- •1. Множественная линейная регрессия Задание
- •Методические рекомендации по выполнению работы
- •Комплексный пример основных расчетов по работе
- •2. Мультиколлинеарность Задание
- •Методические рекомендации по выполнению работы
- •2.1. Способ 1.
- •2.2. Способ 2.
- •6.1. Способ 1.
- •6.2. Способ 2.
- •Комплексный пример основных расчетов по работе 3
- •2.1. Способ 1.
- •2.2. Способ 2.
- •6.1. Способ 1.
- •6.2. Способ 2.
- •3. Гетероскедастичность Задание
- •Методические рекомендации по выполнению работы
- •4. Автокорреляция остатков Задание
- •Методические рекомендации по выполнению работы
Комплексный пример основных расчетов по работе
1. Исходный массив 12 наблюдений расположен в ячейкахC3:G14(табл.2.10). Число исходных факторов – три. В табл.2.10 дополнительно введен фиктивный фактор, все значения которого равны 1.
Вычисляем средние значения исходных переменных, их дисперсии и стандартные отклонения. Затем входные данные переменных стандартизуем по формулам (2.3) и располагаем в ячейках P3:S14(табл.2.11).
Таблица 2.10 – Исходные данные в естественном масштабе
|
B |
C |
D |
E |
F |
G |
H |
I |
J |
K |
2 |
Наблю- дение |
Y |
Х0 |
X1 |
X2 |
Х3 |
Yi-Yср |
X1i-X1ср |
X2i-X2ср |
X3i-X3ср |
3 |
1 |
14,2 |
1 |
21,4 |
17,1 |
12 |
-8,183333 |
-1,6 |
0,291667 |
2,75 |
4 |
2 |
8,1 |
1 |
19,2 |
6 |
11,5 |
-14,28333 |
-3,8 |
-10,8083 |
2,25 |
5 |
3 |
15,1 |
1 |
19,2 |
11,6 |
10,9 |
-7,283333 |
-3,8 |
-5,20833 |
1,65 |
6 |
4 |
7,5 |
1 |
15,6 |
10,3 |
10,6 |
-14,88333 |
-7,4 |
-6,50833 |
1,35 |
7 |
5 |
18,7 |
1 |
24,4 |
15,5 |
9,5 |
-3,683333 |
1,4 |
-1,30833 |
0,25 |
8 |
6 |
22,5 |
1 |
23,4 |
17,3 |
10 |
0,1166667 |
0,4 |
0,491667 |
0,75 |
9 |
7 |
25,4 |
1 |
21,1 |
19,7 |
9 |
3,0166667 |
-1,9 |
2,891667 |
-0,25 |
10 |
8 |
26,8 |
1 |
24,3 |
21,8 |
8,4 |
4,4166667 |
1,3 |
4,991667 |
-0,85 |
11 |
9 |
26,5 |
1 |
25,4 |
21 |
7,9 |
4,1166667 |
2,4 |
4,191667 |
-1,35 |
12 |
10 |
31,5 |
1 |
26,5 |
19,2 |
7,5 |
9,1166667 |
3,5 |
2,391667 |
-1,75 |
13 |
11 |
33,7 |
1 |
25,9 |
21,5 |
7,1 |
11,316667 |
2,9 |
4,691667 |
-2,15 |
14 |
12 |
38,6 |
1 |
29,6 |
20,7 |
6,6 |
16,216667 |
6,6 |
3,891667 |
-2,65 |
15 |
