Методы регрессии

Для определения зависимости между двумя или более переменными используются методы регрессии, когда зависимость между результативной переменной (у) и факторной переменной (х) может быть представлена в математическом виде, например для линейной зависимости таким алгоритмом  [c.73]


Получение надежных оценок будущих показателей, например, спроса на товары, стоимости материалов или готовой продукции, величины затрат — важный этап в процессе принятия текущих и долгосрочных управленческих решений. Выше были рассмотрены методы прогнозирования с помощью приемов регрессии при изучении причинно-следственных связей между показателями. Метод регрессии применяется также при прогнозировании временных рядов, исходя из прошлых, исторических данных.  [c.77]

Продолжим пример и определим прогнозные экспоненциально сглаженные значения временного ряда для 2000 и 2001 гг., используя метод регрессии. Расчет параметров регрессии а и b производится на основе системы уравнений, полученных способом наименьших квадратов  [c.79]

Каковы методы измерения соотношений между разными переменными и направления использования результатов в целях управления. Как методы регрессии применяются для получения простых прогнозов  [c.83]


Методы регрессии используются для определения зависимости между двумя или более переменными. Во многих случаях такую зависимость целесообразно представить в математическом виде. Например, между расходами на рекламу (х) или объемом выручки (у) вероятно наличие зависимости. В таком случае нам бы хотелось выразить значение у через х. Например, такое простое выражение, как у = Юх, говорит нам, что объем продаж в десять раз больше суммы затрат на рекламу. На практике, понятно, зависимость не выглядит столь просто, как в этом примере. Однако процесс нахождения уравнения, связывающего две переменные х и у, важен и часто осуществим.  [c.118]

А теперь давайте с помощью методов регрессии проиллюстрируем, как эту зависимость установить по правилам.  [c.119]

Надежность таких оценок зависит от различных факторов, что необходимо учитывать при использовании метода регрессии. Например, хотя прошлые показатели являются одним из факторов прогнозирования объема продаж в будущем, другие составляющие анализа, как-то ценообразование, конкуренты и расходы на рекламу, могут оказаться более важными. Далее, точность оценок, скорее всего, уменьшается в зависимости от временной удаленности прогноза от исходного набора данных. Так, прогноз на 1998 г., вероятно, окажется более точным, нежели прогноз на 1999 г. И ясно, что прогноз объема продаж на 2050 г. может, при использовании этого метода, оказаться абсолютно неточным.  [c.122]

Упражнения методы регрессии  [c.122]

В определенных обстоятельствах можно использовать коэффициент ранговой корреляции в качестве альтернативного показателя оценки зависимости между двумя наборами значений. Так, часто трудно получить точные показатели некоторых значений, и поэтому единственный надежный метод состоит в расстановке переменных по порядку, иначе говоря — в ранжировании значений. Коэффициент корреляции ранжированных значений называется коэффициентом ранговой корреляции, и он вычисляется по упрощенной формуле, которая приведена в этой главе. Значимая корреляция между двумя переменными подразумевает наличие линейной зависимости между ними. Методы регрессии можно использовать для определения уравнения наилучшей прямой линии, линии регрессии. Уравнение регрессии записывается в виде у = а + Ьх. Это уравнение можно использовать для оценки значения у при заданном значении х. Так, например, объем выручки от реализации можно рассчитать исходя из заданной суммы расходов на рекламу. Нелинейная зависимость между переменными должна быть преобразована в линейную, и только потом следует проводить базовый анализ регрессии.  [c.128]


Выделение тренда методы регрессии  [c.184]

Методы применения регрессии для получения прогнозных значений исходя из имеющихся данных описаны в главе 3. На последующих примерах мы рассмотрим применение метода регрессии при прогнозировании временных рядов.  [c.187]

