Линейное уравнение парной регрессии и его комплексная оценка. Парные коэффициенты корреляции

Построение линейного уравнения парной регрессии. Расчет линейного коэффициента парной корреляции. Оценка статистической значимости уравнения регрессии. Расчет матрицы парных коэффициентов корреляции. Построение поля корреляции результативного признака.

Рубрика Экономико-математическое моделирование
Вид контрольная работа
Язык русский
Дата добавления 01.03.2017
Размер файла 679,4 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

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО

ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«ФИНАНСОВЫЙ УНИВЕРСИТЕТ

ПРИ ПРАВИТЕЛЬСТВЕ РОССИЙСКОЙ ФЕДЕРАЦИИ»

Кафедра «Математика и информатика»

Контрольная раБОТА

по дисциплине «Эконометрика»

Задача 1

Условие задания. Исходные данные представлены в таблице 1.

Таблица 1

Исходные данные (вариант 6)

Год

Среднедушевой доход, руб. в месяц, x

Потребление товара А, кг в год, y

2001

3122

26

2002

4007,2

26

2003

5227,4

27

2004

6459

29

2005

8148,3

28

2006

10214,8

31

2007

12600,2

33

2008

14923,6

34

2009

16955

37

2010

19018,4

41

2011

20840

44

2012

22940,4

46

Требуется:

1. Построить линейное уравнение парной регрессии y по х.

2. Рассчитать линейный коэффициент парной корреляции, коэффициент детерминации и среднюю ошибку аппроксимации.

3. Оценить статистическую значимость уравнения регрессии в целом и отдельных параметров регрессии и корреляции с помощью F-критерия Фишера и t-критерия Стьюдента.

4. Выполнить расчет потребления товара А - у при прогнозном значении среднедушевого дохода х, составляющем 110% от среднего уровня.

5. Оценить точность прогноза, рассчитав ошибку прогноза и его доверительный интервал.

6. На одном графике отложить исходные данные, теоретическую прямую и результаты прогноза (точечного и интервального).

Решение задачи

1) Построим линейное уравнение парной регрессии y по х.

Определить уравнение регрессии можно двумя методами: использовать функцию =ЛИНЕЙН и построить тренд на графике.

Выделим на листе область размером 2 на 5, и введем функцию:

=ЛИНЕЙН(C3:C14;B3:B14;1;1).

Ее выполнение не только даст коэффициенты парной регрессии, но и некоторую дополнительную статистику (см. табл. 2), которая пригодится в будущих расчетах. линейный уравнение парный регрессия корреляция

Таблица 2

Параметры парной линейной регрессии

Значение коэффициента b

Значение коэффициента а

Среднеквадратическое отклонение b

Среднеквадратическое отклонение а

Коэффициент детерминации R2

Среднеквадратическое отклонение Y

F-статистика

Число степеней свободы

Регрессионная сумма квадратов

Остаточная сумма квадратов

Результаты использования функции представлены на рисунке 1.

Рис. 1. Результаты расчета параметров линейной парной регрессии

Таким образом, уравнение парной регрессии примет вид: .

Теперь проверим правильность этих расчетов при помощи построения тренда на графике.

На рисунке 2 при построении корреляционного поля также были добавлены линия тренда и ее уравнение, а также коэффициент детерминации R2.

Рис. 2. Корреляционное поле для пары компонентов у и х

Как видно из рисунка, полученные ранее результаты совпали с уравнением линии тренда на рис. 2.

2) Рассчитаем линейный коэффициент парной корреляции, коэффициент детерминации и среднюю ошибку аппроксимации.

Коэффициент парной корреляции вычисляется по формуле:

.

Коэффициент детерминации определяется по формуле:

,

где - рассчитанные по линейной модели значения результативного признака;

- среднее значение результативного признака.

Линейный коэффициент корреляции используется для оценки тесноты связи между исследуемыми признаками. Для его расчета воспользуемся инструментом Регрессия в надстройках MS Excel.

Фрагмент листа MS Excel с результатами расчетов представлен на рисунке 3. Как видно, полученные коэффициенты парной регрессии подтвердились еще раз (см. ячейки В17 и В18).

