Автор: Пользователь скрыл имя, 27 Февраля 2012 в 00:21, курсовая работа
Задача курсовой работы – построить математическую модель кадастровой оценки недвижимости для жилых многоквартирных домов г. Ногинск на текущую дату. В курсовой работе также решаются следующие задачи:
– сбор и анализ рыночной информации по ценам продаж жилой недвижимости в г. Ногинске;
– выявление ценообразующих факторов, оказывающих наиболее существенное влияние на формирование цены;
– выбор экономической регрессионной модели оценки и проведение оцифровки исходной экспериментальной выборки;
– проведение расчета параметров модели оценки стоимости;
– проведение анализа полученных результатов;
Введение
1 Теоретические положения в массовой оценке стоимости недвижимости
1.1 Понятие современной массовой (кадастровой) оценки стоимости объектов недвижимости
1.2 Этапы массовой (кадастровой) оценки стоимости недвижимости с помощью корреляционно-регрессионного анализа
2 Массовая (кадастровая) оценка стоимости объектов жилого назначения в многоквартирных домах в г. Ногинск
2.1 Сбор исходной информации и выявление ценообразующих факторов
2.2 Оцифровка собранной информации
2.3 Выбор модели кадастровой оценки объектов недвижимости
2.4 Расчет коэффициентов модели с использованием функций MS EXCEL
2.5 Анализ коэффициентов и проверка гипотез
2.5.1 Анализ коэффициентов R-квадрат
2.5.2 Оценка надежности уравнения регрессии и показателя тесноты связи
2.5.3 Оценка надежности коэффициентов модели
2.5.4 Анализ уровня значимости
2.5.5 Анализ распределения остатков модели
Заключение
Список использованных источников
В процессе сбора информации были выявлены ценообразующие факторы, которые представлены в объявлениях о продажах:
– район города (местоположение);
– количество этажей в доме;
– этаж, на котором расположена квартира;
– количество комнат в квартире;
– тип дома;
– ремонтное состояние квартиры.
2
Методы регрессионного анализа являются методами обработки количественных величин. Теория линейных регрессионных моделей с ненулевым свободным членом не накладывает никаких ограничений на характер значений количественных признаков – они могут быть непрерывными и дискретными, в том числе бинарными. В теории различают порядковые и номинальные шкалы. Порядковый признак обычно отражает различную степень проявления некоторого свойства, но не дает количественной меры для его выражения.
Номинальные шкалы используются, когда эксперт может разбить объекты на классы-группы объектов, однородные по свойству, отражаемому некоторым признаком, но не в состоянии задать никакого естественного упорядочения между самими классами. Бинарный признак, принимающий всего две градации (0 и 1) может быть рассмотрен как частный случай номинальной переменной.
Из номинальных чаще встречаются бинарные признаки, описывающие наличие/отсутствие какого-либо качества. Номинальный признак, имеющий более двух градаций, может быть описан системой бинарных переменной, хотя при этом происходит потеря степеней свободы регрессионного уравнения.
Наиболее распространенным подходом к оцифровке признаков количественной природы является подход сведения к совокупности бинарных переменных.
В классической линейной регрессионной модели ищется зависимость в виде:
y = a0+a1*x1+a2*x2+…+ak*xk .
Для учета неколичественного признака с m градациями требуется введение m-1 бинарной переменной. Для описания признака x1 с градациями (x1, x2, …, xm) вводятся бинарные переменные z1, z2, . . ., zm-1.
Регрессионное уравнение переписывается в виде:
y=a0+a1*x1+a2*x2+…+aj-1*xj-1+b
Оцифрованная информация представлена далее в таблице 2.
