МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ

НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ „ЛЬВІВСЬКА ПОЛІТЕХНІКА”

Кафедра маркетингу і логістики

Лабораторна робота № 3

з дисципліни «Економіко-математичні методи і моделі»

на тему: ПОБУДОВА ЛІНІЙНОЇ БАГАТОФАКТОРНОЇ МОДЕЛІ ТА

ДОСЛІДЖЕННЯ ЇЇ АДЕКВАТНОСТІ
(Варіант – 14)

Виконала:

ст.гр.ЕВ-21

Федорович Д.П.

Керівник:
Васильців Н. М.

ЛЬВІВ – 2022

1
 І. Загальні положення
Економічні явища змінюються під впливом багатьох факторів, які треба вміти
виявити та оцінити. Наприклад, на обсяги збуту впливає якість продукції, ціна, імідж
торгової марки, витрати на рекламу, доходи населення тощо. Багатофакторний
регресійний аналіз допомагає знайти явний вигляд такої залежності та кількісно оцінити
вплив різних факторів на досліджуваний процес.
ІІ. Теоретичні відомості
При побудові регресійного рівняння, де результуючий показник залежить від
багатьох факторних ознак, слід включати в регресію всі фактори, які мають суттєвий
вплив на показник y, а з другого боку необхідно визначати, чи виконується умова лінійної
незалежності між факторами x1, x2,......,xn. Якщо між факторними ознаками існує лінійна
залежність Хі=aХj, то говорять про те, що між цими факторами існує
мультиколінеарність.
Мультиколінеарність означає існування тісної лінійної залежності або сильної
кореляції між двома або більше факторами. Вона негативно впливає на кількісні
характеристики економетричної моделі або робить її побудову взагалі неможливою.
Так як застосування методу найменших квадратів для оцінки параметрів
регресійної залежності можливе лише при відсутності лінійної залежності між
факторними величинами, то необхідно позбавитись цього явища. Це пов'язано з тим, що
якщо має місце явище мультиколінеарності, неможливо отримати надійні оцінки
параметрів МНК, тобто незначні зміни вибіркових даних приводять до значних змін
оцінки параметрів.
В економетричних задачах для дослідження наявності мультиколінеарності
використовується метод Фаррара-Глобера. Цей алгоритм має три види статистичних
критеріїв, згідно з якими перевіряється: мультиколінеарність усього масиву факторів ( -
критерій); кожного фактора з іншими (F-критерій); кожної пари факторів (t-критерій). 2 
Для дослідження загальної мультиколінеарності і мультиколінеарності між
окремими факторами використовується кореляційна матриця R і обернена до неї
матриця Z

2
де n – кількість вибіркових значень, m – порядок кореляційної матриці, що розглядається
(кількість факторів), det R – визначник матриці R. За заданою ймовірністю р і числом
ступенів вільності 1)-m(m 2 1 k  знаходимо табличне значення . Якщо , то із прийнятою
надійністю можна вважати, що загальна мультиколінеарність відсутня. Якщо , то із
прийнятою ймовірністю можна вважати, що між факторами існує мультиколінеарність.
Для з’ясування питання, між якими факторами існує мультиколінеарність,
використовується F– або t–статистика. 2 кр 2 кр 2 р  2 кр 2 р  Обчислення F-
критеріїв проводимо за формулою.

Фактичні значення критеріїв порівнюють з табличними при n-m-1 і m ступенях вільності і

заданому рівні значущості  ( =1-р). Якщо , то відповідний j-тий фактор
мультиколінеарний з іншими.  FF крj Для знаходження t–статистики між двома
факторами спочатку знаходимо матрицю обернену до кореляційної, потім частинні
коефіцієнти кореляції.

Частинні коефіцієнти кореляції характеризують тісноту зв'язку між двома

факторами за умови, що інші фактори не впливають на цей зв'язок. Для цих
частинних коефіцієнтів знаходиться t – статистика.

3
Для заданої ймовірності р і ступенів вільності k=n-m-1 знаходиться критичне значення
критерію Стьюдента . Якщо , то з ймовірністю р можна стверджувати, що між факторами
хі і xj існує мультиколінеарність. кр t крij  t|t| Для усунення мультиколінеарності
потрібно замінити фактор xj на фактор.

