ივანე ჯავახიშვილის სახელობის თბილისის სახელმწიფო

უნივერსიტეტი

ეკონომიკისა და ბიზნესის ფაკულტეტი

სა

ეკონომეტრიკა 1

ინდივიდუალური პროექტი თემაზე

„უმუშევართა რაოდენობისა და სამუშაო ძალის გავლენა უმუშევრობის დონეზე“

სტუდენტი - ანრი გოგიაშვილი

ხელმძღვანელი - ნინო მიქიაშვილი

ასოცირებული პროფესორი,

ეკონომიკის დოქტორი

თბილისი

2022
სარჩევი
შესავალი.........................................................................................................................................................2
1.ნორმალურ განტოლებათა სისტემა და კოვარიაციული მატრიცა......................................................3
2.იდენტიფიცირება უმცირეს კვადრატთა და ვეტორულ-მატრიცული მეთოდით, ეკონომიკური
ინტერპრეტაცია.............................................................................................................................................5
3.სტანდარტიზაცია და წყვილურ რეგრესიაზე გადასვლა.....................................................................9
4. რეგრესიის კოეფიციენტების მნიშვნელოვნების შემოწმება.............................................................13
5. ერთი წრფივი შეზღუდვის ტესტირება................................................................................................19
6. დისპერსიული ანალიზის ძირითადი გაშლა და განტოლების მნიშვნელოვნება.........................22
7. ფაქტორის და ფაქტორთა ჯგუფის მნიშვნელოვნების შემოწმება...................................................28
დასკვნა..........................................................................................................................................................30
გამოყენებული ლიტერატურა...................................................................................................................31

შესავალი
ჩემი კვლევის მიზანს წარმოადგენს საქართველოში 2010-2021წლის სტატისტიკური მონაცემების
საფუძველზე უმუშევრობის დონეზე უმუშევართა საშუალო რაოდენობისა და სამუშაო ძალის
გავლენის დადგენა. ამ კვლევაში ენდოგენურ ცვლადს ანუ Y-ს წარმოადგენს უმუშევრობის დონე
.ეგზოგენური ცვლადებია უმუშევარი (1000 კაცი ) X1) და სამუშაო ძალა (1000 კაცი ) X2.
დაკვირვებათა რიცხვი შეაგენს 11-ს. (n=11,m=2).

ინდივიდუალური ნაშრომი 2
საჭირო სტატისტიკური მონაცემები მოვიძიე ,,საქართველოს სტატისტიკის
ეროვნულისამსახურის“ გვერდზეე.

რაც შეეხება ჩემს მოლოდინებს , მიმაჩნია , რომ უმუშევართა საშუალო რაოდენობასა და სამუშაო
ძალას აუცილებლად ექნება უდიდესი ეფექტი უმუშევრობის დონეზე.

1.ნორმალურ განტოლებათა სისტემა და კოვარიაციული მატრიცა

ეკონომეტრიკული კვლევა უნდა დავიწყოთ ნორმალურ განტოლებათა სისტემის
შედგენით.მრვლობითი რეგრესიის უმარტივესი ვარიანტისათვის მოდელს აქვს შემდეგი წრფივი
სახე: Yi=β0+β1x1i+β2x2i+ui. i=1,2,…,n. დაკვირვებათა ნორმის ინდექსი. β0,β1,β2 რეგრესიის
უცნობი პარამეტრები. ui შემთხვევითი წევრი.როგორც წყვილურ რეგრესიაში,მრავლობით
რეგრესიაშიც თეორიული მოდელიდან გადავდივართ შერჩევით მოდელზე.სადაც მოდელი
იღებს შემდეგ წრფივ სახეს: Yi=b0+b1x1i+b2x2i+ei . ან Ŷ=b0+b1X1+b2X2 .სწორედ ამ წრფივი
მოდელის საფუძველზე ვადგენთ ნორმალურ განტოლებათა სისტემას.

ნორმალურ განტოლებათა სისტემა შედგება სამი წრფივი განტოლებისაგან(სამივე უცნობი

კოეფიციენტისათვის)რომელსაც შემდეგი სახე აქვს:

ინდივიდუალური ნაშრომი 3
როდესაც სისტემა თვსებადია მას აქვს ერთადერთისწორიამონახსნი,რომლის მიღებაც
რამდენიმე გზით შეიძლება.

ჩვენს მაგალითში ნორმალურ განტოლებათა სისტემას აქვს შემდეგი სახე:

11 B0+B1 3460,8+B2 17486,7=217,2

B0 3460,8 B1 11977136,64 + B2 60517971,36= 751685,76

B0 17486,7 +B1 60517971,36 + B2 305784676,9 = 3798111,24

საიდანაც შეგვიძლია სამივე კოეფიციენტის დადგენა.

რაც შეეხება კოვარიაციული მატრიცის შედგენას:ის წარმოადგენს X1ის ,X2ისა და Yის

კოვარიაციული წყვილების ერთობლიობას.შედგება სამი-სამზე მატრიცა.

რომელიც ექვივალენტურია შემდეგი მატრიცის:

რომლის მეშვეობითაც მარტივად შეგვიძლია ხელითაც შევადგინოთ კოვარიაციული მატრიცა.

ჩვენს მაგალითში მას აქვს შემეგი ფორმა:

ინდივიდუალური ნაშრომი 4
   Y X1 X2
4,51702
Y 5    
83,7891 1654,36
X1 7 3  
1533,63 3216,58
X2 55,6 5 2

2.იდენტიფიცირება უმცირეს კვადრატთა და ვეტორულ-მატრიცული

მეთოდით, ეკონომიკური ინტერპრეტაცია
როდესაც შევადგენთ ნორმალურ განტოლებათა სისტემას,მის ამოსახსნელად რამდენიმე
მეთოდი არსებობს.ერთ-ერთი ყველაზე მოსახერხებელია მზა ფორმულების გამოყენება. მათ
შორის ერთ-ერთი მეთოდია იდენტიფიცირება უმცირეს კვადრტთა მეთოდით.რომლის
შემთხვევაშიც სამივე კოეფიციენტს აქვს შემდეგი ფორმულა:

ამ ფორმულების გამოყენებით შეგვიძლია გამოვთვალოთ ორფაქტორიანი წრფივი რეგრესიული

მოდელის კოეფიციენტების შეფასებები. ჩვენს მაგალითში მას აქვს შემეგი სახე:

b1 0,062048648
b2 -0,012298772
b0 19,77517959

ინდივიდუალური ნაშრომი 5
კოეფიციენტების გამოთვლისშემდეგ შეგვიძლია ჩავწეროთ რეგრესიის იდენტიფიცირებადი
განტოლება, რომელსაც ჩვენს მაგალითში შემდეგნაირად გამოვსახავთ:

