Model de regresie multiplu pentru previzionarea

Nume: Turnea Alexandru-Ionuț

Facultatea de Marketing
Marketing Strategic
Anul I

Problema care se cere a fi rezolvată constă în previziunea pe termen scurt a sosirilor

înregistrate în structurile de primire turistică. Previzionarea acestei variabile dependente poate fi
utilă pentru unitățile de cazare din România, în senul elaborării unui plan de marketing mai
eficient pentru anul următor. De asemenea, prin previzionarea acestui indice, unitățile de cazare
își pot crea o imagine a cererii ce va urma în anul următor, astfel că vor răspunde optim fluxului
de turiști și mai mult iși pot optimiza costurile în cadrul unității de cazare.

Modelul se prezintă sub forma: Yi= β0+ β1Xi1+ β2Xi2+.....+ βnXin cu i=1,n
AN Sosiri înregistrate Înnoptările Indicele de Sosirile Plecările vizitatorilor
în structurile de înregistrate în utilizare netă vizitatorilor români în
primire structurile de a structurilor străini în străinătate(X4) (mii)
turistică(Y) (mii primire de românia(X3)
turisti) turistică(X1) (mii) cazare(X2) (mii)
(%)

2006 6216.00 18991.70 33.60 6037.00 8905.80

2007 6971.90 20593.30 36.00 7721.7 10979.80
2008 7125.30 20726.00 35.00 8862.10 13072.20
2009 6141.10 17325.40 28.40 7575.30 11722.50
2010 6036.20 15967.10 25.30 7498.30 10905.20
2011 7002.40 17914.10 26.40 7611.10 10936.20
2012 7653.40 19091.40 25.90 7936.70 11148.90
2013 7918.50 19301.80 25.20 8018.60 11364.40
2014 8444.00 20230.20 26.20 8441.60 12299.00
2015 9898.60 23445.40 28.80 9331.10 13118.10
2016 10917.40 25275.00 30.80 10222.90 16128.00
2017 12056.30 26915.70 31.20 12706.10 19939.70

În primă etapă am utilizat SPSS pentru a identifica daca exista anumite corelații între
variabilele studiate. Rezultatele sunt prezentate în următorul tabel de corelații
Correlations
 Y X1 X2 X3 X4
** **
Pearson Correlation 1 .941 .049 .916 .893**

Y Sig. (2-tailed) .000 .879 .000 .000

N 12 12 12 12 12
** **
Pearson Correlation .941 1 .379 .872 .860**
X1 Sig. (2-tailed) .000 .225 .000 .000
N 12 12 12 12 12
Pearson Correlation .049 .379 1 .110 .148
X2 Sig. (2-tailed) .879 .225 .734 .647
N 12 12 12 12 12
** **
Pearson Correlation .916 .872 .110 1 .987**
X3 Sig. (2-tailed) .000 .000 .734 .000
N 12 12 12 12 12
** ** **
Pearson Correlation .893 .860 .148 .987 1

X4 Sig. (2-tailed) .000 .000 .647 .000

N 12 12 12 12 12

**. Correlation is significant at the 0.01 level (2-tailed).

Corelațiile semnificative dintre variabile sunt notate în tabel cu ”**”. După cum putem
observa variabila dependentă (Y) prezintă corelații semnificative cu X1, X3 și X4.
Următoarea etapă a fost de creare a regresiei în SPSS folosind metoda stepwise.
Rezultatele sunt prezentate în următorul tabel
Model Summary

Change Statistics
R Adjusted R Std. Error of the R Square Sig. F
Model R Square Square Estimate Change F Change df1 df2 Change
1 .941a .886 .875 692.51225 .886 77.981 1 10 .000
b
2 .998 .997 .996 125.94108 .110 293.357 1 9 .000
c
3 .999 .998 .998 94.86038 .002 7.864 1 8 .023

a. Predictors: (Constant), X1 - b. Predictors: (Constant), X1, X2 - c. Predictors: (Constant), X1,

X2, X4 - d. Dependent Variable: Y
Din modelele prezentate calculate de SPSS mai sus, vom alege modelul 3 pentru care
avem un Sig F de 0.023% mai mic decât 0.1% (pentru proncetul de garantare al rezultatelor de
10% propus pentru acest model) și datorită indicelui R pătrat ajustat care este de 0.998 ceea ce
înseamnă că variația variabilei dependente (Y) este explicată într-o porporție de 99.8% de
variabilele X1, X2 și X4.
 În continuare vom analiza modelul utilizând doar cele trei variabile independente X1, X2
și X4 ;i folosinf metoda enter.

