ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო

უნივერსიტეტი

ეკონომიკისა და ბიზნესის ფაკულტეტი

ეკონომეტრიკა 1

ინდივიდუალური პროექტი

სტუდენტი- ჯალიაშვილი ქეთევანი

ხელმძღვანელი- ასოცირებული პროფესორი,

ეკონომიკის დოქტორი

ნინო მიქიაშვილი

თბილისი 2021

1
სარჩევი

ეკონომეტრიკა 1....................................................................................................... 1
შესავალი................................................................................................................... 2
1. ნორმალურ განტოლებათა სისტემა და კოვარიაციული მატრიცა...........4
2. იდენტიფიცირება უმცირეს კვადრატთა და ვექტორულ-მატრიცული
მეთოდით, ეკონომიკური ინტერპრეტაცია.........................................................5
3. სტანდარტიზაცია და წყვილურ რეგრესიაზე გადასვლა...........................10
4. რეგრესიის კოეფიციენტების მნიშვნელობის შემოწმება..........................13
5. ერთი წრფივი შეზღუდვის ტესტირება...........................................................21
6. დისპერსიული ანალიზის ძირითადი გაშლა და განტოლების
მნიშვნელოვნება.................................................................................................... 24
დასკვნა.................................................................................................................... 31
გამოყენებული ლიტერატურა.............................................................................32

2
შესავალი

ეკონომიკისა და ბიზნეს ადმინისტრირების ფაკულტეტის და საქართველოს

მოქალაქემ ღრმა ინტერესი გამოვხატე და ჩავატარე კვლევა საქართველოში
არსებული ბიზნეს სექტორის შესახებ. ჩემი აზრით, ეს თემა დღესდღეობით
არამხოლოდ ჩემი, არამედ თითოეული საქართველოში მცხოვრები
ადამიანისთვის თვალთახედვისა და ინტერესის წყაროს წარმოადგენს.
ამიტომ, მოვიძიე [ენდოგენური Y ცვლადი- ბიზნეს სექტორში გამოშვებული
პროდუქციის მოცულობა (მლრდ. ლ.), ეგზოგენური X1 ცვლადი -ბიზნეს
სექტორში გასაყიდად გამზადებული მომსახურებისა და პროდუქციის
ყიდვათა მოცულობა (მლრდ. ლ.) და ასევე ეგზოგენური X2 ცვლადი-ბიზნეს
სექტორში შრომითი დანახარჯები (მლრდ. ლ.).](1) ჩემი მიზანია დავადგინო
შესაძლო მოსალოდნელი შედეგები, რისკი თუ მოგება, დავადგინო რა
გავლენას ახდენს Y ცვლადზე X1 და X2 ცვლადები, რომელი უფრო მეტად
ზემოქმედებს პროდუქციის Y გამოშვებაზე და ასევე, შევქმნა ეკონომიკურად
დასაბუთებული ანალიზი და პროგნოზი მიღებული შედეგებისა,
დავრწმუნდე მიღებული მათ სისწორეში, შევაფასო მათი მართებულობა და
მიღებული მონაცემების თანახმად შევიმუშავო მმართველობითი
გადაწყვეტილებები.

[პროდუქციის გამოშვება განსაზღვრავს ეკონომიკური ერთეულის მიერ ფაქტობრივად

წარმოებული პროდუქციის რაოდენობას და რეალიზებული პროდუქციის მოცულობას,
გადაყიდვისათვის შეძენილი საქონლისა და მომსახურების, აგრეთვე მატერიალური
საბრუნავი საშუალებების მარაგების ცვლილებების ჩათვლით.] (2)

გასაყიდად გამზადებული მომსახურება და პროდუქცია- ის პროდუქტი და მომსახურება,

რომელსაც მწარმოებელი სთავაზობს მომხმარებელს.

შრომითი დანახარჯები- ანაზღაურებასთან დაკავშირებული ხარჯები.

[Y- ენდოგენური ცვლადი- ის ცვლადია, რომელიც უნდა განისაზღვროს მოდელის

საშუალებით (შიგა, შედეგობრივი, დამოკიდებული, ასახსნელი, რეგრესანდი, განჭვრეტილი).

X1,X2- ეგზოგენური ცვლადი- ის ცვლადი, რომელიც მოდულში შემოდის გარედან მზა სახით
და უცვლელია (გარე, მიზეზობრივი, დამოუკიდებელი, ამხსნელი, რეგრესორი, საპროგნოზო,
ფაქტორული).](3)

(1) https://www.geostat.ge/ka/modules/categories/326/sacarmota-statistikuri-gamokvleva

3
(2) https://www.geostat.ge/media/41840/Business-sector-in-Georgia-2021.pdf

(3) ანანიაშვილი ი. (2012). ეკონომეტრიკა. თბილისი. მერიდიანი

1. ნორმალურ განტოლებათა სისტემა და კოვარიაციული მატრიცა

ნორმალურ განტოლებათა სისტემა

n n n n
b0 n  b1  xi1  b2  xi 2  . . .  bm  xim   yi ,
i 1 i 1 i 1 i 1
n n n n n
b0  xi1  b1  x  b2  xi1 xi 2  . . . bm  xi1 xim   y i xi1 ,
2
i1
i 1 i 1 i 1 i 1 i 1
n n n n n
b0  xi 2  b1  xi 2 xi1  b2  x  . . .  bm  xi 2 xim   yi xi 2 ,
2
i2
i 1 i 1 i 1 i 1 i 1

............................................
n n n n n
b0  xim  b1  xim xi1  b2  xim xi 2  . . .  bm  x   y i xim . 2
im
i 1 i 1 i 1 i 1 i 1

_______________________________________________________________

15*ბ0+338.4*ბ1+79*ბ2=381.2
338.4*ბ0+9507.44*ბ1+2260.01*ბ2=10820.3
79*ბ0+2260.01*ბ1+539.35*ბ2=2578.44

კოვარიაციული მატრიცა

4
   Y X1 X2
Y 176.7892    
X1 148.0352 124.8757  
X2 38.05244 31.85133 8.218222

2. იდენტიფიცირება უმცირეს კვადრატთა და ვექტორულ-

მატრიცული მეთოდით, ეკონომიკური ინტერპრეტაცია.
უმცირეს კვადრატთა მეთოდი
y i=β 0 + β 1 x i 1 + β 2 x i 2+u i , i=1,2 … ..n მოცემულ განტოლებაში β 0, β 1 , და β 2 პარამეტრების შეფასება
შერჩევითი ერთობლიობის საფუძველზე ხდება, რის გამოც გვჭირდება y i , x i 1 და x i 2 ცვლადების
მნიშვნელობა. თუ დავუშვებთ, რომ გვაქვს n დაკვირვება, მაშინ მათი ერთობლიობა შეგვიძლია
ცხრილი გამოვსახოთ:

1 2 … n
yi y1 y2 … yn
x1 x 11 x 21 … xn1
x 2. x 12. x 22. … x n 2.
ვთქვათ,
^y i=b 0 +b1 xi 1 +b 2 x i 2 , i=1,2 … ..n ა რისრეგრესიის y i=β 0 + β 1 x i 1+ β2 x i2 +ui , i=1,2 … ..n მოდელის თეორიუ
, რომელიც მიიღება ცხრილში მოყვანილი მონაცემების საფუძველზე.

b 0 , b1 და b2 , არის β 0, β 1 , და β 2 პარამეტრების შეფასებები.

