WEBVTT

00:00:08.238 --> 00:00:10.800
Учебная дисциплина «Финансовая
математика».

00:00:11.080 --> 00:00:15.482
Тема практического занятия — оценка
значимости уравнений и регрессии.

00:00:15.843 --> 00:00:21.526
Преподаватель, кандидат педагогических
наук, доцент Романова Татьяна Николаевна.

00:00:23.567 --> 00:00:24.487
План занятий.

00:00:26.379 --> 00:00:30.659
Спецификация модели, коэффициент
эластичности.

00:00:31.099 --> 00:00:34.739
Оценка значимости коэффициентов регрессии.

00:00:34.979 --> 00:00:41.300
Точечный и интервальный прогноз построение
множественной регрессии в Excel.

00:00:43.420 --> 00:00:46.060
Оценка значимости уравнения регрессии.

00:00:47.563 --> 00:00:53.603
Оценим значимость моделей в целом или
проще, насколько модели можно доверять при

00:00:53.883 --> 00:00:56.283
имеющихся исходных данных.

00:00:57.003 --> 00:01:03.362
Как известно, уравнение регрессии значимо,
если наблюдаемое значение статистики Л

00:01:03.602 --> 00:01:04.082
большое.

00:01:04.708 --> 00:01:10.468
табличного значения F критерия фишера с
неды на уровне Альфа.

00:01:10.588 --> 00:01:17.147
Обычно альфа равно 0,5 при равное

00:01:17.707 --> 00:01:19.547
P равное M -1

00:01:20.295 --> 00:01:26.620
И К2 минус M равно N - P - 1 в степенях

00:01:26.740 --> 00:01:33.505
свободы. Тогда значение L

00:01:33.745 --> 00:01:34.305
большое.

00:01:40.962 --> 00:01:42.961
Будет определяться равенством.

00:01:43.281 --> 00:01:50.278
F равно в числителе R квадрат умножить на
разность N - 2 в знаменателе

00:01:50.878 --> 00:01:53.077
минус R в квадрате.

00:01:53.676 --> 00:01:55.955
Впишем в ячейку F 17.

00:01:56.035 --> 00:01:57.355
Комментарий F равно

00:01:57.865 --> 00:02:04.833
А в ячейку Ж17 формулу равны H13

00:02:05.674 --> 00:02:12.361
умножить на равность B14 - 2 разделить L13
-H

00:02:12.441 --> 00:02:12.922
13.

00:02:13.862 --> 00:02:20.217
В результате получим значение F равное в
числителе 0,98 умножить на 8

00:02:20.457 --> 00:02:25.413
-2 в знаменателе 1 -0,98.

00:02:25.533 --> 00:02:28.530
Получим значение, равное 371.

00:02:29.050 --> 00:02:31.528
Полученное значение 371

00:02:32.268 --> 00:02:37.624
Надо сравнить с табличным значением в
таблице F критерии Фишера для уровня

00:02:37.744 --> 00:02:40.421
значимости альфа, равного 5.

00:02:40.741 --> 00:02:47.495
Выберем столбец K1, равный единице, и
строку K2, равное N минус 2, равное 8

00:02:47.775 --> 00:02:48.414
-2.

00:02:49.390 --> 00:02:51.113
Это будет значение шесть.

00:02:51.673 --> 00:02:55.277
F будет равно 5,99.

00:02:55.478 --> 00:03:01.925
Поскольку F больше, чем F от T, примем
гипотезу H1 о том, что полученная модель

00:03:02.045 --> 00:03:05.369
регрессии значима на уровне значимости
Alfa равная

00:03:06.092 --> 00:03:12.379
Пятьсотых ошибки апросимиакции.

00:03:13.540 --> 00:03:18.505
Фактическое значение результативного
признака отличается от теоретических,

00:03:18.705 --> 00:03:21.227
рассчитанных по уравнению регрессии.

00:03:21.467 --> 00:03:22.949
Чем меньше эти отличия

00:03:23.545 --> 00:03:28.544
Чем ближе теоретические значения к
эмпирическим данным, тем лучше качество

00:03:28.744 --> 00:03:34.342
модели. Величина отклонений фактических и
расчётных значений результативного

00:03:34.542 --> 00:03:40.900
признака грек минус игрек с чертой по
каждому наблюдению представляет собой

00:03:41.100 --> 00:03:42.859
ошибку апросимиакции.

00:03:43.840 --> 00:03:47.724
Поскольку равность игрек минус игрек с
чертой может быть величиной как

00:03:47.884 --> 00:03:53.330
положительной, так и отрицательной, ошибки
апросимиакций для каждого наблюдения

00:03:53.571 --> 00:03:56.454
принято определять в процентах и по
модулю.

00:03:56.854 --> 00:03:58.776
А равно модулю

00:03:59.466 --> 00:04:05.307
В числителе равность игрек минус игрек с
чертой разделить на игрек умножить на 100.

00:04:06.187 --> 00:04:11.068
Оценим качество полученного уравнения
регрессии с помощью средней относительной

00:04:11.148 --> 00:04:12.949
ошибки акпросимиакции.

00:04:13.509 --> 00:04:18.590
Введём новый столбец, обозначим его A,
чтобы найти ошибки апросимиакции.

00:04:19.300 --> 00:04:21.182
По рядам наблюдений.

00:04:28.068 --> 00:04:34.554
В результате получим таблицу ячейку G4,
вводим в

00:04:34.634 --> 00:04:35.155
формулу.

00:04:35.736 --> 00:04:41.570
Скобочки равны ABS

00:04:42.729 --> 00:04:49.162
в двойных скобочках разность Б4 минус Ж4
разделить на Б4, умножить на 100.

00:04:49.242 --> 00:04:50.801
Скобочки закрываются.

00:04:51.560 --> 00:04:54.477
Протянем формулу по диапазону J4.

00:04:55.383 --> 00:05:02.177
И одиннадцать получим столбец отклонения
фактических данных от теоретических в

00:05:02.256 --> 00:05:04.614
процентном выражении.

00:05:11.727 --> 00:05:13.765
На рисунке это наглядно показано.

00:05:14.577 --> 00:05:19.342
Для получения средней ошибки опросимиацию
в ячейке J13 введём формулу

00:05:21.465 --> 00:05:30.195
SP4

00:05:31.412 --> 00:05:35.772
В скобочках: Ж4, Ж11.

00:05:40.772 --> 00:05:46.452
В ячейке Ж13 получим значение A с чертой,
равное 4,56%.

00:05:47.308 --> 00:05:53.702
Поскольку средняя ошибка апросемиакций не
превышает пределов 8—10%, значит

00:05:54.062 --> 00:05:58.737
запрос наблюдаемых значений относительно
оценочных мал.

00:05:58.977 --> 00:06:04.052
Предполагаем, что данная модель достаточно
точна и применима для прогноза.

00:06:04.949 --> 00:06:09.351
Также можно надеяться на адекватное
отражение значимости зависимости

00:06:09.551 --> 00:06:13.993
изучаемого явления от случайной величины.

00:06:16.995 --> 00:06:19.156
Коэффициент эластичности.

00:06:19.916 --> 00:06:25.439
Оценим силу связи между X и X с помощью
среднего коэффициента эластичности.

00:06:26.414 --> 00:06:32.296
Так как для парной линейной регрессии Frex
от X равно Б.

00:06:32.696 --> 00:06:39.459
Тогда S с чертой равно Frix от X умножить
на дробь X с чертой, делённое на

00:06:39.579 --> 00:06:42.820
игрек с чертой равно B умноженное на
данную дробь.

00:06:43.615 --> 00:06:46.859
Ячейки и 15.

00:06:46.899 --> 00:06:51.104
Введём комментарий среднее ячейки Ж 15.

00:06:51.184 --> 00:06:57.912
Введём формулу. Скобочка равно D15
умножить S13 делное на

00:06:58.032 --> 00:06:59.875
Б13. Скобочки закрываем.

00:07:00.484 --> 00:07:06.325
Получим значение среднего коэффициента
эластичности, равного 0,64%.

00:07:06.765 --> 00:07:11.725
Это означает, что при увеличении
национального дохода на 1% от своего

00:07:11.805 --> 00:07:16.085
среднего значения денежная масса
увеличится на 64 %.

00:07:16.589 --> 00:07:18.428
От своего среднего значения.

00:07:18.627 --> 00:07:22.504
Сила влияния X на R не слишком велика.

00:07:27.900 --> 00:07:34.855
Оценка значимости коэффициента

00:07:34.935 --> 00:07:35.734
корреляции.

00:07:39.567 --> 00:07:44.652
Оценка значимости коэффициента корреляции
проводится по Т-критерию стюбента.

00:07:45.012 --> 00:07:48.936
Для определения значимости по Т-критерию
воспользуемся формулой.

00:07:49.096 --> 00:07:54.381
Т равно в числителе R умножить на корень
квадратный из разности минус 2, в

00:07:54.461 --> 00:07:58.465
знаменателе корень квадратный из разности
минус R в квадрате.

00:07:59.112 --> 00:08:01.871
В ячейке F 18 введём комментарий.

00:08:02.031 --> 00:08:05.150
Скобочки T равно, скобки закрываем.

00:08:05.350 --> 00:08:07.829
В ячейке Ж18 введём формулу.

00:08:07.949 --> 00:08:14.867
Скобочки равно скобки Ж15 умножить на
корень, скобка 11 - 2.

00:08:15.477 --> 00:08:17.595
Двойные скобочки разделить на корень.

00:08:17.875 --> 00:08:21.273
Скобки открываем: разность 1 минус 616.

00:08:21.913 --> 00:08:26.030
Отсюда Т будет равно 19,26.

00:08:26.390 --> 00:08:27.229
Сравниваем с

00:08:35.419 --> 00:08:38.338
Одна пять и 1.

00:08:38.978 --> 00:08:45.536
При уровне значимости 5 и степени свободы
n - 2 равной шести, табличное значение

00:08:46.096 --> 00:08:49.215
стюдента будет равно 2,45

00:08:54.930 --> 00:09:00.013
Получим, что T больше, чем, чем Т
критическое и стремится к S-1.

00:09:00.333 --> 00:09:04.575
Делаем предположение о значимости
коэффициента корреляции.

00:09:05.856 --> 00:09:09.778
Далее оценка значимости коэффициента
регрессии.

00:09:12.778 --> 00:09:17.337
Для оценки значимости коэффициента модели
регрессии воспользуемся следующей

00:09:17.417 --> 00:09:22.896
формулой. T от A равно A делное на M от A.

00:09:22.976 --> 00:09:28.454
Где стандартная ошибка параметр a
определяется как MA равное под корнем

00:09:28.494 --> 00:09:29.174
квадратным.

00:09:29.836 --> 00:09:35.790
Две дроби. В первой — сумма в числителе
равности квадрата равности икрек и Т минус

00:09:35.870 --> 00:09:42.503
игрек с чертой разделить на N минус два,
умножить на дробь в числителе сумма X

00:09:42.743 --> 00:09:48.777
квадрат. В знаменателе N умножить на сумму
квадрата равности икс минус икс с чертой.

00:09:49.430 --> 00:09:52.594
Т от Б будет равно Б разделить на M от Б.

00:09:53.035 --> 00:09:59.883
Стандартная ошибка регрессии определяется
по следующей формуле: M равно корню

00:10:00.003 --> 00:10:00.764
квадратному.

