Основной анализ подержанных автомобилей

Экономический анализ зависимости цены автомобиля от его возраста и мощности двигателя. Оценка коэффициентов множественной линейной регрессионной модели. Расчёт точечного и интервального прогнозов среднего значения. Анализ матрицы парных коэффициентов.

Рубрика Экономико-математическое моделирование
Вид контрольная работа
Язык русский
Дата добавления 19.08.2014
Размер файла 228,3 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/

Содержание

Задача №1

Задача №2

Задача №2

Задача №1

В базе данных магазина, торгующего подержанными автомобилями, содержится информация об их потребительских свойствах и ценах.

Для анализа зависимости цены автомобиля Y от его возраста X1 и мощности двигателя X2 из базы данных выбраны сведения о 16 автомобилях. Эти сведения приведены в таблице 1.

Таблица 1

Номер автомобиля i

Цена (тыс.у.е. yi

Возраст (лет) xi1

Мощность двигателя (л.с.) xi2

1

7,7

4

130

2

8,6

3

129

3

6,2

6

134

4

5,3

7

158

5

10,1

3

204

6

10

4

205

7

4,8

5

71

8

5,5

6

109

9

4,3

7

154

10

11,1

3

201

11

7,4

4

112

12

5,6

5

75

13

3,8

6

61

14

2,7

7

63

15

9

3

135

16

4,2

6

102

1. Парные зависимости

1) Построить поля рассеяний для цены Y и возраста автомобиля X1, а также для цены Y и мощности двигателя X2. На основе их визуального анализа выдвинуть гипотезы о виде статистической зависимости Y от X1 и Y от X2 и записать их математически.

2) Методом наименьших квадратов найти оценки линейных уравнений регрессии: , .

3) С помощью коэффициентов парной корреляции проанализировать тесноту линейной связи между ценой и возрастом автомобиля, а также между ценой и мощностью двигателя. Проверить их значимость с надежностью 0,9.

4) Проверить статистическую значимость параметров и уравнений регрессии с надежностью 0,9.

5) Построить доверительные полосы надежности 0,95 для среднего значения цены автомобиля в зависимости от его возраста, а также от мощности двигателя. Изобразить графически линии регрессии и доверительные полосы вместе с полями рассеяний.

6) На продажу поступила очередная партия однотипных автомобилей. Их возраст 3 года, мощность двигателя 165 л.с. Рассчитать точечный и интервальный прогноз среднего значения цены поступивших автомобилей в зависимости от возраста и мощности двигателя с доверительной вероятностью 0,95.

2. Множественная зависимость

1) По методу наименьших квадратов найти оценки коэффициентов множественной линейной регрессионной модели

. (1)

2) Проверить статистическую значимость параметров и уравнения множественной регрессии с надежностью 0,9.

3) Рассчитать точечный и интервальный прогноз среднего значения цены поступивших автомобилей возраста 3 года и мощностью двигателя 165 л.с. с доверительной вероятностью 0,95.

3. Экономическая интерпретация

На основе полученных в пунктах 1 и 2 статистических характеристик провести содержательный экономический анализ зависимости цены автомобиля от его возраста и мощности двигателя.

Решение:

1. Парные зависимости

1) Построим поля рассеяния для зависимости y(x1) и y(x2):

На основе анализа полей рассеяния выдвигаем гипотезу о том, что зависимость цены автомобиля от возраста и от мощности двигателя описывается линейной регрессионной моделью и соответственно.

2) Найдем точечные оценки параметров модели. Для этого составим таблицу для промежуточных расчетов:

