
- •Постановка задачи
- •Исходные данные
- •Анализ данных
- •2) График исходных данных и теоретической прямой.
- •10) Доверительные интервалы для статистически значимых параметров модели.
- •15) Проверка выполнения предпосылок мнк.
- •Нелинейная регрессия
- •1) Степенная модель
- •2) Показательная модель
- •3) Равносторонняя гипербола
15) Проверка выполнения предпосылок мнк.
Условия:
Остатки должны удовлетворять условиям Гаусса-Маркова.
∑ ei =0
Дисперсия от ei должна быть постоянной, D(ei)=const=δ2 (условие гомоскедастичности, в противном случае гетероскедастичность)
ei независимы между собой, т.е. в ряду остатков отсутствует существенная автокорреляция.
Распределение случайных величин ei подчиняется нормальному закону распределения.
1) Проверим выполнение условий Гаусса-Маркова.
∑ ei = 6,75016E-14=0 условие выполняется.
2) Обнаружение гетероскедастичности. Метод Голдфельда-Квандта.
Упорядочим n наблюдений по мере возрастания переменной x.
Разделим совокупность на 2 группы, и определим по каждой из групп уравнение регрессии.
Определим остаточные суммы квадратов для первой и второй регрессии.
Вычислим Fнаб.
В числителе должна быть наибольшая сумма квадратов.
или
Fн > Fкр , значит модель гетероскедастична.
Критерий Дарвина-Уотсона. Проверка независимости остатков (автокорреляции).
Ряд случайных величин называется автокоррелированным, если имеется корреляционная связь между последовательными значениями переменной в этом ряду.
Рассчитываем d-статистику.
,
если d>2
d=0,617964
Найденное значение 0,617964 свидетельствует о том, что уровни остатков сильно автокоррелированы и модель неадекватна.
Проверка подчинения ряда остатков нормальному закону распределения.
Анализ остатков:
Проверим, что остатки нормально распределены.
По формуле Стерджесса определим количество интервалов, на которые следует разбить остатки:
2. Определим длину интервала:
3.Рассчитаем границы интервала:
4.Рассчитаем границы остальных интервалов и частоты, т.е. количество остатков, попавших в тот или иной интервал. Получим интервальный вариационный ряд.
№ |
Границы |
частоты | |
Нижняя |
верхняя | ||
1 |
-4,860358762 |
-2,932830767 |
2 |
2 |
-2,932830767 |
-1,005302771 |
9 |
3 |
-1,005302771 |
0,922225224 |
6 |
4 |
0,922225224 |
2,849753219 |
8 |
5 |
2,849753219 |
4,777281214 |
1 |
6 |
4,777281214 |
6,70480921 |
1 |
5. RS – критерий.
a = 3,47
b = 4,89
a < RS < b, значит, ряд остатков подчинён нормальному закону распределения.
Нелинейная регрессия
1) Степенная модель
;
Приводим к линейному виду.
Произведём замену:
,
получим:
,
b= 1,075123
c= 0,374815
z= 0,374815+1,075123t
ln y = 0,374815+1,075123ln x
Индекс детерминации:
0,9≤R<0,99 сила связи тесная, весьма высокая.
F-критерий:
Ошибка аппроксимации:
,
модель не
удовлетворительна.
Коэффициент эластичности:
2) Показательная модель
;
Приводим к линейному виду.
Произведём замену:
,
d= 0,10335
c= 1,667528
z= 1,667528+0,10335x
Индекс детерминации:
0,7≤<0,9,
сила связи
высокая.
F-критерий:
Ошибка аппроксимации:
,
модель не
удовлетворительна.
Коэффициент эластичности:
3) Равносторонняя гипербола
Произведём замену:
b= -115,651
a= 34,56856
Индекс детерминации:
0,5≤<0,7,
сила
связи заметная.
F-критерий:
Ошибка аппроксимации:
,
модель не
удовлетворительна.
Коэффициент эластичности:
Составим общую таблицу и выберем наилучшую модель:
Модель |
Уравнение |
|
|
|
|
Линейная |
|
0,962414
|
640,140609
|
11,74307027
|
1,134368
|
Степенная |
|
0,957976 |
569,894 |
9,481703 |
1,075123 |
Показательная |
|
0,877061 |
178,3533 |
13,60579 |
1,252297 |
Равносторонняя гипербола |
|
0,573194 |
33,57458 |
44,15052 |
0,381414 |
Из
данных таблицы видим, что наилучшая
модель показательная, по всем параметрам,
так как
,
-
наибольшие.