Методы маркетинговых исследований в регионе — страница 10

  • Просмотров 2772
  • Скачиваний 159
  • Размер файла 22
    Кб

определенных предпосылках: 1) случайные величины У и Х (в многомерном случае X1, Х2, ..., Хр) представляют собой выборку из двумерной (многомерной) гене­ральной совокупности с нормальным законом распределения; 2) отдельные наблюдения стохастически независимы, т.е. значе­ния данного наблюдения не должны зависеть от значения предыду­щего и последующего наблюдений (проверка наличия автокорреля­ции); 3) аналитическое выражение,

аппроксимирующее эмпирическую кривую У=1 (X) (в многомерном случае V=f (X1, X2, ..., Хр), должно быть линейным относительно своих параметров; 4) дисперсия случайной величины У остается постоянной при изменении величины Х (или Xi) или пропорциональной некоторой известной функции от Х(Хi). 5. Регрессионный анализ Применение регрессионного анализа предполагает обязательное выполнение предпосылок 2—4 корреляционного анализа. Он тесно связан

с корреляционным анализом. Но регрессионный анализ предъявляет менее жесткие требования к исходной информации. Например, проведение регрессионного анализа возможно даже в случае некоторого отличия распределения случайных величин от нормального, что существенно, так как часто распределение эконо­мических величин асимметрично. При многомерном регрессионном анализе часто возникает проблема мультиколлинеарности, т.е. между

несколькими аргументами существует линейная связь или коллине­арность — линейная взаимосвязь между двумя показателями. В классическом регрессионном анализе предполагается, что ме­жду независимыми переменными отсутствует линейная связь (это в экономической практике встречается довольно редко). Мультиколлинеарность затрудняет проведение анализа. Во-первых, усложняется процесс выделения наиболее существенных факторов;

во-вторых, искажается смысл коэффициентов регрессии. В-третьих, при решении системы нормальных уравнений для полу­чения коэффициентов регрессии определитель близок к нулю, что влечет за собой появление множества оценок коэффициентов рег­рессии. На практике считается, что два аргумента коллинеарны, если парный коэффициент корреляции между ними по абсолютной вели­чине равен 0,8. Более точный метод — следующий: аргумент можно

отнести к числу мультиколлинеарных, если коэффициент множественной кор­реляции этой переменной от всех остальных аргументов больше ко­эффициента множественной корреляции между зависимой перемен­ной и множеством всех независимых переменных. К одной из эффективных мер по устранению мультиколлинеар­ности, как показывает опыт, относится исключение из рассмотрения одного или нескольких линейно связанных аргументов либо