i

Yi

Xi1

Xi1Yi

i

Yi

Xi2

Xi2Yi

1

7,7

4

16

30,8

1

7,7

130

16900

1001

2

8,6

3

9

25,8

2

8,6

129

16641

1109,4

3

6,2

6

36

37,2

3

6,2

134

17956

830,8

4

5,3

7

49

37,1

4

5,3

158

24964

837,4

5

10,1

3

9

30,3

5

10,1

204

41616

2060,4

6

10

4

16

40

6

10

205

42025

2050

7

4,8

5

25

24

7

4,8

71

5041

340,8

8

5,5

6

36

33

8

5,5

109

11881

599,5

9

4,3

7

49

30,1

9

4,3

154

23716

662,2

10

11,1

3

9

33,3

10

11,1

201

40401

2231,1

11

7,4

4

16

29,6

11

7,4

112

12544

828,8

12

5,6

5

25

28

12

5,6

75

5625

420

13

3,8

6

36

22,8

13

3,8

61

3721

231,8

14

2,7

7

49

18,9

14

2,7

63

3969

170,1

15

9

3

9

27

15

9

135

18225

1215

16

4,2

6

36

25,2

16

4,2

102

10404

428,4

Итого

106,3

79

425

473,1

Итого

106,3

2043

295629

15016,7

Для нахождения параметров уравнения регрессии составляется система линейных уравнений

, (2)

Коэффициенты этой системы находятся по формулам:

, , , ? (3)

, ,

, =6,644+1,4814,938=13,958

, =6,644-0,042127,688=1,342

3) Определим коэффициенты парной корреляции между ценой и возрастом автомобиля, а также между ценой и мощностью двигателя. Коэффициенты парной корреляции вычисляются по формуле:

, (4)

Проверим значимость парных коэффициентов корреляции. Для этого рассчитаем значения выражения для каждого значения коэффициента корреляции.

Т.к. условие > t0,95;14=1,761 выполняется, то коэффициенты парной корреляции статистически значимы, т.е. они существенно отличны от нуля.

4) Рассчитаем коэффициенты детерминации для каждого из уравнений:

для зависимости y от x1:

,

т.е. вариация цены на 79,03% объясняется возрастом автомобиля;

для зависимости y от x2:

т.е. вариация цены на 61,78% объясняется вариацией мощности двигателя.

Рассчитаем фактическое значение F-статистики Фишера по формуле:

, (5)

для зависимости y от x1;

для зависимости y от x2.

При уровне значимости =0,1 и количестве степеней свободы df1=1, df2=16-2=14 определяем, что табличное значение F-статистики Фишера будет равно Fт(0,1;1;14)=3,1. Для обеих зависимостей выполняется неравенство Fт<Fф, поэтому гипотеза H0 отклоняется и признается статистическая значимость обоих уравнений.

Проверим статистическую значимость коэффициентов уравнений. Для парной регрессии существует связь между статистиками Стьюдента и Фишера:

, , (6)

Для зависимости y от x1 получаем: . Это значение больше =1,761, поэтому гипотезу о равенстве нулю коэффициента a1 отвергаем.

Для зависимости y от x2 получаем: . Полученное значение также больше 1,761, поэтому гипотезу о равенстве нулю коэффициента b1 также отвергаем.

5) Доверительные интервалы находятся по формуле

, (7)

yв, yн - верхняя и нижняя граница доверительного интервала

- значение независимой переменной x, для которой определяется доверительный интервал

- квантиль распределения Стьюдента с доверительной вероятностью 1- и числом степеней свободы n-2. При =0,05 t0,975;14=2,145.

Значение Sy определяется по формуле:

, (8)

, (9)

Проведение расчетов удобно провести в таблице:

i

Yi

X1i

Корень

1

7,7

4

8,033

-0,333

0,111

0,879

0,296

0,766

7,267

8,799

2

8,6

3

9,514

-0,914

0,835

3,754

0,412

1,067

8,447

10,581

3

6,2

6

5,070

1,130

1,277

1,129

0,308

0,797

4,273

5,866

4

5,3

7

3,588

1,712

2,930

4,254

0,429

1,111

2,478

4,699

5

10,1

3

9,514

0,586

0,343

3,754

0,412

1,067

8,447

10,581

6

10

4

8,033

1,967

3,871

0,879

0,296

0,766

7,267

8,799

7

4,8

5

6,551

-1,751

3,067

0,004

0,250

0,647

5,904

7,199

8

5,5

6

5,070

0,430

0,185

1,129

0,308

0,797

4,273

5,866

9

4,3

7

3,588

0,712

0,506

4,254

0,429

1,111

2,478

4,699

10

11,1

3

9,514

1,586

2,516

3,754

0,412

1,067

8,447

10,581

11

7,4

4

8,033

-0,633

0,400

0,879

0,296

0,766

7,267

8,799

12

5,6

5

6,551

-0,951

0,905

0,004

0,250

0,647

5,904

7,199

13

3,8

6

5,070

-1,270

1,612

1,129

0,308

0,797

4,273

5,866

14

2,7

7

3,588

-0,888

0,789

4,254

0,429

1,111

2,478

4,699

15

9

3

9,514

-0,514

0,264

3,754

0,412

1,067

8,447

10,581

16

4,2

6

5,070

-0,870

0,756

1,129

0,308

0,797

4,273

5,866

Сумма

106,3

79

 

0,000

20,368

34,938

 

 

 

 

Среднее

6,644

4,938

 

0,000

1,455

 

 

 

 

 

Построим доверительную полосу на графике:

Выполним те же действия для зависимости y от x2.

i

Yi

X2i

Корень

1

7,7

130

6,740

0,960

0,922

5,348

0,250

0,874

5,866

7,614

2

8,6

129

6,698

1,902

3,617

1,723

0,250

0,873

5,825

7,572

3

6,2

134

6,906

-0,706

0,498

39,848

0,252

0,881

6,025

7,787

4

5,3

158

7,902

-2,602

6,773

918,848

0,298

1,041

6,861

8,944

5

10,1

204

9,813

0,287

0,083

5823,598

0,480

1,675

8,138

11,487

6

10

205

9,854

0,146

0,021

5977,223

0,484

1,691

8,163

11,545

7

4,8

71

4,290

0,510

0,260

3213,473

0,394

1,374

2,915

5,664

8

5,5

109

5,868

-0,368

0,135

349,223

0,269

0,940

4,927

6,808

9

4,3

154

7,736

-3,436

11,809

692,348

0,287

1,002

6,734

8,739

10

11,1

201

9,688

1,412

1,994

5374,723

0,466

1,627

8,061

11,315

11

7,4

112

5,992

1,408

1,982

246,098

0,264

0,921

5,071

6,913

12

5,6

75

4,456

1,144

1,309

2775,973

0,377

1,317

3,139

5,773

13

3,8

61

3,875

-0,075

0,006

4447,223

0,436

1,524

2,351

5,398

14

2,7

63

3,958

-1,258

1,582

4184,473

0,428

1,493

2,464

5,451

15

9

135

6,947

2,053

4,213

53,473

0,253

0,884

6,064

7,831

16

4,2

102

5,577

-1,377

1,896

659,848

0,285

0,997

4,580

6,574

Сумма

106,3

2043

 

0,000

37,099

34763,438

 

 

 

 

Среднее

6,644

127,688

 

0,000

2,650

 

 

 

 

 

Построим доверительную полосу на графике:

6) Рассчитаем точечный и интервальный прогноз среднего значения цены поступивших автомобилей в зависимости от возраста и мощности двигателя с доверительной вероятностью 0,95.

=3 года,

=165 л.с.

Рассчитаем точечный и интервальный прогноз по первой парной регрессионной модели:

=13,958-1,4813=9,514 тыс. у.е.

,

=9,5142,1450,497=9,5141,067

=8,447, =10,581

Рассчитаем точечный и интервальный прогноз по второй парной регрессионной модели:

=1,342+0,042165=8,193 тыс. у.е.

,

=8,1932,1450,521=8,1931,118

=7,075, =9,311

1) Найдем по методу наименьших квадратов оценки коэффициентов линейной регрессионной модели

, (10)

Для этого выполним следующие расчеты:

2) Проверим статистическую значимость параметров и уравнения множественной регрессии с надежностью 0,9.