Линейный коэффициент парной корреляции рассчитан в ячейке В4 (Multiple R или Множественный R) и равен 0,9805. В соответствии со шкалой Чэддока это свидетельствует о весьма тесной связи между исследуемыми признаками.

Рис. 3. Фрагмент листа с результатами регрессионного анализа

В этом же отчете содержатся данные о коэффициенте детерминации и некоторые промежуточные итоги, которые помогут рассчитать среднюю ошибку аппроксимации.

Коэффициент детерминации содержится в ячейке В5 и равен 0,9614 или 96,14%. Это также свидетельствует об очень тесной связью между среднедушевым доходом и потреблением товара. Как видно, его значение получилось аналогичное и в таблице с параметрами линейной парной регрессии (см. табл. 2 и рис. 1) и на графике (см. рис. 2).

Для расчета средней ошибки аппроксимации необходимо провести дополнительные расчеты (см. табл. 3).

Таблица 3

Расчет средней относительной ошибки аппроксимации

№ п/п

x

у

y

|(у-y)/у|

(х-хср.)2

1

3122

26

24,51

0,06

79 495 501,80

2

4007,2

26

25,41

0,02

64 494 150,18

3

5227,4

27

26,64

0,01

46 384 612,89

4

6459

29

27,88

0,04

31 125 519,95

5

8148,3

28

29,58

0,06

15 129 960,58

6

10214,8

31

31,66

0,02

3 324 149,40

7

12600,2

33

34,07

0,03

316 040,73

8

14923,6

34

36,41

0,07

8 326 543,08

9

16955

37

38,46

0,04

24 176 643,15

10

19018,4

41

40,53

0,01

48 725 635,14

11

20840

44

42,37

0,04

77 474 763,90

12

22940,4

46

44,49

0,03

118 861 780,64

Сумма

144456,3

402

402,00

0,43

517 835 301,44

Среднее

12038,03

33,50

33,50

0,04

43 152 941,79

Средняя ошибка аппроксимации определяется по формуле:

,

где n - число наблюдений;

уi - исходное i-е значение результативного признака;

- расчетное i-е значение результативного признака.

По результатам расчетов она составила:

.

Полученный результат говорит о малой относительной ошибке (рекомендуемое значение ошибки не больше 10%).

3) Оценим статистическую значимость уравнения регрессии в целом и отдельных параметров регрессии и корреляции с помощью F-критерия Фишера и t-критерия Стьюдента. Для этого также будем использовать встроенные возможности табличного редактора MS Excel

При ручном расчете критериев используются следующие формулы. Критерий Фишера определяется по формуле:

.

А t-критерий Стьюдента рассчитывается по формуле:

,

где rY,X - коэффициент корреляции признака Y и соответствующего фактора;

n - количество наблюдений.

Для применения этих критериев будут использоваться результаты регрессионного анализа (см. рис. 4).

Рис. 4. Фрагмент листа с результатами регрессионного анализа

Как видно на рисунке 4, F-критерий Фишера (он находится в ячейке Е12) равен 249,34. Эти данные совпадают с полученными при расчете параметров линейной парной регрессии (см. рис. 1 и табл. 2). Обычно при анализе данного критерия необходимо сравнить полученный результат с табличным значением, но можно также использовать показатель «Significance F» (Значение F) из соседней ячейки. Так как его значение не превышает заданного уровня значимости (по умолчанию для инструмента регрессии), то можно сделать вывод о том, что уравнение регрессии с вероятностью 0,95 статистически значимое.

Оценку значимости коэффициента корреляции проведем при помощи критерия Стьюдента. Используем функцию =СТЬЮДРАСПОБР для расчета критического (табличного) значение критерия, а для расчета наблюдаемого t - формулу, представленную выше. Число степеней свободы , уровень значимости . Результаты представлены на рис. 5.

Рис. 5. Оценка значимости коэффициента корреляции

Наблюдаемый критерий Стьюдента существенно превышает критическое табличное значение, значит, линейный коэффициент парной корреляции следует считать значимым. С вероятностью 95% он отличается от нуля. Следует также отметить, что рассчитанное значение совпадает с данными отчета регрессионного анализа (см. рис. 4, ячейка D18).

