- •Институт информационных систем управления Домашняя работа №2
- •Исходные данные
- •Анализ взаимосвязей между элементами
- •Корреляционный анализ для It
- •Построение уравнений функционирования
- •Оценка коэффициентов модели 2 мнк
- •Анализируя полученную таблицу, можно видеть, что
- •Построение моделей тренда экзогенных переменных
- •Проверка прогностических свойств моделей
- •Построение прогноза
Оценка коэффициентов модели 2 мнк
Суть метода 2МНК: на первом шаге строятся регрессии каждой эндогенной переменной на все множество экзогенных переменных (т.е. объединяются экзогенные переменные, входящие в правую часть хотя бы одного из уравнений функционирования). По построенным уравнениям регрессии для каждого наблюдения находят оценку эндогенных переменных по значениям экзогенных. На втором шаге оцениваются параметры уравнений функционирования, подставляя в их правые части полученные на первом шаге оценки эндогенных переменных.
Применение 2МНК позволяет получить переменные по крайней мере не коррелированные с .
Восстановим следующие зависимости:
В результате дисперсионного анализа модели Сt* можно выделить несколько не значимых параметров (Приложение 1).
Параметры при |
Значение |
Standard Error |
T Statistica |
Const |
-24,8114 |
6,0957 |
-4,07 |
Time |
-0,5526 |
0,2758 |
-2,004 |
W2(t) |
0,5355 |
0,5997 |
0,893 |
G(t) |
-0,1617 |
0,1181 |
-1,3698 |
T(t) |
1,1181 |
0,3074 |
3,6376 |
X(t-1) |
-0,0043 |
0,1027 |
-0,0424 |
P(t-1) |
-0,1565 |
0,1982 |
-0,7894 |
K(t-1) |
0,5959 |
0,1543 |
3,8604 |
t(13)=2,16
F(0,05; 7; 13)=2,83
Избавясь от них, вновь применим МНК. В результате оказалось, что Сt* зависит от Tt, , Kt-1 .
Параметры при |
Значение |
Standard Error |
T Statistica |
Соnst |
-11,7398 |
0,6866 |
-17,099 |
T(t) |
1,2752 |
0,2868 |
4,4464 |
K(t-1) |
0,3008 |
0,0582 |
5,1692 |
t(17)=2,11
F(0,05; 3; 17)=3,2
F=1969
Модель примет следующий вид:
В результате дисперсионного анализа модели It* можно выделить несколько не значимых параметров (Приложение2).
Параметры при |
Значение |
Standard Error |
T Statistica |
Const |
-7,522 |
2,0217 |
-3,7207 |
Time |
-0,1416 |
0,0915 |
-1,5488 |
W2(t) |
0,1923 |
0,1989 |
0,9668 |
G(t) |
-1,0561 |
0,0392 |
-26,9688 |
T(t) |
0,3981 |
0,1019 |
3,9056 |
X(t-1) |
-0,0036 |
0,0341 |
-0,1045 |
P(t-1) |
-0,0538 |
0,0657 |
-0,8190 |
K(t-1) |
0,1772 |
0,0512 |
3,4613 |
t(13)=2,16
F(0,05; 7; 13)=2,83
Избавясь от них, вновь применим МНК. В результате оказалось, что It* зависит от Gt, , Tt, , Kt-1 .
Параметры при |
Значение |
Standard Error |
T Statistica |
Соnst |
-3,9834 |
0,3407 |
-11,6913 |
G(t) |
-1,0179 |
0,0334 |
-30,4856 |
T(t) |
0,4411 |
0,0937 |
4,7058 |
K(t-1) |
0,0997 |
0,0197 |
5,0604 |
t(16)=2,13
F(0,05; 4; 16)=3,01
F=325,28
Модель примет следующий вид:
В результате дисперсионного анализа модели W1t* можно выделить несколько не значимых параметров (Приложение3).
Параметры при |
Значение |
Standard Error |
T Statistica |
Const |
-18,8917 |
7,0363 |
-2,649 |
Time |
-0,4681 |
0,3183 |
-1,4706 |
W2(t) |
0,2848 |
0,6923 |
0,4113 |
G(t) |
-0,2427 |
0,1363 |
-1,7804 |
T(t) |
0,4053 |
0,3548 |
1,1423 |
X(t-1) |
-0,2819 |
0,1186 |
2,3774 |
P(t-1) |
-0,4821 |
0,2288 |
-2,107 |
K(t-1) |
0,3531 |
0,1782 |
1,9817 |
t(13)=2,16
F(0,05; 7; 13)=2,83
Избавясь от них, вновь применим МНК. В результате оказалось, что W1t* зависит от Xt-1 .