ŷ=19,77517959-0,01229877X1+0,062048647948X2
აღსანიშნავია,რომ წყვილურ და მრავლობით რეგრესიაში კოეფიციენტების სხვადასხვა
მნიშვნელობები აქვთ.წყვილური რეგრესიის მოდელის კოეფიციენტი საკმაოდ მეტია
მრავლობითი რეგრესიის მოდელის კოეფიციენტზე.ეს იმიტომ ხდება,რომ მრავლობთ
რეგრესიაში ენდოგენურ ცვლადზე მოქმედი სხვადსხვა ეგზოგენური ცვლადების
ერთმანეთისგან გამიჯვნა ხდება.

კოეფიციენტების იდენტიფიცირების კიდევ ერთ მეთოდს წარმოდგენს ვექტორულ-მატრიცული

ფორმა. ამ მეთოდის გამოყენებისას განსაკუთრებით მოსახერხებელია შებრუნების მეთოდით
მისი წარმოდგენა.ამ დროს ვადგენთ m+1 უცნობისაგან და ამდენივე წრფივი განტოლებისაგან
შემდგარ სისტემას. ამისათვის წინასწარ ვადგენთ რეგრესიის და სისტემების მატრიცულ
ფორმებს.რომლებიც ზოგადად ასე გამოიყურება:

მატრიცებზე მოქმედებების შედეგად მივიღებთ ნორმალურ განტოლებათა სისტემის

ამოხსნას,რომელსაც შემეგი სახე აქვს:

მის მისაღებად საჭიროა გამოვთვალოთXTX მატრიცა,შემდეგ მისი შებრუნებული მატრიცა და XT

მატრიცის ნამრავლი Y ვექტორ-სვეტზე.

ჩვენს მაგალითში ის ასე გამოიყურება:

11 3460,8 17486,7
3460,8 1107028,6 5518503,75
17486,7 5518503,75 27833989,39
ინდივიდუალური ნაშრომი 6
მისი შებრულებული მატრიცაა:

90,87024 0,043658826 -0,06574523

0,043659 9,84781E-05 -4,6953E-05
-0,06575 -4,69534E-05 5,06496E-05

ხოლო XTY მატრიცის ზოგადი სახე შემდეგნაირად გამოიყურება:

ის მიიღებს სამი-ერთზე მატრიცის სახეს.

217,2
69256,75
345894,4

ჩვენს მაგალითში კი:

საბოლოოდ კი ვიყენებთ უკვე აღნიშნულ ფორმულას: და მივიღებთ, რომ

კოეფიციენტები ტოლია:

19,7751
8 B0
0,06204
9 B1
-0,0123 B2

ნთლად ჩანს,რომ ორივ მეთოდით კოეფიციენტების ერთი და იგივე მნიშვნელობა მივიღეთ,რაც

ამოხსნის სისწორეს ადასტურებს.

რაც შეეხება Linest ფუნქციას,მისი მეშვეობით მარტივად შეგვიძლია მრავლობითი

რეგრესიიდან წყვილურ რეგრესიზე გადასვლა. ასევე შეგვიძლია ერთი წრფივი შეზღუდვის
ტესტირება გარდაქმნილი განტოლების გამოყენებით. ფუნქციის საშუალებით კიდევ

ინდივიდუალური ნაშრომი 7
შესაძლებელია კოეფიციენტების ფორმულირება.

.დაკვირვებაში ყოველი ახალი ფაქტორის ჩართვა ლოგიკურად გამოიწვევს ყველა მონაცემის

ცვლილებას.როგორც უკვე განვიხილეთ წყვილური რეგრესიის მოდელიდან მრავლობით
რეგრესიის მოდელზე გადასვლის შემთხვევაში.შეუცვლება კოეფიციენტების
მნიშვნელობები,რაც გამოიწვევს მასზე დამოკიებული ყველა მონაცემის ცვლილებას.

3.სტანდარტიზაცია და წყვილურ რეგრესიაზე გადასვლა

მრავლობითი რეგრესიის განტოლების გამოსახვა მარტივად შეგვიძლია მისი
სტანდრტიზებული მასშტაბის მოდელად,რომელსაც ორი ხერხით ვითვლით:(განვიხილოთ
ორფაქტორიანი მოდელის მაგალითზე)

ა) როდესაც რეგრესიის განტოლება ჩვეულებრივი (ნატურალური ფორმით) არის მოცემული,ეს

საქმეს მეტად აადვილებს.ამისათვის რამდენიმე ეტაპი უნდა გავიაროთ:თავდაპირველად
ჩავწეროთ უმცირეს კვადრატთა მეთოდის გამოყენებით შერჩევითი
განტოლება:Ŷ=b0+b1X1+b2X2.შემდეგ გამოვთვალოთ ენდოგენური ცვლადის საშუალო,რომელიც
შემდეგნაირად გმოიყურება:

შემდეგ ნაბიჯზე,ვითვლით (ŷ-Ῡ),რომელსაც შმდეგი სახე ექნება:

.ამის შემდეგ კი მიღებული გამოსახულების ყველა კომპონენტს

ვყოფთ Syზე ,ასევე ვამრავლებთ და ვყოფთ შესაბამის კომპონენტს Sx1-სა და Sx2ზე.ჩვენი
გამოსახულება მიიღებს შემდეგ ფორმას:

ამ გამოსახულებაში წარმოადგენენ თავდაპირველდმოცემული

ცვლადების სტანდარტიზებულ ცვლადებს,ხოლო b1*(SX1/Sy ) და b2*(Sx2/Sy) წარმოადგენენ
რეგრესიის სტანდრტიზბულ კოეფიციენტებს.საბოლოოდ აღნიშვნების შემოღების შემდეგ ჩვენი
რეგრესიის გნტოლება სტანდარტიზებულ მასშტაბში შემდეგნაირად ჩაიწერება:

ინდივიდუალური ნაშრომი 8
ჩვენს მაგალითში კი აღწერილი გმოსახულებების მნიშვნელობებია:

1,1874669
b1~ 5
b2~ -0,3281956
b1~>b2~
Z1 -313,12636
Z2 -1588,6878
სტანდარტიზირებული განტოლება
ჩვეულებრივი ფორმით          
149,57322
ω
4

