- •4. Оцените качество модели через коэффициент детерминации, среднюю ошибку аппроксимации и f-критерий Фишера.
- •Проверка условия гомоскедастичности случайной составляющей (возмущения).
- •3. Оценка качества построенной модели.
- •1) Оценка адекватности
- •4. Оценка точности модели.
- •5. Построение точечного и интервального прогноза.
- •Список литературы
Федеральное агенство по образованию
ГОУ ВПО
ВСЕРОССИЙСКИЙ ЗАОЧНЫЙ ФИНАНСОВО-ЭКОНОМИЧЕСКИЙ ИНСТИТУТ
Факультет Финансы и кредит
Специальность Бакалавр экономики
Контрольная работа
по дисциплине
«Эконометрика»
Вариант №6
Выполнила:
Студентка Лапоухова Н. А.
Курс III (второе высшее)
Группа 21 БЭ
Личное дело № 11 ФЛД 60586
Преподаватель: Проф. Горбатков С.А.
Уфа – 2012 г.
Содержание
стр.
Задача 1………………………………………………………………….3-20
Задача 2………………………………………………………………...21-28
Список литературы……………………………………………………….29
Задача 1. Эконометрическое моделирование стоимости квартир в Московской области.
Рассчитайте матрицу парных коэффициентов корреляции; оцените статистическую значимость коэффициентов корреляции Y с Х.
Постройте поле корреляции результативного признака и наиболее тесно связанного с ним фактора.
Рассчитайте параметры линейной парной регрессии для фактора Х, наиболее тесно связанного c Y.
Оцените качество модели через коэффициент детерминации, среднюю ошибку аппроксимации и F-критерий Фишера.
По модели осуществите прогнозирование среднего значения показателя Y при уровне значимости α = 0,1, если прогнозное значение фактора Х составит 80% от его максимального значения. Представьте графически фактические и модельные значения, точки прогноза.
Используя пошаговую множественную регрессию (метод исключения или метод включения), постройте модель формирования цены квартиры на основе только значимых факторов. Дайте экономическую интерпретацию коэффициентов модели регрессии.
Оцените качество построенной модели. Улучшилось ли качество модели по сравнению с однофакторной моделью? Дайте оценку влияния значимых факторов на результат с помощью коэффициентов эластичности, β- и ∆-коэффициентов.
Таблица 1. Исходные данные
-
Номер наблюдения
Y - цена квартиры (тыс. долл.)
X3 - общая площадь квартиры (кв.м)
Х5 - этаж квартиры
Х6 - площадь кухни (кв.м)
41
38
41,9
12
9,5
42
62,2
69
9
10
43
125
67
11
8
44
61,1
58,1
10
10,6
45
67
32
2
6
46
93
57,2
1
11,3
47
118
107
2
13
48
132
81
8
11
49
92,5
89,9
9
12
50
105
75
8
12
51
42
36
8
8
52
125
72,9
16
9
53
170
90
3
8,5
54
38
29
3
7
55
130,5
108
1
9,8
56
85
60
3
12
57
98
80
3
7
58
128
104
4
13
59
85
85
8
13
60
160
70
2
10
61
60
60
4
13
62
41
35
10
10
63
90
75
5
12
64
83
69,5
1
7
65
45
32,8
3
5,8
66
39
32
3
6,5
67
86,9
97
10
14
68
40
32,8
2
12
69
80
71,3
2
10
70
227
147
2
20,5
71
235
150
9
18
72
40
34
8
11
73
67
47
1
12
74
123
81
9
7,5
75
100
57
6
7,5
76
105
80
3
12
77
70,3
58,1
10
10,6
78
82
81,1
5
10
79
280
155
5
21
80
200
108,4
4
10
РЕШЕНИЕ:
1. Для расчета матрицы парных коэффициентов корреляции используем инструмент Корреляция (Анализ данных в Excel):
выберем команду Сервис Анализ данных Корреляция ОК;
в диалоговом окне Корреляция в поле Входной интервал введем диапазон ячеек, содержащих исходные данные. Так как введены заголовки столбцов, то установим флажок Метки в первой строке;
выберем в качестве параметра вывода Новый рабочий лист и нажмем ОК.
