- •1.1. Понятие связи между экономическими показателями.
- •1.2. Основные типы эконометрических моделей
- •1.3. Исходные данные для построения эконометрической модели
- •1.4. Этапы построения эконометрической модели
- •2.1. Парная линейная регрессия
- •2.2. Метод наименьших квадратов (МНК) для линейной парной регрессии.
- •2.3. Модель множественной регрессии
- •2.4. Метод наименьших квадратов для линейной модели множественной регрессии
- •2.5. Нелинейные регрессионные модели
- •2.6. Классическая линейная модель регрессии (КЛМР)
- •3. Проверка качества регрессионных моделей.
- •3.1. Проверка общего качества регрессионной модели. Коэффициент детерминации
- •3.2. Понятие статистической значимости
- •3.3. Оценка статистической значимости параметров линейной модели множественной регрессии
- •3.4. Оценка статистической значимости параметров линейной модели парной регрессии
- •3.5. Оценка статистической значимости уравнения регрессии
- •3.6. Оценка точности модели
- •4.1. Применение эконометрических моделей для прогнозирования.
- •4.2. Экономическая интерпретация связи переменных в модели множественной регрессии
- •4.3. Проблемы спецификации модели.
- •4.4. Понятие мультиколлинеарности
- •5. Моделирование временных рядов
- •5.1. Введение в анализ временных рядов
- •5.2. Предварительный анализ временных рядов.
- •5.3. Методы механического сглаживания временного ряда
- •5.4. Аналитическое сглаживание (трендовые модели)
- •Показатель
- •5.5. Проверка качества трендовой модели.
- •5.6. Прогнозирование на основе трендовой модели
- •6. Примеры построения эконометрических моделей.
- •6.1. Модель парной регрессии
- •6.2. Модель множественной регрессии
- •6.3. Модель тренда (кривой роста)
- •7. Применение ППП “EXCEL” для эконометрического моделирования
- •.Литература
- •Приложение. Статистические таблицы
7. Применение ППП “EXCEL” для эконометрического моделирования
Рассмотрим пример, представленный в п.6.2: построить линейную модель зависимости приращения прибыли (Y) в зависимости от инвестиционных вложений в оборотные средства(X1) и основной капитал ( X 2 ). Имеются
статистические данные по 7 предприятиям отрасли
Y |
50 |
120 |
290 |
190 |
200 |
300 |
320 |
X1 |
30 |
66 |
78 |
110 |
130 |
190 |
250 |
X2 |
6 |
10 |
20 |
15 |
16 |
18 |
20 |
Выбираем линейную модель Y a0 a1X1 a2 X 2 . Найдем ее параметры
иоценим качество с использованием средств ППП «EXCEL»
1.Запишем исходные данные в таблицу EXCEL, как это сделано на рис.7.
Рис. 7.Ввод данных на листе 1 таблицы EXCEL.
2. В меню Сервис выбираем строку Анализ данных. На экране появится окно, в котором выбираем пункт Регрессия. Появляется следующее диалоговое окно (рис.8)
Рис.8. Диалоговое окно функции «Регрессия» Пакета анализа
2.Диалоговое окно заполняется следующим образом:
Входной интервал Y – диапазон (столбец), содержащий данные со
65
значениями объясняемой переменной, в нашем примере: ($A$1:$A$8)
Входной интервал X – диапазон (столбцы), содержащий данные со значениями объясняющих переменных: $B$1:$C$8.
Метки – флажок, который указывает, содержат ли первые элементы отмеченных диапазонов названия переменных (столбцов) или нет
Константа-ноль - флажок, указывающий на наличие или отсутствие свободного члена в уравнении модели;
Уровень надежности 1 95% (выбирается однозначно)
Выходной интервал – достаточно указать левую верхнюю ячейку будущего диапазона, в котором будет сохранен отчет по построению модели ($A$11). Можно также вывести отчет на новый рабочий лист или новую книгу,
для чего вводится флажок в соответствующее окно |
ˆ |
|
ˆ |
||
Для получения расчетных значений Y , |
остатков e Y Y |
или |
графиков следует установить соответствующие флажки в диалоговом окне. После заполнения диалогового окна нажмите на кнопку Ok.
4. Дадим расшифровку результатам моделирования. Вид отчета о результатах регрессионного анализа представлен на рис. 9.
Рис. 9. Отчет о результатах регрессионного анализа
66
Рассмотрим регрессионную статистику.
Множественный R – это R2 , где R2 – R-квадрат (коэффициент детерминации).
