ANALIZA REGRESJI

FUNKCJE REGRESJI- określają sposób przyporządkowania wartości zmiennej zależnej (Y)

określonym wartościom zmiennej niezależnej (X).

ZASTOSOWANIE ANALIZY REGRESJI:

1. rozpoznanie wielkości wpływu jednej z cech na drugą w związkach przyczynowo –
skutkowych;
2. objaśnienie zmienności jednej cechy zmiennością drugiej;
3. szacowanie nieznanych wartości jednej cechy na podstawie znanych lub zakładanych
wartości drugiej cechy.

FUNKCJA REGRESJI – FUNKCJA MATEMATYCZNA OKREŚLONEGO TYPU, KTÓRA

JEST PRZYBLIŻENIEM (APROKSYMANTĄ) FAKTYCZNEJ ZALEŻNOŚCI MIĘDZY
ZMIENNYMI.

W zależności od rodzaju związku funkcje regresji mogą przybrać postać liniową lub krzywoliniową.

FUNKCJA LINIOWA – jednakowym przyrostom zmiennej niezależnej towarzyszą jednakowe co

do siły i kierunku zmiany zmiennej zależnej.

FUNKCJA NIELINIOWA – jednakowym przyrostom zmiennej niezależnej odpowiadają różne co

do siły lub siły i kierunku zmiany zmiennej zależnej.

Do wyznaczania parametrów odpowiedniej funkcji regresji najczęściej służy:

METODA NAJMNIEJSZYCH KWADRATÓW – suma kwadratów odchyleń zaobserwowanych

wartości zmiennej zależnej od wartości teoretycznych obliczonych na podstawie wybranej funkcji
jest najmniejsza.

lub

Analiza obu funkcji regresji jest uzasadniona wtedy, gdy między cechami występuje związek
dwustronny, np. między wielkością majątku trwałego i zatrudnienia w pewnej branży przemysłu.
Parametry tylko jednej funkcji regresji szacuje się wtedy, gdy związek ma wyraźnie charakter
przyczynowo-skutkowy, np. wielkość opadów i plony ziemniaków.

LINIOWE FUNKCJE REGRESJI

· funkcja pokazująca wpływ cechy X na cechę Y

· funkcja pokazująca wpływ cechy Y na cechę X

Parametr b ( współczynnik regresji) - wraz ze zwiększeniem zmiennej niezależnej o jednostkę

wartość zmiennej zależnej zmienia się (rośnie lub maleje odpowiednio do znaku) o jego wielkość.

Parametr a – określa teoretyczny poziom zmiennej zależnej w sytuacji gdy wartość zmiennej
zależnej wynosi 0.

Dla funkcji

mamy:

stąd:

Dla funkcji

mamy:

stąd:
 Pomiędzy współczynnikami regresji a współczynnikiem korelacji liniowej Pearsona istnieje
następujący związek:

Należy przy tym pamiętać, że oba współczynniki regresji mają taki sam znak jak współczynnik
korelacji.

Przykład 1.1
Badanie wpływu liczby zatrudnionych pracowników na wysokość obrotów w sklepach branży kosmetycznej
wylosowano
i xi yi xi2 xiyi

1 1 1 1 1

2 2 2,5 4 5

3 3 5 9 15

4 4 6,5 16 26

5 5 8 25 40

6 6 8 36 48

7 7 9 49 63

Σ 28 40 140 198
 Funkcja ma postać:

Współczynnik regresji informuje, że wraz ze zwiększeniem zatrudnienia o 1 osobę wielkość

obrotów rośnie średnio o 1,38 tys. zł.

Przykład 1.2
Obliczanie parametrów funkcji regresji opisującej wpływ wielkości obrotów (yi) na poziom
zatrudnienia (xi) w sklepach branży kosmetycznej.

i xi yi yi2 xiyi

1 1 1 1 1

2 2 2,5 6,25 5

3 3 5 25 15

4 4 6,5 42,25 26

5 5 8 64 40

6 6 8 64 48

7 7 9 81 63

Σ 28 40 283,5 198
 Funkcja ma postać:
.