აღვნიშვნოთ: e i= y i− ^yi , შესაბამისად ^y i=b 0 +b1 xi 1 +b 2 x i 2 , i=1,2 … ..n შეგვიძლია შემდეგი

კოვალენტური სახით ჩავწეროთ: ^y i=b 0 +b1 xi 1 +b 2 x i 2+ ei , i=1,2 ….. n e iარის ნარჩენობითი წევრი და
იგი არის ui წევრის შეფასებაა.

რეგრესიის b 0 , b1 და b2 , პარამეტრების შეფასებებისთვის ძირითადად იყენებენ უმცირეს კვადრატთა

მეთოდს, რომლისთვისაც აუცილებელი პირობაა-
n n
G=∑ ( y i−^y i )2=∑ e2i =min
i=0 i=0

ჩავსვათ ამ განტოლებაში ^y i−ის მნიშვნელობა და მიღებული გამოსახულებისთვის ჩავწეროთ

პირველი რიგის აუცილებელი პირობები, რომლის დროსაც G მინიმუმს აღწევს.

5
შესაბამისად გვექნება:
n n
∂G
=−2 ∑ ( y i−b0−b 1 x i 1−b2 x i2 ) =∑ e i=0
∂ b0 i=0 i=0

n n
∂G
=−2 ∑ ( y i−b 0−b 1 x i 1−b2 xi 2 ) x i1 =∑ e i x i 1=0
∂ b1 i=0 i=0

n n
∂G
=−2 ∑ ( y i−b 0−b 1 x i 1−b2 xi 2 ) x i2 =∑ e i x i 2=0
∂ b2 i=0 i=0

შედეგად მივიღებთ:

{
n n n n n n n n n n
n b0 +b 1 ∑ x i 1+ ¿ b2 ∑ x i 2=∑ y i ¿ b0 ∑ x i 1+ ¿ b1 ∑ x i 1 +b2 ∑ x i1 xi 2=∑ y i x i 1 ¿ b 0 ∑ x i 2 +b1 ∑ xi 1 xi 2 +b 2 ∑ x i 2=∑
2 2

i=1 i =1 i=1 i=1 i=1 i=1 i=1 i=1 i=1 i=1 i=

მოცემულ სისტემას ეწოდება ნორმალურ განტოლებათა სისტემა. წრფივი განტოლებათა სისტემის

ამოხსნის გზით შეგიძლია დავადგინოთ სისტემის ამონახსნი, თუმცა ასევე შეგვიძლია მივიღოთ მათი
გამოსათვლელი მზა ფორმულები. თუ სისტემის პირველ განტოლებას n-ზე გავყოფთ და მიღებული
შედეგიდან გამოვსახავთ b 0-ს.

შედეგად მივიღებთ-

b 0= y−b1 x 1−b 2 x 2=0.192737

n n n

სადაც
∑ yi ∑ x i1 ∑ xi 2 . შევცვალოთ დარჩენილ ორ განტოლებაში b 0−ის მნიშვნელობა
i=1 i=1 i=1
y= , x 1= , x 2=
n n n
n n
და ასევე გავითვალისწინოთ, რომ ∑ x i 1=n x 1 , ∑ x i 2=n x 2 . მაშინ მივიღებთ შემდეგ სისტემას:
i=1 i=1

b 1 Var ( x1 ) + b2 Cov ( x1 , x2 ) =Cov ( x 1 , y )

b 1 Cov ( x 1 , x 2 ) +b2 Var ( x2 ) =Cov ( x 2 , y )

სადაც
n
1
Var ( x 1) = ∑ x 2 −x 2=124.87573 ;
n i=1 i 1 1
n
1
Var ( x 2) = ∑ x 2i 2−x 22=8.21822
n i=1
n
1
Cov ( x 1 , x 2 )= ∑ x x − x x =176.789156
n i=0 i1 i 2 1 2
n
1
Cov ( x 1 , y ) = ∑ x y −x y=148.0352
n i=0 i 1 i 1

6
 n
1
Cov ( x 2 , y ) = ∑ x i 2 y i −x2 y=38.052444
n i=0

საბოლოოს, სისტემისა ამოხსნა მოგვცემს:

Cov ( x1 , y ) Var ( x 2 )−Cov ( x2 , y ) Cov ( x 1 , x 2 )

b 1= 2 =0.388547
Var ( x1 ) Var ( x 2) −⌊ Cov ( x 1 , x 2 ) ⌋

Cov ( x2 , y ) Var ( x 1 )−Cov ( x1 , y ) Cov ( x 1 , x 2 )

b 2= 2 =3.124361
Var ( x1 ) Var ( x 2) −⌊ Cov ( x 1 , x 2 ) ⌋

კოეფიციენტი b1 გამოსახავს x1 ფაქტორული ცვლადის ერთეულის ცვლილების შედეგად წარმოქმნილ

შედეგობრივი Y ცვლადის საშუალო მნიშვნელობის ნაზრდს, იმ პირობებში, როცა X2 ფაქტორის
მნიშვნელობა ფიქსირებულია.

ანალოგიურად, b2 კოეფიციენტი ასახავს x2 ფაქტორის ერთეული ნაზრდის წმინდა გავლენას y

ცვლადის საშუალო მნიშვნელობაზე, იმ პირობებში, როცა x1 ცვლადის მნიშვნელობა უცვლელია.

რაც შეეხება, b0 კოეფიციენტს, მისი მნიშვნელობა ზოგადად ნაკლებ საინტერესოა, საქმე ისაა რომ,
რეგრესიულ მოდელში თავისუფალი წევრი, ანუ მუდმივი წევრი, როგორც წესი, დამხმარე როლს
თამაშობს. რეგრესიაში მისი ჩართვა მოდელს უფრო მოქნილს ხდის.

იდენტიფიცირებული განტოლება

Ŷ=0.19274+0.38855X1+3.12336X2
თუ ბიზნეს სექტორში გასაყიდად განკუთვნილი პროდუქციისა და მომსახურების ყიდვების
მოცულობა და შრომითი დანახარჯები ნოლის ტოლია, ბიზნეს სექტორის გამოშვების მოცულობა
0.19274 მლრდ. ლარის ტოლია. ასევე ბიზნეს სექტორში გასაყიდად განკუთვნილი პროდუქციისა და
მომსახურების ყიდვების მოცულობის ერთი მილიარდით გაზრდის შემთხვევაში (თუ ბიზნეს
სექტორში შრომითი დანახარჯების მოცულობა უცვლელია) გამოშვების მოცულობა იზრდება 0.38855
მილიარდით. ხოლო შრომითი დანახარჯების ყოველი ერთი მილიარდით მომატების შემთხვევაში
(როცა პროდუქციისა და მომსახურების ყიდვების მოცულობა უცვლელია) გამოშვება იზრდება 3.12336
მილიარდი ლარით.

ვექტორულ-მატრიცული მეთოდი

პირველ რიგში მოცემული მოდელი უნდა ჩავწეროთ ვექტორულ-მატრიცული ფორმით. ნორმალურ

განტოლებათა სისტემის დახმარებით შევადგინოთ A მატრიცა, შევაბრუნოთ იგი და გადავამრავლოთ
XTY-ზე.

შეგვიძლია გამოვიყენოთ ექსელის minverse და mmult ფუნქცია.

7
გამოვითვალოთ A მატრიცა mmult ფუნქციის დახმარებით.

