- •2. Рабочие учебные материалы
- •2.1. Рабочая программа
- •2.2. Тематический план дисциплины
- •2.3. Структурно-логическая схема дисциплины
- •2.5. Практический блок
- •2.6. Рейтинговая система оценки знаний
- •3. Информационные ресурсы дисциплины
- •3.1. Библиографический список
- •3.2. Опорный конспект
- •Введение
- •Раздел 1. Парная линейная регрессия
- •Раздел 2. Множественная регрессия
- •Раздел 3. Нарушения предпосылок классической регрессионной модели
- •Раздел 4. Временные ряды
- •Раздел 5. Системы одновременных уравнений
- •Заключение
- •Глоссарий
- •3.3. Технические и программные средства обеспечения дисциплины
- •3.4. Методические указания к выполнению практических работ
- •4. Блок контроля освоения дисциплины
- •4.2. Текущий контроль
- •Приложение
- •Содержание
110
3.3. Технические и программные средства обеспечения дисциплины
При выполнении расчетов практических и контрольной работ можно использовать табличный процессор Excel. Примеры использования ТП Еxcel приводятся в разделе 3.4 “Методические указания к выполнению практических работ” УМК.
3.4. Методические указания к выполнению практических работ
ОБЩИЕ УКАЗАНИЯ
Целью методических указаний к выполнению практических работ является освоение студентами методики эконометрического моделирования, приобретение ими практических навыков использования инструментов корреляционно-регресионного анализа MS Excel для обработки и анализа экономико-финансовой информации.
Впрактических работах рассмотрены основные вопросы множественной регрессии: метод наименьших квадратов, отбор факторных переменных модели регрессии на основе корреляционного анализа данных, анализ статистической значимости параметров модели и уравнения в целом, коэффициенты множественной и частной корреляции и детерминации, доверительные интервалы, обнаружение автокорреляции и мультиколлинеарности, нелинейные связи, производственные функции.
Вкаждой практической работе излагается порядок выполнения работы, приводится решение типовой задачи и варианты индивидуальных заданий для самостоятельной работы.
Квыполнению работ допускаются студенты, изучившие основные теоретические положения и ознакомившиеся с порядком выполнения работ.
Отчет по практической работе должен содержать: - наименование работы;
- текст индивидуального задания, записанный без сокращений;
111
-краткое изложение теоретического материала;
-результаты расчетов с необходимыми пояснениями;
-выводы.
Практическая работа 1 МНОЖЕСТВЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ
1. Цель работы
Освоение методики эконометрического моделирования с использованием инструментов регрессионного анализа MS Excel.
2. Порядок выполнения практической работы
Задание 1. В табл. 3.1 приведены данные о курсе доллара ( x1, руб.),
фондовом индексе ( x2 ) и котировке акций ( y , ден. ед.) за 11 дней.
Таблица 3.1
x1 |
27,8 |
27,85 |
28,7 |
28 |
28,25 |
28,3 |
28,5 |
28,1 |
28,8 |
28,75 |
28,7 |
x2 |
4 |
4,2 |
4,8 |
4,3 |
4,5 |
4,6 |
4,8 |
4,1 |
4,7 |
4,9 |
5,1 |
y |
73,4 |
75,4 |
79,3 |
76,2 |
77,1 |
77,4 |
78,2 |
75,2 |
79 |
79,5 |
79,3 |
|
|
|
|
|
|
|
|
|
|
|
|
Требуется:
1)построить уравнение множественной линейной регрессии и дать экономическую интерпретацию коэффициентов уравнения;
2)оценить стандартную ошибку регрессии и стандартные ошибки коэффициентов;
3)построить доверительные интервалы для коэффициентов регрессии, соответствующие доверительной вероятности β = 0,95;
4)оценить статистическую значимость коэффициентов регрессии с помощью t-критерия при уровне значимости α = 0,05 ;
5)оценить на уровне 0,05 полученное уравнение на основе коэффициента детерминации и F-критерия Фишера;
6)вычислить статистику DW (Дарбина-Уотсона) и оценить наличие автокорреляции;
7)сделать выводы по качеству построенной модели.
112
Задание 2. В табл. 3.2 приведены данные по темпам прироста заработной платы y (%), производительности труда x1 (%), а также уровню инфляции x2 (%) за 15 лет.
