Prognozavimas ir koreliacinė regresinė analizė

Koreliacinės regresinės analizės tikslas – nustatyti, ar egzistuoja stochastinis ryšys tarp dviejų nagrinėjamų veiksnių y ir x. Paprastai negalima pasakyti prieš bandymą būsimo rezultato, t. y. susiduriame su atsitiktinumu, todėl svarbu nustatyti priklausomybę tarp veiksnių, kad būtų galima planuoti, prognozuoti. Koreliacinė analizė apima porinę koreliaciją, porinę regresiją ir daugianarę regresiją.
1. Nustatyti, ar egzistuoja stochastinis ryšys tarp nagrinėjamų veiksnių: y pardavimų apimties, pagaminamų prekių skaičiaus x1, prekių kainos x2, prikėjų skaičiaus x3, pirkėjų mėnesinių pajamų x4, reklamos išlaidų x5.
2. Nustatyti ryšių stiprumą, formas, bei analitines išraiškas.
3. Nustatyti ryšių stiprumą tarp y ir labiausiai reikšmingų veiksnių (x), bei rasti tų ryšių formas bei analitines išraiškas.
4. Nustatyti, kaip pasikeis y, kai pasikeis x-sai.
5. Suprognozuoti naujas reikšmes turint faktines reikšmes ir pasirinkti geriausią prognozę.
Eil. Nr.
Y
X1
X2
X3
X4
X5

Pardavimų apimtis
Pagaminamų prekių skaičius
Prekių kaina
Pirkėjų skaičius
Pirkėjų mėnesinės pajamos
Išlaidos reklamai
1
600
200
1
100
800
50
2
8655
2000
9
1400
1200
2800
3
4560
1200
5
700
1450
1400
4
9864
2200
10
1500
2000
2850
5
3540
900
4
680
3500
1200
6
8900
2300
9
1450
3900
2870
7
1400
500
2
220
2410
800
8
5300
1100
1
900
600
1450
9
1568
400
3
230
1580
870
10
900
230
1
130
1900
230
11
860
220
1
127
1360
280
12
2500
800
3
380
700
700
13
720
210
1
110
800
300
14
2800
830
3
400
6900
800
15
9000
2230
10
1480
2300
3000
16
12230
2500
13
1600
2580
2940
17
9920
2300
10
1520
4100
2900
18
1232
430
2
212
4200
400
19
8910
2001
9
1450
2300
2890
20
6666
1698
7
1130
9800
2700
21
3210
999
4
750
2820
100
22
4100
1100
5
820
2310
200
23
860
210
1
132
2584
3000
24
8700
2100
9
1420
600
4000
25
1980
900
2
600
1000
2800
1.2.Koreliacinė analizė su kiekvienu X1, ... , X5
Šioje analizėje reikia nustatyti, ar egzistuoja stochastinis ryšys tarp X ir Y. Tai daroma skaičiuojant koreliacijos koeficientą r ir įvertinant jo reikšmingumą (t).
Vidurkis – tai visų skaitinių duomenų suma, padalinta iš duomenų skaičiaus. Parodo vidutinę reikšmę.
Dispersija – tai išsibarstymo apie vidurkį matas. Tai skirtumų tarp stebėtų duomenų reikšmių ir vidurkio kvadratų vidurkis.
Dispersijos skaičiavimas:
S=-
Vidutinis kvadratinis nuokrypis Sx – tai kvadratinė šaknis iš dispersijos. Parodo, kiek reikšmės nukrypsta nuo vidurkio.
Statistines charakteristikos:
Y X1 X2 X3 X4 X5
Vidurkis
4759.0000
1182.3200
5.0000
777.6400
2547.7600
1661.2000
Dispersija
13723008.3333
651016.3100
14.3333
313812.4067
4386730.4400
1592027.6667
Vidutinis standartinis nuokrypis
3704.4579
806.8558
3.7859
560.1896
2094.4523
1261.7558
Koreliacijos koeficiento skaičiavimas:
r=
Koreliacijos koeficientas parodo ryšio stiprumą. Koreliacijos koeficientas r turi būti kuo arčiau 1. Kuo r yra arčiau 1, tuo ryšys tarp veiksnių Y yra reikšmingesnis. Kuo r arčiau 0, tuo ryšys silpnesnis. Su funkcija CORREL patikriname, ar teisingai skaičiavome koreliacijos koeficientą.
r1
0.9857
r2
0.9640
r3
0.9814
r4
0.1429
r5
0.7645
Išvada: ryšys tarp y ir veiksnių X1, X2, X3, X5 yra reikšmingas, šiuo atveju stipriausias ryšys yra tarp Y ir X1, Y ir X2, Y ir X3.
Norint išsiaiškinti, ar koreliacijos koeficientas yra reikšmingas, turime apskaičiuoti statistinį tst ir jį palyginti su lenteliniu tlent, kurį galime apskaičiuoti TINV funkcijos...

Daugiau informacijos...

★ Klientai rekomenduoja

Šį rašto darbą rekomenduoja mūsų klientai. Ką tai reiškia?

Mūsų svetainėje pateikiama dešimtys tūkstančių skirtingų rašto darbų, kuriuos įkėlė daugybė moksleivių ir studentų su skirtingais gabumais. Būtent šis rašto darbas yra patikrintas specialistų ir rekomenduojamas kitų klientų, kurie po atsisiuntimo įvertino šį mokslo darbą teigiamai. Todėl galite būti tikri, kad šis pasirinkimas geriausias!