faktora un rezultējošo raksturlielumu standartnovirzes daļās;
6. Ja parametrs a regresijas vienādojumā ir lielāks par nulli, tad:
7. Piedāvājuma atkarību no cenām raksturo vienādojums formā y = 136 x 1,4. Ko tas nozīmē?
Pieaugot cenām par 1%, piedāvājums palielinās vidēji par 1,4%;
8. B jaudas funkcija parametrs b ir:
Elastības koeficients;
9. Atlikušo standartnovirzi nosaka pēc formulas:
10. Regresijas vienādojumam, kas izveidots no 15 novērojumiem, ir šāda forma: y = 4 + 3x +?6 t - kritērija vērtība ir 3,0 Šī vienādojuma determinācijas koeficients ir:
Modeļa veidošanas posmā, jo īpaši faktoru skrīninga procedūrā, viņi izmanto
Daļējās korelācijas koeficienti.
12. Tiek saukti "strukturālie mainīgie".:
Dummy mainīgie.
13. Dota pāru korelācijas koeficientu matrica:
U xl x 2 x 3
U 1.0 - - -
Xl 0,7 1,0 -
X2 -0,5 0,4 1,0 -
X3 0,4 0,8 -0,1 1,0
Kādi faktori ir kolineāri?
14. Laika rindas autokorelācijas funkcija ir:
laikrindu līmeņu autokorelācijas koeficientu secība;
15. Laika rindas līmeņa prognozētā vērtība aditīvajā modelī ir:
Tendenču un sezonas komponentu summa.
16. Viena no laikrindu kointegrācijas hipotēzes pārbaudes metodēm ir:
Engela-Grendžera kritērijs;
17. Laikrindu kointegrācija ir:
Cēloņu un seku attiecības divu (vai vairāku) laikrindu līmenī;
18. Eksogēno mainīgo koeficientus vienādojumu sistēmā apzīmē:
19. Vienādojums ir pārāk identificējams, ja:
20. Modeli uzskata par neidentificējamu, ja:
Vismaz viens modeļa vienādojums nav identificējams;
13. IESPĒJA
1. Ekonometriskās izpētes pirmais posms ir:
Problēmas formulēšana.
Kādā atkarībā dažādas nozīmes vai viens mainīgais atbilst cita mainīgā dažādiem vērtību sadalījumiem?
Statistikas;
3. Ja regresijas koeficients ir lielāks par nulli, tad:
Korelācijas koeficients ir lielāks par nulli.
4. Klasiskā pieeja regresijas koeficientu novērtēšanai ir balstīta uz:
Metode mazākie kvadrāti;
Fišera F tests raksturo
Faktoru un atlikušo dispersiju attiecība, kas aprēķināta katrai brīvības pakāpei.
6. Standartizētais regresijas koeficients ir:
Daudzkārtējs korelācijas koeficients;
7. Lai novērtētu koeficientu nozīmīgumu, nevajag lineārā regresija aprēķināt:
F - Fišera tests;
8. Parametrus nosaka, izmantojot mazāko kvadrātu metodi:
Lineārā regresija;
9. Korelācijas koeficienta nejaušo kļūdu nosaka pēc formulas:
M= √(1-r 2)/(n-2)
10. Dots: Dfact = 120;Doct = 51. Kāda būs Fišera F testa faktiskā vērtība?
11. Fišera daļējais F tests novērtē:
Statistiskā nozīme atbilstošā faktora klātbūtne vienādojumā daudzkārtēja regresija;
12. Neobjektīvs novērtējums nozīmē to:
Paredzamā vērtība atlikums ir nulle.
13. Aprēķinot vairākkārtējas regresijas un korelācijas modeli programmā Excel, lai parādītu pāru korelācijas koeficientu matricu, tiek izmantots:
Datu analīzes rīka korelācija;
14. Sezonālās komponentes vērtību summai visiem ceturkšņiem aditīvā modelī jābūt vienādai ar:
15. Laika rindas līmeņa prognozētā vērtība reizināšanas modelī ir:
Tendenču un sezonas komponentu produkts;
16. Nepatiesu korelāciju izraisa:
Tendences.
