Решение задач по эконометрике

Построение поля и расчёт линейного коэффициента корреляции. Построение линейного уравнения множественной регрессии и расчёт коэффициента множественной детерминации. Определение коэффициента автокорреляции первого порядка и построение уравнения тренда.

Рубрика Экономико-математическое моделирование
Вид контрольная работа
Язык русский
Дата добавления 04.02.2013
Размер файла 316,1 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Санкт- Петербургский Государственный Университет экономики и финансов

Заочный факультет, кафедра статистики и эконометрики

Контрольная работа

По эконометрике

Студента группа №351

Хмель Валентина Александровича

Вариант 3

Оглавление

1. Задача 1

2. Задача 2

3. Задача 3

4. Задача 4

5. Задача 5

Литература

1. Задача 1

Изучается зависимость между ценой квартиры (y - тыс.долл.) и размером ее жилой площади (x - кв.м.) по следующим данным:

№ п/п

Цена квартиры, тыс.долл.

Жилая площадь, кв.м

1

28

34

2

25

28

3

33

38

4

49

47

5

32

36

6

24

27

7

32

28

8

24

29

9

36

31

10

32

37

Задание

1.Постройте поле корреляции, характеризующее зависимость цены квартиры от жилой площади.

2.Определите параметры уравнения парной линейной регрессии. Дайте интерпретацию коэффициента регрессии и знака при свободном члене уравнения.

3.Рассчитайте линейный коэффициент корреляции и поясните его смысл. Определите коэффициент детерминации и дайте его интерпретацию.

4.Найдите среднюю ошибку аппроксимации.

5.Рассчитайте стандартную ошибку регрессии.

6.С вероятностью 0,95 оцените статистическую значимость уравнения регрессию в целом, а также его параметров. Сделайте выводы.

7.С вероятностью 0,95 постройте доверительный интервал ожидаемого значения цены квартиры в предположении, что жилая площадь квартиры увеличится на 5% от своего среднего значения. Сделайте выводы.

Решение

1.Построение поля корреляции, характеризующее зависимость цены квартиры от жилой площади

Поле корреляции строим, нанося данные наблюдений на координатную плоскость:

При исследовании двух факторов этот построенный график уже показывает, существует зависимость или нет, характер этой зависимости. В частности, на приведенном графике уже видно, что с ростом фактора х значение фактора у тоже увеличивается. Правда зависимость эта нечеткая, размытая, или, правильно говоря, статистическая.

2.Определение параметров уравнения парной линейной регрессии

Определим уравнение парной линейной регрессии методом наименьших квадратов.

Сущность метода наименьших квадратов заключается в нахождении параметров модели a0, a1, при которых минимизируется сумма квадратов отклонений эмпирических (фактических) значений результативного признака от теоретических, полученных по выборочному уравнению регрессии:

Для линейной модели

Функция двух переменных S(a0, a1) может достигнуть экстремума в том случае, когда ее частные производные равны нулю. Вычисляя эти частные производные, получим систему уравнений для нахождения параметров a0 , a1 линейного уравнения регрессии.

В случае, когда возмущающая переменная е имеет нормальное распределение, коэффициенты a0, a1, полученные методом наименьших квадратов для линейной регрессии, являются несмещенными эффективными оценками параметров б0, б1 исходного уравнения.

Строим таблицу промежуточных вычислений, учитывая, что n=10:

№ п/п

хi

уi

хi2

уi2

xii

1

28

34

784

1156

952

2

25

28

625

784

700

3

33

38

1089

1444

1254

4

49

47

2401

2209

2303

5

32

36

1024

1296

1152

6

24

27

576

729

648

7

32

28

1024

784

896

8

24

29

576

841

696

9

36

31

1296

961

1116

10

32

37

1024

1369

1184

315

335

10419

11573

10901

Получаем систему уравнений:

Решаем данную систему относительно переменных а0 и а1 методом Крамера.

Развернутая матрица системы уравнений:

Находим определитель матрицы коэффициентов:

Заменяем последовательно столбцы в матрице коэффициентов столбцом свободных членов и находим определители полученных матриц:

По формулам Крамера находим:

;

Подставляем полученные значения в уравнение и получаем уравнение:

Интерпретация коэффициента регрессии и знака при свободном члене уравнения.

Параметр a1=0,702 показывает среднее изменение результата y с изменением фактора x на единицу. Параметр a0=11,39=y, когда x=0. Так как а0>0, то относительное изменение результата происходит медленнее, чем изменение фактора, то есть вариация результата меньше вариации фактора.

