Определение коэффициентов регрессии, корреляции и детерминации

Определение среднего коэффициента эластичности и сравнительная оценка силы связи фактора с результатом. Расчет параметров линейного уравнения множественной регрессии. Определение коэффициентов автокорреляции уровней ряда первого и второго порядка.

Рубрика Экономико-математическое моделирование
Вид контрольная работа
Язык русский
Дата добавления 16.04.2020
Размер файла 160,0 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/

Задача 4

Имеются данные за 12 месяцев года по району города о рынке вторичного жилья (y - стоимость квартиры (тыс. у.е.), x - размер общей площади (м2)). Данные приведены в табл. 1.1.

Таблица 1.1

Данные по району города о рынке вторичного жилья

Месяц

1

22,5

29,0

2

25,8

36,2

3

20,8

28,9

4

15,2

32,4

5

25,8

49,7

6

19,4

38,1

7

18,2

30,0

8

21,0

32,6

9

16,4

27,5

10

23,5

39,0

11

18,8

27,5

12

17,5

31,2

Задание:

1) Рассчитайте параметры уравнений регрессий и .

2) Оцените тесноту связи с показателем корреляции и детерминации.

3) Рассчитайте средний коэффициент эластичности и дайте сравнительную оценку силы связи фактора с результатом.

4) Рассчитайте среднюю ошибку аппроксимации и оцените качество модели.

5) С помощью F-статистики Фишера (при ) оцените надежность уравнения регрессии.

6) Рассчитайте прогнозное значение , если прогнозное значение фактора увеличится на 5% от его среднего значения. Определите доверительный интервал прогноза для .

Решение:

1. Расчет параметров уравнения регрессии

1.1 Расчет параметров линейного уравнения регрессии

Для расчета параметров применяем метод наименьших квадратов (МНК). Для этого необходимо решить систему нормальных уравнений:

Для расчета строим вспомогательную таблицу 1.2.

Таблица 1.2

Вспомогательная таблица для расчета параметров

Месяц

1

22,5

29,0

841,0

652,5

2

25,8

36,2

1310,4

934,0

3

20,8

28,9

835,2

601,1

4

15,2

32,4

1049,8

492,5

5

25,8

49,7

2470,1

1282,3

6

19,4

38,1

1451,6

739,1

7

18,2

30,0

900,0

546,0

8

21,0

32,6

1062,8

684,6

9

16,4

27,5

756,3

451,0

10

23,5

39,0

1521,0

916,5

11

18,8

27,5

756,3

517,0

12

17,5

31,2

973,4

546,0

Итого

244,9

402,1

13927,8

8362,6

Среднее

20,4

33,5

1160,7

696,9

Расчет параметров:

Получили линейное уравнение парной регрессии:

Вывод. Коэффициент линейного уравнения регрессии b = 0,344 показывает, что при увеличении общей площади квартиры на 1 м2 стоимость квартиры в среднем увеличивается на 0,344 тыс. у.е.

1.2. Расчет параметров уравнения регрессии

Произведем замену переменной .

Тогда получим линейное уравнение регрессии, параметры которого можно оценить МНК:

Тогда система нормальных уравнений имеет вид:

Вспомогательные промежуточные расчеты приведены в таблице 1.3.

Таблица 1.3

Вспомогательная таблица для определения параметров модели регрессии

Месяц

1

22,5

29,0

5,4

121,2

2

25,8

36,2

6,0

155,2

3

20,8

28,9

5,4

111,8

4

15,2

32,4

5,7

86,5

5

25,8

49,7

7,0

181,9

6

19,4

38,1

6,2

119,7

7

18,2

30,0

5,5

99,7

8

21,0

32,6

5,7

119,9

9

16,4

27,5

5,2

86,0

10

23,5

39,0

6,2

146,8

11

18,8

27,5

5,2

98,6

12

17,5

31,2

5,6

97,7

Итого

244,9

402,1

69,2

1425,1

Среднее

20,4

33,5

5,8

118,8

Рассчитываем параметры уравнения регрессии используя готовые формулы, которые вытекают из этой системы.:

Получили уравнение регрессии:

2. Оценим тесноту связи с помощью показателей корреляции и детерминации

2.1. Оценим тесноту связи для уравнения

Индекс корреляции оценивает тесноту связи между результативным признаком у и фактором х. Рассчитывается по формуле:

Вспомогательные расчеты представлены в таблице 1.4.