Определим коэффициент множественной корреляции по формуле:

, (11)

Заполним вспомогательную таблицу для расчета R:

i

Y

X1

X2

1

7,7

4

130

7,749

0,002

1,116

2

8,6

3

129

8,841

0,058

3,827

3

6,2

6

134

5,618

0,339

0,197

4

5,3

7

158

5,111

0,036

1,806

5

10,1

3

204

10,747

0,419

11,946

6

10

4

205

9,656

0,118

11,264

7

4,8

5

71

5,133

0,111

3,399

8

5,5

6

109

4,982

0,268

1,308

9

4,3

7

154

5,010

0,504

5,493

10

11,1

3

201

10,671

0,184

19,858

11

7,4

4

112

7,292

0,012

0,572

12

5,6

5

75

5,235

0,134

1,089

13

3,8

6

61

3,762

0,001

8,087

14

2,7

7

63

2,696

0,000

15,553

15

9

3

135

8,993

0,000

5,552

16

4,2

6

102

4,804

0,365

5,972

Сумма

2,551

97,039

Тогда коэффициент множественной корреляции R будет равен

Коэффициент множественной детерминации равен

R2=0,98682=0,9737, регрессия y на x1 и x2 объясняет 97,37% колебаний значений y.

Рассчитаем фактическое значение F-статистики Фишера по формуле:

При уровне значимости =0,1 и количестве степеней свободы df1=1, df2=16-3=13 определяем, что табличное значение F-статистики Фишера будет равно Fт(0,1;1;13)=3,136. Неравенство Fт<Fф выполняется, поэтому гипотеза H0 отклоняется и признается статистическая значимость уравнения регрессии. линейный регрессионный точечный матрица

Рассчитаем стандартные ошибки коэффициентов регрессии по формуле:

, (12)

j=0,1,…,m,

где zjj - диагональные элементы обратной матрицы (XTX)-1, которые равны соответственно 2,19, 0,0361, 3,6310-5.

,

,

,

По таблице критических точек определяем фактическое значение t-критерия Стьюдента:

t0,9;13=1,771.

Т.к. неравенство tФ > t0,9;13 выполняется для всех коэффициентов, то коэффициенты уравнения регрессии статистически значимы, т.е. они существенно отличны от нуля.

3) Выполним точечный и интервальный прогноз среднего значения цены поступивших автомобилей.

=3 года, =165 л.с.

=8,911-1,1173+0,025165=9,756 тыс. у.е.

,

=0,173, (13)

, (14)

=9,7562,160,184=9,7560,398

=9,358, =10,154

3. Экономическая интерпретация

Так как ryx1=-0,889, и проверка значимости этого коэффициента показала его существенное отличие от нуля, то есть основание утверждать, что между переменными Y и X1 существует достаточно тесная отрицательная линейная зависимость, которая может быть отражена с помощью найденного уравнения регрессии .

Коэффициент a0=13,958 в данном случае имеет экономический смысл. Он формально определяет цену при xj=0, т.е. цену нового автомобиля. Коэффициент a1=-1,481 имеет вполне определенный экономический смысл, поскольку характеризует размер прироста цены, обусловленного приростом возраста автомобиля на единицу, т.е. при увеличении возраста на 1 год следует ожидать уменьшения цены на 1,481 тыс. у.е.

Необходимо особо подчеркнуть, что слова «следует ожидать прироста цены» в предыдущем предложении нельзя заменить словами «прирост цены составит», т.к. уравнение регрессии Y от X1 представляет собой лишь некоторую оценку стохастической зависимости между Y и X1. Это уравнение характеризует так называемое среднее значение цены автомобиля в зависимости от возраста автомобиля. Слово «среднее» выражает здесь тот факт, что реальное значение цены Yi, соответствующее некоторому реальному возрасту Xij, будет находиться в некоторой окрестности значения .

Значение ryx2=0,786 свидетельствует о том, что между Y и X2 существует достаточно тесная положительная линейная зависимость. Экономический смысл коэффициента b1=0,042 в уравнении аналогичен смыслу коэффициента a1=-1,481 в уравнении , т.е. коэффициент b1=0,042 показывает, какого прироста цены следует ожидать при увеличении мощности двигателя на единицу.