Сумма |
268,6 |
12 |
276 |
201,7 |
111 |
-3,91E-14 |
0 |
-3,6E-15 |
0 |
16 |
Среднее |
22,3833 |
|
23 |
16,8083 |
9,25 |
|
|
|
|
17 |
Ст.откл. |
|
|
|
|
|
|
|
|
|
18 |
|
|
|
|
|
|
|
|
|
|
19 |
|
|
|
|
|
|
|
|
|
|
20 |
Коэффициенты корреляции: |
|
|
|
|
|
|
| ||
21 |
rY*X1*= |
0,9086 |
rX1*X2*= |
0,771073 |
|
|
|
|
|
|
22 |
rY*X2*= |
0,865967 |
rX1*X3*= |
-0,82175 |
|
|
|
|
|
|
23 |
rY*X3*= |
-0,9295 |
rX2*X3*= |
-0,76435 |
|
|
|
|
|
|
Таблица 2.11 – Исходные данные в стандартизованном масштабе
+ |
L |
M |
N |
O |
P |
Q |
R |
S |
2 |
(Yi-Yср)^2 |
(X1i-X1ср)^2 |
(X2i-X2ср)^2 |
(X3i-X3ср)^2 |
Y* |
X1* |
X2* |
X3* |
3 |
66,96694 |
2,56 |
0,085069 |
7,5625 |
-0,86306 |
-0,43333 |
0,060159 |
1,607711 |
4 |
204,0136 |
14,44 |
116,8201 |
5,0625 |
-1,50641 |
-1,02916 |
-2,22932 |
1,3154 |
5 |
53,04694 |
14,44 |
27,12674 |
2,7225 |
-0,76814 |
-1,02916 |
-1,07427 |
0,964626 |
6 |
221,5136 |
54,76 |
42,3584 |
1,8225 |
-1,56969 |
-2,00415 |
-1,3424 |
0,78924 |
7 |
13,56694 |
1,96 |
1,711736 |
0,0625 |
-0,38847 |
0,379164 |
-0,26986 |
0,146156 |
8 |
0,013611 |
0,16 |
0,241736 |
0,5625 |
0,012304 |
0,108333 |
0,101411 |
0,438467 |
9 |
9,100278 |
3,61 |
8,361736 |
0,0625 |
0,318156 |
-0,51458 |
0,596432 |
-0,14616 |
10 |
19,50694 |
1,69 |
24,91674 |
0,7225 |
0,465808 |
0,352081 |
1,029576 |
-0,49693 |
11 |
16,94694 |
5,76 |
17,57007 |
1,8225 |
0,434169 |
0,649995 |
0,864569 |
-0,78924 |
12 |
83,11361 |
12,25 |
5,720069 |
3,0625 |
0,961499 |
0,94791 |
0,493303 |
-1,02309 |
13 |
128,0669 |
8,41 |
22,01174 |
4,6225 |
1,193524 |
0,785411 |
0,967698 |
-1,25694 |
14 |
262,9803 |
43,56 |
15,14507 |
7,0225 |
1,710308 |
1,787487 |
0,802691 |
-1,54925 |
15 |
1078,837 |
163,6 |
282,0692 |
35,11 |
-3,3E-15 |
0 |
-1,2E-15 |
0 |
16 |
89,90306 |
13,63333 |
23,50576 |
2,9258333 |
|
|
|
|
17 |
9,481722 |
3,692334 |
4,848274 |
1,7105067 |
|
|
|
|
18 |
Корреляционная матрица: |
|
|
|
|
|
| |
19 |
|
Y* |
X1* |
X2* |
X3* |
|
|
|
20 |
Y* |
1 |
|
|
|
|
|
|
21 |
X1* |
0,9086 |
1 |
|
|
|
|
|
22 |
X2* |
0,865967 |
0,771073 |
1 |
|
|
|
|
23 |
X3* |
-0,9295 |
-0,82175 |
-0,764349 |
1 |
|
|
|
2.Находим корреляционную матрицу.
Способ 1.
