- •Компьютерный практикум
- •1. Типы роста и трендовые модели
- •2. Множественная регрессия
- •Independent variable list – независимые переменные )
- •3. Обобщенный регрессионный анализ
- •4. Регрессионные модели
- •5. Регрессионные модели
- •6. Авторегрессионные процессы и их модели
- •7. Адаптивные модели прогнозирования
- •Объем продаж новых автомобилей в сша, шт.
- •8. Прогнозирование сезонных колебаний
4. Регрессионные модели
с автокоррелированными остатками
Пример 7. Госпожа Арешникова В.В., руководитель компании «Преслава», собрала данные о месячных объемах продаж своей компании (, тыс. руб.) вместе с несколькими другими показателями, как она полагала, способными оказывать влияние на объем продаж. В качестве этих показателей ею были выбраны расходы на рекламу (, тыс. руб.) и индекс потребительских расходов (, %). Собранные госпожой Арешниковой В.В. данные представлены в табл. 33. Требуется оценить степень взаимосвязи между этими показателями, построив соответствующее линейное уравнение регрессии. Для построенного уравнения следует проверить гипотезу о наличии автокорреляции в остатках. В случае подтверждения этой гипотезы необходимо оценить параметры регрессии обобщенным МНК и получить прогнозную оценку объема продаж на следующий месяц при условии того, что расходы на рекламу составят 7,9 тыс. руб., а индекс потребительских расходов возрастет до 114,9 %.
Т а б л и ц а 33
1 |
252 |
4,0 |
97,9 |
10 |
734 |
14,6 |
109,2 |
2 |
274 |
5,8 |
98,4 |
11 |
642 |
10,2 |
110,1 |
3 |
296 |
4,6 |
101,2 |
12 |
614 |
8,5 |
110,7 |
4 |
382 |
6,7 |
103,5 |
13 |
662 |
6,2 |
110,3 |
5 |
548 |
8,7 |
104,1 |
14 |
690 |
8,4 |
111,8 |
6 |
740 |
8,2 |
107,0 |
15 |
728 |
8,1 |
112,3 |
7 |
764 |
9,7 |
107,4 |
16 |
768 |
6,9 |
112,9 |
8 |
790 |
12,7 |
108,5 |
17 |
791 |
7,5 |
113,1 |
9 |
734 |
13,5 |
108,3 |
18 |
832 |
7,7 |
113,4 |
Решение с помощью Excel
1. Ввод исходных данных с включением в модель дополнительной переменной , принимающей единственное значение, равное 1.
2. Нахождение вектора оценок коэффициентов регрессии с использованием матричных функций Excel (МУМНОЖ, ТРАНСП, МОБР)
.
3. Расчет остатков .
-
Вычисление разностей и оформление промежуточных результатов в виде табл. 34.
Т а б л и ц а 34
1 |
252 |
1 |
4 |
97,9 |
234,74 |
17,26 |
2 |
274 |
1 |
5,8 |
98,4 |
286,43 |
-12,43 |
3 |
296 |
1 |
4,6 |
101,2 |
346,93 |
-50,93 |
4 |
382 |
1 |
6,7 |
103,5 |
459,27 |
-77,27 |
5 |
548 |
1 |
8,7 |
104,1 |
518,06 |
29,94 |
6 |
740 |
1 |
8,2 |
107 |
595,80 |
144,20 |
7 |
764 |
1 |
9,7 |
107,4 |
638,37 |
125,63 |
8 |
790 |
1 |
12,7 |
108,5 |
732,62 |
57,38 |
9 |
734 |
1 |
13,5 |
108,3 |
742,80 |
-8,80 |
10 |
734 |
1 |
14,6 |
109,2 |
792,40 |
-58,40 |
11 |
642 |
1 |
10,2 |
110,1 |
730,35 |
-88,35 |
12 |
614 |
1 |
8,5 |
110,7 |
714,02 |
-100,02 |
13 |
662 |
1 |
6,2 |
110,3 |
655,21 |
6,79 |
14 |
690 |
1 |
8,4 |
111,8 |
745,33 |
-55,33 |
15 |
728 |
1 |
8,1 |
112,3 |
754,39 |
-26,39 |
16 |
768 |
1 |
6,9 |
112,9 |
748,21 |
19,79 |
17 |
791 |
1 |
7,5 |
113,1 |
766,46 |
24,54 |
18 |
832 |
1 |
7,7 |
113,4 |
779,61 |
52,39 |
-
Проверка гипотезы о наличии автокорреляции в остатках
5.1. Проверка гипотезы о наличии автокорреляции в остатках с использованием критерия Дарбина – Уотсона.