Статистическая значимость отдельных параметров регрессии также была рассчитана в результате проведения автоматического регрессионного анализа (в столбце «P-value» - «P-значение»). Для свободного члена а уравнения регрессии рассчитанный уровень значимости составил всего 3,03·10-10, так как это существенно меньше заданного уровня значимости , то коэффициент признается типичным (неслучайным). Коэффициент при факторе (b) составил 2,14·10-8, что также позволяет сделать вывод о его статистической значимости.

4) Выполним расчет потребления товара А - у при прогнозном значении среднедушевого дохода х, составляющем 110% от среднего уровня.

Для этого возьмем из таблицы 3 средний уровень показателя х, затем умножим его на 110%. Для расчета у необходимо подставить прогнозное значение в ранее полученное линейное уравнение. Результаты расчетов представлены на рисунке 6.

Рис. 6. Результаты расчетов прогнозного значения потребления товара А

Таким образом, при среднем значении среднедушевого дохода в 12038,03 руб. в месяц прогноз будет строиться на уровне 13 241,83 руб. в месяц. В таком случае потребление товара А составит 34,71 кг в год.

5) Оценим точность прогноза, рассчитав ошибку прогноза и его доверительный интервал.

Для определения границы доверительного интервала, в которых будет находиться точечный прогноз, используем формулу:

, где .

При уровне значимости доверительная вероятность составит 95%, а критерий Стьюдента при равен 2,228.

Показатель соответствует показателю Остаточная сумма квадратов, рассчитанному при помощи функции =ЛИНЕЙН (см. табл. 2 и рис. 3). Этот же показатель содержится и в отчете по регрессионному анализу в ячейке С13.

Тогда .

Вспомогательные расчеты приведены в табл. 3.

.

Таким образом, с вероятностью 95% среднее потребление товара А при среднедушевом доходе 13241,83 руб. в месяц будет находиться в следующих пределах: , то есть от 31,34 до 38,08 кг в год.

6) На одном графике (см. рис. 7) отложим исходные данные, теоретическую прямую и результаты прогноза (точечного и интервального).

Рис. 7. Прогноз среднего значения показателя у при прогнозе фактора х на уровне 110% от его среднего значения

Задача 2

Условие задания. Исходные данные представлены в таблице 4.

Таблица 4

Исходные данные (вариант 6)

Номер наблюд.

Цена x1(р.)

Цена на первый подобный товар x2 (р.)

Цена на второй подобный товар x3 (р.)

Средний доход населения x4 (т. р.)

Спрос y (тыс. шт.)

1

25,73р.

51,96р.

13,98р.

5,093

132,775

2

21,51р.

48,51р.

14,91р.

5,032

170,105

3

28,95р.

51,02р.

12,49р.

4,799

100,926

4

33,49р.

44,00р.

11,38р.

4,951

60,666

5

33,27р.

42,61р.

14,15р.

4,878

60,598

6

34,38р.

46,96р.

12,22р.

4,962

49,481

7

20,22р.

44,81р.

12,30р.

5,098

188,878

8

26,11р.

54,20р.

11,24р.

4,899

128,269

9

32,95р.

40,51р.

13,14р.

4,722

69,717

10

22,08р.

58,31р.

14,98р.

4,810

170,243

11

23,68р.

44,13р.

13,27р.

4,949

153,002

12

20,68р.

50,68р.

10,28р.

4,884

175,995

13

20,49р.

44,01р.

11,27р.

5,019

177,151

14

22,46р.

40,15р.

11,86р.

4,801

156,506

15

23,29р.

48,24р.

13,11р.

4,849

152,925

По исходным данным:

1. Рассчитайте матрицу парных коэффициентов корреляции; оцените статистическую значимость коэффициентов корреляции Y с X.

2. Постройте поле корреляции результативного признака и наиболее тесно связанного с ним фактора.

3. Рассчитайте параметры линейной парной регрессии для фактора Х, наиболее тесно связанного с Y.

4. Оцените качество модели через коэффициент детерминации, среднюю ошибку аппроксимации и F-критерий Фишера.

5. По модели осуществите прогнозирование среднего значения показателя Y при уровне значимости , если прогнозное значение фактора X составит 80% от его максимального значения. Представьте графически фактические и модельные значения, точки прогноза.