ბ)მეორე შემთხვევაში რეგრესიის განტოლება ჩვეულებრივი (ნატურალური) ფორმით არ არის

აგებული.ამ დროს ვიყენებთ ნორმალირ განტოლებათა სისტემის მეორე და მესამე
გნტოლებას.რომელთაც შემდეგ სახეს ვაძლევთ:

შემდეგ სისტემის პირველი განტოლების ყველა წევრს ვყოფთ Sx1 Sy ზე,ხოლო მეორე
განტოლებას ვყოფთ Sx2 Sy ზე.ჩვენთვის ასევე ცნობილია შემდეგი ტოლობა:

თუ ერთდროულად შევასრულებთ აღნიშნულ გაყოფებს და ასევე გავითვალისწინებთ

მოცემულტოლობას,მივიღებთ შემდეგ სისტემას:

ინდივიდუალური ნაშრომი 9
როდესაც გვეცოდინება კორელაციის კოეფიციენტები,ანუ ryx1 ryx2 შევძლებთ განტოლებათა
სისტემის ამოხსნით რეგრესიის სტანდარტიზებულ კოეფიციენტების გამოთვლას.

ჩვენს მაგალითში ეგ გამოთვლები შემდეგი სახისაა:

0,96927
rx1y 3
0,46126
rx2y 6
0,66482
rx1x2 8

b1~+b2~
სისტემა rx1x2=rx1y   b1~+0,664828b2~=0,969273
: b1~ b1~*0,664828+b2~=0,46126
rx1x2+b2~=rx2y   6

რადგან b1~ > b2~ , X2 ფაქტორს

დასკვნ
ამოვიღებთ მოდელიდან და დავტოვებთ
ა:
X1-ს.

ენდოგენურ ცვლადზე ფაქტორთა გავლენის ხარისხის დადგენა შეგვიძლია საშუალო

ელასტიკურობის მეშვეობითაც. რომლისთვისაც ვიყენებთ შემდეგ ფორმულას:

ეკონომიკური შინაარსით,საშუალო ელასტიკურობის კოეფიციენტი გვიჩვენებს რმდენი

პროცენტით შეიცვლება შედეგობრივი ცვლადის საშუალო მნიშვნელობა ფაქტორული ცვლადის
მნიშვნელობის 1%ით ცვლილების დროს.რომელი ფაქროტის ელასტიკურობის კოეფიციენტიც
მეტია,მას მეტად დიდი გავლენა აქვს შედეგობრივ ცვლადზე.

ინდივიდუალური ნაშრომი 10
 ელასტიკურობ
ა
X
1 0,988665
X
2 -0,99017

X1ის ელასტიკურობა
მეტია,შესაბამისად მას უფრო
დიდი გ გავლენა აქვს
yზე,ვიდრე X2ს.ეს კიდევ ერთხელ
ადასტურებს ჩვენ მიერ
დაწერილ დასკვნას.

განტოლების სტანდარტიზირებული ფორმის მეშვეობით ვდგენთ რომელი ფაქტორია მეტად

მნიშვნელოვანი კვლევის პროცესში და რომლის უგულებელყოფა შეგვიძლია,ისე რომ ნაკლებად
შევცვალოთ დაკვირვების შედგები.ასევე იმსათვის რომ მატრივი შესადარი სახე მივცეთ ჩვენს
გამოსახულებას.

მას შემდეგ რაც დავადგენთ რომელ ფაქტორს აქვს მეტად დიდი გავლენა შედეგობრივ
ცვლადე,შეგვიძლია მრავლობით რეგრესიიდან გადავიდეთ
მარტივ(წყვილურ)რეგრესიაზე.ამისათვის ნაკლებმნიშვნელოვანი ცვლადი უნდა ამივგოთ
გნტოლებათა სისტემიდან.ჩვენს შემთხვევაში,ვინაიდან X1 ფაქტორი მეტად მნიშვნელოვანი
აღმოჩნდა,სწორედ მას ვტოვებთ გამოსახულებასში.რის შემდეგაც აქამდე არსებული
განტოლებათა სისტემა ŷ=19,77517959-0,01229877X1+0,062048647948X2

მიიღებს შემდეგ სახეს: ŷ=19,77517959-0,01229877X1

რომლისთვისაც შეგვიძლია ყველა კოეფიციენტის გამოთვლა,როგორც წყვილური რეგრესიის

მოდელისათვის.

ინდივიდუალური ნაშრომი 11
4. რეგრესიის კოეფიციენტების მნიშვნელოვნების შემოწმება
გამოთვალეთ სტანდარტული შეცდომები

თუ:

ა)როდესაცმოდელი მოცემულია ვექტორულ-მატრიცული ფორმით, მოდელის კოეფციენტების

განსაზღვრისათვის ვიყენებთ შემდეგი ფორმულებს

: 2 T −1
Cov( B , B )=Se ( X X )
2 2 2 2 2 2
S b0=S e a00 , S b1=S e a11 , S b2=Se a22
2
Var(b j )=S e a jj
მოცემული მონაცემების შედეგად მივიღებთ ჩვენთვის მნიშვნელოვან კოეფიციეტების
სტანდარტულ შეცდომებს:

Sb1 2,4801E-07

ინდივიდუალური ნაშრომი 12
 Sb2 1,27557E-07
0,47838295
Sb0 7

ბ) კოეფიციენტების სტანდარტული შეცდომების გამოთვლა,როდესაც m=2,შეგვიძლია

ვრიაციების შემდეგი ფორმულების გამოყენებითაც:

რა თქმა უნდა,პასუხს იგივეს მივიღებთ.ამ ფორმულებით ვიგებთ, რომ რეგრესიის b0,b1,b2

პარამეტრების დისპერსიებზე და სიზუსტეზე გავლენას ახდენს ნარჩენობითი წევრის
დისპერსია Se2, დაკვირვებათა რიცხვი n, ამხსნელ ცვლადთა შერჩევითი დისპერსიები და
კორელაციური კავშირი მოცემულ ცვლადებს შორის. რეგრესიის კოეფიციენტების გამოთვლის
სიზუსტე მეტად მაღალია,რამდენადაც: 1)მცირეა ნარჩენობითი დისპერსია S2e, 2) დიდია
დაკვირვებათა რიცხვი შერჩევაში; 3) დიდია ამხსნელ ცვლადთა დისპერსიები; 4)ნაკლებად არის
ამხსნელი ცვლადები ერთმანეთთან დაკავშირებული, ანუ რაც მცირეა კორელაციის
კოეფიციენტი rx1x2

წყვილურ რეგრესიასთან მიმართებაში განსხვავება ისაა, რომ წყვილურ რეგრესიაში

დისპერსიის სიდიდე და კოეფიციენტეის შეფასების სიზუსტე დამოკიდებული იყო სამ
ფაქტორზე: პირდაპირპროპორციულია: შემთხვევითი წევრის დისპერსია;

უკუპროპორციულია:1)დაკვირვების რიცხვი 2.)დამოუკიდებელი ფაქტორის დისპერსია.

