Економіко-математичне моделювання
Економіко-математичне моделювання Економіко-математичне моделювання
Отже, розрізняють додатну лінійну та нелінійну і від’ємну лінійну та нелінійну регресії. Наприклад, така ситуація буде мати місце при вивченні залежності обсягу випуску продукції від вартості основних виробничих фондів. Додатна рівноприскорена зростаюча регресія (рис. 15.2.2 б) існує, наприклад, між прибутковим податком і заробітною платою. Додатна рівносповільнена зростаюча регресія (рис.15.2.2 в) може мати місце при встановленні залежності рівня продуктивності праці від стажу роботи. Від’ємна лінійна регресія (рис.15.2.2 г) показує рівномірний спад функції, наприклад, залежність кількості підприємств регіону, що будуть випускати окреслений вид продукції від ставки податку. На рис. 15.2.2 г та 15.2.2 е схематично подано відповідні ситуації взаємозв’язку від’ємної рівноприскореної та рівносповільненої спадної регресії. Дуже часто наведені різновиди регресій трапляються не в чистому вигляді, а в поєднанні одна з одною, як це видно на рис.15.2.3. Регресії такого типу називаються комбінованими формами. y ****** ***** **** **** **** * **** ******* 0 x 0 Рис. 15.2.3. Комбіновані форми регресій Наведені діаграми показують, що кожному значенню пояснювальної змінної відповідає розподіл значень залежної змінної і навпаки. Зв’язок шукають, виходячи з цих розподілів. Важливо не тільки вказати загальну тенденцію зміни залежної змінної, але й вияснити, якою буде дія головних факторів-аргументів на залежну змінну, якщо б інші (другорядні, побічні) не змінювались і знаходились на одному й тому середньому рівні. Для цього визначають функцію регресії у вигляді математичного рівняння того чи іншого вигляду. Процес знаходження функції регресії називають вирівнюванням окремих значень залежної змінної. Побудова регресії 420 y **** **** **** **** **** **** ****** x
та визначення впливу пояснювальних змінних на залежну змінну – друга задача регресійного аналізу. За виглядом скупчення точок можна висунути гіпотезу про лінійність або нелінійність взаємозв’язку між змінними. Так, на діаграмі 15.2.2 а, г маємо яскраво виражені лінійні тенденції скупчення точок. Спробуємо апроксимувати залежності, зображені на цих діаграмах, лінійною функцією регресії. Звичайно, ці тенденції існують лише в середньому. Вони порушені відхиленням окремих точок. Відхилення від прямої пояснюється впливом інших неврахованих факторів. Діаграма розсіювання дозволяє провести детальний аналіз емпіричних даних. Якщо геометричне зображення залежності трьох змінних у просторі ще можливе, хоч і утруднене, то при більшому числі змінних це представлення неможливе. Припустимо, що за виглядом діаграми розсіювання ми встановили лінійний характер залежності усереднених значень результативної змінної. Виразимо цю залежність за допомогою оціночної функції лінійної регресії: y ˆ = a + bx , (15.2) де a та b відповідно є оцінками параметрів α та β рівняння (15.1). Знак «^» над у означає оцінку залежної змінної, отриману з рівняння (15.2) при деяких усереднених умовах. Отже, під простою регресією розуміється одностороння стохастична залежність результативної змінної від однієї пояснювальної змінної. y yi ˆy i ˆy e = y −yˆ i i i γ 0 xi x Рис. 15.2.4. Регресійна пряма та її параметри Ai Bi 421 ˆy = a+ bx
- Page 369 and 370: Перейдемо до розгл
- Page 371 and 372: Припустимо, що інве
- Page 373 and 374: Розділ 13. Прийняття
- Page 375 and 376: початкову задачу м
- Page 377 and 378: { } R2= min 29; 26; 24; 30; 30 = 24