2
Таблица 2 – Оцифровка собранной информации
№ | Район | Этажность дома | Этаж | Кол-во комнат | Состояние | Материал стен | Цена | |||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
военный городок | мальково | станция | южный | до 4х | 5 | более 9 | 1й/последний | срединный | 1 | 2 | 3 | среднее | хорошее | отличное | кирпич | панель | ||
1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 86 667 |
2 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 75 000 |
3 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 65 000 |
4 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 61 489 |
5 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 65 000 |
6 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 75 000 |
7 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 67 961 |
8 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 76 300 |
9 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 75 000 |
10 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 72 000 |
11 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 78 431 |
12 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 69 643 |
13 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 82 000 |
14 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 65 789 |
15 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 69 892 |
16 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 66 500 |
17 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 71 200 |
18 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 60 606 |
19 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 65 789 |
20 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 74 000 |
21 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 70 000 |
22 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 64 706 |
23 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 66 667 |
24 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 49 587 |
25 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 58 537 |
26 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 55 000 |
27 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 53 600 |
28 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 72 850 |
29 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 55 928 |
30 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 62 980 |
31 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 54 545 |
32 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 57 422 |
33 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 66 225 |
34 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 54 348 |
35 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 64 286 |
36 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 75 400 |
37 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 68 000 |
38 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 61 905 |
39 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 53 200 |
40 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 60 748 |
41 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 56 818 |
42 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 56 250 |
43 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 68 627 |
44 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 47 143 |
45 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 51 948 |
46 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 49 587 |
47 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 72 727 |
48 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 65 700 |
49 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 51 919 |
50 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 52 174 |
51 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 65 700 |
52 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 75 000 |
53 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 63 636 |
54 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 0 | 63 793 |
55 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 58 720 |
56 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 56 180 |
57 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 62 162 |
58 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 58 594 |
59 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 50 820 |
60 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 65 000 |
61 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 62 700 |
62 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 59 000 |
63 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 0 | 56 667 |
64 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 55 644 |
65 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 56 604 |
66 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 57 536 |
67 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 58 730 |
68 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 0 | 68 000 |
69 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 50 946 |
70 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 57 143 |
71 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 38 571 |
72 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 60 317 |
73 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 57 325 |
74 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 48 035 |
75 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 56 396 |
76 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 57 143 |
77 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 70 732 |
78 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 56 870 |
79 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 60 377 |
80 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 59 902 |
2
Для целей настоящей работы в первом приближении примем в качестве аппроксимирующей зависимости линейную и аддитивную модель вида:
yi = a0+a1*xi1+a2*xi2+…+ak*xik , i=1,…n.
Для построения модели и вычисления коэффициентов модели выберем в качестве базового одно из значений ценообразующего фактора и исключим его из таблицы 2.
Примем, что в качестве базового объекта – двухкомнатная квартира в районе «военного городка» в пятиэтажном панельном доме в хорошем состоянии, расположенная не на 1м или последнем этаже.
Далее представлена таблица обозначения ценообразующих факторов.
Таблица 3 – Обозначения ценообразующих факторов
Наименование | Обозначение | Значение |
военный городок | отсутствует | базовое |
мальково | а1 | наличие=1, отсутствие=0 |
станция | а2 | наличие=1, отсутствие=0 |
южный район | а3 | наличие=1, отсутствие=0 |
дом до 4х этажей | а4 | наличие=1, отсутствие=0 |
5 эт. дом | отсутствует | базовое |
дом более 9 эт. дом | а5 | наличие=1, отсутствие=0 |
1й или последний этаж | а6 | наличие=1, отсутствие=0 |
срединный | отсутствует | базовое |
1 комната | а7 | наличие=1, отсутствие=0 |
2 комнаты | отсутствует | базовое |
3 комнаты | а8 | наличие=1, отсутствие=0 |
среднее состояние | а9 | наличие=1, отсутствие=0 |
хорошее состояние | отсутствует | базовое |
отличное состояние | а10 | наличие=1, отсутствие=0 |
кирпичный дом | а11 | наличие=1, отсутствие=0 |
панельный дом | отсутствует | базовое |
Теперь составим усеченную оцифрованную таблицу наблюдений ценообразующих факторов путем исключения из таблицы 2 базовых факторов по таблице 3.