Как видно из графика на рис. 6.3, имеются существенные колебания показателей объема продаж. Однако отмечается видимая тенденция к увеличению объема продаж, и соответствующий тренд можно выделить с помощью методов регрессии. Линия регрессии показана на графике (рис. 6.3). Из графика видно, что зависимость определена не столь четко, как в предыдущем примере. Так, коэффициент корреляции для этих данных будет значительно меньше по величине, и вообще может оказаться незначимым. Долговременный тренд может быть линейным или нелинейным. Эти данные трудно анализировать из-за сильных расхождений между соседними значениями. Часто, когда мы имеем дело с такого рода данными, необходимо сгладить колебания, и только потом можно сделать какой-либо имеющий смысл прогноз. Методы сглаживания данных временных рядов будут более подробно рассмотрены в последующих разделах.  [c.188]

Помимо описанных здесь статистических методов также важно учитывать и любые внешние факторы, которые могут оказать влияние на рассматриваемые переменные. Например, спрос на товар может быть подвержен влиянию внешних воздействий, в частности деятельности, политики ценообразования и рекламной стратегии конкурентов. Во многих практических ситуациях эти внешние факторы оказывают большее воздействие на надежность прогнозов, нежели описанные нами статистические факторы. Часто такие факторы учитываются методами регрессии в модели прогнозирования, как это описано в предыдущей главе. Использование этих методов помогает получить жизненно важную информацию, необходимую при принятии тактических и стратегических управленческих решений.  [c.221]

Тренд, методы регрессии 187  [c.422]

Метод регрессии предполагает анализ взаимосвязи случайных величин (признаков), среди которых выделяется один результативный признак, зависящий от прочих независимых между собой факторов. Оценка связи выполняется с помощью коэффициента детерминации (индекса корреляции).  [c.467]

В противоположность прогрессивному методу налогообложения при использовании метода регрессии с ростом налоговой базы происходит сокращение размера ставки.  [c.106]

Эта глава посвящена вопросам определения значений макроэкономических показателей (или глобальных факторов), влияющих на доход по индексу обыкновенных акций на примере Нью-Йоркской и Амстердамской фондовых бирж. В первом случае в качестве исходных были взяты данные, собранные Ченом, Роллом и Россом [67]. Эмпирически были выбраны оптимальные архитектуры для сети, и результаты на выходе этих сетей сравнивались с оценками, полученными обычным методом регрессии по способу наименьших квадратов (OLS). Результаты у сетей оказались лучше, чем у OLS-регрессии, благодаря их способности улавливать нелинейные связи между независимыми и зависимыми переменными. Кроме того, и это более существенно, здесь будут изложены два эвристических подхода к анализу влияний отдельных переменных на поведение решения во времени.  [c.134]

Как уже отмечалось, в эконометрике широко используются методы статистики. Ставя цель дать количественное описание взаимосвязей между экономическими переменными, эконометрика прежде всего связана с методами регрессии и корреляции.  [c.34]

Наибольшую опасность в практическом использовании методов регрессии представляют ошибки измерения. Если ошибки спецификации можно уменьшить, изменяя форму модели (вид математической формулы), а ошибки выборки - увеличивая объем исходных данных, то ошибки измерения практически сводят на нет все усилия по количественной оценке связи между признаками. Особенно велика роль ошибок измерения при ис-  [c.36]

Отбор факторов, включаемых в регрессию, является одним из важнейших этапов практического использования методов регрессии. Подходы к отбору факторов на основе показателей кор-  [c.99]

Включение в модель фиктивных переменных может иметь цель отразить в модели неоднородность совокупности. Однако нельзя рассматривать фиктивные переменные как панацею при применении методов регрессии к неоднородным данным.  [c.148]

Ценовой метод регрессии состоит в определении эмпирических формул (регрессионных уравнений) зависимости цен от величины нескольких основных параметров качества в рамках параметрического ряда товаров. При этом цена выступает как функция параметров  [c.373]

