El método de mínimos cuadrados lo permite. Método de mínimos cuadrados en Excel. Análisis de regresión. Algunos casos especiales de uso de MNC en la práctica.

17.03.2022

Que encuentra la aplicación más amplia en diversos campos de la ciencia y la actividad práctica. Podría ser física, química, biología, economía, sociología, psicología, etc., etc. Por voluntad del destino, a menudo tengo que ocuparme de la economía y, por eso, hoy te organizaré un viaje a un país increíble llamado Econometría=) ...¡¿Cómo es posible que no lo quieras?! Es muy bueno allí, ¡solo necesitas decidirte! ...Pero lo que probablemente quieras es aprender a resolver problemas. método de mínimos cuadrados. Y los lectores especialmente diligentes aprenderán a resolverlos no sólo con precisión, sino también MUY RÁPIDAMENTE ;-) Pero primero planteamiento general del problema+ ejemplo adjunto:

Estudiemos indicadores en un área temática determinada que tengan una expresión cuantitativa. Al mismo tiempo, hay muchas razones para creer que el indicador depende del indicador. Esta suposición puede ser una hipótesis científica o estar basada en el sentido común básico. Pero dejemos de lado la ciencia y exploremos áreas más apetitosas: las tiendas de comestibles. Denotemos por:

– superficie comercial de una tienda de comestibles, m2,
– facturación anual de una tienda de comestibles, millones de rublos.

Está absolutamente claro que cuanto mayor sea la superficie de la tienda, mayor será en la mayoría de los casos su facturación.

Supongamos que después de realizar observaciones/experimentos/cálculos/bailes con pandereta tenemos a nuestra disposición datos numéricos:

Con las tiendas de comestibles, creo que todo está claro: - esta es el área de la 1ª tienda, - su facturación anual, - el área de la 2ª tienda, - su facturación anual, etc. Por cierto, no es en absoluto necesario tener acceso a materiales clasificados: se puede obtener una evaluación bastante precisa del volumen de negocios mediante estadística matemática. Eso sí, no nos distraigamos, el curso de espionaje comercial ya está pagado =)

Los datos tabulares también se pueden escribir en forma de puntos y representar en la forma familiar. sistema cartesiano .

Respondamos una pregunta importante: ¿Cuántos puntos se necesitan para un estudio cualitativo?

Cuanto más mejor. El conjunto mínimo aceptable consta de 5-6 puntos. Además, cuando la cantidad de datos es pequeña, los resultados “anómalos” no pueden incluirse en la muestra. Entonces, por ejemplo, una pequeña tienda de élite puede ganar órdenes de magnitud más que "sus colegas", distorsionando así el patrón general que necesita encontrar.

En pocas palabras, necesitamos seleccionar una función, cronograma que pasa lo más cerca posible de los puntos . Esta función se llama aproximando (aproximación - aproximación) o función teórica . En términos generales, aquí aparece inmediatamente un "contendiente" obvio: un polinomio de alto grado, cuya gráfica pasa por TODOS los puntos. Pero esta opción es complicada y, a menudo, simplemente incorrecta. (ya que el gráfico formará un “bucle” todo el tiempo y reflejará mal la tendencia principal).

Por tanto, la función buscada debe ser bastante simple y al mismo tiempo reflejar adecuadamente la dependencia. Como puedes adivinar, uno de los métodos para encontrar dichas funciones se llama método de mínimos cuadrados. Primero, veamos su esencia en términos generales. Dejemos que alguna función se aproxime a los datos experimentales:

¿Cómo evaluar la precisión de esta aproximación? Calculemos también las diferencias (desviaciones) entre los valores experimentales y funcionales. (estudiamos el dibujo). El primer pensamiento que me viene a la mente es estimar qué tan grande es la suma, pero el problema es que las diferencias pueden ser negativas. (Por ejemplo, ) y las desviaciones como resultado de dicha suma se anularán entre sí. Por lo tanto, como estimación de la precisión de la aproximación, se recomienda tomar la suma módulos desviaciones:

o colapsado: (en caso de que alguien no lo sepa: – este es el ícono de suma, y – una variable “contadora” auxiliar, que toma valores del 1 al ).

Aproximando puntos experimentales con diferentes funciones obtendremos diferentes valores, y obviamente, donde esta suma es menor, esa función es más precisa.

Tal método existe y se llama método de módulo mínimo. Sin embargo, en la práctica se ha generalizado mucho más. método de mínimos cuadrados, en el que los posibles valores negativos no se eliminan mediante el módulo, sino elevando al cuadrado las desviaciones:

, después de lo cual los esfuerzos se dirigen a seleccionar una función tal que la suma de las desviaciones al cuadrado era lo más pequeño posible. En realidad, de aquí proviene el nombre del método.

Y ahora volvamos a otro punto importante: como se señaló anteriormente, la función seleccionada debería ser bastante simple, pero también existen muchas funciones de este tipo: lineal , hiperbólico, exponencial, logarítmico, cuadrático etc. Y, por supuesto, aquí me gustaría inmediatamente “reducir el campo de actividad”. ¿Qué clase de funciones debo elegir para la investigación? Una técnica primitiva pero eficaz:

– La forma más sencilla es representar puntos. sobre el dibujo y analizar su ubicación. Si tienden a correr en línea recta, entonces debes buscar ecuación de una recta con valores óptimos y . En otras palabras, la tarea es encontrar TALES coeficientes para que la suma de las desviaciones al cuadrado sea la más pequeña.

Si los puntos están ubicados, por ejemplo, a lo largo hipérbole, entonces está obviamente claro que la función lineal dará una mala aproximación. En este caso, buscamos los coeficientes más "favorables" para la ecuación de la hipérbola. – los que dan la suma mínima de cuadrados .

Ahora tenga en cuenta que en ambos casos estamos hablando de funciones de dos variables, cuyos argumentos son parámetros de dependencia buscados:

Y esencialmente necesitamos resolver un problema estándar: encontrar función mínima de dos variables.

