Эконометрика лекции

Для этого следует рассмотреть

Для этого следует рассмотреть влияние на зависимую переменную всех переменных и, отобрав наиболее значимые, построить уравнение регрессии. В случае обнаружения мультиколлинеарности использовать методы, позволяющие уменьшить её влияние.

Отчёт по лабораторной работе № 3

Исходные данные, дескриптивные статистики и матрица коэффициентов корреляции признаков представлены в табл. 3.34-3.36.

                                                                                                          Таблица 3.34

Исходные данные

Image

Таблица 3.35

Image
Дескриптивные статистики исходных данных

 

Таблица 3.36

Матрица коэффициентов корреляции

Image

Уравнение множественной регрессии имеет вид:

УРОЖ = 3,515 – 0,006 ЧИС_ТРАК +15,542 ЧИС_КОМ +

       (с. о)        (5,42)   (0,93)                     (21,5)           

 

+ 0,110 ЧИС_ОР_П + 4,475 КОЛ_УДОБ – 2,933 КОЛ_ХИМ;

           (0,83)                    (1,54)                     (3,09)

Image = 0,517

Таблица 3.37

Image
Уравнение множественной регрессии

Полученное уравнение регрессии значимо на стандартном 5 % уровне (p–значение равняется 0,047) и оно объясняет примерно 52 % вариации зависимой переменой при пяти включённых в модель объясняющих переменных. Однако это уравнение не позволяет оценить вклад каждой из переменных, входящих в это уравнение, поскольку почти все, кроме переменной КОЛ_УДОБ  не значимы. Такое положение является следствием мультиколлинеарности, вызванной тесной корреляционной связью между переменными, на которых строилось регрессионное уравнение. В этом можно убедиться, анализируя матрицу парных коэффициентов корреляции.

Для устранения мультиколлинеарности можно применить процедуру пошагового отбора переменных. Рассмотрим два подхода, реализованных в пакете STATISTICA.

назад          далее

Игры для Nokia 3250