-
Вычисление и . Оформление результатов расчетов в виде табл. 35.
Т а б л и ц а 35
1 |
298,00 |
|
10 |
3411,10 |
2460,98 |
2 |
154,61 |
881,91 |
11 |
7806,06 |
896,84 |
3 |
2593,94 |
1481,98 |
12 |
10004,50 |
136,20 |
4 |
5970,72 |
693,78 |
13 |
46,17 |
11409,94 |
5 |
896,49 |
11494,40 |
14 |
3061,38 |
3859,45 |
6 |
20794,50 |
13055,69 |
15 |
696,56 |
837,36 |
7 |
15782,21 |
345,06 |
16 |
391,48 |
2132,44 |
8 |
3292,91 |
4657,16 |
17 |
602,38 |
22,63 |
9 |
77,38 |
4379,83 |
18 |
2744,81 |
775,49 |
|
Сумма |
78625,21 |
59521,14 |
5.1.2. Расчет статистики Дарбина – Уотсона
=59521,14 / 78625,21= 0,757.
Так как , т.е. , то существует положительная автокорреляция остатков.
-
Проверка гипотезы о наличии автокорреляции в остатках с использованием метода рядов.
Последовательное определение знаков отклонений позволяет получить следующие ряды:
(+) (– – –) (+ + + +) (– – – –) (+) (– –) ( + + +)
и сделать вывод о присутствии автокорреляции в остатках.
-
Проверка гипотезы о наличии автокорреляции в остатках с использованием графического представления зависимости остатков от времени (рис. 13).
Р и с. 13. График зависимости остатков от времени
Анализ построенного графика показывает, что изменение остатков подчиняется некоторой закономерности и можно сделать вывод о том, что они автокоррелированы.
Наличие автокорреляции означает, что , т.е. не выполняются предположения классического регрессионного анализа, и, следовательно, можно найти более эффективную оценку, чем .
6. Преобразование исходных данных.
6.1. Оценка параметра .
6.1.1. Вычисление и оформление результатов расчетов в виде табл. 36.
Т а б л и ц а 36
1 |
17,26 |
298,00 |
|
10 |
-58,40 |
3411,10 |
513,75 |
2 |
-12,43 |
154,61 |
-214,65 |
11 |
-88,35 |
7806,06 |
5160,16 |
3 |
-50,93 |
2593,94 |
633,29 |
12 |
-100,02 |
10004,50 |
8837,18 |
4 |
-77,27 |
5970,72 |
3935,44 |
13 |
6,79 |
46,17 |
-679,63 |
5 |
29,94 |
896,49 |
-2313,59 |
14 |
-55,33 |
3061,38 |
-375,95 |
6 |
144,20 |
20794,50 |
4317,65 |
15 |
-26,39 |
696,56 |
1460,29 |
7 |
125,63 |
15782,21 |
18115,83 |
16 |
19,79 |
391,48 |
-522,20 |
8 |
57,38 |
3292,91 |
7208,98 |
17 |
24,54 |
602,38 |
485,61 |
9 |
-8,80 |
77,38 |
-504,77 |
18 |
52,39 |
2744,81 |
1285,85 |
|
Сумма |
78625,21 |
47343,24 |
6.1.2. Вычисление коэффициента автокорреляции
= 47343,24 / 78625,21 = 0,6021.