Recordemos nuestro ejemplo: supongamos que los puntos de “tienda” tienden a ubicarse en línea recta y hay muchas razones para creer en la presencia dependencia lineal facturación del espacio comercial. Encontremos TALES coeficientes "a" y "be" tales que la suma de las desviaciones al cuadrado era el más pequeño. Todo es como siempre - primero Derivadas parciales de primer orden.. De acuerdo a regla de linealidad Puedes diferenciar justo debajo del ícono de suma:

Si desea utilizar esta información para un ensayo o trabajo final, le agradeceré mucho el enlace en la lista de fuentes; encontrará cálculos tan detallados en algunos lugares:

Creemos un sistema estándar:

Reducimos cada ecuación en “dos” y, además, “dividimos” las sumas:

Nota : analice de forma independiente por qué "a" y "be" se pueden sacar más allá del ícono de suma. Por cierto, formalmente esto se puede hacer con la suma

Reescribamos el sistema en forma "aplicada":

después de lo cual comienza a surgir el algoritmo para resolver nuestro problema:

¿Conocemos las coordenadas de los puntos? Lo sabemos. Cantidades ¿Podemos encontrarlo? Fácilmente. Hagamos lo más simple sistema de dos ecuaciones lineales con dos incógnitas(“un” y “ser”). Resolvemos el sistema, por ejemplo, método de cramer, como resultado de lo cual obtenemos un punto estacionario. De cheques condición suficiente para un extremo, podemos verificar que en este punto la función alcanza exactamente mínimo. La verificación implica cálculos adicionales y, por lo tanto, la dejaremos entre bastidores. (si es necesario, se puede ver el marco que falta). Sacamos la conclusión final:

Función de la mejor manera posible (al menos en comparación con cualquier otra función lineal) acerca los puntos experimentales . En términos generales, su gráfica pasa lo más cerca posible de estos puntos. En la tradición econometría la función de aproximación resultante también se llama ecuación de regresión lineal pareada .

El problema que estamos considerando es de gran importancia práctica. En nuestra situación de ejemplo, la Ec. le permite predecir qué volumen de negocios comercial ("Igreco") la tienda tendrá en uno u otro valor del área de ventas. (uno u otro significado de “x”). Sí, el pronóstico resultante será solo un pronóstico, pero en muchos casos resultará bastante preciso.

Analizaré solo un problema con números "reales", ya que no presenta dificultades: todos los cálculos están al nivel del plan de estudios de la escuela de 7º a 8º grado. En el 95 por ciento de los casos, se le pedirá que encuentre solo una función lineal, pero al final del artículo mostraré que no es más difícil encontrar las ecuaciones de la hipérbola óptima, la exponencial y algunas otras funciones.

De hecho, solo queda distribuir los obsequios prometidos, para que pueda aprender a resolver estos ejemplos no solo con precisión sino también rápidamente. Estudiamos cuidadosamente el estándar:

Tarea

Como resultado del estudio de la relación entre dos indicadores, se obtuvieron los siguientes pares de números:

Usando el método de mínimos cuadrados, encuentre la función lineal que mejor se aproxima a la función empírica. (experimentado) datos. Hacer un dibujo sobre el cual construir puntos experimentales y una gráfica de la función de aproximación en un sistema de coordenadas rectangular cartesiano. . Encuentre la suma de las desviaciones al cuadrado entre los valores empíricos y teóricos. Descubra si la función sería mejor (desde el punto de vista del método de mínimos cuadrados) acercar los puntos experimentales.

Tenga en cuenta que los significados de la “x” son naturales y esto tiene un significado significativo característico, del que hablaré un poco más adelante; pero, por supuesto, también pueden ser fraccionarios. Además, dependiendo del contenido de una tarea en particular, tanto los valores de “X” como los de “juego” pueden ser total o parcialmente negativos. Bueno, nos han encomendado una tarea "sin rostro" y la comenzamos. solución:

Encontramos los coeficientes de la función óptima como solución al sistema:

Para un registro más compacto, se puede omitir la variable “contador”, ya que ya está claro que la suma se realiza de 1 a .

Es más conveniente calcular las cantidades requeridas en forma tabular:

Los cálculos se pueden realizar en una microcalculadora, pero es mucho mejor utilizar Excel, más rápido y sin errores; mira un video corto:

Así, obtenemos lo siguiente sistema:

Aquí puedes multiplicar la segunda ecuación por 3 y restar la segunda ecuación de la primera término por término. Pero esto es suerte: en la práctica, los sistemas a menudo no son un regalo y, en tales casos, salva método de cramer:
, lo que significa que el sistema tiene una solución única.

Comprobemos. Entiendo que no quieras, pero ¿por qué saltarte errores que no se pueden pasar por alto? Sustituyamos la solución encontrada en el lado izquierdo de cada ecuación del sistema:

Se obtienen los lados derechos de las ecuaciones correspondientes, lo que significa que el sistema está resuelto correctamente.

Por tanto, la función de aproximación deseada: – desde todas las funciones lineales Es ella quien mejor se aproxima a los datos experimentales.

A diferencia de directo dependencia de la facturación de la tienda de su área, la dependencia encontrada es contrarrestar (principio “cuanto más, menos”), y este hecho se revela inmediatamente por la negativa pendiente. Función nos dice que con un aumento en un determinado indicador en 1 unidad, el valor del indicador dependiente disminuye de término medio en 0,65 unidades. Como suele decirse, cuanto mayor es el precio del trigo sarraceno, menos se vende.

Para trazar la gráfica de la función de aproximación, encontramos sus dos valores:

y ejecuta el dibujo:

La recta construida se llama línea de tendencia (es decir, una línea de tendencia lineal, es decir, en el caso general, una tendencia no es necesariamente una línea recta). Todo el mundo conoce la expresión "estar a la moda" y creo que este término no necesita comentarios adicionales.

Calculemos la suma de las desviaciones al cuadrado. entre valores empíricos y teóricos. Geométricamente, esta es la suma de los cuadrados de las longitudes de los segmentos “frambuesa”. (dos de los cuales son tan pequeños que ni siquiera son visibles).

Resumamos los cálculos en una tabla:

Nuevamente, se pueden hacer manualmente; por si acaso, daré un ejemplo para el primer punto:

pero es mucho más efectivo hacerlo de la forma ya conocida:

Repetimos una vez más: ¿Cuál es el significado del resultado obtenido? De todas las funciones lineales función y el indicador es el más pequeño, es decir, de su familia es la mejor aproximación. Y aquí, por cierto, la pregunta final del problema no es casual: ¿y si la función exponencial propuesta ¿Sería mejor acercar los puntos experimentales?

Encontremos la suma correspondiente de las desviaciones al cuadrado; para distinguirlas, las denotaré con la letra "épsilon". La técnica es exactamente la misma:

Y de nuevo, por si acaso, los cálculos del 1er punto:

En Excel usamos la función estándar. EXP (La sintaxis se puede encontrar en la Ayuda de Excel).