T
მივიღებთ-
X X A
n n
 
 n

i 1
xi1   xim
i 1


 n n n 
 x x   2
xi1 xim 
A   i 1 i1 i 1 i1 i 1 
. . . . . . . . . . . . . . . . . . . . . . 
 
 n n n

  xim  xim xi1   xim
2

 i 1 i 1 i 1 
1 1  1  1 x11  x1m 
   
 x11 x21  xn1  1 x21  x2 m 
XTX     . . . . . . . . . . . .  A
..............
   
x x  x  1 x  x 
 1m 2 m nm   n1 nm 

15 338.4 79

338.4 9507.4 2260.01

4
79 2260.0 539.34
1

ვიპოვოთ A მატრიცის შებრუნებული მატრიცა- A-1

0.50683167 -0.100165121 0.345486102
-0.100165121 0.046631816 -0.180730758
0.345486102 -0.180730758 0.70856958
A მატრიცის შებრუნებული მატრიცა გადავამრავლოთ Y ვექტორზე და ვუწოდოთ B მატრიცა.

8
  n 
 y1   
 y i 
 1 1 ... 1  i 1 
    n
T  x11 x12 . . . xn1   y 2    y i x i1 
X Y   . . .    i 1 
.............. 
     ... 
 x x ... x  y   n
 1m 2 m nm   n   y x 

 i 1
i im

381.2
10820.4
2578.44
და ბოლოს, A მატრიცის შებრუნებული მატრიცა გადავამრავლოთ B
მატრიცაზე.
0.192737046 =b0
0.38854733 =b1
3.124361113 =b2

მიღებული მატრიცის პირველი, მეორე და მესამე წევრი, შესაბამისად,

b0, b1, b2-ია.
აღსანიშნავია, რომ ვექტორულ-მატრიცული ხერხით კოეფიციენტებს
ვერ გამოვითვლით, თუ მატრიცის დეტერმინანტი იქნება 0. ჩვენ მიერ
მოყვანილი მატრიცის დეტერმინანტი=39653.18

9
Linest ფუნქცია
3.124361113 0.38854733 0.192737046
b2 b1 b0

3. სტანდარტიზაცია და წყვილურ რეგრესიაზე გადასვლა

როდესაც მრავლობითი რეგრესიის განტოლებას ვაფასებთ, აღვნიშნავთ , რომ bj კოეფიციენტი

შედეგობრივი ცვლადის საშუალო მნიშვნელობის ცვილების სიდიდეს გამოსახავს , რომელიც სხვა
თანაბარ პირობებში, დამოუკიდებელი j ცვლადის ერთი ერთეულით ცვილებისას მიიღება.
შესაბამისაც bj კოეფიციენტის ერთეული შედეგობრივი ცვლადის და შესაბამისი ფაქტორის ზომის
ერთეულით განისაზღვრება.

უნდა აღინიშნოს რომ, კოეფიციენტის სიდიდე რეგრესიის განტოლებაში იცვლება შედეგობრივი

ცვლადის ან ფაქტორის ზომის ერთეულის ცვლილებისას. თუ Y ცვლადის ზომის ერთეულს k-ჯერ
შევამცირებთ, მაშინ განტოლების მარჯვენა მხარე k-ზე უნდა გავამრავლოთ, ანუ b0-თან ერთად b1
და b2 კოეფიცინეტების მნიშვნელობებიც k-ჯერ გაიზრდება და თუ ერთ-ერთი ფაქტორის ზომის
ერთეულს k-ჯერ შევამცირებთ, მაშინ k-ზე ვამრავლებთ შესაბამისი ფაქტორის რეგრესიის
კოეფიციენტს.

როდესაც მრავლობით რეგრესიაში ფაქტორები სხვადასხვა ზომის ერთეულებში გვაქვს მოცემული ,

რეგრესიის კოეფიციენტები არაშესადარია, მაგ: თუ b1>0, b2>2, b1>2 სულაც არ ნიშნავს იმას რომ y-ზე
პირველი ფაქტორი უფრო ძლიერ გავლენას ახდენს ვიდრე x2.

იმისთვის რომ რეგრესიის კოეფიციენტები შესადარ სახეზე დავიყვანოთ და შევაფასოთ რომელი

ფაქტორი უფრო ძლიერ გავლენას ახდენს y ცვლადზე, ამისთვის ვიყენებთ სტანდარტიზაციას.

ა)რეგრესიის კოეფიციენტების სტანდარტიზებულ მასშტაბში გამოსახვა მარტივია, როცა ცნობილია

რეგრესიის განტოლება ჩვეულებრივი (ნატურალური) ფორმით.

მოცემულია უმცირეს კვადრატთა მეთოდით მივიღეთ შერჩევითი განტოლება:

^y =b0 +b1 x 1+ b2 x 2 +…+b m x m

მასთან ერთდ განვიხილოთ ნორმალურ განტოლებათა სისტემის პირველი განტოლება, რომლის n-ზე
გაყოფით მივიღებთ:

y=b0 +b1 x 1+ b2 x 2 +…+ bm xm

ეს განტოლება გარდავქმნათ შემდეგნაირად:

10
 ^y − y S x ( x 1−x 1) S x ( x 2−x 2) S m ( x m −x m )
=b 1 1
+b 2 2
+…+ bm 1

Sy S y Sx 1
S y Sx 2
Sy Sxm

სადაც S y , S x j=1,2 , … ,m , სტანდარტული გადახრებია:

j

S y = √ Var ( y)=13.29621

S x =√ Var ( x1 )=11.17478
1

S x =√ Var (x2 )=2.86674

2

^y − y ( x 1−x 1 ) ( x 2−x 2 )
მოცემულ გამოსახულებაში , , ცვლადებს სტანდარტიზებული ცვლადები, ხოლო
Sy Sx1
Sx2

~ Sx
b j=b j j
, j=1,2 , … , m, კოეფიციენტებს კი რეგრესიის სტანდარტიზებული კოეფიციენტები ეწოდება.
Sy

b~1= 0.326554102

b~2= 0.673631447

b~j სტანდარტიზებული კოეფიციენტი გვიჩვენებს, საშუალოდ რამდენი სტანდარტული ერთეულით

შეიცვლება შედეგობრივი ნიშანი ფაქტორულის ერთი სტანდარტული ერთეულის შეცვლის
პირობებში.

b~2>b~1

შედეგობრივ ცვლადზე მეორე ფაქტორი უფრო ძლიერ გავლენას ახდენს, ვიდრე პირველი.
ჩვენს შემთხვევაში-

შედეგობრივი Y ცვლადზე შრომის X2 დანახარჯები უფრო ძლიერ გავლენას ახდენს, ვიდრე X1

დაქირავებული მუშახელის მოცულობა

^y − y x j−x
შემოვიღოთ აღნიშვნა ω= , z j= j =1,2, … , m , რეგრესიის განტოლებას სტანდარტიზებულ
Sy Sx j

მასშტაბში ექნება შემდეგი სახე-

~ ~ ~
ω=b 1 z 1+ b2 z 2 +…+ bm z m

ω=0.326554*z1+0.673631*z2
მოცემულ განტოლებაში თავისუფალი წევრი არ შედის, რადგან ყველა ცვლადი საშუალოდან გადახრის
ნორმირებულ სიდიდეებშია გამოსახული.

11
ბ)რეგრესიის სტანდარტიზებული განტოლება და კოეფიციენტები შეგვიძლია საწყისი მონაცემებიდან
მივიღოთ, რეგრესიის ჩვეულებრივი განტოლების აგების გარეშე.

