Построение кривых регрессий

ГЛАВА 2 . МОДЕЛИ РЕГРЕССИИ
2.1. Парная линейная регрессия
Можно выделить три основных класса моделей, которые применяются для анализа и прогнозирования экономических процессов:

1. 
   модели временных рядов,
   
2. 
   регрессионные модели с одним уравнением,
   
3. 
   системы одновременных уравнений.
   

Модель с одной объясняющей и одной объясняемой переменными – модель парной регрессии. Если объясняющих (факторных) переменных используется две или более, то говорят об использовании модели множественной регрессии. При этом, в качестве вариантов могут быть выбраны линейная, экспоненциальная, гиперболическая, показательная и другие виды функций, связывающие эти переменные.
Линейная регрессия представляет собой линейную функцию между условным математическим ожиданием  зависимой переменной Y и одной объясняющей переменной X:
,
где  - значения независимой переменной в i-ом наблюбдении, i=1,2,…,n. Принципиальной является линейность уравнения по параметрам ,  . Так как каждое индивидуальное значение  отклоняется от соответствующего условного математического ожидания, тогда вданную формулу необходимо ввести случайное слагаемое  , тогда получим:

Данное соотношение называется теоретической линейной регрессионной моделью, а и  - теоретическими параметрами (теоретическими коэффициентами) регрессии,  - случайным отклонением. Следовательно, индивидуальные значения  представляются в виде суммы двух компонент – систематической  и случайной  [12]
Для определения значений теоретических коэффициентов регрессии необходимо знать и использовать все значения переменных X и Y генеральной совокупности, что невозможно. задачи регрессионного линейного анализа состоят в том, чтобы по имеющимся статистическим данным ( ), i=1,…,n для переменных X и Y:

1. 
   получить наилучшие оценки неизвестных параметров и  ;
   
2. 
   проверить статистические гипотезы о параметрах модели;
   
3. 
   проверить, достаточно ли хорошо модель согласуется со статистическими данными.
   

Парная линейная регрессия - это причинная модель статистической связи линейной между двумя количественными переменными «x» и «у», представленная уравнением  , где х - переменная независимая, y - переменная зависимая. Коэффициент регрессии «b» и свободный член уравнения регрессии «a» вычисляются по формулам:

,
где r - коэффициент линейной корреляции Пирсона для переменных x и y; s_x и s_y - стандартные отклонения для переменных x и y; x,y - средние арифметические для переменных x и y.
Существуют два подхода к интерпретации коэффициента регрессии b. Согласно первому из них, b представляет собой величину, на которую изменяется предсказанное по модели значение ŷ_i = a + bx_i при увеличении значения независимой переменной x на одну единицу измерения, согласно второй - величину, на которую в среднем изменяется значение переменной y_i при увеличении независимой переменной x на единицу. На диаграмме рассеяния коэффициент b представляет тангенс угла наклона линии регрессии y = a + bx к оси абсцисс. Знак коэффициента регрессии совпадает со знаком коэффициента линейной корреляции: значение b>0 свидетельствует о прямой линейной связи, значение b < 0 - об обратной. Если b = 0, линейная связь между переменными отсутствует (линия регрессии параллельна оси абсцисс).
Свободный член уравнения регрессии a интерпретируется, если для независимой переменной значение x = 0 имеет смысл. В этом случае y = a, если x = 0. Качество (объясняющая способность) уравнения парной линейной регрессии оценивается с помощью коэффициента детерминации.
После построения уравнения регрессии необходима интерпретация и анализ, а также словесное описание полученных результатов с трактовкой найденных коэффициентов.