Conclusión: , lo que significa que la función exponencial se aproxima a los puntos experimentales peor que una línea recta .

Pero aquí cabe señalar que "peor" es no significa todavía, lo cual es malo. Ahora he construido una gráfica de esta función exponencial y también pasa cerca de los puntos - Tanto es así que sin una investigación analítica es difícil decir qué función es más precisa.

Con esto concluye la solución y vuelvo a la cuestión de los valores naturales del argumento. En diversos estudios, generalmente económicos o sociológicos, se utilizan "X" naturales para numerar meses, años u otros intervalos de tiempo iguales. Considere, por ejemplo, el siguiente problema.

Ejemplo.

Datos experimentales sobre los valores de las variables. incógnita Y en se dan en la tabla.

Como resultado de su alineación, se obtiene la función.

Usando método de mínimos cuadrados, aproxima estos datos mediante una dependencia lineal y=ax+b(buscar parámetros A Y b). Descubra cuál de las dos líneas alinea mejor (en el sentido del método de mínimos cuadrados) los datos experimentales. Haz un dibujo.

La esencia del método de mínimos cuadrados (LSM).

La tarea es encontrar los coeficientes de dependencia lineal en los que la función de dos variables. A Y b toma el valor más pequeño. Es decir, dado A Y b la suma de las desviaciones al cuadrado de los datos experimentales de la línea recta encontrada será la más pequeña. Este es el objetivo del método de mínimos cuadrados.

Por tanto, resolver el ejemplo se reduce a encontrar el extremo de una función de dos variables.

Derivar fórmulas para encontrar coeficientes.

Se compila y resuelve un sistema de dos ecuaciones con dos incógnitas. Encontrar derivadas parciales de una función con respecto a variables A Y b, equiparamos estas derivadas a cero.

Resolvemos el sistema de ecuaciones resultante usando cualquier método (por ejemplo por método de sustitución o ) y obtener fórmulas para encontrar coeficientes utilizando el método de mínimos cuadrados (LSM).

Dado A Y b función toma el valor más pequeño. La prueba de este hecho está dada.

Ese es todo el método de mínimos cuadrados. Fórmula para encontrar el parámetro. a contiene las sumas , , y parámetro norte- cantidad de datos experimentales. Recomendamos calcular los valores de estos importes por separado. Coeficiente b se encuentra después del cálculo a.

Es hora de recordar el ejemplo original.

Solución.

En nuestro ejemplo n=5. Completamos la tabla para facilitar el cálculo de los montos que se incluyen en las fórmulas de los coeficientes requeridos.

Los valores de la cuarta fila de la tabla se obtienen multiplicando los valores de la 2ª fila por los valores de la 3ª fila para cada número i.

Los valores de la quinta fila de la tabla se obtienen elevando al cuadrado los valores de la 2ª fila para cada número i.

Los valores de la última columna de la tabla son las sumas de los valores de las filas.

Usamos las fórmulas del método de mínimos cuadrados para encontrar los coeficientes. A Y b. Sustituimos en ellos los valores correspondientes de la última columna de la tabla:

Por eso, y = 0,165x+2,184- la recta de aproximación deseada.

Queda por descubrir cuál de las líneas y = 0,165x+2,184 o se aproxima mejor a los datos originales, es decir, estimaciones utilizando el método de mínimos cuadrados.

Estimación del error del método de mínimos cuadrados.

Para hacer esto, necesita calcular la suma de las desviaciones al cuadrado de los datos originales de estas líneas. Y , un valor menor corresponde a una línea que se aproxima mejor a los datos originales en el sentido del método de mínimos cuadrados.

Desde entonces directo y = 0,165x+2,184 se aproxima mejor a los datos originales.

Ilustración gráfica del método de mínimos cuadrados (LS).

Todo es claramente visible en los gráficos. La línea roja es la línea recta encontrada. y = 0,165x+2,184, la línea azul es , los puntos rosas son los datos originales.

¿Por qué es necesario esto, por qué todas estas aproximaciones?

Yo personalmente lo uso para resolver problemas de suavizado de datos, interpolación y extrapolación (en el ejemplo original se les podría haber pedido que encontraran el valor de un valor observado). y en x=3 o cuando x=6 utilizando el método de mínimos cuadrados). Pero hablaremos más sobre esto más adelante en otra sección del sitio.

Prueba.

Para que cuando lo encuentre A Y b la función toma el valor más pequeño, es necesario que en este punto la matriz de la forma cuadrática del diferencial de segundo orden para la función fue positivo definitivo. Mostrémoslo.

El diferencial de segundo orden tiene la forma:

Eso es

Por tanto, la matriz de forma cuadrática tiene la forma

y los valores de los elementos no dependen de A Y b.

Demostremos que la matriz es definida positiva. Para ello, los menores angulares deben ser positivos.

Angular menor de primer orden . La desigualdad es estricta porque los puntos no coinciden. En lo que sigue daremos a entender esto.

Angular menor de segundo orden

Probemos que por el método de inducción matemática.

Conclusión: valores encontrados A Y b Corresponde al valor más pequeño de la función. , por lo tanto, son los parámetros requeridos para el método de mínimos cuadrados.

Método de mínimos cuadrados

En la lección final del tema, nos familiarizaremos con la aplicación más famosa. FNP, que encuentra la aplicación más amplia en diversos campos de la ciencia y la actividad práctica. Podría ser física, química, biología, economía, sociología, psicología, etc., etc. Por voluntad del destino, a menudo tengo que ocuparme de la economía y, por eso, hoy te organizaré un viaje a un país increíble llamado Econometría=) ...¡¿Cómo es posible que no lo quieras?! Es muy bueno allí, ¡solo necesitas decidirte! ...Pero lo que probablemente quieras es aprender a resolver problemas. método de mínimos cuadrados. Y los lectores especialmente diligentes aprenderán a resolverlos no sólo con precisión, sino también MUY RÁPIDAMENTE ;-) Pero primero planteamiento general del problema+ ejemplo adjunto:

– superficie comercial de una tienda de comestibles, m2,
– facturación anual de una tienda de comestibles, millones de rublos.

Está absolutamente claro que cuanto mayor sea la superficie de la tienda, mayor será en la mayoría de los casos su facturación.

Los datos tabulares también se pueden escribir en forma de puntos y representar en la forma familiar. sistema cartesiano .

Respondamos una pregunta importante: ¿Cuántos puntos se necesitan para un estudio cualitativo?