Якщо після заміни фактора має місце мультиколінеарність, то один із факторів

виключають з розгляду. 14 Заміна чи вилучення незалежних змінних завжди має
узгоджуватись з економічною доцільністю, що випливає з мети дослідження. В
загальному випадку багатофакторна лінійна регресія має вид

Згідно з необхідною умовою екстремуму функції багатьох змінних у точках екстремуму

210 aa,a,a m частинні похідні дорівнюють нулю. Знаходячи частинні похідні та
прирівнюючи їх до нуля, отримаємо

Розв'язавши таку систему, отримаємо оцінки параметрів 210 aa,a,a m . Оцінки параметрів
210 aa,a,a m можна знайти також за формулою

4
5
 Важливе значення для аналізу мають частинні коефіцієнти еластичності. Для
багатофакторної регресії частинний коефіцієнт еластичності показує, на скільки відсотків
зміниться показник, якщо один із факторів зміниться на один відсоток при незмінних
значеннях інших факторів. Частинний коефіцієнт еластичності для фактора обчислюється
за формулою

Частинний коефіцієнт еластичності показує, як змінюється показник у, якщо

фактор змінюється на 1 % при незмінних значеннях інших факторів. Аналогічно
отримаємо для коефіцієнт еластичності інших факторів.

6
 ІІІ. Завдання

Таблиця 1
Дані для побудови багатофакторної моделі
X1- X2- X3- (X1-X1c)(X2- (X2-X2c)(X3-
X1 X2 X3 (X1-X1c)^2 (X2-X2c)^2 (X3-X3c)^2 (X1-X1c)(X3-X3c)
X1c X2c X3c X2c) X3c)
3,96 10,11 23,2 3,960 15,682 10,110 102,212 23,200 538,240 40,036 91,872 234,552
4,49 12,480 24,49 4,490 20,160 12,480 155,750 24,490 599,760 56,035 109,960 305,635
4,82 18,61 26,940 4,820 23,232 18,610 346,332 26,940 725,764 89,700 129,851 501,353
5,23 15,78 28,25 5,230 27,353 15,780 249,008 28,250 798,063 82,529 147,748 445,785
5,91 20,2 30,3 5,910 34,928 20,200 408,040 30,300 918,090 119,382 179,073 612,060
5,92 9,56 31,97 5,920 35,046 9,560 91,394 31,970 1022,081 56,595 189,262 305,633
6,53 22,700 33,93 6,530 42,641 22,700 515,290 33,930 1151,245 148,231 221,563 770,211
6,57 12,36 35,360 6,570 43,165 12,360 152,770 35,360 1250,330 81,205 232,315 437,050
7,47 17,98 36,19 7,470 55,801 17,980 323,280 36,190 1309,716 134,311 270,339 650,696
7,71 15,36 36,87 7,710 59,444 15,360 235,930 36,870 1359,397 118,426 284,268 566,323
7,97 13,590 38,99 7,970 63,521 13,590 184,688 38,990 1520,220 108,312 310,750 529,874
8,3 18,14 40,890 8,300 68,890 18,140 329,060 40,890 1671,992 150,562 339,387 741,745
8,54 11,34 41,41 8,540 72,932 11,340 128,596 41,410 1714,788 96,844 353,641 469,589
8,91 10,45 42,96 8,910 79,388 10,450 109,203 42,960 1845,562 93,110 382,774 448,932
8,9 29,26 44,120 8,900 79,210 29,260 856,148 44,120 1946,574 260,414 392,668 1290,951
101,23 237,92 101,23 237,92 515,87
0 0 515,870 0 721,393 0 4187,700 0 18371,821 1635,691 3635,471 8310,390