00:10:01.403 --> 00:10:07.119
Дроби в числителе сумма квадрата разности
икрек и минус игрек с чертой разделить на

00:10:07.239 --> 00:10:14.154
M - два. В знаменателе сумма квадрата
разности икс и минус икс с чертой.

00:10:14.714 --> 00:10:17.072
Для нахождения статистики параметра A

00:10:17.949 --> 00:10:23.957
И введём в таблицу столбец: сумма
квадратов разности X и-кс с чертой.

00:10:24.077 --> 00:10:30.004
В ячейку K3 введём комментарий qu от X,
который представляет собой уравнение

00:10:30.205 --> 00:10:33.168
обозначение суммы квадратов разности.

00:10:33.672 --> 00:10:39.797
Случайной величины X относительно её
математического ожидания.

00:10:41.398 --> 00:10:47.963
Вот в данном случае обратите внимание вот
таким образом у нас заполняется таблица, и

00:10:48.083 --> 00:10:49.003
что мы получим?

00:10:52.049 --> 00:10:54.447
Ячейку К4 запишем в формулу.

00:10:54.886 --> 00:11:00.441
Скобочки равны круглые скобки: S4 - Sdol
на

00:11:00.721 --> 00:11:04.118
Sol13 в квадрате.

00:11:09.552 --> 00:11:12.629
Совершаем протягивание полученного
результата по области

00:11:13.609 --> 00:11:14.851
К4, К12

00:11:21.659 --> 00:11:28.508
имея всё необходимые значения, найдём
стандартные ошибки A и B.

00:11:28.959 --> 00:11:35.717
В ячейку H15 и H16 введём соответствующий
комментарий M отA и M

00:11:35.997 --> 00:11:42.876
от Б. В ячейке L15 записываем формулу:
равно

00:11:43.156 --> 00:11:46.915
корень в двойных H12 разделить на

00:11:47.496 --> 00:11:50.577
Равность A11 - 2 умножить в скобочках.

00:11:50.617 --> 00:11:56.738
Открываем Т12 разделить на в скобках
произведение A11 умножить на К

00:11:57.138 --> 00:11:59.258
12. Тройные скобочки.

00:12:01.778 --> 00:12:06.099
Нажав N, получим, что M от A равно 94 000.

00:12:07.232 --> 00:12:12.433
Точно так же вычисляем N от M от B в
ячейку N16 вписываем в формулу.

00:12:13.073 --> 00:12:19.596
Скобочки равны: корень двойные круглые
скобки H 12 разделить на разность A11 - 2

00:12:19.876 --> 00:12:21.476
и разделить на К12.

00:12:21.556 --> 00:12:22.677
Скобочки закрываем.

00:12:25.868 --> 00:12:28.187
Результат мы видим в таблице.

00:12:29.227 --> 00:12:34.466
Получим M от B равно 921.

00:12:40.225 --> 00:12:44.304
Теперь, подставив в формулу, найденные
значения стандартных отклонений.

00:12:44.858 --> 00:12:48.499
Вычислим статистические оценки
коэффициентов регрессии.

00:12:48.739 --> 00:12:51.420
В ячейке Ж 15 введём комментарии.

00:12:51.580 --> 00:12:54.060
В скобочках напишем TA равно.

00:12:54.220 --> 00:12:57.101
Далее в ячейку К15 введём формулу.

00:12:58.661 --> 00:13:00.382
Пятнадцать разделить на 15.

00:13:04.731 --> 00:13:08.014
Получим T от A равно 9,16.

00:13:08.174 --> 00:13:12.779
Точно так же определим и статистику
коэффициента регрессии B.

00:13:14.020 --> 00:13:17.904
Т от B равно 19,26.

00:13:18.504 --> 00:13:21.627
Сравнение статистики соответствующих
параметров.

00:13:21.937 --> 00:13:28.537
С табличным значением критерия стидента
при уровне значимости альфа, равном 5

00:13:29.417 --> 00:13:32.657
и степени свободной n -2, равных 6.

00:13:32.977 --> 00:13:36.977
Т-критерий стюдента будет равен 0,45.

00:13:37.817 --> 00:13:44.539
В результате получаем, что 9,16, чем 2,45
сотых стремится к

00:13:44.699 --> 00:13:50.982
H1, и 19,26 больше, чем 2,45 сотых
стремится к

00:13:51.022 --> 00:13:56.744
H1. Как видим, оба параметра уравнения
регрессии статистически значимы.

00:14:00.610 --> 00:14:02.808
Точечный интервальный прогноз.

00:14:03.807 --> 00:14:07.843
Предположим, нам необходимо определить
объём денежной массы при уровне

00:14:07.963 --> 00:14:11.080
национального дохода, равном 18.

00:14:11.440 --> 00:14:15.716
Для этого по условию точечного прогноза
подставим в модель интересующее нас

00:14:15.915 --> 00:14:18.513
значение X национальный доход.

00:14:19.318 --> 00:14:26.194
Игрек с чертой будет равен 0,86 + 18 сотых
умножить на

00:14:26.354 --> 00:14:28.072
X с индексом P.

00:14:28.592 --> 00:14:35.547
Подставляем. В результате получаем 0,86
сотых умножить плюс 0,18 сотых умноженное

00:14:35.667 --> 00:14:38.425
на 18 равно 4,4.

00:14:39.484 --> 00:14:46.244
То есть объём денежной массы при заданном
уровне национального дохода достигнет 4,4

00:14:47.004 --> 00:14:53.644
млрд. В практической деятельности
необходимо знать не только точечный

00:14:53.724 --> 00:14:57.764
прогноз среднего значения, а весь диапазон
его возможных значений.

00:14:58.795 --> 00:15:04.872
То есть необходимо определить интервалы, в
пределах которых значение данного прогноза

00:15:05.351 --> 00:15:06.711
может варьироваться.

00:15:07.310 --> 00:15:13.227
Определим пределы варьирования данного
прогноза с 95% надёжности.

00:15:13.866 --> 00:15:17.704
Для этого воспользуемся формулами
интервального прогноза.

00:15:19.377 --> 00:15:25.695
Где игрек с чертой от P будет больше либо
равно равности игрек с чертой от минус M

00:15:26.575 --> 00:15:33.454
умноженное на Т с индексом T большое и
меньше либо равно игрек с чертой

00:15:33.574 --> 00:15:37.133
p плюс M, умноженное на Т с индексом T.

00:15:38.817 --> 00:15:44.332
M будет равно произведению корней.

00:15:44.812 --> 00:15:51.126
То есть корень квадратный, дробь в
числителе сумма квадратов разности игрек

00:15:51.206 --> 00:15:53.884
минус игрек с частой разделить на N - два.

00:15:54.293 --> 00:16:00.337
умноженное на корень квадратный Следующая
формула: под корнем квадратным: 1 +

00:16:00.497 --> 00:16:06.901
единица на N + дробь в числителе квадрат
ратности X с индексом P минус X

00:16:07.141 --> 00:16:12.824
частой. В знаменателе Н умножить на сумму
квадрата рабности икс минус икс с частой.

00:16:14.130 --> 00:16:17.530
Рассчитаем дисперсию индивидуального
значения M.

00:16:17.890 --> 00:16:20.971
Иначе говоря, стандартную ошибку прогноза.

00:16:21.531 --> 00:16:26.412
Все необходимые расчётные значения в нашей
таблице уже вычислены, поэтому просто

00:16:26.772 --> 00:16:29.733
воспользуемся ими в ячейку R17.

00:16:30.100 --> 00:16:36.144
Пишем комментарий M, соответственно, в
ячейке F 17 проведём все

00:16:36.544 --> 00:16:37.905
необходимые расчёты.

00:16:38.105 --> 00:16:39.386
Пишем в неё формулу.

00:16:39.666 --> 00:16:43.108
Скобочки равны корень, круглые скобки.

00:16:44.180 --> 00:16:51.053
Аш 11 разделить на разность A10 - 2
умножить на корень в скобках 1+ единица

00:16:51.253 --> 00:16:57.367
делённая на A10 + скобочки 18 - C 12 в
квадрате и

00:16:57.567 --> 00:16:59.365
разделить.

00:16:59.654 --> 00:17:02.975
Э-э 10 умножить на К11.

00:17:04.616 --> 00:17:11.338
В результате получим значение Т-критерий
стюнта при 95% значении надёжности

00:17:11.618 --> 00:17:13.098
определён выше.

00:17:13.538 --> 00:17:16.099
Т будет равно 2,45.

00:17:16.681 --> 00:17:19.801
Пишем ячейку L18.

00:17:21.081 --> 00:17:26.561
Теперь, имея все необходимые значения для
расчёта интервального прогноза, определим

00:17:26.761 --> 00:17:33.560
значение денежной массы X минимальное и
грук максимальная в ячейках J16 и

00:17:33.720 --> 00:17:34.600
Ж-17.

00:17:34.940 --> 00:17:41.383
Введя формулу. В скобочках равно L16 + L
18 умножить на L17

00:17:41.904 --> 00:17:48.347
и в скобочках равно L16 -8 умножить на

00:17:48.467 --> 00:17:49.668
L17.

00:17:58.609 --> 00:18:05.455
То есть объём денежной массы не опускается
ниже отметки 3,68 млрд и не

00:18:05.535 --> 00:18:11.421
поднимается выше 4,41 млрд.

00:18:17.306 --> 00:18:18.627
Встроенные средства.

00:18:19.072 --> 00:18:22.875
Microsoft Excel оценки параметров модели
регрессии.

00:18:23.075 --> 00:18:28.840
Для быстрого решения задачи и нахождения
параметров регрессионной модели выделим

00:18:29.000 --> 00:18:34.404
область в Excel 25 B14

00:18:36.234 --> 00:18:39.314
Далее откроем меню формулы статистические

00:18:39.914 --> 00:18:45.673
линейные, как показано на рисунке.

00:18:48.752 --> 00:18:50.032
В появившемся окне

00:18:52.997 --> 00:18:55.954
Выделяем ячейки B4, B11.

00:18:56.753 --> 00:19:00.829
А в конце ввода значения X4, C11.

00:19:01.149 --> 00:19:08.101
В поле константа ставим единицу, в поле
статистика 1: Истина,

00:19:08.261 --> 00:19:09.100
ноль — ложь.

00:19:12.285 --> 00:19:18.846
Нажимаем OK Далее F2 и комбинации Contur +

00:19:22.327 --> 00:19:27.767
В появившейся области решения первая
строка является множеством коэффициентов

00:19:27.927 --> 00:19:30.328
регрессии и, соответственно, модель примет

00:19:31.946 --> 00:19:38.548
Вид грек с чертой равно 0,86 + 0,18
умноженное на

00:19:46.431 --> 00:19:50.433
Параметры построенной модели говорят о
том, что с увеличением национального

00:19:50.553 --> 00:19:50.913
дохода

00:19:51.499 --> 00:19:56.783
На единицу измерения объём денежной массы
увеличится на 18 млрд ₽.

00:19:57.383 --> 00:20:02.588
По результатам модели найдём значение
наблюдения Y с чертой, подставив в модель

00:20:02.668 --> 00:20:06.391
значение X, добавим для начала столбец Y.

00:20:06.861 --> 00:20:08.462
Нашу таблицу.

00:20:20.270 --> 00:20:23.192
Запишем в ячейку формулу для расчёта
регрессии.

00:20:25.196 --> 00:20:26.556
Как показано на рисунке.

00:20:26.716 --> 00:20:32.274
Далее нажимаем НТ и совершаем протягивание
для всего столбца.