6. Используя пошаговую множественную регрессию (метод исключения или метод включения), постройте модель формирования спроса на основе только значимых факторов. Дайте экономическую интерпретацию коэффициентов модели регрессии.

7. Оцените качество построенной модели. Улучшилось ли качество модели по сравнению с однофакторной моделью? Дайте оценку влияния значимых факторов на результат с помощью коэффициентов эластичности, в- и Д-коэффициентов.

Решение задачи

1) Рассчитаем матрицу парных коэффициентов корреляции и оценим статистическую значимость коэффициентов корреляции Y с X.

Для расчета коэффициента корреляции в MS Excel используем инструмент Корреляция. В результате получили матрицу парных коэффициентов корреляции (см. рис. 8).

Рис. 8. Матрица парных коэффициентов корреляции

Полученные в матрице значения коэффициентов корреляции Y с X говорят о том, что наиболее тесная обратная связь наблюдается между ценой основного товара (х1) и спросом на него (у) - -0,9978. Это подтверждается основными экономическими законами - чем выше цена на товар, тем ниже спрос на него и, наоборот.

Цена на первый подобный товар и средний доход населения обладают несильной обратной связью с ценой на исходный товар (-0,27 и -0,29, соответственно). При этом цена на второй подобный товар (х3) показывает прямую связь с ценой первого товара (х1), но она является очень слабой. Следует также отметить, что между ценой на первый подобный товар (х2) и ценой на второй подобный товар (х3) наблюдается слабая прямая связь - 0,19. Еще слабее прямые связи между средним доходом населения и ценами на аналогичные товары (0,04 для товара х2 и 0,01 для товара х3).

Со спросом прямой слабой связью связаны цены на товар х2 и средний доход населения. Наиболее слабая обратная связь (-0,007) наблюдается между спросом и ценой на товар х3.

Статистическую значимость коэффициентов корреляции оценим при помощи критерия Стьюдента. Вновь используем формулу, представленную в первой задаче, и функцию =СТЬЮДРАСПОБР. Число степеней свободы , уровень значимости . Расчеты представлены на рисунке 9.

Рис. 9. Оценка значимости коэффициентов корреляции

Критерий Стьюдента для х1 существенно превышает критическое табличное значение, значит этот парный коэффициент корреляции следует считать значимыми. С вероятностью 90% этот коэффициент корреляции значимо отличается от нуля. Коэффициенты корреляции для остальных факторов не являются значимыми, т.е. цены на подобные товары и средний доход населения незначительно влияют на спрос.

2) Построим поле корреляции результативного признака (у) и наиболее тесно связанного с ним фактора (х1 - цена).

На графике (рис. 10) кроме корреляционного поля добавим также линию тренда и ее уравнение, а также коэффициент детерминации.

Рис. 10. Корреляционное поле для пары компонентов у и х1

Как видно из рисунка, между признаками, действительно, наблюдается тесная прямая убывающая связь, близкая к линейному виду.

3) Рассчитаем параметры линейной парной регрессии для фактора Х, наиболее тесно связанного с Y. Для этого используем функцию =ЛИНЕЙН(). Сразу выделяем область ячеек 2Ч5 для получения дополнительных расчетных показателей. Результаты использования функции представлены на рис. 11.

Рис. 11. Результаты расчета параметров линейной парной регрессии

Значит, уравнение парной регрессии для фактора х1, наиболее тесно связанного с у примет вид: . Следует отметить, что полученные результаты совпали с уравнением линии тренда на рис. 10.

4) Оценим качество модели через коэффициент детерминации, среднюю ошибку аппроксимации и F-критерий Фишера.

После автоматического расчета средствами MS Excel (рис. 11) получили следующие значения: или 99,56% и .

Значение коэффициента детерминации свидетельствует о том, что связь между ценой товара и спросом на него очень тесная: спрос почти на 96% зависит от цены. Для анализа критерия Фишера необходимо сравнить полученный результат с табличным значением (при и этот критерий составит примерно 2,76). Так как Fфакт > Fтабл, можно сделать вывод, что уравнение регрессии с вероятностью 0,9 статистически значимое.

Для расчета средней относительной ошибки аппроксимации необходимо провести дополнительные расчеты (см. табл. 5).

