- •Содержание
- •1. Постановка задачи 4
- •2. Косвенный метод наименьших квадратов 7
- •3. Двухшаговый метод наименьших квадратов 31
- •Введение
- •Постановка задачи
- •1.1. Общая постановка задачи
- •1.2 Упрощенная модель Клейна
- •2. Косвенный метод наименьших квадратов
- •Исходные данные
- •2.1. Определение параметров уравнения регрессии приведенной формы
- •2.1.1. Построение уравнения регрессии для функции потребления
- •2.1.2. Построение уравнения регрессии для функции инвестиций
- •Вывод остатка
- •2.1.3. Проверка статистической значимости уравнений регрессии функции потребления и функции инвестиций
- •Проверка случайности колебаний уровней статочной последовательности
- •Проверка соответствия распределения случайной компоненты нормальному закону распределения
- •Проверка равенства математического ожидания случайной компоненты нулю
- •Проверка независимости значений уровней случайной компоненты
- •Определение точности модели
- •Тест ранговой корреляции Спирмена
- •2.1.4. Определение значения параметров уравнений регрессий методом подстановок
- •2.1.5. Определение параметров уравнения регрессии с помощью обычного мнк
- •3. Двухшаговый метод наименьших квадратов
- •Заключение
- •Список используемой литературы
2.1.4. Определение значения параметров уравнений регрессий методом подстановок
Возьмём полученные значения величин h10, h11, h20, h21, и, применяя метод подстановок, из системы уравнений (8) определим значения c0', c1', i0', i1'.
(9)
После некоторых преобразований найдём значения c0', c1', i0', i1'.
В рассматриваемой задаче:
с1' |
0,47 |
i1' |
0,14 |
i0' |
58,90 |
c0' |
259,11 |
Полученные значения c0', c1', i0', i1' использовать для определения методом подстановок значений c0, c1, i0, i1 из следующей системы уравнений:
(10)
После некоторых преобразований найдём значения c0, c1, i0, i1.
В рассматриваемой задаче:
-
c0
176,60
c1
0,32
i0
51,66
i1
0,12
Подставив значения с0, с1, i0, i1 в систему уравнений (2), получим:
(11)
Таким образом, решается поставленная задача определения параметров исходных уравнений регрессии.
2.1.5. Определение параметров уравнения регрессии с помощью обычного мнк
Используя исходные данные (таблица №1) и систему уравнений (2), определяем с помощью обычного МНК значения величин с0, с1, i0, i1. Для расчетов применим табличный редактор Excel.
Произведем построение уравнения регрессии. Определяем сначала значения величин с0, с1. Для построения статистической модели, характеризующей значимость и точность найденного уравнения регрессии, используем табличный процессор «Excel», применив команды «Сервис» - «Анализ данных» - «Регрессия».
В диалоговом окне «Регрессия» в поле «Входной интервал Y» вводим данные по С(t), включая название реквизита. В поле «Входной интервал Х» вводим данные по Y(t). Затем устанавливаем флажки в окнах «Метки» и «Уровень надежности». Установим переключатель «Новый рабочий лист» и поставим флажок в окошке «Остатки». После всех вышеперечисленных действий нажимаем кнопку «ОК» в диалоговом окне «Регрессия». Получаем следующие таблицы:
ДЛЯ ФУНКЦИИ ПОТРЕБЛЕНИЯ:
Таблица №12
Регрессионная статистика |
|
Множественный R |
0,95 |
R-квадрат |
0,91 |
Нормированный R-квадрат |
0,91 |
Стандартная ошибка |
7,74 |
Наблюдения |
24 |
Таблица №13
Дисперсионный анализ |
|||||
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
1 |
13535,09 |
13535,09 |
225,84 |
4,73E-13 |
Остаток |
22 |
1318,50 |
59,93 |
|
|
Итого |
23 |
14853,59 |
|
|
|
Таблица №14
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% |
Y-пересечение |
169,97 |
16,43 |
10,35 |
6,48E-10 |
135,90 |
204,05 |
135,90 |
204,05 |
Y(t) |
0,33 |
0,02 |
15,03 |
4,73E-13 |
0,28 |
0,37 |
0,28 |
0,37 |
Таблица №15
ВЫВОД ОСТАТКА |
||
|
|
|
Наблюдение |
Предсказанное C(t) |
Остатки |
1 |
371,26 |
7,74 |
2 |
390,86 |
2,14 |
3 |
378,58 |
-6,78 |
4 |
396,02 |
11,58 |
5 |
393,08 |
-6,48 |
6 |
396,81 |
-4,41 |
7 |
405,50 |
1,10 |
8 |
400,34 |
-6,34 |
9 |
407,40 |
11,80 |
10 |
408,96 |
5,84 |
11 |
404,78 |
-11,58 |
12 |
408,18 |
-4,18 |
13 |
414,85 |
5,95 |
14 |
416,02 |
7,98 |
15 |
415,30 |
-2,70 |
16 |
416,15 |
-9,35 |
17 |
426,15 |
-1,15 |
18 |
431,84 |
6,96 |
19 |
437,26 |
1,74 |
20 |
439,55 |
-13,55 |
21 |
443,73 |
-6,13 |
22 |
452,29 |
6,71 |
23 |
462,03 |
9,57 |
24 |
460,46 |
-6,46 |
Получаем уравнение регрессии: С(t) = 169,97+0,33*Y(t) + u1(t)
ДЛЯ ФУНКЦИИ ИНВЕСТИЦИЙ:
Используя исходные данные (таблица №1) I(t) и по Y(t), систему уравнений (7), определяем с помощью МНК значения величин h20, h21. Для расчетов снова применим табличный редактор Excel (программа «Регрессия»).
Таблица №16
Регрессионная статистика |
|
Множественный R |
0,89 |
R-квадрат |
0,80 |
Нормированный R-квадрат |
0,79 |
Стандартная ошибка |
4,54 |
Наблюдения |
24 |
Таблица №17
Дисперсионный анализ |
|||||
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
1 |
1771,78 |
1771,78 |
86,04 |
4,65E-09 |
Остаток |
22 |
453,01 |
20,59 |
|
|
Итого |
23 |
2224,80 |
|
|
|
Таблица №18
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% |
Y-пересечение |
1 |
54,58 |
9,63 |
5,67 |
1,06E-05 |
34,61 |
74,55 |
34,61 |
Y(t) |
22 |
0,12 |
0,01 |
9,28 |
4,65E-09 |
0,09 |
0,14 |
0,09 |
Таблица №19
ВЫВОД ОСТАТКА |
||
|
|
|
Наблюдение |
Предсказанное I(t) |
Остатки |
1 |
127,40 |
-5,40 |
2 |
134,50 |
3,50 |
3 |
130,05 |
3,55 |
4 |
136,36 |
-8,16 |
5 |
135,30 |
-0,10 |
6 |
136,65 |
1,15 |
7 |
139,79 |
3,41 |
8 |
137,92 |
3,08 |
9 |
140,48 |
-5,08 |
10 |
141,05 |
-2,45 |
11 |
139,53 |
3,87 |
12 |
140,76 |
4,24 |
13 |
143,17 |
-2,57 |
14 |
143,60 |
-4,60 |
15 |
143,34 |
3,86 |
16 |
143,65 |
4,95 |
17 |
147,26 |
-3,26 |
18 |
149,32 |
-4,72 |
19 |
151,28 |
2,72 |
20 |
152,11 |
6,89 |
21 |
153,62 |
0,58 |
22 |
156,72 |
-6,72 |
23 |
160,24 |
-4,04 |
24 |
159,68 |
5,32 |
Получаем уравнение регрессии: I(t) = 54,58+ 0,12*Y(t)+u2(t)
Вывод:
Получаем следующую систему уравнений:
При сравнении результатов, полученных традиционным МНК и с помощью КМНК, следует иметь в виду, что традиционный МНК, применяемый к каждому уравнению структурной формы модели, взятому в отдельности, дает смещенные оценки структурных коэффициентов.