En pocas palabras, necesitamos seleccionar una función, cronograma que pasa lo más cerca posible de los puntos . Esta función se llama aproximando (aproximación - aproximación) o función teórica . En términos generales, aquí aparece inmediatamente un "contendiente" obvio: un polinomio de alto grado, cuya gráfica pasa por TODOS los puntos. Pero esta opción es complicada y, a menudo, simplemente incorrecta. (ya que el gráfico formará un “bucle” todo el tiempo y reflejará mal la tendencia principal).

Por tanto, la función buscada debe ser bastante simple y al mismo tiempo reflejar adecuadamente la dependencia. Como puedes adivinar, uno de los métodos para encontrar dichas funciones se llama método de mínimos cuadrados. Primero, veamos su esencia en términos generales. Dejemos que alguna función se aproxime a los datos experimentales:

¿Cómo evaluar la precisión de esta aproximación? Calculemos también las diferencias (desviaciones) entre los valores experimentales y funcionales. (estudiamos el dibujo). El primer pensamiento que me viene a la mente es estimar qué tan grande es la suma, pero el problema es que las diferencias pueden ser negativas. (Por ejemplo, ) y las desviaciones como resultado de dicha suma se anularán entre sí. Por lo tanto, como estimación de la precisión de la aproximación, se recomienda tomar la suma módulos desviaciones:

o colapsado: (por si alguien no lo sabe: es el icono de suma, y – una variable auxiliar “contadora”, que toma valores de 1 a ) .

Aproximando puntos experimentales con diferentes funciones obtendremos diferentes valores, y obviamente, donde esta suma es menor, esa función es más precisa.

Y ahora volvamos a otro punto importante: como se señaló anteriormente, la función seleccionada debería ser bastante simple, pero también existen muchas funciones de este tipo: lineal , hiperbólico , exponencial , logarítmico , cuadrático etc. Y, por supuesto, aquí me gustaría inmediatamente “reducir el campo de actividad”. ¿Qué clase de funciones debo elegir para la investigación? Una técnica primitiva pero eficaz:

Ahora tenga en cuenta que en ambos casos estamos hablando de funciones de dos variables, cuyos argumentos son parámetros de dependencia buscados:

Y esencialmente necesitamos resolver un problema estándar: encontrar función mínima de dos variables.

Si desea utilizar esta información para un ensayo o trabajo final, le agradeceré mucho el enlace en la lista de fuentes; encontrará cálculos tan detallados en algunos lugares:

Creemos un sistema estándar:

Reducimos cada ecuación en “dos” y, además, “dividimos” las sumas:

Nota : analice de forma independiente por qué "a" y "be" se pueden sacar más allá del ícono de suma. Por cierto, formalmente esto se puede hacer con la suma

Reescribamos el sistema en forma "aplicada":

después de lo cual comienza a surgir el algoritmo para resolver nuestro problema:

De hecho, solo queda distribuir los obsequios prometidos, para que pueda aprender a resolver estos ejemplos no solo con precisión sino también rápidamente. Estudiamos cuidadosamente el estándar:

Tarea

Encontramos los coeficientes de la función óptima como solución al sistema:

Para un registro más compacto, se puede omitir la variable “contador”, ya que ya está claro que la suma se realiza de 1 a .

Así, obtenemos lo siguiente sistema:

Por tanto, la función de aproximación deseada: – desde todas las funciones lineales Es ella quien mejor se aproxima a los datos experimentales.

A diferencia de directo dependencia de la facturación de la tienda de su área, la dependencia encontrada es contrarrestar (principio “cuanto más, menos”), y este hecho se revela inmediatamente por la negativa pendiente. Función nos dice que con un aumento en un determinado indicador en 1 unidad, el valor del indicador dependiente disminuye de término medio en 0,65 unidades. Como suele decirse, cuanto mayor es el precio del trigo sarraceno, menos se vende.

Para trazar la gráfica de la función de aproximación, encontramos sus dos valores:

y ejecuta el dibujo:

La recta construida se llama línea de tendencia (es decir, una línea de tendencia lineal, es decir, en el caso general, una tendencia no es necesariamente una línea recta). Todo el mundo conoce la expresión "estar a la moda" y creo que este término no necesita comentarios adicionales.

Resumamos los cálculos en una tabla:

Nuevamente, se pueden hacer manualmente; por si acaso, daré un ejemplo para el primer punto:

pero es mucho más efectivo hacerlo de la forma ya conocida:

Conclusión: , lo que significa que la función exponencial se aproxima a los puntos experimentales peor que una línea recta .

Se dispone de los siguientes datos sobre la facturación minorista de la tienda durante el primer semestre del año:

Utilizando una alineación analítica en línea recta, determine el volumen de facturación de julio..

Sí, no hay problema: numeramos los meses 1, 2, 3, 4, 5, 6 y usamos el algoritmo habitual, como resultado de lo cual obtenemos una ecuación; lo único es que cuando se trata de tiempo, generalmente usan la letra “te” (aunque esto no es crítico). La ecuación resultante muestra que en el primer semestre del año el volumen de negocios comercial aumentó en promedio 27,74 unidades. por mes. Consigamos el pronóstico para julio. (mes nº 7): d.e.

Y hay innumerables tareas como esta. Quienes lo deseen pueden utilizar un servicio adicional, a saber, mi calculadora excel (versión de demostración), cual ¡resuelve el problema analizado casi al instante! La versión funcional del programa está disponible. en intercambio o para tarifa simbólica.

Al final de la lección, breve información sobre cómo encontrar dependencias de otros tipos. En realidad, no hay mucho que decir, ya que el enfoque fundamental y el algoritmo de solución siguen siendo los mismos.

Supongamos que la disposición de los puntos experimentales se asemeja a una hipérbola. Luego, para encontrar los coeficientes de la mejor hipérbola, es necesario encontrar el mínimo de la función; cualquiera puede realizar cálculos detallados y llegar a un sistema similar:

Desde un punto de vista técnico formal, se obtiene a partir de un sistema “lineal” (señalémoslo con un asterisco) reemplazando "x" con . Bueno, ¿qué pasa con las cantidades? calcular, y luego a los coeficientes óptimos "a" y "be" cerca de la mano.

Si hay muchas razones para creer que los puntos se ubican a lo largo de una curva logarítmica, luego para encontrar los valores óptimos encontramos el mínimo de la función . Formalmente, en el sistema (*) debe reemplazarse por:

Al realizar cálculos en Excel, utilice la función. LN. Confieso que no me resultaría especialmente difícil crear calculadoras para cada uno de los casos considerados, pero sería mejor si usted mismo "programara" los cálculos. Vídeos de lecciones para ayudar.