Элементы корреляционной матрицы находим с помощью встроенной статистической функцииКОРРЕЛпакета MSExcel:
для вычисления в ячейкуC21вводим формулу:=КОРРЕЛ(P3:P14;Q3:Q14)
для вычисления в ячейкуC22вводим формулу:=КОРРЕЛ(P3:P14;R3:R14)
для вычисления в ячейкуC23вводим формулу:=КОРРЕЛ(P3:P14;S3:S14)
для вычисления в ячейкуE21вводим формулу:=КОРРЕЛ(Q3:Q14;R3:R14)
для вычисления в ячейкуE22вводим формулу:=КОРРЕЛ(Q3:Q14;S3:S14)
для вычисления в ячейкуE23вводим формулу:=КОРРЕЛ(R3:R14;S3:S14)
Способ 2.
Вычисляем матрицу с помощью инструментаАнализа Данных «Корреляция»пакета MSExcel. Для этого в главном меню выбираем Сервис/Анализ данных/Корреляцияи заполняем диалоговое окноВходные данныеиПараметры выводаследующим образом:
Входной интервал–P2:S14(в первой строке – названия столбцов);
Группирование–по столбцам;
Метки в первой строке–устанавливаем флажок,который указывает, что в данном случае первая строкаP2:S2входного диапазонаP2:S14содержит названия столбцов;
Выходной интервал–L19– ссылка на левую верхнюю ячейку выходного диапазона.
Щелкнув по кнопке ОКв ячейкахL19:P23получим корреляционную матрицу (точнее – её нижний треугольник).
В корреляционной матрице находим: =0,9295,т.е. максимальноеуказывает на объясняющую переменную, которая теснее всего связана сY. Тогда методом наименьших квадратов найдем оценку параметра регрессии.
Для удобства выполнения дальнейших расчетов скопируем ранее вычисленные стандартизованные значения ив ячейкиC26:D38(табл.2.12). Поскольку в ячейкахP3:P14(табл.2.11) содержатся формулы, то при копировании из табл.2.11 в табл.2.12 вычисленных по этим формулам стандартизованных значенийY:
выделяем ячейки P2:P14(в ячейкеP2находится название столбца, а в ячейкахP3:P14– вычисленные стандартизованные значения);
находясь указателем в выделенной зоне нажимаем правую кнопку мыши и выбираем Копировать;
перемещаем курсор в ячейку C26, начиная с которой теперь будут располагаться значения;
нажимаем правую кнопку мыши, выбираем Специальная вставка…; в диалоговом окнеВставитьустанавливаем флажокзначенияи щелкаем по кнопкеОК.
Аналогично с помощью специальной вставкикопируем стандартизованные значенияиз ячеекS2:S14в ячейкиD26:D38.
Таблица 2.12 – Данные для расчета стандартизованных остатков регрессии на
|
B |
C |
D |
E |
F |
G |
H |
I |
J |
26 |
Наблюдение |
Y* |
X3* |
Y*^X3 |
e^2yx3 |
|
|
Регрессия Y на Х3 | |
27 |
1 |
-0,86306 |
1,607711 |
-1,49444 |
0,39863 |
|
|
-0,929543 |
0 |
28 |
2 |
-1,50641 |
1,3154 |
-1,22272 |
0,080478 |
|
|
0,111172 |
#Н/Д |
29 |
3 |
-0,76814 |
0,964626 |
-0,89666 |
0,016517 |
|
|
0,864049 |
0,38511 |
30 |
4 |
-1,56969 |
0,78924 |
-0,73363 |
0,698987 |
|
|
69,9118 |
11 |
31 |
5 |
-0,38847 |
0,146156 |
-0,13586 |
0,063811 |
|
|
10,36859 |
1,631406 |
32 |
6 |
0,012304 |
0,438467 |
-0,40757 |
0,176297 |
|
|
|
|
33 |
7 |
0,318156 |
-0,14616 |
0,135858 |
0,033233 |
|
|
|
|
34 |
8 |
0,465808 |
-0,49693 |
0,461916 |
1,51E-05 |
|
|
|
|
35 |
9 |
0,434169 |
-0,78924 |
0,733632 |
0,089678 |
|
|
|
|
36 |
10 |
0,961499 |
-1,02309 |
0,951004 |
0,00011 |
|
|
|
|
37 |
11 |
1,193524 |
-1,25694 |
1,168377 |
0,000632 |
|
|
|
|
38 |
12 |
1,710308 |
-1,54925 |
1,440093 |
0,073016 |
|
|
|
|
39 |
|
|
|
Сумма= |
1,631406 |
|
|
|
|
Теперь для нахождения оценки параметра регрессии (без свободного члена) выделяем блок пустых ячеекI27:J31, состоящий из двух столбцов и пяти строк, и вводим формулу
=ЛИНЕЙН(C27:C38;D27:D38;0;1)
Нажимаем клавишу F2, затем – клавишиCtrl+Shift+Enter. В результате в ячейкахI27:J31получаем таблицу регрессионной статистики, из первой строки которой следует, что=-0,9295.
