Professional Documents
Culture Documents
ინდივიდუალური პროექტი თეორია ჯალიაშვილი ქეთევანი 103
ინდივიდუალური პროექტი თეორია ჯალიაშვილი ქეთევანი 103
უნივერსიტეტი
ეკონომეტრიკა 1
ინდივიდუალური პროექტი
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
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
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
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.
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
შედეგად მივიღებთ-
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
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
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
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
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
9
Linest ფუნქცია
3.124361113 0.38854733 0.192737046
b2 b1 b0
მასთან ერთდ განვიხილოთ ნორმალურ განტოლებათა სისტემის პირველი განტოლება, რომლის n-ზე
გაყოფით მივიღებთ:
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
S y = √ Var ( y)=13.29621
S x =√ Var ( x1 )=11.17478
1
^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~2>b~1
შედეგობრივ ცვლადზე მეორე ფაქტორი უფრო ძლიერ გავლენას ახდენს, ვიდრე პირველი.
ჩვენს შემთხვევაში-
^y − y x j−x
შემოვიღოთ აღნიშვნა ω= , z j= j =1,2, … , m , რეგრესიის განტოლებას სტანდარტიზებულ
Sy Sx j
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 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
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
rx1y= 0.996318417
rx2y= 0.998310892
rx1x2= 0.994259275
12
ამ შემთხვევაში შეგვიძლია გამოვიყენოთ solver.
საშუალო ელასტიკურობა
შედეგობრივ ცვლადზე გავლენის ხარისხის მიხედვით რეგრესიის განტოლების ფაქტორული
ცვლადების მოწესრიგება საშუალო ელასტიკურობის კოეფიციენტის მეშვეობით ხდება.
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.
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;
u1
u
E 2 u1 u2 u n
cov(U , U ) E (UU T )
u
n
- - - - - - - - - - - - - - - - - - - - - - - - - - -
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
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
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
Vare=0.380896211
ჩვენ შეგვიძლია Var(e)- ს ნაცვლად განვიხილოთ Se^2.
18
=0.476120264
n-m-1 არის თავისუფლების ხარისხი
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
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
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.
ჩვენს შემთხვევაში, შეგვიძლია ვთქვათ, რომ tb2 1%-იანი მნიშვნელობის დონისთვისაც კი სანდოა.
21
ჩავთვალოთ, რომ 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
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
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.
ამისთვის საჭიროა:
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.
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
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
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
2 2
R (Ry, X )
აღსანიშნავია, რომ:
0.99784 0.9978
5= 45
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
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
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
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
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.
გამოყენებული ლიტერატურა
https://www.geostat.ge/media/41840/Business-sector-in-Georgia-2021.pdf
32