Читайте также:
|
На основании произведенных расчетов проведем корреляционно-регрессионный анализ
Форма уравнения регрессии – линейная.
График зависимости результативного признака от факторного, составленный по исходным данным
Для наших данных система уравнений имеет вид
14a + 29772235 b = 36148
29772235 a + 79752791962413 b = 87845437210
Из первого уравнения выражаем а и подставим во второе уравнение:
Получаем эмпирические коэффициенты регрессии: b = 0.000668, a = 1162.5024
Уравнение регрессии (эмпирическое уравнение регрессии):
y = 0.000668 x + 1162.5024
| x | y | x2 | y2 | x • y |
Рассчитываем показатель тесноты связи. Таким показателем является выборочный линейный коэффициент корреляции, который рассчитывается по формуле:
В нашем примере связь между признаком Y фактором X умеренная и прямая.
Уравнение регрессии (оценка уравнения регрессии).
Линейное уравнение регрессии имеет вид y = 0.000668 x + 1162.5
Коэффициент регрессии b = 0.000668 показывает среднее изменение результативного показателя (в единицах измерения у) с повышением или понижением величины фактора х на единицу его измерения. В данном примере с увеличением на 1 единицу y повышается в среднем на 0.000668. В нашем примере связь прямая.
. Коэффициент эластичности.
Средний коэффициент эластичности E показывает, на сколько процентов в среднем по совокупности изменится результат у от своей средней величины при изменении фактора x на 1% от своего среднего значения.
Коэффициент эластичности находится по формуле:
Коэффициент эластичности меньше 1. Следовательно, при изменении Х на 1%, Y изменится менее чем на 1%. Другими словами - влияние Х на Y не существенно.
Бета – коэффициент
Т.е. увеличение x на величину среднеквадратического отклонения Sx приведет к увеличению среднего значения Y на 0.49 среднеквадратичного отклонения Sy.
Ошибка аппроксимации.
Поскольку ошибка больше 7%, то данное уравнение не желательно использовать в качестве регрессии.
Дата добавления: 2015-01-12; просмотров: 102 | Поможем написать вашу работу | Нарушение авторских прав |