В результате получим матрицу парных коэффициентов корреляции (табл.2).
Таблица 2. Матрица парных коэффициентов корреляции
|
Y |
X3 |
X5 |
X6 |
Y |
1 |
|
|
|
X3 |
0,892 |
1 |
|
|
X5 |
-0,071 |
-0,026 |
1 |
|
X6 |
0,616 |
0,727 |
0,008 |
1 |
Анализ матрицы коэффициентов парной корреляции (табл. 2) показывает, что зависимая переменная (Y) - цена квартиры, имеет:
с общей площадью квартиры - прямую, тесную связь =0,892), т.к. , :[0,7-0,9];
с этажом квартиры – связь обратная, слабая (связи практически нет, = - 0,071) , т.к. , :[0-0,3];
с площадью кухни - связь умеренная =0,616), т.к. , :[0,5-0,7].
2. Строим поле корреляции результативного признака (цена квартиры) и наиболее тесно связанного с ним фактора (общая площадь квартиры), используя Мастер диаграмм в Excel, тип диаграммы – точечная (рис.1).
Рис.1 Поле корреляции
3. Для расчета параметров линейной парной регрессии для фактора Х, наиболее тесно связанного c Y проведем регрессионный анализ, выполняя следующие действия:
выберем команду Сервис Анализ данных Регрессия ОК;
в диалоговом окне Регрессия в поле Входной интервал Y введем адрес диапазона ячеек, который представляет зависимую переменную. В поле Входной интервал Х введем адрес диапазона ячеек, которые содержат значения независимых переменных, в нашем случае это будет Х3 . Так как введены заголовки столбцов, то установим флажок Метки в первой строке;
выберем в качестве параметра вывода Новый рабочий лист;
В поле Остатки поставим флажок и нажмем ОК.
Результат регрессионного анализа представлен в табл.3,4,5,6.
Вывод итогов для однофакторной модели регрессии:
Таблица 3. Регрессионная статистика
-
Множественный R
0,892
R-квадрат
0,796
Нормированный R-квадрат
0,791
Стандартная ошибка
26,207
Наблюдения
40
Таблица 4. Дисперсионный анализ
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
1 |
101909,516 |
101909,516 |
148,377 |
1,082∙10-14 |
Остаток |
38 |
26099,478 |
686,828 |
|
|
Итого |
39 |
128008,994 |
|
|
|
Таблица 5.
Переменная |
Коэффи-циенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
|
Y-пересечение |
а0 |
-14,888 |
10,395 |
-1,432 |
0,16 |
-35,932 |
6,155 |
X3 |
а3 |
1,592 |
0,131 |
12,181 |
0 |
1,328 |
1,857 |
Во втором столбец таблицы 5 содержатся коэффициенты уравнения регрессии а0, а3.
Уравнение линейной модели для фактора х3 имеет вид:
ŷ =-14,888+1,592х3
Таблица 6. Вывод остатка
-
Наблюдение
Yi
Предсказанное Y
Остатки ei=yi-ŷi
1
38
51,833
-13,833
0,364
2
62,2
94,987
-32,787
0,527
3
125
91,803
33,198
0,266
4
61,1
77,630
-16,53
0,271
5
67
36,069
30,932
0,462
6
93
76,197
16,803
0,181
7
118
155,499
-37,499
0,318
8
132
114,096
17,904
0,136
9
92,5
128,269
-35,769
0,387
10
105
104,542
0,459
0,004
11
42
42,438
-0,438
0,010
12
125
101,198
23,802
0,190
13
170
128,428
41,572
0,245
14
38
31,291
6,709
0,177
15
130,5
157,091
-26,591
0,204
16
85
80,656
4,344
0,051
17
98
112,504
-14,504
0,148
18
128
150,721
-22,721
0,178
19
85
120,466
-35,466
0,417
20
160
96,580
63,420
0,396
21
60
80,656
-20,656
0,344
22
41
40,846
0,154
0,004
23
90
104,542
-14,542
0,162
24
83
95,784
-12,784
0,154
25
45
37,342
7,658
0,170
26
39
36,069
2,932
0,075
27
86,9
139,575
-52,675
0,606
28
40
37,342
2,658
0,066
29
80
98,650
-18,65
0,233
30
227
219,195
7,805
0,034
31
235
223,972
11,028
0,047
32
40
39,253
0,747
0,019
33
67
59,955
7,045
0,105
34
123
114,096
8,904
0,072
35
100
75,879
24,121
0,241
36
105
112,504
-7,504
0,071
37
70,3
77,630
-7,330
0,104
38
82
114,255
-32,255
0,393
39
280
231,934
48,066
0,172
40
200
157,728
42,272
0,211
Ʃ=4049,5
Ʃ=4049,5
Ʃ=0,000
Ʃ=8,216
4. Оцените качество модели через коэффициент детерминации, среднюю ошибку аппроксимации и f-критерий Фишера.