Con la dependencia exponencial la situación es un poco más complicada. Para reducir el asunto al caso lineal, tomamos la función logaritmo y usamos propiedades del logaritmo:

Ahora, comparando la función resultante con la función lineal, llegamos a la conclusión de que en el sistema (*) debe ser reemplazado por , y – por . Por conveniencia, denotemos:

Tenga en cuenta que el sistema se resuelve con respecto a y, por lo que, después de encontrar las raíces, no debe olvidarse de encontrar el coeficiente en sí.

Para acercar puntos experimentales parábola óptima , se debe encontrar función mínima de tres variables . Después de realizar acciones estándar, obtenemos lo siguiente "funcionando" sistema:

Sí, claro, aquí hay más cantidades, pero no hay ninguna dificultad a la hora de utilizar tu aplicación favorita. Y finalmente, le diré cómo realizar rápidamente una verificación usando Excel y construir la línea de tendencia deseada: cree un diagrama de dispersión, seleccione cualquiera de los puntos con el mouse. y haga clic derecho seleccione la opción "Agregar línea de tendencia". A continuación, seleccione el tipo de gráfico y en la pestaña "Opciones" activar la opción "Mostrar ecuación en el diagrama". DE ACUERDO

Como siempre, quiero terminar el artículo con alguna frase bonita y casi escribo “¡Esté a la moda!” Pero cambió de opinión con el tiempo. Y no porque esté estereotipado. No sé cómo será para nadie, pero realmente no quiero seguir la tendencia promovida estadounidense y especialmente europea =) ¡Por lo tanto, deseo que cada uno de ustedes se ciña a su propia línea!

http://www.grandars.ru/student/vysshaya-matematika/metod-naimenshih-kvadratov.html

El método de mínimos cuadrados es uno de los más comunes y desarrollados debido a su Simplicidad y eficiencia de métodos para estimar parámetros de modelos econométricos lineales.. Al mismo tiempo, se debe tener cierta precaución al usarlo, ya que los modelos construidos con él pueden no satisfacer una serie de requisitos para la calidad de sus parámetros y, como resultado, no reflejan "bien" los patrones de desarrollo del proceso. .

Consideremos con más detalle el procedimiento para estimar los parámetros de un modelo econométrico lineal utilizando el método de mínimos cuadrados. Un modelo de este tipo en general puede representarse mediante la ecuación (1.2):

y t = a 0 + a 1 x 1t +...+ a n x nt + ε t.

El dato inicial al estimar los parámetros a 0 , a 1 ,..., an es un vector de valores de la variable dependiente y= (y 1 , y 2 , ... , y T)" y la matriz de valores de variables independientes

en el que la primera columna, formada por unos, corresponde al coeficiente del modelo.

El método de mínimos cuadrados recibió su nombre debido al principio básico de que las estimaciones de parámetros obtenidas en base a él deben cumplir: la suma de los cuadrados del error del modelo debe ser mínima.

Ejemplos de resolución de problemas utilizando el método de mínimos cuadrados.

Ejemplo 2.1. La empresa comercial cuenta con una red de 12 tiendas, cuya información sobre cuyas actividades se presenta en la tabla. 2.1.

A la dirección de la empresa le gustaría saber cómo depende el volumen de facturación anual del espacio comercial de la tienda.

Tabla 2.1

Número de tienda	Volumen de negocios anual, millones de rublos.	Superficie comercial, miles de m2
	19,76	0,24
	38,09	0,31
	40,95	0,55
	41,08	0,48
	56,29	0,78
	68,51	0,98
	75,01	0,94
	89,05	1,21
	91,13	1,29
	91,26	1,12
	99,84	1,29
	108,55	1,49

Solución de mínimos cuadrados. Denotemos la facturación anual de la tienda, millones de rublos; - superficie comercial de la octava tienda, mil m2.

Fig.2.1. Diagrama de dispersión para el ejemplo 2.1

Para determinar la forma de la relación funcional entre las variables construiremos un diagrama de dispersión (Fig. 2.1).

Con base en el diagrama de dispersión, podemos concluir que la facturación anual depende positivamente del espacio comercial (es decir, y aumentará al aumentar ). La forma más adecuada de conexión funcional es lineal.

La información para cálculos adicionales se presenta en la tabla. 2.2. Utilizando el método de mínimos cuadrados, estimamos los parámetros de un modelo econométrico lineal de un factor.

Tabla 2.2

t	y t	x 1t	y t 2	x1t2	x 1t y t

	19,76	0,24	390,4576	0,0576	4,7424
	38,09	0,31	1450,8481	0,0961	11,8079
	40,95	0,55	1676,9025	0,3025	22,5225
	41,08	0,48	1687,5664	0,2304	19,7184
	56,29	0,78	3168,5641	0,6084	43,9062
	68,51	0,98	4693,6201	0,9604	67,1398
	75,01	0,94	5626,5001	0,8836	70,5094
	89,05	1,21	7929,9025	1,4641	107,7505
	91,13	1,29	8304,6769	1,6641	117,5577
	91,26	1,12	8328,3876	1,2544	102,2112
	99,84	1,29	9968,0256	1,6641	128,7936
	108,55	1,49	11783,1025	2,2201	161,7395
S	819,52	10,68	65008,554	11,4058	858,3991
Promedio	68,29	0,89

De este modo,

Por lo tanto, con un aumento del espacio comercial de 1.000 m2, en igualdad de condiciones, la facturación media anual aumenta en 67,8871 millones de rublos.

Ejemplo 2.2. La dirección de la empresa observó que la facturación anual depende no sólo de la superficie de ventas de la tienda (ver ejemplo 2.1), sino también del número medio de visitantes. La información relevante se presenta en la tabla. 2.3.

Tabla 2.3

Solución. Denotemos: el número promedio de visitantes a la tienda por día, miles de personas.

Para determinar la forma de la relación funcional entre las variables construiremos un diagrama de dispersión (Fig. 2.2).

Con base en el diagrama de dispersión, podemos concluir que la facturación anual depende positivamente del número promedio de visitantes por día (es decir, y aumentará al aumentar ). La forma de dependencia funcional es lineal.