00:20:33.634 --> 00:20:40.552
В результате получим значение столбца
igrek от T.м

00:20:40.712 --> 00:20:44.472
для простоты восприятия результата в
столбце igrek от T.

00:20:45.053 --> 00:20:51.772
Выделим столбец, вызовем контекстное меню,
формат ячеек числовой.

00:20:56.691 --> 00:21:01.690
Изобразим на диаграмме близость между
наблюдениями Y.

00:21:07.272 --> 00:21:13.314
Обратите внимание, игрек и игрек — это
значения достаточно близкие значения у

00:21:13.394 --> 00:21:19.036
нас. Выделим эти столбцы, затем открываем
меню «Вставка диаграммы график».

00:21:23.638 --> 00:21:24.318
Как видим,

00:21:28.703 --> 00:21:33.745
Графики рядов наблюдений фактически и
теоретические наблюдения близки.

00:21:34.025 --> 00:21:38.107
В связи с чем можно предположить, что
коэффициент корреляции будет давать

00:21:38.307 --> 00:21:40.427
значение близкое к единице.

00:21:41.068 --> 00:21:46.030
Найдём коэффициент корреляции, выделим
ячейку Ф 14, далее открываем

00:21:46.614 --> 00:21:53.577
Меню формулы, другие функции
статистические корреляции

00:22:03.142 --> 00:22:05.263
Заполняем открывшиеся поля.

00:22:07.633 --> 00:22:09.913
Нажимаем OK, получаем Р.

00:22:10.153 --> 00:22:17.152
Коэффициент корреляции равен девяносто
приблизительно 99, то есть

00:22:17.272 --> 00:22:18.671
близок к единице.

00:22:20.031 --> 00:22:24.870
Получить для заданных наблюдений
предсказанное значение грек по известному

00:22:24.990 --> 00:22:28.310
X равное 18, можно в функции предсказок.

00:22:28.828 --> 00:22:35.543
Из категории статистические покажем, что

00:22:35.703 --> 00:22:40.539
представляют собой остальные значения в
области, которые мы выделим: B с чертой

00:22:44.191 --> 00:22:51.148
M с индексом B с индексом A в квадрате M с
индексом

00:22:51.308 --> 00:22:57.466
Yek F от E.

00:22:57.866 --> 00:23:03.263
Как видим, необходимые значения при оценке
значимости коэффициента корреляции

00:23:03.423 --> 00:23:04.583
уравнения регрессии

00:23:05.116 --> 00:23:09.753
Коэффициентов регрессии, а также
стандартная ошибка прогноза при

00:23:09.952 --> 00:23:13.630
интервальном прогнозировании здесь уже
имеется.

00:23:14.149 --> 00:23:19.545
Нам же остаётся лишь подставить их в
соответствующие формулы ещё одним

00:23:19.665 --> 00:23:23.542
инструментом при расчёте регрессивной
модели является пакет

00:23:25.539 --> 00:23:31.263
Открываем меню настройки, пакет анализа
перейти.

00:23:31.463 --> 00:23:37.747
Далее в меню «Данные» и появится анализ
данных, как показано на рисунке.

00:23:39.268 --> 00:23:41.710
Запускаем его, открывается окно.

00:23:45.076 --> 00:23:49.712
Регрессия. Заполняем поля в появившемся
окне.

00:23:57.905 --> 00:24:04.059
Получим значение регрессионной

00:24:04.179 --> 00:24:06.657
статистики, дисперсионный анализ.

00:24:08.482 --> 00:24:10.002
Значимость F.

00:24:11.403 --> 00:24:16.365
Здесь приведены все наши расчёты,
рассмотренные выше с соответствующими

00:24:16.525 --> 00:24:21.447
разъяснениями, что является крайне большим
преимуществом по сравнению с функцией

00:24:22.128 --> 00:24:26.570
линейной. Также здесь сразу найден
коэффициент корреляций.

00:24:26.808 --> 00:24:28.049
...и детерминации.

00:24:28.370 --> 00:24:30.932
Рассчитанные статистические оценки Ф.

00:24:31.053 --> 00:24:36.418
Фишера и для статистики Стюбита для
коэффициентов регрессии A и B.

00:24:40.156 --> 00:24:45.040
Вашему вниманию предлагаются контрольные
вопросы, на которые вы должны ответить,

00:24:45.320 --> 00:24:49.443
чтобы изучить материал и выполнить
самостоятельную работу.

00:24:49.723 --> 00:24:54.567
Итак, что понимается под регрессией в
теории вероятности и математической

00:24:54.767 --> 00:24:55.487
статистике?

00:24:56.485 --> 00:25:00.841
Какие задачи решаются при построении
уравнения регрессии?

00:25:02.160 --> 00:25:06.117
Какие методы применяются для выбора вида
модели регрессии?

00:25:06.676 --> 00:25:12.312
Какие функции чаще всего используются для
построения уравнения парной регрессии?

00:25:13.113 --> 00:25:17.272
Какой вид имеет система нормальных
уравнений метода наименьших

00:25:17.432 --> 00:25:24.590
квадратовке

00:25:24.630 --> 00:25:28.349
статистических гипотез называется
уравнением значимости?

00:25:29.465 --> 00:25:32.504
Как проверяется значимость уравнения
регрессии?

00:25:33.264 --> 00:25:37.583
Как проверяется значимость коэффициентов
уравнения регрессии?

00:25:38.663 --> 00:25:41.902
Как вычисляется коэффициент детерминации?

00:25:42.542 --> 00:25:45.781
По какой формуле вычисляется выборочный
коэффициент?

00:25:46.778 --> 00:25:50.578
Парной корреляции R от X Y.

00:25:51.018 --> 00:25:55.578
Как проверяется значимость выборочного
коэффициента парной корреляции?

00:25:55.818 --> 00:26:00.978
Как строится доверительный интервал для
линейного коэффициента парной корреляции?

00:26:02.498 --> 00:26:05.018
Как вычисляется и что показывает индекс?

00:26:05.375 --> 00:26:07.013
Детерминации.

00:26:07.333 --> 00:26:12.250
Как осуществляется построение
доверительного интервала прогноза в случае

00:26:12.730 --> 00:26:14.209
линейной регрессии?

00:26:14.728 --> 00:26:20.124
Как вычисляется и как интерпретируется
коэффициент значимости?

00:26:23.522 --> 00:26:25.960
Множественная регрессия и корреляция.

00:26:26.861 --> 00:26:31.735
Модель парной регрессии даёт хорошие
результаты при анализе и прогнозе в

00:26:31.815 --> 00:26:37.727
случае, когда влияние остальных факторов
на объект исследования несущественно, и

00:26:37.927 --> 00:26:42.481
именно ими можно пренебречь, не включив их
в модель.

00:26:44.850 --> 00:26:51.491
Однако такие случаи редки и влиянием этих
факторов по большей части

00:26:51.652 --> 00:26:53.052
пренебрегать нельзя.

00:26:53.572 --> 00:26:57.813
В этом случае их вводят в модель, дабы
определить их влияние на объект

00:26:58.173 --> 00:27:02.734
исследования. То есть, необходимо
построить уравнение множественной

00:27:02.855 --> 00:27:03.535
регрессии.

00:27:04.167 --> 00:27:10.246
Игрек равно S чертой от множества X1, X2 и
так далее

00:27:10.406 --> 00:27:14.405
X. Где грек объяснимая переменные.

00:27:14.485 --> 00:27:20.564
Результативный признак X IT объясняющие
или независимые переменные

00:27:21.458 --> 00:27:28.137
Признаки, факторы.

00:27:28.697 --> 00:27:33.576
Множественная регрессия получила широкое
распространение при решении задач,

00:27:33.856 --> 00:27:37.135
связанных с исследованием проблем спроса,
анализа

00:27:37.788 --> 00:27:43.508
Доходности акций при изучении функций
издержек производства и

00:27:43.668 --> 00:27:49.108
макроэкономических расчётах и в решении
многих других вопросов в экономике На

00:27:49.348 --> 00:27:54.588
сегодняшний день множественная регрессия —
один из наиболее популярных инструментов в

00:27:54.708 --> 00:27:55.628
эконометрике.

00:27:56.558 --> 00:28:02.284
Основной идеей преследуемой множественной
регрессии, является построение модели с

00:28:03.205 --> 00:28:09.251
включённым в неё большим числом факторов,
определяя их воздействие на моделируемый

00:28:09.331 --> 00:28:12.655
объект как по отдельности, так и в
совокупности.

00:28:19.153 --> 00:28:23.752
Спецификация модели, отбор факторов при
построении уравнения множественной

00:28:23.832 --> 00:28:28.990
регрессии. Первым этапом построения
уравнения множественной регрессии

00:28:29.110 --> 00:28:33.828
начинается с решения вопроса о
спецификации модели.

00:28:34.548 --> 00:28:38.906
На этапе спецификации модели учитываются
два важных момента.

00:28:39.781 --> 00:28:44.136
Это отбор факторов и выбор вида уравнения
регрессии.

00:28:45.214 --> 00:28:49.889
Процесс включения какого-либо набора
факторов в разрабатываемую модель

00:28:50.049 --> 00:28:56.281
множественной регрессии связана с мнением
исследователя относительно природы.

00:28:56.768 --> 00:29:02.934
Взаимосвязи анализируемого показателя с
остальными экономическими явлениями.

00:29:03.294 --> 00:29:08.419
Факторы, которые мы собираемся включить в
модель, должны отвечать следующим

00:29:08.940 --> 00:29:15.586
требованиям Первые факторы должны иметь

00:29:16.136 --> 00:29:22.659
Количественную характеристику в случае,
когда

00:29:23.459 --> 00:29:28.742
нужно включать в модель качественный
фактор, который не имеет количественное

00:29:28.822 --> 00:29:33.184
измерение, тогда данному фактору
необходимо придать количественную

00:29:33.384 --> 00:29:34.144
определённость.

00:29:35.682 --> 00:29:39.999
Факторы не должны иметь высокую
корреляционную зависимость между собой,

00:29:40.279 --> 00:29:43.997
тем более, находиться в точной
функциональной связи.

00:29:44.797 --> 00:29:50.554
Если включить модель фактор достаточно
высокой интеркорреляции

00:29:51.257 --> 00:29:56.383
Это может способствовать появлению
нежелательных впоследствий систем

00:29:57.023 --> 00:30:02.149
нормальных уравнений, может оказаться
плохо обусловленной и повлечь за собой

00:30:02.509 --> 00:30:07.715
неустойчивость и ненадёжность ацентов
коэффициента регрессии.

00:30:09.071 --> 00:30:14.705
В случае наличия высокой корреляции между
независимыми переменными нельзя будет

00:30:14.944 --> 00:30:20.938
выявить их изолированное, изолированное
влияние на результативный показатель

00:30:21.617 --> 00:30:24.694
и, соответственно, коэффициенты

00:30:30.205 --> 00:30:34.883
Уравнение регрессии окажутся
неинтерпретируемыми.

00:30:36.842 --> 00:30:42.160
Факторы, которые мы собираемся включить в
модель, должны объяснять вариацию

00:30:42.800 --> 00:30:48.198
эндогенной переменной в случае, когда
строитель строят модель с количеством

00:30:48.357 --> 00:30:48.917
факторов.

00:30:49.465 --> 00:30:55.701
Тогда для неё вычисляется коэффициент
детерминации R- квадрат, который фиксирует

00:30:56.061 --> 00:31:02.576
долю объяснённой вариации результативного
признака за счёт рассматриваемых

00:31:02.936 --> 00:31:04.415
регрессии M-факторов.

