Рассмотрение с помощью построения регрессионной модели зависимости инвестиций от 6-ти заданных факторов (основные фонды, ..., объем инвестиций, поступивших от иностранных инвесторов), страница 3

    ARCH(1) в ошибке: Chi^2(1) = 0.042277 [0.8371]

·  Избавимся от D:

Зависимая переменная: I

Количество наблюдений: 78

     Переменная           Коэффициент  Станд. ошибка  t-статистика   Знач.  

  1 Константа           -31425.201494  5856.8390013  -5.3655566573  [0.0000]

  2 K                    0.0974593286  0.0097345402   10.011703324  [0.0000]

  3 Y                    0.2060388765  0.0469095226   4.3922612097  [0.0000]

  4 G                    1.0142512696  0.1956114457   5.1850302814  [0.0000]

  5 Pr                  -0.4106793074  0.104983426   -3.9118489769  [0.0002]

6 F                   -4.1929272207  1.5757389252  -2.6609276154  [0.0096]

    R^2adj. = 96.798749274%   DW = 1.9091

    R^2 = 97.006622698%       S.E. = 22398.885294

Сумма квадратов остатков:  36123124495.0991

    Максимум логарифмической функции правдоподобия: -888.863324881753

    AIC =  22.970854484        BIC =  23.182353994

       F(5,72) = 466.662  [0.0000]

    Нормальность: Chi^2(2) = 5.765222 [0.0560]

    Гетероскедастичность: Chi^2(1) = 0.553046 [0.4571]

    Функциональная форма: Chi^2(1) = 2.563062 [0.1094]

    AR(1) в ошибке: Chi^2(1) = 0.023736 [0.8776]

    ARCH(1) в ошибке: Chi^2(1) = 0.034275 [0.8531]

Новое уравнение регрессии имеет вид:

Снова рассмотрим отдельные результаты по данной модели:

1.  Коэффициент детерминации равен 97,00%. По сравнению с предыдущими результатами изменился незначительно, следовательно, точность аппроксимации достаточно высока.

2.  Значение статистики Фишера  снова отвергает нулевую гипотезу (.

3.  Уровни значимости отдельных факторов модели менее 5%, а статистики Стьюдента  для всех факторов располагаются правее значения , следовательно, все введенные факторы значимы.

Мультиколлинеарность

Для проверки построенной модели на мультиколлинеарность рассмотрим матрицу коэффициентов корреляции факторных переменных (K, Y, G, Pr, F):

Корреляционная матрица

           <K>       <Y>       <G>       <Pr>       <F>

   <K>  1.        0.789878  0.871737  0.936672  0.743458

                  [0.0000]  [0.0000]  [0.0000]  [0.0000]

   <Y>  0.789878  1.        0.549118  0.710105  0.453904

        [0.0000]            [0.0000]  [0.0000]  [0.0000]

   <G>  0.871737  0.549118  1.        0.918035  0.932587

        [0.0000]  [0.0000]            [0.0000]  [0.0000]

   <Pr> 0.936672  0.710105  0.918035  1.        0.899968

        [0.0000]  [0.0000]  [0.0000]            [0.0000]

   <F>  0.753458  0.453904  0.932587  0.899968  1.     

        [0.0000]  [0.0000]  [0.0000]  [0.0000]         

Мы видим, что коэффициенты корреляции между факторами больше, чем 0,75. Для того, чтобы определить, какой избавление от какого из этих факторов будет наиболее эффективным, рассмотрим коэффициенты детерминации регрессий этих переменных по оставшимся факторам:

Фактор	, %
K	96.314
Y	71.786
G	95.265
Pr	97.336
F	96.037

Таким образом, необходимо избавиться от фактора Pr.

В результате:

Зависимая переменная: I

Количество наблюдений: 78

     Переменная           Коэффициент  Станд. ошибка  t-статистика   Знач.  

  1 Константа           -24476.937706  6103.2991313  -4.0104437255  [0.0001]

  2 K                    0.0679310615  0.0067219986   10.105783404  [0.0000]

  3 Y                    0.1723382794  0.0504269619   3.417582043   [0.0010]

  4 G                    1.3260718382  0.1953505091   6.7881667883  [0.0000]

  5 F                   -9.1752811988  1.0145905457  -9.0433340207  [0.0000]

    R^2adj. = 96.171542585%   DW = 2.0007

    R^2 = 96.370423489%       S.E. = 24495.057942

    Сумма квадратов остатков:  43800574041.0534