Таблица 3.2
|
k=0, 5 |
|
k=1, 6 |
|
k=2, 7 |
|
k=3, 8 |
|
k=4, 9 |
|
||||||||
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x1 |
x2 |
y |
x1 |
x2 |
|
y |
x1 |
x2 |
y |
x1 |
x2 |
|
y |
x1 |
x2 |
|
y |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
3,5 |
4,5 |
9,1 |
1,5 |
7,1 |
|
8,5 |
1,7 |
6,9 |
8,8 |
1,5 |
7,1 |
|
8,5 |
2,7 |
3,5 |
|
6,6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
2,8 |
3 |
6,1 |
2,8 |
3,1 |
|
6 |
2,6 |
4 |
4,9 |
2,8 |
3,1 |
|
6 |
7,5 |
2,5 |
|
6,4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3 |
6,3 |
3,1 |
8,9 |
6 |
3,1 |
|
5,9 |
5,9 |
3,3 |
6 |
6 |
3,1 |
|
5,9 |
3,2 |
4 |
|
8,5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4 |
4,5 |
3,8 |
9,2 |
4,7 |
3,8 |
|
9 |
4,7 |
3,8 |
9 |
4,7 |
3,8 |
|
9 |
4 |
3,8 |
|
7,4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5 |
3,1 |
3,8 |
7,1 |
2,9 |
3,7 |
|
6,8 |
2,9 |
3,7 |
6,8 |
2,9 |
3,7 |
|
6,8 |
2,9 |
3 |
|
6,3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
6 |
1,5 |
1,1 |
3,2 |
1,5 |
1,1 |
|
3,4 |
6,4 |
3,3 |
9 |
1,5 |
1,1 |
|
3,4 |
1,5 |
1,2 |
|
3,4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
7 |
7,6 |
2,3 |
6,5 |
2,8 |
3,9 |
|
5,6 |
2,8 |
3,9 |
5,6 |
2,8 |
3,9 |
|
5,6 |
2,8 |
3,9 |
|
5,6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
8 |
6,7 |
3,6 |
9,1 |
6,7 |
3,8 |
|
9,1 |
6,7 |
3,8 |
9,1 |
6,7 |
3,8 |
|
9,1 |
6,7 |
3,8 |
|
9,1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
9 |
4,2 |
7,5 |
14,6 |
2,6 |
4 |
|
4,8 |
2,6 |
4 |
4,8 |
2,6 |
4 |
|
4,8 |
2,6 |
4 |
|
5,8 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
10 |
2,7 |
8 |
11,9 |
2,5 |
8 |
|
12 |
2,5 |
8 |
12 |
2,5 |
8 |
|
12 |
2,5 |
7,1 |
|
12 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
11 |
4,5 |
3,9 |
9,2 |
4,4 |
4 |
|
8,9 |
5,1 |
5,3 |
11 |
4,4 |
4 |
|
8,9 |
4,4 |
3,8 |
|
9 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
12 |
3,5 |
4,7 |
8,8 |
3,7 |
4,6 |
|
8,8 |
3,7 |
4,6 |
8,8 |
3,7 |
4,6 |
|
8,8 |
3,7 |
4,6 |
|
8,8 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
13 |
5 |
6,1 |
12 |
5,2 |
6,2 |
|
13 |
5,2 |
6,2 |
13 |
5,2 |
6,2 |
|
13 |
5,2 |
6,2 |
|
13 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
14 |
2,3 |
6,9 |
12,5 |
2,3 |
7,1 |
|
12 |
2,3 |
7,1 |
12 |
2,3 |
7,1 |
|
12 |
2,3 |
7,1 |
|
12 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
15 |
2,8 |
3,5 |
6,7 |
3 |
4,2 |
|
7,1 |
2,2 |
6,5 |
12 |
3 |
4,2 |
|
7,1 |
3,5 |
5,7 |
|
8,5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Требуется:
1)оценить уравнение множественной линейной регрессии и дать экономическую интерпретацию коэффициентов уравнения;
2)оценить статистическую значимость каждого из коэффициентов регрессии с помощью t-статистики Стьюдента при уровне значимости α = 0,05
ипутем расчета доверительного интервала;
3)оценить на уровне 0,05 полученное уравнение на основе коэффициента детерминации и F-критерия Фишера;
113
4)вычислить значение статистики DW (Дарбина-Уотсона) и на ее основе определить наличие автокорреляции;
5)сделать выводы по качеству построенной модели.
Данные для анализа из табл. 3.1 следует выбрать в соответствии с последней цифрой шифра k , а объем выборки n уточнить у преподавателя.
Выполнение задания 1. Для выполнения задания воспользуемся пакетом MS Excel.
1. Введем исходные данные: матрицу X значений независимых переменных введем в ячейки A3:C13, а вектор-столбец Y значений зависимой переменной – в ячейки D3:D13 (см. табл. 3.3). Объем выборки, равный в нашем примере 11, укажем в ячейке B1.
Коэффициенты регрессии рассчитаем по формуле (2.1.11) как результат перемножения матриц (X т X )−1 и X тY . Для вычисления матрицы (X т X )−1
необходимо:
•выделить ячейки A18:C20 для размещения матрицы;
•набрать формулу =МОБР(МУМНОЖ(ТРАНСП(А3:C13);А3:C13));
•нажать клавиши CTRL+SHIFT+ENTER.
Чтобы вычислить матрицу X тY , необходимо:
•выделить ячейки D18:D20 для размещения матрицы;
•набрать формулу =МУМНОЖ(ТРАНСП(А3:C13);D3:D13);
•нажать клавиши CTRL+SHIFT+ENTER.
Для определения вектора коэффициентов регрессии необходимо:
•выделить ячейки F18:F20 для размещения вектора;
•набрать формулу =МУМНОЖ(А18:C20;D18:D20);
•нажать клавиши CTRL+SHIFT+ENTER.
По результатам вычислений (см. ячейки F18:F20 табл. 3.3) составим уравнение регрессии:
yˆ = −13,6 + 2,75 x1 + 2,82 x2 . |
(3.1) |
114
Оценка коэффициента b1 = 2,75 показывает, что при прочих равных условиях с увеличением курса доллара на 1 руб. стоимость акций увеличится в среднем на 2,75 ден. ед. Оценка коэффициента b2 = 2,82 показывает, что при прочих равных условиях с увеличением фондового индекса на единицу стоимость акций увеличится в среднем на 2,82 ден. ед. Заметим, что при множественной регрессии из-за наличия связи между факторами трактовка параметров регрессии не является такой же четкой и ясной, как в случае парной регрессии.
2.Остаточную дисперсию S 2 вычислим по формуле (2.1.16).
1)Найденное уравнение (3.1) позволяет рассчитать теоретические значения yˆi . В ячейку E3 введем формулу =$F$18+$F$19*B3+$F$20*C3 и
скопируем эту формулу в ячейки E4:E13.
2) Остатки ei = yi − yˆi рассчитаем в ячейках F3:F13, а ei2 – в ячейках
G3:G13: в F3 введем формулу =D3-E3 и скопируем ее в ячейки F4:F13, а в G3 – формулу =F3^2 и копируем в G4:G13.
3) Для вычисления суммы квадратов остатков в ячейку G14 введем формулу =СУММ(G3:G13), для вычисления остаточной дисперсии в ячейку G15 введем формулу =G14/(B1-2-1). Значение стандартной ошибки регрессии найдем в ячейке G16 по формуле =КОРЕНЬ(G15).
Для определения стандартных ошибок коэффициентов регрессии с использованием соотношения (2.1.17) введем формулы в следующие ячейки:
H18: =КОРЕНЬ(A18*G15), H19: =КОРЕНЬ(B19*G15), H20: =КОРЕНЬ(C20*G15).
В результате вычислений получены следующие значения (см. табл. 3.3):
S = 0,4672, |
Sb |
= 23,27 |
, Sb = 0,9655 , |
Sb |
=1,007 . |
|
0 |
1 |
2 |
||
3. Доверительные |
интервалы |
параметров |
регрессии определяются |
соотношением (2.2.1).
115
Таблица 3.3
116
tкр определим в ячейке J21: =СТЬЮДРАСПОБР(1-0,05; B1-2-1). Введем в ячейки F23:G25 формулы для нахождения границ доверительных интервалов параметров. Вычислим нижнюю границу доверительного интервала для b0 в
ячейке |
F23: =F18-J21*H18, |
верхнюю границу – в G23: |
=F18+J21*H18, |
||
для b1 нижняя граница в F24: =F19-J21*H19, верхняя – в G24: |
=F19+J21*H19, |
||||
для b2 |
нижняя граница |
в |
F25: =F20-J21*H20, верхняя – в |
G25: |
|
=F20+J21*H20. |
|
|
|
|
|
Получены следующие доверительные интервалы (см. ячейки F23:G25 |
|||||
табл. 3.3): − 67,3 < b0 < 40,1, |
0,53 < b1 < 4,98 , 0,50 < b2 < 5,15. |
|
Анализ верхней и нижней границ доверительных интервалов позволяет сделать вывод о статистической значимости коэффициентов b1 и b2 (коэффи-
циенты существенно отличны от нуля) и статистической незначимости коэффициента b0 .
4. Анализ значимости коэффициентов регрессии выполним путем проверки нулевой гипотезы H0 : a j = 0. С целью проверки этой гипотезы для
каждого из параметров |
a j |
рассчитаем t-статистику по формуле tнабл = |
b j |
. |
||||||||||||||
Sb j |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Введем в ячейку J18 формулу =F18/H18 и скопируем ее в ячейки J19:J20. |
|
|
||||||||||||||||
|
|
|
В нашем примере (см. ячейки J18:J21 табл. 3.3) |
|
|
|||||||||||||
|
|
|
tb = −0,58 , |
tb = 2,85, |
tb = 2,80, |
tкр = 2,31. |
|
|
||||||||||
|
|
0 |
|
|
|
|
1 |
|
|
|
|
|
2 |
|
|
|
||
|
|
|
Так как |
|
tb |
|
|
>tкр , |
|
tb |
|
|
> tкр , то оба коэффициента статистически значимы, а |
|||||
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
1 |
|
|
|
|
2 |
|
|
|
|
|
|
|
|
значит, переменные x1 и x2 |
существенно влияют на y . Для свободного члена |
|||||||||||||||||
|
tb |
|
< tкр, то есть он статистически незначим. Однако присутствие свободного |
|||||||||||||||
|
|
|||||||||||||||||
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
члена в уравнении лишь уточняет вид зависимости, а в экономическом смысле он отражает воздействие “внешней среды”. Поэтому, если нет других причин, свободный член в модели лучше сохранить.
117
Заметим, что выводы о значимости коэффициентов уравнения регрессии, сделанные на основании t-статистики и на основании доверительных интервалов, одинаковы.
5. Для нахождения коэффициента детерминации по формуле (2.2.2 ОК)
прежде рассчитаем сумму в знаменателе формулы. Значение y вычислим в ячейке D15: =СРЗНАЧ(D3:D13). Слагаемые (yi − y)2 рассчитаем в ячейках
H3:H13: введем в H3 формулу =(D3-$D$15)^2 и скопируем ее в H4:H13. Значение суммы найдем в H14 по формуле =СУММ(H3:H13).
Коэффициент детерминации вычислим по формуле (2.2.2 ОК) в ячейке B24: =1-G14/H14, а скорректированный коэффициент детерминации – по формуле (2.2.4 ОК) в ячейке B25: =1-(1-B24)*(B1-1)/(B1-3).
Полученные значения коэффициента детерминации R2 = 0,957 и
скорректированного коэффициента детерминации R2 = 0,947 (см. табл. 3.3)
близки к 1, что свидетельствует о тесной зависимости между факторами и результатом. Построенное уравнение регрессии объясняет 95,7 % разброса зависимой переменной.
Для определения статистической значимости коэффициента детерминации
R2 проверяется нулевая гипотеза для F-статистики, вычисляемой по формуле (2.2.5 ОК). Наблюдаемое значение F-статистики вычислим в ячейке B27: =B24*(B1-3)/(2*(1-B24)), критическое значение – в ячейке B28: = FРАСПОБР(1-0,95;2;B1-2-1).
Так как Fнабл =89,96 > Fкр = 4,46 , то коэффициент детерминации R2 ста-
тистически значим. Можно сделать вывод, что совокупное влияние переменных x1 и x2 на переменную y существенно.
6. Статистику Дарбина-Уотсона вычислим по формуле (3.2.1 ОК). Рассчитаем элементы суммы, стоящей в числителе: введем в ячейку I4 формулу = (F4-F3)^2 и скопируем ее в ячейки I5:I13. Значение самой суммы вычислим в
118
I14 по формуле =СУММ(I4:I13), а значение статистики Дарбина-Уотсона – в
ячейке I27: = I14/G14.
При заданном уровне значимости α = 0,05 и числе наблюдений n =11
значения критических точек Дарбина-Уотсона равны dн = 0,658, |
dв =1,604. |
Так как 1,604<DW<2,396 ( dв < DW < 4 − dв ), то гипотеза об |
отсутствии |
автокорреляции не отклоняется, то есть имеются основания считать, что автокорреляция остатков отсутствует.
7. По всем статистическим показателям модель может быть признана удовлетворительной. У нее высокие t-статистики, хороший коэффициент детерминации R2 . В модели отсутствует автокорреляция остатков. Все это позволяет использовать построенную модель для целей анализа и прогнозирования.
Полученные результаты довольно быстро можно проверить с помощью инструмента анализа данных Регрессия. Для этого выполним команду СервисАнализ данных-Регрессия-OK. Введем необходимые параметры в диалоговое окно Регрессия (см. рис.).
Входной интервал Y – диапазон, содержащий данные результативного признака.
Входной интервал X – диапазон, содержащий данные факторных признаков.
Константа-ноль – флажок, указывающий на наличие или отсутствие свободного члена в уравнении.
Уровень надежности – флажок, указывающий на значение доверительной вероятности, отличное от 95 % (отсутствие флажка означает, что доверительная вероятность по умолчанию предполагается равной 95 %).
Выходной интервал – достаточно указать левую верхнюю ячейку будущего диапазона.
Новый рабочий лист – можно задать произвольное имя нового листа.
119
Диалоговое окно ввода параметров инструмента Регрессия
Результаты регрессионного анализа для данных нашего примера представлены в ячейках A30:I48 табл. 3.3. Значения коэффициентов регрессии приведены в столбце Коэффициенты (см. ячейки B46:B48): в строке Y- пересечение находится значение b0 = −13,6 , в строке Переменная x1 – значение b1 = 2,75 , в строке Переменная x2 – значение b2 = 2,82. В соседних столбцах приведены стандартные ошибки (см. ячейки C46:C48) и t-статистики (см. ячейки D46:D48) коэффициентов регрессии.
В столбцах Нижние 95 % и Верхние 95 % приведены границы доверительных интервалов для параметров регрессии (см. ячейки F46:G48). Последние два столбца дублируют границы доверительных интервалов в тех случаях, когда по умолчанию принимается значение доверительной вероятности, равное 95 %.
Значение коэффициента детерминации находится в ячейке B34, значение скорректированного коэффициента детерминации – в ячейке B35, значение F-статистики – в ячейке E41, стандартное отклонение регрессии – в ячейке B36.
120
Как видим, результаты вычислений по формулам и с помощью инструмента Регрессия совпадают.
Литература: [1], с. 108-115.
Практическая работа 2
НЕЛИНЕЙНАЯ РЕГРЕССИЯ 1. Цель работы
Навыки построения нелинейной регрессии по экспериментальным данным.
2. Порядок выполнения практической работы
Задание 1. В табл. 3.4 приведены данные по 15 предприятиям отрасли для анализа зависимости объема выпуска продукции Y (млн руб.) от численности занятых на предприятии L (тыс. чел.) и среднегодовой стоимости производственного оборудования K (млн руб.). Требуется:
1)оценить производственную функцию Кобба-Дугласа и дать интерпретацию параметров уравнения;
2)найти множественный индекс корреляции;
3)дать оценку полученного уравнения на основе коэффициента детерминации и F-критерия Фишера на уровне 0,05;
4)оценить качество модели через среднюю ошибку аппроксимации.
Таблица 3.4
Y |
5,3 |
6,8 |
9 |
11,2 |
7,2 |
9,1 |
12,6 |
10,4 |
10,7 |
9,1 |
9,3 |
10 |
9,8 |
12,1 |
12,3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
K |
6,8 |
7 |
8,6 |
9,4 |
7,5 |
8,5 |
10,8 |
9 |
9,3 |
8,8 |
9 |
8,8 |
9,2 |
10,5 |
11 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
L |
0,9 |
1,2 |
1,8 |
2,6 |
1,4 |
1,6 |
2,6 |
2,3 |
2,4 |
1,6 |
1,8 |
2 |
2,4 |
2,8 |
2,8 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Задание 2. В табл. 3.5 приведены данные (усл. ед.) по объемам выпуска Y , затратам капитала K и труда L на предприятиях некоторой отрасли. Требуется:
1) оценить производственную функцию Кобба-Дугласа и дать интерпретацию параметров уравнения;
121
2)найти множественный индекс корреляции;
3)дать оценку полученного уравнения на основе коэффициента детерминации и F-критерия Фишера на уровне 0,05;
4)оценить качество модели через среднюю ошибку аппроксимации.
Таблица 3.5
N |
k=0, 5 |
|
k=1, 6 |
|
k=2, 7 |
|
k=3, |
8 |
|
k=4, 9 |
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Y |
K |
L |
Y |
K |
L |
Y |
K |
L |
Y |
K |
L |
Y |
K |
L |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
10,1 |
10 |
10,2 |
20,8 |
31,5 |
18,2 |
14,3 |
15 |
13,1 |
10,6 |
10,8 |
10,2 |
12,4 |
13,1 |
12,3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
11,2 |
11,4 |
11 |
16,1 |
22 |
14,8 |
11,5 |
11,4 |
11,2 |
11,2 |
11,4 |
11 |
14,3 |
14,9 |
12,5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3 |
12,4 |
13,1 |
12,3 |
12,3 |
13 |
12,1 |
13,1 |
14,2 |
13,6 |
12,5 |
13 |
12,6 |
16,1 |
22,1 |
14,9 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4 |
14,3 |
14,9 |
12,5 |
14,1 |
14,8 |
12,2 |
21,8 |
40 |
18,4 |
13,9 |
14,6 |
12,1 |
14,3 |
15 |
13,1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5 |
15,1 |
17,6 |
13,8 |
16,5 |
22,2 |
15 |
18,9 |
26,8 |
15,5 |
14,9 |
17,1 |
13,3 |
21,8 |
39,7 |
18,3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
6 |
15,5 |
19,8 |
14 |
15,5 |
19,8 |
14 |
11,1 |
11,3 |
10,8 |
15,2 |
19,5 |
13,7 |
15,3 |
21,6 |
13,8 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
7 |
15,3 |
21,6 |
13,8 |
17,2 |
38,5 |
16,1 |
15,4 |
21,8 |
13,9 |
15 |
21,6 |
13,6 |
18,2 |
23,5 |
15,6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
8 |
18,4 |
23,6 |
15,4 |
18,3 |
23,5 |
15,5 |
19,1 |
24,3 |
16,3 |
18 |
22,9 |
15,4 |
11,1 |
11,3 |
10,8 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
9 |
18,9 |
26,6 |
15,4 |
14,3 |
15 |
13,1 |
15,2 |
17,7 |
13,5 |
14,3 |
15 |
13,1 |
22,7 |
33,5 |
18,6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
10 |
22,7 |
33,5 |
18,6 |
17,8 |
42,1 |
13,8 |
23,1 |
33,5 |
18,7 |
22,7 |
33,5 |
18,6 |
15,3 |
17,6 |
13,7 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
11 |
21,8 |
39,7 |
18,3 |
11,1 |
11,3 |
10,8 |
14,3 |
14,9 |
12,2 |
21,6 |
38,9 |
17,8 |
17,7 |
40,7 |
13,8 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
12 |
17,9 |
41,7 |
13,7 |
22,7 |
33,3 |
18,5 |
20,8 |
31,5 |
18,2 |
16,5 |
22,2 |
15 |
10,2 |
10,5 |
10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
13 |
10,5 |
10,7 |
9,9 |
10 |
10 |
10,1 |
10,3 |
10,7 |
10,1 |
20,8 |
31,5 |
18,2 |
18,8 |
26,5 |
15,3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
14 |
17,3 |
38,6 |
16,1 |
15,2 |
21,4 |
13,5 |
18,3 |
39,9 |
17,2 |
16,1 |
22 |
14,8 |
17,4 |
38,6 |
16,3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
15 |
20,2 |
29,5 |
17,1 |
20,5 |
29,8 |
17,5 |
19,1 |
28,5 |
16,5 |
19,9 |
27,9 |
16,6 |
10,1 |
10 |
10,2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Данные для анализа из табл. 3.5 следует выбрать в соответствии с последней цифрой шифра k, а объем выборки n – в соответствии с указаниями преподавателя.
Выполнение задания 1. Для выполнения задания воспользуемся пакетом MS Excel.
1. Введем исходные данные в ячейки B3:D17 (см. табл. 3.6). Объем выборки, равный в нашем примере 15, укажем в ячейке A1.
122
Поскольку предполагается регрессионная зависимость в форме функции Кобба-Дугласа, то воспользуемся соотношениями (2.4.6) – (2.4.7) для линеаризации модели.
Рассчитаем преобразованные по формулам (2.4.7 ОК) выборочные значения. Для определения значений ln Yi введем в ячейку E3 формулу
=LN(B3) и скопируем ее в ячейки E4:E17. Аналогично вычисляем значения ln Ki в ячейках F3:F17 и значения ln Li в ячейках G3:G17.
Коэффициенты линейной регрессии (2.4.8 ОК) рассчитаем с помощью инструмента анализа данных Регрессия. Для этого выполним команды СервисАнализ данных-Регрессия-OK. Введем необходимые параметры в диалоговое окно Регрессия:
|
Входной интервал Y |
E2:E17 |
|
Входной интервал X |
F2:G17 |
|
Метки |
флажок |
|
Выходной интервал |
A26 |
OK
По результатам вычислений (см. ячейки B36:B38 табл. 3.6) составим
линейное |
уравнение |
yˆ = 0,3152 + 0,7681 x1 + 0,3868 x2 . Выполнив |
его |
||||||
потенцирование и вычислив параметр А по формуле |
A = eb0 |
в ячейке B34: |
|||||||
=EXP(B36), |
получим |
|
искомое |
|
регрессионное |
||||
уравнение |
ˆ |
0,7681 |
0,3868 |
. |
|
|
|
|
|
Y =1,3705 K |
|
L |
|
|
|
|
|
||
Оценка |
коэффициента α = 0,7681 |
показывает, |
что увеличение |
затрат |
|||||
капитала на 1 % приведет к росту выпуска продукции на 0,77 %. |
Оценка |
||||||||
коэффициента β = 0,3868 показывает, |
что увеличение затрат |
труда на 1 |
% |
||||||
приведет к росту выпуска продукции на 0,39 %. |
|
|
|
|
123
Таблица 3.6
124 2. Индекс множественной корреляции рассчитаем по формуле (2.4.1) ОК.
Подставляя в найденное уравнение регрессии фактические значения x ,
ˆ
определим расчетные значения Y и необходимые суммы. Для этого введем формулы в следующие ячейки:
H3 =1,3705*C3^0,7681*D3^0,3868 и копируем в H4:H17;
I3 =(B3-H3)^2 и копируем в I4:I17;
B18 =СРЗНАЧ(B3:B17);
J3 = (B3-B18)^2 и копируем в J4:J17; I18 =CУММ(I3:I17);
J18 =СУММ(J3:J17);
B20 =КОРЕНЬ(1-I18/J18).
Полученное значение индекса множественной корреляции R=0,9821 достаточно близко к 1 и свидетельствует о тесной связи Y c K и L.
3. Множественный коэффициент детерминации вычислим в ячейке B21 по формуле =B20^2. Значение R2=0,9646 означает, что включенные в регрессию факторы объясняют 96,5 % вариации Y.
Проверим значимость модели регрессии. Фактическое значение F- критерия вычислим по формуле (2.2.5) ОК в ячейке B22: =B21/(1-B21)*(A1-2- 1)/2. Критическое значение F-критерия для уровня значимости 0,05 при m = 2 и n − m −1 =15 − 2 −1 =12 степенях свободы определим в ячейке B23: =FРАСПОБР(0,05;2; А1-2-1).
Поскольку Fнабл =163,5 > Fкр = 3,9 , то можно сделать вывод о том, что
модель регрессии значима.
4. Рассчитаем среднюю ошибку аппроксимации по формуле (2.4.2) ОК. Введем формулы в следующие ячейки:
K3 = (B3-H3)/B3 и копируем в K4:K17; K18 =CУММ(K3:K17);
B24 =K18/A1.
125
Для нашего примера A = 0,03306 (3 %), что свидетельствует о
незначительной погрешности модели.
Заметим, что значения показателей качества модели, рассчитанные по формулам, отличаются от значений, полученных с помощью инструмента анализа данных. Расхождение объясняется тем, что в основе показателей лежит величина остатка ei = yi − yˆi . Именно это выражение мы использовали в расчетах показателей с помощью формул. Инструмент анализа был применен к линеаризованному уравнению, т. е. остатки вычислялись по формуле ei = ln yi − ln yˆi .
Литература: [1], с. 124-128.
Практическая работа 3
КОРРЕЛЯЦИОННЫЙ АНАЛИЗ 1. Цель работы
Выработка практических навыков проведения корреляционного анализа.
2. Порядок выполнения практической работы
Задание 1. Для выборочных данных по 20 коммерческим банкам, приведенных в табл. 3.7, исследовать зависимость показателя прибыли банка
( y , млн д. е.) от размера собственного капитала ( x1, млн д. е.), объема чистых активов ( x2 , млн д. е.), а также объема вложений в ценные бумаги ( x3, млн д.
е.):
1)рассчитать парные коэффициенты корреляции, оценить их значимость на уровне α = 0,05 и пояснить их экономический смысл;
2)рассчитать частные коэффициенты корреляции и с их помощью оценить целесообразность включения факторов в уравнение регрессии;
3)найти коэффициент множественной корреляции, множественный коэффициент детерминации, скорректированный коэффициент корреляции и охарактеризовать степень совместного влияния факторов на результативный признак.
126
4) используя пошаговую процедуру отбора факторов, построить подходящую регрессионную модель показателя прибыли банка, исключив при этом мультиколлинеарность.
|
|
|
|
Таблица 3.7 |
|
|
|
|
|
|
|
Номер |
Балансовая |
Собственный |
Чистые активы |
Вложения в |
|
банка |
прибыль |
капитал |
|
ценные бумаги |
|
1 |
30,7 |
531,2 |
1369,7 |
754 |
|
2 |
30,3 |
50,5 |
1167 |
720,3 |
|
3 |
29,2 |
410,1 |
1253,6 |
610,5 |
|
4 |
28,6 |
163,1 |
1247,5 |
712,8 |
|
5 |
25,9 |
317,4 |
1336 |
411,3 |
|
6 |
21,6 |
105,9 |
1232,7 |
610,5 |
|
7 |
13,1 |
193,5 |
1220,1 |
603,8 |
|
8 |
12,5 |
70,2 |
1299,1 |
669,5 |
|
9 |
12,1 |
233,9 |
1195,6 |
710,3 |
|
10 |
9,3 |
29,1 |
1086,3 |
510 |
|
11 |
8,6 |
179,8 |
1283,3 |
469,7 |
|
12 |
8,2 |
802,6 |
1169,3 |
510,5 |
|
13 |
7,7 |
135,9 |
1056 |
558,4 |
|
14 |
4,1 |
124,6 |
1155,7 |
547,1 |
|
15 |
3,7 |
114,2 |
1051,7 |
646,1 |
|
16 |
3,4 |
113,6 |
1142,7 |
228,1 |
|
17 |
1,8 |
107,4 |
1034,8 |
605 |
|
18 |
1,8 |
106,1 |
929,7 |
445,1 |
|
19 |
1,6 |
50,5 |
1086,9 |
529,5 |
|
20 |
1,5 |
50,3 |
986,4 |
18,5 |
|
Задание 2. В табл. 3.8 приведены данные по 15 торговым предприятиям о зависимости величины валового дохода ( y , млн руб.) от стоимости основных
фондов ( x1, млн руб.), стоимости оборотных средств ( x2 , млн руб.), а также величины торговых площадей ( x3, тыс. м2). Требуется:
1)рассчитать парные коэффициенты корреляции, оценить их значимость на уровне α = 0,05 и пояснить их экономический смысл;
2)рассчитать частные коэффициенты корреляции и с их помощью оценить целесообразность включения факторов в уравнение регрессии;
127
3)найти коэффициент множественной корреляции, множественный коэффициент детерминации, скорректированный коэффициент корреляции и охарактеризовать степень совместного влияния факторов на результативный признак;
4)используя пошаговую процедуру отбора факторов, построить подходящую регрессионную модель показателя прибыли банка, исключив при этом мультиколлинеарность.
Данные для анализа из табл. 3.8 следует выбрать в соответствии с последней цифрой шифра k, а объем выборки n – в соответствии с указаниями преподавателя.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Таблица 3.8 |
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
k=3, 8 |
|
|
|
|
|
|
|
k=0, 5 |
|
|
k=1, 6 |
|
|
k=2, 7 |
|
|
|
|
k=4, 9 |
|
||||||
y |
x1 |
x2 |
x3 |
y |
x1 |
x2 |
x3 |
y |
x1 |
x2 |
x3 |
y |
x1 |
x2 |
x3 |
y |
x1 |
x2 |
x3 |
203 |
118 |
105 |
0,3 |
88 |
102 |
50 |
1 |
63 |
28 |
56 |
0,3 |
162 |
115 |
90 |
0,9 |
199 |
115 |
102 |
0,3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
63 |
28 |
56 |
0,3 |
110 |
116 |
54 |
1 |
45 |
17 |
54 |
0,1 |
64 |
29 |
56 |
0,4 |
88 |
102 |
50 |
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
45 |
17 |
54 |
0,1 |
56 |
124 |
42 |
1,6 |
113 |
50 |
63 |
0,8 |
113 |
52 |
55 |
0,5 |
47 |
16 |
53 |
0,1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
113 |
50 |
63 |
0,8 |
80 |
114 |
36 |
1,4 |
121 |
56 |
28 |
0,6 |
92 |
124 |
43 |
0,6 |
111 |
51 |
62 |
0,8 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
121 |
56 |
28 |
0,6 |
237 |
154 |
106 |
1,7 |
88 |
102 |
50 |
1 |
123 |
56 |
29 |
0,7 |
120 |
56 |
27 |
0,6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
88 |
102 |
50 |
1 |
160 |
115 |
88 |
0,9 |
56 |
124 |
42 |
1,6 |
88 |
105 |
52 |
1 |
80 |
114 |
36 |
1,4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
110 |
116 |
54 |
1 |
75 |
98 |
46 |
1,3 |
80 |
113 |
36 |
1,4 |
108 |
118 |
56 |
1 |
110 |
116 |
54 |
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
56 |
124 |
42 |
1,6 |
61 |
23 |
55 |
0,4 |
237 |
154 |
106 |
1,8 |
66 |
30 |
53 |
0,3 |
56 |
124 |
42 |
1,6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
80 |
114 |
36 |
1,4 |
115 |
53 |
55 |
0,5 |
160 |
115 |
88 |
0,9 |
82 |
112 |
37 |
1,4 |
75 |
98 |
46 |
1,3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
237 |
154 |
106 |
1,7 |
220 |
150 |
99 |
1,3 |
75 |
98 |
46 |
1,3 |
90 |
133 |
42 |
0,9 |
235 |
155 |
105 |
1,6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
160 |
115 |
88 |
0,9 |
90 |
125 |
44 |
0,6 |
116 |
52 |
55 |
0,4 |
168 |
124 |
88 |
1 |
160 |
115 |
88 |
0,9 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
75 |
98 |
46 |
1,3 |
91 |
130 |
40 |
0,9 |
91 |
130 |
40 |
0,9 |
77 |
101 |
48 |
1,4 |
44 |
20 |
54 |
0,1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
61 |
23 |
55 |
0,4 |
65 |
27 |
54 |
0,2 |
65 |
27 |
54 |
0,2 |
63 |
25 |
54 |
0,4 |
61 |
23 |
55 |
0,4 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
115 |
53 |
55 |
0,5 |
44 |
20 |
54 |
0,1 |
44 |
20 |
54 |
0,1 |
45 |
21 |
55 |
0,1 |
115 |
53 |
55 |
0,5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
220 |
150 |
99 |
1,3 |
170 |
125 |
90 |
1 |
168 |
125 |
88 |
1,1 |
215 |
145 |
98 |
1,3 |
220 |
150 |
99 |
1,3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
128
Выполнение задания 1. Задание выполним с использованием пакета MS Excel.
1. Матрицу парных коэффициентов корреляции переменных можно рассчитать с использованием пакета анализа. Для этого необходимо выполнить следующие действия:
•создать электронную таблицу с исходными данными (см. ячейки A1:E22
табл. 3.9);
•выполнить команду Сервис-Анализ данных-Корреляция-ОК;
•заполнить открывшееся диалоговое окно:
|
Входной интервал |
B2:E22; |
|
Группирование |
по столбцам; |
|
Метки |
флажок; |
|
Выходной интервал |
F2; |
OK.
Результаты вычислений – матрица парных коэффициентов корреляции – представлены в табл. 3.9 (ячейки F2:J6).
Проверим значимость полученных парных коэффициентов корреляции с помощью t-критерия Стьюдента. Для этого рассчитаем наблюдаемые значения t-статистики по формуле (4.2.2) в ячейках G8:G13. Объем выборки, равный 20, укажем в ячейке I7. Введем формулу в ячейку G8: =G4*SQRT(($I$7-2)/(1- G4*G4)) и скопируем ее в ячейки G9:G10. Введем в G11: = H5*SQRT(($I$7- 2)/(1-H5*H5)) и скопируем в G12. Введем в G13: = I6*SQRT(($I$7-2)/(1-I6*I6)). tкр найдем в ячейке G15: =СТЬЮДРАСПОБР(0,05; 20-2).
Коэффициенты, для которых значения t-статистики по модулю больше найденного критического значения, считаются значимыми. В нашем примере
лишь для |
ryx |
tнабл =1,46 < tкр = 2,10 (см. табл. 3.9). Таким образом, связь |
|
1 |
между y и x2 , а также между y и x3 является существенной.
129
Таблица 3.9
130
Можно сделать вывод, что размер получаемой банком прибыли практически не зависит от величины собственного капитала банка, но зависит от величины чистых активов и объема вложений в ценные бумаги. При этом связь между указанными показателями прямая (положительная): увеличение обоих факторов приводит к росту зависимой величины – прибыли.
Большое значение для исследования имеют также коэффициенты, рассчитанные между факторными признаками. В нашем случае rx1x2 = 0,43,
= 0,17, rx2x3 = 0,42 , т. е. их величины незначимы (несущественны), а
значит, можно надеяться, что полученное в дальнейшем уравнение регрессии будет адекватно отражать взаимосвязь признаков. Большие значения парных коэффициентов корреляции ( r > 0,7 ) говорят о мультиколлинеарности факторов и о необходимости исключения одного из них из дальнейшего анализа.
2. Наибольшее влияние на результативный признак оказывает фактор x2
= 0,730 ), значит, при построении модели он войдет в регрессионное уравнение первым. Рассчитаем частные коэффициенты корреляции, чтобы посмотреть, как данный факт повлияет на взаимосвязь y с другими факторами.
|
|
|
|
|
|
|
|
ryx − ryx |
2 |
rx x |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
Вычислим |
ryx1 |
|
x2 |
= |
1 |
|
|
1 |
|
|
|
|
в ячейке |
|
G16: |
=(G4- |
|||||||||||
|
(1 − ryx |
2 )(1 − rx x |
2 ) |
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
2 |
|
|
1 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ryx |
− ryx |
rx |
2 |
x |
|
|
|
|
|
G5*H5)/КОРЕНЬ(((1-G5^2)*(1-H5^2)), |
ryx3 |
|
x2 = |
3 |
|
2 |
|
3 |
|
|
в ячейке |
||||||||||||||||
|
(1 − ryx |
2 )(1 − rx |
x |
2 ) |
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
2 |
3 |
|
|
|
G17: = (G6-G5*I6)/КОРЕНЬ((1-G5^2)*(1-I6^2)). |
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
Наблюдаемые значения t-статистики вычислим |
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
для ryx |
|
|
|
x |
2 |
в |
I16: =G16*КОРЕНЬ(($I$7-3)/(1-G16^2)); |
|
|
|
||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
для ryx3 x2 в I17: =G17*КОРЕНЬ(($I$7-3)/(1-G17^2));
tкр – в I18: =СТЬЮДРАСПОБР(0,05;I17-3).