ნორმალურ განტოლებათა სისტემის მე-2 და მე-3 განტოლებები შეგვიძლია ჩავწეროთ შემდეგი სახით-

b 1 Var ( x1 ) + b2 Cov ( x1 , x2 ) =Cov ( x 1 , y )

b 1 Cov ( x 1 , x 2 ) +b2 Var ( x2 ) =Cov ( x 2 , y )

m ფაქტორიანი მოდელის ნორმალურ განტოლებათა სისტემიდან ანალოგიური გზით მივიღებთ:

b 1 Var ( x1 ) + b2 Cov ( x1 , x2 ) + …+bm Cov ( x 1 , x m ) =Cov( x 1 , y)

b 1 Cov ( x 1 , x 2 ) +b2 Var ( x2 ) + …+bm Cov ( x 2 , x m ) =Cov( x 2 , y)

−−−−−−−−−−−−−−−−−−−−−−−¿
b m Cov ( x m , x 1) + b2 Cov ( x m , x 2 ) +…+b m Var ( x m ) =Cov ( x m , y )

ამ სისტემის პირველი განტოლების ყველა წევრი გავყოთ S y S x -ზე, მეორე განტოლების S y S x -ზე, 1 2

ხოლო ბოლო განტოლების S y S x -ზე. ამავდროულად გავითვალისწინოთ რომ-

m

Cov ( x 1 , y )
=r y x =0.996318
S y Sx 1
1

Cov( x 2 , y )
=r y x =0.998311
S y Sx 2
2

Cov(x 1 , x 2)
=r x x =0.994259
Sx Sx1 2
1 2

მაშინ ჩავწეროთ
~ ~ ~
b 1+ b2 r x x +…+ b m r x x =r yx
1 2 1 m 1

~ ~ ~
b 1 r x x + b2 +…+ b m r x x =r yx
2 1 2 m 2

−−−−−−−−−−−−−−−−¿
~ ~ ~
b 1 r x x + b2 r x x + bm =r yx
m 1 m 2 m

როდესაც მოცემულია წყვილური რეგრესიის r y x , r x x კოეფიციენტები , მაშინ ამ განტოლებათა

j j k

სისტემის ამოხსნა მოგვცემს რეგრესიის სტანდარტიზებულ კოეფიციენტებს.

rx1y= 0.996318417

rx2y= 0.998310892

rx1x2= 0.994259275

12
ამ შემთხვევაში შეგვიძლია გამოვიყენოთ solver.

ორფაქტორიანი მოდელიდან წყვილურ რეგრესიაზე გადასვლა განსაკუთრებით მარტივია linest

ფუნქციით.

საშუალო ელასტიკურობა
შედეგობრივ ცვლადზე გავლენის ხარისხის მიხედვით რეგრესიის განტოლების ფაქტორული
ცვლადების მოწესრიგება საშუალო ელასტიკურობის კოეფიციენტის მეშვეობით ხდება.

იგი გვიჩვენებს რამდენი პროცენტით შეიცვლება შედეგობრივი Y ცვლადის შერჩევითი საშუალოს

მნიშვნელობა ფაქტორული xj ცვლადის შერჩევითი საშუალო მნიშვნელობის 1%-ით ცვლილებისას.

იგი გაიანგარიშება-

ξ1= 0.344922394

ξ2= 0.647493515

როგორც ვხედავთ, ξ2>ξ1, რაც იმას ნიშნავს რომ მეორე ფაქტორი უფრო ძლიერ გავლენას ახდენს
საშედეგო ცვლადზე, ვიდრე პირველი ფაქტორი.

4. რეგრესიის კოეფიციენტების მნიშვნელობის შემოწმება

შემთხვევითი წევრის კოვარიაციულ მატრიცას

მრავლობითი რეგრესიის მოდელი შემდეგ დაშვებებს ეფუძნება:

დაშვება I: დამოკიდებულებას შედეგობრივ დაფაქტორულ ცვლადებს შორის Y=XB+U წრფივი სახე

აქვს, სადაც X დეტერმინირებული მატრიცაა, U შემთხვევითი ვექტორია . ამასთან U ვექტორის
ელემენტები და x J J =1,2 … m , ცვლადები ერთმანეთისგან დამოუკიდებელია, ანუ
Cov ( u i x j ) =0 i=1,2 , … n j−1,2 , … , m ;

დაშვება II: E(u i)=0 i=1,2 , … , n;

დაშვება III: E ( u i ) =σ u i=1,2. . , n;

2 2

13
დაშვება IV: E (ui ·u j ¿=0 i ≠ j;

დაშვება V: X მატრიცის რანგი r(X) ემთხვევა მისი სვეტების რიცხვს (m+1)-ს და ნაკლების დაკვირვების
რიცხვზე n-ზე: r(X)=m+1<n;

დაშვება VI: ui i=1,2 , … ,n , ნორმალურად განაწილებული შემთხვევითი სიდიდეებია, ამასთან

ui N ( 0 , σ ) .
2
u

რეგრესიის მოდელს, რომლისთვისაც აქ ჩამოთვლილი ექვსივე პირობა სრულდება მრავლობითი

რეგრესიის ნორმალური კლასიკური წრფივი მოდელი ეწოდება, ხოლო თუ მხოლოდ პირველი ხუთი
პირობა სრულდება, მრავლობითი რეგრესიის კლასიკური წრფივი მოდელი.

მეორე, მესამე და მეოთხე დაშვებების მატრიცული გამოსახვისთვის დაგვჭირდება შემოვიღოთ

რეგრესიის მოდელის შემთხვევითი წევრების კოვარიაციული მატრიცა-

cov(U , U )  E[(U  E (U ))(U  E (U )) T ]  E (UU T )

 u1  
  
 u 
 E  2 u1 u2  u n  
  
cov(U , U )  E (UU T ) 
u 
 

 n  


 E (u12 ) E (u1u 2 )  E (u1u n ) 

 
 E (u 2 u1 ) E (u 2 )  E (u 2 u n ) 
2

 
- - - - - - - - - - - - - - - - - - - - - - - - - - - 
 E (u u ) E (u u )  E (u 2 ) 
 n 1 n 2 n 

14
  var (u1 ) cov(u1 , u2 )  cov(u1 , un ) 
 
 cov(u2 , u1 ) var (u2 )  cov(u2 , un ) 
- - - - - - - - - - - - - -- - - - - -- - - - - - - - - - - - - - 
 
 cov(u , u ) cov(u , u )  var (u ) 
 n 1 n 2 n 

დიაგონალური მატრიცაა cov(U,U)=E(UUT) (მეოთხე დაშვება), დიაგონალზე ელემენტები ერთმანეთის

2
ტოლია (მესამე დაშვება)
 u , თუ nxn ერთეულოვანი მატრიცას აღვნიშნავთ In, მაშინ cov(U)=
T 2
E (UU )   I n u

რეგრესიის კოეფიციენტების კოვარიაციული მატრიცა

შეფასებათა B ვექტორის bj, j=0,1….m, დისპერსიების გამოსათვლელად ვიყენებთ

      T
cov( B, B )  E[( B  E ( B ))( B  E ( B )) ] 
 
 E[( B  B )( B  B ) T ] 

15
  b0   0  
  
  b1  1  
E 
   0 0 1 1
b   b    bm   m 
 
 
 bm   m  
 E[(b0   0 ) 2 ] E[(b0   0 )(b1  1 )]  E[(b0   0 )(bm   m )] 