Значение коэффициента детерминации находим в табл.3 «Регрессионная статистика».
Коэффициент детерминации по формуле определяется следующим образом:
Вывод: Вариация результата Y (цена квартиры) на 79,6% объясняется вариацией фактора х3 (общая площадь квартиры).
Оценку значимости уравнения регрессии проведем с помощью F-критерия Фишера (табл. 4 «Дисперсионный анализ»):
Fтабл (; k1; k2)= Fтабл ( = 0,05 ; k1=m=1, k2=n-m-1=38)= 4,098
Вывод: Уравнение регрессии с вероятностью 0,95 в целом статистически значимое, т.к. Fрасч.>Fтабл..
Оценку точности модели проведем на основе использования средней относительной ошибки аппроксимации Еотн.(табл.6 «Вывод остатка»).
Вывод: Т.к. допустимый предел не ˃ 8-15%, то в нашем случае Еотн=20,5% - модель считается неточной. В среднем расчетные значения для линейной модели отличаются от фактических значений на 20,5%.
5. По модели осуществите прогнозирование среднего значения показателя Y при уровне значимости α = 0,1, если прогнозное значение фактора Х составит 80% от его максимального значения. Представьте графически фактические и модельные значения, точки прогноза.
Максимальное значение фактора х3:
хmax=155 кв.м
хпрогн=155·0,8=124 кв.м
Используя уравнение модели: ŷ = -14,888+1,592х3, получаем:
ŷпрогн= -14,888+1,592·124=182,520 тыс.долл.
Точечный прогноз: (124; 182,520).
Средняя квадратическая ошибка прогноза определяется по формуле:
- стандартная ошибка отклонений:
Стандартная ошибка отклонений для фактора х3 находится в таблице 3 «Регрессионная статистика». В таблице 7 приведены данные для расчета средней квадратической ошибки прогноза.
Таблица 7. Данные для расчета
№ |
|
|
№ |
|
|
|
1 |
41,9 |
962,551 |
21 |
60 |
167,056 |
|
2 |
69 |
15,406 |
22 |
35 |
1438,306 |
|
3 |
67 |
35,106 |
23 |
75 |
4,306 |
|
4 |
58,1 |
219,781 |
24 |
69,5 |
11,731 |
|
5 |
32 |
1674,856 |
25 |
32,8 |
1610,016 |
|
6 |
57,2 |
247,276 |
26 |
32 |
1674,856 |
|
7 |
107 |
1161,106 |
27 |
97 |
579,606 |
|
8 |
81 |
65,206 |
28 |
32,8 |
1610,016 |
|
9 |
89,9 |
288,151 |
29 |
71,3 |
2,641 |
|
10 |
75 |
4,306 |
30 |
147 |
5487,106 |
|
11 |
36 |
1363,456 |
31 |
150 |
5940,556 |
|
12 |
72,9 |
0,001 |
32 |
34 |
1515,156 |
|
13 |
90 |
291,556 |
33 |
47 |
672,106 |
|
14 |
29 |
1929,406 |
34 |
81 |
65,206 |
|
15 |
108 |
1230,256 |
35 |
57 |
253,606 |
|
16 |
60 |
167,056 |
36 |
80 |
50,056 |
|
17 |
80 |
50,056 |
37 |
58,1 |
219,781 |
|
18 |
104 |
965,656 |
38 |
81,1 |
66,831 |
|
19 |
85 |
145,806 |
39 |
155 |
6736,306 |
|
20 |
70 |
8,556 |
40 |
108,4 |
1258,476 |
|
|
72,925 |
Ʃ=40189,255 |
Интервальный прогноз:
Верхняя граница:
Нижняя граница:
Интервальный прогноз (136,392; 228,648).
