- •Методические рекомендации На курсовую работу по эконометрике содержание
- •Глава 1. Эконометрические модели благосостояния населения санкт-петербурга 29
- •Предисловие
- •1. Общие положения
- •2.Организациявыполнениякурсовойработы
- •3. Написание курсовой работы
- •4. Основные требования к оформлениюкурсовой работы
- •5. Подготовка к защите и защита курсовой работы
- •6. Список рекомендуемой литературы
- •Лабораторный практикум
- •Приложение а
- •Анализ благосостояния населения санкт-петербурга: эконометрический подход
- •2006 Г. Приложение б
- •Приложение в Примерный перечень тем и направлений курсовых работ
- •Анализ благосостояния населения санкт-петербурга: эконометрический подход
- •2006 Г. Содержание
- •Глава 1. Эконометрические модели благосостояния населения санкт-петербурга 29
- •Введение
- •Глава 1. Эконометрические модели благосостояния населения санкт-петербурга
- •1.1. Общая концепция оценки уровня благосостояния
- •1.2. Оценка благосостояния населения Санкт-Петербурга по экономическим показателям
- •Линейная модель.
- •Степенная модель.
- •1.3. Оценка благосостояния населения Санкт-Петербурга по общим показателям
- •Заключение
- •Библиография
- •Приложение а
- •Приложение б
- •Приложение в
Линейная модель.
Таблица 6. Расчет суммы квадратов остатков
, руб. |
, руб. |
|
|
|
1178,8 |
1147,9 |
1185,882 |
7,081877 |
50,15297759 |
1838 |
1687,3 |
1712,807 |
-125,193 |
15673,24396 |
2583,5 |
2511,5 |
2517,946 |
-65,5541 |
4297,340092 |
3468 |
3695,3 |
3674,368 |
206,3682 |
42587,81618 |
4572,2 |
5434,7 |
5373,541 |
801,3411 |
642147,4834 |
6851,2 |
6467,5 |
6382,455 |
-468,745 |
219721,418 |
8855,1 |
8156,5 |
8032,394 |
-822,706 |
676845,1879 |
10030,4 |
10680,3 |
10497,83 |
467,4261 |
218487,1233 |
39377,2 |
39781 |
|
|
1819809,766 |
Степенная модель.
Рассмотрим степенную модель вида . Линеаризовав данное уравнение, получим систему линейных нормальных уравнений, решив которую получим оценки коэффициентовиуравнения степенной модели по МНК. В результате имеем значения коэффициентов:.
Следовательно, уравнение регрессии имеет вид:
.
Найдем сумму квадратов остатков для данной модели:
Таблица 7. Расчет суммы квадратов остатков
|
|
|
1192,927 |
14,1267206 |
199,5642 |
1731,137 |
-106,86348 |
11419,8 |
2542,845 |
-40,654796 |
1652,812 |
3693,614 |
225,613787 |
50901,58 |
5362,888 |
790,688217 |
625187,9 |
6345,172 |
-506,02755 |
256063,9 |
7940,636 |
-914,46418 |
836244,7 |
10304,72 |
274,318647 |
75250,72 |
|
ESS= |
1856921 |
Модель с квадратным корнем.
Рассмотрим модель вида . Используя систему линейных нормальных уравнений, находим оценки параметров модели:.
Следовательно, уравнение регрессии имеет вид:
.
Найдем сумму квадратов остатков для данной модели:
Таблица 8. Расчет суммы квадратов остатков
-
578,3555
-600,4445
360533,596
1530,569
-307,4307
94513,6413
2726,527
143,0271
20456,7576
4138,967
670,9669
450196,569
5850,105
1277,905
1633041,09
6736,721
-114,4787
13105,3652
8045,745
-809,3548
655055,199
9770,216
-260,1844
67695,9464
39377,21
3294598,16
Вывод: Сумма квадратов остатков равна:
для линейной модели – 1819809,766;
для степенной модели – 1856921;
для модели с квадратным корнем – 3294598,16.
Наименьшей из них является сумма квадратов остатков для линейной модели. Следовательно, из рассмотренных моделей она наилучшим образом аппроксимирует исходные статистические данные.
Рассчитаем средний коэффициент эластичности для каждой из трех моделей:
Линейная модель:
.
Средний коэффициент эластичности равен
.
Степенная модель:
.
Средний коэффициент эластичности равен
.
Модель с квадратным корнем:
.
Средний коэффициент эластичности равен
.
Вывод. Найдены средние коэффициенты эластичности, наибольшим из них является средний коэффициент эластичности для линейной модели. Следовательно, из рассмотренных моделей она наилучшим образом отражает влияние на.