По регрессионному уравнению в ячейкахE27:E38вычисляем прогнозные (расчетные) стандартизованные значения объясняемой переменнойпри расположенных в ячейкахD27:D38наблюдаемыхстандартизованных значениях объясняющей переменной.
В ячейках F27:F38вычисляем квадраты стандартизованных остатков, где- стандартизованные наблюдаемые значения объясняемой переменной, расположенные в ячейкахC27:C38. Затем в ячейкеF39вычисляем сумму квадратов остатков.
Среди тех значений коэффициентов корреляции , которые остались, выбираем следующее=0,9086и в модель вводим объясняющую переменную. Методом наименьших квадратов находим оценки параметров следующей регрессии в стандартизованном масштабе:
.
Особенность применения встроенной статистической функции ЛИНЕЙНдля оценивания параметров модели состоит в том, что наблюдаемые значения факторов должны быть расположены в виденепрерывной области. В данном случае это означает, что стандартизованные значенияидолжны располагаться в соседних столбцах. Поэтому скопируем ранее вычисленные стандартизованные значения,ииз табл.2.11 в ячейкиC42:E54(табл.2.13). Поскольку в ячейкахP3:S14содержатся формулы, то при копировании из табл.2.11 в табл.2.13 вычисленных по этим формулам стандартизованных значений переменных воспользуемсяспециальной вставкой.
Таблица 2.13 – Данные для расчета стандартизованных остатков регрессии наи
|
B |
C |
D |
E |
F |
G |
H |
I |
J |
42 |
Наблюдение |
Y* |
X1* |
X3* |
Y*^X1X3 |
e^2yx1x3 |
|
Регрессия Y на Х1,Х3 | |
43 |
1 |
-0,86306 |
-0,43333 |
1,607711 |
-1,09868 |
0,055513 |
|
-0,56323 |
0,445769 |
44 |
2 |
-1,50641 |
-1,02916 |
1,3154 |
-1,19964 |
0,094106 |
|
0,14831 |
0,14831 |
45 |
3 |
-0,76814 |
-1,02916 |
0,964626 |
-1,00207 |
0,054723 |
|
0,928575 |
0,292763 |
46 |
4 |
-1,56969 |
-2,00415 |
0,78924 |
-1,33791 |
0,053719 |
|
65,00343 |
10 |
47 |
5 |
-0,38847 |
0,379164 |
0,146156 |
0,0867 |
0,225784 |
|
11,1429 |
0,857101 |
48 |
6 |
0,012304 |
0,108333 |
0,438467 |
-0,19867 |
0,044509 |
|
|
|
49 |
7 |
0,318156 |
-0,51458 |
-0,14616 |
-0,14706 |
0,21643 |
|
F= |
9,034 |
50 |
8 |
0,465808 |
0,352081 |
-0,49693 |
0,436832 |
0,00084 |
|
|
|
51 |
9 |
0,434169 |
0,649995 |
-0,78924 |
0,734272 |
0,090062 |
|
|
|
52 |
10 |
0,961499 |
0,94791 |
-1,02309 |
0,998783 |
0,00139 |
|
|
|
53 |
11 |
1,193524 |
0,785411 |
-1,25694 |
1,058057 |
0,018351 |
|
|
|
54 |
12 |
1,710308 |
1,787487 |
-1,54925 |
1,66939 |
0,001674 |
|
|
|
55 |
|
|
|
|
Сумма= |
0,857101 |
|
|
|
Теперь для нахождения оценок параметров регрессии в стандартизованном масштабе (без свободного члена) выделяем блок пустых ячеекI43:J47, состоящий из двух столбцов и пяти строк, и вводим формулу
=ЛИНЕЙН(C43:C54;D43:E54;0;1)
Нажимаем клавишу F2, затем – клавишиCtrl+Shift+Enter. В результате получаем таблицу регрессионной статистики, из первой строки которой следует, что=0,4458и=-0,5632.