Таблица 5

Расчет средней относительной ошибки аппроксимации

№ п/п

x1

у

y

|(у-y)/у|

(х-хср.)2

1

25,73р.

132,775

131,87

0,007

0,050

2

21,51р.

170,105

170,88

0,005

19,737

3

28,95р.

100,926

102,11

0,012

8,984

4

33,49р.

60,666

60,15

0,009

56,811

5

33,27р.

60,598

62,18

0,026

53,543

6

34,38р.

49,481

51,92

0,049

71,020

7

20,22р.

188,878

182,80

0,032

32,863

8

26,11р.

128,269

128,36

0,001

0,025

9

32,95р.

69,717

65,14

0,066

48,963

10

22,08р.

170,243

165,61

0,027

14,998

11

23,68р.

153,002

150,82

0,014

5,165

12

20,68р.

175,995

178,55

0,015

27,801

13

20,49р.

177,151

180,31

0,018

29,841

14

22,46р.

156,506

162,10

0,036

12,199

15

23,29р.

152,925

154,43

0,010

7,090

Сумма

389,29р.

1947,237

1 947,24

0,325

389,089

Среднее

25,95р.

129,816

129,82

0,022

25,939

Средняя ошибка аппроксимации определяем по той же формуле, что и в первой задаче:

.

Полученный результат говорит о малой относительной ошибке (рекомендуемое значение ошибки не больше 10%).

5) По модели осуществим прогнозирование среднего значения показателя Y при уровне значимости , если прогнозное значение фактора X составит 80% от его максимального значения.

Максимальное значение фактора , тогда 80% от максимального значения составит 27,504 руб. Точечный прогноз определяется при помощи уравнения парной регрессии:

тыс. шт.

Таким образом, прогнозный спрос на товар при цене 27,504 рублей составит примерно 115,56 тыс. штук. Теперь необходимо определить границы доверительного интервала, в которых будет находиться точечный прогноз. При уровне значимости доверительная вероятность составит 90%, а критерий Стьюдента при равен 1,771.

Ширину доверительного интервала вычисляем по формуле, представленной в задаче 1, показатель вновь используем из расчетов при помощи функции =ЛИНЕЙН (см. рис. 11).

Тогда .

Вспомогательные расчеты приведены в табл. 5.

.

Таким образом, с вероятностью 90% средний спрос на товар при цене 27,504 руб. будет находиться в следующих пределах: , то есть от 109,41 до 121,71 тыс. шт.

Представим графически фактические и модельные значения, точки прогноза (рис. 12).

Рис. 12. Прогноз среднего значения показателя у при прогнозе фактора х1 на уровне 80% от его максимального значения

6) Используя пошаговую множественную регрессию (метод включения), построим модель формирования спроса на основе только значимых факторов.

Согласно критерию Стьюдента значимым является только один фактор (х1), на его основе уже была построена линейная модель. Если строго следовать условиям задания, то построение множественной регрессии не имеет смысла. Тем не менее, для освоения данного вида умений, включим в регрессию наиболее значимый из оставшихся факторов (х4 - средний доход населения). При этом будет ожидаться несущественное улучшение модели, так как фактор незначимый.

За основу возьмем линейное уравнение, которое включает наиболее значимый фактор и включим в него фактор х4. В общем виде уравнение множественной регрессии будет иметь вид:

.

Перенесем на новый лист Excel необходимые данные и используем функцию =ЛИНЕЙН(), для этого необходимо выделить массив размером 3 на 5 (см. рис. 13).

Рис. 13. Результаты расчета параметров уравнения двухфакторной регрессии

В итоге получили следующее уравнение: . Как видно, включение незначимого фактора несущественно изменили ранее вычисленные коэффициенты линейного уравнения.

Экономическая интерпретация коэффициентов модели регрессии следующая: если средний доход населения (х4) увеличится на 1 тыс. руб., то спрос вырастет в среднем на 2,95 тыс. шт. и наоборот; если цена на товар (х1) вырастет на 1 руб., то спрос сократится в среднем на 9,22 тыс. штук.

7) Оценим качество построенной модели и сравним ее с однофакторной моделью.