На рис.2 представлены фактические и модельные значения, точки прогноза.
Рис.2 Прогнозирование
6. Используя пошаговую множественную регрессию (метод исключения или метод включения), постройте модель формирования цены квартиры на основе только значимых факторов. Дайте экономическую интерпретацию коэффициентов модели регрессии.
Данные для построения множественной модели регрессии приведены в таблице 1 «Исходные данные».
Построение множественной модели регрессии проведем аналогичным образом с помощью инструмента Регрессия в Excel:
выберем команду Сервис Анализ данных Регрессия ОК;
в диалоговом окне Регрессия в поле Входной интервал Y введем адрес диапазона ячеек, который представляет зависимую переменную. В поле Входной интервал Х введем адреса диапазонов ячеек, которые содержат значения независимых переменных, в данном случае это будут все независимые переменные. Так как введены заголовки столбцов, то установим флажок Метки в первой строке;
выберем в качестве параметра вывода Новый рабочий лист;
В поле Остатки поставим флажок и нажмем ОК.
Результат регрессионного анализа представлен в таблицах 8,9,10.
Вывод итогов для множественной модели регрессии:
Таблица 8. Регрессионная статистика
Множественный R |
0,895 |
|
|||||
R-квадрат |
0,801 |
|
|||||
Нормированный R-квадрат |
0,784 |
|
|||||
Стандартная ошибка |
26,634 |
|
|||||
Наблюдения |
40 |
|
|||||
Таблица 9. Дисперсионный анализ |
|||||||
|
df |
SS |
MS |
F |
Значимость F |
||
Регрессия |
3 |
102471,813 |
34157,271 |
48,152 |
1,1E-12 |
||
Остаток |
36 |
25537,181 |
709,366 |
|
|
||
Итого |
39 |
128008,994 |
|
|
|
Таблица10.
Переменная |
Коэффи-циенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
|
Y-пересе-чение |
а0 |
-4,997 |
15,471 |
-0,323 |
0,749 |
-36,373 |
26,379 |
X3 |
а3 |
1,676 |
0,194 |
8,654 |
2,55E-10 |
1,283 |
2,069 |
Х5 |
а5 |
-0,708 |
1,138 |
-0,622 |
0,538 |
-3,015 |
1,599 |
Х6 |
а6 |
-1,117 |
1,825 |
-0,612 |
0,545 |
-4,818 |
2,585 |
Линейное уравнение трёхфакторной модели регрессии имеет вид:
ŷ = -4,997+1,672х3 -0,708х5 - 1,117х6
Факторы считаются значимыми, если параметры при них значимы, при определённом значении α.
Проверяем значимость коэффициентов парной корреляции по критерию Стьюдента. Расчетные значения критерия Стьюдента приведены в таблице 10- t-статистика.
Табличное значение критерия Стьюдента:
tтабл(α; n-m-1)= tтабл(0,05; 36)= 2,028.
для параметра а3 = 8,654, > tтабл - параметр а3 при факторе х3 значим;
для параметра а5 = - 0,622, < tтабл - параметр а5 при факторе х5 не значим, фактор х5 надо исключить из модели;
для параметра а6 = - 0,612, < tтабл - параметр а6 при факторе х6 не значим, фактор х6 надо исключить из модели.
В модель включаем фактор х3. Параметры линейной парной регрессии для фактора х3 (общая площадь квартиры, кв.м) рассмотрены ранее и приведены в таблицах 3, 4, 5, 6.
Уравнение линейной парной регрессии для фактора х3 имеет вид:
ŷ = -14,888+1,592х3 – если фактор х3 (общая площадь квартиры) увеличится на 1 кв. м, то цена квартиры увеличится на 1,592 тыс. долл.