17. Lai noteiktu atlikumu automātisko korelāciju, izmantojiet:
Kritērijs Durbins-Vatsons;
18. Apzīmēti endogēno mainīgo koeficienti vienādojumu sistēmā:
19 . Nosacījums ir tāds, ka matricas rangs, kas sastāv no mainīgo lielumu koeficientiem. pētāmajā vienādojumā nav mazāks par endogēno skaitu sistēmas mainīgie uz vienību ir:
Papildu nosacījums vienādojuma identificēšana vienādojumu sistēmā
20. Netiešo mazāko kvadrātu metodi izmanto, lai atrisinātu:
Identificējama vienādojumu sistēma.
14. IESPĒJA
1. Matemātiskās un statistiskās izteiksmes, kas kvantitatīvi raksturo ekonomikas parādības un procesus un kurām ir diezgan augsta ticamības pakāpe, sauc:
Ekonometriskie modeļi.
2. Regresijas analīzes mērķis ir:
Saiknes ciešuma noteikšana starp pazīmēm;
3. Regresijas koeficients parāda:
Vidējās rezultāta izmaiņas, mainoties koeficientam par vienu tā mērvienību.
4. Vidēja kļūda tuvinājumi ir:
Iegūtā raksturlieluma aprēķināto vērtību vidējā novirze no faktiskajām;
5. Nepareiza matemātiskās funkcijas izvēle attiecas uz kļūdām:
Modeļa specifikācijas;
6. Ja parametrs a regresijas vienādojumā ir lielāks par nulli, tad:
Rezultāta variācija ir mazāka nekā faktora variācija;
7. Kura funkcija tiek linearizēta, mainot mainīgos: x=x1, x2=x2
Otrās pakāpes polinoms;
8. Pieprasījuma atkarību no cenām raksturo vienādojums y = 98 x - 2.1. Ko tas nozīmē?
Pieaugot cenām par 1%, pieprasījums samazinās vidēji par 2,1%;
9. Vidējo prognozes kļūdu nosaka pēc formulas:
- σost=√(∑(у-ỹ) 2 / (n-m-1))
10. Ir izveidots sapārots regresijas vienādojums: y = 13+6*x, veidots no 20 novērojumiem, ar r = 0,7. Nosakiet korelācijas koeficienta standarta kļūdu:
11. Standartizētie regresijas koeficienti parāda:
Cik sigmas mainīsies vidējais rezultāts, ja attiecīgais faktors mainās par vienu sigmu, pārējo faktoru vidējam līmenim paliekot nemainīgam;
12. Viena no piecām mazāko kvadrātu metodes premisām ir:
Homoskedastiskums;
13. Aprēķinam daudzkārtējs koeficients Tiek izmantotas Excel korelācijas:
Datu analīzes rīks Regresija.
14. Sezonālās komponentes vērtību summai visos periodos reizināšanas modelī ciklā jābūt vienādai ar:
Četri.
15. Analītiski saskaņojot laikrindu, neatkarīgais mainīgais ir:
16. Autokorelācija atlikumos ir OLS pieņēmuma pārkāpums par:
No regresijas vienādojuma iegūto atlikumu nejaušība;
Regresijas vienādojuma koeficientus, tāpat kā jebkurus absolūtos rādītājus, nevar izmantot salīdzinošajā analīzē, ja atbilstošo mainīgo mērvienības ir atšķirīgas. Piemēram, ja y - ģimenes izdevumi par pārtiku, X 1 – ģimenes lielums un X 2 ir kopējie ģimenes ienākumi, un mēs definējam tādas attiecības kā = a + b 1 x 1 + b 2 x 2 un b 2 > b 1 , tad tas to nenozīmē x 2 ir spēcīgāka ietekme uz y , kā X 1 , jo b 2 ir ģimenes izdevumu izmaiņas, mainoties ienākumiem par 1 rubli, un b 1 – izdevumu izmaiņas, kad ģimenes lielums mainās par 1 cilvēku.
