Презентация на тему: КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫЙ АНАЛИЗ В ЭКОНОМИЧЕСКОМ ПРОГНОЗИРОВАНИИ

КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫЙ АНАЛИЗ В ЭКОНОМИЧЕСКОМ ПРОГНОЗИРОВАНИИ
5.1. Зависимость между экономическими явлениями как предпосылка прогнозирования
5.1. Зависимость между экономическими явлениями как предпосылка прогнозирования
5.2 Сущность корреляционно-регрессионного анализа
5.2 Сущность корреляционно-регрессионного анализа
5.2 Сущность корреляционно-регрессионного анализа
5.3 П рогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур
5.3 П рогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур
5.3 П рогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур
5.3 П рогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур
5.3 П рогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур
5.3 П рогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур
5.4 Многофакторная модель
1/13
Средняя оценка: 4.2/5 (всего оценок: 5)
Код скопирован в буфер обмена
Скачать (1372 Кб)
1

Первый слайд презентации: КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫЙ АНАЛИЗ В ЭКОНОМИЧЕСКОМ ПРОГНОЗИРОВАНИИ

Изображение слайда
2

Слайд 2: 5.1. Зависимость между экономическими явлениями как предпосылка прогнозирования

Одной из предпосылок экономического прогнозирования является наличие устойчивых взаимосвязей между характеристиками экономических объектов. С количественной точки зрения различают три вида взаимосвязей: Балансовые Компонентные Факторные

Изображение слайда
3

Слайд 3: 5.1. Зависимость между экономическими явлениями как предпосылка прогнозирования

Балансовая связь показателей 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.

Изображение слайда
4

Слайд 4: 5.2 Сущность корреляционно-регрессионного анализа

Корреляционно-регрессионный анализ  используется для исследования форм 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 ( X 1, X 2, X 3, X 4, … X m )

Изображение слайда
5

Слайд 5: 5.2 Сущность корреляционно-регрессионного анализа

В зависимости от количества исследуемых переменных различают: Парная 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.

Изображение слайда
6

Слайд 6: 5.2 Сущность корреляционно-регрессионного анализа

Регрессионный анализ  часть теории корреляции. В процессе регрессионного анализа решаются задачи выбора независимых переменных, существенно влияющих на зависимую величину, определение формы уравнения регрессии, оценивание параметров. * Рассмотрим модель линейной регрессии!!!

Изображение слайда
7

Слайд 7: 5.3 П рогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур

Сбор 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:

Изображение слайда
8

Слайд 8: 5.3 П рогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур

По 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.

Изображение слайда
9

Слайд 9: 5.3 П рогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур

По 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!!!

Изображение слайда
10

Слайд 10: 5.3 П рогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур

Виды корреляционных зависимостей (1  положительная корреляция; 2  переменные Х и У не коррелируются ; 3  отрицательная корреляция)

Изображение слайда
11

Слайд 11: 5.3 П рогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур

Расчет 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.

Изображение слайда
12

Слайд 12: 5.3 П рогнозирование на основе однофакторных моделей линейной регрессии: последовательность процедур

Оценка значимости, типичности. Задание условий прогнозного периода (вероятных значений параметра X ). Прогнозирование возможных значений параметра Y при заданных значениях параметра X.

Изображение слайда
13

Последний слайд презентации: КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫЙ АНАЛИЗ В ЭКОНОМИЧЕСКОМ ПРОГНОЗИРОВАНИИ: 5.4 Многофакторная модель

Последовательность этапов построения многофакторной модели будет рассматриваться в практической части курса, так как все расчеты будут осуществляться с помощью пакета анализа в Microsoft Excel.

Изображение слайда