Оценим с помощью средней ошибки аппроксимации качество уравнений, используя следующую формулу:
.
В таблице 9 приведены расчеты средней ошибки аппроксимации.
Таблица 9. Расчет средней ошибки аппроксимации
Линейная |
Степенная |
С квадратным корнем |
|
|
|
0,0060077 |
0,011984 |
0,509369 |
-0,068113616 |
0,058141 |
0,167264 |
-0,025374144 |
0,015736 |
0,055362 |
0,059506389 |
0,065056 |
0,193474 |
0,17526378 |
0,172934 |
0,279495 |
-0,06841787 |
0,07386 |
0,016709 |
-0,092907592 |
0,10327 |
0,0914 |
0,046600939 |
0,027349 |
0,02594 |
0,032565586 |
0,528329 |
1,339012 |
Тогда мы получим следующие значения средней ошибки аппроксимации для построенных моделей:
Линейная модель A=0,41% |
Степенная модель A=6,60% |
Модель с квадратным корнем A=16,74% |
Вывод. Средняя ошибка аппроксимации намного меньше для линейной модели. Следовательно, линейная модель наилучшим образом приближает имеющиеся статистические данные. Так как А=0,41% , то данная модель хорошо аппроксимирует данные.
Проведем тест Гольдфельда – Куандта для проверки гипотезы о гомоскедастичности остатков. На основе следующей таблицы (табл.10) составим статистику .
Таблица 10. Расчеты средней ошибки аппроксимации.
, руб. |
, руб. |
|
|
|
|
|
|
1178,8 |
1147,9 |
1147,9 |
1,01972 |
49,38858 |
1219,924597 |
-41,1246 |
1691,232469 |
1838 |
1687,3 |
1687,3 |
|
|
1769,961295 |
68,0387 |
4629,26532 |
2583,5 |
2511,5 |
2511,5 |
|
|
2610,414108 |
-26,9141 |
724,3691928 |
3468 |
3695,3 |
|
|
|
|
|
7044,86698 |
4572,2 |
5434,7 |
|
|
|
|
|
|
6851,2 |
6467,5 |
6467,5 |
0,732079 |
2403,987 |
7138,705868 |
-287,506 |
82659,62396 |
8855,1 |
8156,5 |
8156,5 |
|
|
8375,186885 |
479,9131 |
230316,5979 |
10030,4 |
10680,3 |
10680,3 |
|
|
10222,80725 |
-192,407 |
37020,54878 |
|
|
|
|
|
|
= |
349996,7706 |
Вывод: Значение статистика меньше табличного значения, следовательно, модель гомоскедастична.
Далее проведем тест Дарбина-Уотсона на наличие автокорреляции. Рассчитаем статистику DW, используя данные табл.11.:
Таблица 11. Расчеты статистики Дарбина-Уотсона
, руб. |
,руб. |
|
|
|
(e-e) |
(e-e) |
1178,8 |
1147,9 |
1185,882 |
-7,08188 |
50,15297759 |
|
|
1838 |
1687,3 |
1712,807 |
125,1928 |
15673,24396 |
132,2747 |
17496,59727 |
2583,5 |
2511,5 |
2517,946 |
65,5541 |
4297,340092 |
-59,6387 |
3556,77771 |
3468 |
3695,3 |
3674,368 |
-206,368 |
42587,81618 |
-271,922 |
73941,71407 |
4572,2 |
5434,7 |
5373,541 |
-801,341 |
642147,4834 |
-594,973 |
353992,7472 |
6851,2 |
6467,5 |
6382,455 |
468,7445 |
219721,418 |
1270,086 |
1613117,344 |
8855,1 |
8156,5 |
8032,394 |
822,706 |
676845,1879 |
353,9615 |
125288,7456 |
10030,4 |
10680,3 |
10497,83 |
-467,426 |
218487,1233 |
-1290,13 |
1664440,777 |
39377,2 |
39781 |
|
-0,01969 |
1819809,766 |
|
3851834,703 |
По таблице критических точек распределения Дарбина – Уотсона для заданного уровня значимости , числа наблюденийи количества объясняющих переменныхопределим два значения:и.
Так как DW=2,116, то . Это говорит о том, что автокорреляция отсутствует.
Среднее значение фактора . Прогнозное значение средней заработной платы на этом уровне составит
.
Увеличение фактора на 5% даст значение . Тогда
.
В процентном отношении: . Итак, увеличение среднего значения фактора на 5% приведет к увеличению значения результата на 243 руб. или на 4,9%.
Таким образом, можно сделать вывод о том, что модель парной регрессии, которая отражает зависимость между среднемесячной заработной платой и среднедушевыми денежными доходами населения, наилучшим образом подходит для моделирования.