По уравнению вычисляем прогнозные (расчетные) стандартизованные значения объясняемой переменной принаблюдаемыхстандартизованных значениях объясняющих переменныхи. Вычисляем квадраты стандартизованных остаткови сумму квадратов остатков.
С учетом того, что в первой модели один фактор , а во вторую модель добавлен только один новый фактор, находим расчетное значениеF-статистики:
==
=.
Для уровня значимости и степеней свободы,по табл.2.8 находим табличное значениеF-статистики=4,96.
. Поэтому с принятой надежностьюможно считать, что помимо ранее включенного в модель факторановый фактортакже существенно влияет на показательY, и его необходимовключитьв модель.
Теперь в модель включаем оставшийся фактори оцениваем параметры уравнения регрессии с тремя факторами.
Для удобства вначале скопируем ранее вычисленные стандартизованные значения ,,и(табл.2.11) в ячейкиC58:F70(табл.2.14). Поскольку в ячейкахP3:S14содержатся формулы, копирование вычисленных по этим формулам стандартизованных значений переменных из табл.2.11 в табл.2.14 выполняем с помощьюспециальной вставки.
Таблица 2.14 – Данные для расчета стандартизованных остатков регрессии на,и
|
B |
C |
D |
E |
F |
G |
H |
I |
J |
K |
58 |
|
Y* |
X1* |
X2* |
X3* |
Y*^ X1Х2X3 |
e^2 yx1х2x3 |
Регрессия Y на Х1,Х2,Х3 | ||
59 |
1 |
-0,86306 |
-0,43333 |
0,060159 |
1,607711 |
-0,86515 |
4,336E-06 |
-0,4586 |
0,2600 |
0,3313 |
60 |
2 |
-1,50641 |
-1,02916 |
-2,22932 |
1,3154 |
-1,5238 |
0,000303 |
0,13677 |
0,12240 |
0,13850 |
61 |
3 |
-0,76814 |
-1,02916 |
-1,07427 |
0,964626 |
-1,06262 |
0,086714 |
0,95243 |
0,25184 |
#Н/Д |
62 |
4 |
-1,56969 |
-2,00415 |
-1,3424 |
0,78924 |
-1,37492 |
0,037935 |
60,0641 |
9 |
#Н/Д |
63 |
5 |
-0,38847 |
0,379164 |
-0,26986 |
0,146156 |
-0,01158 |
0,142047 |
11,4292 |
0,57085 |
#Н/Д |
64 |
6 |
0,012304 |
0,108333 |
0,101411 |
0,438467 |
-0,1388 |
0,022834 |
|
|
|
65 |
7 |
0,318156 |
-0,51458 |
0,596432 |
-0,14616 |
0,05163 |
0,071036 |
F= |
4,51308 |
|
66 |
8 |
0,465808 |
0,352081 |
1,029576 |
-0,49693 |
0,612221 |
0,021437 |
|
|
|
67 |
9 |
0,434169 |
0,649995 |
0,864569 |
-0,78924 |
0,802054 |
0,135340 |
|
|
|
68 |
10 |
0,961499 |
0,94791 |
0,493303 |
-1,02309 |
0,911447 |
0,002505 |
|
|
|
69 |
11 |
1,193524 |
0,785411 |
0,967698 |
-1,25694 |
1,088199 |
0,011094 |
|
|
|
70 |
12 |
1,710308 |
1,787487 |
0,802691 |
-1,54925 |
1,511313 |
0,039599 |
|
|
|
71 |
|
|
|
|
|
Сумма= |
0,570848 |
|
|
|
Теперь для нахождения оценок параметров регрессии в стандартизованном масштабе (без свободного члена) выделяем блок пустых ячеекI59:K63, состоящий из трех столбцов (по количеству факторов без свободного члена) и пяти строк, и вводим формулу
=ЛИНЕЙН(C59:C70;D59:F70;0;1)
Нажимаем клавишу F2, затем – клавишиCtrl+Shift+Enter. В результате получаем таблицу регрессионной статистики, из первой строки которой следует, что=0,3313,=0,2600,=-0,4586.
По уравнению вычисляем прогнозные (расчетные) стандартизованные значения объясняемой переменной принаблюдаемыхстандартизованных значениях объясняющих переменных,,.
Рассчитываем квадраты стандартизованных остатков и сумму квадратов остатков.
Для оценки обоснованности включения фактора с учетом того, что в предыдущей модели два фактора, находим расчетное значениеF-статистики:
==
=.
Для уровня значимости и степеней свободы,по табл.2.8 находим табличное значениеF-статистики=5,12.
. Следовательно, с принятой надежностьюможно считать, что факторнесущественновлияет на показательYи его необходимо исключить из модели. Тогда рациональным (окончательным) следует считать предыдущий вариант модели:
. (2.7)
3.Стандартизованные оценки параметровокончательного вариантамодели (2.7) по формулам (2.6) пересчитываемв естественный масштаб(табл.2.15):
для вычисления в ячейкуC75вводим формулу=J43*L17/M17, результат применения которой
=1,14471;
для вычисления в ячейкуC76вводим формулу=I43*L17/O17, результат применения которой
=-3,1221;
для вычисления в ячейкуC77вводим формулу=C16-(C75*E16+C76*G16), результат применения которой
=24,9345.
Тогда оцененное уравнение регрессии (2.7) в естественном масштабе будет иметь вид:
. (2.8)
Таблица 2.15 – Прогнозирование по линейной модели на,
|
B |
C |
D |
E |
F |
G |
H |
I |
74 |
Оценки параметров в естественном масштабе: |
|
|
| ||||
75 |
b1= |
1,144712 |
|
|
|
|
|
|
76 |
b3= |
-3,12211 |
|
|
|
|
|
|
77 |
b0= |
24,93448 |
|
|
|
|
|
|
78 |
|
|
|
|
|
|
|
|
79 |
|
|
|
|
|
|
|
|
80 |
Наблюдение |
Y |
Х0 |
X1 |
Х3 |
|
|
|
81 |
1 |
14,2 |
1 |
21,4 |
12 |
|
tтабл= |
2,262159 |
82 |
2 |
8,1 |
1 |
19,2 |
11,5 |
|
Под корнем= |
7,548006 |
83 |
3 |
15,1 |
1 |
19,2 |
10,9 |
|
Дельта Y= |
18,18533 |
84 |
4 |
7,5 |
1 |
15,6 |
10,6 |
|
|
|
85 |
5 |
18,7 |
1 |
24,4 |
9,5 |
Дов.интервал для мат.ож. Yпр: | ||
86 |
6 |
22,5 |
1 |
23,4 |
10 |
|
Нижние95% |
Верхние95% |
87 |
7 |
25,4 |
1 |
21,1 |
9 |
|
2,63002 |
39,00068 |
88 |
8 |
26,8 |
1 |
24,3 |
8,4 |
|
|
|
89 |
9 |
26,5 |
1 |
25,4 |
7,9 |
|
|
|
90 |
10 |
31,5 |
1 |
26,5 |
7,5 |
|
|
|
91 |
11 |
33,7 |
1 |
25,9 |
7,1 |
|
|
|
92 |
12 |
38,6 |
1 |
29,6 |
6,6 |
|
|
|
93 |
Прогноз |
20,81535 |
1 |
34,04 |
13,8 |
|
|
|
4.Для построения с помощью инструментаАнализ Данных/Регрессияпакета MSExcelэконометрической модели вестественном масштабе, включающей отобранные ранее пошаговым регрессионным методом наиболее существенные факторыи, сформируем массив исходных данных в виде непрерывной области (входной интервал факторов должен быть ссылкой на непрерывную область!). Для этого скопируем исходные данные в естественном масштабе (с метками):
