Регрессионный анализ

 

 

ОГЛАВЛЕНИЕ

 

1 Регрессионный анализ в исследовании систем управления 3

2 Практическая часть 15

2.1 Формирование дерева целей 15

2.2 Методы сетевого планирования и их компьютерная реализация 16

Список использованных источников 20

 

1 Регрессионный анализ в исследовании систем управления

ПОНЯТИЕ И ВИДЫ КОРРЕЛЯЦИОННОГО  АНАЛИЗА

К. Пирсон и  Дж. Юл разработали корреляционный анализ, который по их мнению должен ответить на вопрос о том, как выбрать с учетом специфики и природы анализируемых переменных подходящий измеритель статистической связи (коэффициент корреляции, корреляционное отношение, и т.д.), решить задачу как оценить его числовые значения по уже имеющимся выборочным данным.

Корреляционный  анализ поможет: найти методы проверки того, что полученное числовое значение анализируемого измерителя связи действительно свидетельствует о наличии статистической связи; определить структуру связей между исследуемыми k признаками х1, х2,…, хк, сопоставив каждой паре признаков ответ («связь есть» или «связи нет»).

Парный коэффициент  корреляции – основной показатель взаимозависимости двух случайных величин, служит мерой линейной статистической зависимости между двумя величинами., он соответствует своему прямому назначению, когда статистическая связь между соответствующими признаками в генеральной совокупности линейна. То же самое относится к частным и множественным коэффициентам корреляции.

Парный коэффициент  корреляции, характеризует тесноту  связи между случайными величинами х и у, определяется по формуле:

 

Если р = 0, то между величинами х и у линейная связь отсутствует и они называются некоррелированными.

Коэффициент корреляции, определяемый по вышеуказанной  формуле, относится к генеральной совокупности.

Частный коэффициент  корреляции характеризует степень линейной зависимости между двумя величинами, обладает всеми свойствами парного, т.е. изменяется в пределах от–1 до +1. Если частный коэффициент корреляции равен ±1, то связь между двумя величинами функциональная, а равенство его нулю свидетельствует о линейной независимости этих величин.

Множественный коэффициент корреляции, характеризует степень линейной зависимости между величиной х₁ и остальными переменными (х₂ , х₃ ), входящими в модель, изменяется в пределах от 0 до 1.

Ординальная (порядковая) переменная помогает упорядочивать  статистически исследованные объекты по степени проявления в них анализируемого свойства.

Ранговая  корреляция – статистическая связь между порядковыми переменными (измерение статистической связи между двумя или несколькими ранжировками одного и того же конечного множества объектов О₁ О₂ ,…, О_п .

Ранжировка – это расположение объектов в порядке убывания степени проявления в них k– го изучаемого свойства. В этом случае x^(k) называют рангом i – го объекта по k – му признаку. Раж характеризует порядковое место, которое занимает объект О_i в ряду п объектов.

К. Спирмен в 1904г предложил показатель, который служил для измерения степени тесноты связи между ранжировками

х₁^(k),x₂^(k),..,x_n^(k)   и   х₁⁽ⁱ⁾,x₂⁽ⁱ⁾,..,x_n⁽ⁱ⁾    

В последствии данный коэффициент был назван ранговым коэффициентом К. Спирмен:

 

ПОНЯТИЕ И МЕТОДЫ РЕГРЕССИОННОГО АНАЛИЗА

Термин «регрессия»  ввел английский психолог и антрополог Ф.Гальтон.

Для точного  описания уравнения регрессии необходимо знать закон распределения результативного показателя у. В статистической практике обычно приходится ограничиваться поиском подходящих аппроксимаций для неизвестной истинной функции регрессии Д(х), так как исследователь не располагает точным знанием условного закона распределения вероятностей анализируемого результатирующего показателя у при заданных значениях аргумента х.

Рассмотрим  взаимоотношение между истинной f(х) = М(у/х). модельной регрессией у и оценкой у регрессии. Пусть результа–тив–ный показатель у связан с аргументом х соотношением:

у=2х^1,5 +?_i, 

где E_i – случайная величина, имеющая нормальный закон распределения, причем M_? = 0 и d_? – y². 

Истинная  функция регрессии в этом случае имеет вид:

f(х) = М(у/х) = 2х₁^1,5 1,5+y_i

Для наилучшего восстановления по исходным статистическим данным условного значения результативного показателя f(х) и неизвестной функции регрессии /(х) = М(у/х) наиболее часто используют следующие критерии адекватности (функции потерь).