Проведем оценку качества многофакторной модели на основе показателей, использованных ранее: коэффициента детерминации, средней ошибки аппроксимации и F-критерия. Сначала проведем вспомогательные расчеты для определения средней ошибки аппроксимации (см. табл. 6).

Таблица 6

Расчет средней относительной ошибки аппроксимации

№ п/п

x1

x4

у

y

|(у-y)/у|

1

25,73р.

5,093

132,775

132,39

0,003

2

21,51р.

5,032

170,105

171,14

0,006

3

28,95р.

4,799

100,926

101,82

0,009

4

33,49р.

4,951

60,666

60,39

0,005

5

33,27р.

4,878

60,598

62,20

0,026

6

34,38р.

4,962

49,481

52,21

0,055

7

20,22р.

5,098

188,878

183,23

0,030

8

26,11р.

4,899

128,269

128,31

0,000

9

32,95р.

4,722

69,717

64,69

0,072

10

22,08р.

4,81

170,243

165,23

0,029

11

23,68р.

4,949

153,002

150,88

0,014

12

20,68р.

4,884

175,995

178,36

0,013

13

20,49р.

5,019

177,151

180,51

0,019

14

22,46р.

4,801

156,506

161,69

0,033

15

23,29р.

4,849

152,925

154,18

0,008

Сумма

389,29р.

73,746

1947,237

1 947,237

0,323

Среднее

25,95р.

4,9164

129,816

129,816

0,022

Как видно из расчетов сумма расчетных значений совпали с суммой исходных данных (1947,237), что говорит о высоком качестве многофакторной модели.

Средняя относительная ошибка аппроксимации составит:

.

Теперь сравним качество двух моделей:

- коэффициент детерминации для парной регрессии составил 99,56%, а для множественной - 99,57%, т.е. качество модели повысилось незначительно;

- средняя ошибка сократилась с 2,17% до 2,15%, но изменение также незначительно;

- расчетный критерий Фишера для многофакторной модели (144,26) превышает табличное значение, т.е. можно сделать вывод о том, что и это уравнение регрессии с вероятностью 0,9 статистически значимо.

В целом можно сделать вывод, что включение в парную регрессию дополнительного фактора не смогло значительно повысить ее качество.

Дадим оценку использованных факторов на результат с помощью коэффициентов эластичности, в- и Д-коэффициентов.

Коэффициент эластичности рассчитывается по формуле:

.

Для каждого фактора он составит:

;

.

Согласно полученным результатам, если показатель х1 изменится на 1%, то у изменится на -1,84%. Если фактор х4 изменится на 1%, то спрос увеличится на 0,11%.

Бета-коэффициент рассчитывается по формуле:

, где и .

Сначала проведем вспомогательные расчеты (табл. 7).

Таблица 7

Вспомогательные расчеты

№ п/п

x1

x4

у

11ср.)2

44ср.)2

(y-yср.)2

1

25,73р.

5,093

132,775

0,05р.

0,031

8,757

2

21,51р.

5,032

170,105

19,74р.

0,013

1623,220

3

28,95р.

4,799

100,926

8,98р.

0,014

834,621

4

33,49р.

4,951

60,666

56,81р.

0,001

4781,695

5

33,27р.

4,878

60,598

53,54р.

0,001

4791,104

6

34,38р.

4,962

49,481

71,02р.

0,002

6453,680

7

20,22р.

5,098

188,878

32,86р.

0,033

3488,343

8

26,11р.

4,899

128,269

0,02р.

0,000

2,393

9

32,95р.

4,722

69,717

48,96р.

0,038

3611,866

10

22,08р.

4,81

170,243

15,00р.

0,011

1634,358

11

23,68р.

4,949

153,002

5,17р.

0,001

537,600

12

20,68р.

4,884

175,995

27,80р.

0,001

2132,519

13

20,49р.

5,019

177,151

29,84р.

0,011

2240,621

14

22,46р.

4,801

156,506

12,20р.

0,013

712,367

15

23,29р.

4,849

152,925

7,09р.

0,005

534,035

Сумма

389,29р.

73,746

1947,237

389,09р.

0,176

33387,178

Среднее

25,95р.

4,9164

129,816

25,94р.