3.Рассчитаем линейный коэффициент корреляции

Коэффициент корреляции величин x и y (rxy) - свидетельствует о наличии или отсутствии линейной связи между переменными:

, где ;

при

Если: rxy= -1 , то наблюдается строгая отрицательная связь; rxy = 1, то наблюдается строгая положительная связь; rxy = 0, то линейная связь отсутствует.

То есть:

Находим необходимые значения:

;;;;;;; ;

Полученное значение коэффициента корреляции близко к 1, следовательно, между X и Y существует довольно тесная связь.

Определяем коэффициент детерминации

Коэффициент детерминации - квадрат коэффициента корреляции:

Чем выше показатель детерминации, тем лучше модель описывает исходные данные. Следовательно, качество описания исходных данных в данной модели 69,8%

4.Находим среднюю ошибку аппроксимации

Средняя ошибка аппроксимации - среднее относительное отклонение расчетных значений от фактических:

Составляем таблицу промежуточных вычислений:

№ п/п

хi

уi

1

28

34

31,016

-2,984

-0,09621

0,096208

2

25

28

28,91

0,91

0,031477

0,03459

3

33

38

34,526

-3,474

-0,10062

0,10062

4

49

47

45,758

-1,242

-0,02714

0,027143

5

32

36

33,824

-2,176

-0,06433

0,064333

6

24

27

28,208

1,208

0,042825

0,035451

7

32

28

33,824

5,824

0,172185

0,029565

8

24

29

28,208

-0,792

-0,02808

0,028077

9

36

31

36,632

5,632

0,153745

0,027299

10

32

37

33,824

-3,176

-0,0939

0,093898

315

335

334,73

0,537183

Средняя ошибка аппроксимации:

5.Рассчитываем стандартную ошибку регрессии

Стандартная ошибка регрессии:

где n - число единиц совокупности; m - число параметров при переменных. Для линейной регрессии m = 1.

6. С вероятностью 0,95 оцениваем статистическую значимость уравнения регрессию в целом, а также его параметров

Для оценки статистической значимости коэффициентов линейной регрессии и линейного коэффициента парной корреляции rxy применяется t-критерий Стьюдента и рассчитываются доверительные интервалы каждого из показателей.

Согласно t-критерию выдвигается гипотеза Н0 о случайной природе показателей, т. е. о незначимом их отличии от нуля. Далее рассчитываются фактические значения критерия tфакт для оцениваемых коэффициентов регрессии и коэффициента корреляции rxy путем сопоставления их значений с величиной стандартной ошибки.

Составляем таблицу промежуточных вычислений:

№ п/п

хi

уi

1

28

34

-3,5

12,25

31,016

-2,984

8,90426

-2,484

6,170256

2

25

28

-6,5

42,25

28,91

0,91

0,8281

-4,59

21,0681

3

33

38

1,5

2,25

34,526

-3,474

12,0687

1,026

1,052676

4

49

47

17,5

306,25

45,758

-1,242

1,54256

12,258

150,2586

5

32

36

0,5

0,25

33,824

-2,176

4,73498

0,324

0,104976

6

24

27

-7,5

56,25

28,208

1,208

1,45926

-5,292

28,00526

7

32

28

0,5

0,25

33,824

5,824

33,919

0,324

0,104976

8

24

29

-7,5

56,25

28,208

-0,792

0,62726

-5,292

28,00526

9

36

31

4,5

20,25

36,632

5,632

31,7194

3,132

9,809424

10

32

37

0,5

0,25

33,824

-3,176

10,087

0,324

0,104976

315

335

0

496,5

334,73

105,89

244,6845

Остаточная сумма квадратов равна: , а ее среднее квадратическое отклонение:

;

Находим стандартную ошибку коэффициента регрессии:

;

Рассчитываем фактическое значение критерия Стьюдента для коэффициента регрессии:

;

Находим стандартную ошибку параметра a0:

;

Рассчитываем фактическое значение критерия Стьюдента для коэффициента регрессии:

;

Находим табличные значения t-критерия Стьюдента при уровне значимости ?=0,05

.

Оценка значимости всего уравнения регрессии в целом осуществляется с помощью F-критерия Фишера.

F-критерий Фишера заключается в проверке гипотезы Но о статистической незначимости уравнения регрессии. Для этого выполняется сравнение фактического Fфакт и критического (табличного) Fтабл значений F-критерия Фишера.

Находим фактическое значение F-критерия:

;

Находим табличное значение F-критерия, учитывая k1 = m=1, k2 = n - m - 1=8:

Так как Fтабл < Fфакт, то Н0-гипотеза о случайной природе оцениваемых характеристик отклоняется и признается их статистическая значимость и надежность.