Таблица 1.4

Вспомогательные расчеты для оценки тесноты связи

Месяц

1

22,5

29,0

4,38

18,86

3,64

13,28

18,81

3,69

13,58

2

25,8

36,2

29,07

21,34

4,46

19,93

21,45

4,35

18,89

3

20,8

28,9

0,15

18,82

1,98

3,91

18,78

2,02

4,10

4

15,2

32,4

27,13

20,03

-4,83

23,30

20,10

-4,90

23,99

5

25,8

49,7

29,07

25,98

-0,18

0,03

25,77

0,03

0,00

6

19,4

38,1

1,02

21,99

-2,59

6,71

22,11

-2,71

7,32

7

18,2

30,0

4,88

19,20

-1,00

1,00

19,20

-1,00

1,00

8

21,0

32,6

0,35

20,10

0,90

0,82

20,17

0,83

0,69

9

16,4

27,5

16,07

18,34

-1,94

3,76

18,22

-1,82

3,33

10

23,5

39,0

9,56

22,30

1,20

1,44

22,41

1,09

1,19

11

18,8

27,5

2,59

18,34

0,46

0,21

18,22

0,58

0,33

12

17,5

31,2

8,46

19,61

-2,11

4,47

19,65

-2,15

4,63

Итого

244,9

402,1

132,71

78,86

79,05

Среднее

20,4

Расчет коэффициента корреляции:

Коэффициент детерминации показывает долю вариации результативного признака у, которая происходит под влиянием фактора х, включенного в модель:

Вывод. Связь между стоимостью квартиры и общей площадью квартиры оценивается как заметная. В линейной модели 40,6% вариации стоимости квартиры происходит под влиянием общей площади квартиры, остальные 59,4% вариации стоимости квартиры объясняется влиянием прочих факторов, неучтенных в модели.

2.2. Оценим тесноту связи для уравнения

Расчет коэффициента корреляции:

Расчет коэффициента детерминации:

Вывод. Связь между стоимостью квартиры и общей площадью квартиры оценивается как заметная. 40,4% вариации стоимости квартиры происходит под влиянием общей площади квартиры, остальные 59,6% вариации стоимости квартиры объясняется влиянием прочих факторов, неучтенных в модели.

3. Рассчитаем средний коэффициент эластичности и дадим сравнительную оценку силы связи фактора с результатом

В линейной модели коэффициент эластичности:

Коэффициент эластичности для квадратической модели:

Вывод. В линейной модели при увеличении общей площади квартиры на 1% стоимость квартиры в среднем возрастает на 0,565%; в квадратической - на 0,592%.

4. Рассчитаем среднюю ошибку аппроксимации и оценим качество моделей

Для линейной модели:

Для квадратической модели:

Таблица 1.5

Вспомогательная таблица для расчета средней относительной ошибки аппроксимации

Месяц

Линейная модель

Квадратическая модель

1

22,5

29,0

18,86

3,64

0,162

18,81

3,69

0,164

2

25,8

36,2

21,34

4,46

0,173

21,45

4,35

0,168

3

20,8

28,9

18,82

1,98

0,095

18,78

2,02

0,097

4

15,2

32,4

20,03

-4,83

0,318

20,10

-4,90

0,322

5

25,8

49,7

25,98

-0,18

0,007

25,77

0,03

0,001

6

19,4

38,1

21,99

-2,59

0,133

22,11

-2,71

0,139

7

18,2

30,0

19,20

-1,00

0,055

19,20

-1,00

0,055

8

21,0

32,6

20,10

0,90

0,043

20,17

0,83

0,039

9

16,4

27,5

18,34

-1,94

0,118

18,22

-1,82

0,111

10

23,5

39,0

22,30

1,20

0,051

22,41

1,09

0,046

11

18,8

27,5

18,34

0,46

0,024

18,22

0,58

0,031

12

17,5

31,2

19,61

-2,11

0,121

19,65

-2,15

0,123

Итого

244,9

402,1

1,301

1,298

Вывод. В линейной модели в среднем фактические значения стоимости квартиры отличаются от полученных по линейной модели на 10,8%; в квадратической - на 10,8%. Для обеих моделей ошибка больше 10%, модели не являются точными.

