- •Економіко-математичне моделювання
- •Модуль 1
- •Модуль 2
- •Тематика лекцій
- •Модуль 1 Лабораторна робота №1
- •Теоретичні відомості
- •1. Для визначення яких величин повинна бути побудована модель?
- •Контрольні питання:
- •Лабораторна робота №2 “Графічний метод розв’язання злп” (4 години)
- •Теоретичні відомості
- •Контрольні питання:
- •5. Що називається лінією рівня та за якими даними вона будується?
- •(4 Години)
- •Варіанти завдань:
- •Варіанти завдань:
- •Теоретичні відомості
- •Контрольні питання:
- •Побудова двоїстих задач та їх економічний зміст” (2 години)
- •Теоретичні відомості
- •Лабораторна робота №5
- •Симплексних таблицях, розв’язання оптимізаційної задачі в електронних таблицях Excel” (2 години)
- •Модуль 2 Лабораторна робота №7
- •Теоретичні відомості
- •Завдання
- •Варіанти завдань:
- •Завдання:
- •Завдання:
- •Контрольні питання:
- •Лабораторна робота №10
- •Хід роботи:
- •Теоретичні відомості:
- •Контрольні питання:
- •Лабораторна робота №11
- •Завдання:
- •Контрольні питання:
- •Лабораторна робота №12
- •(2 Години)
- •Теоретичні відомості
- •Контрольні питання:
Теоретичні відомості:
1. Лінійна проста регресія є окремим випадком лінійної множинної регресії, коли k = 2. У цьому випадку в рівняння регресії, крім вільного члена а0, якому відповідає допоміжна змінна х0 (регресор) = 1, входить тільки одна дійсно пояснююча змінна, а саме, х1 з регресійним коефіцієнтом а1.
у = а0 х0+а1х1+еt
2. Множинна регресія складається із двох простих регресій. При цьому:
а) перша регресія описується рівнянням, за умови відсутності х2 –
у = а0 х0+а1х1+еt.
б) друга проста регресія отримується, якщо відсутня х1 –
у = а0 х0+а2х2+еt.
Таким чином, трактування коефіцієнтів регресії зводиться до опису зміни залежної змінної – регресанда “у” під впливом регресора “х0” (незалежної змінної) при зафіксованих значеннях інших змінних “хk”.
118
3. Діаграма розсіювання є зображення спостережень у площині даних змінних :
Y
0 х
4. Процедуру побудови множинної регресії розглянемо на прикладі регресії з двома пояснюючими змінними. Функція лінійної множинної регресії
в цьому випадку має вид:
yˆ a0
a1x1
a2x2
(1)
Завдання полягає в оцінці параметрів регресії за результатами вибіркових спостережень над змінними, включеними в аналіз. Для цієї мети застосовуємо метод найменших квадратів. Поставимо умову, відповідно до якого регресія повинна по можливості добре узгоджуватися з емпіричними даними. Тому висунемо вимогу, по якому сума квадратів відхилень усіх значень, що спостерігаються, залежної змінної від значень, обчислених по рівнянню регресії (тобто сума квадратів залишків), повинна бути мінімальна. Отже, повинне
виконуватися вимога:
S(a 0
, a1 , a 2 )
n
( yi
i 1
yˆ i )
2
n
ei
2
i 1
min ,
Підставляючи замість yi вираз (1), одержимо:
S(a 0
,a1 , a 2 )
n
(yi a 0
i 1
a1x1
a 2 x 2 )
2
min
S є функцією від невідомих параметрів регресії. Необхідною умовою виконання служить обернення в нуль часткових похідних функції S (а0,а1,а2) по кожному з параметрів а0,а1,а2. Після відповідних алгебраїчних викладень одержуємо наступну систему нормальних рівнянь:
na 0
a1 x1
a 2 x 2 y
2
119
a 0 x1
a 0 x 2
a1 x1
a1 x1 x 2
a 2 x1 x 2
a x 2
2 2
x1 y
x 2 y
Розв’язавши дану систему рівнянь можна отримати значення коефіцієнтів: а0, а1, а2.
5. На практиці крім звичайних оцінених регресійних коефіцієнтів
оцінюються і інтерпретуються стандартизовані регресійні коефіцієнти. Вони відомі також під назвою "бета-коефіцієнти".
Оцінені значення стандартизованих регресійних коефіцієнтів можна
обчислити за наступною формулою, яка одночасно може бути визначенням:
ˆ s aˆ x i
i
i
y
де aˆ i – 1МНК-оцінка регресійного коефіцієнта аі;
δхі - емпіричне стандартне (середньоквадратичне) відхилення і-го регресора хі.
δy - емпіричне стандартне (середньоквадратичне) відхилення регресанда
у.
Емпіричне стандартне відхилення допоміжної змінної х0 для вільного
члена дорівнює нулю, то
ˆ s = 0. Це означає, що немає сенсу розрахувати
0
стандартизований вільний член.
Як інтерпретується стандартизований регресійний коефіцієнт? Перш за все передбачають, що емпіричні стандартизовані відхилення δхі і δy є типовими
(характерними) змінами досліджуваних змінних. Тоді добуток
aˆ i δхі виражає
типовий ефект впливу і-го регресора на регресанд. Чи буде цей ефект великим або малим, залежить від величини типової зміни регресанда.
6. Інтерпретація. Емпіричний стандартизований регресійний коефіцієнт вказує на те, наскільки є великим за інших рівних умов оцінюваний типовий
ефект впливу і-го регресора в порівнянні з типовим ефектом зміни регресанда.
Чим більша величина
ˆ s , тим більш значущим при інших рівних умовах є і-й
k
120
регресор. Стандартизовані регресійні коефіцієнти визначаються при оцінці параметрів тоді, коли замість звичайних рядів спостережень використовуються
стандартизовані ряди, наприклад, s
x
i
(xi
x ) /
xi замість xі.
7. Визначення коефіцієнтів еластичності.
При інтерпретації регресійних коефіцієнтів беруть до уваги одиниці виміру регресанда і регресорів. Для виявлення ступеню впливу регресора на регресанд без враховування одиниць виміру, крім регресійного коефіцієнта, можуть бути обчислені коефіцієнти еластичності (коротко: еластичність).
Еластичність регресанда yt відносно регресора хtk дорівнює:
y x i (y
є
i
0;i
1,...., n)
x i y
де у* і х* , - значення регресанда і і-го регресора, що визначають точку регресійної функції, для якої обчислюють коефіцієнт еластичності.
і
Еластичність є безрозмірним показником. Безрозмірність еластичності k
є перевагою: вона полегшує інтерпретацію.
В лінійному регресійному рівнянні часткова похідна ду/дхі дорівнює регресійному коефіцієнту аі. В цьому випадку істинна еластичність
обчислюється: єi
a x i
i y
. Оцінена еластичність €k інтерпретується таким
чином. Якщо за інших рівних умов і-й регресор зміниться на один відсоток, то регресанд внаслідок цього зміниться на €і відсотків. Еластичність повністю формулюється так: "оцінена еластичність у відносно хі (наприклад, оцінена еластичність попиту відносно доходів або оцінена еластичність товарообігу
відносно торгової площі).