00:31:05.163 --> 00:31:11.001
В случае дополнительного включения в
модель регрессии M+1 факторов коэффициент

00:31:11.281 --> 00:31:13.520
детерминации должен возрастать.

00:31:14.400 --> 00:31:19.598
R- квадрат с индексом +1 должен быть
больше либо равен N квадрату M.

00:31:20.517 --> 00:31:24.996
Если данное условие не выполняется,
значит, эти показатели не отличаются друг

00:31:25.196 --> 00:31:25.755
от друга.

00:31:26.331 --> 00:31:32.257
Соответственно, включённый в модель фактор
X с индексом M+1 не только не улучшает

00:31:32.337 --> 00:31:35.180
модель, но и является лишним по сути
фактором.

00:31:35.861 --> 00:31:40.385
Процесс включения в модель ненужных
факторов может привести к появлению

00:31:40.786 --> 00:31:41.506
статистической

00:31:42.335 --> 00:31:48.568
Незначимости коэффициентов регрессии,
определяем при помощи критерия Стюдента.

00:31:49.048 --> 00:31:49.408
Таким

00:31:49.607 --> 00:31:59.677
образом,

00:31:59.797 --> 00:32:02.035
хотя теоретически регрессионная модель

00:32:02.798 --> 00:32:09.352
Позволяет учесть любое число факторов,
практически в этом нет

00:32:09.832 --> 00:32:14.468
необходимости. Отбор факторов производится
на основе качественного

00:32:14.947 --> 00:32:17.785
теоретико-экономического анализа.

00:32:18.184 --> 00:32:21.142
Однако теоретический анализ часто не
позволяет

00:32:21.772 --> 00:32:26.731
Однозначно ответить на вопрос о
количественной взаимосвязи рассматриваемых

00:32:26.891 --> 00:32:31.090
признаков и целесообразности включения
фактора в модель.

00:32:31.530 --> 00:32:36.969
Поэтому отбор факторов обычно
осуществляется в две стадии.

00:32:37.049 --> 00:32:37.409
На первой

00:32:40.817 --> 00:32:44.654
Подбираются факторы, исходя из сущности
проблемы.

00:32:45.213 --> 00:32:50.448
На второй, на основе матрицы показателей
корреляции определяется статистикой для

00:32:50.568 --> 00:32:52.287
параметров регрессии.

00:32:55.484 --> 00:33:00.559
Коэффициент интеркорреляции, то есть
корреляции между объясняющими переменными.

00:33:01.219 --> 00:33:04.736
Позволяет исключить из моделей дублирующие
факторы.

00:33:05.016 --> 00:33:09.891
Считается, что две переменные явно
калениальные, то есть находятся между

00:33:10.251 --> 00:33:12.329
собой в линейной зависимости.

00:33:12.849 --> 00:33:17.325
Если коэффициент корреляции X / i больше
либо равен семи

00:33:18.364 --> 00:33:23.803
Если факторы явно калиниальные, то они
дублируют друг друга, и один из них

00:33:23.923 --> 00:33:26.523
рекомендуется исключить из регрессии.

00:33:27.563 --> 00:33:32.882
Предпочтение при этом отдаётся не фактору,
более тесно связанному с результатом, а

00:33:33.042 --> 00:33:37.201
тому фактору, который при достаточно
тесной связи с результатом.

00:33:37.642 --> 00:33:42.040
Имеет наименьшую тесноту связи с другими
факторами.

00:33:45.759 --> 00:33:52.236
В этом требовании проявляется специфика
множественной

00:33:52.316 --> 00:33:56.475
регрессии как метода исследования
комплексного воздействия фактора

00:33:57.082 --> 00:34:02.919
в условиях их независимости друг от друга
Пусть, например, при изучении зависимости

00:34:03.159 --> 00:34:09.956
You F от X матрица парных коэффициентов
корреляции оказалась следующей

00:34:10.716 --> 00:34:12.555
данные приведены в таблице 1

00:34:14.272 --> 00:34:21.030
Даны зависимости grek и переменные X1—X2
X3 как в

00:34:21.070 --> 00:34:23.150
строке, так и в столбце.

00:34:24.270 --> 00:34:28.788
Очевидно, что факторы X1 и X2 дублируют
друг друга.

00:34:34.427 --> 00:34:35.587
Обратите внимание.

00:34:36.928 --> 00:34:43.366
X1; X1.2.8; X2

00:34:43.606 --> 00:34:46.365
X1. X2.

00:34:46.365 --> 00:34:52.483
X2 — единица корреляция X2 с результатом

00:34:52.563 --> 00:34:55.322
Xлабее, чем корреляция фактора X1

00:34:58.675 --> 00:35:05.591
С Y, то коэффициент корреляции, равный
0,7, будет меньше коэффициента

00:35:05.631 --> 00:35:09.309
корреляции, равной 0,8.

00:35:09.948 --> 00:35:14.226
Но зато значительно слабее межфакторная
корреляция.

00:35:15.280 --> 00:35:21.800
Р будет равно 0,2 коэффициент корреляции,
то есть меньше 0,5.

00:35:22.280 --> 00:35:27.319
Поэтому в данном случае в уравнении
множественной регрессии включаются факторы

00:35:27.439 --> 00:35:28.919
x2x3.

00:35:29.519 --> 00:35:32.239
По величине парных коэффициентов
корреляции

00:35:36.277 --> 00:35:39.320
Обнаруживается лишь явная колинярность
факторов.

00:35:39.721 --> 00:35:43.965
Наибольшие трудности в использовании
аппарата множественной регрессии возникает

00:35:44.085 --> 00:35:50.131
при наличии мультиколлиниарности факторов,
когда более чем два фактора связаны между

00:35:50.411 --> 00:35:53.173
собой линейной зависимостью.

00:35:53.715 --> 00:35:59.837
То есть имеет место совокупное воздействие
факторов друг на друга.

00:36:02.518 --> 00:36:06.919
Наличие мультиколениарности факторов может
означать, что некоторые факторы будут

00:36:06.999 --> 00:36:09.079
всегда действовать в унисон.

00:36:09.879 --> 00:36:10.880
В результате вариации

00:36:11.341 --> 00:36:15.941
...в исходных данных перестаёт быть
полностью независимой и нельзя оценить

00:36:16.061 --> 00:36:18.621
воздействие каждого фактора в отдельности.

00:36:19.421 --> 00:36:25.461
Включение в модель мультиколиарных
факторов нежелательно в силу следующих

00:36:25.581 --> 00:36:26.181
последствий.

00:36:27.134 --> 00:36:33.618
Первое. Затрудняется интерпретация
параметров множественной регрессии

00:36:34.098 --> 00:36:37.420
как характеристик действия факторов в
чистом виде.

00:36:37.900 --> 00:36:44.143
Ибо факторы коррелированы, параметры
линейной регрессии теряют экономический

00:36:44.303 --> 00:36:44.743
смысл.

00:36:45.538 --> 00:36:51.494
Второе. Оценки параметров ненадёжны,
обнаруживают большие стандартные ошибки и

00:36:51.654 --> 00:36:58.210
меняются с изменением объёма наблюдений не
только по величине, но и по

00:36:58.330 --> 00:37:03.087
знаку. Что делает модель непригодной для
анализа и прогнозирования?

00:37:04.820 --> 00:37:09.946
Для оценки мультиколлениарности факторов
может использоваться определитель матрицы

00:37:10.146 --> 00:37:13.790
парных коэффициентов корреляции между
факторами.

00:37:14.511 --> 00:37:19.676
Если бы факторы не коррелировали между
собой, то матрица парных коэффициентов

00:37:19.876 --> 00:37:21.118
корреляции между факторами

00:37:21.938 --> 00:37:27.336
была бы единичной матрицей, поскольку
всегональные элементы

00:37:28.375 --> 00:37:34.373
корреляции R от X X

00:37:34.533 --> 00:37:38.092
жита, где i не равно жи, были бы равны
нулю.

00:37:39.268 --> 00:37:45.904
Так и уравнение, включающее три
объясняющих переменные: Youn A

00:37:46.343 --> 00:37:52.899
плюс произведение B1 умножить на X1 + B2
умножить на X2 + B3 умножить на X3

00:37:53.418 --> 00:37:57.095
— это есть матрица коэффициентов
корреляции между факторами

00:37:57.652 --> 00:38:00.251
Имел бы определитель, равный единице.

00:38:00.691 --> 00:38:07.289
Итак, детерминант равен определителю
третьего порядка, по диагонали у нас

00:38:07.489 --> 00:38:12.328
единицы, остальные коэффициенты равны
нулю, следовательно, он равен единице.

00:38:13.167 --> 00:38:18.206
Если же наоборот, между факторами
существует полная линейная зависимость

00:38:18.878 --> 00:38:23.680
Если все коэффициенты корреляции равны
единице, то определитель такой матрицы

00:38:23.920 --> 00:38:30.682
равен нулю Итак, представлен вашему
вниманию

00:38:31.002 --> 00:38:35.483
определитель третьего порядка, где все
коэффициенты равны нулю.

00:38:36.053 --> 00:38:41.531
В результате его вычисления при помощи
правила треугольника, либо при помощи

00:38:41.971 --> 00:38:48.329
разложения по строчке, либо по столбику,
либо по свойствам, мы определим, что

00:38:48.449 --> 00:38:50.648
данный определитель равен нулю.

00:38:51.608 --> 00:38:55.167
Чем ближе к нулю определитель матрицы
межфакторной корреляции

00:38:55.898 --> 00:39:01.341
Тем сильнее мультиколенарность факторов и
ненадёжнее результаты множественной

00:39:01.421 --> 00:39:07.025
регрессии. И наоборот, чем ближе к единице
определитель матрицы межфакторной

00:39:07.105 --> 00:39:10.987
корреляции, тем меньше мультиколиарность
факторов.

00:39:12.668 --> 00:39:14.750
Существует ряд подходов.

00:39:15.682 --> 00:39:18.643
Преодоление сильной межфакторной
корреляции.

00:39:19.123 --> 00:39:24.285
Самый простой путь устранения
мультиколлиниарности состоит в исключении

00:39:24.485 --> 00:39:27.606
из модели одного или нескольких факторов.

00:39:27.966 --> 00:39:32.968
Другой подход связан с преобразованием
факторов, при котором уменьшается

00:39:33.169 --> 00:39:34.489
корреляция между ними.

00:39:36.223 --> 00:39:41.908
Одним из путей учёта внутренней корреляции
факторов является переход к совмещённым

00:39:42.028 --> 00:39:43.789
уравнениям регрессии.

00:39:44.149 --> 00:39:50.154
То есть, к уравнениям, которые отражают не
только влияние факторов, но и их

00:39:50.235 --> 00:39:51.195
взаимодействие.

00:39:51.839 --> 00:39:58.005
Так, если игрек равное F от X1 X2 X3, то
возможно построение следующего

00:39:58.485 --> 00:40:00.087
совмещённого уравнения.

00:40:00.207 --> 00:40:07.054
Игрек равное A + B1 умножить на X1 + B2
умножить на X2 + Б 3 на

00:40:07.094 --> 00:40:07.655
X3.

00:40:08.319 --> 00:40:15.031
Плюс B 12 умножить на X1X, плюс B 13
умножить на X1X 3, плюс

00:40:15.111 --> 00:40:18.786
B23 умножить на X2 и плюс Apsim.

