КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫЙ АНАЛИЗ В ЭКОНОМИЧЕСКОМ ПРОГНОЗИРОВАНИИ

экономического прогнозирования является наличие устойчивых взаимосвязей между характеристиками экономических объектов.

С количественной точки зрения различают три вида взаимосвязей:
Балансовые
Компонентные
Факторные

характеризует соответствие двух элементов (спроса и предложения, доходов и расходов,

производства и потребления, наличия рабочей силы и потребностей в ней т.п.).

Компонентные связи показателей характеризуются тем, что изменение прогнозного показателя является результатом изменения компонентов, входящих в этот показатель как множители. Например, объем производства продукции можно представить как произведение численности занятых ее производством на производительность труда.

Факторные связи характеризуются тем, что проявляются в согласованной вариации изучаемых показателей. При этом одни показатели выступают как факторные (причины, независимые переменные), другие - как следствие (результат, зависимая переменная). По своему характеру этот вид связи является причинно-следственной зависимостью, они могут рассматриваться как функциональные или корреляционные.

связи, устанавливающих количественные соотношения между случайными величинами изучаемого процесса.

Значение

независимой переменной (Х) известно по предположению, в процессе прогнозирования оно может быть использовано для оценки зависимой переменной (Y).

Функция регрессии: Y = f(X1, X2, X3, X4,…Xm)

корреляция  корреляционные связи между двумя переменными. Например, зависимость между

ценой товара и спросом на него. Такие экономико-математические модели называют однофакторными моделями.

Множественная корреляция  корреляционные взаимосвязи между несколькими переменными. Например, зависимость спроса на товар от цены, уровня доходов населения, расходов на рекламу; зависимость объема выпускаемой продукции от размера инвестиций, технического уровня оборудования, численности занятых в процессе производства.

процессе регрессионного анализа решаются задачи выбора независимых переменных, существенно влияющих

на зависимую величину, определение формы уравнения регрессии, оценивание параметров.

* Рассмотрим модель линейной регрессии!!!

исходной информации.
Качественный анализ взаимосвязи исследуемых показателей, определение причинно-следственной связи

между анализируемыми характеристиками.
Оценка тесноты связи. Расчет коэффициента корреляции.
Коэффициент корреляции (R)  характеризует тесноту связи между случайными величинами (Х, У), может быть рассчитан по формуле:

численному значению коэффициента корреляции можно сделать следующие выводы:

R =

0  рассматриваемые величины не взаимосвязаны;
R = 1  имеет место прямая функциональная зависимость, изменение значений переменных однонаправленное, при увеличении одной переменной другая тоже увеличивается;
R = -1  имеет место обратная функциональная зависимость, изменение значений переменных разнонаправленное, при увеличении одной переменной, другая уменьшается.

численному значению коэффициента корреляции можно сделать следующие выводы:

0 ≤

R 0,2  связи практически нет,
0,2 ≤ R 0,5  связь слабая,
0,5 ≤ R 0,75  связь заметная,
0,75 ≤ R 0,95  связь тесная,
0,95 ≤ R  1  связь близкая к функциональной.

На практике принято строить прогнозы на основе взаимосвязей с коэффициентом корреляции
от 0,75 до 1!!!

корреляционных зависимостей





(1  положительная корреляция; 2  переменные Х и

У не коррелируются; 3  отрицательная корреляция)

параметров уравнения регрессии. Корреляционное уравнение (уравнение регрессии)  математическое описание

корреляционных связей. Оценка параметров уравнения регрессии осуществляется методом наименьших квадратом на основе следующих формул:






где n – объем выборки.

значимости, типичности.
Задание условий прогнозного периода (вероятных значений параметра X).
Прогнозирование возможных

значений параметра Y при заданных значениях параметра X.

практической части курса, так как все расчеты будут осуществляться с

помощью пакета анализа в Microsoft Excel.