0,012

2225,812

В результате получим промежуточные данные:

; ;

.

в-коэффициенты для каждого фактора составят:

; .

Данный коэффициент показывает, на какую часть величины своего среднеквадратического отклонения (СКО) изменится зависимая переменная (у), если независимая переменная (х) изменится на всю величину своего СКО. Таким образом: если цена на товар (х1) вырастет на 5,27 рублей, то спрос на него сократится примерно на тыс. шт., и наоборот; если средний доход населения (х4) изменится на 0,11 тыс. руб., то спрос увеличится на тыс. штук.

Дельта-коэффициент рассчитывается по формуле:

.

Для двух факторов этот показатель составит:

; .

Д-коэффициент показывает долю влияния каждого фактора в их суммарном влиянии. Можно сказать, что наибольшее влияние оказывает первый фактор - цена на товар - и очень слабое влияние оказывает второй фактор - средний доход населения.

Список использованной литературы

1. Орлова И. В., Половников В. А. - Экономико-математические методы и модели: компьютерное моделирование: Учебное пособие. - М.: Вузовский учебник, 2012. - 365 с.

2. Орлова И. В. - Экономико-математические модели и методы. Практическое пособие по решению задач. - Москва, 2013.

3. Орлова И. В. - Экономико-математические методы и модели. Выполнение расчетов в среде Excel / Практикум: Учебное пособие для вузов. - М.: ЗАО «Финстатинформ», 2010. - 136 с.

4. Эконометрика: Учебник / Под ред. И. И. Елисеевой. - М.: Финансы и статистика, 2014. - 351 с.

5. Экономико-математические методы и прикладные модели: Учебное пособие для вузов/ В. В. Федосеев, А. Н. Гармаш, Д. М. Дайитбегов и др.; Под редакцией В. В. Федосеева. - М.: ЮНИТИ, 2011. - 391 с.

Размещено на Allbest.ru

...

Подобные документы

  • 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

  • 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

  • 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

  • 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

  • Параметры парной линейной, линейно-логарифмической функции. Оценка статистической надёжности. Ошибка положения регрессии. Расчёт бета коэффициентов, уравнение множественной регрессии в стандартизованном масштабе. Задача на определение тесноты связи рядов.

    контрольная работа [192,2 K], добавлен 23.06.2012

  • 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

  • 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

  • Исследование зависимости часового заработка одного рабочего от общего стажа работы после окончания учебы с помощью построения уравнения парной линейной регрессии. Вычисление описательных статистик. Построение поля корреляции и гипотезы о форме связи.

    контрольная работа [226,6 K], добавлен 11.08.2015

  • 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

  • Определение количественной зависимости массы пушного зверька от его возраста. Построение уравнения парной регрессии, расчет его параметров и проверка адекватности. Оценка статистической значимости параметров регрессии, расчет их доверительного интервала.

    лабораторная работа [100,5 K], добавлен 02.06.2014

  • 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

  • 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

  • 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

  • Основные параметры уравнения регрессии, оценка их параметров и значимость. Интервальная оценка для коэффициента корреляции. Анализ точности определения оценок коэффициентов регрессии. Показатели качества уравнения регрессии, прогнозирование данных.

    контрольная работа [222,5 K], добавлен 08.05.2014

  • Анализ метода наименьших квадратов для парной регрессии, как метода оценивания параметров линейной регрессии. Рассмотрение линейного уравнения парной регрессии. Исследование множественной линейной регрессии. Изучение ошибок коэффициентов регрессии.

    контрольная работа [108,5 K], добавлен 28.03.2018

  • Поля корреляции, характеризующие зависимость ВРП на душу населения от размера инвестиций в основной капитал. Оценка параметров уравнения парной линейной регрессии. Коэффициент множественной корреляции. Способы оценки параметров структурной модели.

    контрольная работа [215,1 K], добавлен 22.11.2010

  • 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

  • Построение поля корреляции. Расчет параметров уравнений парной регрессии. Зависимость средней ожидаемой продолжительности жизни от некоторых факторов. Изучение "критерия Фишера". Оценка тесноты связи с помощью показателей корреляции и детерминации.

    контрольная работа [173,8 K], добавлен 22.11.2010

  • 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

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.