131
Как видим (см. табл. 3.9), связь y и x1 при условии, что x2 войдет в модель,
значительно снизилась (связи практически нет). Отсюда можно сделать вывод, что ввод в регрессионное уравнение x1 остается нецелесообразным, его влияние на зависимую переменную не подтвердилось.
Изменилась ситуация с фактором x3 : введение в модель x2 сделало связь с
у несущественной (tнабл =1,407 <tкр = 2,110 ). Поэтому становится возможным
исключение его из числа факторов, входящих в регрессионное уравнение.
|
|
|
|
Можно сделать вывод, что при построении регрессионного уравнения |
|||||||||||||||||||||||||||||||
следует отобрать факторы x2 и x3 |
(или только x2 ). |
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
3. |
Вычислим |
|
|
множественный |
|
коэффициент |
корреляции |
по |
формуле |
||||||||||||||||||||||
|
|
|
|
|
|
|
r |
|
2 |
+ r |
|
2 − |
2r |
x |
r |
|
y |
r |
|
y |
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
x |
|
y |
|
|
x |
y |
|
|
|
x |
x |
|
x |
|
|
|
|
|
|
|
|
|
||||||
|
Ry |
x |
x = |
|
|
2 |
|
|
|
|
3 |
|
|
|
|
|
2 3 |
|
2 |
|
|
|
3 |
|
в ячейке |
G18: =SQRT((G5^2+G6^2- |
|||||||||
|
|
|
|
2 3 |
|
|
|
|
|
|
|
|
1 − rx |
|
|
x |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
2*I6*G5*G6)/(1-I6^2)), коэффициент детерминации R2 = Ry2 |
|
x |
2 |
x |
в ячейке G19: |
||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3 |
|
|
|
=G18^2 |
|
и |
скорректированный |
|
коэффициент |
детерминации |
по |
формуле |
|||||||||||||||||||||||||||
|
|
2 =1 − (1 − R2 ) |
|
|
n −1 |
|
|
в ячейке G20: =1-(1-G19)*(I7-3)/2. |
|
|
|
|
|||||||||||||||||||||||
|
R |
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
n − m −1 |
|
|
|
|
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
Для проверки значимости рассчитаем наблюдаемое значение F-статистики |
|||||||||||||||||||||||||||||||
по |
формуле F = |
|
|
R2 |
|
|
|
n − m −1 |
|
в ячейке |
G21: =G19/(1-G19)*(I7-3)/2 и |
||||||||||||||||||||||||
1 − R2 |
|
|
|
m |
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
критическое значение в G22: =FРАСПОБР(0,05;2;I7-3).
Скорректированное значение коэффициента детерминации равно 0,533. Следовательно, размер получаемой банком прибыли на 53,3 % определяется величиной его чистых активов и объемом вложений в ценные бумаги, тогда на долю неучтенных факторов приходится 46,7 % всей вариации результативного признака.
4. Выше на основе анализа матрицы корреляции и значений частных коэффициентов корреляции был сделан вывод о том, что мультиколлинеарность факторов отсутствует и в модель в первую очередь
132
должен быть включен фактор x2 . Построим регрессионную модель показателя прибыли банка с помощью инструмента Регрессия, включив в качестве факторной только переменную x2 . Описание работы с инструментом анализа данных Регрессия можно найти в практической работе 1. Результаты
моделирования |
следующие |
(см. |
ячейки |
A23:I31 |
табл. |
3.9): |
|||||||||
|
yˆ = −64,54 + 0,06636x2 , |
tb = 4,54 , |
R = 0,730 , |
|
R2 = 0,533, |
|
|
|
2 = 0,508, |
||||||
|
|
|
R |
||||||||||||
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
Fнабл = 20,58. Коэффициент регрессии значим (tb |
= 4,54 >tкр = 2,10), расчетное |
|||||||||||||
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
значение F-критерия |
Фишера |
(Fнабл=20,58) |
также |
больше |
критического |
||||||||||
(Fкр=4,41). Построенная модель достаточно полно отражает вариацию |
|||||||||||||||
балансовой прибыли. |
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
Попытаемся улучшить модель, введя в модель фактор |
x3 . |
Результаты |
|||||||||||
моделирования |
будут следующие |
(см. |
ячейки |
A32:I41 |
табл. |
3.9): |
|||||||||
|
yˆ = −61,74 + 0,05706x2 + 0,015x3 , |
tb = 3,62, |
tb |
=1,41, |
R = 0,763 , |
|
R2 = 0,582, |
||||||||
|
|
|
|
|
2 |
|
3 |
|
|
|
|
|
|
|
|
|
|
2 = 0,533, |
F |
=11,84. |
Коэффициент |
|
регрессии |
|
|
|
значим |
||||
|
R |
|
|
|
|
||||||||||
|
|
|
набл |
|
|
|
|
|
|
|
|
|
|
|
|
(tb = 3,62>tкр |
= 2,11), расчетное значение F-критерия Фишера (F=11,84) также |
||||||||||||||
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
больше табличного (Fтабл=3,59). Построенная модель, как видим, также является приемлемой. Однако увеличение коэффициента детерминации на величину 0,05 (или уменьшение значения остаточной дисперсии на 5 %) нельзя считать существенным улучшением качества модели.
При |
включении |
в |
модель |
всех |
переменных |
получим |
|||||
yˆ = −61,06 + 0,0011x1 + 0,0562x2 + 0,01502x3 |
, tb1 |
= 0,109 , |
tb = 3,17 , |
tb =1,37 , |
|||||||
|
|
|
|
|
|
|
|
|
|
2 |
3 |
R = 0,763 , R2 = 0,583, |
|
2 = 0,504, F |
|
= 7,44 (см. табл. 3.9). |
|
||||||
R |
|
|
|||||||||
|
|
|
|
|
набл |
|
|
|
|
|
|
Наиболее приемлемой |
в |
нашем |
примере является |
модель регрессии с |
одной факторной переменной x2 . Только в этом случае значимы коэффициенты регрессии и коэффициент детерминации, хотя прогнозные качества модели недостаточно высоки.
Литература: [1], с. 108-115.