- •Эконометрика
- •Содержание
- •Введение
- •1 Лабораторная работа № 1 Классическая модель линейной регрессии
- •Реализация типовых заданий:
- •1 Рассчитайте параметры линейного уравнения множественной регрессии с полным перечнем факторов по данным о деятельности крупнейших компаний сша в текущем году
- •2 Рассчитайте матрицу парных коэффициентов корреляции и отберите информативные факторы в модели. Укажите коллинеарные факторы
- •3 Постройте модель в естественной форме только с информативными факторами и оцените ее параметры.
- •4 Оцените с помощью f-критерия Фишера-Снедекора значимость уравнения линейной регрессии и показателя тесноты связи
- •5 Оцените статистическую значимость коэффициентов регрессии с помощью t- критерия Стьюдента
- •6 Дайте сравнительную оценку силы связи факторов с результатом с помощью средних (общих) коэффициентов эластичности
- •7 Оцените качество уравнения через среднюю ошибку аппроксимации
- •8 Постройте модель в стандартизованном масштабе и проинтерпретируйте ее параметры
- •9 Рассчитайте прогнозное значение результата, если прогнозное значение факторов составляют 80 % от их максимальных значений
- •10 Рассчитайте ошибки и доверительный интервал прогноза для уровня значимости
- •11 По полученным результатам сделайте экономический вывод
- •2 Лабораторная работа № 2 Регрессионные модели с переменной структурой
- •Реализация типовых заданий:
- •1 Оцените линейную регрессию, включив в модель фиктивную переменную
- •2 Проверти данные на наличие структурного сдвига при помощи теста Чоу
- •3 Лабораторная работа № 3 Нарушения допущений классической модели линейной регрессии
- •Реализация типовых заданий:
- •1 Провести графический анализ остатков
- •Графический анализ остатков
- •Тест Голфелда-Квандта
- •Тест ранговой корреляции Спирмена
- •2 Если будет обнаружена гетероскедастичность остатков, примените для исходных данных омнк, предполагая, что .
- •Критерий Дарбина – Уотсона
- •4 Лабораторная работа № 4 Нелинейная регрессия
- •Реализация типовых заданий
- •Показательная модель регрессии
- •Гиперболическая модель регрессии
- •5 Лабораторная работа 5 Моделирование временных рядов
- •Решение типовых задач:
- •1 На основе графического анализа провести исследование компонентного состава временного ряда
- •2 При обнаружении тенденции во временном ряду оценить параметры линейного и параболического тренда
- •3 Построить прогноз по тренд – сезонной аддитивной или мультипликативной модели
- •Прогнозирование по тренд – сезонной мультипликативной модели
- •4 Построить прогноз по модели регрессии с включением фактора времени и фиктивных переменных
- •6 Лабораторная работа № 6 Системы линейных одновременных уравнений
- •Реализация типовых заданий:
- •1) Построить модель вида, рассчитав соответствующие структурные коэффициенты. Исходные данные представлены в таблице 6.1.
- •2) Оценить параметры модели – I Клейна, используя данные таблицы 6.2.
- •Список использованных источников
- •Приложение а (обязательное) Исходные данные для выполнения лабораторных работ № 1 - 4
- •Приложение б (обязательное) Варианты заданий для выполнения 5 задания лабораторной работы № 5
- •Приложение в (обязательное) Результаты регрессионного анализа по первым разностям
- •Приложение г (обязательное) Результаты регрессионного анализа по отклонениям от тренда
- •Приложение д (обязательное) Результаты регрессионного анализа по модели регрессии с включением фактора времени
- •Приложение е (обязательное) Варианты заданий для выполнения лабораторной работы №6
- •Приложение ж (обязательное) Исходные данные для выполнения лабораторной работы №6
- •Приложение и (обязательное) Статистико-математические таблицы
Графический анализ остатков
Построим графики остатков для каждого уравнения (рисунки 3.3 и 3.4)
Рисунок 3.3 – График остатков для фактора х2
Рисунок 3.4 – График остатков для фактора х3
Как видно на рисунке отклонения не лежат внутри полуполосы постоянной ширины, это говорит, о зависимости дисперсионных остатков от величины х3 и о их непостоянстве, т.е. о наличии гетероскедастичности.