 E[(b1  1 )(b0   0 )] E[(b1  1 ) 2 ]  E[(b1  1 )(bm   m )] 
 
 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
 E[(b   )(b   )] E[(b   )(b   )]  E[(b   ) 2 ] 
 m m 0 0 m m 1 1 m m 

  00  01   0 m 
 
  10  11   1m 
  .
-----------------
 
    
 m 0 m1 mm 
მთავარ დიაგონალზე კოეფიციენტების შეფასებების დისპერსიებია

 jj  E[(b j   j ) 2 ]   b2 , j  0,1,, m
j
არადიაგონალური წევრები რეგრესიის კოეფიციენტებს შორის დამოკიდებულის მახასიათებლებია.

 l j  E[(bl   l )(b j   j )]

16
 l j
b b j 
l
 ll jj
  00  01   0 m 
 
  10  11   1m 
-- -------------- -  .
 
 
 m 0  m1   mm 
ასევე გასათვალისწინებელია, რომ

B  B  ( X T X ) 1 X TU .
   
cov( B, B)  E[( B  B)( B  B) T ] 

 E{( X T X ) 1 X TU [( X T X ) 1 X TU ]T } 

 E{( X T X ) 1 X TUU T X [( X T X ) 1 ]T } 
 ( X T X ) 1 X T E (UU T ) X [( X T X ) 1 ]T
სიმეტრიულობის გამო

ეს გამოსახულება იმას გვიჩვენებს, რომ (X^TX)^-1 მატრიცის საშუალებით Bვექტორთან ერთად

შეგვიძლია გამოვთვალოთ რეგრესიის კოეფიციენტების შეფასებები, მათი დისპერსიები და არსებული
კოვარიაციებიც.

ასევე არსებობს სიმეტრიული კოვარიაციული და გაფართოებული კოვარიაციული მატრიცები.

სიმეტრიული-

17
 var ( x1 ) cov( x1 , x2 )  cov( x1 , xm ) 
 
 cov( x2 , x1 ) var ( x2 )  cov( x2 , xm ) 
- - - - - -- - - - - - - -- - - - - - - -- - - - - - - -- - - - 
 
 cov( x , x ) cov( x , x )  var ( x ) 
 n 1 n 2 m 
სიმეტრიული მატრიცა მხოლოს იქსებთან კავშირს გვიჩვენებს.

  X1 X2
124.875
X1 7
31.8513 8.21822
X2 3 2

გაფართოებულ მატრიცაში უკვე იგრეკთან კავშირებიცაა-

 var( y ) cov(y, x1 ) cov(y, x2 ) ... cov(y, xm ) 

 
 cov( x1 , y ) var ( x1 ) cov( x1 , x2 )  cov( x1 , xm ) 
 cov( x , y ) cov( x , x ) var ( x )  cov( x2 , xm ) 
 2 2 1 2 
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 
 
 cov( xn , x1 ) cov( xn , x1 ) cov( xn , x2 )  var ( xm ) 
  Y X1 X2
176.789
Y
2    
148.035 124.875
X1
2 7  
38.0524 31.8513 8.21822
X2
4 3 2

Vare=0.380896211
ჩვენ შეგვიძლია Var(e)- ს ნაცვლად განვიხილოთ Se^2.

18
 =0.476120264
n-m-1 არის თავისუფლების ხარისხი

ჩვენს შემთხვევაში 15-2-1=12

e^Te=5.713443

e^2=5.713443167

როცა მრავლობით რეგრესიის მოდელში m=2, მაშინ მატრიცის დიაგონალური ელემენტები b0, b1, b2
შეფასებების დისპერსიები გამოითვლება-

Var(b0)=0.022202353

Var(b1)=0.337364335

Var(b2)=0.241312828

ამ ფორმულების დახმარებით, ვიტყვით რომ რეგრესიის b0, b1, b2 პარამეტრების დისპერსიებზე და

სიზუსტეზე გავლენას ახდენს:

 ნარჩენობითი დისპერსია Se^2,

 დაკვირვებათა რიცხვი n,
 ამხსნელ ცვლადთა შერჩევითი დისპერიები
 კორელაცია მოცემულ ცვლადებს შორის.

B1 da b2 კოეფიციენტების სიზუსტე მით მაღალია:

 რაც უფრო მცირეა ნარჩენობითი დისპერსია

 რაც უდრო დიდია დაკვირვებათა რიცხვი შერჩევაში
 რაც დიდია ამხსნელ ცვლადთა დისპერსიები
 რაც ნაკლებად არის ამხსნელი ცვლადები ერთმანეთთან დაკავშირებული, ანუ რაც
მცირეა კორელაციის კოეფიციენტი rx1x2.

19
Bj კოეფიციენტის შერჩევით დისპერსიას აღვნიშნავთ Sbj^2-ით. Var(bj)=Sbj^2. ხოლო არითმეტიკულ
ფესვს Sbj^2-დან ეწოდება bj კოეფიციენტის საშუალო კვადრატული შეცდომა, ან სტანდარტული
შეცდომა და იგი გამოიანგარიშება-

Sb0^2= 0.241312828

Sb1^2= 0.022202353

Sb2^2= 0.337364335

სტადარტ. გადახრები

Sb0=Var(b0)=0.491236021

Sb1==Var(b1)=0.149004539

Sb2=Var(b2)=0.580830729

შემთხვევითი tbj სიდიდეების განაწილების კანონის თანახმად, შეგვიძლია bj კოეფიციენტების

მნიშვნელოვნება შევამოწმოთ t ტესტის გამოყენებით.

ვუშვებთ ნულოვან ჰიპოთეზას H0 : βj=βj0

ხოლო მისი ალტერნატივა ზოგად შემთხვევაში - H1 : βj≠βj0;

სტიუდენტის განაწილების ცხრილის საშუალებით, n-m-1 თავისუფლების ხარისხითა და

5%-იანი დონის დახმარებით ვნახავთ რომ ჩვენს შემთხვევაში tკრ=2.179

გასათვალისწინებელია, რომ

ასევე უნდა აღინიშნოს, რომ როდესაც tbj>1, ამ დროს მრიცხველში არსებული bj>Sbj, ანუ
კოეფიციენტი მეტია მის სტანდარტულ გადახრაზე, ხოლო ასეთი კოეფიციენტის მოდელში
ჩასმა არის მნიშნელოვანი და იგი სტატისტიკურად სანდოა. ჩვენს შემთხვევაშიც Sb0>b0 და
მისი სტატისტიკური მნიშვნელობაც დაბალი აღმოჩნდა.

ესე იგი მიღებული შედეგები ჩავარდა კრიტიკულ არეში, უარვყოფთ ნულოვან ჰიპოთეზას βj0≠0 და
ვიღებთ მის ალტერნატივას, კოეფიციენტი სტატისტიკურად სანდო, მნიშვნელოვანია.

20
წინააღმდეგ შემთხვევაში მიღებული მნიშვნელობა ვარდება ნულოვანი ჰიპოთეზის მიღების არეში, რაც
მიუთითებს იმაზე რომ β=0, ანუ კოეფიციენტი სტატისტიკურად არასანდოა.