7. Оцените качество построенной модели. Улучшилось ли качество модели по сравнению с однофакторной моделью? Дайте оценку влияния значимых факторов на результат с помощью коэффициентов эластичности, β- и ∆-коэффициентов.
Качество построенной модели оцениваем по выполнению предпосылок метода наименьших квадратов (МНК).
Остатки должны удовлетворять 5 предпосылкам МНК:
Проверку случайности уровней ряда остатков проведем на основе критерия поворотных точек. Точка считается поворотной, если она больше предшествующей и последующей (или меньше).
Е2= - 32,787 - является поворотной точкой, т.к. -13,833˃-32,787˂33,197;
Е3= 33,197 – является поворотной точкой, т.к. -32,787˂33,197˃-16,530;
Е4= -16,530 – является поворотной точкой, т.к. 33,197˃-16,530˂30,932;
Е5= 30,932 – является поворотной точкой, т.к. -16,530˂30,932˃16,803;
Е6= 16,803 – не является поворотной точкой, т.к. 30,932˃16,803˃-37,499;
Е7= -37,499– является поворотной точкой, т.к. 16,803˃-37,499˂17,904;
Е8= 17,904 – является поворотной точкой, т.к. -37,799˂17,904˃-35,769;
Е9= -35,769 - является поворотной точкой, т.к. 17,904˃-35,769˂0,458;
Е10= 0,458 – является поворотной точкой, т.к. -35,769˂0,458˃-0,438;
Е11= -0,438 – является поворотной точкой, т.к. 0,458˃-0,438˂23,802;
Е12= 23,802– не является поворотной точкой, т.к. -0,438˂23,802˂41,572;
Е13= 41,572 –является поворотной точкой, т.к. 23,802˂41,572˃6,709;
Е14= 6,709 – не является поворотной точкой, т.к. 41,572˃6,709˃-26,591;
Е15= -26,591 – является поворотной точкой, т.к. 6,709˃-26,591˂4,344;
Е16= 4,344 - является поворотной точкой, т.к. -26,591˂4,344˃-14,504;
Е17= -14,504 – не является поворотной точкой, т.к. 4,344˃-14,504˃-22,721;
Е18= -22,721 – не является поворотной точкой, т.к. -14,504˃-22,721˃ -35,466;
Е19= -35,466 – является поворотной точкой, т.к. -22,721˃-35,466˂63,420;
Е20= 63,420 – является поворотной точкой, т.к. -35,466˂63,420˃-20,656;
Е21= -20,656 – является поворотной точкой, т.к. 63,420˃-20,656˂0,154;
Е22= 0,154 – является поворотной точкой, т.к. -20,656˂0,154˃-14,542;
Е23= -14,542 – является поворотной точкой, т.к. 0,154˃-14,542˂-12,784;
Е24= -12,784 – не является поворотной точкой, т.к. -14,542˂-12,784˂7,658;
Е25= 7,658 – является поворотной точкой, т.к. -12,784˂7,658˃ -2,932;
Е26= 2,932 – не является поворотной точкой, т.к. 7,658˃2,932˃-52,675;
Е27= -52,675 –является поворотной точкой, т.к. 2,932˃-52,675˂2,658;
Е28= 2,658 – является поворотной точкой, т.к. -52,675˂2,658˃-18,650;
Е29= -18,650 – является поворотной точкой, т.к. 2,658˃-18,650˂7,805;
Е30= 7,805 – не является поворотной точкой, т.к. -18,650˂7,805˂11,028;
Е31= 11,028 – является поворотной точкой, т.к. 7,805˂11,028˃0,747;
Е32= 0,747 – является поворотной точкой, т.к. 11,028˃0,747˂7,045;
Е33= 7,045 – не является поворотной точкой, т.к. 0,747˂7,045˂8,904;
Е34= 8,904 – не является поворотной точкой, т.к. 7,045˂8,904˂24,121;
Е35= 24,121 – является поворотной точкой, т.к. 8,904˂24,121˃-7,504;
Е36= -7,504 – является поворотной точкой, т.к. 24,121˃-7,504˂-7,330;
Е37= -7,330 - является поворотной точкой, т.к. -7,504˂-7,330˃-32,255;
Е38= -32,255 – является поворотной точкой, т.к. -7,330˃-32,255˂48,066;
Е39= 48,066– является поворотной точкой, т.к. -32,255˂48,066˃ 42,272;
Таким образом, количество поворотных точек (р) на нашем графике остатков (рис.3) при n=40 равно 28 (табл. 11):
р˃[ (n-2)-1,96 ]=[20,225]=20
Неравенство выполняется (28˃20). Следовательно, свойство случайности выполняется. Модель по этому критерию адекватна.