7. С вероятностью 0,95 строим доверительный интервал ожидаемого значения цены квартиры в предположении, что жилая площадь квартиры увеличится на 5% от своего среднего значения

Доверительные интервалы определяют пределы, в которых лежат точные значения определяемых показателей с заданной степенью уверенности, соответствующей заданному уровню значимости б..

Для расчета точечного прогноза подставляем в уравнение регрессии заданное значение факторного признака xi. Доверительный интервал прогноза определяется с вероятностью (1 - ??), как , где - стандартная ошибка точечного прогноза.

где xk - прогнозное значение x. По условию жилая площадь квартиры (xi) должна увеличится на 5%. Тогда

Строим таблицу промежуточных вычислений:

№ п/п

хi

xk

1

28

29,4

-2,1

4,41

2

25

26,25

-5,25

27,5625

3

33

34,65

3,15

9,9225

4

49

51,45

19,95

398,0025

5

32

33,6

2,1

4,41

6

24

25,2

-6,3

39,69

7

32

33,6

2,1

4,41

8

24

25,2

-6,3

39,69

9

36

37,8

6,3

39,69

10

32

33,6

2,1

4,41

315

330,75

15,75

572,1975

;

Тогда доверительный интервал равен

или

С надежностью 0,95 средняя прогнозируемая жилплощадь квартир заключена в доверительном интервале 21,1479<x<45,8521.

2. Задача 2

По 79 регионам страны известны следующие данные об обороте розничной торговли y (% к предыдущему году), реальных денежных доходах населения x1 (% к предыдущему году) и средней номинальной заработной плате в месяц х2 (тыс.руб.):

; ; ; ; ;

; ; ; .

Задание

1.Постройте линейное уравнение множественной регрессии

2.Найдите коэффициент множественной детерминации в том числе скорректированный. Сделайте выводы.

3.Оцените значимость уравнения регрессии через F-критерий Фишера с вероятностью 0,95. Сделайте выводы.

4.Оцените целесообразность дополнительного включения в модель фактора х2 при наличии фактора х1, используя частный F-критерий.

5.Определите частные коэффициенты корреляции и сделайте выводы.

6.Определите частные и средние коэффициенты эластичности и сделайте выводы.

7.Оцените с вероятностью 0,95 доверительные интервалы для коэффициентов регрессии.

Решение

1.Линейное уравнение множественной регрессии

Множественная регрессия - уравнение связи с несколькими независимыми переменными: y=f(x1,x2,...,xp), где у - зависимая переменная (результативный признак); х12,…,хp - независимые переменные (факторы).

В данной задаче уравнение множественной регрессии имеет вид:

Множественная регрессия применяется в ситуациях, когда из множества факторов, влияющих на результативный признак, нельзя выделить один доминирующий фактор и необходимо учитывать влияние нескольких факторов.

Расчет параметров множественной регрессии осуществляется методом наименьших квадратов, путем решения системы уравнений с параметрами a, b1, b2.

Получаем систему уравнений:

Решаем полученную систему относительно переменных a, b1, b2 методом Крамера

Развернутая матрица системы уравнений:

Находим определитель матрицы коэффициентов:

Заменяем последовательно столбцы матрицы коэффициентов столбцом свободных членов и находим определители получившихся матриц:

По формулам Крамера находим значения a, b1, b2:

;

;

.

Записываем линейное уравнение множественной регрессии:

2.Находим коэффициент множественной детерминации, в том числе скорректированный.

Коэффициент множественной детерминации находится по формуле:

Находим коэффициенты парной корреляции: ; ; .

где

;

;

;

Отсюда

где

;

;

;

Отсюда

где

;

;

;

Отсюда

Получили: ; ;

Скорректированный коэффициент множественной детерминации содержит поправку на число степеней свободы и рассчитывается следующим образом:

где n=79, m=2 - число факторных признаков в уравнении регрессии.

3.Проверяем значимость уравнения регрессии через F-критерий Фишера с вероятностью 0,95

;

Табличное значение критерия Фишера равно

Так как Fтабл < Fфакт, то Н0-гипотеза о случайной природе оцениваемых характеристик отклоняется и признается их статистическая значимость и надежность.

4.Оцените целесообразность дополнительного включения в модель фактора х2 при наличии фактора х1, используя частный F-критерий

В предыдущих пунктах получен коэффициент множественной корреляции а коэффициенты парной корреляции при этом были ; ; уравнение парной регрессии у = f(х) охватывало 27,0639% - колеблемости результативного признака под влиянием фактора х1, а дополнительное включение в анализ фактора x2 уменьшило долю объясненной вариации до 15,4921%

5.Определите частные коэффициенты корреляции и сделайте выводы.