ასევე, აქვე შემიძლია დავამატო, რომ თუ კი tbj>2 იგი 5%იანი მნიშვნელოვნების დონისთვის სანდოა,
ხოლო თუ tbj>5.1 მაშინ იგი 1%-იანი მნიშვნელოვნების დონისთვისაც კი სანდოა.

tb0= 0.392351207 <2.179

tb1= 2.607620759 >2.179

tb2= 5.379125033 >2.179

ჩვენს შემთხვევაში, შეგვიძლია ვთქვათ, რომ tb2 1%-იანი მნიშვნელობის დონისთვისაც კი სანდოა.

ჩვენს შემთხვევაში b1, b2 სტატისტიკურად მნიშვნელოვანი კოეფიციენტებია, ხოლო b0

სტატისტიკურად არასანდო.

სტატისტიკური მნიშვნელოვნება სწორედ ამ უტოლობების მიხედვით დგინდება, ხოლო ეკონომიკური

მნიშვნელობა ცალსახად მიბმულია ეკონომიკურ თეორიასთან და იმ აღწერასთან, რაც x-სა და y-ს აქვს,
იმ შემთხვევაში, თუ სტატისტიკურადა არაა სანდო კოეფიციენტი და ჩვენ, მაინც ვფიქრობთ რომ ეს
კონკრეტული ფაქტორი ეკონომიკური თვალსაზრისით მაინც მოქმედებს Y შედეგობრივ ცვლადზე,
მაშინ ძირითადი პრიორიტეტი ენიჭება ეკონომიკურ მნიშვნელობას, ანუ თუ იმდენად ვართ
დარწმუნებული, რომ აუცილებლად საჭიროა ეს კონკრეტული x , რომ აღვწეროთ y შეგვიძლია რომ
დავტოვოთ იგი მოდელში, თუ არადა ჩავანაცვლებთ, რომელიმე სხვა ფაქტორით, სადაც ეჭვები უკვე
აღარ იქნება.

ამის შემდეგ უკვე დავიწყებთ ნდობის ინტერვალის აგებას.

-0.877666244 < β0 < 1.263140335

0.063866439 < β1 < 0.713228221
1.858730955 < β2 < 4.389991271
დნობის ინტერვალის მიხედვით, განვამტკიცებთ მიღებულ შედეგებს, კერძოდ, რომელი
კოეფიციენტებიც სანდოა, მაშინ ორივე მხარეს დადებითი, ან უარყოფითი რიცხვებია,
ხოლო ჩვენს შემთხვევაში b0 მოთავსებულია უარყოფით რიცხვსა და დადებითს შორის, რაც
მის არასანდოობაზე მიუთითებს.

5. ერთი წრფივი შეზღუდვის ტესტირება

21
ჩავთვალოთ, რომ β1+β2=1

შევამოწმოთ აკმაყოფილებს თუ არა კოეფიციენტი წრფივი შეზღუდვის ჰიპოთეზას H0:β1+β2=1

ამისთვის დაგვჭირდება

მატრიცა A*
0.50683 - 0.34548
2 0.10017 6
- 0.04663 -
0.10017 2 0.18073
0.34548 -
6 0.18073 0.70857

b0=0.192737046

b1=0.38854733

b2=3.124361113

0.69001
Se= 5

  B  c  (0  b0  1 b1  1 b2 )  c
 0
-1  
 ( X X )   (0 1 1) X X  1 
T  1 

1 
 
რადგან გვაქვს ორფაქტორიანი მოდელი Π ვექტორის ტრანსპონირებულს ექნება ასეთი სახე 0 1 1

tფორმულის მრიცხველი- Π^T * B. რადგან Π ვექტორის პირველი წევრი 0-ია, გადამრავლებისას

მრიცხველში მხოლოდ დარჩება b1+b2-1, c=1

ჩვენს შემთხვევაში მრიცხველი= 2.512908443

22
რაც შეეხება მნიშვნელს, Se უკვე ვიცით. ხოლო Π^T-ის 0 და Π ვექტორის 0 გაანულებს A შებრუნებული
მატრიცის პირველი სვეტისა და სტრიქონის წევრებს. ანუ დაგვრჩება A*-ის 4 წევრის ჯამი.

მნიშვნელი= 0.432975214

მრიცხველი და მნიშვნელი რადგან უკვე გამთვლილია, წინ აღარაფერი უდგას t-ს გამოთვლას

t=2.512908443 / 0.432975214= 5.803815922

ამის შემდეგ ისღა დაგვრჩენია ვიპოვოთ t კრიტიკული. როცა თავისუფლების ხარისხი 12ია და ადგილი
აქვს 5%-იან მნიშნელობის დონეს, ამ დროს : tკრ=2.179

t>tკრ 5.804>2.179, რაც იმაზე მიუთითებს რომ 5%-იანი მნიშვნელობის დონისთვის წრფივი შეზღუდვა
მოდელში არ ფიქსირდება, ნულოვანი ჰიპოთეზა უარყოფილია.

ასევე გვაქვს t-ს გამოთვლის მეორე გზა, რომელსაც განტოლების გარდაქმნა სჭირდება.

გარდაქმნა ისე, რომ ერთ-ერთი იქსის წინ დაგვიჯდეს სწორედ ეს β1+β2

ამისთვის საჭიროა:

როგორც ვხედავთ განტოლებებში x2-ის კოეფიციენტი b2~ შეფასებაა (β1+β2).

Linest ფუნქციის საშუალებით-

b1+b2 (b2~) b1 b0
3.512908443 0.38854733 0.192737046
tb2~= 5.803815922>tკრ

23
5%-იანი მნიშვნელობის დონისთვის ნულოვანი ჰიპოთეზა უარყოფილია.
როგორც მოსალოდნელი იყო, ორივე გზამ ერთნაირი შედეგი მოგვცა.

6. დისპერსიული ანალიზის ძირითადი გაშლა და განტოლების

მნიშვნელოვნება

რეგრესიის განტოლების მნიშნელოვნება შეიძლება უარვყოთ ან დავასაბუთოთ დისპერსიული

ანალიზით, რომელიც ეფუძვნება ცნობილ გაშლას:

რაც იგივეა რაც Q=Qr+Qe, სადაც Q შედეგობრივი ცვლადის მთლიანი

გაფანტუობაა, Qr ასახავს რეგრესიის განტოლებით ახსნილ გაფანტულობას, Qe
აუხსნელი გაფანტულობაა, რომელიც რეგრესიის განტოლების მიღმა დარჩენიი
გარემოებებითაა განპირობებული.
2651.837=2646.124+5.713443
კიდევ რომ გარდავქმნათ ფორმულა -

A=0
24
Q-ს შეესაბამება n-1
Qr- m
Qe- n-m-1

დეტერმინაციის კოეფიციენტი
მრავლობითი რეგრესიის განტოლების მნიშვნელოვნების შესაფასებლად
შეიძლება მივმართოთ დეტერმინაციის კოეფიციენტს. დეტერმინაციის R^2
კოეფიციენტი რეგრესიით ახსნილი გაფანტულობის წილია შედეგობრივი
ცვლადის მთლიან გაფანტულობაში. ეს განმარტება მრავლობით რეგრესიაზეც
ვრცელდება, ამიტომ:

0  R2  1
n

2QR  i
( ˆ
y - y ) 2

Var ( yˆ )
R   i 1
n

Q Var ( y )
 i
( y
i 1
- y ) 2

2 QE  i i
( y - ˆ
y ) 2

Var (e)
R  1  1 i 1
n
 1
Q Var ( y )
 i
( y
i 1
- y ) 2

R^ 0.9978
2= 455
Var(Ŷ)= 176.4082593

25
Var(e)= 0.380896211
Var(y)= 176.7891556
დეტერმინაციის კოეფიციენტის ეს ორი გამოსახულება ერთმანეთის
ეკვივალენტურია, 0≤R^2≤1 და გვიჩვენებს შედეგობრივი ცვლადის ახსნისას
რეგრესიის განტოლება მარტივ y ̂=y ̅ განჭვრეტასთან შედარებით რამდენად
უკეთეს შედეგს იძლევა, როცა y-ის გაფანტულობის მნიშვნელოვანი ნაწილის
ახსნა რეგრესიის განტოლებით ხორციელდება, როცა y-ის მნიშვნელობების
გაფანტულობა რეგრესიის განტოლების ირგვლივ მნიშვნელოვნად ნაკლებია,
ვიდრე საშუალოს ირგვლივ, ამ დროს R^2-ის სიდიდე ახლოსაა 1-თან,
წინააღმდეგ შემთხვევაში R^2-ის მნიშვნელობა უახლოვდება 0-ს. კიდურა
მნიშვნელობების მიღება R^2-ს შეუძლია მაშინ როცა რეგრესიიდან გადახრის
ei=0, ან როდესაც შერჩევით საშუალოსთან შედარებით რეგრესიის განტოლება
დამატებით არაფერს ხსნის.
ზოგად შემთხვევაში რაც უფრო დიდია R^2-ის მნიშვნელობა, მით უფრო
მაღალია რეგრესიის განტოლებით შედეგობრივი ცვლადის ახსნის ხარისხი,
ამიტომ უნდა ვეცადოთ რაც შეიძლება მაღალი R^2 ის მქონე რეგრესიის
მოდელის აგებას. მაგრამ არ არსებობს უნივერსალური ზღვარი რაზე
დაყრდნობითაც ვიტყვით, რომ R^2-ის მნიშვნელობა დაბალია ან მაღალია.
როცა რეგრესიის მოდელი თავისუფალ წევრს არ შეიცავს, R^2-ის ორი
გამოსახულება ერთმანეთის ეკვივალენტური არაა, ამის მიზეზი ისაა, რომ არ
სრულდება პირობა ∑ei=0, რაც იწვევს დისპერსიული ანალიზის ტოლობის
დარღვევას. ამ დროს დეტერმინაციის ზემოთ მოყვანილი მნიშვნელობის
ნაცვლად ზოგჯერ განიხილება არაცენტრირებული ვარიანტი, რომელიც
განისაზღვრება შემდეგი ფორმულით:

კორექტირებული დეტერმინანტი
R^2-ის კორექტირება ხდება დეტერმინაციის კოეფიციენტთან მიმართებაში
ფაქტორების რიცხვების ზრდით გამოწვეული ეფექტის ნეიტრალიზებისთვის.
26
პრაქტიკაში გვაქვს შემთხვევები, როდესაც რეგრესიის ცუდად განსაზღვრულ
მოდელს R^2-ის მაღალი მნიშვნელობა შეესაბამება, რის გამოც R^2 არასაკმარის
პირობად წარმოგვიდგება, ამიტომ ჩვენ გვჭირდება მისი კორექტირებული
დეტერმინანტი, რომელიც განტოლების ვარგისიანობის შესახებ დასკვნების
გაკეთებაში მოგვეხმარება. ამის ერთ-ერთი მიზეზი ისაა, რომ დეტერმინაციის
კოეფიციენტი ამხსნელ ცვლადთა რიცხვის მიმართ არაკლებადი ფუნქციაა,
განტოლებაში არსებული ამხსნელი ცვლადების შენარჩუნებისას ახალი
ამხსნელი ცვლადის ჩართვას მოსდევს R^2-ის ზრდა.

QE (n  m  1) (n  1)QE n 1
R 2  1  1  1 (1  R 2 ) 
Q (n  1) (n  m  1)Q n  m 1

2 m
R  (1  R 2 )
n  m 1
ჩვენს შემთხვევაში - 0.997486

მრავლობითი კორელაციის კოეფიციენტის გამოსათვლელად ვიყენებთ

წყვილური კორელაციის კოეფიციენტების მატრიცას

 1 ry , x1 ry , x2  ry , xm 
 
 rx1 y 1 rx1 , x2  rx1 , xm 
R 
     
 
 rx y rx , x rx , x  1 
 m m 1 m 2 
გაფართოებული კორელაც.
მატრიცა
  Y X1 X2
Y 1 0.996318 0.998311
X 0.996318 1 0.994259
27
1
X
2 0.998311 0.994259 1

ამ მატრიცის საფუძველზე კორელაციის კოეფიციენტი მიიღება

2 2
r y , x1 r y , x2  2ry , x1 ry , x2 rx1 , x2
Ry,X  2
1 r x1 , x2
0.99892
Ry,X= 2

წრფივ მრავლობით რეგრესიაში:

დეტერმინაციისა და კორელაციის კოეფიციენტების საფუძველზე რეგრესიის
მოდელის მნიშვნელოვნება ერთი და იგივე პროცედურით შეიძლება შეფასდეს

2 2
R  (Ry, X )
აღსანიშნავია, რომ:
0.99784 0.9978
5= 45

განტოლების მნიშვნელობის დადგენა

Q R /m ( n−m−1 ) Q R /Q (n−m−1)R 2
F= = =
QE /(n−m−1) mQ E /Q m(1−R2 )

F=2778.84>Fკრ(3.11)

H1 : R^*2 ≠0

28
F მნიშვნელობა აღემატება 5%-იანი დონითა და 12 თავისუფლების ხარისხით
განსაზღვრულ Fკრ, რაც იმას ნიშნავს, რომ უარვყოფთ ნულოვან ჰიპოთეზებს.
მნიშნელოვანია, როგორც მოდელში ჩართული ფაქტორთა ერთობლივი
ამხსნელი უნარი, ასევე R^2-ის ნულისგან განსხვავებულობა და შერჩეული
რეგრესიის მოდელი გარკვეული დასკვნების გასაკეთებლად ვარგისია.
ცალკეული ფაქტორის მიხედვით

სტანდარტიზაციის მიხედვით b~2>b~1, ამიტომ X2 ფაქტორს დავტოვებთ და მის

მიხედვით გადავალთ წყვილურ რეგრესიაზე linest ფუქნციის საშუალებით.

4.63025255 1.02733
5 7
0.07473557 0.44813
6 9 კოეფიც. სტანდ. შეცდ.
0.99662463 0.82977
R^2 8 8 რეგრესიის სანდ. შეცდ
3838.43853
F 2 13 თავისუფლების ხარისხი
2642.88642 8.95091
2 1
Qr Qe

Fx1= 6.799686023 >3.11

Fx1= 6.799686023 >3.11
ასევე აღსანიშნავია, რომ

29
Fxj=tb^2=6.799686
და ასევე
Tb=√Fxj=2.607621
5%-იანი მნიშვნელოვნების დონითა და თავისუფლების 1 და n-m-1 ხარისხებით
განსაზღვრული Fკრ-სთვის Fxj>Fკრ, რაც იმაზე მიუთითებს, რომ ნულოვანი
ჰიპოთეზა უარყოფილი ხდება, ანუ x1 ფაქტორი სტატისტიკურად
მიშვნელოვნად ითვლება.
შემოწმება ფაქტორთა ჯგუფის მნიშვნელობის შესახებ