2
Таблица 4 – Усеченная оцифрованная информация
№ | а1 | а2 | а3 | а4 | а5 | а6 | а7 | а8 | а9 | а10 | а11 | Цена |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
Район | Этажность дома | Этаж | Кол-во комнат | Состояние | Материал стен | |||||||
мальково | станция | южный | до 4х | более 9 | 1й или последний | 1 | 3 | среднее | отличное | кирпич | ||
1 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 86 667 |
2 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 75 000 |
3 | 0 | 0 | 1 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 65 000 |
4 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 61 489 |
5 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 65 000 |
6 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 75 000 |
7 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 67 961 |
8 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 1 | 76 300 |
9 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 1 | 75 000 |
10 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 72 000 |
11 | 1 | 0 | 0 | 0 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 72 000 |
12 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 72 000 |
13 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 72 000 |
14 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 65 789 |
15 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 69 892 |
16 | 0 | 1 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 66 500 |
17 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 71 200 |
18 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 60 606 |
19 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 65 789 |
20 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 74 000 |
21 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 1 | 70 000 |
22 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 64 706 |
23 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 66 667 |
24 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 49 587 |
25 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 58 537 |
26 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 55 000 |
27 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 53 600 |
28 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 0 | 0 | 72 850 |
29 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 55 928 |
30 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 62 980 |
31 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 54 545 |
32 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 57 422 |
33 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 66 225 |
34 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 54 348 |
35 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 64 286 |
36 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 75 400 |
37 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 68 000 |
38 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 61 905 |
39 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 53 200 |
40 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 60 748 |
41 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 56 818 |
42 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 56 250 |
43 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 68 627 |
44 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 47 143 |
45 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 51 948 |
46 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 49 587 |
47 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 72 727 |
48 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 65 700 |
49 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 51 919 |
50 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 52 174 |
51 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 65 700 |
52 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 1 | 75 000 |
53 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 63 636 |
54 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 1 | 63 793 |
55 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 58 720 |
56 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 56 180 |
57 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 62 162 |
58 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 58 594 |
59 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 50 820 |
60 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 0 | 0 | 65 000 |
61 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 62 700 |
62 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 59 000 |
63 | 0 | 0 | 1 | 1 | 0 | 1 | 0 | 1 | 1 | 0 | 1 | 56 667 |
64 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 55 644 |
65 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 56 604 |
66 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 57 536 |
67 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 58 730 |
68 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 1 | 68 000 |
69 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 50 946 |
70 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 57 143 |
71 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 38 571 |
72 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 60 317 |
73 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 57 325 |
74 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 48 035 |
75 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 56 396 |
76 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 57 143 |
77 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 1 | 70 732 |
78 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 56 870 |
79 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 60 377 |
80 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 59 902 |
2
Для расчета коэффициентов регрессионного уравнения используем пакет прикладных программ MS EXCEL. Для этих целей нужно воспользоваться функцией ЛИНЕЙН или РЕГРЕССИЯ. В целях настоящей работы применим обе функции.
Функция ЛИНЕЙН для таблицы 4 выдает результаты, представленные в таблице 5.
2
Таблица 5 – Расчет коэффициентов с использованием функции ЛИНЕЙН
a11 | a10 | a9 | a8 | a7 | a6 | a5 | a4 | a3 | a2 | a1 | a0 |
2960,831 | 12531,9667 | -3702,64892 | -2252,4263 | 10313,7889 | -4752,717949 | 8077,79806 | -6030,923 | 2168,59142 | -484,15779 | -109,0720019 | 52775,9056 |
1158,62895 | 2196,08301 | 1225,98007 | 1324,15323 | 1471,31309 | 1173,348231 | 1313,56841 | 1889,77678 | 1518,68174 | 1908,8901 | 1434,579367 | 1418,45136 |
0,74659214 | 4583,6503 | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д |
18,2129191 | 68 | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д |
4209157685 | 1428669803 | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д | #Н/Д |
Функция РЕГРЕССИЯ для таблицы 4 выдает результаты, представленные в таблице 6.