5. С помощью F-статистики Фишера (при ) оценим надежность уравнения регрессии

F-тест - оценивание качества уравнения регрессии - состоит в проверке гипотезы о статистической незначимости уравнения регрессии и показателя тесноты связи. Для этого выполняется сравнение фактического , и критического (табличного) значений F-критерия Фишера.

определяется по формуле

, где

- число единиц совокупности;

- число параметров при совокупности .

Расчет фактического значения F-критерия Фишера:

- для линейной модели

- для квадратической модели

- это максимально возможное значение критерия под влиянием случайных факторов при данных степенях свободы и уровне значимости .

Уровень значимости - вероятность отвергнуть правильную гипотезу.

По таблице значений статистики Фишера находим табличное значение на уровне значимости б = 0,05 при числе степеней свободы df1 = m = 1 и df2 = n - m - 1 = 12 - 1 - 1 = 10:

Fтабл = 4,96.

Сравниваем фактическое значение с табличным:

Fфакт = 6,83 > Fтабл = 4,96

Вывод. Для обеих моделей фактические значения критерия Фишера больше табличного значения, т.е. модели являются статистически значимыми. Гипотезу о незначимости моделей отклоняем с вероятностью допустить ошибку в 5%.

6. Рассчитаем прогнозное значение , если прогнозное значение фактора увеличится на 5% от его среднего значения. Определите доверительный интервал прогноза для

6.1. Прогноз для модели

Среднее значение фактора:

Расчет прогнозного значения:

Расчет точечного прогноза:

(тыс. у.е.)

Интервальный прогноз определяется по формуле:

, где

- ширина доверительного интервала.

- средняя квадратическая ошибка прогноза.

tб - табличное значение критерия Стьюдента, которое с учетом числа степеней свободы n - 2 = 12 - 2 = 10 и уровнем значимости б = 0,01 будет равно 3,17.

Средняя квадратическая ошибка прогноза определяется по формуле:

, где

- стандартная ошибка отклонений.

Для расчета строим вспомогательную таблицу 1.6.

Таблица 1.6

Вспомогательная таблица суммы квадратов отклонений от среднего

Месяц

xi

1

29,0

20,33

2

36,2

7,25

3

28,9

21,24

4

32,4

1,23

5

49,7

262,17

6

38,1

21,08

7

30,0

12,31

8

32,6

0,83

9

27,5

36,10

10

39,0

30,16

11

27,5

36,10

12

31,2

5,33

Итого

402,1

454,11

Среднее

33,51

Расчет средней квадратической ошибка прогноза:

Расчет доверительного интервала:

Нижняя граница прогноза:

20,99 - 9,29 = 11,70 (тыс. у.е.)

Верхняя граница прогноза:

20,99 + 9,29 = 30,28 (тыс. у.е.)

Вывод: с вероятностью 99% цена на квартиру общей площадью 35,18 кв. м будет находиться в пределах от 11,70 до 30,28 тыс. у.е.

6.2. Прогноз для модели

Расчет точечного прогноза:

(тыс. у.е.)

Расчет стандартной ошибки отклонений:

Расчет средней квадратической ошибка прогноза:

Расчет доверительного интервала:

Нижняя граница интервала:

21,10 - 930 = 11,80 (тыс. у.е.)

Верхняя граница:

21,10 + 9,30 = 30,40 (тыс. у.е.)

Вывод: с вероятностью 99% цена на квартиру общей площадью 35,18 кв. м будет находиться в пределах от 11,8 до 30,4 тыс. у.е.

Задача 14

Имеются данные о деятельности крупнейших компаний в течение двенадцати месяцев 20__ года. Данные приведены в табл. 2.1.

Известны - чистый доход (у), оборот капитала (х1), использованный капитал (х2) в млрд. у.е.

Таблица 2.1

Месяц

у

х1

х2

1

1,5

5,9

5,9

2

5,5

53,1

27,1

3

2,4

18,8

11,2

4

3

35,3

16,4

5

4,2

71,9

32,5

6

2,7

93,6

25,4

7

1,6

10

6,4

8

2,4

31,5

12,5

9

3,3

36,7

14,3

10

1,8

13,8

6,5

11

2,4

64,8

22,7

12

1,6

30,4

15,8

Задание:

1. Рассчитайте параметры линейного уравнения множественной регрессии.