вектор-столбец Yиз ячеекC2:C14в ячейкиC80:C92;
вектор-столбец из ячеекE2:E14в ячейкиE80:E92;
вектор-столбец из ячеекG2:G14в ячейкиF80:F92.
Далее в главном меню выбираем Сервис/Анализ данных/Регрессияи заполняем диалоговое окноВходные данные,Параметры выводаиОстаткиследующим образом:
Входной интервал Y–C80:C92(в ячейкеC80– название столбца –Y);
Входной интервал Х–E80:F92(в строке ячеекE80:F80– название столбцов – соответственноХ1иХ3);
Метки–устанавливаем флажок,указывающий, что первая строка массивовC80:C92иE80:F92содержит названия столбцов;
Выходной интервал–B95(левая верхняя ячейка будущего диапазона результатов);
устанавливаем флажок График остатков.
Щелкнув по кнопке ОК, получим результаты регрессионного анализа (табл.2.16), на основе которых должен быть выполнен анализ статистического качества эконометрической модели вестественном масштабе, включающей только отобранные ранее пошаговым регрессионным методом наиболее существенные факторыи. В табл.2.16 графики остатков не приведены. Анализ качества также не приводим.
Таблица 2.16 – Результаты регрессионного анализа линейной модели на,, полученные с помощью инструмента Анализа данных «Регрессия»
|
B |
C |
D |
E |
F |
G |
H |
I |
J |
95 |
ВЫВОД ИТОГОВ |
|
|
|
|
|
|
| |
96 |
|
|
|
|
|
|
|
|
|
97 |
Регрессионная статистика |
|
|
|
|
|
|
| |
98 |
Множественный R |
0,963626 |
|
|
|
|
|
|
|
99 |
R-квадрат |
0,928575 |
|
|
|
|
|
|
|
100 |
Нормированный R-квадрат |
0,912703 |
|
|
|
|
|
|
|
101 |
Стандартная ошибка |
2,926051 |
|
|
|
|
|
|
|
102 |
Наблюдения |
12 |
|
|
|
|
|
|
|
103 |
|
|
|
|
|
|
|
|
|
104 |
Дисперсионный анализ |
|
|
|
|
|
| ||
105 |
|
df |
SS |
MS |
F |
Значи-мость F |
|
|
|
106 |
Регрессия |
2 |
1001,781 |
500,8903 |
58,50308 |
6,96E-06 |
|
|
|
107 |
Остаток |
9 |
77,05599 |
8,561777 |
|
|
|
|
|
108 |
Итого |
11 |
1078,837 |
|
|
|
|
|
|
109 |
|
|
|
|
|
|
|
|
|
110 |
|
Коэффи-циенты |
Стандартная ошибка |
t-статис-тика |
P-Значение |
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% |
111 |
Y-пересечение |
24,93448 |
16,4884 |
1,512244 |
0,164762 |
-12,3649 |
62,233872 |
-12,36491 |
62,23387 |
112 |
X1 |
1,144712 |
0,401453 |
2,851421 |
0,019045 |
0,236561 |
2,0528631 |
0,236561 |
2,052863 |
113 |
Х3 |
-3,12211 |
0,866585 |
-3,60278 |
0,005723 |
-5,08246 |
-1,161758 |
-5,082464 |
-1,16176 |