В результате исследования зависимости цены от двух факторов - возраста и мощности двигателя, получено уравнение множественной регрессии

Содержательный смысл найденных коэффициентов состоит в следующем. Величина a1= _ 1,117 показывает, что при увеличении возраста автомобиля на 1 год и фиксированной (неизменной) мощности двигателя следует ожидать снижения цены автомобиля на 1,117 тыс. у.е. Коэффициент a2=0,025 показывает, что при увеличении мощности двигателя на 1 л.с. и неизменном возрасте следует ожидать увеличения цены на 0,025 тыс. у.е.

Задача №2

Таблица 2

Месяц, t

Объем продаж (тыс.у.е.) zt

1

421

2

541

3

577

4

717

5

719

6

694

7

875

8

810

9

999

10

916

11

1137

12

1034

В базе данных магазина также содержится информация об объеме ежемесячных продажах автомобилей за прошлый год, представленная в таблице 2.

1. Представить графически ежемесячные объемы продаж автомагазина. На основе визуального анализа построенного графика выдвинуть гипотезу о виде статистической зависимости объема продаж от времени и записать её математически.

2. Методом наименьших квадратов найти оценку уравнения линейного тренда

. (15)

3. Для линии тренда построить доверительную полосу надежности 0,975. Нарисовать ее на графике вместе с линией тренда и исходным временным рядом.

4. С помощью уравнения тренда найти точечный и интервальный прогноз (надежности 0,975) среднего объема продаж для t =15.

Решение:

1. Построим ломаную кривую изменения объема продаж по месяцам

На основании наблюдения ломаной кривой выдвигаем гипотезу о линейном тренде. Следовательно, трендовая модель запишется в виде:

. (16)

2. Найдем оценку уравнения линейного тренда методом наименьших квадратов. Коэффициенты этого уравнения находятся из системы нормальных уравнений:

, (16)

Составим расчетную таблицу:

t

zt

ztt

t2

1

421

421

1

2

541

1082

4

3

577

1731

9

4

717

2868

16

5

719

3595

25

6

694

4164

36

7

875

6125

49

8

810

6480

64

9

999

8991

81

10

916

9160

100

11

1137

12507

121

12

1034

12408

144

Сумма=78

9440

69532

650

Выразив из системы коэффициенты a0 и a1, получим:

, (17)

, (18)

Следовательно, уравнение регрессии будет иметь вид: .

3. Построим доверительную полосу с надежностью 0,975.

Доверительные интервалы находятся по формуле

, (19)

yв, yн - верхняя и нижняя граница доверительного интервала

- квантиль распределения Стьюдента с доверительной вероятностью 1- и числом степеней свободы n-2. При =0,05 t0,975;10=2,634.

Значение Sy определяется по формуле:

, , (20)

Проведение расчетов удобно провести в таблице:

t

zt

Корень

1

421

472,359

-51,359

2637,744

30,25

0,543

93,908

378,451

566,267

2

541

529,506

11,494

132,116

20,25

0,474

82,021

447,485

611,526

3

577

586,653

-9,653

93,174

12,25

0,411

71,093

515,560

657,746

4

717

643,800

73,200

5358,308

6,25

0,356

61,639

582,160

705,439

5

719

700,946

18,054

325,933

2,25

0,315

54,432

646,515

755,378

6

694

758,093

-64,093

4107,943

0,25

0,292

50,444

707,650

808,537

7

875

815,240

59,760

3571,246

0,25

0,292

50,444

764,797

865,684

8

810

872,387

-62,387

3892,131

2,25

0,315

54,432

817,955

926,819

9

999

929,534

69,466

4825,553

6,25

0,356

61,639

867,895

991,173

10

916

986,681

-70,681

4995,755

12,25

0,411

71,093

915,587

1057,774

11

1137

1043,828

93,172

8681,114

20,25

0,474

82,021

961,807

1125,848

12

1034

1100,974

-66,974

4485,565

30,25

0,543

93,908

1007,066

1194,883

Сумма

9440

9440

 

43106,583

143

 

 

 

 

Построим доверительную полосу на графике:

4. С помощью уравнения тренда рассчитаем точечный и интервальный прогноз для среднего объема продаж на конец первого квартала текущего года с доверительной вероятностью 0,975.