Данные для расчета предпосылок МНК приведены в таблице 11.
Рис.3 График остатков
Таблица 11. Данные для расчета предпосылок МНК
|
|||||||||
t |
yt |
|
et |
p |
|
|
|
|
|
1 |
38 |
51,833 |
-13,833 |
|
191,352 |
|
13,833 |
0,364 |
380,250 |
2 |
62,2 |
94,987 |
-32,787 |
1 |
1074,987 |
359,254 |
32,787 |
0,527 |
342,250 |
3 |
125 |
91,803 |
33,197 |
1 |
1102,041 |
4353,888 |
33,197 |
0,266 |
306,250 |
4 |
61,1 |
77,63 |
-16,530 |
1 |
273,241 |
2472,775 |
16,53 |
0,271 |
272,250 |
5 |
67 |
36,069 |
30,931 |
1 |
956,727 |
2252,547 |
30,931 |
0,462 |
240,250 |
6 |
93 |
76,197 |
16,803 |
0 |
282,341 |
199,600 |
16,803 |
0,181 |
210,250 |
7 |
118 |
155,499 |
-37,499 |
1 |
1406,175 |
2948,707 |
37,499 |
0,318 |
182,250 |
8 |
132 |
114,096 |
17,904 |
1 |
320,553 |
3069,492 |
17,904 |
0,136 |
156,250 |
9 |
92,5 |
128,269 |
-35,769 |
1 |
1279,421 |
2880,791 |
35,769 |
0,387 |
132,250 |
10 |
105 |
104,542 |
0,458 |
1 |
0,210 |
1312,396 |
0,458 |
0,004 |
110,250 |
11 |
42 |
42,438 |
-0,438 |
1 |
0,192 |
0,803 |
0,438 |
0,010 |
90,250 |
12 |
125 |
101,198 |
23,802 |
0 |
566,535 |
587,578 |
23,802 |
0,190 |
72,250 |
13 |
170 |
128,428 |
41,572 |
1 |
1728,231 |
315,773 |
41,572 |
0,245 |
56,250 |
14 |
38 |
31,291 |
6,709 |
0 |
45,011 |
1215,429 |
6,709 |
0,177 |
42,250 |
15 |
130,5 |
157,091 |
-26,591 |
1 |
707,081 |
1108,890 |
26,591 |
0,204 |
30,250 |
16 |
85 |
80,656 |
4,344 |
1 |
18,870 |
956,974 |
4,344 |
0,051 |
20,250 |
17 |
98 |
112,504 |
-14,504 |
0 |
210,366 |
355,247 |
14,504 |
0,148 |
12,250 |
18 |
128 |
150,721 |
-22,721 |
0 |
516,244 |
67,519 |
22,721 |
0,178 |
6,250 |
19 |
85 |
120,466 |
-35,466 |
1 |
1257,837 |
162,435 |
35,466 |
0,417 |
2,250 |
20 |
160 |
96,58 |
63,420 |
1 |
4022,096 |
9778,441 |
63,42 |
0,396 |
0,250 |
21 |
60 |
80,656 |
-20,656 |
1 |
426,670 |
7068,774 |
20,656 |
0,344 |
0,250 |
22 |
41 |
40,846 |
0,154 |
1 |
0,024 |
433,056 |
0,154 |
0,004 |
2,250 |
23 |
90 |
104,542 |
-14,542 |
1 |
211,470 |
215,972 |
14,542 |
0,162 |
6,250 |
24 |
83 |
95,784 |
-12,784 |
0 |
163,431 |
3,091 |
12,784 |
0,154 |
12,250 |
25 |
45 |
37,342 |
7,658 |
1 |
58,645 |
417,875 |
7,658 |
0,170 |
20,250 |
26 |
39 |
36,069 |
2,931 |
0 |
8,591 |
22,345 |
2,931 |
0,075 |
30,250 |
27 |
86,9 |
139,575 |
-52,675 |
1 |
2774,656 |
3092,027 |
52,675 |
0,606 |
42,250 |
28 |
40 |
37,342 |
2,658 |
1 |
7,065 |
3061,741 |
2,658 |
0,066 |
56,250 |
29 |
