Контрольная работа на тему Эконометрика 3
Работа добавлена на сайт bukvasha.net: 2014-11-06Поможем написать учебную работу
Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
от 25%
договор
Институт экономики и предпринимательства
(ИНЭП)Контрольная работа по дисциплине
«Эконометрика»
Вариант 1
Выполнил:
студент группы №
Проверил:
преподаватель ИНЭП,
кандидат технических наук
Ю.М. Давыдов
г. Лосино-Петровский
2008-2009 уч. год
1. Цель работы
Цель контрольной работы – демонстрация полученных теоретических знаний и приобретенных практических навыков по эконометрике – как синтезу экономической теории, экономической статистики и математики, в том числе исследование линейных моделей парной (ЛМПР) и множественной регрессии (ЛММР), трендовых моделей, методом наименьших квадратов (МНК).
Для проведения расчетов использовалось приложение к ПЭВМ типа EXCEL.
2. Исследование линейных моделей парной (ЛМПР) и
множественной регрессии (ЛММР) методом наименьших
квадратов (МНК).
2.1 Контрольная задача № 1
2.1.1. Исследуем зависимость производительности труда Y (т/ч) от уровня механизации Х (%).
Исходные данные для 14 однотипных предприятий приводятся в таблице 1:
Таблица 1
xi | 32 | 30 | 36 | 40 | 41 | 47 | 56 | 54 | 60 | 55 | 61 | 67 | 69 | 76 |
yi | 20 | 24 | 28 | 30 | 31 | 33 | 34 | 37 | 38 | 40 | 41 | 43 | 45 | 48 |
Y^ = X* A^ (1), где А^ – вектор-столбец параметров регрессии;
xi1 – предопределенные (объясняющие) переменные, n = 1;
ранг матрицы X = n + 1= 2 < k = 14 (2).
Исходные данные представляют в виде матриц.
( 1 32 ) (20 )
( 1 30) (24 )
( 1 36) (28 )
( 1 40 ) (30 )
(1 41 ) (31 )
( 1 47 ) (33)
X = (1 56) Y = (34 )
(1 54) (37 )
(1 60 ) (38 )
(1 55 ) (40 )
( 1 61 ) (41 )
( 1 67 ) (43)
(1 69 ) (45 )
( 1 76 ) (48 )
Значение параметров А^ = (а0, а1) T и s2 – нам неизвестны и их требуется определить (статистически оценить) методом наименьших квадратов.
Так как матрица Х, по условию, является прямоугольной, а обратную матрицу Х-1 можно рассчитать только для квадратной матрицы, то произведем небольшие преобразования матричного уравнения типаY = X *A, умножив левую и правую части на транспонированную матрицу Х Т.
Получим XT* X * A^ = X T * Y ,
откуда A^ = (XT * X ) –1 *( XT * Y) (3),
где (XT * X ) –1 - обратная матрица.
2.1.2. Решение.
а) Найдем транспонированную матрицу ХТ :
( 1 1 1 1 1 1 1 1 1 1 1 1 1 1 )
XT = ( 32 30 36 40 41 47 56 54 60 55 61 67 69 76 )
в) Находим произведение матриц XT *X :
( 14 724 )
XT * X = ( 724 40134)
г) Находим произведение матриц XT * Y:
( 492 )
XT * Y = ( 26907 )
д) Вычисляем обратную матрицу ( XT * X) –1 :
( 1,064562 -0,0192 )
( XT * X) –1 = (-0,0192 0,000371)
е) Умножаем обратную матрицу ( XT * X) –1 на произведение
матриц (XT *Y) и получаем вектор- столбец A^ = (a 0 , a 1)T :
( 7,0361 )
A^ = ( XT * X) –1 * (XT * Y) = ( 0,543501).
Уравнение парной регрессии имеет следующий вид:
уi^ = 7,0361 + 0,543501* xi1 (4).