Таблица 6 – Выходные данные функции РЕГРЕССИЯ
ВЫВОД ИТОГОВ |
|
|
|
|
|
|
|
| |
|
|
|
|
|
|
|
|
| |
Регрессионная статистика |
|
|
|
|
|
|
| ||
Множественный R | 0,864055634 |
|
|
|
|
|
|
| |
R-квадрат | 0,746592139 |
|
|
|
|
|
|
| |
Нормированный R-квадрат | 0,705599691 |
|
|
|
|
|
|
| |
Стандартная ошибка | 4583,650297 |
|
|
|
|
|
|
| |
Наблюдения | 80 |
|
|
|
|
|
|
| |
|
|
| Fкрит = 2,480340294 |
|
|
| |||
Дисперсионный анализ |
|
|
|
|
|
|
|
| |
| df | SS | MS | F | Значимость F |
|
|
| |
Регрессия | 11 | 4209157685 | 382650698,7 | 18,212919 | 3,17366E-16 |
|
|
| |
Остаток | 68 | 1428669803 | 21009850,05 |
|
|
|
|
| |
Итого | 79 | 5637827488 |
|
|
|
|
|
| |
|
|
|
|
|
|
|
|
| |
| Коэффициенты | Стандартная ошибка | t-статистика | P-Значение | Нижние 95% | Верхние 95% | Нижние 80,0% | Верхние 80,0% | |
Y-пересечение | 52775,90564 | 1418,451359 | 37,20670806 | 0,000000000 | 49945,43005 | 55606,381 | 50940,251 | 54611,56 | |
Переменная X 1 | -109,0720019 | 1434,579367 | -2,07603065 | 0,049396180 | -2971,730523 | -2753,5865 | -1965,5979 | -1747,4539 | |
Переменная X 2 | -484,1577885 | 1908,890104 | -2,253633139 | 0,048005443 | -4293,288638 | -3324,9731 | -2954,5014 | -1986,1858 | |
Переменная X 3 | 2168,59142 | 1518,681735 | 2,427943308 | 0,001578849 | -861,8907625 | -5199,0736 | 203,22646 | 4133,9564 | |
Переменная X 4 | -6030,923048 | 1889,776779 | -3,191341494 | 0,002144257 | -9801,913851 | -2259,9322 | -8476,5316 | -3585,3145 | |
Переменная X 5 | 8077,798061 | 1313,568413 | 6,14950693 | 0,040368352 | 5456,613135 | 10698,983 | 6377,8755 | 9777,7206 | |
Переменная X 6 | -4752,717949 | 1173,348231 | -4,050560461 | 0,000133480 | -2411,338038 | -7094,0979 | -3234,2579 | -6271,178 | |
Переменная X 7 | 10313,7889 | 1471,313095 | 7,009921232 | 0,036135053 | 7377,829367 | 13249,748 | 8409,7249 | 12217,853 | |
Переменная X 8 | -2252,42634 | 1324,153225 | -3,701031495 | 0,009350612 | -4894,732929 | -389,88025 | -3966,047 | -538,80571 | |
Переменная X 9 | -3702,648923 | 1225,980071 | -3,020154251 | 0,003556803 | -1256,243811 | -6149,054 | -2116,0767 | -5289,2212 | |
Переменная X 10 | 12531,96671 | 2196,083015 | 5,706508643 | 0,048092106 | 8149,751332 | 16914,182 | 9689,9594 | 15373,974 | |
Переменная X 11 | 2960,831005 | 1158,628954 | 2,555460913 | 0,012845885 | 648,8229515 | 5272,8391 | 1461,4196 | 4460,2424 | |
| t-статистика, крит = 1,995468907 |
|
|
|
|
| |||