Współczynnik regresji wskazuje, że wzrost obrotów o 10 tys. zł powoduje zwiększenie

zatrudnienia średnio o 6,9 osoby.

Jeżeli wcześniej obliczymy współczynnik korelacji, to wykorzystując jego wartość r(xy) oraz
obliczone średnie arytmetyczne i odchylenia standardowe (s(x), s(y)) obu cech, możemy w
pośredni sposób obliczyć parametry obu funkcji regresji.

· Dla funkcji opisującej wpływ cechy X na cechę Y:

· Dla funkcji opisującej wpływ cechy Y na cechę X:

Ten sposób obliczania parametrów funkcji regresji jest szczególnie przydatny do analizy
danych przedstawionych w postaci tablicy.

Przykład 1.3.
Obliczanie metodą pośrednią parametrów funkcji regresji opisujących powiązania między
liczbą zatrudnionych osób (xi) i wielkością obrotów w tys.zł (yi) w sklepach branży
kosmetycznej.

Obliczono: r(xy) = 0,969 , x = 4 osób, y = 5,71tys. zł, s(x) = 2 osoby, s(y) = 2,8 tys. zł.

A. Parametry funkcji opisującej wpływ zatrudnienia (xi) na wielkość obrotów (yi):

 B. Parametry funkcji opisującej wpływ obrotów (yi) na rozmiary zatrudnienia (xi):

OCENA DOPASOWANIA FUNKCJI REGRESJI DO DANYCH EMPIRYCZNYCH

METODA GRAFICZNA – prezentacja graficzna rozkładu empirycznego oraz teoretycznej linii
regresji we wspólnym układzie współrzędnych, pozwala stwierdzić czy postać funkcji (liniowa lub
krzywoliniowa) odpowiada układowi punktów empirycznych oraz ocenić, czy odchylenia punktów
od funkcji są niewielkie, czy też znaczne.

Jeżeli przyjmiemy, że funkcja regresji w zwięzły sposób opisuje wpływ zmiennej niezależnej na
zmienną zależną, to reszty :
oraz

są wielkością odchyleń od zaobserwowanej prawidłowości. Odchylenia te będą tym większe, im

silniejsze będzie działanie czynników o charakterze przypadkowym.

PARAMETRY DOBROCI DOPASOWANIA FUNKCJI REGRESJI

1. WARIANCJA RESZTOWA

Dla funkcji regresji opisującej wpływ X na Y:

Dla funkcji pokazującej wpływ Y na X:

gdzie:
o yi oraz xi zaobserwowane wartości zmiennej zależnej;
o oraz to wartości oszacowane na podstawie odpowiedniej funkcji
regresji;
o k to liczba parametrów funkcji, (w przypadku funkcji liniowej k = 2).
 2. ODCHYLENIE STANDARDOWE SKŁADNIKA RESZTOWEGO - informuje, o ile
średnio odchylają się wartości zaobserwowane od oszacowanych za pomocą funkcji regresji
- średni błąd szacunku.

lub

3. WSPÓŁCZYNNIK ZMIENNOŚCI PRZYPADKOWEJ informuje o sile średniego błędu

szacunku

lub

4. WSPÓŁCZYNNIK ZBIEŻNOŚCI (INDETERMINACJI) - informuje, jaka część zmienności

cechy zależnej nie jest wyjaśniana wpływem cechy niezależnej, jest natomiast wywołana
działaniem czynników przypadkowych.

lub

Współczynnik przyjmuje wartości z przedziału (0 ; 1). Im bliższy 0 jest współczynnik zbieżności,

tym funkcja jest lepiej dopasowana do danych empirycznych.
4. WSPÓŁCZYNNIK DETERMINACJI – informuje, jaka część zmienności cechy zależnej
jest wyjaśniona kształtowaniem się cechy niezależnej.

Pierwiastek ze współczynnika determinacji, indeks korelacji, określa siłę współzależności między

zmiennymi i w przypadku związku liniowego jest on równy współczynnikowi korelacji liniowej
Pearsona.