- •Зміст дисципліни за темами
- •Тема 1. Концептуальні аспекти економетричного моделювання економіки
- •Тема 2. Принципи побудови економетричних моделей. Парна та множинна лінійна регресія
- •Тема 3: Моделі множинних регресій, що зводяться до лінійних
- •Тема: Економіко – математичне моделювання
- •2. Математична модель економічного об’єкту
- •Критерії вибору „хорошої моделі”:
- •За характером застосування методів дослідження виділяються:
- •2. Об'єкт, предмет, мета і завдання економетрії
- •3. Основні етапи економетричного аналізу
- •4. Економічні задачі, які розв'язують за допомогою економетричних методів
- •5. Основні етапи зародження та розвитку економетрії
- •Тема: Регресійні моделі
- •1. Поняття регресії
- •3. Парна лінійна регресія
- •4. Теоретична і розрахункова моделі
- •5. Метод найменших квадратів – метод розрахунку параметрів моделі.
- •6. Дисперсійний аналіз моделі
- •Приклад виконання типового завдання
- •1. Економічна постановка задачі
- •2. Геометричне зображення залежності між досліджуваними показниками
- •3. Оцінювання параметрів парної лінійної регресії
- •4. Розрахунок коефіцієнта детермінації та парної кореляції.
- •5. Перевірка достовірності побудови моделі на основі статистичних критеріїв
- •5. Визначення стандартних похибок та довірчих інтервалів для оцінок параметрів моделі
- •6. Точковий та інтервальний прогноз на основі побудованої моделі.
- •Тема: Загальна лінійна економетрична модель
- •1. Множинна лінійна регресія
- •2. Передумови застосування метода найменших квадратів
- •3. Дисперсійний і регресійний аналіз моделей
- •4. Точковий та інтервальльний прогноз
- •5. Перевірка якості та статистичної значущості моделі
- •Завдання №1 на самостійну роботу
- •1). Побудувати економетричну модель залежності між факторами за допомогою функції «линейн»:
- •Тема: Нелінійні моделі
- •Степенева (поліноміальна ) модель
- •2. Гіперболічна модель
- •3. Показникові моделі
- •4. Виробнича функція Кобба – Дугласа
- •Завдання №2 на самостійну роботу
- •Тема: Фіктивні змінні в регресійних моделях
- •1. Необхідність використання фіктивних змінних
- •2. Моделі ancova
- •2.1. Ancova - Модель при наявності у фіктивної змінної двох альтернатив
- •2.2. Моделі ancova за наявності у якісних змінних більш двох альтернатив
- •3. Використання фіктивних змінних у сезонному аналізі
- •Завдання № 3* на самостійну роботу Розрахувати моделі із фіктивними змінними :
- •Дослідити розраховану модель на значущість. Тема: Мультиколінеарність факторів моделі
- •Поняття мультиколінеарності
- •Основні наслідки мультиколінеарності:
- •Дослідження наявності мультиколінеарності
- •Ознаки мультиколінеарності
- •Алгоритм Фаррара – Глобера
- •Завдання №4 на самостійну роботу
- •Тема: Гетероскедастичність моделі
- •1. Поняття гетероскедастнчності та її наслідки
- •2. Перевірка гетероскедастичності
- •Тема: Автокореляція відхилень (залишків)
- •1. Поняття автокореляції та її наслідки
- •Перевірка наявності автокореляції
- •Завдання № 5 на самостійну роботу
3. Дисперсійний і регресійний аналіз моделей
-
Y
Ŷр
û = y -yp
û 2
∑
0
Дисперсія залишків Dи =
Дисперсія змінної Dу = , = (фіксація F4)
Коефіцієнт детермінації R2=1- =
знаходиться для перевірки якості рівняння регресії і визначає характер лінійного впливу зміни значень факторів моделі на змінну Y , тобто на скільки відсотків рівняння регресії пояснює поведінку залежної змінної Y: R2 є (0;1).