Частные коэффициенты корреляции определяются по ф-ле:

Множественный коэффициент корреляции определяется по формуле:

6.Определите частные и средние коэффициенты эластичности и сделайте выводы.

Вычислим средние коэффициенты эластичности по формуле :

; ;

7.Оцените с вероятностью 0,95 доверительные интервалы для коэффициентов регрессии.

Доверительные интервалы определяют пределы, в которых лежат точные значения определяемых показателей с заданной степенью уверенности, соответствующей заданному уровню значимости б..

Для расчета точечного прогноза подставляем в уравнение регрессии заданное значение факторного признака xi. Доверительный интервал прогноза определяется с вероятностью (1 - ??), как , где - стандартная ошибка точечного прогноза.

где xk - прогнозное значение x. По условию жилая площадь квартиры (xi) должна увеличится на 5%. Тогда

;

Тогда доверительный интервал равен

или

С надежностью 0,95 средняя прогнозируемая жилплощадь квартир заключена в доверительном интервале 21,1479<x<45,8521.

3. Задача 3

Рассматривается модель спроса и предложения товара «А»:

где

qd - спрос на товар;

qs - предложение товара;

Р - цена товара;

Y - доход на душу населения;

W - цена товара в предыдущий период.

Приведенная форма модели составила:

Задание

1.Проведите идентификацию модели, используя необходимое и достаточное условие идентификации.

2.Укажите способ оценки параметров структурной модели

3.Найдите структурные коэффициенты модели.

Решение

1.Проведите идентификацию модели, используя необходимое и достаточное условие идентификации.

Данная модель - это система одновременных уравнений, так как она содержит взаимозависимые переменные.

Проверим выполнение необходимого условия идентификации для каждого уравнения модели.

В данной модели две эндогенных переменных, находящихся в левой части. Это - qd и qs. Остальные переменные - P, Y, W - это экзогенные переменные. Таким образом, общее число предопределенных переменных равно 3.

Для первого уравнения Н=1 в него входит эндогенная переменная qd и D=1 (уравнение не включает предопределенной переменной W).

Имеем:

D+1=1+1=2>1

Следовательно, первое уравнение сверхидентифицируемо.

Для второго уравнения Н=1 (qs); D=2 (P; Y).

Имеем:

D+1=1+1=2>1

Второе уравнение также сверхидентифицируемо

Третье уравнение - это тождество, поэтому его не идентифицируют.

Для проверки на достаточное условие заполняем следующую таблицу коэффициентов при отсутствующих в первом уравнении коэффициентов:

Уравнение

Переменные

qs

W

2

1

- b2

3

- 1

0

Определитель матрицы:

Ранг матрицы равен 2 то есть не меньше числа эндогенных переменных в системе без одной. Следовательно, достаточное условие выполняется.

Проверяем достаточное условие для второго уравнения:

Уравнение

Переменные

qd

Y

1

1

- a2

3

1

0

Определитель матрицы:

Ранг матрицы равен 2, то есть не меньше числа эндогенных переменных в системе без одной. Следовательно, достаточное условие выполняется.

2. Укажите способ оценки параметров структурной модели

Так как исследуемая система точно идентифицируема и может быть решена косвенным методом наименьших квадратов.

3.Найдите структурные коэффициенты модели.

Приведенная форма модели имеет вид:

Здесь 3; - 2; 5; 1 - приведенные коэффициенты модели; u1; u2 - случайные ошибки.

Вычисление структурных коэффициентов модели:

1) Из второго уравнения приведенной формы выразим W (так как его нет в первом уравнении структурной формы)

Данное выражение содержит переменные P и Y, которые входят в правую часть первое уравнения структурной формы модели (СФМ). Подставим полученное выражение W в первое уравнение приведенной формы модели (ПФМ)

Откуда получим первое уравнение СФМ в виде:

2) Во втором уравнении СФМ нет переменной Y. Из первого уравнения приведенной формы выразим Y

Подставим полученное выражение W во второе уравнение приведенной формы модели (ПФМ):

Откуда получим второе уравнение СФМ в виде:

Таким образом, СФМ примет вид

4. Задача 4

Динамика пассажирооборота предприятий транспорта региона характеризуется следующими данными:

Год

Млрд. пассажиро-км.

1993

39,0

1994

35,5

1995

31,1

1996

27,9

1997

28,6

1998

28,4

1999

30,3

2000

32,1

2001

33,3

2002

34,0

2003

35,0

Задание

1.Определите коэффициент автокорреляции первого порядка и дайте его интерпретацию.