уi^ (60) = 7,0361 + 0,543501*60 = 39, 646.
2.1.3 Оценка качества найденных параметров
Для оценки качества параметров Â применим коэффициент детерминации R2 . Величина R2 показывает, какая часть (доля) вариации зависимой переменной обусловлена объясняющей переменной. Чем ближе R2 к единице, тем лучше регрессия аппроксимирует экспериментальные данные.
Q = ∑(yi - y¯)2 (5) – общая сумма квадратов отклонений зависимой переменной от средней; QR = ∑(y^i - y¯)2 (6) – сумма квадратов, обусловленная регрессией; Qе = ∑(yi – y^i)2 (7) – остаточная сумма квадратов, характеризующая влияние неучтенных факторов; Q = QR + Qе (8).
Q = 847,714; QR = 795,453; Qе = 52,261.
Q = QR + Qе = 795,453 + 52,261 = 847,714.
R2 = QR / Q = 795,453 / 847,714 = 0,9383.
R2 = 1 – Qe / Q = 1 - 52,261 / 847,714 = 0, 9383.
В нашем примере коэффициент детерминации R2, очень высокий, что показывает на хорошее качество регрессионной модели (4).
2.2 Контрольная задача № 2
2.2.1. Исследуем зависимость урожайности зерновых Y от ряда переменных, характеризующих различные факторы:
Х1 – количество удобрений, расходуемых на гектар (т\га);
Х2 - количество химических средств защиты растений на гектар ( ц\га) .
Исходные данные для 5 районов области приводятся в таблицах:
Таблица 2
I (номер района) | yi | хi 1 | хi 2 |
1 | 9,7 | 0,32 | 0,14 |
2 | 8,4 | 0,59 | 0,66 |
3 | 9,3 | 0,3 | 0,31 |
4 | 9,6 | 0,43 | 0,59 |
5 | 9,6 | 0,39 | 0,16 |
Y^ = X* A^ (1), где А^ – вектор-столбец параметров регрессии ;
хi 1 , хi 2 – предопределенные (объясняющие) переменные, n = 2;
Ранг матрицы X = n + 1= 3 < k = 5 (2).
Исходные данные представляют в виде матриц.
( 1 0,32 0,14 ) (9,7)
( 1 0,59 0,66 ) ( 8,4
X = ( 1 0,3 0,31 ) Y = (9,3 )
( 1 0,43 0,59 ) (9,6)
(1 0,39 0,16 ) (9,6)
Значение параметров А^ = (а0, а1, а 2 ) T и s2 – нам неизвестны и их требуется определить ( статистически оценить ) методом наименьших квадратов.
Для нахождения параметров A^ применим формулу (3) задачи № 1
A^ = (XT * X ) –1 * XT * (3),
где (XT * X ) –1 - обратная матрица.
2.2.3. Решение.
а) Найдем транспонированную матрицу ХТ :
( 1 1 1 1 1 )
XT = ( 0,32 0,59 0,38 0,43 0,39 )
( 0,14 0,66 0,53 0,59 0,13 ).
в) Находим произведение матриц XT *X :
( 5 2,11 2,05 )
XT * X = ( 2,11 0,932 0,94 )
( 2,05 0,94 1,101).
г) Находим произведение матриц XT * Y:
( 46,6 )
XT * Y = ( 19,456 )
( 18,731 ).
д) Вычисляем обратную матрицу ( XT * X) –1 :
( 5,482 - 15,244 2,808 )
( XT * X) –1 = ( -15,244 50,118 -14,805 )
( 2,808 -14,805 7 ,977 ).
е) Умножаем обратную матрицу ( XT * X) –1 на произведение
матриц XT * Y и получаем вектор- столбец A^ = (a 0 , a
( 11, 556 )
A^ = (XT * X) –1 * (XT * Y) = ( -5, 08 )
( 0, 0219 )
Уравнение множественной регрессии имеет следующий вид:
yi^ = 11,456 - 5,08 * xi1 - 0,0219 * xi2 (4) .