ჩვენთვის კარგად არის ცნობილი შემდეგი სახის მატრიცები:

1.კოვარიაციული მატრიცები:

ა) შემთხვევითი წევრების კოვარიაციული მატრიცა- გაუს-მარკოვის მე-2 ძირითადი დაშვების

შესაბამისი მატრიცული ჩანაწერი იქნება,

E (U )  0 n ანუ ვღებულობთ ნულოვან ვექტორს
რაც შეეხება მე-3 და მე-4 დაშვებებს, შესაძლებელია მათი ერთ მატრიცულ გამოსახულებაში
გაერთიანება.თუ ჩვენ შემოვიღებთ რეგრესიის მოდელის შემთხვევითი წევრების
კოვარიაციულ მატრიცას cov(U), რომელიც შემდეგნაირად განიმარტება

ინდივიდუალური ნაშრომი 13
cov(U ,U )  E[(U  E (U ))(U  E (U )) T ]  E (UU T )
 u1    E (u 2 ) E (u1u 2 )  E (u1u n ) 
     1

 u   E (u u ) E (u 2
)  E ( u u ) 
 E  u1 u 2  u n  
2
 2 1 2 2 n

   - - - - - - - - - - - - - - - - - - - - - - - - - - -
    
 u n    E (u n u1 ) E (u n u 2 )  E (u n )  2

 var (u1 ) cov(u1 , u2 )  cov(u1 , u n ) 

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

ადვილად შევმჩნევთ,რომ მე-4 დაშვების თანახმად

cov(U ,U )  E (UU T ) არის
დიაგონალური მატრიცა, ხოლო მე-3 დაშვების თანახმად
E (UU T ) დიაგონალზე მდგარი

ელემენტები ერთმანეთის ტოლია და მათი მნიშვნელობაა u მაშასადამე, თუ n*n  2

განზომილებიან ერთეულოვან მატრიცას In-ით აღვნიშნავთ, მაშინ მე-3 და მე-4 დაშვებას შემდეგი

მატრიცული ჩანაწერი შეესაბამება cov(U)=

E (UU T )   u2 I n

ბ) რეგრესიის კოეფიციენტების კოვარიაციული მატრიცა-მრავლობით რეგრესიაში

კოეფიციენტების გამთვლის სიზუსტე დამოკიდებულია კოვარიაციული მარტიცის შედგენაზე.

B ვექტორის bj, j=0,1,…,m ელემენტების დისპერსიების გამოსათვლელად ვიყენებთ

კოვარიაციულ მატრიცას
cov(B ) და იგი განისაზღვრება შემდეგნაირად
     
cov( B, B )  E[( B  E ( B ))( B  E ( B )) T ] 
 
 E[( B  B )( B  B ) T ] 
 b0   0  
  
  b1  1 
E  b   0 b1  1  bm   m  
   0 
  

 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 

ინდივიდუალური ნაშრომი 14
   00  01   0 m 
 
  11   1m 
  10 .
-----------------
 
 
 m 0  m1   mm 
მაშინ ადვილად შევნიშნავთ, რომ მოყვანილი მატრიცის მთავარ დიაგონალზე მდგარი
 jj  E[(b j   j ) 2 ]   b2 , j  0,1,, m
ელემენტები b0,b1,…,bm შეფასებების დისპერსიებია j

არადიაგონალური წევრები l j
 l E[(b   )(b   )]
l j j რეგრესიის კოეფიციენტებს
შორის დამოკიდებულების მახასიათებლებია. აღსანიშნავია , რომ რეგრესიის

კოეფიციენტების შეფასებების კოვარიაციული მატრიცის
cov(B ) -ს საშუალებით შეიძლება
გამოვთვალოთ bi და bj შეფასებებს შორის წრფივი კავშირის სიმჭიდროვის მახასიათებელი -
l j
b b j 
l
 ll jj
ნკორელაციის კოეფიციენტი, რომელიც შემდეგი სახით მიიღება

თუ
cov(B ) მატრიცას შემდეგნაირად გარდავქმნით
   
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 } 
T
 (X X ) 1 X T
E (UU T
) X [( X T
X ) 1 ] T

რადგანაც
E (UU T )   u2 I n და სიმეტრიულობის გამოც [( X T X ) 1 ]T  ( X T X ) 1
 
მივიღებთ, რომ
cov( B , B)   u2 ( X T X ) 1 .ეს გამოსახულება გვიჩვენებს, რომ (XTX)-1

მატრიცის საშუალებით რეგრესიის კოეფიციენტების შეფასებების B ვექტორთან ერთად
გამოითვლება ამ შეფასებების დისპერსიები და მათ შორის არსებული კოვარიაციები.

გ) სიმეტრიული კოვარიაციული მატრიცა

ინდივიდუალური ნაშრომი 15
 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 
მატრიცის დიაგონალზე მოცემულია ვარიაციები ,ხოლო არადიაგონაზე- კოვარიაციები

დ)გაფართოებული კოვარიაციული მატრიცა

 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 ) 

კოვარიაციულ და გაფართოებულ კოვარიაციულ მატრიცებს შორის განსხვავება:

გაფართოებული კოვარიაციული მატრიცა მოცულობით უფრო დიდია და შესაბამისად უფრო
მეტი სვეტისა და სტრიქონისგან შედგება ვიდრე კოვარიაციული მატრიცა,
ამასთანავე,გაფართოებულ კოვარიაციულ მატრიცაში ვხვდებით y-ცვლადსაც.

რეგრესიის კოეფიციენტების შერჩევითი დისპერსიების S2jb , ცოდნა საშუალებას გვაძლევს

უმცირეს კვადრატთა მეთოდით მიღებული bj, პარამეტრების სტატისტიკური მნიშვნელოვნებები
შევაფასოთ.მრავლობითი რეგრესიის კლასიკური მოდელის ფარგლებში შეფასების ეს პროცესი
ხორციელდება მე-6 დაშვების გათვალისწინებით, რომლის თანახმადაც შემთხვევითი წევრების U
ვექტორის ელემენტები ნორმალურად განაწილებული სიდიდეებია.

კოეფიციენტების შეფასება ხდება t-ტესტის მეშვეობით ანუ სტიუდენტის განაწილების

bj   j
tb j  ,
Sb j
მეშვეობით რომელსაც აქვს შემდეგი სახე , n-m-1 თავისუფლების

H 0 :  j   j0  j0  0
ხარისხით. შემდეგ ვაყალიბებთ ნულოვან ჰიპოთეზას , და
H1 :  j   j0
ალტერნატიულ ჰიპოთეზას .

სტიუდენტის განაწილების ცხრილიდან მნიშვნელოვნების  დონითა და თავისუფლების n-m-1

ხარისხით ვპოულობთ კრიტიკულ წერტილს,

ინდივიდუალური ნაშრომი 16
 | t b j | tkr
როცა ნულოვანი ჰიპოთეზა მიიღება და კოეფიციენტი სტატისტიკურად
არამნიშვნელოვანია.

კოეფიციენტების მნიშნელოვნება შეამოწმება 5%-იანი მნიშვნელოვნების დონით და

თითოეულის ნდობის ინტერვალი.

მრავლობითი რეგრესიის მოდელის, კოეფიციენტების ნდობის ინტერვალის განსაზღვა

| t b j | tkr
ეფუძნება იმის ალბათობა, რომ უნდა იყოს 1--ს ტოლი, აქედან
გამომდინარეობს რომ βj კოეფიციენტი 1- ნდობის ალბათობით შემდეგ საზღვრებში უნდა

b j  t n  m1,  / 2 S b j   j  b j  t n  m 1,  / 2 S b j
იმყოფებოდეს.

კრიტიკული წერტილი უნდა მოვძებნოთ მნიშვნელოვნების დონისა და თავისუფლების m-n-1

ხარისხის მიხედვით სტიუდენტის განაწილებით.თუ |tb|<tკრ მაშინ შესაფასებელი სიდიდის t
სტატისტიკა მოხვდა ჰიპოთეზის მიღების არეში, რაც იმაზე მიუთითებს, რომ ნულოვანი
ჰიპოთეზა მისაღებია ანუ შესაფასებელი კოეფიციენტი ნულის ტოლია შესაბამისად, იგი
მნიშვნელოვანი (საიმედო) არ არის. თუ|tb |>tკრ, მაშინ შესაფასებელი სიდიდის t
სტატისტიკა მოხვდა კრიტიკულ არეში რაც იმაზე მიუთითებს, რომ უნდა უარვყოთ
ნულოვანი ჰიპოთეზა და მივიღოთ ალტერნატიული. ანუ იგი მნიშვნელოვანია
(საიმედოა) . მნიშვნელოვნების მოცემული დონის შემთხვევაში.

ჩვენს მაგალითში

ჰიპოთეზა
H0: B0=0
H1:B0≠0

თუ H0 ჰიპოთეზა მართებულია, მაშინ

t b0=b0/Sb0  
41,3375
t b0 5 >2,306

დასკვნა

t b0>tკრ,რაც ნიშნავს,რომ B0 სტატისტიკურად

მნიშვნელოვანია.უარვყოფთ H0ჰიპოთეზას და
მივიღებთ H1ს

ნდობის ინტერვალი

ინდივიდუალური ნაშრომი 17
b0-
tკრ*Sb0<β0<b0+tკრ*S
b0    
< β0 20,8783
18,67203 < 3

ჰიპოთეზა
H0: B1=0
H1:B1≠0

თუ H0 ჰიპოთეზა მართებულია,
მაშინ      
t b1=b1/Sb1
250186,
t b1 1 >2,306

დასკვნა

t b1>tკრ,რაც ნიშნავს,რომ B0 სტატისტიკურად

მნიშვნელოვანია.უარვყოფთ H0ჰიპოთეზას და მივიღებთ
H1ს

ნდობის ინტერვალი
b1-tკრ*Sb1<β1<b1+tკრ*Sb1
< β1 0,06204
0,062048 < 9

ჰიპოთეზა
H0: B2=0
H1:B2≠0

თუ H0 ჰიპოთეზა მართებულია,
მაშინ      
t b2=b2/Sb2
-
96417,
t b2 6 <2,306

დასკვნა

t b2<tკრ.რაც ნიშნავს,რომ B2 არ რის სტატისტიკურად

მნიშვნელოვანი.მივიღებთ H0 ჰიპოთეზას.

ინდივიდუალური ნაშრომი 18
ნდობის ინტერვალი
b2-tკრ*Sb2<β2<b2+tკრ*Sb2
-
<β2 < 0,01229
-0,0122991 8

* განსხვავება კოეფიციენტის სტატისტიკურ და ეკონომიკურ მნიშვნელოვნებას შორის:

სტატისტიკური მნიშვნელოვნება მოწმდება ნულოვანი ჰიპოთეზის საფუძველზე, ხოლო

ეკონომიკური მნიშვნელოვნება კი ეკონომიკური თეორიისა და საღი აზრის საფუძველზე.
ჩატარებული კვლევის თანახმად X2 ცვლადი, რომლის შესაბამისი კოეფიციენტი b2
მნიშვნელოვანი არ არის, რეგრესიის განტოლებიდან უნდა გამოირიცხოს, მაგრამ ზოგჯერ
დასაშვებია, რომ სტატისტიკურად არამნიშვნელოვანი ერთი ან რამდენიმე ამხსნელი ცვლადი,
რეგრესიის განტოლებაში დარჩეს, თუკი ამას ეკონომიკური თეორია მიუთითებს. ჩვენ
შემთხვევაში X2 ცვლადი, მიუხედავად იმისა, რომ რაიმე არსებით გავლენას არ ახდენს
დამოუკიდებელ Y ცვლადზე, შეიძლება განტოლებიდან არ გამოვრიცხოთ, რადგანაც
ეკონომიკური თეორიის თანახმად,სავალუტო კურსის ცვლილება მნიშვნელოვან გავლენას
ახდენს სესხებზე. სწორედ ამიტომ, ერთმანეთისგან უნდა განვასხვაოთ სტატისტიკურად და
ეკონომიკურად მნიშვნელოვანი ცვლადები და კოეფიციენტები.