Regresijas vienādojuma koeficientu salīdzināmība tiek panākta, ņemot vērā standartizētu regresijas vienādojumu:
y 0 = 1 x 1 0 + 2 x 2 0 + … + m x m 0 + e,
kur y 0 un x 0 k – standartizētas mainīgās vērtības y Un x k :
S y un S – mainīgo standartnovirzes y Un x k ,
k (k=) – -regresijas vienādojuma koeficienti (bet ne regresijas vienādojuma parametri, atšķirībā no iepriekšējiem apzīmējumiem). -koeficienti parāda, kāda tā daļa standarta novirze(S y) atkarīgais mainīgais mainīsies y , ja neatkarīgais mainīgais x k mainīsies par tās standartnovirzes (S) vērtību. Regresijas vienādojuma parametru aprēķini absolūtos skaitļos (b k) un β-koeficienti ir saistīti ar sakarību:
Regresijas vienādojuma koeficienti standartizētā mērogā sniedz reālistisku neatkarīgu mainīgo ietekmes attēlojumu uz modelēto rādītāju. Ja -koeficienta vērtība jebkuram mainīgajam pārsniedz atbilstošā -koeficienta vērtību citam mainīgajam, tad pirmā mainīgā ietekme uz veiktspējas rādītāja izmaiņām jāuzskata par būtiskāku. Jāpatur prātā, ka standartizētajam regresijas vienādojumam mainīgo centrēšanas dēļ pēc konstrukcijas nav brīva termiņa.
Vienkāršai regresijai -koeficients sakrīt ar pāra korelācijas koeficientu, kas ļauj piešķirt pāra korelācijas koeficientam jēgpilnu nozīmi.
Analizējot regresijas vienādojumā iekļauto rādītāju ietekmi uz modelēto raksturlielumu, līdzās -koeficientiem tiek izmantoti arī elastības koeficienti. Piemēram, vidējo elastības rādītāju aprēķina pēc formulas
un parāda, par cik procentiem vidēji mainīsies atkarīgais mainīgais, ja attiecīgā neatkarīgā mainīgā vidējā vērtība mainīsies par vienu procentu (visas pārējās lietas ir vienādas).
2.2.9. Diskrēti mainīgie regresijas analīzē
Parasti mainīgajiem lielumiem regresijas modeļos ir nepārtraukti variāciju diapazoni. Tomēr teorija neuzliek nekādus ierobežojumus šādu mainīgo raksturam. Diezgan bieži regresijas analīzē ir jāņem vērā kvalitatīvo raksturlielumu ietekme un to atkarība no dažādiem faktoriem. Šajā gadījumā regresijas modelī ir jāievieš diskrēti mainīgie. Diskrētie mainīgie var būt neatkarīgi vai atkarīgi. Apskatīsim šos gadījumus atsevišķi. Vispirms aplūkosim diskrētu neatkarīgu mainīgo gadījumu.
Dummy mainīgie regresijas analīzē
Lai regresijā iekļautu kvalitatīvās pazīmes kā neatkarīgus mainīgos, tās ir jādigitalizē. Viena no metodēm to kvantitatīvai noteikšanai ir izmantot fiktīvus mainīgos. Nosaukums nav pilnīgi piemērots - tie nav fiktīvi, taču šiem nolūkiem ērtāk ir izmantot mainīgos, kuriem ir tikai divas vērtības - nulle vai viena. Tāpēc tos sauca par fiktīviem. Parasti kvalitatīvajam mainīgajam var būt vairāki vērtību līmeņi. Piemēram, dzimums – vīrietis, sieviete; kvalifikācija – augsta, vidēja, zema; sezonalitāte - I, II, III un IV ceturksnis utt. Pastāv noteikums, saskaņā ar kuru, lai digitalizētu šādus mainīgos, ir jāievada fiktīvo mainīgo skaits, kas ir par vienu mazāks nekā modelētā indikatora līmeņu skaits. Tas ir nepieciešams, lai šādi mainīgie lielumi neizrādītos lineāri atkarīgi.
Mūsu piemēros: dzimums ir viens mainīgais, kas vienāds ar 1 vīriešiem un 0 sievietēm. Kvalifikācijai ir trīs līmeņi, kas nozīmē, ka ir nepieciešami divi fiktīvi mainīgie: piemēram, z 1 = 1 augsts līmenis, 0 – citiem; z 2 = 1 vidējam līmenim, 0 citiem. Trešo līdzīgu mainīgo nevar ieviest, jo šajā gadījumā tie izrādītos lineāri atkarīgi (z 1 + z 2 + z 3 = 1), matricas determinants (X T X) pagrieztos uz nulli un tas nebūtu iespējams atrast apgriezto matricu (X T X) -1 tas būtu iespējams. Kā zināms, regresijas vienādojuma parametru aplēses tiek noteiktas no attiecības: T X) -1 X T Y).