2.Постройте уравнение тренда в форме параболы второго порядка. Поясните интерпретацию параметров.

3.С помощью критерия Дарбина-Уотсона сделайте выводы относительно автокорреляции в остатках в рассматриваемом уравнении.

4.Дайте интервальный прогноз ожидаемого уровня пассажирооборота на 2005 год.

Решение

1.Определите коэффициент автокорреляции первого порядка и дайте его интерпретацию.

Коэффициент автокорреляции первого порядка:

,

где

;

Составляем таблицу промежуточных вычислений:

n

Год

Млрд. пассажиро-км. yt

Млрд. пассажиро-км. yt-1

1

1993

39

0

3,48

-

2

1994

35,5

35,5

-0,02

3,88

3

1995

31,1

31,1

-4,42

-0,52

4

1996

27,9

27,9

-7,62

-3,72

5

1997

28,6

28,6

-6,92

-3,02

6

1998

28,4

28,4

-7,12

-3,22

7

1999

30,3

30,3

-5,22

-1,32

8

2000

32,1

32,1

-3,42

0,48

9

2001

33,3

33,3

-2,22

1,68

10

2002

34

34

-1,52

2,38

11

2003

35

35

-0,52

3,38

 

 

355,2

316,2

 

 

12,1104

-

0,0004

15,0544

-0,0776

19,5364

0,2704

2,2984

58,0644

13,8384

28,3464

47,8864

9,1204

20,8984

50,6944

10,3684

22,9264

27,2484

1,7424

6,8904

11,6964

0,2304

-1,6416

4,9284

2,8224

-3,7296

2,3104

5,6644

-3,6176

0,2704

11,4244

-1,7576

234,7464

70,536

70,536

Находим:

; ; ,

2.Постройте уравнение тренда в форме параболы второго порядка. Поясните интерпретацию параметров.

Парабола второго порядка имеет вид: , значения t =1, 2, 3…

Парабола второго порядка имеет 3 параметра b0, b1, b2, которые определяются из системы трех уравнений:

Составляем таблицу промежуточных вычислений:

t

y

1

1

39,00

1

1

1

39,00

39,00

2

2

35,50

4

8

16

71,00

142,00

3

3

31,10

9

27

81

93,30

279,90

4

4

27,90

16

64

256

111,60

446,40

5

5

28,60

25

125

625

143,00

715,00

6

6

28,40

36

216

1296

170,40

1022,40

7

7

30,30

49

343

2401

212,10

1484,70

8

8

32,10

64

512

4096

256,80

2054,40

9

9

33,30

81

729

6561

299,70

2697,30

10

10

34,00

100

1000

10000

340,00

3400,00

11

11

35,00

121

1331

14641

385,00

4235,00

66

355,20

506

4356

39974

2121,90

16516,10

Решаем систему уравнения относительно переменных b0, b1, b2 методом Крамера.

Развернутая матрица системы уравнений:

Находим определитель матрицы коэффициентов:

Заменяем последовательно столбцы в матрице коэффициентов столбцом свободных членов и находим определители полученных матриц:

По формулам Крамера находим:

;;.

Парабола второго порядка для данного случая имеет вид:

.

Строим таблицу значений:

t

1

37,756

2

34,644

3

32,204

4

30,436

5

29,34

6

28,916

7

29,164

8

30,084

9

31,676

10

33,94

11

36,876

3. С помощью критерия Дарбина-Уотсона сделайте выводы относительно автокорреляции в остатках в рассматриваемом уравнении.

Автокорреляция в остатках находится с помощью критерия Дарбина -- Уотсона и расчета величины:

Величина d есть отношение суммы квадратов разностей последовательных значений остатков к остаточной сумме квадратов по модели регрессии. Практически во всех статистических ППП значение критерия Дарбина - Уотсона указывается наряду с коэффициентом детерминации, значениями t- и F-критериев.

Коэффициент автокорреляции остатков первого порядка определяется как

Между критерием Дарбина-Уотсона и коэффициентом автокорреляции остатков первого порядка имеет место следующее соотношение:

Таким образом, если в остатках существует полная положительная автокорреляция и , то d=0. Если в остатках полная отрицательная автокорреляция, то и, следовательно, d=4. Если автокорреляция остатков отсутствует, то и d=2. Следовательно, .