Variables Entered/Removed

Model Variables Variables Method

Entered Removed

1 X4, X2, X1b . Enter

a. Dependent Variable: Y
b. All requested variables entered.

ANOVA

Model Sum of Squares df Mean Square F Sig.

Regression 42121264.296 3 14040421.432 1560.308 .000b

1 Residual 71987.933 8 8998.492

Total 42193252.229 11

a. Dependent Variable: Y
b. Predictors: (Constant), X4, X2, X1

Model Summary

Model R R Square Adjusted R Std. Error of Change Statistics

Square the Estimate
R Square F Change df1 df2 Sig. F
Change Change

1 .999a .998 .998 94.86038 .998 1560.308 3 8 .000

a. Predictors: (Constant), X4, X2, X1

b. Dependent Variable: Y

Din primul tabel putem observa că toate variabilele propuse de noi au fost acceptate în
model. De asemenea Sign F are valoare 0.000 mai mic decât 0.1 ceea ce înseamnă că modelul
este valid statistic. F calculat are valoarea de 1560.308 mai mare decât 2.92379629 (3,8,0.1) ceea
ce întărește decizia de validitate a modelului din punct de vedere statistic.
În continuare vom analiza tabelul coeficienților, analiza de multicoliniaritate și
autocorelație la nivelul modelului nostru analizat.

Coefficients
Model Unstandardized Coefficients Standardized t Sig. 90.0% Confidence Interval for B
Coefficients

B Std. Error Beta Lower Bound Upper Bound

(Constant) 51.228 243.251 23.211 .038 .309 .566

X1 .601 .020 .996 30.126 .000 .564 .638

1
X2 -172.294 8.615 -.341 -19.999 .000 -188.314 -156.274

X4 .058 .021 .087 2.804 .023 .020 .097

a. Dependent Variable: Y

Din tabelul coeficienților observăm că Sign. F pentru toți coeficienții sunt mai mici de
0.05 ceea ce înseamnă că aceștia sunt validați din punct de vedere statistic, și pot constitui
evaluarea unor previziuni a sosirilor înregistrate în structurile de primire turistică. De asemenea
din coloanele tabelului Lower Bound și Upper Bound observăm ca intervalul coeficienților nu
cuprinde cifra 0, iar că testul t calculat este mai mare decât valoarea sa tabelară ceea ce ne indică
faptul că acești coeficienți sunt validați.

Collinearity Statistics
Durbin-Watson
Tolerance VIF
2.116

.195 5.124
.735 1.361
.223 4.487

Tabelele de mai sus reprezintă testele de multicoliniaritate și autocorelație la nivelul

modelului. Daca ne uităm la coloana VIF observam că media indicilor este de 3.65 mai mică
decât 5 ceea ce înseamnă că modelul nu este afectat de multicoliniaritate. Putem vorbi de
distorsiuni ale modelului datorate multicoliniarității atunci când această medie este mai mare de
10. În tabelul din dreapta avem calculat testul Durbin-Watson, testul autocorelației, care
înregistrează valoarea de 2.116. Valoarea acestui indicator este cuprins între 0 și 4, unde valoarea
2 indică lipsa autocorelației într-un model. După cum putem observa, valoarea Durbin-Watson în
modelul nostru se aporpei de 2, ceea ce indică o lipsa a autocorelației în acest model.
Modelul de regresie este următorul:
Y=51.228+(X1*0.601)+(X2*(-172.294))+(X4*.058)
Previziunea pentru anul următor al sosirilor înregistrate în structurile de primire turistică este:
Y=51.228+(26915.70*0.601)+( 31.20*(-172.294))+(19939.70*.058) = 12008.4935 mii turiști.