Одно- і багатофакторні моделі попиту

Економіко-математичні моделі (EMM) попиту будуються у вигляді одно- чи багатофакторних рівнянь регресії, у яких незалежними змінни­ми виступають фактори, що впливають на попит, а залежною змін­ною — сам попит на товар.

При однофакторному аналізі описується зв'язок попиту Q і одного фактора х. Збирання експериментальних даних проводиться шляхом багаторазового ви­мірювання величин При проведенні однофакторного і багатофакторного аналізу рівняння регресії прийнято поділяти за формами зв'язку на: лінійні, па­раболічні, степеневі, показникові тощо. Число факторів, що включаються в мо­дель, повинно бути меншим від числа спостережень. При цьому фактори пови­нні бути незалежні між собою. З двох факторів, що при парній кореляції один з одним мають достатньо високий коефіцієнт кореляції, в багатофакторній моделі залишають тільки один з них, більш вагомий з точки зору дослідника.

Після вибору математичної форми зв'язку за методом найменших квадра­тів визначають значення параметрів математичної моделі через побудову систе­ми нормальних рівнянь.

Підбираючи математичну форму зв'язку, орієнтуються на таку, для якої буде більше кореляційне відношення і менша відносна помилка. Якщо , то модель досить адекватно описує реальний процес формування попиту.

Оскільки показники тісноти кореляційного зв'язку обчислюються за вибір­ковими даними і є випадковими величинами, то необхідно встановити значимість показників кореляції і коефіцієнтів моделі. Для цього визначають помил­ку коефіцієнта кореляції за величиною середньоквадратичного відхилення.

При побудові регресійних моделей використовуються стандартні пакети прикладних програм, наприклад, ППП „StatGraphics" (для аналізу динамічних рядів, побудови авторегресивних та логічних моделей), SPSS (при побудові бага­тофакторних регресійних моделей, проведенні дисперсійного аналізу, побудові двовимірних графіків), BMDP (при використанні багатофакторної лінійної ре­гресії, степеневої логістичної регресії, крокової регресії), MicroTSP (при побудові простої регресії, прогнозуванні, побудові моделей із ковзним середнім).