t

y

1

1

39

37,756

1,244

-

-

-

1,5475

2

2

35,5

34,644

0,856

0,8560

0,733

-0,3880

0,1505

0,7327

3

3

31,1

32,204

-1,104

-1,1040

1,219

-1,9600

3,8416

1,2188

4

4

27,9

30,436

-2,536

-2,5360

6,431

-1,4320

2,0506

6,4313

5

5

28,6

29,340

-0,740

-0,7400

0,548

1,7960

3,2256

0,5476

6

6

28,4

28,916

-0,516

-0,5160

0,266

0,2240

0,0502

0,2663

7

7

30,3

29,164

1,136

1,1360

1,290

1,6520

2,7291

1,2905

8

8

32,1

30,084

2,016

2,0160

4,064

0,8800

0,7744

4,0643

9

9

33,3

31,676

1,624

1,6240

2,637

-0,3920

0,1537

2,6374

10

10

34

33,940

0,060

0,0600

0,004

-1,5640

2,4461

0,0036

11

11

35

36,876

-1,876

-1,8760

3,519

-1,9360

3,7481

3,5194

66

355,2

355,036

0,164

-1,08

20,712

-3,1200

19,1699

22,2593

Фактическое значение критерия Дарбина-Уотсона для этой модели составляет

Сформулируем гипотезы:

Н0 - в остатках нет автокорреляции;

Н1 - в остатках есть положительная автокорреляция;

Н1* - в остатках есть отрицательная автокорреляция.

Фактическое значение сравниваем с табличным: dL и dU, для заданного числа наблюдений n, числа независимых переменных k и уровня значимости ??

Получаем: dL =0,66; dU,=1,60, то есть

4.Дайте интервальный прогноз ожидаемого уровня пассажирооборота на 2005 год.

Год

t

2004

12

3,098

2005

13

7,378

Рассчитываем ошибку прогноза:

где S - стандартная ошибка параболы второй степени.

Получаем:

5. Задача 5

Изучается зависимость оборота розничной торговли региона (yi - млрд. руб.) от реальных денежных расходов населения (xi - % к декабрю предыдущего года) по следующим данным:

Месяц

Оборот розничной торговли, млрд. руб., yt

Реальные денежные доходы населения, % к декабрю предыдущего года, xt

Январь

13,8

69,6

Февраль

14,3

77,2

Март

15,1

79,3

Апрель

15,4

86,1

Май

15,8

82,9

Июнь

15,6

92,7

Июль

16,2

95,6

Август

17,7

91,3

Сентябрь

18,0

96,4

Октябрь

18,7

97,6

Ноябрь

19,3

103,5

Декабрь

21,5

117,0

Задание

1.Определите коэффициент корреляции между временными рядами, используя:

а) непосредственно исходные уровни,

б) первые разности уровней рядов.

2.Обоснуйте различие полученных результатов и сделайте вывод о тесноте связи между временными рядами.

3.Постройте уравнение регрессии, включив в него фактор времени. Дайте интерпретацию параметров уравнения. Сделайте предположение относительно статистической значимости коэффициента регрессии при факторе х.

Решение

1.Определите коэффициент корреляции между временными рядами, используя:

а) непосредственно исходные уровни,

Коэффициент корреляции величин xt и yt (rxy):

, где ;

при

Находим необходимые значения, учитывая, что n=12.Составляем таблицу промежуточных вычислений:

Месяц

Январь

69,6

13,8

960,48

4844,16

190,44

Февраль

77,2

14,3

1103,96

5959,84

204,49

Март

79,3

15,1

1197,43

6288,49

228,01

Апрель

86,1

15,4

1325,94

7413,21

237,16

Май

82,9

15,8

1309,82

6872,41

249,64

Июнь

92,7

15,6

1446,12

8593,29

243,36

Июль

95,6

16,2

1548,72

9139,36

262,44

Август

91,3

17,7

1616,01

8335,69

313,29

Сентябрь

96,4

18

1735,2

9292,96

324

Октябрь

97,6

18,7

1825,12

9525,76

349,69

Ноябрь

103,5

19,3

1997,55

10712,25

372,49

Декабрь

117

21,5

2515,5

13689

462,25

1089,2

201,4

18581,85

100666,42

3437,26

;

Полученное значение коэффициента корреляции близко к 1, следовательно, между X и Y существует довольно тесная связь.

б) первые разности уровней рядов.