2. Дайте оценку силы связи факторов с результатом с помощью средних коэффициентов эластичности.

3. Оцените статистическую зависимость параметров и уравнения регрессии в целом с помощью соответственно критериев Стьюдента и Фишера (б=0,01).

4. Рассчитайте среднюю ошибку аппроксимации. Сделайте вывод.

5. Составьте матрицы парных и частных коэффициентов корреляции и укажите информативные факторы.

6. Оцените полученные результаты, выводы оформите в аналитической записке.

Решение:

1. Расчет параметров линейного уравнения множественной регрессии

Общий вид модели двухфакторной регрессии имеет вид:

Коэффициенты регрессии b1 и b2 показывают, на сколько единиц в среднем изменяется значение результативного признака при увеличении фактора на единицу измерения.

Для расчета параметров применяем МНК (метод наименьших квадратов). Необходимо решить систему нормальных уравнений:

Расчеты необходимых сумм представлены в таблице 2.2.

Таблица 2.2

Вспомогательная таблица для расчета параметров модели

№ п/п

у

х1

х2

х12

x1x2

x1y

x22

x2y

1

1,5

5,9

5,9

34,81

34,81

8,85

34,81

8,85

2

5,5

53,1

27,1

2819,61

1439,01

292,05

734,41

149,05

3

2,4

18,8

11,2

353,44

210,56

45,12

125,44

26,88

4

3

35,3

16,4

1246,09

578,92

105,90

268,96

49,20

5

4,2

71,9

32,5

5169,61

2336,75

301,98

1056,25

136,50

6

2,7

93,6

25,4

8760,96

2377,44

252,72

645,16

68,58

7

1,6

10

6,4

100,00

64,00

16,00

40,96

10,24

8

2,4

31,5

12,5

992,25

393,75

75,60

156,25

30,00

9

3,3

36,7

14,3

1346,89

524,81

121,11

204,49

47,19

10

1,8

13,8

6,5

190,44

89,70

24,84

42,25

11,70

11

2,4

64,8

22,7

4199,04

1470,96

155,52

515,29

54,48

12

1,6

30,4

15,8

924,16

480,32

48,64

249,64

25,28

Итого

32,4

465,8

196,7

26137,30

10001,03

1448,33

4073,91

617,95

Система нормальных уравнений:

Решим систему уравнений, используя метод Крамера. Находим определители матриц:

Находим параметры линейного уравнения регрессии:

Получили линейное уравнение регрессии:

Вывод. При увеличении оборотного капитала на 1 млрд. у.е. чистый доход в среднем снижается на 0,035 млрд. у.е. При увеличении использованного капитала на 1 млрд. у.е. чистый доход в среднем увеличивается на 0,199 млрд. у.е.

2. Дадим оценку силы связи факторов с результатом с помощью средних коэффициентов эластичности

Рассчитываем средние значения признаков:

Расчет коэффициентов эластичности:

Вывод. При увеличении оборотного капитала на 1% чистых доход в среднем снижается на 0,501%. При увеличении использованного капитала на 1% чистый доход в среднем увеличивается на 1,209%.

Фактор х2 (использованный капитал) оказывает более ильное влияние на результативный признак у (чистый доход), чем фактор х1 (оборотный капитал).

3. Оценим статистическую зависимость параметров и уравнения регрессии в целом с помощью соответственно критериев Стьюдента и Фишера (б=0,01)

3.1. Оценка статистической значимости параметров модели регрессии

Для оценки статистической значимости параметров используем t-критерий Стьюдента. Фактическое значение критерия определяется по формуле:

, где

S(bj) - стандартная ошибка коэффициентов регрессии.

, где

bjj - диагональный элемент матрицы ;

- стандартная ошибка модели.

Стандартная ошибка модели определяется по формуле:

, где

m - количество факторов в модели.

Для расчета строим вспомогательную таблицу 2.3.