- Page 379 and 380: Аналогічно для най
- Page 381 and 382: Існування закону р
- Page 383 and 384: 383
- Page 385 and 386: 3. Які критерії покл
- Page 387 and 388: опис існуючих кіль
- Page 389 and 390: За кінцевими прикл
- Page 391 and 392: Е К О Н О М Е Т Р І Я М
- Page 393 and 394: y = ˆy+ u, тобто y = f ( x) +
- Page 395 and 396: q q2t-1 q0 q2t попит А D Рt-
- Page 397 and 398: схема переважно ви
- Page 399 and 400: Восьмий етап (вериф
- Page 401 and 402: Більшість економіч
- Page 403 and 404: Побудуємо діаграму
- Page 405 and 406: 4) усі параметри отр
- Page 407 and 408: Збурення є стохаст
- Page 409 and 410: які є в блоці редак
- Page 411 and 412: для входу в екранни
- Page 413 and 414: спеціально індивід
- Page 415 and 416: Розділ 15. Моделі па
- Page 417 and 418: y yi y1 yn y2 u1 A1 ui B2 B1 u2 A2
- Page 419: Часткового вирішен
- Page 423 and 424: Таким чином, ми під
- Page 425 and 426: Метод, в основу яко
- Page 427 and 428: Таблиця 15.1 Вплив ва
- Page 429 and 430: Чисельник (15.16) є ко
- Page 431 and 432: n n n i i 2 i i 2 i i= 1 i= 1 i= 1
- Page 433 and 434: n ∑ i - загальна сума
- Page 435 and 436: ( ) ( ) 2 var e що рівноси
- Page 437 and 438: спостереженнях (аб
- Page 439 and 440: будуть вибірки, тим
- Page 441 and 442: Для статистичного
- Page 443 and 444: симетричний, то рів
- Page 445 and 446: формулою: Δ yx t p ⋅σ =
- Page 447 and 448: Рис. 15.7.2. Структура
- Page 449 and 450: 7. Середня абсолютн
- Page 451 and 452: 6 4 2 0 -2 Рис. 15.8.2. Пара
- Page 453 and 454: Розрізняють два кл
- Page 455 and 456: • при граничному з
- Page 457 and 458: Для порівняння аль
- Page 459 and 460: 459
- Page 461 and 462: Отримане значення
- Page 463 and 464: k1=m=1, k2=n-m-1==10-1-1=8, F та
- Page 465 and 466: Розділ 16. Моделі мн
- Page 467 and 468: Отримаємо: n n n ⎧ ⎪ n
- Page 469 and 470: Знайдемо частинну
та визначення впливу пояснювальних змінних на залежну змінну –<br />
друга задача регресійного аналізу.<br />
За виглядом скупчення точок можна висунути гіпотезу про<br />
лінійність або нелінійність взаємозв’язку між змінними. Так, на<br />
діаграмі 15.2.2 а, г маємо яскраво виражені лінійні тенденції<br />
скупчення точок. Спробуємо апроксимувати залежності, зображені на<br />
цих діаграмах, лінійною функцією регресії. Звичайно, ці тенденції<br />
існують лише в середньому. Вони порушені відхиленням окремих<br />
точок. Відхилення від прямої пояснюється впливом інших<br />
неврахованих факторів.<br />
Діаграма розсіювання дозволяє провести детальний аналіз<br />
емпіричних даних. Якщо геометричне зображення залежності трьох<br />
змінних у просторі ще можливе, хоч і утруднене, то при більшому<br />
числі змінних це представлення неможливе.<br />
Припустимо, що за виглядом діаграми розсіювання ми<br />
встановили лінійний характер залежності усереднених значень<br />
результативної змінної. Виразимо цю залежність за допомогою<br />
оціночної функції лінійної регресії:<br />
y ˆ = a + bx , (15.2)<br />
де a та b відповідно є оцінками параметрів α та β рівняння (15.1).<br />
Знак «^» над у означає оцінку залежної змінної, отриману з рівняння<br />
(15.2) при деяких усереднених умовах. Отже, під простою регресією<br />
розуміється одностороння стохастична залежність результативної<br />
змінної від однієї пояснювальної змінної.<br />
y<br />
yi<br />
ˆy<br />
i<br />
ˆy<br />
e = y −yˆ<br />
i i i<br />
γ<br />
0 xi x<br />
Рис. 15.2.4. Регресійна пряма та її параметри<br />
Ai<br />
Bi<br />
421<br />
ˆy = a+ bx