7
 Таблиця 2
Y X1 X2 X3 X1^2 X2^2 X3^2 X1X2 X1X3 X2X3 YX1 YX2
26,160 3,82 10,11 23,2 14,592 102,212 538,240 38,620 88,624 234,552 99,931 264,478
23,100 4,49 12,34 24,49 20,160 152,276 599,760 55,407 109,960 302,207 103,719 285,054
46,150 4,82 18,61 26,8 23,232 346,332 718,240 89,700 129,176 498,748 222,443 858,852
41,150 5,23 15,78 28,25 27,353 249,008 798,063 82,529 147,748 445,785 215,215 649,347
51,460 5,77 20,2 30,3 33,293 408,040 918,090 116,554 174,831 612,060 296,924 1039,492
28,810 5,92 9,56 31,97 35,046 91,394 1022,081 56,595 189,262 305,633 170,555 275,424
55,760 6,53 22,56 33,93 42,641 508,954 1151,245 147,317 221,563 765,461 364,113 1257,946
34,110 6,57 12,36 35,22 43,165 152,770 1240,448 81,205 231,395 435,319 224,103 421,600
47,370 7,47 17,98 36,19 55,801 323,280 1309,716 134,311 270,339 650,696 353,854 851,713
42,290 7,56 15,36 36,87 57,154 235,930 1359,397 116,122 278,737 566,323 319,712 649,574
41,140 7,97 13,45 38,99 63,521 180,903 1520,220 107,197 310,750 524,416 327,886 553,333
32,060 8,3 18,14 40,75 68,890 329,060 1660,563 150,562 338,225 739,205 266,098 581,568
35,910 8,54 11,34 41,41 72,932 128,596 1714,788 96,844 353,641 469,589 306,671 407,219
35,410 8,77 10,45 42,96 76,913 109,203 1845,562 91,647 376,759 448,932 310,546 370,035
8,9 29,26 43,98 1286,85
71,330 79,210 856,148 1934,240 260,414 391,422 5 634,837 2087,116
612,21 100,66 237,50 515,31 713,90 4174,10 18330,65 1625,02 3612,43 8285,78 4216,60 10552,74
0 0 0 0 3 3 3 2 4 1 7 9
Дані для побудови багатофакторної моделі

Таблиця 3
Дані для побудови багатофакторної моделі

YX3 Y-Yc (Y-Yc)^2 Yт Yт-Yc (Yт-Yc)^2 Y-Yт (Y-Yт)^2

606,912 -14,654 214,740 25,767 -15,047 226,400 0,393 0,154
565,719 -17,714 313,786 31,038 -9,776 95,579 -7,938 63,004
1236,820 5,336 28,473 43,948 3,134 9,822 2,202 4,849
1162,488 0,336 0,113 38,807 -2,007 4,029 2,343 5,490
1559,238 10,646 113,337 48,285 7,471 55,820 3,175 10,079
921,056 -12,004 144,096 27,248 -13,566 184,028 1,562 2,439
1891,937 14,946 223,383 53,925 13,111 171,903 1,835 3,367
1201,354 -6,704 44,944 33,631 -7,183 51,600 0,479 0,230
1714,320 6,556 42,981 45,944 5,130 26,321 1,426 2,032
1559,232 1,476 2,179 40,829 0,015 0,000 1,461 2,133
1604,049 0,326 0,106 37,523 -3,291 10,829 3,617 13,081
1306,445 -8,754 76,633 47,282 6,468 41,840 -15,222 231,721
1487,033 -4,904 24,049 34,015 -6,799 46,232 1,895 3,592
1521,214 -5,404 29,203 32,522 -8,292 68,759 2,888 8,341
3137,093 30,516 931,226 70,197 29,383 863,383 1,133 1,283
21474,910 0,000 2189,248 610,963 -1,247 1856,544 1,247 351,796

X1– витрати на маркетинг, тис. грн, X2–інвестиції у виробництво, тис. грн, X3–
сукупні витрати, тис. грн., Y–доходи підприємства, тис. грн.
1. Побудуємо кореляційну матрицю, використовуючи формулу 3.1.

Таблиця 4
 Кореляційна матриця ®

1 0,24045 0,993074

0,24044958 1 0,24865

0,993074422 0,24865 1

За допомогою функції МОБР знайдемо обернену до матриці R матрицю Z.

Таблиця 5
Обернена матриця (Z)

72,68254 0,501866 -72,304

0,501866 1,069366 -0,76429
-72,304 -0,76429 72,99325

Використовуючи формулу 3.2 знайдемо χ2-критерій, ймовірність якого дорівнює

0,95.
За допомогою функції МОПРЕД знаходимо det R. det R = 0,014.