Точечный прогноз находим по уравнению тренда при t=15:

=415,2121+57,146915=1272,415 тыс. у.е.

,

=1272,4152,63450,37=1272,415132,675

=1139,74, =1405,09

Задача №3

1. Для регрессионных моделей:

, (21)

, (22)

с помощью критерия Дарбина-Уотсона проверить наличие или отсутствие автокорреляции на уровне значимости 0,05.

2. Для регрессионной модели

, (23)

проверить наличие или отсутствие мультиколлинеарности, используя:

а) парный коэффициент корреляции;

б) критерий «хи-квадрат» ч2 на уровне значимости 0,05.

Решение:

1. Проверим наличие или отсутствие автокорреляции с помощью критерия Дарбина-Уотсона.

Составим расчетную таблицу:

i

Уравнение 3

Уравнение 4

ei

(ei-ei-1)2

et

(et-et-1)2

1

-0,049

 

-51,359

 

2

-0,241

0,037

11,494

3950,518

3

0,582

0,677

-9,653

447,189

4

0,189

0,155

73,200

6864,644

5

-0,647

0,699

18,054

3041,175

6

0,344

0,982

-64,093

6748,105

7

-0,333

0,458

59,760

15339,602

8

0,518

0,724

-62,387

14919,854

9

-0,710

1,506

69,466

17385,252

10

0,429

1,297

-70,681

19641,140

11

0,108

0,103

93,172

26847,854

12

0,365

0,066

-66,974

25647,015

13

0,038

0,107

 

 

14

0,004

0,001

 

 

15

0,007

0,000

 

 

16

-0,604

0,374

 

 

Итого

 

7,185

 

140832,349

, (24)

n=16, m=2, =0,05, d1=0,982, du=1,539

Т.к. 4-du<d<4-d1, то на основании теста Дарбина-Уотсона вывод о наличии или отсутствии автокорреляции определить нельзя.

, (25)

n=12, m=1, =0,05, d1=1,106, du=1,371

Т.к. 4-d1<d<4, то наблюдается отрицательная автокорреляция.

2. Проверим наличие или отсутствие мультиколлинеарности для множественной регрессионной модели.

а) Если составить матрицу парных коэффициентов между объясняющими переменными, то получится следующая матрица:

Так как , то коэффициент корреляции между объясняющими переменными значимо отличается от 0. Таким образом, можно предположить, что в данном случае имеет место мультиколлинеарность.

б) Рассчитаем определитель матрицы r:

Рассчитываем фактическое значение статистики 2:

Табличное значение статистики 2 при df=1 и =0,01 равно: . Неравенство выполняется, поэтому окончательно делаем вывод об отсутствии мультиколлинеарности.

Размещено на Allbest.ru

...

Подобные документы

  • Построение линейной модели зависимости цены товара в торговых точках. Расчет матрицы парных коэффициентов корреляции, оценка статистической значимости коэффициентов корреляции, параметров регрессионной модели, доверительного интервала для наблюдений.

    лабораторная работа [214,2 K], добавлен 17.10.2009

  • Взаимосвязь между двумя выбранными переменными на фоне действия остальных показателей. Матрица парных коэффициентов корреляции. Уравнение множественной регрессии. Расчет коэффициентов для проверки наличия автокорреляция. Вариации зависимой переменной.

    контрольная работа [43,7 K], добавлен 03.09.2013

  • Расчет матрицы парных коэффициентов корреляции и статистической значимости коэффициентов регрессии. Оценка статистической значимости параметров регрессионной модели с помощью t-критерия. Уравнение множественной регрессии со статистически факторами.

    лабораторная работа [30,9 K], добавлен 05.12.2010

  • Описание классической линейной модели множественной регрессии. Анализ матрицы парных коэффициентов корреляции на наличие мультиколлинеарности. Оценка модели парной регрессии с наиболее значимым фактором. Графическое построение интервала прогноза.

    курсовая работа [243,1 K], добавлен 17.01.2016

  • Корреляционный и регрессионный анализ экономических показателей. Построение матрицы парных коэффициентов корреляции. Расчет и сравнение частных и парных коэффициентов корреляции. Построение регрессионной модели и её интерпретация, мультиколлинеарность.