როცა ერთდროულად რამდენიმე ამხსნელი ცვლადის და მათი შესაბამისი რეგრესიის

კოეფიციენტების მნიშვნელოვნების შეფასება გვინდა უნდა განვაზოგადოთ ერთი ამხსნელი
ცვლადის ტესტირების პროცედურა. დავუშვათ დასაწყისში ავაგეთ k დამოუკიდებელი
ცვლადით y=β 0 + β 1 x 1 + β 1 x 1 +…+ β k x k +u . უმცირეს კვადრატთა მეთოდით შეფასების შედეგად
( k)
განტოლებით ახსნილმა გაფანტულობამ შეადგინა Q R . შემდეგ განტოლებაში დამატებით
რამდენიმე დამოუკიდებელი ცვლადი ჩავრთეთ, მათი რიცხვი გახდა m და ახალი განტოლებაა
y=β 0 + β 1 x 1 + β 1 x 1 +…+ β k x k + β l +1 x k+1 +…+ β m x m +u
(m )
ახალი განტოლებისთვის ახსნილმა გაფანტულობამ შეადგინა Q R . ჩატარებული
პროცედურით ავხსენით შედეგობრივი ცვლადის გაფანტულობის ( Q R −QR ) სიდიდე და
( m) (k )

ამისთვის გამოვიყენეთ თავისუფლების m−k ხარისხი . საჭიროა გავარკვიოთ, მნიშვნელოვანია

თუ არა დამატებითი ცვლადებით ახსნილი გაფანტულობა.
შეიძლება განვიხილოთ ნულოვანი ჰიპოთეზა, რომელიც გულისხმობს განტოლებაში
დამატებით ჩართული m−k ამხსნელი ცვლადის შესაბამისი კოეფიციენტის ნულთან
ერთდროულ ტოლობას: H 0 : β k+1=…=β m=0. მოცემული ჰიპოთეზის ალტერნატივაა β k+1 … . βm
კოეფიციენტებიდან თუნდაც ერთის ნულისგან განსხვავებულობა.
როცა ნულოვანი ჰიპოთეზა ჭეშმარიტია, მაშინ შემთხვევითი სიდიდე
( Q(Rm )−Q(Rk ) ) / ( m−k )
F= ( m)
Q E /(n−m−1)
(m )
სადაც Q E არის m ფაქტორულ ცვლადიან განტოლებაში აუხსნელი გაფანტულობა,
მიეკუთვნება თავისუფლების ( m−k ) და (n−m−1) ხარისხების მქონე F განაწილებას.

30
 2 2
დეტემინაციის კოეფიციენტი აღვნიშნოთ შემდეგნაირად Rm და Rk . მაშინ მოცემული ტოლობა
შეიძლება შემდეგნაირად გადავწეროთ:
( R 2m−R2k ) /(m−k )
F=
(1−R 2m)/ (n−m−1)
თუ მიღებული F დააკმაყოფილებს პირობას F> F კრ , სადაც F კრ არის ფიშერის განაწილებიდან
თავისუფლების ( m−k ) და (n−m−1) ხარისხების და მნიშვნელოვნების δ
დონით შერჩეული კრიტიკული სიდიდე, უარვყოფთ ნულოვან ჰიპოთეზას და ვადასტურებთ
მის ალტერნატივას, ეს ნიშნავს რომ ფაქტორთა მოცემული ერთობლიობის x k+1 , … , x m მოდელში
ჩართვა მნიშვნელოვანია. ხოლო თუ F< F კრ ვადასტურებთ ნულოვან ჰიპოთეზას და
რეგრესიის განტოლებაში დამატებითი ცვლადების ( x k+1 , … , x m ) ჩართვა სტატისტიკურად
არასანდოა.

დასკვნა

ეკონომეტრიკაში განვიხილეთ საქართველოში ბიზნეს სექტორში გასაყიდად

გამზადებული მომსახურებისა და პროდუქციის ყიდვათა მოცულობისა და ბიზნეს სექტორში
შრომითი დანახარჯების დამოკიდებულება საქართველოში ბიზნეს სექტორში გამოშვებული
პროდუქციის მოცულობასთან. მოვიძიე 2006-2020 წლის მონაცემები და ავაგე მრავლობითი
რეგრესიული განტოლება.

აგებული რეგრესიის განტოლებით, შეიძლება დავასკვნათ, რომ თუ ბიზნეს სექტორში

გასაყიდად განკუთვნილი პროდუქციისა და მომსახურების ყიდვების მოცულობა და
შრომითი დანახარჯები ნოლის ტოლია, ბიზნეს სექტორის გამოშვების მოცულობა 0.19274
მილიარდი ლარის ტოლია. ასევე ბიზნეს სექტორში გასაყიდად განკუთვნილი პროდუქციისა
და მომსახურების ყიდვების მოცულობის ერთი ერთეულით გაზრდის შემთხვევაში (თუ
ბიზნეს სექტორში შრომითი დანახარჯების მოცულობა უცვლელია) გამოშვების მოცულობა
იზრდება 0.38855 მილიარდი ლარით. ხოლო შრომითი დანახარჯების ყოველი ერთი
ერთეულით მომატების შემთხვევაში (როცა პროდუქციისა და მომსახურების ყიდვების
მოცულობა უცვლელია) გამოშვება იზრდება 3.12336 მილიარდი ლარით.

სტანდარტიზებული კოეფიციენტების გამოთვლის შედეგად კი შეიძლება ვთქვათ, რომ ბიზნეს

სექტორის პროდუქციის გამოშვების მოცულობაზე (შედეგობრივი Y ცვლადზე) X2 შრომის
დანახარჯები უფრო ძლიერ გავლენას ახდენს, ვიდრე X1 დაქირავებული მუშახელის
მოცულობა.

მიღებული განტოლების წევრთა მნიშვნელობები შევაფასეთ t სტატისტიკები, შედეგად კი

მივიღეთ, რომ tb1 და tb2 > tკრ, მიღებული შედეგები ჩავარდა კრიტიკულ არეში, ნულოვანი
ჰიპოთეზა უარყოფილია, β1≠0, β2≠0, სტატისტიკურად მნიშნელოვანი კოეფიციენტებია, ხოლო

31
tb0<tკრ, მიღებული მნიშვნელობა ჩავარდა ნულოვანი ჰიპოთეზის მიღების არეში, რაც
მიუთითებს იმაზე, რომ β0=0, იგი სტატისტიკურად სანდო არაა და მის შეფასებას აზრი
ეკარგება.

განტოლების მნიშვნელობა, ასევე, შევაფასეთ F-სტატისტიკითა და კორელაციის

კოეფიციენტით, რითიც დავადგინეთ, რომ რეგრესიის განტოლება სტატისტიკურად
მნიშვნელოვანია, ხოლო წრფივი კავშირი კი y-სა და რეგრესიის მოდელში ჩართულ ამხსნელ
ცვლადებს შორის ძლიერია.

გამოყენებული ლიტერატურა

 ანანიაშვილი ი. (2012). ეკონომეტრიკა. თბილისი. მერიდიანი.

 https://www.geostat.ge/ka/modules/categories/326/sacarmota-statistikuri-
gamokvleva ბიზნეს სექტორში გამოშვებული პროდუქციის მოცულობა,
ბიზნეს სექტორში გასაყიდად განკუთვნილი პროდუქციისა და
მომსახურების ყიდვები სმოცულობა, ბიზნეს სექტორში შრომითი
დანახარჯების მოცულობა.

 https://www.geostat.ge/media/41840/Business-sector-in-Georgia-2021.pdf

32