00:40:19.745 --> 00:40:23.460
Рассматриваемое уравнение включает
взаимодействие первого порядка.

00:40:24.357 --> 00:40:29.361
Взаимодействие двух факторов возможно
включение в модель и взаимодействия более

00:40:29.641 --> 00:40:35.165
высокого порядка, если будет доказана их
статистическая значимость по F-критерию

00:40:35.285 --> 00:40:39.488
фишера. Но, как правило, взаимодействие
третьего и более высоких порядков

00:40:39.688 --> 00:40:42.090
оказывается статистически незначимыми.

00:40:44.702 --> 00:40:48.619
Подбор факторов, включаемых в регрессию,
является одним из важнейших этапов

00:40:48.699 --> 00:40:51.537
практического использования методов
регрессии.

00:40:52.056 --> 00:40:56.773
Подходы к отбору факторов на основе
показателей корреляции могут быть разными.

00:40:57.133 --> 00:41:00.450
Они приводят к построению уравнения
множественной регрессии.

00:41:00.827 --> 00:41:03.026
Соответственно, к разным методикам.

00:41:03.186 --> 00:41:08.903
В зависимости от того, какая методика
построения уравнения регрессии применяется

00:41:09.423 --> 00:41:12.022
алгоритмы решения НВ.

00:41:12.342 --> 00:41:17.180
Наиболее широкое применение получения
получили следующие методы построения

00:41:17.420 --> 00:41:19.738
уравнения множественной регрессии.

00:41:20.748 --> 00:41:25.267
Метод исключения всех факторов из полного
его набора.

00:41:25.707 --> 00:41:29.306
Метод исключения дополнительного введения
факторов.

00:41:29.466 --> 00:41:32.385
И третий шаговый регрессивный анализ.

00:41:33.065 --> 00:41:35.624
Исключение ранее введённого фактора.

00:41:36.451 --> 00:41:41.050
При отборе факторов также рекомендуется
пользоваться следующим правилом.

00:41:41.490 --> 00:41:47.528
Число включаемых факторов обычно в 6—7 раз
меньше объёма совокупности, по которой

00:41:47.688 --> 00:41:49.087
строится регрессия.

00:41:49.527 --> 00:41:51.287
Если это соотношение нарушено

00:41:51.887 --> 00:41:56.044
То число степеней свободы остаточной
дисперсии очень мало.

00:41:56.404 --> 00:42:01.121
Это приводит к тому, что параметры
уравнения регрессии оказываются

00:42:01.360 --> 00:42:07.596
статистически незначимыми, а их критерий
меньше табличного значения.

00:42:12.745 --> 00:42:17.860
Метод наименьших квадратов — свойство
оценок на основе метода наименьших

00:42:17.940 --> 00:42:23.015
квадратов. Множественная регрессия может
иметь как линейный, так и нелинейный

00:42:23.135 --> 00:42:25.692
характер связи между факторами.

00:42:26.052 --> 00:42:31.647
Линейный вид модели наиболее популярен
ввиду наличия чёткой интерпретации её

00:42:31.846 --> 00:42:32.206
параметров.

00:42:33.360 --> 00:42:40.323
В линейной множественной регрессии Y
равное A+ B1 X1 + B2 X2 +

00:42:40.523 --> 00:42:43.925
и так далее BM умножить на X.

00:42:44.165 --> 00:42:48.328
Параметры при X называются коэффициентами
чистой регрессии.

00:42:48.888 --> 00:42:52.090
Параметры P's характеризуют среднее
изменение Y

00:42:52.930 --> 00:42:59.446
При изменении соответствующего фактора X
на единицу своего измерения при условии,

00:42:59.526 --> 00:43:02.324
что значение других факторов неизменно.

00:43:02.764 --> 00:43:06.921
Рассмотрим линейную модель множественной
регрессии формула 2.

00:43:08.067 --> 00:43:14.661
Игрек равное A + P1 на X-1 + P2 на X2 + и
так далее; BM на XM +

00:43:14.780 --> 00:43:21.094
Epsil. Классический подход к оцениванию
параметров линейной модели множественной

00:43:21.174 --> 00:43:24.451
регрессии основан на методе наименьших
квадратов.

00:43:25.307 --> 00:43:30.592
Метод наименьших квадратов позволяет
получить такие оценки параметров, при

00:43:30.912 --> 00:43:35.356
которых сумма квадратов отклонений

00:43:38.759 --> 00:43:42.242
фактических значений результативного
признака igrek

00:43:42.925 --> 00:43:45.763
От расчётных игрек минимальна.

00:43:46.803 --> 00:43:48.242
Формула 2.2.

00:43:48.482 --> 00:43:55.358
Сумма квадрата разницы игрек игрек от икс
будет стремиться к минимуму.

00:43:55.798 --> 00:43:56.997
Мы знаем, что

00:43:58.325 --> 00:44:03.365
Во второй теореме Верштрасса функция
достигает своего максимума или минимума в

00:44:03.485 --> 00:44:07.085
точке, в которой её производная равна
нулю.

00:44:07.325 --> 00:44:11.725
Значит, необходимо найти частные
производные по каждому из параметров

00:44:11.965 --> 00:44:14.005
регрессии и приравнять их

00:44:14.599 --> 00:44:21.474
К нулю. Итак, имеем функцию

00:44:21.594 --> 00:44:28.510
M+1 аргументы S от 1 B2

00:44:28.830 --> 00:44:31.428
и так далее M будет равна сумме.

00:44:32.292 --> 00:44:39.088
квадрат минус A - B1 на X1, - B2 X2,

00:44:39.128 --> 00:44:42.166
минус и так далее MM на X.

00:44:43.605 --> 00:44:47.362
Находим частные производные первого
порядка.

00:44:49.328 --> 00:44:55.289
DS PA, DS P1 и DS Pn.

00:44:55.409 --> 00:44:59.649
И каждую частную производную приравниваем
к нулю.

00:45:00.290 --> 00:45:04.930
После эмлементарных преобразований
приходим к системе линейных нормальных

00:45:05.010 --> 00:45:05.610
уравнений.

00:45:06.253 --> 00:45:12.406
Для нахождения параметров линейного
уравнения множественной регрессии 2.1

00:45:14.444 --> 00:45:17.601
Получаем систему линейных уравнений.

00:45:18.160 --> 00:45:23.914
Для двухфакторной модели данная система
будет иметь следующий вид.

00:45:24.597 --> 00:45:31.402
Итак, в системе три линейных уравнения: N
от A B1 умножить на сумму

00:45:31.482 --> 00:45:36.446
X IT + B2 на сумму XI равно сумме игрека.

00:45:36.726 --> 00:45:43.451
A умножить на сумму X первого + B1 на
сумму X первого в квадрате + B2 на

00:45:43.531 --> 00:45:43.851
сумму

00:45:44.617 --> 00:45:50.020
Произведение X1 на X2 будет равно сумме
произведения игрек на X-1.

00:45:50.260 --> 00:45:57.104
И последнее уравнение: a умножить на сумму
XI + B1 на сумму произведения X1 на X2

00:45:57.704 --> 00:46:02.907
+ B2 на сумму X2 в квадрате будет равно
произведению игрек на X2.

00:46:04.652 --> 00:46:08.255
Оценка параметров множественной регрессии
в матричном виде.

00:46:08.895 --> 00:46:13.659
В матричном виде уравнение множественной
регрессии выглядит следующим образом:

00:46:14.099 --> 00:46:20.024
игрек большое равно бета умножить на X
большое плюс эпсик большое — матрица

00:46:20.184 --> 00:46:24.788
наблюдения. Игректа — матрица всех
параметров уравнения регрессии.

00:46:25.195 --> 00:46:31.917
Икс — большое матрица всех наблюдений
переменной X & равно X транспонированное

00:46:32.077 --> 00:46:35.558
умножить на X произведение в - первой
степени.

00:46:35.758 --> 00:46:39.999
То есть обратить нужно данное
произведение, найти обратную матрицу к ней

00:46:40.719 --> 00:46:43.880
умножить на X транспонированное и на
матрицу X.

00:46:44.618 --> 00:46:48.136
Обозначим обратную матрицу через A минус
1.

00:46:48.336 --> 00:46:53.294
Тогда будет A в минус первой обратная
матрица умножить на произведение X с

00:46:53.334 --> 00:46:58.051
индексом транспонированная матрица X
умножить на матрицу ра.

00:46:58.371 --> 00:46:59.970
А в минус первой будет равно

00:47:01.387 --> 00:47:07.307
Основной дополнительный определитель As
чертой разделить на основной определитель.

00:47:07.746 --> 00:47:14.066
Бета чертой умножить на X, транспонируем
на игрек разделить на матрицу на

00:47:14.186 --> 00:47:15.586
определитель A.

00:47:18.490 --> 00:47:24.724
Присоединённая матрица A в прямых скобках
— определитель матрицы: произведение X,

00:47:24.724 --> 00:47:26.402
транспонированное на икс.

00:47:26.921 --> 00:47:31.916
Далее показано, как находить произведение
X, транспонированное на икс.

00:47:32.436 --> 00:47:34.514
Элементы присоединённой матрицы при

00:47:34.781 --> 00:47:40.379
Представляет из себя алгебраическое
дополнение A, где

00:47:41.459 --> 00:47:46.057
алгебраическое дополнение будет
определяться формулой: минус единица в

00:47:46.137 --> 00:47:52.055
степени i+ i умножить на минор и живое,
где M ижитое, минор матрица.

00:47:55.499 --> 00:47:56.738
Рассмотрим пример.

00:47:58.018 --> 00:48:03.535
Пусть объём выпуска некоторого некоторой
продукции предприятия имеет линейную

00:48:03.775 --> 00:48:08.213
зависимость от затрат за рекламу — X1 —
тыся руб.

00:48:08.413 --> 00:48:10.932
и зарплата X-2 — 1 000 ₽.

00:48:11.334 --> 00:48:15.656
Сотрудников данного предприятия, занятых в
производстве данной продукции.

00:48:15.937 --> 00:48:19.738
Вычислим коэффициенты уравнения линейной
регрессии.

00:48:25.421 --> 00:48:27.182
Найдём произведение матриц.

00:48:27.640 --> 00:48:31.800
Икс транспонированное на X и X
транспонированное на игрек.

00:48:32.040 --> 00:48:37.641
В данном случае матрица Xransponная на X —
это определитель третьего порядка, а

00:48:37.801 --> 00:48:41.161
произведение матрицы X транспонированное
на игрек — это у нас

00:48:43.002 --> 00:48:44.683
Матрица, столбец.

00:48:46.323 --> 00:48:51.284
Дополним таблицу необходимыми значениями.

00:48:51.364 --> 00:48:57.166
То есть первоначально было дано у нас в
таблице значение gрек X1x2.

00:48:57.566 --> 00:49:02.927
Для того чтобы вычислить все необходимые
определители, мы находим произведение X1

00:49:03.167 --> 00:49:03.767
на X2.

00:49:04.204 --> 00:49:09.968
Каким образом находится этот столбец X12,
то есть, соответственно, 11 умножаем на

00:49:10.048 --> 00:49:16.774
13, получаем 143, 14 на 11, 154, 19
умножить на 10 190, 24

00:49:17.054 --> 00:49:19.056
на 9 216 и так далее.

00:49:19.524 --> 00:49:26.360
В сумме получаем 2 244 X X в квадрат X1 в
квадрате, каждый коэффициент

00:49:26.480 --> 00:49:33.355
X1 возводим в квадрат: 11 в квадрате 121,
14 в квадрате 196, 19

00:49:33.635 --> 00:49:35.954
в квадрате 361 и так далее.