Таблица 2.3

Вспомогательная таблица для расчета характеристик модели

№ п/п

у

х1

х2

1

1,5

5,9

5,9

1,76

-0,26

0,07

1,44

0,171

2

5,5

53,1

27,1

4,34

1,16

1,36

7,84

0,212

3

2,4

18,8

11,2

2,36

0,04

0,00

0,09

0,015

4

3

35,3

16,4

2,82

0,18

0,03

0,09

0,059

5

4,2

71,9

32,5

4,76

-0,56

0,31

2,25

0,133

6

2,7

93,6

25,4

2,59

0,11

0,01

0,00

0,042

7

1,6

10

6,4

1,71

-0,11

0,01

1,21

0,071

8

2,4

31,5

12,5

2,18

0,22

0,05

0,09

0,092

9

3,3

36,7

14,3

2,36

0,94

0,89

0,36

0,286

10

1,8

13,8

6,5

1,60

0,20

0,04

0,81

0,111

11

2,4

64,8

22,7

3,05

-0,65

0,42

0,09

0,272

12

1,6

30,4

15,8

2,88

-1,28

1,63

1,21

0,797

Итого

32,4

465,8

196,7

4,82

15,48

2,259

Расчет стандартной ошибки регрессии:

Рассчитываем обратную матрицу :

Диагональные коэффициенты матрицы:

b11 = 0,431b22 = 0,001b33 = 0,006

Рассчитываем стандартные ошибки параметров:

Находим фактические значения критерия Стьюдента:

По таблице значений критерия Стьюдента находим табличное значение на уровне значимости б = 0,01 и с числом степеней свободы df = n - m - 1 = 12 - 2 - 1 = 9.

tтабл = 3,25

Вывод. - коэффициент регрессии b1 является не значимым, следовательно, и фактор х1 (оборотный капитал) при этом коэффициенте является не значимым и его не стоит включать в модель.

- коэффициент регрессии b2 является значимым, следовательно, и фактор х2 (использованный капитал) при этом коэффициенте является значимым.

3.2. Оценка статистической значимости уравнения регрессии

Фактическое значение критерия рассчитывается по формуле:

, где

R2 - коэффициент детерминации;

n - количество наблюдений;

m - количество факторов.

Рассчитываем коэффициент детерминации:

Вывод. 68,9% вариации чистого дохода у происходит под влиянием факторов х1 и х2, включенных в модель.

Рассчитываем F-критерий Фишера:

По таблице значений статистики Фишера находим табличное значение на уровне значимости б = 0,01 при числе степеней свободы df1 = m = 2 и df2 = n - m - 1 = 12 - 2 - 1 = 9:

Fтабл = 8,02.

Сравниваем фактическое значение с табличным:

Fфакт = 9,96 > Fтабл = 8,02

Вывод. F-критерий Фишера показывает, что вариация чистого дохода, вызванная влиянием факторов, включенных в модель в 9,96 раза больше вариации чистого дохода, вызванной влиянием прочих факторов. Фактическое значение больше табличного значения, т.е. построенное линейное уравнение регрессии является статистически значимым. Нулевую гипотезу отклоняем.

4. Рассчитаем среднюю ошибку аппроксимации

Вспомогательные расчеты приведены в последнем столбце таблицы 2.3.

Вывод. В среднем фактические значения чистого дохода отличаются от полученных по линейной модели на 18,8%. Ошибка больше 10%, модель не является точной.

5. Составим матрицу парных и частных коэффициентов корреляции и укажем информативные факторы

Парные коэффициенты корреляции определяются по формуле:

, где

- средние квадратические отклонения у и х.

Коэффициент показывает тесноту и направление связи между признаками.

Для расчета строим вспомогательную таблицу 2.4.

