Корреляционно-регрессионный анализ связи себестоимости и производства овощей
Затем полученное значение F-критерия Фишера сравнивают с табличным значением. Если, то построенная регрессионная модель статистически значима. В противном случае построенная регрессионная модель статистически не значима. Для определения степени влияния факторного признака на результативный используется коэффициент детерминации, который рассчитывается как квадрат коэффициента корреляции… Читать ещё >
Корреляционно-регрессионный анализ связи себестоимости и производства овощей (реферат, курсовая, диплом, контрольная)
Корреляционно-регрессионный анализ учитывает межфакторные связи и дает более полное измерение роли каждого фактора: прямое, непосредственное его влияние на результативный признак; косвенное влияние фактора через его влияние на другие факторы, влияние всех факторов на результативный признак.
Для определения степени тесноты парной линейной зависимости служит линейный коэффициент корреляции. Он рассчитывается по формуле:
(19).
где — отклонение вариантов значений признака фактора от средней величины;
— отклонение вариантов значений результативного признака, вызванная влиянием признака-фактора.
Для расчета коэффициента корреляции составим вспомогательную таблицу (приложение №). В качестве факторного признака примем производство зерна (валовой сбор), а в качестве результативного признака — себестоимость 1 центнера зерна.
Коэффициент парной линейной корреляции измеряется в пределах от -1 (обратная связь) до +1 (прямая связь). Для оценки силы связи в теории корреляции применяется шкала английского статистика Чеддока:
- — слабая — от 0,1 до 0,3;
- — умеренная — от 0,3 до 0,5;
- — заметная — от 0,5 до 0,7;
- — высокая — от 0,7 до 0,9;
- — весьма высокая (сильная) — от 0,9 до 1,0.
Для определения степени влияния факторного признака на результативный используется коэффициент детерминации, который рассчитывается как квадрат коэффициента корреляции. По расчетам данной курсовой работы r2=(-0,18)2=0,032.
Коэффициент парной линейной корреляции показал, что связь между производством зерна и его себестоимостью обратная и достаточно слабая, что говорит о том, что с увеличением производства зерна себестоимость будет иметь тенденцию к снижению. 3,2% вариации себестоимости обусловлено влиянием вариации производства зерна, остальные 96,8% обусловлены влиянием других факторов.
Регрессионный анализ заключается в определении аналитического выражения связи, в которой изменения одной величины обусловлено изменением одной или нескольких независимых величин.
Регрессия может быть однофакторной (парной) и многофакторной (множественной).
По форме зависимости различают:
Линейную регрессию, которая выражается уравнением прямой (линейной функцией) вида:
; (20).
Нелинейную регрессию, которая выражается уравнением вида:
парабола ;
; (21).
гипербола;
. (22).
Для установления формы выражения связи строится регрессионная модель. Уравнение регрессии имеет вид:
(23).
где, а — свободный член уравнения;
b — коэффициент регрессии Затем определяют численные значения параметров уравнения связи.
=. (24).
(25).
Следовательно, .
Тогда .
Для сравнения роли различных факторов в формировании моделируемого показателя определяется коэффициент эластичности иликоэффициент.
Коэффициент эластичности:
= 0,32*51,9/298,44=0,06 (26).
При увеличении производства зерна, себестоимость 1ц зерна снизится среднем на 6,0%.
— коэффициент:
При увеличении производства зерна среднеквадратического отклонения, себестоимость зерна снизится в среднем на 0,18 части своего среднего квадратического отклонения.
Далее необходимо провести оценку адекватности модели с помощью F-критерия Фишера, который рассчитывается по формуле:
где n — число данных,.
m — число факторных признаков.
Затем полученное значение F-критерия Фишера сравнивают с табличным значением. Если, то построенная регрессионная модель статистически значима. В противном случае построенная регрессионная модель статистически не значима.
С помощью программы Exsel был проведен дисперсионный анализ, результаты которого представлены в таблице 6.
Построенная регрессионная модель статистически не значима, так как расчетный критерий Фишера меньше чем табличный.
Таблица 6 Дисперсионный анализ.
Дисперсия. | Степень свободы. | Сумма квадратов отклонения. | Дисперсия, рассчитанная на одну степень свободы. | Критерий Фишера, табличный. | Критерия Фишера, расчетный. |
Факторная. | 820 889,5. | 820 889,5. | 4,21. | 4,03. | |
Остаточная. | 92 397,03. | 1776,866. | ; | ; | |
Общая. | 913 286,5. | ; | ; | ; |
Далее необходимо провести оценку значимости коэффициента корреляции с помощью t-критерия Стьюдента:
(29).
Полученное значение t-критерия Стьюдента сравнивают с табличным значением, если, то коэффициент регрессии статистически значим. Таким образом, с вероятностью 0,95 можно утверждать, что коэффициент корреляции статистически незначим.
Также проводится оценка значимости параметров уравнения:
; =,.
Следовательно, .
=, (32, 33).
Следовательно, .
Параметры уравнения статистически незначимы.
Затем необходимо рассчитать среднюю ошибку аппроксимации:
(34).
Ошибка аппроксимации не превышает 15%, поэтому построенная ранее модель зависимости себестоимости 1 ц зерна от его производства может служить для анализа и прогноза.