00:49:35.994 --> 00:49:38.232
В сумме получаем 10 800.

00:49:38.437 --> 00:49:41.956
81. Также находим X2 в квадрате.

00:49:42.076 --> 00:49:48.875
В сумме у нас будет число 734 Y на X1, то
есть игрек первый столбец умножаем на

00:49:48.995 --> 00:49:51.034
соответствующие коэффициенты X1.

00:49:51.374 --> 00:49:57.620
21 на 11 231, 34 на 14 476 и так далее.

00:49:57.660 --> 00:50:00.062
В сумме 22 433

00:50:01.212 --> 00:50:06.088
И таким же образом определяем последний
столбец игрек умножаем на соответствующее

00:50:06.208 --> 00:50:12.044
число в строке X2: 21 на 13 273 34 на 14

00:50:12.404 --> 00:50:14.203
374 и так далее.

00:50:14.283 --> 00:50:19.559
Складываем, получаем в сумме 4 476.

00:50:21.057 --> 00:50:26.932
Далее заполняем таблицу и получим матрицу:
X-транспонированную на X.

00:50:27.531 --> 00:50:30.089
Это определитель третьего порядка.

00:50:32.447 --> 00:50:38.602
Вычисляем определитель, получаем значение,
равное 311 866.

00:50:38.722 --> 00:50:39.002
Опять же

00:50:39.966 --> 00:50:46.201
Напомню, что данный определитель можно
вычислять как по правилу треугольника, так

00:50:46.801 --> 00:50:53.275
при помощи разложения по строчке, либо по
столбику, либо при помощи обнуления строки

00:50:53.555 --> 00:50:55.474
либо столбца соответствующего.

00:50:57.928 --> 00:51:00.644
Найдём элементы присоединённые матрицей.

00:51:00.844 --> 00:51:07.394
То есть находим алгебраические дополнения
A12, A13, используя формулу

00:51:07.594 --> 00:51:09.751
-1 в степени 1 +1

00:51:10.563 --> 00:51:15.680
Минор. В данном случае вычёркиваем первую
строчку, первый столбик, и вот остаётся у

00:51:15.800 --> 00:51:18.438
нас определитель второго порядка — минор.

00:51:18.797 --> 00:51:25.673
В данном случае A1, алгебраическое
дополнение будет равно 29 295 118.

00:51:25.952 --> 00:51:26.752
Также находим

00:51:27.302 --> 00:51:34.026
Алгебраические дополнения: A12, A1—3, A21
A23; A312

00:51:34.186 --> 00:51:40.191
A33. И разделив элементы, присоединённые
матрицы на определитель, получим обратную

00:51:40.351 --> 00:51:47.035
матрицу. Далее, X трансполированная на
Игрек у нас опреде

00:51:47.676 --> 00:51:48.957
матрица столбец.

00:51:50.713 --> 00:51:56.070
Перемножаем две матрицы, обратную матрицу
на X транспонированный игрек, получим

00:51:56.190 --> 00:51:59.028
матрицу коэффициентов уравнения регрессии.

00:51:59.587 --> 00:52:06.383
Бета будет равна матрице столбец 102,24,

00:52:06.503 --> 00:52:09.341
0,798 тысных и -7

00:52:10.327 --> 00:52:12.085
739 000.

00:52:12.285 --> 00:52:17.082
Итак, могу повторить, что коэффициенты
могут быть как целые, так и нецелые.

00:52:17.282 --> 00:52:20.640
Значения могут быть как положительные, так
и отрицательные.

00:52:21.000 --> 00:52:25.517
Отсюда уравнение регрессии будет иметь
следующий вид: игрек равно

00:52:25.864 --> 00:52:32.348
102,24 + 0,7 798 X-1

00:52:32.788 --> 00:52:36.990
- 7 739 тысяч умножить на X2.

00:52:37.630 --> 00:52:42.193
Данное уравнение показывает нам, что в
случае увеличения одних лишь затрат на

00:52:42.313 --> 00:52:43.233
рекламу X-1

00:52:44.173 --> 00:52:51.011
При закреплении звания на неизменном
уровне на 1 000 ₽ предложение выпускаемой

00:52:51.131 --> 00:52:56.648
продукции увеличится в среднем на 0,79.

00:52:56.768 --> 00:52:59.127
А при увеличении затрат на оплату труда
рабо

00:52:59.348 --> 00:53:05.782
работников X2 при неизменном X1 на 1 000 ₽
объём выпуска продукции

00:53:06.021 --> 00:53:10.777
уменьшится в среднем на 7 739 000

00:53:20.005 --> 00:53:21.526
Множественная корреляция.

00:53:21.766 --> 00:53:25.607
Практическая значимость уравнения
множественной регрессии оценивается с

00:53:25.687 --> 00:53:30.769
помощью показателей множественной
корреляции и его квадрата коэффициента

00:53:30.849 --> 00:53:36.211
детерминации. Значение множественного
коэффициента корреляции отражает тесноту

00:53:36.331 --> 00:53:36.771
связи.

00:53:37.370 --> 00:53:43.170
оцениваемого набора факторов с исследуемым
признаком или же характеризует тесноту

00:53:43.410 --> 00:53:49.451
группового влияния рассматриваемого набора
факторов на результат Показатель

00:53:49.651 --> 00:53:53.291
множественной корреляции может быть
определён как индекс множественной

00:53:53.331 --> 00:53:53.931
корреляций

00:53:54.447 --> 00:54:01.361
по следующей формуле равно под корнем
квадратным единица минус

00:54:01.920 --> 00:54:08.874
дробь сумма квадратов разности игрек минус
игрек и Т с чертой в знаменателе

00:54:08.994 --> 00:54:11.911
сумма квадрата разности игрек и минус
икрек.

00:54:13.217 --> 00:54:19.899
Индекс множественной корреляции меняется в
пределах от

00:54:20.379 --> 00:54:22.100
нуля до единицы.

00:54:22.420 --> 00:54:28.823
Связь между результативным признаком X и
набором факторов X будет тесной в

00:54:28.903 --> 00:54:31.864
случае, когда индекс множественной
корреляции

00:54:32.585 --> 00:54:35.626
Принимает значение близкое к единице.

00:54:36.026 --> 00:54:37.307
И наоборот.

00:54:40.228 --> 00:54:45.270
Чем ближе значение индекса множественной
корреляции к нулю, тем связь между

00:54:45.550 --> 00:54:50.032
результативным признаком gрек и наоборот
фактором X слабее.

00:54:51.052 --> 00:54:55.096
Пример. Рассчитать множественный
коэффициент корреляции для примера,

00:54:55.176 --> 00:54:57.217
рассмотренного выше.

00:54:57.617 --> 00:55:04.583
Итак, у нас была таблица, где были заданы
значения X столбец, X1; столбец,

00:55:04.623 --> 00:55:05.263
X-2.

00:55:09.205 --> 00:55:14.842
Нашли игрек с чертой, квадрат разности
игрек минус игрек с чертой каким образом

00:55:15.042 --> 00:55:21.360
находится? И вот 21 - 10,19

00:55:21.920 --> 00:55:26.678
сотых эту разность возводим в квадрат,
получается 116,8.

00:55:27.901 --> 00:55:30.898
34 - 28,6.

00:55:30.938 --> 00:55:36.134
Эту разность опять же возводим в квадрат,
получаем 35,23 и так далее.

00:55:36.334 --> 00:55:42.968
Складываем элементы столбца, получаем
число 756 254 000.

00:55:45.067 --> 00:55:49.346
Таким же образом мы определяем последний
столбец.

00:55:49.426 --> 00:55:54.943
Тогда при подстановке формулы коэффициент
R будет равен

00:55:54.983 --> 00:55:58.302
0,955.

00:55:58.662 --> 00:56:04.940
Делаем вывод о сильной связи между g и
совокупным влиянием факторов X и T.

00:56:11.500 --> 00:56:16.337
Проверка существенности факторов и
показали качества регрессии.

00:56:16.697 --> 00:56:21.495
Коэффициент детерминации характеризует
качество построенной модели в целом,

00:56:21.655 --> 00:56:25.133
вычисляется как квадрат индекса
множественной корреляции.

00:56:25.776 --> 00:56:30.531
Он характеризует долю дисперсии
результативного признака, объяснённую

00:56:30.731 --> 00:56:35.926
построенной моделью регрессии с учётом
влияния всего набора факторов, включённого

00:56:36.006 --> 00:56:38.523
в модель, выраженную в процентах.

00:56:38.923 --> 00:56:42.919
Определяется, как и в случае с парной
регрессией по следующей формуле.

00:56:43.518 --> 00:56:50.404
R квадрат единице минус дробь в

00:56:50.484 --> 00:56:55.368
числителе квадрат разности игрек минус
игрек с волнистой чертой, знаменатель

00:56:55.568 --> 00:56:58.050
игрек минус игрек с чертой в квадрате.

00:56:58.330 --> 00:57:02.093
Чем ближе значение детерминации к единице,
тем качественнее

00:57:02.941 --> 00:57:05.458
качественнее построенная модель.

00:57:06.497 --> 00:57:12.650
Коэффициент детерминации, найденный на
основе предыдущего ряда данных, будет

00:57:12.850 --> 00:57:15.527
равен 91.

00:57:15.647 --> 00:57:17.644
Ввиду того, что коэффициент принимает

00:57:18.101 --> 00:57:23.183
Значение близкое к единице предполагаем,
что полученная модель качественно

00:57:23.543 --> 00:57:30.387
описывает зависимость предложения
продукции X от затрат на рекламу XIT

00:57:30.987 --> 00:57:33.348
и зарплаты работников X.

00:57:33.704 --> 00:57:34.503
Второе.

00:57:41.136 --> 00:57:44.612
Значимость множественной регрессии и её
коэффициентов.

00:57:44.772 --> 00:57:47.489
Оценка значимости уравнения регрессии.

00:57:48.071 --> 00:57:52.472
Значимость уравнения множественной
регрессии в целом, так же как и парная

00:57:52.552 --> 00:57:56.153
регрессия, оценивается с помощью
F-критерия фишера.

00:57:57.193 --> 00:58:03.315
Это значение будет равно дроби в числителе
R квадрат разделить на 1 минус р квадрат,

00:58:03.355 --> 00:58:07.756
умноженное на дробь в числителе Н минус
минус 1, делённая на Н.

00:58:08.882 --> 00:58:15.561
Где F-критерий больше, чем F с индексом T,
будет стремиться к гипотезе H1.

00:58:15.881 --> 00:58:21.680
Если F-критерий меньше FT, то будет
выполняться гипотеза

00:58:21.840 --> 00:58:26.879
Hнулевая. Оценим значимость уравнения
множественной регрессии для

00:58:26.999 --> 00:58:27.599
рассматриваемого

00:58:28.272 --> 00:58:33.515
Например. В данном случае F будет равно
36,42.

00:58:33.755 --> 00:58:40.438
Значение F-критерия фельдшера превосходит
табличный показатель F от критерия,

00:58:40.518 --> 00:58:44.000
равного 5,32.

00:58:47.282 --> 00:58:49.083
Принимается гипотеза H1

00:58:49.912 --> 00:58:54.636
Согласно которой делаем вывод о значимости
уравнения регрессии.

00:58:59.120 --> 00:59:03.163
Оценка значимости коэффициентов
множественной регрессии.

