- •Парная регрессия и корреляция в эконометрических исследованиях
- •Содержание
- •Введение
- •1 Лабораторные работы №1, 2 Парная линейная регрессия и корреляция
- •1.1 Теоретические положения
- •1.2 Решение типовых задач
- •Решение:
- •1.3 Решение задачи с помощью ms Excel
- •1.4 Контрольные вопросы
- •1.5 Тестовые задания
- •2 Лабораторная работа №3 Нелинейные модели регрессии и их линеаризация
- •2.1 Теоретические положения
- •2.2 Решение типовых задач
- •Решение:
- •Контрольные вопросы
- •Тестовые задания
- •3 Задания для самостоятельной работы
- •1 Для линейной функции:
- •Приложение Исходные данные за 2008 год для проведения корреляционно-регрессионного анализа
МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙ ФЕДЕРАЦИИ
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ «БАШКИРСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ» ЗАУРАЛЬСКИЙ ФИЛИАЛ |
Кафедра экономики и менеджмента
Б3. Б.3 Эконометрика
МЕТОДИЧЕСКИЕ УКАЗАНИЯ
к практическим занятиям
Парная регрессия и корреляция в эконометрических исследованиях
Направление подготовки 080100 «Экономика»
Профиль подготовки Экономика предприятий и организаций
Сибай-2012
УДК 330.43 (03)
ББК 65
М 54
Рекомендовано к изданию методической комиссией Зауральского филиала Башкирского ГАУ (протокол № 3 от «17» октября 2012 г.)
Составитель: ст. преподаватель Юнусова Г.М.
Рецензент: к. ф.-м. н., доцент Музафаров С.М.
Ответственный за выпуск:
зав. кафедрой экономики и менеджмента, д-р. экон. наук, доцент И.А. Ситнова
Содержание
ВВЕДЕНИЕ |
3 |
1 Лабораторные работы №1,2. Парная линейная регрессия и корреляция |
3 |
2 Лабораторная работа №3. Нелинейные модели регрессии и их линеаризация |
18 |
3 Задания для самостоятельной работы |
27 |
БИБЛИОГРАФИЧЕСКИЙ СПИСОК |
28 |
ПРИЛОЖЕНИЕ |
29 |
Введение
Методические указания к лабораторным работам по теме: «Парная линейная регрессия и корреляция в эконометрических исследованиях» содержат цели, задачи, теоретические положения, примеры определения параметров парной линейной и нелинейной регрессии и корреляции по формулам, а также с использованием табличного процессора Microsoft Excel, задания для самостоятельной работы студентов, контрольные вопросы и тестовые задания, позволяющие освоить и закрепить методику проведения парного корреляционно-регрессионного анализа, а также интерпретировать полученные результаты.
1 Лабораторные работы №1, 2 Парная линейная регрессия и корреляция
Цель работы - овладеть навыками определения параметров линейной регрессии и корреляции с использованием формул и табличного процессора MS Excel.
1.1 Теоретические положения
Уравнение парной линейной регрессии имеет вид:
, (1)
где теоретическое значение результативного признака, найденное из уравнения регрессии;
независимая переменная (факторный признак);
параметры уравнения регрессии (а – экономического содержания не имеет; b – коэффициент регрессии);
случайная величина, характеризующая отклонения реального значения результативного признака от теоретического.
Параметры линейной регрессии оценивают с помощью метода наименьших квадратов (МНК).
Система нормальных уравнений МНК имеет вид:
(2)
где n – количество наблюдений.
Для решения системы можно воспользоваться готовыми формулами:
, (3)
(4)
где ковариация признаков;
дисперсия признака х.
Параметр b называется коэффициентом регрессии. Его величина показывает среднее изменение результата при изменении фактора на одну единицу.
Тесноту связи изучаемых явлений характеризует коэффициент корреляции (r), который определяется по формуле:
. (5)
Коэффициент корреляции может принимать значения . Если, то связь между признаками прямая, если– связь обратная.
Для оценки тесноты связи используют шкалу Чэддока:
до 0,3 – связь отсутствует или очень слабая;
от 0,3 до0,5 – связь слабая;
от 0,5 до0,7 – связь умеренная;
от 0,7 до1,0 – связь сильная.
Для оценки качества подбора линейной функции рассчитывается квадрат линейного коэффициента корреляции – коэффициент детерминации (), который показывает, на сколько процентов вариация результативного признака определяется вариацией факторов, включенных в модель.
Качество построенной модели оценивает также средняя ошибка аппроксимации – это среднее отклонение расчетных значений от фактических:
. (6)
Допустимый предел значений не более 8-10%.
Средний коэффициент эластичности показывает, на сколько процентов в среднем изменится результат при изменении фактора на 1% и рассчитывается по формуле (для линейной функции):
. (7)
Значимость уравнения регрессии в целом оценивается с помощью F–критерия Фишера, который определяется из соотношения значений факторной и остаточной дисперсии, рассчитанных на одну степень свободы:
, (8)
где n – число единиц совокупности;
m – число параметров при переменных x.
Для оценки значимости уравнения регрессии Fфакт. сравнивается с Fтабл. при ,,. ЕслиFфакт. > Fтабл., то уравнение регрессии значимо, статистически надежно и может быть использовано для прогнозирования.