* რაზე მიუთითებს უტოლობა |t b |>1

j

მოცემული უტოლობა მიუთითებს იმ გარემოებაზე,რომ როცა კოეფიციენტის მნიშვნელობა

აღემატება სტანდარტულ გადახრას, მაშინ ის 1-ზე მეტია და აღნიშნული კოეფიციენტი
სტატისტიკურად სანდოა.

ინდივიდუალური ნაშრომი 19
5. ერთი წრფივი შეზღუდვის ტესტირება
როდესაც გვსურს მაკროეკონომიკური მოდელი შევისწავლთ,ხანდახან ხდება ისეც,რომ მხოლოდ
კოკრეტულ ფაქტორების სტატისტიკური მნიშვნელოვნების შემოწმება არასაკმარისა.როდესაც
მოდელის შეფასების პროცესში ეჭვი გვაქვს მასშტაბის ეფექტის არსებობაზე,საჭიროა
შევამოწმოთ აკმაყოფილებენ თუ რა კოეფიციენტები წრფივი შეზღუდვის შემდეგ ნულოვან
ჰიპოთეზას: H0:β1+β2=1 .ასევე აღსანიშნავია,რომ გვხვდება სხვადასხვა კერძო შემთხვევებიც
ერთი შეზღუდვისა.ზოგადი სახით კი ვიყენებთ სკალარულ სიდიდე c- ს კოეფიციენტეის
ტოლობისათვის.მაგალითად,მე განვიხილე შეზღუდვუს შემდეგი ნულოვანი ჰიპოთეზა:
H0:β1+β2=2 ნულოვანი ჰიპოთეზის შემოწების ორი გზა არებობს,ესენია:

ა) t სტატისტიკით ვექტორულ-მეტრიცული ელემენტების გამოყენებით;

ბ) გარდაქმნილი განტოლების მიხედვით

დავიწყოთ ა)- განხილვით.ამ შემთხვევაში ნულოვანი ჰიპოთეზის ვექტორული ფორმით ჩაწერაა

საჭირო, რომელიც ასე გამოიყურება:

ინდივიდუალური ნაშრომი 20
П =(0 1 1) მატრიცის.ასევე გვჭირდება Cov(B^)ის გამოთვლა,რომელიც ტოლია:

B^ წარმოადგენს b0,b1,b2,…bm კოეფიციენტების ვექტორ-სვეტს.

ნულოვანი ჰიპოთეზის მნიშვნელოვნების შესამოტმებლად ვიყენებთ სტიუდენტის

სტატისტიკას.5%იანი მნიშვნელოვნების დონით და n-m-1 თავისუფლების
ხარისხით.ჰიპოთეზის მნიშვნელოვნებას ვამოწმებთ შემდეგი ფორმულით

მიღებულ შედეგს კი ვადარებთ tკრიტიკულს,რომლის მოძებნაც შეგვიძლია სტიუდენტის

განაწილების ცხრილში.

ჩვენს მაგალითში დაკვირვებათა რიცხვიტოლია 11ის,აქედან გამომდინარე tკრ=2,306

ამოხსნა: 0
п=
c=2 пT=(0 1 1) 1

B^= 19,77517959 0,01229877 0,062048648 1

t სტატისტიკის დასადგენად ვიყენებთ შემდეგ

ფორმულას:

თავდაპირველად გამოვთვალოთ ფორმულის

მნიშვნელი:

-1,925652582

ახლა გამოვთვალოთ მრიცხველი:

ინდივიდუალური ნაშრომი 21
 -0,950250124

საბოლოოდ გვექნება: 2,026469172 <2,306 tკრ

დასკვნა:

მივიღეთ,რომ t სტატისტიკა ნაკლებია tკრიტიკულზე.ამიტომ,შეგვიძლია

ვთქვათ,რომ ნულოვნი ჰიპოთეზა წრფივი შეზღუდვის შესახებ
დადასტურებულია.

ბ) tტესტის ჩატარება და ნულოვანი ჰიპოთეზის შემოწმება შეგვიძლია წრფივი მოდელის

გარდაქმნითაც.რაც საშუალებას გვაძლევს თითოეული კოეფიციენტის მიმართ განვიხილოთ
მარტივი ტიპის შეზღუდვები.თუ მანამდე რეგრესიის განტოლებას ჰქონდა შემდეგი სახე:
Yi=β0+β1x1i+β2x2i+ui. ,გარდაქმნის შემდეგ ის ასე გამოიყურება:

რის შემდეგაც შეგვიძლია b~ და Sb~ გამოთვლა და უკვე კარგად ცნობილი სტატისტიკის

ჩატარება.b~=(b1+b2) . ჩვენს შემთხვევაში ის შემეგნაირად გამოიყურება

b~=b1+b 0,0497
2 5 X1-X2 X2
-
0,9623
Sb~ 9 -1255 1629
-1308,4 1675,6
-1294,6 1653,8
H0 ჰიპოტეზის შესაბამისი t სტატისტიკა იქნება: -1286,9 1641,4
2,02646
t=(b~-2)/Sb~ 9 -1296,2 1605,2
-1295,9 1572,8
დასკვნა
: -1241,8 1523,7
გარდაქმნილი განტოლების გამოყენების -1217,4 1533,6

ინდივიდუალური ნაშრომი 22
 -1201,1 1490,7
-1269,9 1551,5
შემდეგაც მივიღეთ t სტატისტიკის იგივე -1358,7 1609,4
მნიშბნელობა,რომელიც ნაკლებია
tკრიტიკულზე.ამიტომ ვადასტურებთ H0
ჰიპოთეზას.

რა თქმა უნდა,ორივე მეთოდით ერთსა და იმავე პასუხამდე მივდივრთ.და ვადასტურებთ

ნულოვან ჰიპოთეზს.