00:59:03.684 --> 00:59:07.928
Оценка статистической значимости
коэффициентов регрессии приводится по

00:59:08.008 --> 00:59:09.569
Т-критерию Стюданта.

00:59:10.257 --> 00:59:14.934
Вычисляется статистика по каждому из
показателей уравнения регрессии:

00:59:15.294 --> 00:59:18.652
AB1.

00:59:19.011 --> 00:59:25.967
Где T от A вычисляется равно A делное на M
от A, Т от Б1

00:59:26.207 --> 00:59:28.486
равно B1 на M от B1.

00:59:29.072 --> 00:59:33.036
Т Б2 равно Б2 разделить на M от Б2 и так
далее.

00:59:33.957 --> 00:59:40.484
SB — матрица всех стандартных ошибок
коэффициента множественной регрессии.

00:59:40.684 --> 00:59:44.207
Итак, матрица ошибок равна корню
квадратному.

00:59:45.272 --> 00:59:52.189
С ввадрате от E умножить на обратную
матрицу, где S в квадрате от

00:59:52.309 --> 00:59:58.586
E равно квадрату ратности игрек минус
игрек с чертой в знаменателе S минус N

00:59:58.786 --> 01:00:05.223
-1. Из элементов обратной матрицы выбираем
элементы, находящиеся по диагонали.

01:00:08.807 --> 01:00:14.717
Из элементов одним статистически, оценим
статистическую значимость коэффициентов

01:00:14.836 --> 01:00:19.189
регрессии. Она будет равна 108,38.

01:00:29.774 --> 01:00:36.728
Числа 31 974 000, 0,4610 и 238

01:00:37.128 --> 01:00:38.407
000.

01:00:38.527 --> 01:00:45.042
Подставим найденные значения формулы и
найдём T от A равное 391 000.

01:00:45.594 --> 01:00:52.397
TB1 —7 и TB2 — 3,31 000.

01:00:52.957 --> 01:00:59.279
Табличное значение T-критериев Стюдента
при уровне значимости,5 и степени

01:00:59.479 --> 01:01:01.400
свободы ,7

01:01:02.093 --> 01:01:06.889
N минус M -1 составит T табличные

01:01:07.009 --> 01:01:09.167
2,36.

01:01:09.367 --> 01:01:14.562
Приходим к выводу, что коэффициент
регрессии B2 значим, а коэффициент Б1,

01:01:14.602 --> 01:01:20.317
напротив, оказался незначимым ввиду того,
что Т-статистика данного параметра меньше

01:01:20.397 --> 01:01:22.595
табличного значения D распределения.

01:01:30.291 --> 01:01:33.288
Регрессионные модели с фиктивной
переменной.

01:01:34.087 --> 01:01:38.603
В процессе изучения модели множественной
регрессии мы предположили, что независимые

01:01:38.683 --> 01:01:40.921
переменные имеет числовой эквивалент.

01:01:42.388 --> 01:01:47.429
Однако в некоторых случаях нашу модель
приходится включить категориальную

01:01:47.589 --> 01:01:52.070
переменную. Помимо данных переменных,
которые имеют чисто числовой характер,

01:01:52.470 --> 01:01:57.351
есть смысл попытаться учесть в модели
такой фактор, который нельзя отразить

01:01:57.431 --> 01:02:00.952
числом, однако присутствие и роль в самом
процессе значительна.

01:02:01.977 --> 01:02:05.778
К примеру, рассмотрим фактор,
характеризующий расположение товара внутри

01:02:05.858 --> 01:02:07.699
магазина.

01:02:07.739 --> 01:02:10.420
К примеру, на витрине или или нет.

01:02:10.620 --> 01:02:17.463
Цель учёта модели регрессии категориальную
переменную стоит включать в её эффективную

01:02:17.703 --> 01:02:18.343
переменную.

01:02:19.476 --> 01:02:24.639
Например, если некоторая категориальная
переменная будет иметь две

01:02:24.879 --> 01:02:33.084
категории,

01:02:33.204 --> 01:02:35.925
для её представления хватает один
фиктивной

01:02:36.908 --> 01:02:43.664
Одной фиктивной переменной X с индексом D
равное нулю, если наблюдение

01:02:43.824 --> 01:02:48.901
принадлежит одной категории; если X с
индексом D равно единице, если наблюдение

01:02:49.101 --> 01:02:50.980
принадлежит второй категории.

01:02:55.852 --> 01:02:59.609
В качестве иллюстрации включения
эффективной переменной рассмотрим модель,

01:02:59.649 --> 01:03:04.486
в которой требуется предсказать среднюю
оценочную стоимость недвижимости при

01:03:04.645 --> 01:03:07.923
помощи информации о пятнадцати домах.

01:03:08.003 --> 01:03:11.960
В качестве независимых факторов возьмём
размер жилой площади.

01:03:12.592 --> 01:03:17.916
В качестве эффективной переменной включим
наличие в доме камина X2.

01:03:18.117 --> 01:03:24.321
X2 будет равно нулю, если камина нет, X2
равно единице, если в доме камин имеется.

01:03:26.043 --> 01:03:28.685
Итак, вашему вниманию представлена
таблица.

01:03:29.244 --> 01:03:36.008
которая дана цена в $1 000, размер в 1 000
квадратных фунтов и наличие

01:03:36.129 --> 01:03:42.573
камина присутствия камина — ноль
отсутствие Делаем предположения

01:03:42.773 --> 01:03:47.617
относительно того, что наклон оценочной
стоимости, имеющей зависимость от площади

01:03:47.737 --> 01:03:47.897
дома

01:03:48.481 --> 01:03:53.765
будет одинаковым, как у лек, как у домов,
имеющих камин, так и не имеющих.

01:03:53.966 --> 01:04:00.451
Отсюда многофакторная модель регрессии
будет иметь следующий вид: gek равно

01:04:01.412 --> 01:04:06.856
A B1 на X1 + B2 умножить на X-2 + Sum.

01:04:07.432 --> 01:04:10.635
Где g прогнозируемая стоимость этого дома.

01:04:10.755 --> 01:04:16.722
X1 — это площадь дома, B1 — среднее
увеличение стоимости дома от площади X1;

01:04:17.002 --> 01:04:21.767
Б2 — коэффициент прироста оценочной
стоимости дома при наличии в нём камина

01:04:22.128 --> 01:04:24.330
при постоянной величине площади дома

01:04:25.273 --> 01:04:29.671
Так же, как и в предыдущих примерах, мы
дополним таблицу столбцами.

01:04:29.911 --> 01:04:36.309
Это произведение X на X1, мы уже знаем,
как оно находится: X на

01:04:36.389 --> 01:04:43.266
X2, произведение X1 умножить на X-2, также
найдём X1 в квадрате, X2 в квадрате.

01:04:44.027 --> 01:04:45.346
Посчитаем сумму.

01:04:45.506 --> 01:04:50.181
Это последняя строка, выделенная тёмным
жирным шрифтом.

01:04:52.299 --> 01:04:55.496
Для решения найдём обратную матрицу.

01:04:55.736 --> 01:04:59.213
Она будет равна 38,62.

01:05:00.415 --> 01:05:02.972
Так и коэффициент бетта.

01:05:03.252 --> 01:05:08.287
В результате нахождения последовательно,
как в предыдущем примере, всех элементов

01:05:08.886 --> 01:05:15.040
мы найдём уравнение регрессии 50,9 +

01:05:15.160 --> 01:05:17.317
16, 186 тыс.

01:05:17.557 --> 01:05:18.676
умножить на x1.

01:05:19.043 --> 01:05:25.923
Плюс 3,853 на X2, где X2 принимает лишь
значение, равное нулю и единице.

01:05:27.323 --> 01:05:31.643
Данные регрессионные модели коэффициенты
регрессии интерпретируются следующим

01:05:31.723 --> 01:05:34.083
образом. В случае, если переменная X2

01:05:34.743 --> 01:05:37.582
Неизменно увеличение площади дома на 1 000
кв.

01:05:38.022 --> 01:05:44.580
м приведёт к росту предсказанной оценочной
стоимости в среднем на $16,20.

01:05:44.940 --> 01:05:50.259
В случае, если площадь дома неизменна,
тогда наличие камина в доме будет

01:05:50.459 --> 01:05:55.778
способствовать росту его оценочной
стоимости в среднем на $3,85.

01:05:56.988 --> 01:05:59.587
Найдём значение коэффициента корреляции.

01:05:59.667 --> 01:06:06.064
Для этого найдём мы опять же значение
уравнения линейной

01:06:06.184 --> 01:06:12.661
регрессии. Затем разность игрек минус
игрек с чертой в квадрате и игрек минус

01:06:12.701 --> 01:06:14.340
игрек штрих в квадрате.

01:06:16.485 --> 01:06:21.521
Определим сумму каждого столбца и найдём
коэффициент корреляции, который при

01:06:21.680 --> 01:06:25.157
подстановке в формулу будет иметь значение
9.

01:06:25.717 --> 01:06:29.993
Коэффициент множественной корреляции
показывает, что имеется тесная связь между

01:06:30.272 --> 01:06:31.591
ценой квартиры игрек

01:06:32.183 --> 01:06:35.745
...и совокупным влиянием на неё факторов X
IT.

01:06:35.985 --> 01:06:41.508
Также стоит обратить внимание на F
квадрат, который равен 0,81%, что говорит

01:06:41.868 --> 01:06:47.191
о том, что стоимость квартиры на 81%
зависит от площади и наличия камина.

01:06:47.992 --> 01:06:52.074
Статистическая оценка значимости
коэффициента регрессии даёт положительные

01:06:52.194 --> 01:06:52.714
результаты.

01:06:53.307 --> 01:06:58.186
Ибо Т статистика обоих коэффициентов
превышает его табличные значения.

01:06:58.586 --> 01:07:03.506
Соответственно, каждая из рассмотренных
переменных вносит значимый вклад в модель

01:07:03.666 --> 01:07:10.666
регрессии. Средства Microsoft Excel и
множественном регрессионном

01:07:10.786 --> 01:07:11.266
анализе.

01:07:12.021 --> 01:07:17.219
Рассмотрим задачи моделирования годового
товарооборота Y в зависимости от торговой

01:07:17.379 --> 01:07:21.698
площади X1 и среднего числа посетителей в
день XI.

01:07:22.177 --> 01:07:24.297
Эти все данные даны в таблице.

01:07:24.777 --> 01:07:28.415
Введём данные в табличный процессор.

01:07:28.845 --> 01:07:33.884
XL, как показано на рисунке.

01:07:34.204 --> 01:07:39.004
Для автоматизации расчёта используются
встроенные функции линеек.

01:07:39.244 --> 01:07:44.923
Выделим область: три умножить на пять,
открываем меню формулы, другие функции —

01:07:44.963 --> 01:07:46.602
статистические линейки.

01:07:47.876 --> 01:07:53.432
Линейное. В появившемся окне заполняем

01:07:53.552 --> 01:07:54.951
поля.

01:07:55.071 --> 01:07:56.590
Нажимаем окей.

01:07:57.429 --> 01:08:01.706
В выделенной области будет одно число
последнего параметра регрессия.

01:08:01.986 --> 01:08:05.823
Далее нажимаем F4 контур + шрифт +.

01:08:06.770 --> 01:08:11.691
Получим набор всех решений, необходимых
для решения анализа регрессионного

01:08:11.932 --> 01:08:18.454
уравнения. Для удобства восприятия
полученной таблицы решений распишем, в

01:08:18.534 --> 01:08:21.095
какой ячейке какие решения получены.

