Оценка влияния отдельных факторов на зависимую переменную на основе модели (коэффициенты эластичности, β-коэффициенты). Коэффициент эластичности показывает, на сколько процентов изменяется зависимая переменная при изменении фактора.

В частности, так может случиться, когда значения одной независимой переменной являются датированными значениями другой. Проверка значимости модели регрессии. В классических методах регрессионного анализа предполагается также нормальный закон распределения остатков. Независимость остатков проверяется с помощью критерия Дарбина-Уотсона. Однако он не учитывает степень колеблемости факторов.

При использовании построенной модели для прогнозирования делается предположение о сохранении в период прогнозирования существовавших ранее взаимосвязей переменных. Эти оценки подставляются в модель и получаются прогнозные оценки. Расчетные значения Y определяются путем последовательной подстановки в эту модель значений факторов, взятых для каждого наблюдения. 3. В диалоговом окне Регрессия в поле Входной интервал Y введите адрес одного диапазона ячеек, который представляет зависимую переменную.

В таблице 4.8 приведены вычисленные по модели значения Y и значения остаточной компоненты. Следовательно, около 86% вариации зависимой переменной учтено в модели и обусловлено влиянием включенных факторов. Он может показать наличие какой-то зависимости, не учтенной в модели. График остатков хорошо показывает и резко отклоняющиеся от модели наблюдения – выбросы.

Однако непосредственно с их помощью нельзя сопоставить факторы по степени их влияния на зависимую переменную из-за различия единиц измерения и разной степени колеблемости. Для регрессионных моделей он имеет, однако, более широкое значение. Однако факторы Х2 и Х5 тесно связаны между собой (rx1x5 = 0,96), что свидетельствует о наличии мультиколлинеарности. Из этих двух переменных оставим в модели Х5 — индекс потребительских расходов.

Оценка качества модели регрессии

Мультиколлинеарность может возникать в силу разных причин. Величина Saj представляет собой квадратный корень из произведения несмещенной оценки дисперсии и j-го диагонального элемента матрицы, обратной матрице системы нормальных уравнений. Согласно общим предположениям регрессионного анализа остатки должны вести себя как независимые (в действительности почти независимые) одинаково распределенные случайные величины.

Подобным аномальным наблюдениям надо уделять особо пристальное внимание, так как их присутствие может грубо искажать значения оценок. Использование многофакторных моделей для анализа и прогнозирования развития экономических систем.

Для прогнозирования зависимой переменной на l шагов вперед необходимо знать прогнозные значения всех входящих в нее факторов. Их оценки могут быть получены на основе временных экстраполяционных моделей или заданы пользователем. 1. Выберите команду Сервис => Анализ данных. 4. Если выделены и заголовки столбцов, то установите флажок Метки в первой строке. В качестве критических табличных уровней при N=16, двух объясняющих факторах при уровне значимости в 5% возьмем величины d1=0,98 и d2=1,54.

Для определения степени автокорреляции вычислим коэффициент автокорреляции и проверим его значимость при помощи критерия стандартной ошибки. Вычислим для модели коэффициент детерминации. Прогнозные значения Х1,17, Х2,17 и Х1,18, Х1,18 можно определить с помощью методов экспертных оценок, с помощью средних абсолютных приростов или вычислить на основе экстраполяционных методов.

Например, несколько независимых переменных могут иметь общий временной тренд, относительно которого они совершают малые колебания. Исследование остатков полезно начинать с изучения их графика.

Корреляционная зависимость между текущими уровнями некоторой переменной и уровнями этой же переменной, сдвинутыми на несколько шагов, называется автокорреляцией. Наличие (отсутствие) автокорреляции в отклонениях проверяют с помощью критерия Дарбина-Уотсона. Установив наличие автокорреляции остатков, переходят к улучшению модели. 2. Разделение совокупности на две группы (соответственно с малыми и большими значениями фактора x) и определение по каждой из групп уравнений регрессии.

В противном случае фактор, соответствующий этому коэффициенту, следует исключить из модели (при этом ее качество не ухудшится). Анализ остатков позволяет получить представление, насколько хорошо подобрана сама модель и насколько правильно выбран метод оценки коэффициентов. Применение инструмента Регрессия (Анализ данных в EXCEL). Именно в этом смысле — как построение оценки зависимой переменной — и следует понимать прогнозирование в эконометрике.