Регрессионный анализ в моделировании систем. Исследование посещаемости WEB сайта — страница 2

  • Просмотров 4585
  • Скачиваний 440
  • Размер файла 127
    Кб

показателей и позволяет решить следующие задачи. 1. Оценка тесноты связи между показателями с помощью парных, ча­стных и множественных коэффициентов корреляции 2. Оценка уравнения регрессии. Основной предпосылкой применения корреляционного анализа явля­ется необходимость подчинения совокупности значений всех факторных (х1 х2 .... хn) и результативного (У) признаков r-мерному нормальному закону распределения или близость к нему.

Если объем исследуемой сово­купности достаточно большой ( n > 50), то нормальность распределения может быть подтверждена на основе расчета и анализа критериев Пирсо­на, Боярского, Колмогорова, чисел Вастергарда и т. д. Если n < 50, то закон распределения исходных данных определяется на базе построения и визуального анализа поля корреляции. При этом если в рас­положении точек имеет место линейная тенденция, то можно

предполо­жить, что совокупность исходных данных подчиняется нормальному распределению. Целью регрессионного анализа является оценка функциональной за­висимости условного среднего значения результативного признака (У) от факторных (х1. Х2..., хn). Основной предпосылкой регрессионного анализа является то, что толь­ко результативный признак (У) подчиняется нормальному закону распре­деления, а факторные признаки х1. Х2..., хn могут

иметь произвольный закон распределения. В анализе динамических рядов в качестве фактор­ного признака выступает время t При этом в регрессионном анализе зара­нее подразумевается наличие причинно-следственных связей между ре­зультативным (У) и факторными х1. Х2..., хn признаками. Уравнение регрессии, или статистическая модель связи социально-эко­номических явлений, выражаемая функцией Y=f(х1. Х2..., хn) является достаточно

адекватным реальному моделируемому явлению или процессу в случае соблюдения следующих требований их построе­ния. 1. Совокупность исследуемых исходных данных должна быть одно­родной и математически описываться непрерывными функциями. 2. Возможность описания моделируемого явления одним или несколь­кими уравнениями причинно-следственных связей. 3. Все факторные признаки должны иметь количественное (цифровое) выражение. 4.

Наличие достаточно большого объема исследуемой выборочной со­вокупности. 5. Причинно-следственные связи между явлениями и процессами сле­дует описывать линейной или приводимой к линейной формой зависимо­сти. 6. Отсутствие количественных ограничений на параметры модели свя­зи. 7. Постоянство территориальной и временной структуры изучаемой совокупности. Соблюдение данных требований позволяет исследователю построить