01:08:25.832 --> 01:08:31.066
Используя данные первой строки, построим
модель вида: gрек равна -1,82

01:08:31.865 --> 01:08:38.178
+6,66 умножить на X1 +27 умножить на

01:08:38.218 --> 01:08:42.053
X2. Запишем данные в столбце таблицы Y.

01:08:42.937 --> 01:08:47.576
Добавим для начала столбец таблицу и в
первой ячейке запишем формулу расчёта

01:08:47.656 --> 01:08:51.334
теоретических значений годового
товарооборота:

01:08:53.294 --> 01:09:00.291
SD+ SC умножить на B5 +

01:09:00.491 --> 01:09:02.930
SBS 20 умножить на

01:09:03.913 --> 01:09:05.312
C5, S5.

01:09:05.632 --> 01:09:12.389
Заметим, что значения коэффициентов
регрессии закреплены на абсолютном

01:09:12.629 --> 01:09:19.146
уровне. Совершаем протягивание ячеек для
расчёта

01:09:19.306 --> 01:09:22.385
оставшихся значений столбца грек и T.

01:09:24.000 --> 01:09:26.441
Изобразим графически линию поведения

01:09:26.721 --> 01:09:33.483
You регрессии достаточно

01:09:33.683 --> 01:09:38.124
хорошо описывает поведение годового
товарооборота.

01:09:41.084 --> 01:09:42.365
Коэффициент корреляции.

01:09:43.232 --> 01:09:46.629
Индекс множественного коэффициента
корреляции можно определить при помощи

01:09:46.789 --> 01:09:49.986
решений, полученных при использовании
функции линейная.

01:09:51.105 --> 01:09:54.702
В данном случае таблица представлена
вашему вниманию.

01:09:54.982 --> 01:09:59.059
Имеется корень квадратный из значения
коэффициента детерминации найдём

01:09:59.258 --> 01:10:00.617
коэффициент корреляции.

01:10:03.110 --> 01:10:08.110
...который будет равен 0,94.

01:10:08.589 --> 01:10:14.309
Коэффициент корреляции приблизительно 99,
что говорит об очень тесной зависимости

01:10:14.469 --> 01:10:19.028
годового товарооборота IT от совокупного
влияния факторов...

01:10:21.555 --> 01:10:23.434
Коэффициент детерминации.

01:10:23.713 --> 01:10:27.711
Коэффициент детерминации можно определить
как квадрат множественного индекса

01:10:27.871 --> 01:10:34.348
корреляции, как было представлено ранее, и
он будет равен 98.

01:10:34.627 --> 01:10:38.065
Коэффициент детерминации показывает, что
результат Y на

01:10:40.927 --> 01:10:42.567
...влияние фактора X.

01:10:42.727 --> 01:10:48.924
То есть годовой товарооборот на 98%
зависит от торговой площади X-1 и среднего

01:10:49.004 --> 01:10:51.444
числа посетителей в день X2.

01:10:53.563 --> 01:10:57.402
Оценка статистической значимости
коэффициентов регрессии.

01:10:58.129 --> 01:11:02.245
Статистическую оценку значимости
коэффициентов множественной регрессии

01:11:02.444 --> 01:11:06.640
можно определить, разделив значение
соответствующего параметру уравнения

01:11:06.760 --> 01:11:12.554
регрессии на его стандартную ошибку: Т с
индексом Бетто равно бетта ИТ разделить на

01:11:14.323 --> 01:11:18.486
Эти значения получены в первой и второй
строках выделенной нами области, как

01:11:18.646 --> 01:11:20.248
показано на рисунке.

01:11:21.929 --> 01:11:28.334
При расчёте статистики параметр A будет
брать его под модулю

01:11:28.614 --> 01:11:30.736
Ta будет 2,2.

01:11:31.232 --> 01:11:37.546
Т от Б первого будет 29,94, Т от Б второго
будет равно

01:11:37.626 --> 01:11:39.265
3,9.

01:11:39.665 --> 01:11:46.579
Т от A меньше Т табличного выполняет, то
есть гипотеза

01:11:46.739 --> 01:11:50.895
H нулевое, Т Б первого больше, чем от Т
табличного.

01:11:51.589 --> 01:11:58.033
Гипотезы H1 и T B1 больше, чем ТТ
табличного, Т-табличного

01:11:58.953 --> 01:12:01.435
— это гипотеза H1.

01:12:04.076 --> 01:12:06.677
Далее оценка значимости уравнения
регрессии.

01:12:06.757 --> 01:12:10.800
Для оценки значимости уравнения регрессии
воспользуемся решением, полученным

01:12:11.470 --> 01:12:16.914
Ранее статистика фишера для оценки
значимости уравнений репрессии равна

01:12:17.154 --> 01:12:20.196
384,18.

01:12:20.316 --> 01:12:24.799
Сравнивая эти значения с табличным
значением Fкритерия Фишера, которое равно

01:12:24.999 --> 01:12:25.960
4,26

01:12:27.134 --> 01:12:33.579
На уровне значимости альфа-5 при степени
свободы, равном девяти и количество

01:12:33.819 --> 01:12:40.184
регрессоров k1, равное двум, принимается
гипотеза о значимости уравнения

01:12:40.544 --> 01:12:47.189
регрессии. Расчёты с помощью инструментов
регрессия пакет

01:12:47.389 --> 01:12:47.990
анализа.

01:12:48.536 --> 01:12:52.573
Инструмент регрессии как функция линейная
может работать не только с одной

01:12:52.613 --> 01:12:55.571
объясняющей переменной, но и с
несколькими.

01:12:56.291 --> 01:13:00.608
При применении инструмента пакет анализа в
случае множественной регрессии

01:13:00.968 --> 01:13:04.805
особенностью является только то, что при
вводе вкладного массива данных,

01:13:04.845 --> 01:13:05.964
объясняющих переменную

01:13:06.936 --> 01:13:12.135
Необходимо задать диапазон ячеек
нескольких соседних столбцов, заполняя

01:13:13.535 --> 01:13:16.294
поля ввода как в случае парной регрессии.

01:13:16.974 --> 01:13:22.973
Если необходимые столбцы на соседние, их
надокими сделать путём замены столбцов

01:13:23.093 --> 01:13:23.573
местами.

01:13:24.102 --> 01:13:31.100
В данной задаче необходимо задать входной
интервал X B3 в конце

01:13:31.300 --> 01:13:38.098
аналогично изображённому на рисунке
поставим

01:13:38.178 --> 01:13:40.178
галочку в поле остатки формы.

01:13:40.659 --> 01:13:41.860
Исходных данных.

01:13:42.421 --> 01:13:49.148
Инструмента регрессия закажем вывод
результатов вычислений на отдельном листе.

01:13:49.348 --> 01:13:54.874
Для этого в окне переключатель параметры
вывода должен стоять в положении «Новый

01:13:54.955 --> 01:13:55.635
рабочий лист».

01:13:56.454 --> 01:14:01.337
Если же вывод результатов вычислений мы
хотим увидеть на том же листе, тогда в

01:14:01.417 --> 01:14:06.700
поле выходной интервал нужно указать
ячейку, с которой и будет начинаться вывод

01:14:06.900 --> 01:14:08.701
результатов вычислений.

01:14:08.861 --> 01:14:12.263
Сравниваем полученные данные с вычислением
выше функции.

01:14:12.761 --> 01:14:13.362
Линейн

01:14:19.327 --> 01:14:24.452
приведены все рассмотренные выше расчёты с
соответствующими пояснениями.

01:14:26.814 --> 01:14:30.938
Галочка на вкладе «вывод остатков» даёт
нам результаты предсказаний.

01:14:31.374 --> 01:14:36.290
Игрек наблюдений, а также отклонения между
фактическими наблюдениями и

01:14:36.570 --> 01:14:41.126
теоретическими, полученными по
регрессионным моделям.

01:14:41.366 --> 01:14:47.442
Итак, таблица наблюдений: 12 наблюдений
предсказанное остатки.

01:14:49.401 --> 01:14:53.918
Таким образом, основная нагрузка,
связанная с трудоёмким процессом

01:14:54.038 --> 01:14:59.196
вычислений, который ложилась на студента,
может быть легко преодолена лишь одним

01:14:59.356 --> 01:15:03.034
лишь желанием научиться чему-нибудь
новому.

01:15:09.510 --> 01:15:11.029
В заключение могу сказать, что

01:15:11.541 --> 01:15:17.059
Приведённые примеры являются простейшими и
рассчитаны на неискушённого слушателя,

01:15:17.139 --> 01:15:21.458
впервые столкнувшегося с методологическим
аппаратом эконометрики.

01:15:21.658 --> 01:15:26.417
Малое число наблюдений в заданиях
позволяет практически вручную выполнить

01:15:26.537 --> 01:15:31.416
необходимые расчёты. Поставленные задания
носят скорее технический характер, хотя

01:15:31.536 --> 01:15:32.095
приведённые

01:15:33.263 --> 01:15:36.504
В данном случае примеры, связанные с
реальной экономикой.

01:15:36.945 --> 01:15:40.987
На начальном этапе изучения эконометрики
эта работа необходима.

01:15:41.227 --> 01:15:46.670
Слушатель учится правильно читать листинки
эконометрических отчётов, понимает, как

01:15:46.830 --> 01:15:49.312
получена та или иная характеристика
модели.

01:15:49.752 --> 01:15:53.993
Эта работа делает более доступным
лекционный материал.

01:15:54.313 --> 01:15:58.754
Использование эконометрического пакета
позволит существенно поднять планку

01:15:58.914 --> 01:16:04.395
заданий и максимально приблизить их к
практике современных эконометрических

01:16:04.595 --> 01:16:05.235
исследований.

01:16:07.340 --> 01:16:11.982
Самостоятельная работа обучающихся
является одной из важнейших составляющих

01:16:12.062 --> 01:16:13.903
образовательного процесса.

01:16:14.303 --> 01:16:19.665
Независимо от направления подготовки и
характера работы, любой начинающий

01:16:19.745 --> 01:16:23.387
специалист должен обладать
фундаментальными знаниями.

01:16:23.958 --> 01:16:29.235
Профессиональными умениями и навыками
деятельности своего профиля, опытом

01:16:29.355 --> 01:16:33.433
творческой и исследовательской
деятельности по решению новых проблем.

01:16:33.793 --> 01:16:38.151
Самостоятельная работа определяется как
индивидуальная или коллективная учебная

01:16:38.271 --> 01:16:42.788
деятельность, осуществляемая обучающимися
самостоятельно.

01:16:43.341 --> 01:16:47.222
По заданиям преподавателя и под его
контролем

01:16:54.385 --> 01:16:57.106
Задание для самостоятельной работы.

01:16:58.267 --> 01:17:01.868
Информационные технологии при изучении
множественной регрессии.

01:17:02.612 --> 01:17:07.736
Построение множественной регрессии,
свойства оценок метода наименьших

01:17:07.816 --> 01:17:14.300
квадратов. Регрессивные модели расчёт
метода наименьших квадратов.

01:17:16.261 --> 01:17:20.544
Вам предлагается перечень основной
дополнительной учебной литературы,

01:17:20.744 --> 01:17:23.546
необходимой для освоения дисциплины и для

01:17:24.866 --> 01:17:27.028
Выполнение самостоятельной работы.

01:17:27.228 --> 01:17:28.389
Спасибо за внимание.

