- •Московский государственный институт международных отношений (университет) министерства иностранных дел российской федерации
- •1.2. Сбор данных, оформление таблицы данных по всем показателям.
- •2. Анализ данных.
- •2.1. Построение и анализ графиков синхронности y и факторов.
- •2.2. Построение и анализ графиков корреляционного поля y и факторов.
- •2.3. Анализ взаимосвязи экономических показателей на основе корреляционного анализа.
- •2.3.1. Определение вида и степени корреляционной взаимосвязи между y и факторами. - Алёна
- •2.3.2. Анализ мультиколлинеарности факторов. - Алёна
- •2.3.3. Определение степени совместного влияния на y всей совокупности факторов.
- •2.3.4. Определение «чистой» корреляционной зависимости между y и факторами.
- •3. Построение и анализ модели регрессии.
- •3.1. Спецификация модели.
- •3.1.1.Выбор факторов.
- •3.1.2.Выбор типа модели.
- •3.5.1. Анализ остатков на автокорреляцию.
- •Источники:
3.1.2.Выбор типа модели.
Анализ графиков корреляционных полей показал, что между параметрами и объясняемой переменной, скорее всего, существует линейная связь. Такого же рода связь имеет с ней и фиктивная переменная D. Таким образом, итоговый вид модели будет иметь следующий вид:
,
где x1 – количество забастовок;
x2 – ставка по ипотеке;
x3 – уровень инвестиций;
3.2. Квантификация модели на основе метода наименьших квадратов. - Ваня
Выразим сумму квадратов остатков:
Возьмём частные производные первого порядка по параметрам a0, a1, a2, a3, a4, приравняем эти производные к нулю и решим полученную систему относительно этих параметров.
Отсюда получаем:
3.3. Анализ качества модели. - Фео
3.3.1. Анализ качества коэффициентов регрессии.
3.3.2. Анализ качества модели в целом.
3.4. Построение доверительных интервалов коэффициентов регрессии. - Фео
3.5. Анализ остатков
Годы |
ei |
ei2 |
1980 |
-0.3172 |
0.1006 |
1981 |
-0.0445 |
0.0020 |
1982 |
0.3130 |
0.0980 |
1983 |
0.5594 |
0.3129 |
1984 |
0.6520 |
0.4251 |
1985 |
0.3942 |
0.1554 |
1986 |
-0.0006 |
0.0000 |
1987 |
0.2248 |
0.0505 |
1988 |
0.3991 |
0.1593 |
1989 |
-0.9174 |
0.8416 |
1990 |
-1.2957 |
1.6788 |
1991 |
-0.8054 |
0.6487 |
1992 |
0.3562 |
0.1269 |
1993 |
0.6578 |
0.4327 |
1994 |
0.7504 |
0.5631 |
1995 |
-0.5516 |
0.3043 |
1996 |
0.2266 |
0.0513 |
1997 |
0.3224 |
0.1039 |
1998 |
0.0970 |
0.0094 |
1999 |
-0.4228 |
0.1788 |
2000 |
-1.5393 |
2.3694 |
2001 |
-0.5240 |
0.2746 |
2002 |
0.2342 |
0.0548 |
2003 |
0.6273 |
0.3935 |
2004 |
0.3578 |
0.1280 |
2005 |
0.2463 |
0.0607 |
3.5.1. Анализ остатков на автокорреляцию.
Анализ остатков на гетероскедастичность.
Проверим остатки на гетероскедастичность на основе теста Голдфилда-Квандта. Для этого разобьём всю выборку на 3 группы – в первую войдут первые 10 наблюдений, в третью – последние 10, а во вторую – оставшиеся 6. Просчитаем исследуемую модель на базе первой и третьей групп выборки, найдём сумму квадратов остатков каждой.
|
ei |
ei2 |
1 |
-0.0093 |
0.0001 |
2 |
0.0185 |
0.0003 |
3 |
-0.1763 |
0.0311 |
4 |
0.4524 |
0.2047 |
5 |
0.1183 |
0.0140 |
6 |
-0.0721 |
0.0052 |
7 |
-0.1928 |
0.0372 |
8 |
-0.1296 |
0.0168 |
9 |
0.5789 |
0.3351 |
10 |
-0.5881 |
0.3458 |
|
ei |
ei2 |
17 |
0.3023 |
0.0914 |
18 |
0.5411 |
0.2928 |
19 |
0.2721 |
0.0741 |
20 |
0.3036 |
0.0922 |
21 |
-0.9105 |
0.8290 |
22 |
-0.5639 |
0.3180 |
23 |
-0.2494 |
0.0622 |
24 |
-0.0303 |
0.0009 |
25 |
0.0424 |
0.0018 |
26 |
0.2925 |
0.0856 |
S1=0,9903.
S2=1,8479.
Поскольку , то нулевую гипотезу о наличии гомоскедастичности можно принять при уровне значимостиα=0,10.