Согласно методу наименьших квадратов минимизируется квадрат отклонения наблюдаемых значений результативного показателя yi(i= 1, 2, ..., п) от модельных значений yi = f(хi), где хi значение вектора аргументов в i – м наблюдении:

?(yi – f(хi)2 > min,

Получаемая  регрессия называется среднеквадратической.

Согласно  методу наименьших модулей, минимизируется сумма абсолютных отклонений наблюдаемых  значений результативного показателя от модульных значений:

y_i = f (х_i)

И получаем среднеабсолютную медианную регрессию:

 

Регрессионный анализ – это метод статистического анализа зависимости случайной величины у от переменных х_j-(j=1, 2, ...,k), рассматриваемых в регрессионном анализе как неслучайные величины, независимо от истинного закона распределения х_j.

 

Между различными явлениями и их признаками необходимо прежде всего выделить 2 типа связей: функциональную (жестко детерминированную) и статистическую (стохастически детерминированную).

В соответствии с жестко детерминистическим представлением о функционировании экономических систем необходимость и закономерность однозначно проявляются в каждом отдельном явлении, то есть любое действие вызывает строго определенный результат; случайными (непредвиденными заранее) воздействиями при этом пренебрегают. Поэтому при заданных начальных условиях состояние такой системы может быть определено с вероятностью, равной 1. Разновидностью такой закономерности является функциональная связь.

Связь признака у с признаком х называется функциональной, если каждому возможному значению независимого признака х соответствует 1 или несколько строго определенных значений зависимого признака у. Определение функциональной связи может быть легко обобщено для случая многих признаков  х1,х2 …хn .

Характерной особенностью функциональных связей является то, что в каждом отдельном случае известен полный перечень факторов, определяющих значение зависимого (результативного) признака, а также точный механизм их влияния, выраженный определенным уравнением.

Функциональную  связь можно представить уравнением:

 

yi= y(xi),

 

где yi  - результативный признак ( i = 1, … , n);

     f(xi) - известная функция связи результативного и факторного признаков;

       xi   - факторный признак.

В реальной общественной жизни ввиду неполноты информации жестко детерминированной системы, может возникнуть неопределенность, из-за которой эта система по своей природе должна рассматриваться как вероятностная, при этом связь между признаками становится стахостической.

Стахостическая связь – это связь между величинами, при которой одна из них, случайная величина у, реагирует на изменение другой величины х или других величин х1,х2 …хn (случайных или неслучайных) изменением закона распределения. Это обуславливается тем, что зависимая переменная (результативный признак), кроме рассматриваемых независимых, подвержена влиянию ряда неучтенных или неконтролируемых (случайных) факторов, а также некоторых неизбежных ошибок измерения переменных. Поскольку значения зависимой переменной подвержены случайному разбросу, они не могут быть предсказаны с достаточной точностью, а только указаны с определенной вероятностью.

Характерной особенностью стахостических связей является то, что они проявляются во всей совокупности, а не в каждой ее единице. Причём неизвестен ни полный перечень факторов, определяющих значение результативного признака, ни точный механизм их функционирования и взаимодействия с результативным признаком. Всегда имеет место влияние случайного. Появляющиеся различные значения зависимой переменной – реализация случайной величины.

Модель стохастической связи может быть представлена в  общем виде уравнением:

ŷi = f(xi) + ei ,

где ŷi  - расчётное значение результативного признака;

     f(xi) - часть результативного признака, сформировавшаяся под воздействием учтенных известных факторных признаков(одного или множества), находящихся в стахостической связи с признаком;

      ei - часть результативного признака, возникшая в следствие действия неконтролируемых или неучтенных факторов, а также измерения признаков, неизбежно сопровождающегося некоторыми случайными ошибками.

Проявление  стохастических связей подвержено действию закона больших чисел: лишь в достаточно большом числе единиц индивидуальные особенности сгладятся, случайности взаимопогасятся, и зависимость, если она имеет существенную силу, проявится достаточно отчётливо.

