Теория и практика математического моделирования в современном литейном производстве. Дурина Т.А. - 23 стр.

UptoLike

Составители: 

23
критерию Стьюдента. Таким образом, хотя теоретически регрессионная
модель позволяет учесть любое число факторов, практически в этом нет
необходимости. Отбор факторов производится на основе качественного
теоретико-экономического анализа, который обычно осуществляется в две
стадии: на первой подбираются факторы исходя из сущности проблемы; на
второйна основе показателей корреляции определяют -статистики для
параметров регрессии. Коэффициенты интеркорреляции (т. е. корреляции
между объясняющими переменными) позволяют исключать из модели
дублирующие факторы. Считается, что две переменных находятся между
собой в линейной зависимости, если

0,7. Если факторы
коллинеарны, то они дублируют друг друга и один из них рекомендуется
исключить из регрессии. Предпочтение при этом отдается не фактору, более
тесно связанному с результатом, а тому фактору, который при достаточно
тесной связи с результатом имеет наименьшую тесноту связи с другими
факторами. В этом требовании проявляется специфика множественной
регрессии как метода исследования комплексного воздействия факторов в
условиях их независимости друг от друга. Наибольшие трудности в
использовании аппарата множественной регрессии возникают при наличии
мультиколлинеарности факторов, когда более чем два фактора связаны
между собой линейной зависимостью. Наличие мультиколлинеарности
факторов может означать, что некоторые факторы будут всегда действовать в
унисон. В результате вариация в исходных данных перестает быть
полностью независимой, и нельзя оценить воздействие каждого фактора в
отдельности. Чем сильнее мультиколлинеарность факторов, тем менее
надежна оценка распределения суммы объясненной вариации по отдельным
факторам с помощью метода наименьших квадратов (МНК). Включение в
модель мультиколлинеарных факторов нежелательно в силу следующих
последствий:
1. затрудняется интерпретация параметров множественной регрессии
как характеристик действия факторов в «чистом» виде, ибо факторы
критерию Стьюдента. Таким образом, хотя теоретически регрессионная
модель позволяет учесть любое число факторов, практически в этом нет
необходимости. Отбор факторов производится на основе качественного
теоретико-экономического анализа, который обычно осуществляется в две
стадии: на первой подбираются факторы исходя из сущности проблемы; на
второй – на основе показателей корреляции определяют     -статистики для
параметров регрессии. Коэффициенты интеркорреляции (т. е. корреляции
между объясняющими переменными) позволяют исключать из модели
дублирующие факторы. Считается, что две переменных находятся между
собой в линейной зависимости, если                0,7.    Если факторы
коллинеарны, то они дублируют друг друга и один из них рекомендуется
исключить из регрессии. Предпочтение при этом отдается не фактору, более
тесно связанному с результатом, а тому фактору, который при достаточно
тесной связи с результатом имеет наименьшую тесноту связи с другими
факторами. В этом требовании проявляется специфика множественной
регрессии как метода исследования комплексного воздействия факторов в
условиях их независимости друг от друга. Наибольшие трудности в
использовании аппарата множественной регрессии возникают при наличии
мультиколлинеарности    факторов, когда более чем два фактора связаны
между собой линейной зависимостью. Наличие мультиколлинеарности
факторов может означать, что некоторые факторы будут всегда действовать в
унисон. В результате вариация в исходных данных перестает быть
полностью независимой, и нельзя оценить воздействие каждого фактора в
отдельности. Чем сильнее мультиколлинеарность факторов, тем менее
надежна оценка распределения суммы объясненной вариации по отдельным
факторам с помощью метода наименьших квадратов (МНК). Включение в
модель мультиколлинеарных факторов нежелательно в силу следующих
последствий:
     1. затрудняется интерпретация параметров множественной регрессии
        как характеристик действия факторов в «чистом» виде, ибо факторы
                                                                       23