UP_Vved_v_ekonometriku_-_N_Novgorod_2010
.pdfВеличины ei признаются случайными, если выполняются следующие
условия (при 5% уровне значимости): |
|
|
|
||
Kmax < 3,3(log n 1) и 1 |
|
|
|
|
|
2 |
(n 1 1,96 |
n 1 |
(5.6) |
||
|
|
|
|
|
Здесь квадратные скобки означают целую часть.
Если хотя бы одно из неравенств нарушается, то гипотеза о случайном характере отклонений отвергается.
II. Проверка равенства математического ожидания случайной
компоненты нулю ( M ( |
i |
) 0 |
i 1,n ) |
|
||
|
|
|
|
|
|
|
Из применения МНК вытекает: |
|
|||||
n |
|
n |
|
|
|
|
(Yi Yi ) ei 0, т.е. e 0 |
(5.7) |
|||||
i 1 |
|
i 1 |
|
|
|
|
Это условие выполнимо для линейных моделей и нелинейных относительно факторных переменных, которые заменой переменных можно привести к линейному виду. Для моделей, нелинейных по оцениваемым параметрам и приводимых к линейному виду логарифмированием, средняя ошибка равна нулю для логарифмов исходных данных.
В тоже время из условия (5.7) не обязательно должно следовать условие равенства нулю математического ожидания величин i ,i 1,n ). Поэтому необходима проверка выполнимости этого условия.
Формулируется нулевая гипотеза H |
0 |
: |
|
e |
|
0 |
. Строится t статистика: |
|||||||||
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
te |
|
e 0 |
|
|
|
(ei e )2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
Se |
i 1 |
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Se |
, где |
|
|
n 1 |
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
На уровне значимости гипотеза отклоняется, если t расч t ,n 1 ..
III. Проверка независимости (отсутствия автокорреляции) в ряду остатков.
Корреляционная зависимость между рядом наблюдений и тем же рядом, сдвинутым на несколько шагов по времени, называется автокорреляцией.
Длину временного смещения называют лагом. Так как большое распространение имеют модели с лагом, равным одному году, то в некоторых работах автокорреляция определяется как корреляционная зависимость между соседними значениями уровней временного ряда.
Автокорреляция в остатках является нарушением условий ГауссаМаркова о независимости остатков. В этом случае cov(i , j ) 0, i, j 1,n , что
затрудняет применение классических методов анализа временных рядов, снижает эффективность применения МНК. Поэтому выработаны и применяются специальные статистические приемы для ее выявления
(критерий Дарбина — Уотсона, тест серий, тест Лююинга-Бокса и др)12 ,
смягчения и устранения.
12 Кремер Н.Ш.,Путко Б.А. Эконометрика. М.- Юнити, 2003, с.170
51
Критерий Дарбина-Уотсона (d-критерий).
Это наиболее распространенный и простой критерий (тест), выявляющий определяющий только автокорреляцию первого порядка, т.е. между рядами, сдвинутыми на одно значение (лаг=1). Он основан на простой идее: если имеется корреляция ошибок i , то она присутствует и в остатках ei ,
получающихся после применения МНК.
|
n |
|
|
|
|
|
(ei ei 1)2 |
|
|
||
Рассчитывается статистика d : d |
i 2 |
|
. |
(5.8) |
|
n |
2 |
|
|||
|
|
|
|
||
|
ei |
|
|
|
|
|
i 1 |
|
|
|
|
Несложные вычисления позволяют проверить, что |
d 2(1 ) ,где |
- |
выборочный парный коэффициент корреляции между соседними уровнями ряда. Если автокорреляция отсутствует, то =0, следовательно, d 2 . В случае функциональной зависимости =1, а d 0 . Таким образом, интервал изменения d : 0 d 4 .
Близость статистики d к 4 свидетельствует об отрицательной автокорреляции остатков. Такая закономерность поведения последовательных может встретиться при работе, например с полугодовыми данными показателей с сезонным характером изменений. Близость d к нулю означает наличие положительной автокорреляции.4
Имеются таблицы критических точек распределения Дарбина – Уотсона (таблица 15). По ней для заданного уровня статистической значимости , числа наблюдений n и количества факторных переменных определяются два
значения: d1 –нижняя граница и d2 - |
верхняя граница. Расчетная величина d |
||||||
сравнивается с двумя этими значениями. Возможны следующие случаи: |
|||||||
|
0 d d1 – существует положительная автокорреляция; |
|
|||||
|
d1 d d2 |
– |
область |
неопределенности |
и |
необходимы |
|
дополнительные проверки на независимость ряда остатков; |
|
|
|||||
|
d2 d 2– автокорреляция отсутствует; |
|
|
||||
Если d 2 , то вводим величину |
d * 4 d и осуществляем для нее такую же |
||||||
проверку как для d . при этом, |
если 0 d * d , то существует отрицательная |
1
автокорреляция.
На практике иногда пользуются следующим правилом: если расчетное значение статистики попадает в интервал (1,5–2,5), то считают, что автокорреляция отсутствует. При использовании данного критерия необходимо учитывать следующие ограничения:
d -критерий применим только для моделей со свободным членом;
d -критерий выявляет только автокорреляцию первого порядка
d -критерий не применим для моделей, включающих в качестве факторной переменной зависимую переменную с одним лагом (т.е. для авторегрессионных моделей).
52
Тест Бреуша-Годфри
Тест основан на следующей идее: если имеется корреляция между соседними наблюдениями, то естественно ожидать, что в уравнении
t t 1 t , t 1,n |
(5.9) |
коэффициент окажется значимо отличающимся от нуля.
При практическом выполнении теста оцениваем параметры (5.9) по МНК и проверяем статистическую значимость .
Нетрудно показать, что в случае гомоскедастичности дисперсий , параметр совпадает с парным коэффициентом корреляции между t и
Этот тест может быть обобщен на случай включения в уравнение (5.9) остатков с лагами 2, 3 и т.д., что позволяет выявить корреляцию не только между соседними уровнями, но и более отдаленными
IV. Проверка ряда остатков на нормальность распределения.
Для проверки статистической значимости параметров и прогнозирования по трендовой модели, ряд остатков должен подчиняться нормальному закону распределения. Существует целый ряд тестов и критериев проверки выполнимости данного предположения (с помощью исследования показателей асимметрии и эксцесса; метода Вестергарда, RS–критерия и пр.).
RS–критерий.
|
По выборке рассчитывается статистика RS: RS |
(Emax Emin ) |
,здесь |
||||||||
|
S |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
ei2 |
|
|
|
E |
max |
(e ) , E |
min |
(e ) , |
S 2 |
i 1 |
. |
|
|
||
|
|
|
|||||||||
max |
|
i |
min |
i |
|
n 1 |
|
|
|||
|
|
i |
|
|
i |
|
|
|
|
Имеются теоретические таблицы критических значений величины RS., рассчитанные для различных доверительных вероятностей в зависимости от
числа переменных n.(таблица 16) Если расчетное значение RS попадает между табулированными значениями a и b , т. е. a RS b при выбранном уровне доверия, то принимается гипотеза о соответствии ряда остатков нормальному закону распределения, в противном случае эта гипотеза отвергается.
5.6. Прогнозирование на основе трендовой модели
Прогнозирование на основе трендовых моделей основано на идее экстраполяции, т.е. предполагаем, что закономерности, связи, относящиеся к прошлому сохраняться в будущем. По трендовой модели строится упреждающий точечный и интервальный прогноз. Так, если длина временного ряда n , то для прогнозирования выбирается t n 1 или t n 2.
Прогнозировать на большее число шагов не рекомендуется из-за увеличивающейся расплывчатости прогноза.
Для нахождения точечного прогноза подставляем t n 1 или |
t n 2 в |
||
|
|
|
|
уравнение тренда: Y (n 1) a b (n 1) |
. Очевидно, что |
точное |
совпадение |
фактических данных в будущем и |
прогностических |
точечных оценок |
53
маловероятно. Поэтому точечный прогноз должен сопровождаться интервальным прогнозом. Рассмотрим случай линейного тренда.
Для нахождения интервального прогноза строим доверительный интервал для условного среднего значения изучаемого показателя в точке t n 1 :
|
|
t S |
|
|
M (Y |
|
|
|
|
t S |
|
|
|
||||||||
Y |
|
|
|
|
) Y |
|
, здесь |
|
|
||||||||||||
n 1 |
|
|
|
Y |
|
|
|
|
|
|
|
n 1 |
|
n 1 |
|
Y |
|
|
|
||
|
|
|
|
n 1 |
|
|
|
|
|
|
|
|
|
|
n 1 |
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
(n 1))2 |
|
|
|
|
|
|
|
|
|
||||||
2 |
|
|
(t |
|
|
|
|
|
|
|
|
||||||||||
SY |
= Se2 |
|
|
|
|
|
|
|
|
|
|
- |
|
дисперсия условного |
среднего |
изучаемого |
|||||
|
(ti |
|
|
|
|
2 |
|
||||||||||||||
n 1 |
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
t ) |
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
показателя |
в |
точке |
t n 1, |
а |
t |
теоретическое |
значение |
статистики |
|||||||||||||
Стьюдента, |
выбранное |
с |
|
уровнем |
статистической значимости и числом |
||||||||||||||||
степеней свободы |
|
(n 2) |
по таблицам распределения Стьюдента. |
Увеличение |
неопределенности прогнозируемого процесса с ростом периода упреждения проявляется в постоянном расширении доверительного интервала. Результаты прогноза должны быть проанализированы с содержательной точки зрения.
54
6. Примеры построения эконометрических моделей.
6.1. Модель парной регрессии
Пример. Построить эконометрическую модель зависимости объема выпуска продукции Y от изменений затрат основных фондов X. Статистические данные приведены в следующей таблице
Y |
10 |
12 |
15 |
18 |
20 |
22 |
25 |
28 |
30 |
X |
2 |
5 |
8 |
12 |
14 |
16 |
20 |
24 |
28 |
1.Построение модели
Предположим, что между исследуемыми показателями существует линейная зависимость: Y X . Оценим параметры этой модели на основе метода наименьших квадратов. Уравнение оцененной модели:
ˆ
Y a b X
Таблица 7.
Таблица для расчета параметров и характеристик модели.
N |
X |
Y |
X2 |
XY |
Y |
е |
(Y Y )2 |
(Y Y )2 |
e2 |
( X X )2 |
точ- |
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ность. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
2 |
10 |
4 |
20 |
10,02 |
-0,02 |
100 |
99,6 |
0,00 |
169 |
|
0,21 |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
2 |
5 |
12 |
25 |
60 |
12,32 |
-0,32 |
64 |
|
58,92 |
0,11 |
100 |
|
2,70 |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
3 |
8 |
15 |
64 |
120 |
14,63 |
0,37 |
25 |
|
28,87 |
0,15 |
49 |
|
2,49 |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
4 |
12 |
18 |
144 |
216 |
17,7 |
0,3 |
4 |
|
5,3 |
|
0,10 |
9 |
|
|
1,68 |
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
5 |
15 |
20 |
225 |
300 |
20 |
0 |
0 |
|
0,00 |
0,00 |
0 |
|
|
0,00 |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
6 |
18 |
22 |
324 |
396 |
22,3 |
-0,3 |
4 |
|
5, 3 |
0,08 |
9 |
|
|
1,38 |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
7 |
22 |
25 |
484 |
550 |
25,37 |
-0,37 |
25 |
|
28,87 |
0,13 |
49 |
|
1,49 |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
8 |
25 |
28 |
625 |
700 |
27,68 |
0,32 |
64 |
|
58,92 |
0,12 |
100 |
|
1,16 |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
9 |
28 |
30 |
784 |
840 |
29,98 |
0,02 |
100 |
99,57 |
0,00 |
169 |
|
0,07 |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
135 |
180 |
2679 |
3202 |
180 |
0,0 |
386 |
385,33 |
0,67 |
654 |
|
11,18 |
|||||
TSS |
ESS |
RSS |
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||
ср. |
15 |
20 |
297,67 |
355,78 |
20 |
|
|
|
|
|
|
|
|
|
|
|
1,24 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Запишем систему нормальных уравнений и найдем ее решение.
a 15 b 20
15 a 297,67 b 355,78
|
|
|
|
|
|
|
|
|
|
|
|
|
b |
|
XY |
X |
Y |
|
|
355,78 15 20 |
0,7676 ; |
||||
|
|
|
|
|
|
|
|
|
297,67 225 |
|||
X 2 |
( |
|
|
)2 |
||||||||
|
|
|
|
|
||||||||
|
|
X |
|
|
a 20 0,7676 15 8,486
Получили следующее уравнение модели: Y 8,486+0,7676 X.
2. Проверка качества уравнения регрессионной модели
а). Проверка статистической значимости параметров модели.
Так как модель построена на основе выборочных данных, необходима
55
проверка статистической значимости параметров модели.
Для параметра b:
S 2 |
|
|
Se2 |
|
|
0,096 |
0,00015 ; где |
S 2 |
– остаточная |
|||||||||||||
n |
|
|
|
|
||||||||||||||||||
b |
|
|
|
|
|
|
654 |
|
|
|
e |
|
|
|
|
|
|
|
|
|
||
|
|
(xi x )2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
дисперсия: S 2 |
|
|
ei2 |
0,67 |
|
0,096 |
|
|
|
|
|
b |
|
|
0,7676 |
|
||||||
|
|
|
|
|
|
|
|
|||||||||||||||
|
i 1 |
|
|
t |
|
|
|
|
|
|||||||||||||
|
|
1 1 |
b |
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
e |
|
n |
m 1 |
9 |
|
|
|
Sb |
|
0,00015 |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
Для параметра a:
оценочная
63,32
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
xi2 |
|
2679 |
|
|
|
8, 49 |
|
|
|
S 2 |
S 2 |
|
i 1 |
0,00015 |
0,044 ; |
t |
|
|
40, 43 |
|||
|
|
|
|
|
|
|||||||
a |
b |
|
n |
9 |
|
a |
0,044 |
|
|
|||
|
|
|
|
|
|
|
|
|||||
Теоретическое значение статистики Стьюдента |
|
t =2,365 при =0,05 и |
||||||||||
числе степеней свободы n 2 9 2 7 9 (см. приложение - таблицу 12) . |
||||||||||||
Так как tрасч tb , и tрасч ta оба параметра уравнения модели признаются |
||||||||||||
статистически значимыми с вероятностью 95%. |
|
|
|
|
|
|
||||||
Статистическая значимость параметра b |
подтверждает наличие связи |
между объемом выпуска и затратами основных фондов. Построим доверительный интервал для параметра b :
|
|
|
|
|
|
|
|
|
0,7676 2,365 0,00015 M (b) 0,7676 2,365 0,00015 , или |
||||||||
|
|
|
|
0,739 M (b) 0,796 |
||||
б). Проверка общего качества. |
||||||||
Для проверки общего качества рассчитывается коэффициент |
||||||||
детерминации R2 |
ESS |
= |
385,33 |
0,99826 |
||||
TSS |
|
|||||||
|
386 |
|
|
|
Значение R2 свидетельствует о сильной связи между Y и X и при условии статистической значимости коэффициента корреляции R обеспечивает
адекватность модели. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
Проверим |
|
коэффициент корреляции R= R |
|
R2 |
|
на статистическую |
|||||||||||||||||||
значимость. |
Найдем |
|
расчетное |
|
|
значение |
статистики |
Стьюдента: |
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
1 R2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
t |
|
|
|
|
R |
|
|
, где |
S |
|
|
|
, тогда t |
|
|
0,99826 |
9 2 |
|
|
|
0,99826 7 |
|
63,3 , |
|||||||
R |
|
|
R |
|
R |
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
SR |
|
|
n 2 |
|
|
|
|
1 0,99826 |
|
1 0,99826 |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
что больше табличного значения t=2,365 (для =0,05) |
|
|
|
|
|
|
|
|||||||||||||||||||||||
|
|
|
|
|
Следовательно, коэффициент |
корреляции |
является |
статистически |
значимым, а так как он характеризует сильную связь факторной переменной X и результативного показателя Y , модель можно считать адекватной.
в). Точность модели
Точность модели определяется на основе средней относительной ошибки
1 |
n |
e |
|
|
||
аппроксимации: |
|
i 1 |
|
i |
|
=1,24%< 10%. |
n |
|
yi |
|
56
Так как средняя относительная ошибка аппроксимации менее 10%, точность модели признается хорошей.
Проведенный анализ качества модели свидетельствует о том, что построена адекватная, надежная и точная модель.
3.Прогнозирование на основе построенной модели
Выберем для исследования значение основных фондов X=20. Для нахождения точечного прогноза подставим X=20 в уравнение модели
Y(20)=8,49+0,77 20=23,89;
Найдем интервал разброса средних значений объема выпуска при выбранном объеме основных средств X=20.
Для этого сначала рассчитаем выборочную дисперсию Y в точке X=20.
|
|
|
|
|
|
|
|
|
|
)2 |
|
|
|
|
(20 15)2 |
||
|
S 2 |
|
1 |
|
( X |
0 |
X |
|
|
1 |
|
||||||
S 2 |
( |
|
|
|
|
|
|
|
|
) = 0,096 ( |
|
|
|
) 0,011. |
|||
|
n |
|
|
|
|
|
|
|
|
|
|||||||
Y ( X0 ) |
e |
|
n |
|
|
|
|
|
|
|
|
|
9 |
|
654 |
|
|
|
|
|
|
( X i X ) |
2 |
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
Построим доверительный интервал (уровень доверия 95%) для среднего значения Y при X0=20:
23,89 2,365 0,11 M (YX ( X0 20) 23,89 2,365 0,11
Следовательно, ожидаемое значение объема выпуска при затратах основных фондов в 20 единиц с вероятностью 95% будет находиться в интервале: 23,1 M (YX ( X0 20)) 24,67
6.2. Модель множественной регрессии
Пример. Имеются статистические данные о приращении прибыли (Y) по 7 предприятиям отрасли в зависимости от инвестиционных вложений в оборотные средства ( X1) и основной капитал ( X 2 ). Проанализировать
зависимость приращения прибыли от этих показателей. Исходные данные приведены в таблице
Y |
50 |
120 |
290 |
190 |
200 |
300 |
320 |
X1 |
30 |
66 |
78 |
110 |
130 |
190 |
250 |
X2 |
6 |
10 |
20 |
15 |
16 |
18 |
20 |
1. Построение модели
Рассмотрим двухфакторную линейную модель:
Y 0 1 X1 2 X 2 . Оценим ее параметры на основе МНК.
ˆ |
a0 |
a1 X1 a2 X 2 . |
Оцененное уравнение модели запишется: Y |
Система нормальных уравнений для модели множественной регрессии:
|
|
a0 |
|
= ( X T X ) 1 |
|
|
( X T X ) A X T Y . откуда |
A |
a |
|
( X T |
Y ) . |
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
a2 |
|
|
|
|
57
|
|
|
|
|
|
1 |
30 |
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
66 |
10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
78 20 |
|
|
|
|
|
1 1 1 |
1 |
1 |
1 |
|
1 |
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Введем |
|
матрицу |
X: .X= 1 |
110 |
15 |
|
; |
|
X T |
|
30 |
66 |
78 |
110 130 |
190 |
250 |
|
; |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
130 |
16 |
|
|
|
|
|
6 |
|
10 |
20 |
15 |
16 |
18 |
|
20 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
190 |
18 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
250 |
20 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
тогда |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
30 |
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
66 |
10 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
1 |
1 |
1 |
1 |
1 |
1 |
1 |
|
|
1 |
78 |
20 |
|
|
7 |
854 |
|
105 |
|
|
|
|
||
X T X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
30 |
66 |
78 |
110 |
130 |
190 |
250 |
|
· |
1 |
110 |
15 |
= |
854 |
138940 14550 |
; |
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
6 |
10 |
20 |
15 |
16 |
18 |
20 |
|
|
1 |
130 |
16 |
|
|
105 |
14550 |
1741 |
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
190 |
18 |
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
1 |
250 |
20 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1470 X T Y 215940
25150
Запишем систему нормальных уравнений:
|
7a0 854a1 |
105a2 |
1470, |
||||
|
|||||||
|
|
138940a |
14550a |
215940, |
|||
854a |
|||||||
|
0 |
|
1 |
|
|
2 |
|
105a |
14550a |
|
1741a |
25150. |
|||
|
|
||||||
|
|
0 |
1 |
|
2 |
|
|
|
1,5734 |
0,002 |
0,1127 |
|
Найдем матрицу (X T X ) 1 = |
|
0,002 |
0,00006 |
0,0006 |
|
|
|
|
|
|
|
|
|
0,1127 |
0,0006 |
0,0127 |
|
|
|
|
|
|
|
61, 36 |
|
Тогда A (X T X ) 1 (X T |
Y ) = |
|
0, 249 |
|
|
|
|
|
|
|
|
|
16, 07 |
|
|
|
|
|
Уравнение модели: Y 61,36 0, 25 X1 16,07 X2 .
2. Проверка качества модели.
Сформируем вспомогательную таблицу (табл. 8) для расчета характеристик модели.
a). Проверка общего качества модели.
|
Найдем коэффициент детерминации R 2 . |
R2 |
ESS |
|
|
58912,52 |
0,969 . |
|||||||
|
TSS |
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
60800 |
|
||
|
Рассчитаем |
скорректированный |
коэффициент |
детерминации: |
||||||||||
R |
2 =1 |
n 1 |
(1 R2 ) =1 |
7 1 |
(1 0,969) 0,95 |
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|||||||
kor |
|
n k 1 |
|
7 2 1 |
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
58
Оба коэффициента детерминации свидетельствуют о сильной связи между факторными переменными и результативным показателем.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Таблица 8 |
|
Таблица для расчета параметров и характеристик модели. |
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
точ- |
|
|
|
Y |
|
|
|
X1 |
|
|
X2 |
Y |
|
|
(Y Y )2 |
(Y Y )2 |
|
e |
|
ность. |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
50 |
|
|
|
|
30 |
|
|
6 |
|
42,51 |
25600 |
28053,27 |
|
56,12 |
|
14,98 |
||||||||||
2 |
|
120 |
|
|
|
|
66 |
|
|
10 |
115,73 |
8100 |
8886,12 |
|
18,20 |
|
3,56 |
|||||||||||
3 |
|
290 |
|
|
|
|
78 |
|
|
20 |
279,40 |
6400 |
4816,57 |
|
112,33 |
|
3,65 |
|||||||||||
4 |
|
190 |
|
|
|
110 |
|
|
15 |
207,02 |
400 |
8,90 |
|
289,55 |
|
8,96 |
||||||||||||
5 |
|
200 |
|
|
|
130 |
|
|
16 |
228,06 |
100 |
326,08 |
|
787,23 |
|
14,03 |
||||||||||||
6 |
|
300 |
|
|
|
190 |
|
|
18 |
275,11 |
8100 |
4239,73 |
|
619,35 |
|
8,30 |
||||||||||||
7 |
|
320 |
|
|
|
250 |
|
|
20 |
322,17 |
12100 |
12581,85 |
|
4,70 |
|
0,68 |
||||||||||||
|
|
1470 |
|
|
|
854 |
|
|
105 |
1470 |
TSS= |
ESS= |
|
RSS= |
|
54,15 |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
60800 |
58912,52 |
|
1887,48 |
|
||||||
Средние |
|
210,00 |
122,00 |
15,00 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
7,74% |
|||||||||
Проверим |
|
статистическую значимость R2 (т.е. уравнения в целом) на |
||||||||||||||||||||||||||
основе критерия Фишера. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
Рассчитаем статистику Фишера: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
S 2 |
ESS |
|
|
n k 1 |
|
58912,52 |
|
|
7 2 1 |
|
|
|
|
|
|
|
|
|||||||||
F |
R |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
62,42 |
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
Se2 |
RSS |
|
|
k |
|
|
|
1887,48 |
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
Табличное значение статистики Fтабл ( =0,05;2,4))=6,94.(таблица 13) Так как расчетное значение статистики F много больше критического значения F, то модель признается адекватной и надежной с вероятностью. 95%.
b). Проверка статистической значимости параметров модели.
Найдем стандартные ошибки в вычислении параметров модели:
S2 |
|
S2 |
Z |
a |
a |
, где |
|
Z |
a |
a |
|
– |
диагональный элемент матрицы ( X T X ) 1 , |
|||
a |
j |
e |
|
j |
|
|
j |
|
|
|
||||||
|
|
|
j |
|
|
|
|
j |
|
|
|
|
||||
соответствующий параметру a j . |
||||||||||||||||
|
|
S 2e |
|
|
|
RSS |
|
|
1877,48 |
|
471,87 (табл.8) |
|||||
|
|
|
n k 1 |
|
||||||||||||
|
|
|
|
|
|
|
|
|
4 |
|
|
|
||||
|
|
S |
2a |
471,87 0,00006 0,0286 S2a 471,87 0,001268 5,982 |
||||||||||||
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
2 |
Для проверки значимости параметров найдем статистики Стьюдента:
ta |
0, 249 |
1, 47 |
ta |
|
|
16,068 |
6,57 |
||
|
|
|
|
||||||
1 |
0,0286 |
|
|
2 |
5,982 |
|
Теоретическое значение статистики Стьюдента t(n m 1 4; 0,05) 2,776 .
Для коэффициента a1 расчетное значение статистики меньше теоретического, поэтому нельзя отвергнуть гипотезу о его равенстве нулю и признать его статистически значимым. Коэффициент a2 является статистически значимым,
так как ta2 t (4;0,05)
в). Точность модели
Для характеристики точности рассчитывается средняя относительная
59
|
1 |
n |
|
ei |
|
|
|
|
ошибка аппроксимации |
|
|
|
|
|
100=7,74%. (см. таблицу 8).Эта величина |
||
|
|
|
||||||
n |
|
|
Y |
|
|
|||
|
|
i 1 |
|
i |
|
|
|
не превосходит 10%, поэтому можно считать точность модели хорошей.
3. Анализ влияния факторных переменных на результативный
показатель.
1. Рассчитаем коэффициенты эластичности :
E F |
|
x1 |
|
a |
x1 |
|
0,249 |
122 |
|
0,14 ; |
||||||||
|
|
|
|
|
|
|||||||||||||
1 |
x1 |
|
|
y |
1 |
|
y |
|
210 |
|
|
|
||||||
|
|
|
|
|
|
|
|
|
||||||||||
E |
F |
|
x2 |
a |
x2 |
16,07 |
15 |
|
1,15 |
|||||||||
|
|
|
|
|
||||||||||||||
2 |
|
x2 |
|
|
y |
|
2 |
|
y |
|
210 |
|
||||||
|
|
|
|
|
|
|
|
|
Это означает, что при увеличении вложений в оборотный капитал на 1% (фактор X1 ) и неизменной величине вложений в основной капитал прибыль
предприятий возрастет на 0,14%. При увеличении вложений в основной капитал (фактор X 2 ) на 1% прибыль возрастет на 1,15%, те инвестиционные
вложения в основной капитал более значимы для предприятий.
Рассчитаем – коэффициенты. Для этого найдем среднеквадратичные отклонения для факторных переменных и результативного показателя.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 19848,57 1222 |
|
|
|
|
|
|
|
|
|
|
||||||||||||
S2 |
|
X |
2 ( X |
1 |
) |
4964,57 ; |
|
S |
X |
|
|
70,46; |
|
|||||||||||||||||||||||||
X |
1 |
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
( |
|
|
|
2 248,71 152 23,71; |
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
SX2 |
|
X |
|
2 |
|
|
|
SX |
|
|
4,87; |
|
||||||||||||||||||||||||||
2 |
2 |
X 2 ) |
|
|
|
2 |
|
|
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
( |
|
|
2 52785,71 2102 8685,71 |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
S2 |
|
Y 2 |
|
|
; |
|
|
|
|
|
|
|
93,2 |
|
||||||||||||||||||||||||
|
Y ) |
|
|
|
|
S |
|
|
|
|||||||||||||||||||||||||||||
Y |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Y |
|
|
|
|
|
|
|
|
|
a1 S X |
1 |
|
|
0,249 70,46 |
0,19 ; |
|
|
|
|
|
a2 SX |
2 |
|
16,07 4,87 |
0,84 |
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
||||||||||||||||
1 |
|
|
|
|
|
SY |
|
|
|
|
|
|
|
|
93,2 |
|
|
|
|
|
|
|
SY |
|
|
|
93,2 |
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
Рассчитаем коэффициенты: j |
rYX j |
j |
|
2 . |
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
R |
|
|
|
|
|
|
|
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Для этого найдем коэффициенты парной корреляции:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
R |
|
|
YX1 Y |
X1 |
|
|
|
30848,57 210 122 |
0,796 |
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
Y ,X1 |
|
|
|
|
|
SY SX1 |
|
|
|
|
93,2 70,46 |
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
2 |
|
3592,86 210 |
15 |
0,976 |
|||||||||||||||
R |
|
|
YX 2 |
Y |
X |
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
Y ,X 2 |
|
|
|
|
SY |
SX 2 |
|
|
|
|
93,2 4,87 |
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
Тогда |
|
|
0,796 0,19 |
|
0,154 ; |
|
|
0,976 0,84 |
0,846 |
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
||||||||||||||
|
1 |
|
0,969 |
|
|
|
|
|
|
|
|
|
|
|
0,969 |
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Это означает, что на 84,6% приращения прибыли предприятий можно объяснить вложениями в основной капитал и только на 15,4% дополнительными вложениями в оборотный капитал.
6.3. Модель тренда (кривой роста)
Пример. Имеются статистические данные об объемах выпуска продукции Y (млн. руб.) в некоторой отрасли за несколько лет (табл. 9).
60