Корреляционная  связь существует там, где взаимосвязанные  явления характеризуются только случайными величинами. При такой связи среднее значение (математическое ожидание) случайной величины результативного признака у закономерно изменяется в зависимости от изменения другой величины х или других случайных величин х1,х2 …хn. Корреляционная связь проявляется не в каждом отдельном случае, а во всей совокупности в целом. Только при достаточно большом количестве случаев каждому значению случайного признака х будет соответствовать распределение средних значений случайного признака у.  Наличие корреляционных связей присуще многим общественным явлениям.

Корреляционная  связь – понятие более узкое, чем стохастическая связь. Последняя может отражаться не только в изменении средней величины, но и в вариации одного признака в зависимости от другого, то есть любой другой характеристики вариации. Таким образом, корреляционная связь является частным случаем стохастической связи.

Прямые и  обратные связи. В зависимости от направления действия, функциональные и стахостические связи могут быть прямые и обратные. При прямой связи направление изменения результативного признака совпадает с направлением изменения признака-фактора, то есть с увеличением факторного признака увеличивается и результативный, и, наоборот, с уменьшением факторного признака уменьшается и результативный признак. В противном случае между рассматриваемыми величинами существуют обратные связи. Например, чем выше квалификация рабочего (разряд), тем выше уровень производительности труда – прямая связь. А чем выше производительность труда, тем ниже себестоимость единицы продукции – обратная связь.

Прямолинейные и криволинейные связи. По аналитическому выражению (форме) связи могут быть прямолинейными и криволинейными. При  прямолинейной связи с возрастанием значения факторного признака происходит непрерывное возрастание (или убывание) значений результативного признака. Математически такая связь представляется уравнением прямой, а графически – прямой линией. Отсюда ее более короткое название – линейная связь. При криволинейных связях с возрастанием значения факторного признака возрастание (или убывание) результативного признака происходит неравномерно, или же направление его изменения меняется на обратное. Геометрически такие связи представляются кривыми линиями (гиперболой, параболой и т.д.).

Однофакторные и многофакторные связи. По количеству факторов, действующих на результативный признак, связи различаются: однофакторные (один фактор) и многофакторные (два и более факторов). Однофакторные (простые) связи обычно называются парными (т.к. рассматривается пара признаков). Например, корреляционная связь между прибылью и производительностью труда. В случае многофакторной (множественной) связи имеют в виду, что все факторы действуют комплексно, то есть одновременно и во взаимосвязи. Например, корреляционная связь между производительностью труда и уровнем организации труда, автоматизации производства, квалификации рабочих,  производственным стажем, простоями и другими факторными признаками. С помощью множественной корреляции можно охватить весь комплекс факторных признаков и объективно отразить существующие множественные связи.

Для исследования стохастических связей широко используется метод сопоставления двух параллельных рядов, метод аналитических группировок, корреляционный анализ, регрессионный анализ и некоторые непараметрические методы.

Задачами  регрессионного анализа являются выбор  типа модели (формы связи), установление степени влияния независимых переменных на зависимую и определение расчётных значений зависимой переменной (функции регрессии).

Корреляционный  и регрессионный анализ. Исследование связей в условиях массового наблюдения и действия случайных факторов осуществляется, как правило, с помощью экономико-статистических моделей. В широком смысле модель – это аналог, условный образ (изображение, описание, схема, чертёж и т.п.) какого-либо объекта, процесса или события, приближенно воссоздающий «оригинал». Модель представляет собой логическое или математическое описание компонентов и функций, отображающих существенные свойства моделируемого объекта или процесса, даёт возможность установить основные закономерности изменения оригинала. В модели оперируют показателями, исчисленными для качественно однородных массовых явлений (совокупностей). Выражение и модели в виде функциональных уравнений используют для расчёта средних значений моделируемого показателя по набору заданных величин и для выявления степени влияния на него отдельных факторов.

По количеству включаемых факторов модели могут быть однофакторными и многофакторными (два и более факторов).

В зависимости  от познавательной цели статистические модели подразделяются на структурные, динамические и модели связи.

Двухмерная  линейная модель корреляционного и  регрессионного анализа (однофакторный  линейный корреляционный и регрессионный  анализ). Наиболее разработанной в теории статистики является методология так называемой парной корреляции, рассматривающая влияние вариации факторного анализа х на результативный признак у и представляющая собой однофакторный корреляционный и регрессионный анализ. Овладение теорией и практикой построения и анализа двухмерной модели корреляционного и регрессионного анализа представляет собой исходную основу для изучения многофакторных стохастических связей.