Arroz. 2.2. Diagrama de dispersión para el ejemplo 2.2

Tabla 2.4

t	x2t	x2t2	y t x 2t	x 1t x 2t

	8,25	68,0625	163,02	1,98
	10,24	104,8575	390,0416	3,1744
	9,31	86,6761	381,2445	5,1205
	11,01	121,2201	452,2908	5,2848
	8,54	72,9316	480,7166	6,6612
	7,51	56,4001	514,5101	7,3598
	12,36	152,7696	927,1236	11,6184
	10,81	116,8561	962,6305	13,0801
	9,89	97,8121	901,2757	12,7581
	13,72	188,2384	1252,0872	15,3664
	12,27	150,5529	1225,0368	15,8283
	13,92	193,7664	1511,016	20,7408
S	127,83	1410,44	9160,9934	118,9728
Promedio	10,65

En general, es necesario determinar los parámetros de un modelo econométrico de dos factores.

y t = a 0 + a 1 x 1t + a 2 x 2t + ε t

La información necesaria para cálculos adicionales se presenta en la tabla. 2.4.

Estimemos los parámetros de un modelo econométrico lineal de dos factores utilizando el método de mínimos cuadrados.

De este modo,

La estimación del coeficiente =61,6583 muestra que, en igualdad de condiciones, con un aumento del espacio comercial de 1.000 m 2, la facturación anual aumentará en una media de 61,6583 millones de rublos.

La estimación del coeficiente = 2,2748 muestra que, en igualdad de condiciones, con un aumento en el número promedio de visitantes por cada mil personas. Por día, la facturación anual aumentará en promedio en 2,2748 millones de rublos.

Ejemplo 2.3. Utilizando la información presentada en la tabla. 2.2 y 2.4, estime el parámetro del modelo econométrico de un factor

¿Dónde está el valor centrado de la facturación anual de la tienda, millones de rublos? - valor centrado del número medio diario de visitantes de la t-ésima tienda, miles de personas. (ver ejemplos 2.1-2.2).

Solución. La información adicional necesaria para los cálculos se presenta en la tabla. 2.5.

Tabla 2.5



	-48,53	-2,40	5,7720	116,6013
	-30,20	-0,41	0,1702	12,4589
	-27,34	-1,34	1,8023	36,7084
	-27,21	0,36	0,1278	-9,7288
	-12,00	-2,11	4,4627	25,3570
	0,22	-3,14	9,8753	-0,6809
	6,72	1,71	2,9156	11,4687
	20,76	0,16	0,0348	3,2992
	22,84	-0,76	0,5814	-17,413
	22,97	3,07	9,4096	70,4503
	31,55	1,62	2,6163	51,0267
	40,26	3,27	10,6766	131,5387
Cantidad			48,4344	431,0566

Usando la fórmula (2.35), obtenemos

De este modo,

http://www.cleverstudents.ru/articles/mnk.html

Ejemplo.

Datos experimentales sobre los valores de las variables. incógnita Y en se dan en la tabla.

Como resultado de su alineación, se obtiene la función.

Solución.

En nuestro ejemplo n=5. Completamos la tabla para facilitar el cálculo de los montos que se incluyen en las fórmulas de los coeficientes requeridos.

Los valores de la cuarta fila de la tabla se obtienen multiplicando los valores de la 2ª fila por los valores de la 3ª fila para cada número i.

Los valores de la quinta fila de la tabla se obtienen elevando al cuadrado los valores de la 2ª fila para cada número i.

Los valores de la última columna de la tabla son las sumas de los valores de las filas.

Usamos las fórmulas del método de mínimos cuadrados para encontrar los coeficientes. A Y b. Sustituimos en ellos los valores correspondientes de la última columna de la tabla:

Por eso, y = 0,165x+2,184- la recta de aproximación deseada.

Queda por descubrir cuál de las líneas y = 0,165x+2,184 o se aproxima mejor a los datos originales, es decir, estimaciones utilizando el método de mínimos cuadrados.

Prueba.

El diferencial de segundo orden tiene la forma:

Eso es

Por tanto, la matriz de forma cuadrática tiene la forma

y los valores de los elementos no dependen de A Y b.

Demostremos que la matriz es definida positiva. Para ello, los menores angulares deben ser positivos.

Angular menor de primer orden . La desigualdad es estricta, ya que los puntos

Lección introductoria gratis;
Un gran número de profesores experimentados (nativos y de habla rusa);
Los cursos NO son por un período específico (mes, seis meses, año), sino por un número específico de lecciones (5, 10, 20, 50);
Más de 10.000 clientes satisfechos.
El costo de una lección con un profesor de habla rusa es desde 600 rublos, con un hablante nativo - desde 1500 rublos

La esencia del método de mínimos cuadrados es para encontrar los parámetros de un modelo de tendencia que describa mejor la tendencia de desarrollo de cualquier fenómeno aleatorio en el tiempo o el espacio (una tendencia es una línea que caracteriza la tendencia de este desarrollo). La tarea del método de mínimos cuadrados (LSM) se reduce a encontrar no sólo algún modelo de tendencia, sino también el modelo mejor u óptimo. Este modelo será óptimo si la suma de las desviaciones cuadradas entre los valores reales observados y los valores de tendencia calculados correspondientes es mínima (la más pequeña):

¿Dónde está la desviación cuadrada entre el valor real observado?

y el valor de tendencia calculado correspondiente,

El valor real (observado) del fenómeno que se está estudiando,

El valor calculado del modelo de tendencia,

Número de observaciones del fenómeno en estudio.

MNC rara vez se utiliza por sí solo. Como regla general, la mayoría de las veces se utiliza sólo como técnica técnica necesaria en estudios de correlación. Debe recordarse que la base de información de MCO sólo puede ser una serie estadística confiable y el número de observaciones no debe ser inferior a 4; de lo contrario, los procedimientos de suavizado de MCO pueden perder sentido común.

El conjunto de herramientas de las multinacionales se reduce a los siguientes procedimientos:

Primer procedimiento. Resulta si existe alguna tendencia a cambiar el atributo resultante cuando cambia el factor-argumento seleccionado o, en otras palabras, si existe una conexión entre " en " Y " incógnita ».

Segundo procedimiento. Se determina qué línea (trayectoria) puede describir o caracterizar mejor esta tendencia.

Tercer procedimiento.

Ejemplo. Digamos que tenemos información sobre el rendimiento promedio de girasol para la finca en estudio (Tabla 9.1).

Tabla 9.1

Número de observación

Productividad, c/ha

Dado que el nivel de tecnología en la producción de girasol en nuestro país se ha mantenido prácticamente sin cambios durante los últimos 10 años, esto significa que, aparentemente, las fluctuaciones en el rendimiento durante el período analizado dependieron en gran medida de las fluctuaciones en el tiempo y las condiciones climáticas. ¿Es esto realmente cierto?

