![](/user_photo/2706_HbeT2.jpg)
- •1. Парная регрессия и корреляция
- •1.1. Оценка параметров, оценка адекватности модели
- •1.2. Виды нелинейной регрессии. Оценка параметров модели.
- •1.3. Коэффициент эластичности как характеристика силы связи фактора с результатом
- •1.4. Анализ гетероскедастичности
- •2. Множественная регрессия и корреляция
- •2.1. Нормальная линейная модель множественной регрессии
- •2.2. Традиционный метод наименьших квадратов для многомерной регрессии (ols)
- •2.3. Парный, частный и множественный коэффициент корреляции
- •3. Моделирование одномерных временных рядов
- •3.1. Основные понятия и определения
- •3.2. Требования к исходной информации
- •3.3. Этапы построения прогноза по временным рядам
- •4. Типичные примеры анализа моделей Задача 1
- •Задача 3
- •Задача 4
- •Задача 5
- •Задача 6
- •Задача 7
- •Задача 8
- •5. Задания для выполнения контрольных работ Вариант 1
- •Вариант 2
- •Вариант 3
- •Вариант 4
- •Вариант 5
- •Вариант 6
- •Вариант 7
- •Вариант 8
- •Вариант 9
- •Вариант 10
- •Приложение 1 Статистико-математические таблицы
- •Критические значения t-критерия Стьюдента при уровне значимости 0,10; 0,05; 0,01 (двухсторонний)
- •Критические значения корреляции для уровневой значимости 0,05 и 0,01
- •Значения статистик Дарбина-Уотсона для 5%-го уровня значимости
- •Критические границы отношения rs на 5% уровне значимости
- •Содержание
Задача 6
Имеются следующие результаты регрессионного анализа зависимости объема выпуска продукции (млн руб.) уот численности занятых на предприятии (чел.)х1и среднегодовой стоимости основных фондов (млн руб.)х2по 20 предприятиям отрасли:
Коэффициент детерминации |
0,81 |
Множественный коэффициент корреляции |
??? |
Уравнение регрессии |
ln y = ??? + 0,48 lnx1 + 0,62 lnx2 |
Стандартные ошибки параметров |
2 0,06 ??? |
t-критерий для параметров |
1,5 ??? 5 |
Задания:
1. Напишите уравнение регрессии, характеризующее зависимость уотх1их2.
2. Восстановите пропущенные характеристики.
3. Оцените адекватность полученной модели.
Решение:
1. Для данного уравнения примели
преобразование, которое приводит модель
нелинейную относительно оцениваемых
параметров
,
к линейной модели:
.
Чтобы написать уравнение
регрессии сначала восстановим значение
параметра а.
Воспользуемся формулой (20), в которой
отношение обозначим через
стандартную ошибку параметра. Тогда
.
(39)
Значение параметра а=b0будет равноа=b0=t∙Sbj= 2 ∙ 1,5 = 3.
Уравнение будет записано в виде: lny= 3 + 0,48lnx1+ 0,62lnx2.
Проведем обратные
преобразования и получим уравнение:
.
2. Чтобы восстановить пропущенные значение стандартной ошибки коэффициента регрессии и t-критерия также воспользуемся формулой (38).
;
.
Так как коэффициент детерминации R2в линейных моделях равен квадрату
множественного коэффициента корреляцииR, то.
Запишем исходные данные с восстановленными характеристиками:
Коэффициент детерминации |
0,81 |
Множественный коэффициент корреляции |
0,9 |
Уравнение регрессии |
|
Стандартные ошибки параметров |
2 0,06 0,124 |
t-критерий для параметров |
1,5 8 5 |
3. Для оценки адекватность параметров регрессии воспользуемся значениями tнабл. По таблицамt-распределения прил. 1t0,95;17= 2,11. Тогда,t1= 8 >t0,95;17= 2,11 – параметрb1адекватен;t2= 5 >t0,95;17= 2,11 – параметрb2адекватен.
Для оценки адекватность уравнения регрессии воспользуемся критерием Фишера. Для расчета Fнаблвоспользуемся формулой
= 16,22.
По таблицам F-критерия прил. 1F0,05;2;17= 3,59. Так какF>F0,05;2;17, то уравнение регрессии значимо.
Задача 7
При изучении уровня потребления мяса (кг на душу населения) у в зависимости от дохода (руб. на одного члена семьи) х1 и в соотношении с уровнем потребления рыбы (кг на душу населения) х2 результаты оказались следующими (по 50 семьям):
Уравнение регрессии |
|
Стандартные ошибки параметров |
20 0,01 0,25 |
Множественный коэффициент корреляции |
0,85 |
Задания:
1. Используя t-критерий Стьюдента, оцените значимость параметров уравнения.
2. Рассчитайте F-критерий Фишера.
3. Оцените по частным F-критериям Фишера целесообразность включения в модель:
а) фактора х1 после фактора х2;
б) фактора х2 после фактора х1.
Решение:
1. Чтобы найти t-критерий Стьюдента воспользуемся формулой (38).
= 9;
= 20
= 1,6
Для оценки адекватность параметров регрессии воспользуемся значениями tнабл. По таблицамt-распределения прил. 1t0,95;47= 2,01. Тогда,
t0= 9 >t0,95;47= 2,01 – параметрb0адекватен;
t1= 20 >t0,95;47= 2,01 – параметрb1адекватен;
t2= 1,6 <t0,95;47= 2,01 – параметрb2неадекватен.
2. Коэффициент детерминации R2в линейных моделях равен квадрату множественного коэффициента корреляцииR.
Отсюда R2= 0,852= 0,72.
Для оценки адекватность уравнения регрессии воспользуемся критерием Фишера. Для расчета Fнаблвоспользуемся формулой
= 21,86.
По таблицам F-критерия прил. 1F0,05;2;47= 3,21. Так какF>F0,05;2;47, то в целом уравнение регрессии значимо.
3. Чтобы оценить целесообразность включения в модель дополнительных переменных, необходимо найти частный F-критерий Фишера. Для линейных моделей частныйF-критерий Фишера связан сt-критерием Стьюдента следующим соотношением:
.
Для целесообразности включения фактора х1после факторах2рассчитаемFx1:
=
202= 400.
Так как F= 400 >F0,05;2;47= 3,21, то включение в модель факторах1после факторах2статистически оправдано.
Для целесообразности включения фактора х2после факторах1рассчитаемFx2:
=
1,62= 2,56.
Так как F= 2,56 <F0,05;2;47= 3,21, то включение в модель факторах2после факторах1статистически не оправдано.