114 |
|
|
|
|
|
|
|
|
|
115 |
|
|
|
|
|
|
|
|
|
116 |
|
|
|
|
|
|
|
|
|
117 |
ВЫВОД ОСТАТКА |
|
|
|
|
|
|
| |
118 |
|
|
|
|
|
|
|
|
|
119 |
Наблюдение |
Предсказанное Y |
Остатки |
|
|
|
|
|
|
120 |
1 |
11,96599 |
2,234012 |
|
|
|
|
|
|
121 |
2 |
11,00868 |
-2,90868 |
|
|
|
|
|
|
122 |
3 |
12,88194 |
2,218056 |
|
|
|
|
|
|
123 |
4 |
9,697613 |
-2,19761 |
|
|
|
|
|
|
124 |
5 |
23,2054 |
-4,5054 |
|
|
|
|
|
|
125 |
6 |
20,49963 |
2,000365 |
|
|
|
|
|
|
126 |
7 |
20,98891 |
4,411092 |
|
|
|
|
|
|
127 |
8 |
26,52525 |
0,274746 |
|
|
|
|
|
|
128 |
9 |
29,34549 |
-2,84549 |
|
|
|
|
|
|
129 |
10 |
31,85352 |
-0,35352 |
|
|
|
|
|
|
130 |
11 |
32,41554 |
1,284462 |
|
|
|
|
|
|
131 |
12 |
38,21203 |
0,387972 |
|
|
|
|
|
|
5.В ячейкахE93:F93(табл.2.15) вычисляем прогнозные значения факторов, включенных в окончательный вариант модели (в соответствии с заданием принимаются на уровне1,15от максимальных значений этих факторов в исходных данных):
=34,04млн.грн.
=13,8млн.грн.
Точечный прогнозпоказателяYполучим подстановкой прогнозных значений отобранных факторов в полученное уравнение эконометрической модели в естественном масштабе (2.8):
=20,8153млн.грн.
6.Интервальный прогнозполучим в виде:
или
,
где
.
Для определения критического значения распределения Стьюдента приn-m-1=12-2-1=9степенях свободы и уровне значимости=0,05в ячейкуI81вводим формулу=СТЬЮДРАСПОБР(0,05;12-2-1), результат применения которой равняется2,26216.
Учитывая, что матрица Х наблюдаемых значений наиболее информативных факторов (с учетом единичного вектора фиктивной переменной при свободном члене) расположена в ячейкахD81:F92, а прогнозные значения вектора объясняющих переменных расположены в виде вектора-строки (т.е. представлены транспонированной матрицей) в ячейкахD93:F93, для вычисленияв ячейкуI82вводим формулу:
=МУМНОЖ(МУМНОЖ(D93:F93; МОБР(МУМНОЖ(ТРАНСП(D81:F92);D81:F92)));ТРАНСП(D93:F93))
Нажимаем клавишу F2, затем – клавишиCtrl+Shift+Enter.
Учитывая, что оценка стандартной ошибки оценивания была получена ранее в ячейкеC101, для вычисленияв ячейкуI83вводим формулу=I81*C101*КОРЕНЬ(I82), результат применения которой равняется18,1853.
Тогда
=20,8153-18,1853=2,63млн.грн.
=20,8153+18,1853=39,00млн.грн.
Следовательно, с надежностью доверительный интервалдля математического ожидания прогноза показателяYпри=34,04млн.грн. и=13,8млн.грн.:
или
млн.грн.
7.Экономико-математический анализ характеристик эконометрической модели и выводы по работе здесь не приводятся.