Primer procedimiento OLS. Se prueba la hipótesis sobre la existencia de una tendencia en los cambios en el rendimiento del girasol en función de los cambios en el tiempo y las condiciones climáticas durante los 10 años analizados.

En este ejemplo, para " y "Es recomendable tomar el rendimiento del girasol, y para " incógnita » – número del año observado en el período analizado. Probar la hipótesis sobre la existencia de alguna relación entre " incógnita " Y " y "Se puede realizar de dos formas: manualmente y mediante programas informáticos. Por supuesto, si dispone de tecnología informática, este problema se puede solucionar por sí solo. Pero para comprender mejor las herramientas de las multinacionales, es recomendable probar la hipótesis sobre la existencia de una relación entre " incógnita " Y " y » manualmente, cuando sólo se dispone de un bolígrafo y una calculadora normal. En tales casos, la hipótesis sobre la existencia de una tendencia se verifica mejor visualmente mediante la ubicación de la imagen gráfica de la serie de dinámicas analizadas: el campo de correlación:

El campo de correlación en nuestro ejemplo se encuentra alrededor de una línea que aumenta lentamente. Esto por sí solo indica la existencia de una cierta tendencia en los cambios en los rendimientos del girasol. Es imposible hablar de la presencia de alguna tendencia sólo cuando el campo de correlación parece un círculo, un círculo, una nube estrictamente vertical o estrictamente horizontal, o consta de puntos caóticamente dispersos. En todos los demás casos, la hipótesis sobre la existencia de una relación entre “ incógnita " Y " y ", y continuar la investigación.

Segundo procedimiento OLS. Se determina qué línea (trayectoria) puede describir o caracterizar mejor la tendencia de cambios en el rendimiento del girasol durante el período analizado.

Si dispone de tecnología informática, la selección de la tendencia óptima se produce automáticamente. En el procesamiento "manual", la selección de la función óptima se realiza, por regla general, visualmente, mediante la ubicación del campo de correlación. Es decir, en función del tipo de gráfico se selecciona la ecuación de la recta que mejor se ajusta a la tendencia empírica (la trayectoria real).

Como saben, en la naturaleza existe una gran variedad de dependencias funcionales, por lo que es extremadamente difícil analizar visualmente incluso una pequeña parte de ellas. Afortunadamente, en la práctica económica real, la mayoría de las relaciones se pueden describir con bastante precisión mediante una parábola, una hipérbola o una línea recta. En este sentido, con la opción “manual” de seleccionar la mejor función, puedes limitarte únicamente a estos tres modelos.

		Hipérbola:

Parábola de segundo orden: :

Es fácil ver que en nuestro ejemplo, la tendencia en los cambios en el rendimiento del girasol durante los 10 años analizados se caracteriza mejor por una línea recta, por lo que la ecuación de regresión será la ecuación de una línea recta.

Tercer procedimiento. Se calculan los parámetros de la ecuación de regresión que caracteriza esta línea, es decir, se determina una fórmula analítica que describe el mejor modelo de tendencia.

Encontrar los valores de los parámetros de la ecuación de regresión, en nuestro caso los parámetros y, es el núcleo del MCO. Este proceso se reduce a resolver un sistema de ecuaciones normales.

(9.2)

Este sistema de ecuaciones se puede resolver con bastante facilidad mediante el método de Gauss. Recordemos que como resultado de la solución, en nuestro ejemplo, se encuentran los valores de los parámetros y. Por tanto, la ecuación de regresión encontrada tendrá la siguiente forma:

Se utiliza ampliamente en econometría en forma de una interpretación económica clara de sus parámetros.

La regresión lineal se reduce a encontrar una ecuación de la forma

Ecuación de la forma permite en función de valores de parámetros especificados incógnita tener valores teóricos de la característica resultante, sustituyendo en ella los valores reales del factor incógnita.

La construcción de una regresión lineal se reduce a estimar sus parámetros. A Y v. Las estimaciones de los parámetros de regresión lineal se pueden encontrar utilizando diferentes métodos.

El enfoque clásico para estimar los parámetros de regresión lineal se basa en método de mínimos cuadrados(EMN).

El método de mínimos cuadrados nos permite obtener estimaciones de dichos parámetros. A Y V, en el que la suma de las desviaciones al cuadrado de los valores reales de la característica resultante (y) de calculado (teórico) mínimo:

Para encontrar el mínimo de una función, es necesario calcular las derivadas parciales de cada uno de los parámetros. A Y b y los igualamos a cero.

Denotemos por S, entonces:

Transformando la fórmula, obtenemos el siguiente sistema de ecuaciones normales para estimar parámetros. A Y V:

Resolviendo el sistema de ecuaciones normales (3.5) ya sea por el método de eliminación secuencial de variables o por el método de determinantes, encontramos las estimaciones requeridas de los parámetros. A Y v.

Parámetro V llamado coeficiente de regresión. Su valor muestra el cambio promedio en el resultado con un cambio en el factor de una unidad.

La ecuación de regresión siempre se complementa con un indicador de la cercanía de la conexión. Cuando se utiliza la regresión lineal, dicho indicador es el coeficiente de correlación lineal. Existen diferentes modificaciones de la fórmula del coeficiente de correlación lineal. Algunos de ellos se dan a continuación:

Como se sabe, el coeficiente de correlación lineal está dentro de los límites: -1 ≤ ≤ 1.

Para evaluar la calidad de la selección de una función lineal, se calcula el cuadrado.

Coeficiente de correlación lineal llamado coeficiente de determinación. El coeficiente de determinación caracteriza la proporción de varianza de la característica resultante. y, explicado por la regresión en la varianza total del rasgo resultante:

En consecuencia, el valor 1 caracteriza la proporción de varianza. y, causado por la influencia de otros factores no tenidos en cuenta en el modelo.

Preguntas para el autocontrol

1. ¿La esencia del método de mínimos cuadrados?

2. ¿Cuántas variables proporciona la regresión por pares?

3. ¿Qué coeficiente determina la cercanía de la conexión entre los cambios?

4. ¿Dentro de qué límites se determina el coeficiente de determinación?

5. ¿Estimación del parámetro b en el análisis de correlación-regresión?