Таблица 2.4

Вспомогательная таблица для расчета парных коэффициентов корреляции

№ п/п

у

х1

х2

yx1

yx2

y2

x12

x22

х1х2

1

1,5

5,9

5,9

8,85

8,85

2,25

34,81

34,81

34,81

2

5,5

53,1

27,1

292,05

149,05

30,25

2819,61

734,41

1439,01

3

2,4

18,8

11,2

45,12

26,88

5,76

353,44

125,44

210,56

4

3

35,3

16,4

105,90

49,20

9,00

1246,09

268,96

578,92

5

4,2

71,9

32,5

301,98

136,50

17,64

5169,61

1056,25

2336,75

6

2,7

93,6

25,4

252,72

68,58

7,29

8760,96

645,16

2377,44

7

1,6

10

6,4

16,00

10,24

2,56

100,00

40,96

64,00

8

2,4

31,5

12,5

75,60

30,00

5,76

992,25

156,25

393,75

9

3,3

36,7

14,3

121,11

47,19

10,89

1346,89

204,49

524,81

10

1,8

13,8

6,5

24,84

11,70

3,24

190,44

42,25

89,70

11

2,4

64,8

22,7

155,52

54,48

5,76

4199,04

515,29

1470,96

12

1,6

30,4

15,8

48,64

25,28

2,56

924,16

249,64

480,32

Итого

32,4

465,8

196,7

1448,33

617,95

102,96

26137,30

4073,91

10001,03

Среднее

2,7

38,82

16,39

120,69

51,50

8,58

2178,11

339,49

833,42

Расчет средних квадратических отклонений:

Расчет коэффициентов парной корреляции:

- связь между у и х1 является прямой и заметной.

- связь между у и х2 является прямой и тесной.

- связь между х1 и х2 является прямой и очень тесной.

Получили матрицу парных коэффициентов корреляции:

Вывод. Связь между факторами, включаемыми в модель, должна быть слабой. Связь между оборотным капиталом (х1) и использованным капиталом (х2) является очень тесной. Вместе эти факторы включать в модель не следует. В модель следует включать тот фактор, который наиболее тесно связан с результативным признаком у, т.е. фактор х2.

Рассчитаем частные коэффициенты корреляции:

Т.е. если устранить влияние фактора х2, то связь между у и х1 будет заметной и обратной.

Т.е. если устранить влияние фактора х1, то связь между у и х2 будет тесной и прямой.

Т.е. если устранить влияние результативного признака у, то связь между х1 и х2 будет тесной и прямой.

6. Оценим полученные результаты

Коэффициенты регрессии построенного уравнения регрессии показывают, что при увеличении оборотного капитала на 1 млрд. у.е. чистый доход в среднем снижается на 0,035 млрд. у.е., а при увеличении использованного капитала на 1 млрд. у.е. чистый доход в среднем увеличивается на 0,199 млрд. у.е.

Найденные коэффициенты эластичности говорят то том, что при увеличении оборотного капитала на 1% чистых доход в среднем снижается на 0,501%. При увеличении использованного капитала на 1% чистый доход в среднем увеличивается на 1,209%. Фактор х2 (использованный капитал) оказывает более ильное влияние на результативный признак у (чистый доход), чем фактор х1 (оборотный капитал).

Коэффициент регрессии при факторе х1 является не значимым, следовательно, и фактор х1 (оборотный капитал) при этом коэффициенте является не значимым и его не стоит включать в модель.

F-критерий Фишера показывает, что вариация чистого дохода, вызванная влиянием факторов, включенных в модель в 9,96 раза больше вариации чистого дохода, вызванной влиянием прочих факторов. Построенное линейное уравнение регрессии является статистически значимым.

Связь между факторами, включаемыми в модель, должна быть слабой. Связь между оборотным капиталом (х1) и использованным капиталом (х2) является очень тесной. Вместе эти факторы включать в модель не следует. В модель следует включать тот фактор, который наиболее тесно связан с результативным признаком у, т.е. фактор х2.

Задача 24

Модель денежного и товарного рынков:

, где

R - процентные ставки;

Y - реальный ВВП;

М - денежная масса;

I - внутренние инвестиции;

G - реальные государственные расходы.

Задание:

1. Используя необходимое и достаточное условие идентификации, определить, идентифицировано ли каждое уравнение модели.

2. Определить тип модели.

3. Определите метод оценки параметров модели.

4. Опишите последовательность действий при использовании указанного метода;

5. Результаты оформите в виде пояснительной записки.

Решение:

При переходе от приведенной формы модели к структурной приходится сталкиваться с проблемой идентифицируемости модели. Идентифицируемость - это единственность соответствия между приведенной и структурной формами модели.

Модель представляет собой систему одновременных уравнений, состоящую из трех уравнений, которые необходимо проверить на идентифицируемость для определения способа оценки параметров, и тождества, параметры которого известны, поэтому необходимости в проверке его на идентифицируемость.

Модель включает 3 эндогенные переменные () и 2 экзогенные переменные ().

