Исследование эффективности маркетинговых усилий фирмы (на примере изготовителя шариковых ручек Click), страница 5

1. Поскольку значение коэффициента детерминации оказалось равным 0,534, то, следовательно, практическое значение данной регрессионной модели является высоким. Но по сравнению с первым случаем, данное построенное уравнение регрессии является менее значимым. Хотя о практическом применении данной модели говорить с полной уверенностью нельзя – нужны дополнительные исследования.
2. Поскольку значение коэффициента корреляции оказалось равным 0,731, то это означает наличие некой взаимосвязи между  и .
3. Средняя ошибка аппроксимации – 17,18%. Этот показатель больше, чем в первом случае.
4. Коэффициенты  и оказались статистически значимыми. Построенная регрессия в целом оказалась статистически значимой. Это означает, что она существует.
5. Исходя из вида уравнения регрессии, можно утверждать о том, что изменение числа показов торговых представителей на единицу в месяц влечет за собой изменение дохода на 172 тыс. долларов.

Построим множественную регрессию показателя Y на все факторы. Для этого сначала запишем матрицу :

Транспонируем эту матрицу и вычислим произведение . Определитель матрицы произведения оказался равным 1041224.

Поскольку значение определителя данной матрицы существенно отличается от 0, то, следовательно, можно найти коэффициенты уравнения множественной регрессии.

Найдем обратную матрицу .

Вычислим коэффициенты уравнения множественной регрессии в матричном виде по формуле .

Сверху вниз, соответственно, коэффициенты уравнения множественной регрессии . Запишем уравнение регрессии в развернутой форме:

Вычислим дисперсию остатков по формуле:

Вычислим стандартные ошибки коэффициентов регрессии:

Подкоренное выражение – есть номер элемента в обратной матрице . В итоге получаем: