Сделай Сам Свою Работу на 5

Результаты проведения корреляционно-регрессионного анализа





Результаты проведения корреляционного анализа

Гипотеза: низкий спрос на LED-светильники в связи с их высокой стоимостью (одна из причин – невысокие доходы у населения).

Целью проведения корреляционного анализа является влияние цены LED-светильника на спрос. С помощью пакета SPSS была получена матрица корреляционных коэффициентов:

 
 

Между переменными степень значимости цены и наличием светодиодных ламп дома коэффициент корреляции равен 0,012, что говорит об отсутствии связи между данными переменными. Таким образом, гипотеза не подтвердилась.

 

Гипотеза: низкий спрос на LED-светильники из-за привычки потребителей к старому и осторожность при покупке новых товаров.

Оценивается влияние наличия значимости привычки на спрос на LED-светильники. Получена следующая матрица корреляционных коэффициентов:


 

Между переменными степень значимости привычки и наличием дома светодиодных ламп коэффициент корреляции равен 0,028, что говорит об отсутствии связи между переменными. Гипотеза не подтвердилась.

 

Гипотеза: низкий спрос на LED-светильники в связи с низкой осведомленностью у населения о выгодах светодиодного освещения.



Оценивается влияние осведомленности у населения на спрос на LED-

 
 

светильники. Получена следующая матрица корреляционных коэффициентов:

Таким образом, между переменными осведомленность о светодиодном освещении и наличием дома LED-светильников, коэффициент парной корреляции равен 0,336**. Коэффициент находится в диапазоне от 0,21 до 0,4, это говорит о том, что между переменными имеется очень слабая связь.

Вывод: Чем выше уровень осведомленности о LED-освещении, тем больше случаев покупки данного освещения. Парная корреляция показала незначимость данной зависимости.

 

 

Результаты проведения регрессионного анализа

 

По переменным в ходе корреляционного анализа была выявлена очень слабая зависимость. Само строение вопросов анкет, их качество не предполагает проведения регрессионного анализа. Например, в другом исследовании можно было бы установить, какое влияние оказывают оценки частных параметров обслуживания на борту на общее впечатление авиапассажиров от полета. В данном случае, на лицо набор критериев, по которым респонденты расставляют оценки, и зависимая величина – общая оценка полета. В нашем исследовании ни одна переменная не складывается под влиянием других переменных, что является существенным недостатком сформированной анкеты.



Была проведена попытка построить модель, где независимой переменной являлся уровень осведомленности о LED-светильниках, а зависимой – случаи их покупки.

Не рассматривались гипотезы, по которым корреляционный анализ показал отсутствие какой-либо зависимости.

 

 

Рассмотрим сначала нижнюю часть результатов расчётов, представленных в таблице «Коэффициенты». Здесь выводятся коэффициент регрессии В и смещение по оси ординат под именем "константа". То есть, уравнение регрессии выглядит следующим образом:

y = -0,201 + 1,4973

Средняя часть расчётов отражает два источника дисперсии: дисперсию, которая описывается уравнением регрессии (сумма квадратов, обусловленная регрессией) и дисперсию, которая не учитывается при записи уравнения (остаточная сумма квадратов). Частное от суммы квадратов, обусловленных регрессией и остаточной суммы квадратов называется "коэффициентом детерминации". В таблице результатов это частное выводится под именем R2 показывающий, какая доля совокупной вариации в зависимой переменной описывается выбранным набором независимых переменных. В нашем случае R² = 0,113 — это значит, что регрессионной моделью описано 11,3 % случаев.

Также следует обратить внимание на столбец «Знч» . Статистическая значимость меньше 0,05.



Рассмотрим таблицу «Сводка для модели», содержащую важные сведения о построенной модели. Коэффициент детерминации R является характеристикой силы общей линейной связи между переменными в регрессионной модели. Он показывает, насколько хорошо выбранные независимые переменные способны определять поведение зависимой переменной. Чем выше коэффициент детерминации (изменяющийся в пределах от 0 до 1), тем лучше выбранные независимые переменные подходят для определения поведения зависимой переменной. В нашем случае R(Н) = 0,336, который не является хорошим показателем. Независимые переменные плохо подходят для определения поведения зависимой переменной.

Третьим практически значимым показателем, определяющим качество регрессионной модели, является величина стандартной ошибки расчетов (столбец Стд. ошибка прогноза). Чем он меньше, тем надежнее модель (в общем случае показатель должен быть меньше 0,5). В нашем случае ошибка составляет 0,3667, что является приемлемым результатом.

Вывод: на основании таблиц «Сводка для модели» и «Дисперсионный анализ» можно судить о практической пригодности построенной регрессионной модели. Несмотря на то, что дисперсионный анализ показывает весьма высокую значимость (менее 0,001), стандартная ошибка расчетов менее 0,5, но коэффициент детерминации ниже 0,5 и с учетом ограничения модель описывает лишь 11,3 % совокупной дисперсии, можно сделать вывод о том, что построенная регрессионная модель не является статистически значимой и приемлемой.

 

 

 








Не нашли, что искали? Воспользуйтесь поиском по сайту:



©2015 - 2024 stydopedia.ru Все материалы защищены законодательством РФ.