80 |
98,65 |
-18,650 |
1 |
347,823 |
454,031 |
18,65 |
0,233 |
72,250 |
30 |
227 |
219,195 |
7,805 |
0 |
60,918 |
699,867 |
7,805 |
0,034 |
90,250 |
31 |
235 |
223,972 |
11,028 |
1 |
121,617 |
10,388 |
11,028 |
0,047 |
110,250 |
32 |
40 |
39,253 |
0,747 |
1 |
0,558 |
105,699 |
0,747 |
0,019 |
132,250 |
33 |
67 |
59,955 |
7,045 |
0 |
49,632 |
39,665 |
7,045 |
0,105 |
156,250 |
34 |
123 |
114,096 |
8,904 |
0 |
79,281 |
3,456 |
8,904 |
0,072 |
182,250 |
35 |
100 |
75,879 |
24,121 |
1 |
581,823 |
231,557 |
24,121 |
0,241 |
210,250 |
36 |
105 |
112,504 |
-7,504 |
1 |
56,310 |
1000,141 |
7,504 |
0,071 |
240,250 |
37 |
70,3 |
77,63 |
-7,330 |
1 |
53,729 |
0,030 |
7,33 |
0,104 |
272,250 |
38 |
82 |
114,255 |
-32,255 |
1 |
1040,385 |
621,256 |
32,255 |
0,393 |
306,250 |
39 |
280 |
231,934 |
48,066 |
1 |
2310,340 |
6451,463 |
48,066 |
0,172 |
342,250 |
40 |
200 |
157,728 |
42,272 |
|
1786,922 |
33,570 |
42,272 |
0,211 |
380,250 |
=20,5 |
t=101,238 |
|
|
|
|
|
|
|
|
Ʃ=820
|
Ʃ=4049,505 Ʃ=4049,505
|
Ʃ=0,005
|
Ʃ=28
|
Ʃ=26099,400
|
Ʃ=58364,542
|
Ʃ=805,063
|
Ʃ=8,216
|
Ʃ=5330,000
|
При проверке независимости (отсутствия автокорреляции) определяется отсутствие в ряде остатков систематической составляющей с помощью dw-критерия Дарбина-Уотсона по формуле:
Т.к. .dw ˃ 2, то перед сравнением с табличными данными dw-критерий следует преобразовать по формуле dw/ = 4 – dw = 4 - 2,236 = 1,764.
Теперь сравниваем с табличными значениями d1=1,44 и d2=1,54 и можно сделать вывод, о выполнении свойства независимости, т.к. d2˂ dw/ ˂ 2.
Это означает, что в ряде динамики не имеется автокорреляции, следовательно, модель по этому критерию адекватна.
Соответствие ряда остатков нормальному закону распределения определим с помощью RS-критерия:
RS=(emax-emin)/Sе, где
emax-максимальный уровень ряда остатков, emax=63,420;
emin-минимальный уровень ряда остатков, emin= -52,675;
Sе-среднеквадратичное отклонение:
RS=(63,420-(-52,675))/25,869=4,488
Расчетное значение попадает в интервал (3,67; 5,16) при n=40, α=0,05, следовательно, выполняется свойство нормальности распределения. Модель по этому критерию адекватна.
Проверка равенства нулю математического ожидания уровней ряда остатков, М(е)=0, =0.
В нашем случае =0 (определено с помощью встроенной функции Excel «СРЗНАЧ» в табл.11), поэтому гипотеза о равенстве математического ожидания значений остаточного ряда нулю выполняется.