,

      i – номер единицы совокупности,

      j – номер группы,

      n_j – численность j–й группы,

      – средняя величина результативного признака в j–й группе,

      – общая средняя результативного признака.

     Если Fр > Fт, то гипотеза H₀ отвергается. При этом с вероятностью 1-α= 0,95, или 95%, принимается альтернативная гипотеза о неслучайной природе оцениваемых характеристик, т.е. признается статистическая значимость регрессионного уравнения и его параметров. 

1.6. Проверка адекватности регрессионной модели 

     Для практического использования моделей  регрессии большое значение имеет  их адекватность, т.е. соответствие фактическим  статистическим данным.

     Корреляционный  и регрессионный анализ обычно (особенно в условиях так называемого малого и среднего бизнеса) проводится для ограниченной по объёму совокупности. Поэтому показатели регрессии и корреляции – параметры уравнения регрессии, коэффициенты корреляции и детерминации могут быть искажены действием случайных факторов. Чтобы проверить, насколько эти показатели характерны для всей генеральной совокупности, не являются ли они результатом стечения случайных обстоятельств, необходимо проверить адекватность построенных статистических моделей.

     При численности объектов анализа до 30 единиц возникает необходимость проверки значимости (существенности) каждого коэффициента регрессии. При этом выясняют насколько вычисленные параметры характерны для отображения комплекса условий: не являются ли полученные значения параметров результатами действия случайных причин.

     Значимость  коэффициентов простой линейной регрессии (применительно к совокупностям, у которых n<30) осуществляют с помощью t-критерия Стьюдента. При этом вычисляют  расчетные (фактические) значения t-критерия

для параметра  a₀ :

(1.1.20)

 для параметра  a₁ :          

   (1.1.21)

где n - объём выборки;

(1.1.22)

- среднее  квадратическое отклонение результативного  признака от выравненных значений  ŷ ;