Manekena mainīgo koeficienti parāda, cik lielā mērā atkarīgā mainīgā vērtība atšķiras analizētajā līmenī salīdzinājumā ar trūkstošo līmeni. Piemēram, ja algas līmenis tiktu modelēts atkarībā no vairākām pazīmēm un prasmju līmeņa, tad koeficients pie z 1 parādītu, kā speciālistu ar augstu kvalifikācijas līmeni alga atšķiras no speciālista algas ar zems līmenis kvalifikācija, pārējām lietām esot vienādām, un koeficientam z 2 ir līdzīga nozīme speciālistiem ar vidējo kvalifikācijas līmeni. Sezonalitātes gadījumā būtu jāievada trīs fiktīvi mainīgie (ja ņem vērā ceturkšņa datus), un uz tiem esošie koeficienti parādītu, kā atkarīgā mainīgā vērtība attiecīgajā ceturksnī atšķiras no ceturkšņa atkarīgā mainīgā līmeņa. kas netika ievadīts tos digitalizējot.
Arī fiktīvie mainīgie tiek ieviesti, lai modelētu pētāmo rādītāju dinamikas strukturālās izmaiņas, analizējot laikrindas.
4. piemērs. Standartizēts regresijas vienādojums un fiktīvie mainīgie
Apskatīsim piemēru, kā izmantot standartizētus koeficientus un fiktīvus mainīgos, izmantojot divistabu dzīvokļu tirgus analīzes piemēru, pamatojoties uz vairāku regresijas vienādojumu ar šādu mainīgo kopu:
CENA – cena;
TOTSP – kopējā platība;
LIVSP – dzīvojamā platība;
KITSP – virtuves zona;
DIST – attālums līdz pilsētas centram;
WALK – vienāds ar 1, ja varat staigāt līdz metro stacijai, un vienāds ar 0, ja nepieciešams izmantot sabiedrisko transportu;
ĶIEģeLIS – vienāds ar 1, ja māja ir ķieģeļu un vienāda ar 0, ja tā ir paneļu;
STĀVS – vienāds ar 1, ja dzīvoklis neatrodas pirmajā vai pēdējā stāvā un vienāds ar 0 citādi;
TEL – vienāds ar 1, ja dzīvoklī ir telefons, un vienāds ar 1, ja nav;
BAL ir vienāds ar 1, ja ir balkons, un vienāds ar 0, ja nav balkona.
Aprēķini tika veikti, izmantojot programmatūru STATISTICA (2.23. attēls). -koeficientu klātbūtne ļauj sakārtot mainīgos lielumus atbilstoši to ietekmes pakāpei uz atkarīgo mainīgo. Veiksim īsu aprēķinu rezultātu analīzi.
Pamatojoties uz Fišera statistiku, mēs secinām par regresijas vienādojuma nozīmīgumu (p-līmenis< 0,05). Обработана информация о 6 286 квартирах (n–m–1 = 6 276, а m = 9). Все коэффициенты уравнения регрессии (кроме при переменной BAL) значимы (р-величины для них < 0,05), а наличие или отсутствие балкона в этом случае существенно не сказывается на цене квартиры.
2.24. attēls – Dzīvokļu tirgus pārskats, pamatojoties uz STATISTICA PPP
Daudzkārtējās noteikšanas koeficients ir 52%, tādēļ regresijā iekļautie mainīgie nosaka cenas izmaiņas par 52%, bet atlikušie 48% no dzīvokļa cenas izmaiņām ir atkarīgi no neieskaitītiem faktoriem. Tai skaitā no nejaušām cenu svārstībām.
Katrs mainīgā lieluma koeficients parāda, cik daudz mainīsies dzīvokļa cena (visām pārējām lietām vienādām), ja šis mainīgais mainīsies par vienu. Tā, piemēram, kad kopējā platība mainās par 1 kv. m, dzīvokļa cena mainīsies vidēji par 0,791 USD, un, ja dzīvoklis pārcelsies 1 km attālumā no pilsētas centra, dzīvokļa cena vidēji samazināsies par 0,596 USD. uc Dummy mainīgie (pēdējie 5) parāda, cik daudz mainīsies dzīvokļa vidējā cena, ja pāriesit no viena šī mainīgā līmeņa uz citu. Tā, piemēram, ja māja ir ķieģeļu, tad dzīvoklis tajā maksā vidēji 3104 USD. Tas ir, dārgāka nekā tāda pati paneļu mājā, un telefona klātbūtne dzīvoklī paceļ tā cenu vidēji par 1493 USD. e., utt.