(
χ 2р =− n−1− )
2 m+ 5
6 (
ln ( detR )=− 15−1−
2∗3+5
6 )
ln ( 0,014 )=52,156

1
Знаходимо табличне значення χ 2кр , при k = ∗(3 ( 3−1 ))=3
2
2
χ кр =7,8 . Так як 52,156>7,8 , то існує мультиколінеарність.
3. Використовуючи t- статистику (формула 3.3) з р = 0,95, виявимо пари факторів,
між якими існує мультиколінеарність.
Таблиця 6
F1 262,836
F2 0,25434
F3 263,975
F(критичне) 3,59

F1 I F3 є мультиколінеарні , адже більші за f критичне. Для усунення мультиколінеарності

вилучаємо з розрахунків фактор х 3.

Таблиця 7
r12 0,00607 t12 0,02 0,020132
r13 0,994 t13 29,586 30,14009
r23 0,022 t23 0,072 0,072983

Мультиколінеарність існує тільки при t13, отже фактор F2 потрібно вилучити.

9
4. Знайдемо багатофакторну лінійну регресію вигляду y=a0 +a 1 x 1+ a2 x 2. Для цього треба
знайти параметри a 0 , a 1 , a2 , використовуючи формулу 3.9.

Таблиця 8

Х *Х трансп
15 101,22 237,5
101,22 721,239 1632,879
237,5 1632,88 4174,103
Використовуючи функцію МОБР, знайдемо обернену матрицю (XTX)-1

Таблиця 9

Матриця (XTX)-1

1,541051 -0,15532 -0,02692

-0,15532 0,02778 -0,00203
-0,02692 -0,00203 0,002566
Таблиця 10

Х трансп * Y
611,65
4234,6052
10546,6492

За допомогою функції МУМНОЖ знайдемо a0, а1, а2, а3.

Таблиця 11

а0 0,91414
а1 1,227545
а2 1,994467

Отже, за формулою 3.6 багатофакторна лінійна регресія матиме вигляд

y= 0,91414 + 1,227545x1+ 1,994467x2

5. Оцінимо щільність зв’язку між результативною і факторними ознаками за

допомогою коефіцієнта детермінації, використовуючи формулу 3.11, при k 1=2 , k 2=12.
R2 = 0,848, отже, зв'язок щільний.
6. Перевіримо адекватність побудованої моделі за допомогою критерію Фішера,
використовуючи формулу 3.10. F кр =3,89, F = 31,664. F>Fкр, отже, модель адекватна.
7. Знайдемо прогнозні значення згідно свого варіанту.

10
 Таблиця 11
Х0р 1

Х1p 9

Х2p 30,14

Знайдемо табличний критерій Стьюдента при k 1=2, k 2=12, це t=2,18 . Далі знаходимо

середньоквадратичне відхилення залишків: σ залиш . =

запишемо транспонований вектор прогнозних значень.

√ ∑ ( yi − ŷ i )2 =
n−m−1 √ 350,67
12
=5,406 . Далі

Таблиця 12
Xp T

1 9 30,14

Знайдемо ∆ ŷ p , за формулою 3.14 :

√ ⃑T −1 ⃑
∆ ŷ p =t∗σ залиш .∗ X p∗( X ∗X ) X p +1=2,18∗5,406∗√ 0,6+1=14,9
T

Отже, інтервал довіри – 57,04<71,94<86,84

8. Визначимо частинні коефіцієнти еластичності для прогнозу, використовуючи
формулу 3.15.

Таблиця 13

Інтервал довіри
87,01444 57,13609
Частинні коефіцієнти
Ех1 0,153283
Ех2 0,834034
Сума 0,987317

11
 Висновок

Отже, у цій лабораторній роботі я побудувала кореляційну матрицю;

використовуючи χ2-критерій, оцінила наявність загальної мультиколінеарності;
використовуючи t-статистику виявила пари факторів, між якими існує
мультиколінеарність та вилучила один із факторів; оцінила параметри багатофакторної
регресії, щільність зв’язку між результативною і факторними ознаками за допомогою
коефіцієнта детермінації; перевірила на адекватність побудовану модель за допомогою
критерію Фішера; знайшла прогнозне значення та інтервали довіри для прогнозу і
визначила частинні коефіцієнти еластичності для прогнозу. Також під час виконання я
закріпила знання роботи з табличним процесором Excel.

12