1. Christopher Dougherty. Introducción a la econometría. - M.: INFRA - M, 2001 - 402 p.

2. S.A. Borodich. Econometría. Minsk LLC "Nuevos conocimientos" 2001.

3. R.U. Rakhmetova Curso breve de econometría. Guía de estudio. Almatý. 2004. -78p.

4. I.I. Eliseeva. - M.: “Finanzas y Estadísticas”, 2002

5. Revista mensual de información y análisis.

Modelos económicos no lineales. Modelos de regresión no lineal. Transformación de variables.

Modelos económicos no lineales.

Transformación de variables.

Coeficiente de elasticidad.

Si existen relaciones no lineales entre los fenómenos económicos, entonces se expresan utilizando las funciones no lineales correspondientes: por ejemplo, una hipérbola equilátera , parábolas de segundo grado, etc.

Hay dos clases de regresiones no lineales:

1. Regresiones que sean no lineales respecto de las variables explicativas incluidas en el análisis, pero sí lineales respecto de los parámetros estimados, por ejemplo:

Polinomios de varios grados - , ;

Hipérbola equilátera - ;

Función semilogarítmica - .

2. Regresiones que no son lineales en los parámetros que se estiman, por ejemplo:

Fuerza - ;

Demostrativo - ;

Exponencial - .

La suma total de las desviaciones al cuadrado de los valores individuales de la característica resultante. en del valor medio se debe a la influencia de muchas razones. Dividamos condicionalmente todo el conjunto de razones en dos grupos: factor en estudio x Y otros factores.

Si el factor no influye en el resultado, entonces la línea de regresión en el gráfico es paralela al eje Oh Y

Entonces toda la varianza de la característica resultante se debe a la influencia de otros factores y la suma total de las desviaciones al cuadrado coincidirá con el residual. Si otros factores no influyen en el resultado, entonces y atado Con incógnita funcionalmente y la suma residual de cuadrados es cero. En este caso, la suma de las desviaciones al cuadrado explicadas por la regresión es igual a la suma total de cuadrados.

Dado que no todos los puntos del campo de correlación se encuentran en la línea de regresión, su dispersión siempre se produce como resultado de la influencia del factor incógnita, es decir, regresión en Por INCÓGNITA, y causado por otras causas (variación inexplicable). La idoneidad de una línea de regresión para el pronóstico depende de qué parte de la variación total del rasgo en explica la variación explicada

Obviamente, si la suma de las desviaciones al cuadrado debidas a la regresión es mayor que la suma residual de los cuadrados, entonces la ecuación de regresión es estadísticamente significativa y el factor incógnita tiene un impacto significativo en el resultado Ud.

, es decir, con el número de libertades de variación independiente de una característica. El número de grados de libertad está relacionado con el número de unidades de la población n y el número de constantes determinadas a partir de ella. En relación con el problema en estudio, el número de grados de libertad debería mostrar cuántas desviaciones independientes de norte

La evaluación de la importancia de la ecuación de regresión en su conjunto se da mediante F-Criterio de Fisher. En este caso, se plantea la hipótesis nula de que el coeficiente de regresión es igual a cero, es decir segundo = 0, y por lo tanto el factor incógnita no afecta el resultado Ud.

El cálculo inmediato de la prueba F va precedido del análisis de varianza. El lugar central en él lo ocupa la descomposición de la suma total de las desviaciones al cuadrado de una variable. en del valor medio en en dos partes: "explicada" y "inexplicada":

Suma total de desviaciones al cuadrado;

Suma de la desviación al cuadrado explicada por la regresión;

Suma residual de desviaciones al cuadrado.

Cualquier suma de desviaciones al cuadrado está relacionada con el número de grados de libertad. , es decir, con el número de libertades de variación independiente de una característica. El número de grados de libertad está relacionado con el número de unidades de población. norte y con el número de constantes determinado a partir de él. En relación con el problema en estudio, el número de grados de libertad debería mostrar cuántas desviaciones independientes de norte posible requerido para formar una suma dada de cuadrados.

Dispersión por grado de libertadD.

Relaciones F (prueba F):

Si la hipótesis nula es cierta, entonces las varianzas factorial y residual no difieren entre sí. Para H 0, es necesaria una refutación para que la dispersión del factor supere varias veces la dispersión residual. El estadístico inglés Snedekor desarrolló tablas de valores críticos. F-relaciones a diferentes niveles de significancia de la hipótesis nula y diferentes números de grados de libertad. Valor de la tabla F-criterio es el valor máximo de la relación de varianzas que puede ocurrir en caso de divergencia aleatoria para un nivel dado de probabilidad de la presencia de la hipótesis nula. Valor calculado F-Las relaciones se consideran confiables si o es mayor que la tabla.

En este caso, se rechaza la hipótesis nula sobre la ausencia de relación entre signos y se concluye sobre la importancia de esta relación: Hecho F > Tabla F Se rechaza H0.

Si el valor es menor que el tabulado F hecho ‹, tabla F, entonces la probabilidad de la hipótesis nula es mayor que un nivel específico y no puede rechazarse sin un riesgo grave de sacar una conclusión errónea sobre la presencia de una relación. En este caso, la ecuación de regresión se considera estadísticamente insignificante. Pero él no se desvía.

Error estándar del coeficiente de regresión

Para evaluar la importancia del coeficiente de regresión, se compara su valor con su error estándar, es decir, se determina el valor real. t-Prueba t de Student: que luego se compara con el valor de la tabla en un cierto nivel de significancia y número de grados de libertad ( norte- 2).

Error de parámetro estándar A:

La importancia del coeficiente de correlación lineal se verifica en función de la magnitud del error. coeficiente de correlación t r:

Varianza total del rasgo incógnita:

Regresión lineal múltiple

construcción de modelos

Regresión múltiple representa una regresión de una característica efectiva con dos o más factores, es decir, un modelo de la forma

La regresión puede dar buenos resultados en la modelización si se puede ignorar la influencia de otros factores que afectan el objeto de estudio. El comportamiento de las variables económicas individuales no se puede controlar, es decir, no es posible garantizar la igualdad de todas las demás condiciones para evaluar la influencia de un factor en estudio. En este caso, se debe intentar identificar la influencia de otros factores introduciéndolos en el modelo, es decir, construir una ecuación de regresión múltiple: y = a+b 1 x 1 +b 2 +…+b p x p + .

El objetivo principal de la regresión múltiple es construir un modelo con una gran cantidad de factores, determinando al mismo tiempo la influencia de cada uno de ellos por separado, así como su impacto combinado en el indicador modelado. La especificación del modelo incluye dos rangos de cuestiones: selección de factores y elección del tipo de ecuación de regresión.