Крім того, показник R2 може виявитися в ході розрахунків відємним :
неякісна лінійна модель (звязок в моделі є нелінійним) ;
коефіцієнт моделі а0 є дуже і дуже малим;
малий обсяг статистичних даних.
Коефіцієнт кореляції R =√ R2 характеризує тісноту лінійного зв’язку :
чим тіснішим є лінійний звязок між Х і Y, тим ближче R 1,
чим слабшим є лінійний звязок між Х і Y , тим ближче R 0.
Крім того, якщо R>0, то характер зміни Х і Y однаковий ,
якщо R<0, то характер зміни Х і Y протилежний.
Але фактори Х і Y можуть мати часовий тренд, не повязаний із причинно-наслідковою залежністю, наприклад, показник ВВП, рівень доходу і споживання, коли показник R може 1, а лінійний звязок може бути відсутнім.
Коваріаційна матриця Var  = Dи· (Хт Х)-1
Стандартні похибки оцінок параметрів моделі дорівнюють квадратному кореню з елементів головної діагоналі коваріаційної матриці S âі =√|| Var Â||іі
Інтервальні оцінки для оцінок параметрів моделі зі ймовірністю р = 1- α містять теоретичні параметри модепі a1 є (âі - tα /2, (n - m-1 ) ·S âі ; âі + tα /2, (n-m-1 )·S âі )
4. Точковий та інтервальльний прогноз
1. Точковий прогноз Х*пр = (1, х*1, х*2 ,..., х*n) , Y*пр = Х*пр· Â.
2. Дисперсія прогнозу D пр = Х*пр · Var  ·( Х*пр )т.
3. Дисперсія інтервального прогнозу DІ = Dи + D пр , σі =√ DІ.
4. Інтервальний прогноз Y*пр - tα /2, (n - m-1 ) · σ і < Y*пр < Y*пр + tα /2, (n - m-1 )) ·σі .
5. Перевірка якості та статистичної значущості моделі
1. Статистична значущість коефіцієнтів множинної регресії з т факторами перевіряється на основі t-статистики з (n – m - 1) ступенями свободи, де
n – кількість спостережень, m – кількість факторів моделі, α/2 – поріг значущості моделі :
t фj = | â1| / σâ1
якщо t ф > tα/2; ( n – m -1 ) , знайденого за таблицею розподілу Стьюдента, то маємо статистично значущий коефіцієнт множинної регресії âj;
якщо t ф < tα/2; ( n – m -1 ), то коефіцієнт множинної регресії â1 є статистично незначущим, а фактор Хj не має серйозного впливу на Y, лінійно з Y не пов’язаний.
2. Перевірка загальної якості моделі за коефіцієнтом детермінації R2 = 1- =
знаходиться для перевірки якості рівняння регресії і визначає характер лінійного впливу зміни значень факторів моделі на змінну Y , тобто на скільки відсотків рівняння регресії пояснює поведінку залежної змінної Y.
оцінка статистичної значущості коефіцієнта детермінації R2 проводиться за критерієм Фішера ( F –статистика): ,
F kp = F α; m; n -( m+1 ) , де n – кількість спостережень,
m – кількість факторів моделі, α – поріг значущості моделі.
Якщо F > Fкр, то коефіцієнт R2 є статистично значущим, в протилежному випадку не є статистично значущим.
6. Функція «ЛИНЕЙН» для розрахунку і аналізу багатофакторної лінійної моделі
для отримання результату спочатку треба виділити масив «5 × (m+1)», де m – кількість факторів моделі,
знайти: fх → «Статистические» → «ЛИНЕЙН» і виділити:
- масив Y;
- массив Х;
- константа – «истина» («1»);
- константа – «истина» («1»);
після введення даних натиснути комбінацію клавіш F2 + Ctrl + Shif t+ Enter одночасно.
