 |
Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | |
С цельюпроверки полученныхрезультатов проведем регрессионный анализ выбранной модели с помощью Exel, применив инструмент Регрессия
|
|
Для проведения регрессионного анализа с помощью Exel выполните следующие действия:
1) выберите команду Сервис/Анализ данных;
2) в диалоговом окне Анализ данных выберите инструмент Регрессия. Щелкните по кнопке ОК.
3) в диалоговом окне Регрессия в поле «Входной интервал У» введите адрес диапазона ячеек, который содержит зависимую переменную. В поле «Входной интервал Х» введите адреса одного или нескольких диапазонов, которые содержат значения независимых переменных. Если выделены заголовки столбцов, то установите флажок «Метки в первой строке»;
4) выберите параметры вывода. В поле «Остатки» поставьте необходимые флажки. Щелкните по кнопке ОК.
Сравнивая полученные в п.п. 1,3 результаты с результатами, полученными с помощью Exel (рис. 2.8), убеждаемся в правильности выполненных действий.
5. Проанализируем влияние факторов на зависимую переменную
Учитывая, что коэффициенты регрессии невозможно использовать для непосредственной оценки влияния факторов на зависимую переменную из-за различия единиц измерения, вычислим соответствующие коэффициенты эластичности, b-коэффициенты:
,
Таким образом, при увеличении расходов на рекламу на 1% от своего среднего значения величина объема реализации увеличится на 0,05%, при увеличении потребительских расходов на 1% величина объема реализации увеличится на 0,27%.
Рис. 2.8. Результаты регрессионного анализа, проведенного с помощью Exel. [2]
Кроме того, по величине b-коэффициентов, можем сделать вывод, что наибольшее влияние на изменение объема реализации оказывает фактор Х5 (индекс потребительских расходов), наименьшее Х2 (расходы на рекламу). При увеличении индекса потребительских расходов на 15,5505 ед. объем реализации увеличится на 11 тыс. руб.(0,6019∙18,6829≈11), а при увеличении расходов на рекламу на 3,8043 ед. объем реализации увеличится на 5 тыс. руб. (0,2759∙18,6829≈5).
6. С помощью Exel выберем наилучший вид тренда временных рядов, соответствующих оставленным в модели переменным.
На рис. 2.9 приведен результат построения трендов для временного ряда «Затраты на рекламу». В качестве аппроксимирующей функции выбран полином второй степени – парабола (т.к. по данной модели наибольшее значение у коэффициента множественной детерминации), по которой построен прогноз на два шага вперед. Значение коэффициента детерминации составило R2=0,853, что указывает на то, что весьма большая доля вариации признака Y учтена в модели (более, чем 85% вариации результативного признака объясняется вариацией фактора «затраты на рекламу».
Рис. 2.9. Результат построения тренда и прогнозирования по тренду для временного ряда «Затраты на рекламу»
Аппроксимирующая функция: Х2=7,2449-0,7933t+0,0603t2.
Прогнозные значения на два шага вперед соответственно составляют:
Х2(21)=7,2449-0,7933∙21+0,0603∙212=17,1779,
Х2(22)=7,2449-0,7933∙22+0,0603∙222=18,9775.
Для фактора Х5 «Индекс потребительских расходов» выбираем полиноминальную модель пятой степени (этой модели соответствует наибольшее значение коэффициента детерминации):
Х5 = – 0,0005271347t5 + 0,0333138764t4 – 0,7481642428t3 + 6,9818484692 t2 – 21,4309347217t + 86,0069143467
Прогнозные значения на 21 и 22 периоды соответственно составляют:
Х5(21) = 112,248,
Х5(22) = 114,6053.
Рис. 2.10. Результат построения тренда и прогнозирования по тренду для временного ряда «Индекс потребительских расходов».
7. Для получения прогнозных оценок переменной Y по модели
Подставим в нее найденные прогнозные значения факторов Х2 и Х5, получим:
(21)= 166,9265+1,6712∙17,1779+0,7232∙112,248=276,81195,
(22)= 166,9265+1,6712∙18,9778+0,7232∙114,6053=281,52475.
Доверительный интервал прогноза имеет границы:
верхняя граница прогноза: 
,
нижняя граница прогноза: 
,
где U(l)= 
, 
Имеем
tкр =2,11 (по таблице при g=0,05 и числе степеней свободы 17),
1
Х пр (21) = 17,1779
112,248
1
Х пр (22) = 18,9775
114,6053
Тогда с использованием Exel, имеем
= 0,411376247,
U(l)=12,8273∙2,11∙ 
=17,3595
= 0,469169297
U(l)=12,8273∙2,11∙ 
=18,5388
Результаты прогнозных оценок модели регрессии представим в таблице прогнозов (табл. 2.4).
Таблица 2.4. – Результаты прогнозных оценок модели регрессии
| Упреждение | Прогноз | Нижняя граница | Верхняя граница |
| 276,81195 | 259,45245 | 294,17145 | |
| 281,52475 | 262,98595 | 300,06355 |
Варианты заданий индивидуальной работы по теме 2
Дата публикования: 2015-04-10; Прочитано: 430 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!
