Методы регрессионного и корреляционного анализов

Модели причинного прогнозирования обычно содержат ряд переменных, которые имеют отношение к предсказываемой пере­менной. Как только эти переменные будут найдены, строится статистическая модель, которая используется для прогноза инте­ресующей нас переменной. Этот подход является более мощным, чем методы временных серий, которые используют прошлые зна­чения для прогнозируемой переменной.

Многие факторы могли бы рассматриваться в причинном анализе. Например, продажи товара могут быть связаны с расхо­дами фирмы на рекламу, с назначаемой ценой, с делами конку­рентов и стратегиями продвижения товаров или даже с экономи­ческими условиями и безработицей. В этом случае продажи будут называться зависимой переменной, а другие переменные будут называться независимыми переменными. Работа менеджеров за­ключается в установлении наилучшей статистической зависимос­ти между продажами и независимыми переменными. Наиболее общей количественной моделью причинного прогнозирования является модель линейного регрессионного анализа.

Использование регрессионного анализа для прогнозирова­ния. Мы можем использовать такие математические модели, ко­торые применяли как метод наименьших квадратов в трендовом проектировании, преобразовав их к моделям линейной регрессии. Зависимая переменная, которую мы хотим спрогнозировать, будет обозначаться у. Но теперь независимая переменная х – это не время.

у = а + bх,

где у – значение зависимой переменной, здесь – объем продаж;

a – отрезок, отсекаемый на оси у;

b – наклон линии регрессии;

х – независимая переменная.