2.2.4. Оценка качества найденных параметров
Для оценки качества найденных параметров а^0 , a^1 .a^2 необходимо найти оценку дисперсии по формуле
1
s^2 = ------------ (Y – X * A^)T * (Y – X * A^),
k – n - 1
после чего можно найти среднеквадратические ошибки SL по формуле SL = s^√hii , где hii элементы главной диагонали матрицы (XT * X) –1 .
А. Произведение матриц X * A^:
( 9,833 )
( 8,472 )
Y^ =X * A^ = ( 9,536 )
( 9,283 )
(9,476 ).
Б. Разность матриц ( Y - X * A^ ) :
( -0,132 )
( - 0,072 )
( Y - X * A^ ) =(-0,036 )
( 0,116 )
( 0,0835 ).
В. ( Y - X * A^ )T = (-0,132; -0,072; -0,036; 0,116; 0,0835 )
Г. Произведение ( Y - X * A^ )T * ( Y - X * A^ ) = 0,04458 .
С учетом того, что в нашем примере к = 5 и n = 2
1 1
s^2 = ------------ (Y – X * A^)T *(Y – X * A^) =------* 0,04458 = 0,0223.
k – n - 1 2
s^ = Ö 0,0223 = 0,1493 .
Г. Среднеквадратические ошибки оценок параметров будут равны:
S 0 = 0,0223 * Ö 5,482 = 0,3496 ;
S 1 = 0,0223 * Ö 50,118 = 1,057 ;
S 2 = 0,0223 * Ö 7,977 = 0,4217 .
Среднеквадратические ошибки имеют различное значения, иногда превышающие оценки параметров, что связано с малым количеством статистических данных.
3. Контрольная задача № 3
Оценки параметров трендовой модели.
3.1. По данным о розничном товарообороте региона нужно
произвести анализ основной тенденции развития товарооборота.
Таблица 3
Год | Объем розничного товарооборота, млрд. руб. | Темп роста по годам, % | Абсолютный прирост по годам, млрд. руб. |
1 | 2 | 3 | 4 |
1 | 18,4 | - | - |
2 | 18,9 | 103,5 | 0,5 |
3 | 19,8 | 105,3 | 0,9 |
4 | 20,3 | 102,6 | 0,5 |
5 | 21,1 | 104,4 | 0,8 |
В среднем | 19,7 | 103,9 | 0,67 |
Матрица Х размерами 5×4 и вектор-столбец Y размерами 5×1, будут иметь следующий вид:
( 1 1 1 1 ) (1,84E+10 )
( 1 2 4 8 ) ( 1,89E+10 )
X = ( 1 3 9 27) Y = ( 1, 98E+10)
( 1 4 16 64) (2, 03E+10)
( 1 5 25 125) ( 2,11E+10 )
Решение задачи с помощью п риложения EXCEL позволило получить следующие оценки параметров Â и соответственно аппроксимируемые значения Y^:
(а0 ) ( 1,79E+10 ) (1, 838E+10 )
(а1 ) ( 3,976E+08 ) ( 1,899E+10 )
 = (а2 ) = ( 8,929E+07 ) Y^ = ( 1, 967E+10 )
(а3 ) (- 8,333E+06) ( 2, 039E+10)
( 2, 108E+10).
Отрицательное значение параметра а3 = - 8,333Е+06 говорит о том, что ускорение (темп роста) замедляется, что качественно можно оценить и из вышеприведенной таблицы.
3.3. Анализ полученной трендовой модели на качество аппроксимации произведем помощью коэффициента детерминации R2 .
Значение коэффициента детерминации R2 = 0,9931 говорит об очень хорошем качестве трендовой модели
yt (млрд.руб) = 17,9 + 0,3976 * t + 0,08929*t2 – 0,008333*t3 .