Первое уравнение:

Необходимое условие

Н = 2 () - число эндогенных переменных в уравнении;

D = 1 (Gt )- число экзогенных (предопределенных) переменных, которые есть в системе, но не входят в данное уравнение.

D + 1 = H, т.е. уравнение точно идентифицируемо, необходимое условие выполняется.

Достаточное условие.

Определитель матрицы, составленной из коэффициентов при переменных, которые отсутствуют в исследуемом уравнении не равен нулю. И ранг этой матрицы должен быть на единицу меньше числа энлогенных переменных в системе.

Запишем матрицу коэффициентов при переменных (эндогенных и экзогенных), не входящих в уравнение (I, Gt):

Ее ранг равен 2, а определитель не равен нулю. Достаточное условие идентифицируемости выполняется.

Второе уравнение:

Необходимое условие

Н = 3 (Yt, Rt, It) - число эндогенных переменных в уравнении;

D = 1 (Мt) - число экзогенных (предопределенных) переменных, которые есть в системе, но не входят в данное уравнение.

D + 1 > H, т.е. уравнение сверхидентифицируемо, необходимое условие выполняется.

Третье уравнение:

Необходимое условие

Н = 2 (Rt, It) - число эндогенных переменных в уравнении;

D = 2 (Мt, Gt) - число экзогенных (предопределенных) переменных, которые есть в системе, но не входят в данное уравнение.

D + 1 < H, т.е. уравнение не идентифицируемо, необходимое условие не выполняется.

Поскольку 3 уравнение системы неидентифицируемо, то и вся система является неидентифицируемой.

Поскольку модель неидентифицируема, то параметры модели не могут быть определены. Необходимы преобразования в системе.

.Приведенная форма модели:

Задача 34

Имеются данные за пятнадцать дней по количеству пациентов клиники, прошедших через соответствующие отделения в течение дня. Данные приведены в табл. 4.1.

Таблица 4.1

Динамика пациентов в глазном отделении

День

Глазное отделение

1

30

2

22

3

19

4

28

5

24

6

18

7

35

8

29

9

40

10

34

11

31

12

29

13

35

14

23

15

27

регрессия автокорреляция уравнение линейный

Требуется:

1) Определить коэффициенты автокорреляции уровней ряда первого и второго порядка.

2) Обосновать выбор уравнения тренда и определите его параметры.

3) Сделать выводы.

4) Результаты оформить в виде пояснительной записки.

Решение:

1. Определим коэффициенты автокорреляции уровней ряда первого и второго порядка

Автокорреляцией уровней ряда - это корреляционная зависимость между последовательными уровнями временного ряда.

Коэффициент автокорреляции первого порядка рассчитывается по формуле:

, где

;

.

Коэффициент автокорреляции второго порядка рассчитывается по форм

уле:

, где

; .

Вспомогательные расчеты приведены в таблице 4.2.

Таблица 4.2

Вспомогательные расчеты для определения коэффициентов автокорреляции

День

1

30

-

-

-

-

-

-

-

-

2

22

30

-

-13,61

68,65

2,70

-

3

19

22

30

71,74

127,37

40,41

65,09

92,46

45,82

4

28

19

22

21,39

5,22

87,56

6,01

0,38

95,44

5

24

28

19

2,24

39,51

0,13

3,55

21,30

0,59

6

18

24

28

53,53

150,94

18,98

50,63

112,69

22,75

7

35

18

24

-48,83

22,22

107,27

-68,76

40,76

115,98

8

29

35

18

-8,54

1,65

44,13

2,40

0,15

38,82

9

40

29

35

6,24

94,37

0,41

2,63

129,61

0,05

10

34

40

29

43,24

13,80

135,56

60,47

28,99

126,13

11

31

34

40

4,03

0,51

31,84

12,47

5,69

27,36

12

29

31

34

-3,40

1,65

6,98

0,86

0,15

4,98

13

35

29

31

3,03

22,22

0,41

1,47

40,76

0,05

14

23

35

29

-48,40

53,08

44,13

-34,99

31,53

38,82

15

27

23

35

17,60

10,80

28,70

9,32

2,61

33,28

Итого

424

397

374

100,29

612,00

549,21

111,15

507,08

550,08

Рассчитываем коэффициент автокорреляции первого порядка:

Рассчитываем коэффициент автокорреляции второго порядка:

Вывод. Коэффициенты автокорреляции показывают, что уровня ряда динамики пациентов глазного отделения не зависят от предыдущего уровня. Тренд в ряду динамики отсутствует.