6. დისპერსიული ანალიზის ძირითადი გაშლა და განტოლების

მნიშვნელოვნება
რეგრესიის განტოლების მნიშვნელოვნება შეგვიძლია შევამოწმოთ რამდენიმე ეკვივალენტური
გზის გამოყენებით.ესენია:

ა) დისპერსიული ანალიზის

ბ) დეტერმინაციის გადაადგილებული და გადაუადგილებელი (კორექტირებული)

კოეფიციენტები

გ)მრავლობითი კორელაციის კოეფიციენტი

ა)დისპერსული ანალიზი ეფუძნება ჩვენთვის კარგად ცნობილ დისპერსიულ გაშლას:

ინდივიდუალური ნაშრომი 23
რომელიც იგივეა რაც: Q=QR+QE.როგორც წყვილურ რეგრესიაში,ისე მრავლობითში Q არის
ედეგობრივი ცვლადის მთლიანი გაფანტულობა, QR -რეგრესიის განტოლებით ახსნილი
გაფანტულობა,ხოლო QE -ე.წ. აუხსნელი გაფნტულობა,რომელიც რეგრესიის განტოლების
გარეთ დარჩენილი გრემოებებითაა განპირობებული.აღსანიშნავია თავისუფლების
ხარისხებიც:მთლიანი გაფანტულებისათვის n-1,ახსნადი გფანტულობისათვის m,ხოლო
აუხსნადი გაფანტულობისათვის n-m-1. დისპერსიული ანალიზის მნიშვნელოვნების შემოწმება
ხდება Fტესტის საშუალებით.(ფისერის განაწილება) როდესაც F>Fკრ ,მაშინ ჩვენ უარვყოფთ
ნულოვან ჰიპოთეზას და რეგრესიის მოდელს მნიშვნელოვნად ვაღიარებთ.Fტესტის
მნისვნელობის გამოსათვლელად ვიყენებთ:

ჩვენს მაგალითში დისპერსიული ანალიზი ასე გამოიყურება:

Q=Qr+Q
e
0,0201474
Qe 33
3,90799E-
Qr 14
0,0201474
Q 33

ბ)მრავლობითი რეგრესიის განტოლების შეფასება შესაძლებელია დეტერმინაციის

კოეფიციენტის მეშვეობითაც.როგორც წყვილურში,ასევე მრავლობით რეგრესიაში
დეტერმინაციის კოეფიციენტის აღნიშნავს ახსნილი გაფნტულობის წილს მთლიან
გაფანტულობაში.R2 გამოუთვლება შემეგნაირად:

ასევე :

ინდივიდუალური ნაშრომი 24
დეტერმინაციის კოეფიციენტი აკმაყოფილებს შემდეგ პირობას:0≤R2≤1

როდესაც yის გაფანტულობის მნიშვნელოვანი ნაწილი ახსნილია რეგრესიის განტოლებით,მაშინ

R2 ახლოსაა ერთთან.როდესაც yის გაფაბტულობა შერჩეული გაფანტულობის ირგვლივ
ნაკლებად განსხვავდება საშუალოს ირგვლივ გაფანტულობისგან,მაშინ კოეფიციენტი ნულსა და
ერთს შორისაა. დეტერმინაციის კოეფიციენტს 0სა და 1ის ტოლი მნიშვნელობების მიღება
შეუძლია მაშინ,თუ რეგრესიიდან გადახრის ყველა e=0(R2=1).ან როდესაც შეარებითი რეგრესიის
განტოლება დამატებით არაფერს ხსნის(R2=0)

როდესაც რეგრესიის მოდელში თავისუფალი წევრი არ გვაქვს,დეტერმინაციის კოეფიციენტის

გამოათვლელად გამოიყენება არაცენტრირებული ვარიანტი.რომლის მეშვეობით დათვლილი
მნიშვნელობა აღემატება სტანდარტული გზით დათვლილ მნიშვნელობას. ის გამოითვლება
შემდეგი ფორმულებით:

ჩვენს მაგალითში დეტერმინაციის კოეფიციენტი ტოლია:

R^2=Qr/
Q
1,93969E-
R^2 12

გარდა დეტერმინაციის კოეფიციენტისა,ჩვენ შეგვიძლია გამოვთვალოთ კორექტირებული

დეტერმინაციის კოეფიციენტი. მისი გამოთვლა საჭიროა რადგნ,პრაქტიკაში ისეც ხდება,რომ
რეგრესიის ცუდად განსაზღვრულ მოდელს დეტერმინაციის კოეფიციენტის მაღალი
მნიშვნელობა შეესაბამება და ის არ გამოდგება სწორი დასკვნების გაკეთებისთვის.ფაქტორული
ცვლადების რიცხვის ზრდის მიუხედავად არ იცვლება დეტერმინაციის კოეფიციენტი,ამის
თავიდან აცილების მიზნით კი ვახდენთ დეტერმინაციის კოეფიციენტის კორექტირებას.ის R2ის
შერჩევითი კოეფიციენტია და თეორიული მნიშვნელობისათვის გადაუადგილებელი
შეფასებაამისი გამოთვლა შემდეგნაირად შეგვიძლია:.

ინდივიდუალური ნაშრომი 25
ჩვენს მაგალითში დეტერმინაციის კორექტირებული კოეფიციენტია:

კორ.
R^2 0,25

გ) მრავლობითი კორელაციის კოეფიციენტის საშუალებით შეგვიძლია რეგესიის მოდელის

ხარისხის შეფასება,ისევე როგორც წყვილური კორელაციის კოეფიციენტით.ის გვიჩვენებს
შედეგობრივ ცვლადსა და ამხსნელი ცვლადების ერთობლიობას შორის კავშირის სიძლიერეს
გამოხატავს.ზოგჯერ მრავლობითი კორელაციის კოეფიციენტის გამოსათვლელად იყენებენ
წყვილური კორელაციის კოეფიციენტებისსიმეტრიულ მატრიცას,რომელიც ასე გამოიყურება:

მოცემულ მატრიცას აქვს m-1 სტრიქონი და ამდენივე სვეტი.ამ მატრიცის საფუძველზე მიიღება
მრავლობითი კორელაციის კოეფიციენტის შემდეგი ფორმულა:

D წარმოადგენს Ryx მატრიცის დეტერმინანტს,ხოლო D11 Ryxმატრიციდან პირველი სვეტისა

და სტრიქონის ამოშლით მიღებული მატრიცის დეტერმინანტს.

0,99979
Ryx 7

კორელაციური
მატრიცა

0,96927 0,46126
1 3 6
0,96927 0,66482
3 1 8

ინდივიდუალური ნაშრომი 26
 0,46126 0,66482
6 8 1

განტოლების მნიშვნელოვნების დადგენა

განტოლების მნიშვნელოვნების დადგენა მოიაზრებს იმის შემოწმებას,თუ რამდენად ვარგისია

მის მიერ შედეგობრივი ცვლადის ახსნის უნარი.ამის განსაზღვრა ხდება ორი ეკვივალენტური
ჰიპოთეზის მეშვეობით.პირველ შემთხვევაში ნულოვან ჰიპოთეზდ განიხილება ყველა ამხსნელი
ცვლადის შესაბამისი კოეფიციენტის ნულთან ტოლობა.ანუ:

მისი ალტერნატიული ჰიპოთეზაა თუნდაც ერთი კოეფიციენტის ნულისგან განსხვავებულობა.

