Программа EViews 4.0

Выбираем:

Frequency = Undated

Range start = 1

Range end =38

Выделить по нужному порядку через “Ctrl”

Правой клавишей мыши – Open – As Group…

Откроется окно группы.

Скопировать как есть из Excel (Ctrl+C)

В EViews:

Нажать «Edit», чтобы разблокировать редактирование переменных.

Вставить из буфера обмена (Ctrl+V)

Закрываем группу (это окно), не сохраняем (удалить).

Заново выделяем переменные. Всегда X – выделяем первым (PRICE).

Правой клавишей мыши – Open – As Equation

Откроется окно моделей

Наилучшая константа = среднее значение Y.

Модель детерминации

Коэффициент меняется от 0 до 1 и показывает долю дисперсии. Если коэффициент = 0, то нет смысла использовать.

Коэффициент детерминации в окне модели:

R-squared

0.7102753

Adjusted R-squared – исправленный коэффициент детерминации

проверяем гипотезу:

H₀: модель статистически не значима. R² = 0 (проверка статистической незначимости модели)

- квантиль (уровень значимости =0,005)

F-statistic (модель Фишера):
1. Prob. > принимаем гипотезу, модель не значима перестраиваем	2. Prob. < не принимаем гипотезу, модель значима анализируем дальше

Коэффициент детерминации показывает долю объяснённой дисперсии (если =70%, то мы объяснили 70% точек)

S. E. Regration – стандартная ошибка регрессии

Sum squared resid – остаточная сумма квадратов

Mean dependent var – среднее значение (математическое ожидание) (обычно не используем)

Штрафы за ввод не значимых переменных:

Akaike info criterion – информационный критерий Акаики

Schwarz criterion - информационный критерий Шварца

они должны быть минимальны (это штрафы за ввод незначимых переменных)

Коэффициент показывает, насколько единиц изменится Y при изменении X на одну единицу.

проверяем гипотезу:

H₀: переменная статистически не значима (K_i = 0)

t-statistic (модель Стьюдента):
1. Prob. > принимаем гипотезу (условно принимаем), переменная не значима, удаляем	2. Prob. < не принимаем гипотезу (условно отвергаем), переменная значима, оставляем

Коэффициент детерминации (R²) очень чувствителен к количеству переменных. Неважно, какую переменную мы удалим, он будет уменьшаться.

удаляем переменную
показатель	значимую	незначимую
R2	↘	↘
Adj R2	↘	↗
S.E.	↗	↘
Sum	↗	↗
Akaiki	↗	↘
Schwartz	↗	↘

Появление множества нелогичных знаков и незначимых переменных – следствие явления, называемого «мультиколлинеальность» (явление связи между объясняющими переменными).

С мультиколлинеальностью нужно бороться только тогда, когда она искажает модель.

Самый простой способ – развести факторы, которые так или иначе связаны между собой, развести в разные модели.

Есть такая штука как «матрица коэффициентов (парной) корреляции».

Знак коэффициента показывает, прямая это или обратная зависимость.

Величина коэффициента – степень зависимости.

Анализ матрицы коэффициента корреляции.

	PRICE	SPACE	KITCHENSPACE	LIVINGSPACE	MAXFLOOR	FLOOR	TIME
PRICE	1	0.77	0.73	0.62	0.62	0.12	-0.24
SPACE		1	0.81	0.89	0.66	0.11	-0.01
KITCHENSPACE	0.73	0.81	1	0.65	0.70	0.02	0.02
LIVINGSPACE	0.62	0.89	0.65	1	0.52	-0.03	-0.03
MAXFLOOR	0.62	0.66	0.70	0.52	1	0.28	0.02
FLOOR	0.12	0.11	0.02	-0.03	0.28	1	0.12
TIME	-0.24	-0.01	0.02	-0.03	0.02	0.12	1