2. Построим уравнение тренда

Представим ряд динамики графически (рисунок 1).

Рисунок 1 Динамика пациентов глазного отделения

Вывод. График показывает, что динамика пациентов глазного отделения носит скачкообразный характер. Тенденция в ряду динамики не прослеживается.

Построим линейное уравнение тренда линейного вида:

Параметры линейного уравнения тренда найдем методом наименьших квадратов. Решим систему нормальных уравнений:

Строим вспомогательную таблицу 4.3.

Получаем систему нормальных уравнений:

Решая систему относительно неизвестных параметров получаем:

a = 24,638, b = 0,454.

Линейное уравнение тренда имеет вид:

Вывод. Коэффициент регрессии b = 0,454 показывает, что в среднем ежедневно количество пациентов глазного отделения возрастало на 0,454.

Таблица 4.3

Вспомогательная таблица для расчета параметров

№ п/п

День

yt

t2

ytt

1

1

30

1

30

2

2

22

4

44

3

3

19

9

57

4

4

28

16

112

5

5

24

25

120

6

6

18

36

108

7

7

35

49

245

8

8

29

64

232

9

9

40

81

360

10

10

34

100

340

11

11

31

121

341

12

12

29

144

348

13

13

35

169

455

14

14

23

196

322

15

15

27

225

405

Итого

120

424

1240

3519

Список использованных источников

1. Доугерти К. Введение в эконометрику: Пер. с англ. М: ИНФРА-М, 2009. XIV, 402 с.

2. Елисеева И.И. Эконометрика: учебник для магистров / И.И. Елисеева [и др]; под ред. И.И. Елисеевой. М.: Издательство...


Подобные документы

  • 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

  • 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

  • Этапы и проблемы эконометрических исследований. Параметры парной линейной регрессии. Оценка тесноты связи с помощью показателей корреляции и детерминации. Расчет коэффициентов автокорреляции второго порядка для временного ряда расходов на потребление.

    контрольная работа [60,3 K], добавлен 05.01.2011

  • Параметры уравнения линейной регрессии. Вычисление остаточной суммы квадратов, оценка дисперсии остатков. Осуществление проверки значимости параметров уравнения регрессии с помощью критерия Стьюдента. Расчет коэффициентов детерминации и эластичности.

    контрольная работа [248,4 K], добавлен 26.12.2010

  • 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

  • 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

  • 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

  • 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

  • Построение поля корреляции и формулировка гипотезы о линейной форме связи. Расчет уравнений различных регрессий. Расчет коэффициентов эластичности, корреляции, детерминации и F-критерия Фишера. Расчет прогнозного значения результата и его ошибки.

    контрольная работа [681,9 K], добавлен 03.08.2010

  • Определение методом регрессионного и корреляционного анализа линейных и нелинейных связей между показателями макроэкономического развития. Расчет среднего арифметического по столбцам таблицы. Определение коэффициента корреляции и уравнения регрессии.

    контрольная работа [4,2 M], добавлен 14.06.2014

  • 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

  • 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

  • Расчет коэффициентов уравнения регрессии и оценка их значимости. Определение среднеквадратичного отклонения и среднеквадратичной ошибки, вычисление коэффициентов регрессии. Определение критериев Стьюдента. Расчет статистических характеристик модели.

    контрольная работа [137,2 K], добавлен 14.09.2009

  • 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

  • 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 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

  • Экономическая интерпретация коэффициентов множественной регрессии. Доверительные интервалы для параметров множественной регрессии. Скорректированный коэффициент детерминации. Средние коэффициенты эластичности. Прогноз фундаментального исследования.

    контрольная работа [866,7 K], добавлен 07.02.2009

  • Расчет основных параметров уравнений регрессий. Оценка тесноты связи с показателем корреляции и детерминации. Средний коэффициент эластичности, сравнительная оценка силы связи фактора с результатом. Средняя ошибка аппроксимации и оценка качества модели.

    контрольная работа [3,4 M], добавлен 22.10.2010

  • 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

  • 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

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.