Экономико-математическая модель
Курсовой проект - Компьютеры, программирование
Другие курсовые по предмету Компьютеры, программирование
ричность, минимум, максимум, интервал, сумма, коэффициент вариации. Брался уровень надежности 95%.
Таблица 2 Результаты расчетов по этапу Статистический анализ:
СЫРЬЕ, М ПОГОННЫЙЗАТРАТЫ НА ОПЛАТУ ТРУДА, Т.РУБ.Среднее154,6153846Среднее16053,69231Стандартная ошибка21,57531188Стандартная ошибка2876,404897Медиана155Медиана18589Мода#Н/ДМода#Н/ДСтандартное отклонение77,79089328Стандартное отклонение10371,02535Дисперсия выборки6051,423077Дисперсия выборки107558166,7Эксцесс-0,406977947Эксцесс-1,508916139Асимметричность0,302343811Асимметричность0,016663109Интервал275Интервал29507Минимум28Минимум2347Максимум303Максимум31854Сумма2010Сумма208698Уровень надежности 95,0,00856628Уровень надежности 95,067,147886Коэффициент вариации V,,31251804Коэффициент вариации V,,60211861МАТЕРИАЛЬНЫЕ ЗАТРАТЫ, Т.РУБ.АМОРТИЗАЦИЯ,
Т.РУБ.ПОЛНАЯ СЕБЕСТОИМОСТЬ,Т.РУБ.Среднее21847,23077Среднее2371,846154Среднее56738,15385Стандартная ошибка2536,823476Стандартная ошибка477,0664476Стандартная ошибка7447,106319Медиана21516Медиана2018Медиана57179Мода#Н/ДМода#Н/ДМода#Н/ДСтандартное отклонение9146,647119Стандартное отклонение1720,087539Стандартное отклонение26850,92369Дисперсия выборки83661153,53Дисперсия выборки2958701,141Дисперсия выборки720972102,8Эксцесс-0,31202086Эксцесс-0,830489026Эксцесс-1,088043769Асимметричность0,037275084Асимметричность0,204463241Асимметричность-0,288180418Интервал31131Интервал5260Интервал83101Минимум5094Минимум104Минимум10510Максимум36225Максимум5364Максимум93611Сумма284014Сумма30834Сумма737596Уровень надежности 95,027,26353Уровень надежности 95,039,438496Уровень надежности 95,0225,85077Коэффициент вариации V,,86639129Коэффициент вариации V,,52104172Коэффициент вариации V,,32428157
Расчет производился в оболочке Excel, Сервис > Анализ данных > Описательная статистика.
Выводы: стандартные отклонения выборок исходных данных по сравнению со значениями самих данных велики, т.е. разброс точек в выборках большой.
Отклонения максимальных и минимальных значений выборок от соответствующих медиан и среднего также велики. Это означает , что точки выборок расположены рассеяно.
Значения коэффициента вариации выборок позволяет судить об их неоднородности.
3. Корреляционный анализ данных.
На этом этапе осуществляется парное сравнение выборки результирующего показателя с выборками показателей, которые согласно теоретической модели рассматриваются как факторные, а также проверяется степень коррелируемости факторных показателей. Для этих целей строят и анализируют матрицы парных линейных коэффициентов корреляции r, которые изменяются от -1 до 1. Анализ применим лишь в случае линейной зависимости между признаками. Чем ближе значения коэффициента корреляции к -1 или к 1, тем выше степень коррелируемости соответствующих случайных величин. Однако, при r, близких к 1 или -1, регрессионные связи между соответствующими величинами устанавливаться не могут, так как эта ситуация означает фактически функциональную взаимосвязь показателей.
Значимость (существенность) линейного коэффициента корреляции проверяют на основе t-критерия Стьюдента. При этом выдвигается и проверяется нулевая гипотеза о равенстве коэффициента нулю, т.е. об отсутствии связи между х и у. Для этого определяется расчетное значение критерия:
(1)
где r коэффициент корреляции,
n число наблюденеий,
?r среднее квадратическое отклонение кэффициента корреляции.
и сопоставляется с tтабличное с заданными параметрами (уровнем значимости ?, принимается обычно за 0,05, и числом степеней свободы ? = n 2, где n число наблюдений).
Если tрасчетное › tтабличное , то нулевая гипотеза отвергается и линейный коэффициент считается значимым, а связь между х и у существенной, если же неравенство обратное, то связь между х и у отсутствует.
Вообще говоря, отсутствие корреляционной связи между факторным признаками и наличие тесной связи (значение парных коэффициентов корреляции )между результативным и факторными признаками условие включения этих факторных признаков в регрессионную модель.
Кроме того, при построении модели регрессии необходимо учитывать проблему мультиколлениарности (тесной зависимости между факторными признаками), которая существенно искажает результаты исследования.
Одним из индикаторов определения наличия мультиколлинеарности между факторными признаками является превышение величины парного коэффициента корреляции 0,8 (r ? 0,8).
сырье,м погонныйзатраты на заработную плату,т.руб.материальные затраты,
тыс.рубамортизация,
тыс.руб.полная себесто-
имость,
тыс.рубсырье,м погонный1затраты на заработную плату,т.руб.0,3496303051материальные затраты,
тыс.руб0,8301184880,5876475641амортизация,
тыс.руб.0,3772140530,7591642070,6121693661полная себестоимость,
тыс.руб0,6786042690,9098868660,8257153230,82472151
Таблица 3
Для определения наличия мультиколлениарности и устранения мультиколлениарных признаков была построена и проанализирована матрица парных коэффициентов корреляции, см. таблица 3.
Матрица парных коэффициентов корреляции
Расчет производился в оболочке Excel, Сервис > Анализ данных > Корреляция.
Из таблицы 3 видно, что между факторными признаками Сырье и Материальные затраты коэффициент корреляции больше 0,8. Для устранения мультиколлинеарности необходимо исключить из корреляционной