    курсовая работа [314,1 K], добавлен 21.01.2011

  • Выбор факторных признаков для построения регрессионной модели неоднородных экономических процессов. Построение диаграммы рассеяния. Анализ матрицы коэффициентов парной корреляции. Определение коэффициентов детерминации и средних ошибок аппроксимации.

    контрольная работа [547,6 K], добавлен 21.03.2015

  • Построение и анализ классической многофакторной линейной эконометрической модели. Вид линейной двухфакторной модели, её оценка в матричной форме и проверка адекватности по критерию Фишера. Расчет коэффициентов множественной детерминации и корреляции.

    контрольная работа [131,9 K], добавлен 01.06.2010

  • Характеристика зависимости цены автомобиля от его возраста и мощности двигателя на основе полученных статистических данных (линейной зависимости). Расчет мультиколлинеарности между объясняющими переменными, анализ надежности оценок параметров модели.

    контрольная работа [60,0 K], добавлен 21.03.2010

  • Параметры автомобиля, которые влияют на стоимость. Обозначение границ выборки. Использование множественной регрессии. Построение с помощью эконометрического программного пакета Eviews симметричной матрицы парных коэффициентов корреляции между факторами.

    контрольная работа [348,7 K], добавлен 13.05.2015

  • Доверительные интервалы для среднего значения цены автомобиля в зависимости от его возраста для уравнения регрессии в расчетах парной и множественной зависимостей. График ежемесячных объемов продаж магазина. Коэффициенты регрессионного уравнения тренда.

    контрольная работа [499,1 K], добавлен 16.09.2011

  • Построение линейной модели и уравнения регрессии зависимости цены на квартиры на вторичном рынке жилья в Москве в 2006 г. от влияющих факторов. Методика составления матрицы парных коэффициентов корреляции. Экономическая интерпретация модели регрессии.

    лабораторная работа [1,8 M], добавлен 25.05.2009

  • Определение парных коэффициентов корреляции и на их основе факторов, оказывающих наибольшее влияние на результативный показатель. Анализ множественных коэффициентов корреляции и детерминации. Оценка качества модели на основе t-статистики Стьюдента.

    лабораторная работа [890,1 K], добавлен 06.12.2014

  • Оценка корреляционной матрицы факторных признаков. Оценки собственных чисел матрицы парных коэффициентов корреляции. Анализ полученного уравнения регрессии, определение значимости уравнения и коэффициентов регрессии, их экономическая интерпретация.

    контрольная работа [994,1 K], добавлен 29.06.2013

  • Расчет параметров линейного уравнения множественной регрессии; определение сравнительной оценки влияния факторов на результативный показатель с помощью коэффициентов эластичности и прогнозного значения результата; построение регрессионной модели.

    контрольная работа [1,1 M], добавлен 29.03.2011

  • Оценка распределения переменной Х1. Моделирование взаимосвязи между переменными У и Х1 с помощью линейной функции и методом множественной линейной регрессии. Сравнение качества построенных моделей. Составление точечного прогноза по заданным значениям.

    курсовая работа [418,3 K], добавлен 24.06.2015

  • Расчет параметров парной линейной регрессии. Оценка статистической значимости уравнения регрессии и его параметров с помощью критериев Фишера и Стьюдента. Построение матрицы парных коэффициентов корреляции. Статистический анализ с помощью ППП MS EXCEL.

    контрольная работа [1,6 M], добавлен 14.05.2008

  • 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

  • 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

  • Выбор факторных признаков для двухфакторной модели с помощью корреляционного анализа. Расчет коэффициентов регрессии, корреляции и эластичности. Построение модели линейной регрессии производительности труда от факторов фондо- и энерговооруженности.

    задача [142,0 K], добавлен 20.03.2010

  • Анализ влияния основных социально-экономических показателей на результативный признак. Особенности классической линейной модели множественной регрессии, ее анализ на наличие или отсутствие гетероскедастичности в регрессионных остатках и их автокорреляции.

    лабораторная работа [573,8 K], добавлен 17.02.2014

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.