Простые проблемы можно решать с помощью арифметических методов, по мере усложнения проблем для их решения должны использоваться более сложные методы регрессия, матричная алгебра, дифференциальные уравнения. За некоторой границей сложности математическую обработку данных нецелесообразно или вообще невозможно вести вручную - ее необходимо производить на ЭВМ. Роль человека при этом коренным образом меняется. Не участвуя в прямых вычислениях, человек занят в этом случае вопросами определения структуры решения проблемы вводом исходных данных и рассмотрением полученных результатов. Необходимо учитывать и то обстоятельство, что постоянное общение с ЭВМ позволяет  [c.17]

К параметрическим методам ценообразования относятся метод удельной цены, метод баллов и метод регрессии.  [c.235]

По данному методу регрессия (9.11) оценивается для каждого возможного значения р из интервала [- 1, 1 ] с любым шагом (например, 0.001 0.01 и т. д.). Величина с, дающая наименьшую стандарт-  [c.238]

Другие модели строятся с учетом соотношений с другими переменными по методу регрессии, о чем мы говорили в предыдущей главе. Так, например, такая переменная, как покупательский спрос на нефтепродукты, может зависеть от других переменных, в частности, от расходов на рекламу, ценообразования, процентных ставок и валютообменных курсов. Это так называемые причинно-следственные связи, и зачастую они обеспечивают большую точность и надежность прогноза по сравнению с моделями прогнозирования на основе временных рядов.  [c.215]

Хаос не относится к разряду беспорядочных структур. Скорее, истинно обратное. Хаос - более высокая форма порядка, где случайность и бессистемные импульсы становятся организующим принципом скорее, нежели более традиционные причинно-следственные отношения в теориях Ньютона и Евклида. Поскольку природа человека и его мозг хаотичны, рынки, являясь продуктом природы и отражающие мышление человека, также представляют собой хаотичные процессы. Пришло время признать, что наше традиционное обучение дает трейдерам неверное представление и неправильные логические картосхемы. Независимо от того, какого уровня сложности применяется линейная математика, с ее преобразованиями Фурье, ортогональными функциями, методами регрессии, или за-действуется искусственный интеллект, нейронные сети, генетические алгоритмы и так далее. Все это неизбежно вводит в заблуждения трейдеров на кардинально нелинейных рынках. Рынки -порождения Хаоса.  [c.34]

Если говорить о всем тестовом множестве, то обе сети дают лучшие результаты, чем регрессионный анализ. Это неудивительно, поскольку сети способны улавливать нелинейности, содержащиеся в данных. Далее, адаптивная сеть (WINNET) лучше оценивает будущие доходы, чем простая (ALLNET), потому что она может прогнозировать как положительные, так и отрицательные доходы. ALLNET и регрессия дают разные результаты из-за разного числа степеней свободы, и это привносит некоторые нюансы в расстановку победителей на пьедестале почета. Так, регрессия дает несколько лучшие, по сравнению с обеими сетями, результаты для первых трех торговых дней в смысле корреляции и MSE, но не по полученному чистому доходу. Нужно помнить при этом, что качество прогноза по методу регрессии падает после первых трех дней.  [c.132]

Сложные зависимости между элементами производства затрудняют разработку методики решения экономических задач путем количественных расчетов. Поэтому для получения достоверной информации о величине, которая трудно поддается измерению, измеряется другая величина, связанная с ней и легче измеряемая. В других случаях информация об одной величине может быть легко доступна, а о другой, необходимой при планировании, информации <нет. Например, при решении таких вопросов, как. велики косвенные затраты труда на производство 10, 100 или 1000 единиц продукции, каково соотношение между расчетным и фактическим временем изготовления продукции, требуется выявление соотношений между двумя или более пе-, ременными. Для этой цели применяется метод регрессии, который основан на методе наименьших мвадратов.  [c.185]

Для построения регрессионных моделей и для прогнозирования исследуемых показателей в пакете используются следующие методы регрессии Брандона группового учета аргументов прогноза"с помощью автокорреляционной функции полиномов Чебышева гармонических весов адаптационного прогнозирования.  [c.185]