მეორე შემთხვევაში ნულოვანი ჰიპოთეზა წარმოადგენს დეტერმინაციის თეორიული

კოეფიციენტის ნულთან ტოლობას.როდესაც ყველა ფაქტორის კოეფიციენტი ნულის ტოლია.ანუ

პირველი ჰიპოთეზით ვამოწმებთ რეგრესიის მოდელში შემავალი ფაქტორული ცვლადების

ერთობლივი ამხსნელი უნარის მნიშვნელოვნებას,ხოლო მეორით-დეტერმინაციის
კოეფიციენტის ნულისაგან განსხვავებულობის სტატისტიკურ მნიშვნელოვნებას.ორივე
შემთხვევაში ვიყენებთ ფიშერის განაწილებას.თავისუფლების m და n-m-1 ხარისხებით
განვსაზღვრავთ Fკრ და მას ვადარებთ F ტესტის შედეგად მიღებულ მნიშვნელობას.F ტესტს
შემდეგი სახე აქვს:

ჩვენს მაგალითში მივიღეთ,რომ:

 
სტატისტიკა:
ორივე
ჰიპოთეზისათვი
ს გამოიყენება F
სტატისტიკა            

F= 8,72862E- 5,32

ინდივიდუალური ნაშრომი 27
 12
8,72862E-
12

დასკვნა:

5,32-ს ვერ ვადარებ 8,72862E-12-ს

ინდივიდუალური ნაშრომი 28
7. ფაქტორის და ფაქტორთა ჯგუფის მნიშვნელოვნების შემოწმება

ა)როგორც ვიცით F სტატისტიკით შესაძლებელია როგორც რეგრესიის მთლიანი

განტოლების,ისე ცალკეული ფაქტორის მნიშვნელოვნების შემოწმება.როდესაც გვინდა ერთი
კოკრეტული ფაქტორისთვის დავადგინოთ სტატისტიკური მნისვნელოვნება საჭიროა სრული
მოდელიდან გადავიდეთ ე.წ. შეზღუდულ მოდელზე.რომელიც საწყისისგან იმით
განსხვავდება,რომ არ შეიცავს ჩვენთვის საინტერესო ფაქტორს.ასეთი მოდელის დეტერმინაციის
2
კოეფიციენტი აღინიშნება R m-1 ,ხოლო yის მთლიანი გაფანტულების ახსნილი ნაწილის
(m-1)
მნიშვნელობაა Q R .კერძო ტესტის ჩატარების დროს Fტესტი შემდეგ სახეს იღებს:

სა
Xj ფაქტორისათვის ნულოვანი ჰიპოთეზა შემდეგი სახისაა:

მის ჭეშმარიტებას კი ვამოწმებთ ფიშერის განაწილების ცხრილის მეშვეობით მოძებნილი

Fკრიტიკულის მეშვეობით.თავისუფლების 1 და n-m-1 ხარისხებით.თუ Fx>Fკრ,მაშინ ნულოვან
ჰიპოთეზას უარვყოფთ და კვლევის ფაქტორი სტატისტიკურად მნიშვნელოვანი აღმოჩნდება.

შევაფასოთ განტოლების მნიშვნელოვნება X1

ფაქტორის მნიშვნელოვნების შემოწმებით.ამისათვის
თავდაპირველი განტოლებიდან ამოვიღოთ X1ის
მნიშვნელობა.მივიღებთ:
ŷ=19,77517959+0,062048647948X2

F= -9,65904 <Fკრ

დასკვნა:

რადგან F სტატისტიკა მივიღეთ ნაკლები

Fკრიტიკულზე,ამიტომ X1 ფაქტორი სტატისტიკურად
არამნიშვნელოვანია.
ბ)ერთი კონკრეტული ფაქტორის გარდა,შეგვიძლია ტესტირება ჩავატაროთ რამდენიმე ამხსნელ
ცვლადზე ერთდროულად.ამ შემთხვევაში ნულოვნი ჰიპოთეზა შემდეგი სახისაა:

K დაკვირვებათა რიცხვია.როდესაც ნულოვანი ჰიპოთეზა ჭეშმარიტია,მაშინ შემთხვევითი

სიდიდე იქნება:

ამ შემთხვევში ტესტის დაკვირვების ხარისხები იქნება m-k და n-m-1.ფიშერის განაწილებაში

მოვძებნით შესაბამისი თავისუფლების ხარისხების Fკრიტიკულს და მას შევადარებთ Fტესტის
შედეგად მიღებულ მნივნელობას.

აღსანიშნავია ორი თვისებაც:

1)შეიძლება თითოეული ფაქტორისთვის ჩატარებული Fxj სტატისტიკურად არამნიშვნელოვანი

იყოს,მაგრამ ფაქტორთა ერთობლიობისთვის F სტატისტიკა მნიშვნელოვანი აღმოჩნდეს.

2)შეიძლება ცალკეული ფაქტორისთვის ჩატარებული Fxj სტატისტიკურად მნიშვნელოვანი

აღმოჩნდეს,მაგრამ ფაქტორთა ერთობლიობისთვის F სტატისტიკა არ იყოს მნიშვნელოვანი.

ინდივიდუალური ნაშრომი 30
 დასკვნა

1) ჩემს კვლევაზე დაყრდნობით , სადაც გამოთვლებმა გვიჩვენა ,რომ B0 და B1 სტატისტიკურად

მნიშვნელოვნებია ხოლო B2 სტატისტიკურად უმნიშვნელო მისაღები იქნება დამატებითი კვლევების
ჩატარება საანდოობის გასამყარებლად. ასევე X1 უფრო დიდ გავლენას ახდენს Yზე ვიდრე X2.

2) მიღებული შედეგებით შედგენილი მოდელის პრაქტიკაში გამოყენება ნაკლებად მიზანშეწონილია,

რადგან აღინიშნება არც თუ ისე მაღალი ხარისხის ეკონომეტრიკული კავშირი სა

გამოყენებული ლიტერატურა

ძირითადი სახელმძღვანელო

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

მონაცემები მოძიებულია შემდეგი წყაროდან:

https://www.geostat.ge/ka