Переходим от первоначальных данных к первым разностям уровней

Месяц

Январь

69,6

13,8

-

-

-

-

Февраль

77,2

14,3

0,5

38,60

5959,84

0,25

Март

79,3

15,1

0,8

63,44

6288,49

0,64

Апрель

86,1

15,4

0,3

25,83

7413,21

0,09

Май

82,9

15,8

0,4

33,16

6872,41

0,16

Июнь

92,7

15,6

-0,2

-18,54

8593,29

0,04

Июль

95,6

16,2

0,6

57,36

9139,36

0,36

Август

91,3

17,7

1,5

136,95

8335,69

2,25

Сентябрь

96,4

18

0,3

28,92

9292,96

0,09

Октябрь

97,6

18,7

0,7

68,32

9525,76

0,49

Ноябрь

103,5

19,3

0,6

62,10

10712,25

0,36

Декабрь

117

21,5

2,2

257,40

13689,00

4,84

1089,2

201,4

7,7

753,54

95822,26

9,57

;

;

;

;

;

;

;

;

2.Обоснуйте различие полученных результатов и сделайте вывод о тесноте связи между временными рядами.

Данные величины расходятся из-за вмешательства фактора времени. Вмешательство фактора времени может привести к ложной корреляции. Для того, чтобы ее устранить, существуют методы, один из которых здесь применили.

3.Постройте уравнение регрессии, включив в него фактор времени. Дайте интерпретацию параметров уравнения. Сделайте предположение относительно статистической значимости коэффициента регрессии при факторе х.

Месяц

Январь

1

69,6

13,8

960,48

4844,16

69,60

13,80

1

Февраль

2

77,2

14,3

1103,96

5959,84

154,40

28,60

4

Март

3

79,3

15,1

1197,43

6288,49

237,90

45,30

9

Апрель

4

86,1

15,4

1325,94

7413,21

344,40

61,60

16

Май

5

82,9

15,8

1309,82

6872,41

414,50

79,00

25

Июнь

6

92,7

15,6

1446,12

8593,29

556,20

93,60

36

Июль

7

95,6

16,2

1548,72

9139,36

669,20

113,40

49

Август

8

91,3

17,7

1616,01

8335,69

730,40

141,60

64

Сентябрь

9

96,4

18

1735,2

9292,96

867,60

162,00

81

Октябрь

10

97,6

18,7

1825,12

9525,76

976,00

187,00

100

Ноябрь

11

103,5

19,3

1997,55

10712,25

1138,50

212,30

121

Декабрь

12

117

21,5

2515,5

13689

1404,00

258,00

144

78

1089,2

201,4

18581,85

100666,42

7562,70

1396,20

650

Решаем систему уравнения относительно переменных a, b, c методом Крамера.

Развернутая матрица системы уравнений:

Находим определитель матрицы коэффициентов:

Заменяем последовательно столбцы в матрице коэффициентов столбцом свободных членов и находим определители полученных матриц:

По формулам Крамера находим:

; ; .

Модель, включающая фактор времени имеет вид:

Литература

корреляция регрессия детерминация тренд

1. Эконометрика (методические указания по изучению дисциплины и выполнению контрольной работы) г. Москва ИНФРА-М 2002 - 88 с.;

2. Елисеева И.И. Эконометрика г. Москва “Финансы и статистика” 2002.-344 с.;

3. Елисеева И.И. Практикум по эконометрике г. Москва “Финансы и статистика” 2003.-192 с.;

Размещено на Allbest.ru

...

Подобные документы

  • Построение доверительного интервала для коэффициента регрессии. Определение ошибки аппроксимации, индекса корреляции и F-критерия Фишера. Оценка эластичности изменения материалоемкости продукции. Построение линейного уравнения множественной регрессии.

    контрольная работа [250,5 K], добавлен 11.04.2015

  • Расчет линейного коэффициента парной и частной корреляции. Статистическая значимость параметров регрессии и корреляции. Анализ корреляционного поля данных. Точность прогноза, расчет ошибки и доверительный интервал. Коэффициент множественной детерминации.

    контрольная работа [155,8 K], добавлен 11.12.2010

  • Построение линейного уравнения парной регрессии, расчет линейного коэффициента парной корреляции и средней ошибки аппроксимации. Определение коэффициентов корреляции и эластичности, индекса корреляции, суть применения критерия Фишера в эконометрике.

    контрольная работа [141,3 K], добавлен 05.05.2010

  • Расчёт параметров линейного уравнения регрессии. Оценка регрессионного уравнения через среднюю ошибку аппроксимации, F-критерий Фишера, t-критерий Стьюдента. Анализ корреляционной матрицы. Расчёт коэффициентов множественной детерминации и корреляции.

    контрольная работа [241,8 K], добавлен 29.08.2013

  • Построение модели множественной линейной регрессии по заданным параметрам. Оценка качества модели по коэффициентам детерминации и множественной корреляции. Определение значимости уравнения регрессии на основе F-критерия Фишера и t-критерия Стьюдента.

