Прогнозирование на основе регрессионных моделей

По имеющимся исходным данным выявить и оценить на основе регрессионных моделей производственные связи. Провести расчет прогнозных значений показателей, когда уровень факторных показателей на 30% превышают средние величины исходных данных.

Исходные данные представлены в таблице:

Необходимо определить тесноту связи между данными признаками. Для этого вначале воспользуемся коэффициентом корреляции рангов Спирмэна. Этот показатель основан на корреляции не самих значений коррелируемых признаков, а их рангов. Для его расчета присвоим ранги значениям соответствующих признаков, затем найдем их разность d. Эти вычисления отразим в нижеследующих таблицах. Далее вычислим непосредственно сам коэффициент, который равен: , ( n – число наблюдаемых пар значений признаков.)

Расчетные таблицы для определения коэффициента корреляции рангов Спирмэна

Из выше приведенного можно сказать о сильной обратной связи между удоем молока и себестоимостью, т.е. при увеличении удоя себестоимость молока снижается.

Так как значение коэффициента отрицательно, следовательно, имеем обратную связь между расходом кормов на 1 корову и себестоимостью молока.

Имеется обратная зависимости между удельным весом чистопородных коров в стаде и себестоимостью молока.

Полученное значение коэффициента корреляции рангов Спирмэна свидетельствует о сильной прямой связи между удоем молока и расходом кормов на 1 корову, т.е. при увеличении расхода кормов в пересчете на 1 корову увеличивается и удой молока на среднегодовую корову.

Значение положительно, поэтому имеемхарактеризует сильную прямую связь между удоем молока и удельным весом чистопородных коров в стаде и показывает, что вариация результативного признака на 89,3 % обусловлена вариацией факторного признака (согласно коэффициенту Спирмэна).

О сильной прямой зависимости между расходом кормов в пересчете на 1 корову и удельным весом чистопородных коров в стаде говорит значение коэффициента. Чем выше удельный вес, тем выше расход кормов.

Но следует иметь в виду, что, поскольку коэффициент Спирмэна учитывает разность только рангов, а не самих значений признаков, он менее точен по сравнению с линейным коэффициентом корреляции. Воспользуемся последним.

Воспользуемся программным пакетом Stata 7.

Корреляционная матрица имеет вид:

. corr ud korm ves sst

(obs=20)

| ud korm ves sst

-------------+------------------------------------

ud | 1.0000

korm | 0.8851 1.0000

ves | 0.9401 0.8290 1.0000

sst | -0.7875 -0.6497 -0.7587 1.0000

ud – удой молока на среднегодовую корову,

korm – расход кормов на 1 корову,

ves – удельный вес чистопородных коров в стаде,

sst – себестоимость молока за 1 кг.

Можно сделать вывод, что присутствует обратная связь между себестоимостью и удоем молока (r = - 0,79), себестоимостью и удельным весом (r = - 0,76),себестоимостью и расходом кормов (r = - 0,65).Имеется сильная прямая связи между удоем молока и расходом кормов (r = 0,89), удоем молока и удельным весом (r = 0,94), расходом кормов и удельным весом (r = 0,83). Если сравнивать значения, полученные линейным коэффициентом корреляции и ранговым коэффициентом Спирмэна, то расхождения не превысят 8 %. В большинстве же своем погрешность составляет около 1 %.

Теперь проверим коэффициенты корреляции на значимость:

. pwcorr ud korm ves sst

| ud korm ves sst

-------------+------------------------------------

ud | 1.0000

korm | 0.8851 1.0000

ves | 0.9401 0.8290 1.0000

sst | -0.7875 -0.6497 -0.7587 1.0000

Все коэффициенты значимы.

Построим модель.

Так как значения удоя молока и значения других показателей отличаются на порядок, то будем использовать вместо переменной «удой молока» переменную натурального логарифма удоя молока.

Рассмотрим в качестве результативного фактора себестоимость молока за 1 кг, поскольку важен расчет именно себестоимости и определение от каких факторов и насколько она зависит. Удой молока, расход кормов на 1 корову и удельный вес чистопородных коров в стаде могут повлиять на значение себестоимости.