Pamatojoties uz -koeficientiem, var izdarīt šādus secinājumus. Lielākais -koeficients, kas vienāds ar 0,514, ir mainīgā “kopējās platības” koeficients, tāpēc, pirmkārt, dzīvokļa cena veidojas tā kopējās platības ietekmē. Nākamais faktors, kas ietekmē dzīvokļa cenas izmaiņas, ir attālums līdz pilsētas centram, tad materiāls, no kura māja būvēta, tad virtuves zona utt.
Ekonometrikā daudzkārtējās regresijas (2.13) parametru noteikšanai ar izslēgto koeficientu bieži izmanto citu pieeju:
Sadalīsim abas vienādojuma puses ar izskaidrotā mainīgā standartnovirzi S Y un iesniedziet to šādā formā:
Sadalīsim un reizinim katru terminu ar atbilstošā koeficienta mainīgā standarta novirzi, lai iegūtu standartizētus (centrētus un normalizētus) mainīgos:
kur jaunie mainīgie ir apzīmēti kā
.
Visiem standartizētajiem mainīgajiem vidējais lielums ir nulle un tāda pati dispersija ir viens.
Regresijas vienādojums standartizētā formā ir:
Kur 
- standartizēti regresijas koeficienti.
Standartizētie regresijas koeficienti 
atšķiras no koeficientiem 
parasta, dabiska forma tādā ziņā, ka to vērtība nav atkarīga no modeļa izskaidroto un skaidrojošo mainīgo mērīšanas skalas. Turklāt starp tām ir vienkāršas attiecības:
, (3.2)
kas dod citu veidu, kā aprēķināt koeficientus 
pēc zināmām vērtībām 
, ērtāk gadījumā, piemēram, divu faktoru regresijas modelis.
5.2. Normāla mazāko kvadrātu vienādojumu sistēma standartizētā veidā
mainīgie
Izrādās, ka, lai aprēķinātu standartizētus regresijas koeficientus, ir jāzina tikai pāru lineārās korelācijas koeficienti. Lai parādītu, kā tas tiek darīts, izslēgsim nezināmo no parastās mazāko kvadrātu vienādojumu sistēmas 
izmantojot pirmo vienādojumu. Reizinot pirmo vienādojumu ar ( 
) un pievienojot to pa vārdam ar otro vienādojumu, mēs iegūstam:
Iekavās esošo izteiksmju aizstāšana ar dispersijas un kovariācijas apzīmējumiem
Pārrakstīsim otro vienādojumu tālākai vienkāršošanai ērtā formā:
Sadalīsim abas šī vienādojuma puses ar mainīgo standartnovirzi S Y Un ` S X 1 , un daliet katru terminu un reiziniet ar mainīgā lieluma standarta novirzi, kas atbilst vārda skaitlim:
Iepazīstinām ar lineārās statistiskās attiecības raksturlielumiem:
un standartizētie regresijas koeficienti
,
mēs iegūstam:
Pēc visu pārējo vienādojumu līdzīgām pārveidojumiem, parastā mazāko kvadrātu lineāro vienādojumu sistēma (2.12) iegūst šādu vienkāršāku formu:
(3.3)
5.3. Standartizētas regresijas opcijas
Standartizētie regresijas koeficienti modeļa ar diviem faktoriem īpašajā gadījumā tiek noteikti no nākamā sistēma vienādojumi:
(3.4)
Atrisinot šo vienādojumu sistēmu, mēs atrodam:
, (3.5)
. (3.6)
Aizvietojot atrastās pāru korelācijas koeficientu vērtības vienādojumos (3.4) un (3.5), iegūstam 
Un 
. Pēc tam, izmantojot formulas (3.2), ir viegli aprēķināt koeficientu aplēses 
Un 
, un pēc tam, ja nepieciešams, aprēķiniet tāmi 
saskaņā ar formulu 
6. Ekonomiskās analīzes iespējas, pamatojoties uz daudzfaktoru modeli
6.1. Standartizētie regresijas koeficienti
Standartizētie regresijas koeficienti parāda, cik standartnoviržu 
mainīsies vidējais izskaidrotais mainīgais Y, ja attiecīgais skaidrojošais mainīgais X i
mainīsies par summu 
vienu no tās standarta novirzēm, saglabājot nemainīgu visu pārējo faktoru vidējo līmeni.