-
…
…
R2
#
#
#
F
Df = n – m -1
#
#
#
#…
#
#
Приклад 2. Для аналізу залежності ціни автомобілю Y ( $ тис) від його віку (р.) та потужності двигуна (к. с.) з бази даних салону, що займається продажем потриманих автомобілів, були вибрані відомості про 16 машин. Ці відомості наведені в таблиці. Побудувати відповідну лінійну економетричну модель за допомогою:
1. вбудованої статистичної функції MS Excel – «ЛИНЕЙН»;
2. надбудови MS Excel «Пакет анализа».
|
|
|
18,8 |
3 |
90 |
19,2 |
2 |
94 |
16,8 |
4 |
100 |
11,4 |
6 |
100 |
11,4 |
6 |
80 |
14,3 |
6 |
120 |
22,2 |
2 |
110 |
18 |
4 |
115 |
22,5 |
2 |
120 |
24,4 |
2 |
130 |
23,4 |
3 |
150 |
22,5 |
2 |
118 |
23,4 |
2 |
115 |
19,8 |
2 |
80 |
10 |
6 |
90 |
9,6 |
6 |
80 |
1. Для оцінки параметрів та аналізу моделі за допомогою функції «ЛИНЕЙН»:
- Вводимо вихідні дані на лист Excel.
- Виділяємо масив , де m – кількість змінних моделі.
- активуємо «Мастер функций» - категорія «статистические» - функція «ЛИНЕЙН». Діалогове вікно функції матиме вигляд:
Рис. Діалогове вікно функції «Линейн»
«Известные значения Y» - множина значень Y;
«Известные значения Х» - множина значень незалежних змінних Х;
«Конст» - логічне значення, яке вказує чи потрібно, щоб оцінка параметру (вільний член) дорівнювала нулю;
«Статистика» - логічне значення, яке вказує чи потрібна додаткова статистика по регресії.
- Натискаємо кнопку «ОК», або клавішу «Enter». В лівому верхньому кутку виділеної області з’явиться перший елемент таблиці. Щоб побачити всю таблицю натискаємо клавішу «F2», а потім – комбінацію клавіш «Сtrl – Shift – Enter».
0,092 |
-2,315 |
16,637 |
0,011 |
0,121 |
1,388 |
0,98 |
0,779 |
#Н/Д |
323,071 |
13 |
#Н/Д |
391,664 |
7,88 |
#Н/Д |
2. Для даної задачі таблиця «ЛИНЕЙН» матиме вигляд:
Перший рядок результатів розрахунку містить оцінки параметрів моделі:
Другий рядок містить стандартні похибки оцінок параметрів моделі:
В третьому рядку таблиці результатів знаходяться два показники – коефіцієнт детермінації і стандартне відхилення залишків моделі:
Четвертий рядок також містить дві характеристики - критерій Фішера та ступені свободи:
В п’ятому рядку знаходяться сума квадратів регресії та сума квадратів залишків:
На основі вихідних статистичних даних була побудована економетрична модель залежності ціни автомобілю Y від його віку та потужності двигуна .
Рівняння моделі має вигляд:
Коефіцієнт детермінації дорівнює 0,98, множинний коефіцієнт кореляції – 0,99. Тобто варіація значень ціни автомобілю на 98% визначається варіацією значень його віку та потужності двигуна, між залежною та незалежними змінними існує тісний лінійний зв'язок.
Фактичне значення критерію Фішера перевищує табличне значення , взяте при ступенях свободи (13; 2) і рівні значущості 5%, модель достовірна.
Табличне значення критерію Стьюдента, взяте при ступенях свободи і , становить Оцінки параметрів моделі є статистично значущими, оскільки фактичні значення критерію Стьюдента, для кожної з оцінок, дорівнюють, відповідно, і і є більшими за табличне значення.
Довірчі інтервали для оцінок параметрів моделі:
; і .