Приведем графики зависимости себестоимости от каждого из факторов:

От логарифма удоя молока

От расхода кормов на 1 корову

От удельного веса чистопородных коров в стаде

Графики демонстрируют нам обратную зависимость между результативным фактором – себестоимостью и объясняющим фактором, что подтверждается значениями коэффициентов корреляции.

Вначале рассмотрим линейную модель по всем факторам:

. reg sst lnud korm ves

Source | SS df MS Number of obs = 20

-------------+------------------------------ F( 3, 16) = 10.37

Model | .031800232 3 .010600077 Prob > F = 0.0005

Residual | .016350718 16 .00102192 R-squared = 0.6604

-------------+------------------------------ Adj R-squared = 0.5968

Total | .04815095 19 .002534261 Root MSE = .03197

------------------------------------------------------------------------------

sst | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

lnud | -.2305787 .1162704 -1.98 0.065 -.4770609 .0159036

korm | .0026417 .0025775 1.02 0.321 -.0028223 .0081057

ves | -.0000138 .0024772 -0.01 0.996 -.0052651 .0052376

_cons | 2.088534 .7538614 2.77 0.014 .4904194 3.686649

------------------------------------------------------------------------------

Хотя у этой модели и достаточно хороший коэффициент детерминации и согласно F-критерию Фишера оно значимо, параметры при переменных lnud, korm, ves не значимы по t-критерию Стьюдента с P-значениями 0.065, 0.321 и 0.996. Значит, эта модель не подходит.

Построим модель вида:

. reg sst lnud1 korm1 ves1

Source | SS df MS Number of obs = 20

-------------+------------------------------ F( 3, 16) = 10.32

Model | .031744654 3 .010581551 Prob > F = 0.0005

Residual | .016406296 16 .001025393 R-squared = 0.6593

-------------+------------------------------ Adj R-squared = 0.5954

Total | .04815095 19 .002534261 Root MSE = .03202

------------------------------------------------------------------------------

sst | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

lnud1 | 14.46292 6.110319 2.37 0.031 1.509625 27.41622

korm1 | -5.633853 5.967609 -0.94 0.359 -18.28462 7.016912

ves1 | .6831225 6.892859 0.10 0.922 -13.92909 15.29533

_cons | -1.33304 .6029802 -2.21 0.042 -2.611301 -.0547791

------------------------------------------------------------------------------

Видим что коэффициент детерминации хорош - 0,659 и по F-критерию Фишера уравнение значимо. Но параметры при переменных korm1, ves1 не значимы по t-критерию Стьюдента с P-значениями 0.359 и 0.922. Значит, эта модель не подходит.

Будем рассматривать различные комбинации переменных при включении в модель. Построим модель вида:

. reg sst lnud korm1 ves1

Source | SS df MS Number of obs = 20

-------------+------------------------------ F( 3, 16) = 10.09

Model | .031497211 3 .01049907 Prob > F = 0.0006

Residual | .016653739 16 .001040859 R-squared = 0.6541

-------------+------------------------------ Adj R-squared = 0.5893

Total | .04815095 19 .002534261 Root MSE = .03226

------------------------------------------------------------------------------

sst | Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

lnud | -.2065493 .0898758 -2.30 0.035 -.3970775 -.0160212

korm1 | -5.156249 5.939941 -0.87 0.398 -17.74836 7.435864

ves1 | 1.094516 6.895036 0.16 0.876 -13.52231 15.71134

_cons | 2.109487 .8816345 2.39 0.029 .2405058 3.978469

------------------------------------------------------------------------------

Так же как и в предыдущих моделях, значение R-квадрата хорошее, уравнение значимо по F-критерию Фишера, но одновременно с этим параметры при переменных korm1, ves1 с P-значениями 0.398 и 0.876 соответственно не значимы по t-критерию Стьюдента. Также отбросим эту модель.

Построим модель вида:

. reg sst lnud1 korm ves1

Source | SS df MS Number of obs = 20

-------------+------------------------------ F( 3, 16) = 10.60

Model | .032029999 3 .010676666 Prob > F = 0.0004

Residual | .016120951 16