Тест Голфелда-Квандта
Выдвигаются гипотезы:
Но:
- гомоскедастичность;
Н1:
- гетероскедастичность.
Порядок проведения теста следующий:
1 Все n наблюдений упорядочиваются по величине X2 и X3 (таблицы 3.1 и 3.2).
Таблица 3.1 – Упорядоченные значения по фактору х2
№ предприятия |
|
|
1 |
2 |
0,4 |
2 |
0,7 |
0,4 |
3 |
2,2 |
0,5 |
4 |
2,4 |
0,9 |
5 |
3,3 |
1,3 |
6 |
2,9 |
1,6 |
7 |
2,3 |
1,6 |
8 |
2,5 |
1,9 |
9 |
2,9 |
2,2 |
10 |
2,9 |
2,4 |
11 |
3,6 |
3,2 |
12 |
3,5 |
3,3 |
13 |
2 |
3,4 |
14 |
3 |
3,5 |
Продолжение таблицы 3.1
№ предприятия |
|
|
15 |
3,4 |
3,6 |
16 |
3,5 |
3,7 |
17 |
3,3 |
3,8 |
18 |
2,7 |
4,2 |
19 |
2,3 |
5,1 |
20 |
3,5 |
5,3 |
21 |
2,5 |
5,3 |
22 |
3,2 |
5,6 |
23 |
4,2 |
6,1 |
24 |
8,5 |
16,8 |
25 |
5,7 |
27,5 |
2 Исключим С центральных наблюдений, разобьем совокупность на две части: а) со значениями x ниже центральных; б) со значениями x выше центральных.
Пусть С=5, это наблюдения с порядковыми номерами 11-15.
Таблица 3.2 – Упорядоченные значения по фактору х3
№ предприятия |
|
|
1 |
2 |
3 |
1 |
1,6 |
2 |
2 |
8,9 |
2,2 |
3 |
9,2 |
2,3 |
4 |
10,3 |
2,9 |
5 |
12,9 |
2,4 |
6 |
16,4 |
3,5 |
7 |
16,5 |
2,5 |
8 |
19,3 |
3,3 |
Продолжение таблицы 3.2
1 |
2 |
3 |
9 |
22,8 |
3,5 |
10 |
23,8 |
3,5 |
11 |
24,9 |
3,3 |
12 |
25,2 |
3,6 |
13 |
27,2 |
2,9 |
14 |
31,1 |
2,3 |
15 |
32,9 |
3,2 |
16 |
36,9 |
2,5 |
17 |
37,2 |
2,9 |
18 |
40,4 |
2 |
19 |
40,8 |
4,2 |
20 |
50,4 |
0,7 |
21 |
53,8 |
2,7 |
22 |
54,6 |
3,4 |
23 |
81,5 |
3 |
24 |
133,5 |
5,7 |
25 |
286,5 |
8,5 |
3
Оцениваются отдельные регрессии для
первой подвыборки
(10 первых наблюдений) и для третьей
подвыборки
(10
последних наблюдений). Если предположение
о пропорциональности дисперсий отклонений
значениям X
верно, то дисперсия регрессии
по первой подвыборке (сумма квадратов
отклонений
)
будет существенно меньше дисперсии
регрессии по третьей подвыборке (суммы
квадратов отклонений
).
4 По каждой части находим уравнение регрессии (рисунок 3.5):
Рисунок 3.5 – Вывод итогов для подвыборок для фактора х2
5
Для сравнения соответствующих дисперсий
строится
следующая F-статистика:
,
.
При сделанных предположениях относительно случайных отклонений построенная F-статистика имеет распределение Фишера с числами степеней свободы v1=v2=(n-C-2m)/2.
6
Если
,
то
гипотеза об отсутствии гетероскедастичности
отклоняется
(
- выбранный уровень значимости).
По
проведенным расчетам мы получили, что
следовательно в ряду остатков обнаружена
гетероскедастичность.
Аналогично проводится анализ для фактора х3.