Параметры при |
Значение |
Standard Error |
T Statistica |
Соnst |
-11,4741 |
0,93 |
-11,2626 |
K(t-1) |
0,3041 |
0,0129 |
23,6237 |
t(18)=2,101
F(0,05; 2; 18)=3,55
F=558
Модель примет следующий вид:
Затем восстанавливаем значения переменных Xt*, Kt*, Pt* с помощью балансовых уравнений.
Теперь восстановим следующие зависимости :
Ct = FC ( W1t, W2t, Pt-1 )
It = FI ( Pt-1 )
W1t = FW ( t )
После идентификации моделей, для каждой из них будет проведен дисперсионный анализ, с помощью которого будут сделаны выводы о значимости каждой из модели и ее параметров.
Идентификация уравнения функционирования Сt.
Параметры при |
Значение |
Standard Error |
T Statistica |
Соnst |
8,4033 |
4,6508 |
1,8068 |
W1(t)+W2(t) |
1,4164 |
0,2802 |
5,0555 |
P(t-1) |
0,5054 |
0,2415 |
2,9264 |
t(0,05; 17) = 2,11
Из дисперсионного анализа видно, что коэффициенты a0 и a2 не значимы, следовательно, их необходимо исключить.
Перестроенная модель будет иметь вид:
Параметры при |
Значение |
Standard Error |
T Statistica |
W1(t)+W2(t) |
0,9344 |
0,0909 |
10,2795 |
P(t-1) |
0,9403 |
0,0217 |
43,2331 |
t(0,05; 18) = 2,101 F(2,17)=3,59 <4693,08
Теперь проверим существует ли автокорреляция остатков Сt . Это можно сделать используя критерий Дарбина-Уотсона:
dL=1,1 < dрасч= 2,89 < dU=1,54
Так как условие не выполняется и dрасч > dU можно утверждать, что автокорреляция остатков Сt отсутствует.
Идентификация уравнения функционирования It
Параметры при |
Значение |
Standard Error |
T Statistica |
P(t-1) |
0,0939 |
0,0131 |
7,1742 |
t(0,05; 19) = 2,093 F(1,18)=4,41 < 51,47
Получим следующую модель:
It = 0,0939 * Pt-1 + It
Теперь проверим существует ли автокорреляция остатков Сt . Это можно сделать используя критерий Дарбина-Уотсона:
dL=1,1 < dрасч= 1,74 < dU=1,54
Так как условие не выполняется и dрасч > dU можно утверждать, что автокорреляция остатков It отсутствует.
Идентификация уравнения функционирования W1t.
|
Значение |
Standard Error |
T Statistica |
Const |
-6,9059 |
0,2792 |
-24,7373 |
Time |
0,5450 |
0,0233 |
23,3876 |
t(0,05; 18) = 2,101 F(2,17)=3,59 < 301,4
Получим следующую модель:
W1t =-6,9059 + 0,545*t + Wt
Теперь проверим существует ли автокорреляция остатков Сt . Это можно сделать используя критерий Дарбина-Уотсона:
dL=1,1 < dрасч= 0,9663 < dU=1,54
Так как условие выполняется и dрасч < dL можно утверждать, что существует положительная автокорреляция остатков Wt.
Рассчитанные значения Ct , Lt , W1t подставляются в балансовые уравнения, в результате чего мы получаем значения переменных Xt, Kt, Pt
СРАВНИТЕЛЬНЫЙ АНАЛИЗ ТОЧНОСТИ ВОССТАНОВЛЕНИЯ ИССЛЕДУЕМЫХ ЗАВИСИМОСТЕЙ
-
Вид модели
Способ
Оценки
Характеристики модели
R^2
F-стат
C
МНК
99,7924
9835,73
2МНК
99,8086
4693,08
I
МНК
63,9398
33,04
2МНК
51,47
73,04
W1
МНК
96,814
321,34
2МНК
94,6956
301,4