Sakarā ar to, ka standartizētā regresijā visi mainīgie tiek norādīti kā centrēti un normalizēti gadījuma lielumi, koeficienti 
salīdzināmi viens ar otru. Salīdzinot tos savā starpā, varat sarindot tiem atbilstošos faktorus X i pēc ietekmes stipruma uz izskaidroto mainīgo Y. Šī ir galvenā priekšrocība standartizētiem regresijas koeficientiem no koeficientiem 
regresija iekšā dabiska forma, kas ir nesalīdzināmi viens ar otru.
Šī standartizēto regresijas koeficientu iezīme ļauj izmantot vismazāko nozīmīgi faktori X i ar to izlases aplēšu vērtībām tuvu nullei 
. Lēmums par to izslēgšanu no lineārās regresijas modeļa vienādojuma tiek pieņemts pēc statistisko hipotēžu pārbaudes, ka tā vidējā vērtība ir vienāda ar nulli.
Regresijas vienādojuma nezināmo parametru aplēses tiek noteiktas, izmantojot mazāko kvadrātu metodi. Tomēr ir vēl viens veids, kā novērtēt šos koeficientus daudzkārtējas lineārās regresijas gadījumā. Lai to izdarītu, standartizētā (normalizētā) skalā tiek izveidots vairākkārtējas regresijas vienādojums. Tas nozīmē, ka visi regresijas modelī iesaistītie mainīgie tiek standartizēti, izmantojot īpašas formulas. Standartizācijas process ļauj iestatīt atskaites punktu katram normalizētajam mainīgajam tā vidējai vērtībai paraugā. Šajā gadījumā standartizētā mainīgā lieluma mērvienība kļūst par tā standarta novirzi. Regresijas vienādojums iekšā standartizēta skala:
kur , ir standartizēti mainīgie;
Standartizētie regresijas koeficienti. Tie. Standartizācijas procesā katra normalizētā mainīgā atskaites punkts tiek iestatīts uz tā vidējo vērtību virs izlases populācija. Šajā gadījumā par standartizētā mainīgā lieluma mērvienību tiek ņemta tā standartnovirze σ . β-koeficienti parāda, par cik sigmām (standarta novirzēm) mainīsies vidējais rezultāts attiecīgā faktora izmaiņu dēļ xI par vienu sigmu, pārējo faktoru vidējam līmenim paliekot nemainīgam. Pielietojot mazāko kvadrātu metodi vairākkārtējai regresijas vienādojumam standartizētā mērogā, pēc atbilstošām transformācijām iegūstam standartizēto koeficientu noteikšanas formas normālvienādojumu sistēmu. regresijas koeficientus β nosaka, izmantojot mazāko kvadrātu no šādas vienādojumu sistēmas, izmantojot determinanta metodi:
Jāņem vērā, ka lielumus r yx 1 un r xixj sauc par pāru koeficientiem. korelācijas un tiek noteiktas pēc formulām: r yx 1 = yxi vidējais – y ср*хiср/ ǪхǪу; r xixj = хixj vidējais – xi avg*xjcv/ǪхiǪxj. Atrisinot sistēmu, nosakām standartizētos koeficientus. regresija. Salīdzinot tos savā starpā, varat sarindot faktorus pēc to ietekmes uz rezultātu stipruma. Tā ir galvenā standartizēto regresijas koeficientu priekšrocība, atšķirībā no koeficientiem. tīra regresija, kas ir nesalīdzināmi viens ar otru. Lai novērtētu parametrus nelineārs vairāki regresijas vienādojumi vispirms tiek pārvērsti lineārā formā (aizstāt mainīgos) un parametru atrašanai tiek izmantota mazāko kvadrātu metode lineārais vienādojums daudzkārtēja regresija uz pārveidotajiem mainīgajiem. Kad iekšēji nelineāras atkarības parametru novērtēšanai nepieciešams izmantot nelineārās optimizācijas metodes Standartizēti regresijas koeficienti βi ir salīdzināmi viens ar otru, kas ļauj sarindot faktorus pēc to ietekmes uz rezultātu stipruma. Lielāka relatīvā ietekme uz iznākuma mainīgā lieluma izmaiņām y iedarbojas ar koeficientu, kas atbilst koeficienta lielākajai absolūtajai vērtībai βi.Tajā galvenā standartizēto regresijas koeficientu priekšrocība, atšķirībā no “tīrās” regresijas koeficientiem, kas nav salīdzināmi savā starpā."tīrie" regresijas koeficienti bi ar izredzēm βi ko raksturo attiecība.