R2 0,969 |
|
свидетельствует |
о том, что изменения зависимой |
||||||||||||||||||||||
переменной Y на 96,9% можно объяснить изменениями включенных в модель |
|||||||||||||||||||||||||
объясняющих переменных. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
Нормированный |
R-квадрат |
– |
скорректированный коэффициент |
||||||||||||||||||||||
детерминации R |
2 |
=1 1 R2 |
|
n 1 |
, |
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
kor |
|
|
|
|
|
n k 1 |
|
|
|
|
|
|
|
|
|
|
||||
где |
n – число наблюдений, k – число объясняющих переменных. |
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
ei2 |
|
|
|
|
Стандартная ошибка регрессии |
S |
S 2 , где |
S 2 |
|
|
|
– |
||||||||||||||||||
n k 1 |
|||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i 1 |
|
|
|||||
необъясненная дисперсия |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
Наблюдения – число наблюдений n . |
|
|
|
Таблица 11. |
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
Коэффици- |
|
Стандарт |
|
|
t-статис- |
P- |
|
Нижние |
Верхние |
|||||||||||||||
|
|
|
|
енты |
|
|
ошибка |
|
|
тика. |
Значение |
|
95% |
|
|
|
95% |
|
|||||||
Y-перес.. |
a |
0 |
-61,36 |
Sa |
27,25 |
|
ta -2,25 |
0,09 |
|
-137,01 |
|
14,29 |
|||||||||||||
|
|
|
|
|
0 |
|
|
|
|
0 |
|
|
|
||||||||||||
X1 |
a |
|
0,25 |
|
Sa |
|
0,17 |
|
ta |
1,47 |
0,22 |
|
-0,22 |
|
0,72 |
||||||||||
|
|
1 |
|
|
|
1 |
|
|
|
1 |
|
|
|
||||||||||||
X2 |
a |
2 |
|
16,07 |
|
Sa |
|
2,45 |
|
ta |
6,57 |
0,00 |
9,28 |
|
22,86 |
||||||||||
|
|
|
|
|
|
2 |
|
|
|
2 |
|
|
|
Втаблице 11 представлены параметры модели (столбец «коэффициенты)
ирезультаты их проверки на статистическую значимость. Следовательно,
уравнение модели: Y 61,36 0,25 X1 16,07 X 2
t –статистика получена делением коэффициентов на стандартные ошибки. Как нам уже известно, если расчетное значение t статистики превосходит критическое, полученное из таблиц теоретического распределения Стьюдента с параметрами ( , n k 1) , то они статистически значимы.
Можно найти критические значения по таблицам t –распределения и провести сравнение (для данного примера t (0.05, 4)=2,77). В Пакете анализа предусмотрен другой инструмент оценки t –статистики: p-значение.
p-значение-величина, применяемая при статистической проверке гипотез с использованием компьютерных программ статистического анализа данных.. Представляет собой вероятность того, что критическое значение статистики используемого критерия (в данном случае t-статистики Стьюдента) превысит значение, вычисленное по выборке. Решение о принятии или отклонении нулевой гипотезы принимается в результате сравнения p-значения
с выбранным уровнем значимости . Если p, то нулевая гипотеза
отклоняется и принимается альтернативная о статистической значимости рассматриваемого параметра.
67
В данном примере параметр a1 статистически незначим так как
p 0,215 0,05; |
параметр |
a2 |
статистически |
значим |
( p 0,003 0,05). |
|
|
|
|
Нижние 95% - Верхние 95% - доверительные интервалы для параметров модели. Вообще, доверительные интервалы строятся только для статистически
значимых величин. В данном случае для параметра a2 :
9,278 M (a2 ) 2 22,859 , т.е. с надежностью 95% истинное
значение параметра лежит в указанном интервале.
Рассмотрим таблицу дисперсионного анализа.
Дисперсионный анализ |
|
|
|
|
|
|
df |
SS |
MS |
F |
Значим. F |
Регрессия |
2,000 |
58912,518 |
29456,259 |
62,424 |
0,001 |
Остаток |
4,000 |
1887,482 |
471,870 |
|
|
Итого |
6,000 |
60800,000 |
|
|
|
df – degrees of freedom – число степеней свободы связано с числом единиц совокупности n и с числом определяемых по ней констант k 1 .
SS- обозначение полных сумм квадратов. В этом столбце в строке
n
«Регрессия» стоит факторная сумма отклонений ESS .= (Yˆi Y )2 : в строке
i 1
n
«Остаток» – остаточная сумма отклонений RSS = (Yi Yˆi )2 , а в строке
i 1
«Итого» –общая сумма отклонений TSS = n (Yi Y )2 .
i 1
F и Значимость F позволяют проверить значимость уравнения регрессии, По эмпирическому значению статистики F проверяется гипотеза равенства нулю одновременно всех коэффициентов модели. Уравнение регрессии значимо на уровне , если F Fкр, где Fкр - табличное значение F-
критерия Фишера с параметрами ,k,n k 1 .Если значимость F 0.05, то уравнение регрессии статистически значимо с вероятностью 95%
68