    контрольная работа [914,4 K], добавлен 01.12.2013

  • Выполнение кластерного анализа предприятий с помощью программы Statgraphics Plus. Построение линейного уравнения регрессии. Расчет коэффициентов эластичности по регрессионным моделям. Оценка статистической значимости уравнения и коэффициента детерминации.

    задача [1,7 M], добавлен 16.03.2014

  • Факторы, формирующие цену квартир в строящихся домах в Санкт-Петербурге. Составление матрицы парных коэффициентов корреляции исходных переменных. Тестирование ошибок уравнения множественной регрессии на гетероскедастичность. Тест Гельфельда-Квандта.

    контрольная работа [1,2 M], добавлен 14.05.2015

  • Оценка тесноты связи с помощью показателей корреляции и детерминации. Построение поля корреляции и расчёт параметров линейной регрессии. Результаты вычисления функций и нахождение коэффициента детерминации. Регрессионный анализ и прогнозирование.

    курсовая работа [1,1 M], добавлен 07.08.2011

  • Определение параметров линейной регрессии и корреляции с использованием формул и табличного процессора MS Excel. Методика расчета показателей парной нелинейной регрессии и корреляции. Вычисление значений линейных коэффициентов множественной детерминации.

    контрольная работа [110,4 K], добавлен 28.07.2012

  • Построение поля корреляции с формулировкой гипотезы о форме связи. Построение моделей парной регрессии. Оценка тесноты связи с помощью коэффициента (индекса) корреляции. Расчет прогнозного значения результата и доверительного интервала прогноза.

    контрольная работа [157,9 K], добавлен 06.08.2010

  • Расчет параметров линейной регрессии. Сравнительная оценка тесноты связи с помощью показателей корреляции, детерминации, коэффициента эластичности. Построение поля корреляции. Определение статистической надежности результатов регрессионного моделирования.

    контрольная работа [71,7 K], добавлен 17.09.2016

  • Построение модели для зависимой переменной, используя пошаговую множественную регрессию. Рассчет индекса корреляции, оценка качества полученного уравнения регрессии с помощью коэффициента детерминации. Оценка статистической значимости уравнения регрессии.

    лабораторная работа [2,1 M], добавлен 25.05.2009

  • Построение корреляционного поля между накоплениями и стоимостью имущества. Расчет коэффициентов линейного уравнения множественной регрессии, статистическая значимость уравнения. Точечный и интервальный прогноз накоплений. Парная и частная корреляция.

    контрольная работа [145,3 K], добавлен 12.09.2013

  • Построение поля корреляции, расчет уравнений линейной парной регрессии, на основе данных о заработной плате и потребительских расходах в расчете на душу населения. Анализ коэффициента эластичности, имея уравнение регрессии себестоимости единицы продукции.

    контрольная работа [817,3 K], добавлен 01.04.2010

  • Зависимость числа занятых в экономике от величины кредитов, предоставленных организациям. Выбор параметров линейного, экспоненциального, степенного, гиперболического трендов, описывающих динамику доли малых предприятий. Расчёт коэффициента автокорреляции.

    контрольная работа [279,2 K], добавлен 10.02.2015

  • Ковариационная матрица оценок коэффициентов регрессии. Оценка дисперсии ошибок. Сущность теоремы Гаусса-Маркова. Проверка статистических гипотез, доверительные интервалы. Расчет коэффициента детерминации, скорректированного коэффициента детерминации.

    контрольная работа [1,4 M], добавлен 28.07.2013

  • Поле корреляции и гипотеза о виде уравнения регрессии. Оценка величины влияния фактора на исследуемый показатель с помощью коэффициента корреляции и детерминации. Определение основных параметров линейной модели с помощью метода наименьших квадратов.

    контрольная работа [701,1 K], добавлен 29.03.2011

  • Параметры уравнения и экономическое толкование коэффициента линейной регрессии. Расчет коэффициентов детерминации и средних относительных ошибок аппроксимации. Построение структурной формы модели с использованием косвенного метода наименьших квадратов.

    контрольная работа [99,2 K], добавлен 27.04.2011

  • Нахождение уравнения линейной регрессии, парного коэффициента корреляции. Вычисление точечных оценок для математического ожидания, дисперсии, среднеквадратического отклонения показателей x и y. Построение точечного прогноза для случая расходов на рекламу.

    контрольная работа [216,6 K], добавлен 12.05.2010

  • Понятие модели множественной регрессии. Сущность метода наименьших квадратов, который используется для определения параметров уравнения множественной линейной регрессии. Оценка качества подгонки регрессионного уравнения к данным. Коэффициент детерминации.

    курсовая работа [449,1 K], добавлен 22.01.2015

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.