- •Понятие эконометрики и ее место в экономических исследованиях
- •Основные этапы регрессионного анализа
- •Парная линейная регрессия
- •Коэффициенты эластичности
- •2.3. Предпосылки мнк (условия Маркова-Гаусса)
- •Анализ точности определения параметров регрессии
- •Проверка выполнимости предпосылок мнк. Статистика Дарбин-Уотсона
- •Модели парной нелинейной регрессии
- •Нелинейные однофакторные регрессионные модели. Линеаризация
- •Гиперболическая модель
- •Степенная модель
- •Показательная модель
- •Экспоненциальная модель
- •Полиномы разных степеней
- •В таблице 4.1.1 приведены преобразования, с помощью которых нелинейные функции становятся линейными с новыми переменными и коэффициентами.
- •Линеаризация для различных видов моделей
- •4.2 Оценка качества нелинейной связи
- •Зависимость расходов от среднедневной заработной платы
- •Расчетная таблица для линейной модели
- •Расчетная таблица для степенной модели
- •Расчетная таблица для гиперболической модели
- •Множественная регрессия Специфика уравнения множественной регрессии
- •Оценка параметров уравнения множественной линейной регрессии
- •Фиктивные и нефиктивные переменные
- •Статистические данные к примеру 2
- •Расчет параметров уравнения регрессии
- •Отклонение реальных значений от теоретических
- •Модели временных рядов Одномерный временной ряд
- •Автокорреляция уровней временного ряда и выявление его структуры.
- •Статистические данные к примеру 3
- •Расчет коэффициента автокорреляции первого порядка
- •Расчет коэффициента автокорреляции второго порядка
- •Корреляционная функция временного ряда потребления электроэнергии
- •Моделирование тенденции временного ряда
- •Моделироание сезонных колебаний временного ряда
- •Расчет сезонной компоненты в аддитивной модели
- •Расчет оценок сезонной компоненты в аддитивной модели
- •Расчет оценок сезонной компоненты в аддитивной модели
- •Взаимосвязь временных рядов
- •11.1. Методы исключения тенденции.
- •Статистические данные к примеру 5
- •Расчетные значения и отклонения для временных рядов расходов на конечное потребление и совокупного дохода
- •Расчетные значения и отклонения для временных рядов расходов на конечное потребление и совокупного дохода
Расчетная таблица для линейной модели
№ |
y |
x |
yx |
x2 |
y2 |
(y-)2 |
(х-)2 |
ŷx |
y-ŷx |
(y-ŷx)2 |
|
1 |
68,8 |
45,1 |
3102,88 |
2034,01 |
4733,44 |
119,12 |
96,04 |
61,28 |
7,52 |
56,61 |
0,11 |
2 |
61,2 |
59,0 |
3610,80 |
3481,00 |
3745,44 |
10,98 |
16,81 |
56,47 |
4,73 |
22,40 |
0,08 |
3 |
59,9 |
57,2 |
3426,28 |
3271,84 |
3588,01 |
4,06 |
5,29 |
57,09 |
2,81 |
7,90 |
0,05 |
4 |
56,7 |
61,8 |
3504,06 |
3819,24 |
3214,89 |
1,41 |
47,61 |
55,50 |
1,20 |
1,44 |
0,02 |
5 |
55,0 |
58,8 |
3234,00 |
3457,44 |
3025,00 |
8,33 |
15,21 |
56,54 |
-1,54 |
2,36 |
0,03 |
6 |
54,3 |
47,2 |
2562,96 |
2227,84 |
2948,49 |
12,86 |
59,29 |
60,55 |
-6,25 |
39,05 |
0,12 |
7 |
49,3 |
55,2 |
2721,36 |
3047,04 |
2430,49 |
73,71 |
0,09 |
57,78 |
-8,48 |
71,94 |
0,17 |
Σ |
405,2 |
384,4 |
22162,34 |
21338,41 |
23685,76 |
230,47 |
240,34 |
405,2 |
0,0 |
201,71 |
0,57 |
Ср. зн-е |
57,89 |
54,90 |
3166,05 |
3048,34 |
3383,68 |
- |
|
- |
|
|
|
Для данных характеристик получаем следующую систему
Решение этой системы находим методом Крамера, в результате чего получаем а =76,88 и b =-0,35
Тогда уравнение регрессии, описывающее зависимость между расходами на покупку продовольственных товаров и среднедневной заработной платы одного работающего имеет следующий вид: ŷ = 76,88 - 0,35 х.
Таким образом при увеличением среднедневной заработной платы одного работающего на 1 руб. доля расходов на покупку продовольственных товаров снижается в среднем на 0,35% в общей доле расходов.
Рассчитаем коэффициент корреляции, чтобы увидеть тесноту линейной связи между среднедневной заработной платы одного работающего и расходами на покупку продовольственных товаров :
По результату делаем вывод, что линейная связь между среднедневной заработной платы одного работающего и расходами на покупку продовольственных товаров умеренная и обратная.
Качество модели определим через значение коэффициента детерминации. Для этого в расчетной таблице заполним столбцы с 7 по 11
Полученный результат доказывает, что качество построенной линейной модели низкое. Такую модель нельзя использовать для построения прогноза и дальнейшего анализа среднедневной заработной платы одного работающего и расходов на покупку продовольственных товаров.
Найдем величину средней ошибки аппроксимации А:
В среднем, расчетные значения отклоняются от фактических на 8,1%, что допускается.
Проверим статистическую значимость полученного линейного уравнения регрессии, для этого найдем расчетное значение F-критерия Фишера:
Fрасч=
Сравним фактическое (расчетное) значение критерия Fрасч с табличным значением Fтабл. Fтабл (α=0,05; ν1=1; ν2=5)=6,61
Так как Fрасч <Fтабл при заданном уровне значимости α=0,05, гипотеза H0 о случайной природе формирования уравнения регрессии не отклоняется и признается статистическая незначимость и ненадежность полученного линейного уравнения регрессии.
Для оценки статистической значимости параметров регрессии воспользуемся t – критерием Стьюдента. Найдем расчетное значение t – критерии для каждого параметра.
Полученные расчетные значения сравниваем с табличным tтабл (α =0,05; ν=5)=2,571
Так как , то гипотеза H0 о статистической незначимости параметра b принимается. То есть параметр b в полученном уравнении регрессии можно считать равным 0. Можно говорить о том, что расходы на покупку продовольственных товаров не зависят (по линейному закону) от среднедневной заработной платы одного работающего.
Прогноз по этой модели делать не имеет смысла, потому что по всем критериям модель признана несостоятельной.
Степенная модель
Для построения степенной модели y=a·x b нужно провести линеаризацию переменных. Для степенной модели необходимо рассчитать у*=ln y и x*=ln x
Для расчетов будем использовать данные из таблицы 4.2.3.
Таблица 4.2.3