Как мы уже говорили ранее, уравнение регрессии в отличие от обычных уравнений, оценивающих функциональную, т. е. жестко детерминированную связь между переменными, дает прогноз зависимой переменной с учетом воздействия случайного фактора, поэтому фактические значения результативного признака практически всегда отличаются от его расчетных (теоретических) значений. При этом случайная компонента (остаток) находится следующим образом.
Сначала находится прогнозируемый курс доллара, например, на апрель 2010 г. С учетом того, что порядковый номер апреля 2010 г. равен 215 (июнь 1992 г. = 1), на этот месяц может быть предсказан следующий курс доллара:
Yрасч = 0,1622 × 215 + 1,9958 = 36,8616;
Е= Yфакт- Yрасч = -7,573.
Следовательно, прогноз, сделанный по уравнению регрессии, в апреле 2010 г. оказался выше фактического курса доллара на 7 руб. 57,3 коп. Вполне очевидно, что это слишком большая величина отклонения, чтобы исследуемое уравнение регрессии можно было бы использовать для прогноза валютного курса. В свою очередь чем ближе теоретические значения подходят к фактическим данным, тем лучше качество прогностической модели. Поскольку разница между фактическим и предсказываемым значениями курса доллара (Yфакт- Yрасч) может быть величиной как положительной, так и отрицательной, то ошибку аппроксимации (подгонки модели к фактическим данным) следует определять как в абсолютных цифрах по модулю, так и в процентах по модулю.
При этом среднюю абсолютную ошибку по модулю находят по следующей формуле:
Для нашего уравнения регрессии средняя абсолютная ошибка по формуле (2.20) будет равна
Иначе говоря, прогноз по этой статистической модели в среднем по каждому наблюдению отклонялся от фактического значения курса доллара на 5 руб. 62,3 коп. по модулю.
Среднюю относительную ошибку по модулю в процентах вычисляют по следующей формуле:
При этом средняя относительная ошибка по модулю в процентах имеет следующее значение:
Следовательно, прогноз по этой статистической модели в среднем по каждому наблюдению отклонялся от фактического значения курса доллара на 38,98 %. В то время как о хорошем качестве уравнения регрессии можно говорить лишь в том случае, если средняя относительная ошибка по модулю составляет не более 5–7 %[5].
Чтобы окончательно убедиться в непригодности для прогноза этого уравнения регрессии, построим табл. 2.6, в которой дадим прогнозы и фактический курс доллара за период с января 2009 г. по апрель 2010 г.
Судя по табл. 2.6, с января 2009 г. по апрель 2010 г. отклонения от прогноза (остатки), сделанного по уравнению регрессии Yрасч = 0,1622 × 215 + 1,9958, колебались в диапазоне от 98,5 коп. до 7 руб. 57,3 коп., что свидетельствует о невысокой точности этой прогностической модели. Более того, если построить график остатков по линейной прогностической модели, то легко обнаружить, что на нем имеется несколько локальных трендов (рис. 2.2). А это признак — как мы об этом уже говорили — нестационарности полученных остатков.
2.3. Решение уравнений регрессии в Excel графическим способом
Попробуем повысить точность нашего прогноза, используя алгоритм действий № 1 «Как строить диаграммы в Microsoft Excel». С этой целью обведем с помощью мышки столбец с ежемесячными данными (на конец месяца) по курсу пары «рубль — доллар» за период с июня 1992 г. по апрель 2010 г. и столбец с соответствующими обозначениями месяцев. Выбрав опцию ГРАФИК, строим соответствующую диаграмму, а затем щелкаем с помощью мышки по линии графика и выбираем в появившемся окне опцию ДОБАВИТЬ ЛИНИЮ ТРЕНДА (рис. 2.3).
Далее появляется диалоговое мини-окно ФОРМАТ ЛИНИИ ТРЕНДА, в котором мы можем выбрать соответствующие ПАРАМЕТРЫ ЛИНИИ ТРЕНДА (рис. 2.4), необходимые для построения прогностических моделей. При этом воспользуемся всеми имеющимися в Excel форматами тренда за одним-единственным исключением: из полиномиальных трендов возьмем тренды не выше третьей степени. В научной литературе обычно не рекомендуют использовать для аппроксимации фактических данных более сложные полиномы, поскольку они плохо поддаются интерпретации и, несмотря на высокий коэффициент детерминации (по включенной в статистическую модель базе данных), обладают низкой прогностической ценностью.
Сначала построим самый простой линейный тренд. С этой целью выберем в окне ФОРМАТ ЛИНИИ ТРЕНДА в опции ПАРАМЕТРЫ ЛИНИИ ТРЕНДА формат ЛИНЕЙНАЯ. При этом поставим галочку в опциях ПОКАЗЫВАТЬ УРАВНЕНИЕ НА ДИАГРАМММЕ, ПОМЕСТИТЬ НА ДИАГРАММУ ВЕЛИЧИНУ ДОСТОВЕРНОСТИ АППРОКСИМАЦИИ (R^2)[6]. В результате получим диаграмму (рис. 2.5), показывающую линейный тренд, т. е. линейную зависимость роста курса доллара от времени (порядковый номер 1 — июнь 1992 г.).
Поочередно задавая различные параметры тренда и сравнивая коэффициенты детерминации, составим табл. 2.7, в которой разместим по мере роста коэффициента детерминации прогностические модели с различным форматом тренда. Наиболее высокий коэффициент детерминации соответствует уравнению регрессии, полученному путем аппроксимации по степенному тренду. В этом случае R2 оказался равен 0,919136, т. е. это уравнение регрессии объясняет 91,91 % всех ежемесячных колебаний курса доллара. Соответственно доля случайной компоненты оказалась равна: 100 % — 91,91 % = 8,09 %.
Чтобы правильно интерпретировать уравнения регрессии, полученные графическим способом, необходимо иметь в виду, что в процессе построения тренда программа Excel автоматически задает в качестве зависимой переменной у ежемесячный курс доллара, а в качестве независимой х — порядковый номер месяца. Например, экономическая интерпретация уравнения регрессии со степенной функцией у = 0,0443609х1,2807295 следующая: курс доллара в период с июня 1992 г. по апрель 2010 г. ежемесячно рос со средней скоростью 1,28 % при исходном уровне 4,44 коп.[7]
Как мы уже убедились, графический способ решения уравнения регрессии в программе Excel позволяет довольно существенно экономить время. Однако у этого способа есть и один весьма существенный недостаток, обусловленный тем, что при этом не проводится оценка статистической значимости как в целом уравнения регрессии, так и его коэффициентов.
Таким образом, графический способ решения уравнения регрессии целесообразно использовать на этапе предварительного отбора уравнений регрессии, имеющих наиболее высокий коэффициент детерминации. После отбора уравнения регрессии с высоким коэффициентом детерминации в Excel его нужно решить, используя в Пакете анализа опцию РЕГРЕССИЯ (см. алгоритм действий № 3). Однако решение уравнения регрессии, аппроксимирующего фактические данные степенным трендом, имеет определенную специфику. В отличие от линейного тренда уравнение регрессии решается не относительно имеющихся исходных данных, а по отношению к их логарифмам. Объясняется это тем, что уравнение регрессии со степенным трендом относится по оцениваемым параметрам к нелинейным моделям, но путем логарифмирования его можно привести к линейному виду.