6.2. Преобразование исходных данных и оформление результатов расчетов в виде табл. 37.
Т а б л и ц а 37
1 |
201,19 |
0,80 |
3,19 |
78,16 |
10 |
292,03 |
0,40 |
6,47 |
43,99 |
2 |
122,26 |
0,40 |
3,39 |
39,45 |
11 |
200,03 |
0,40 |
1,41 |
44,35 |
3 |
131,01 |
0,40 |
1,11 |
41,95 |
12 |
227,43 |
0,40 |
2,36 |
44,40 |
4 |
203,77 |
0,40 |
3,93 |
42,56 |
13 |
292,29 |
0,40 |
1,08 |
43,64 |
5 |
317,98 |
0,40 |
4,67 |
41,78 |
14 |
291,38 |
0,40 |
4,67 |
45,38 |
6 |
410,03 |
0,40 |
2,96 |
44,32 |
15 |
312,52 |
0,40 |
3,04 |
44,98 |
7 |
318,42 |
0,40 |
4,76 |
42,97 |
16 |
329,64 |
0,40 |
2,02 |
45,28 |
8 |
329,97 |
0,40 |
6,86 |
43,83 |
17 |
328,56 |
0,40 |
3,35 |
45,12 |
9 |
258,31 |
0,40 |
5,85 |
42,97 |
18 |
355,71 |
0,40 |
3,18 |
45,30 |
7. Оценка с помощью обычного МНК вектора коэффициентов регрессии с использованием матричных функций Excel (ТРАНСП, МОБР, МУМНОЖ)
.
8. Нахождение прогнозной оценки объема продаж на следующий период
при и с учетом того, что коррелированно с предыдущим значением в выборочном периоде
815,79+0,60 (832 – 796,96) = 836,89.
Задание 7. Аналитику Воронежского филиала энергетической компании было поручено разработать новые тарифы на электроэнергию, для чего ему потребовалось составить прогноз расходов населения на электроэнергию на следующий период. С этой целью он решил исследовать две потенциально независимые переменные: цена на электроэнергию для физических лиц (коп. за кВт/ч, ) и потребление электроэнергии населением (кВт/ч, ). Ему удалось собрать данные по этим показателям за 20 периодов (см. табл. 38).
Т а б л и ц а 38
1 |
28,95 |
1,33 |
7803 |
11 |
113,60 |
2,74 |
10863 |
2 |
41,70 |
1,58 |
8109 |
12 |
127,80 |
2,65 |
11679 |
3 |
51,30 |
1,92 |
8874 |
13 |
136,95 |
3,15 |
11679 |
4 |
70,05 |
1,96 |
9333 |
14 |
142,20 |
3,25 |
12087 |
5 |
66,75 |
1,98 |
9139 |
15 |
152,25 |
3,25 |
12648 |
6 |
81,45 |
2,05 |
10047 |
16 |
154,05 |
3,85 |
13005 |
7 |
77,40 |
2,16 |
9730 |
17 |
153,23 |
3,97 |
13056 |
8 |
97,80 |
2,34 |
10302 |
18 |
181,60 |
3,97 |
14433 |
9 |
107,70 |
2,56 |
10557 |
19 |
186,30 |
4,13 |
14535 |
10 |
111,90 |
2,62 |
10812 |
20 |
195,40 |
4,35 |
14851 |
Когда аналитик делал доклад на комиссии по тарифам, ему бы задан вопрос: «Так как данные представляют временной ряд, то не будут ли Ваши расчеты искажены автокоррелированностью остатков?». Ответьте на этот вопрос и рассчитайте прогнозную оценку расходов населения на электроэнергию на следующий период при условии того, что цена на электроэнергию составит 4,34 коп. за кВТ/ч, а потребление электроэнергии – 14905кВт.