Реферат

Реферат Построение и анализ парной и множественной регрессий

Работа добавлена на сайт bukvasha.net: 2015-10-28

Поможем 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.

Предоплата всего

от 25%

Подписываем

договор

Выберите тип работы:

Скидка 25% при заказе до 25.11.2024





Федеральное агентство по образованию

Государственное образовательное учреждение
высшего профессионального образования


Контрольно-курсовая работа по курсу

«Эконометрика»


Тула-2009

Содержание

Введение.. 3

1. ПОСТРОЕНИЕ И АНАЛИЗ ПАРНОЙ РЕГРЕСCИИ.. 4

1.1.Исходные данные. 4

1.2.Построение поля корреляции, оценка коэффициента корреляции и выдвижение гипотезы о форме связи  5

1.3.  Расчет параметров уравнений регрессии, оценка дисперсий ошибок и дисперсий параметров модели  6

1.4. Оценка силы связи фактора с результатом с помощью коэффициента эластичности, экономическая интерпретация построенных уравнений. 13

1.5. Оценка тесноты связи (по коэффициенту детерминации). 14

1.6. Оценка качества уравнения с помощью средней ошибки аппроксимации. 15

1.7. Оценка статистической надежности уравнений регрессии с помощью F-критерия Фишера. 15

1.8. Проверка значимости коэффициентов модели, построение доверительных интервалов с заданным уровнем значимости. 17

1.9. Расчет прогнозного значения результата. Определение доверительного интервала прогноза. 19

1.10. Выбор лучшего уравнения регрессии. 21

1.11. Проверка гипотезы о несущественности перехода от линейной модели к нелинейной. 21

1.12 Вывод о результатах исследования. 23

2.ПОСТРОЕНИЕ И АНАЛИЗ МНОЖЕСТВЕННОЙ РЕГРЕССИИ.. 25

2.1. Исходные данные. 25

2.2. Построение уравнения  множественной регрессии. 26

2.3. Расчет средних коэффициентов эластичности для каждого фактора и сравнительная оценка силы связи каждого фактора с результатом. Экономическая интерпретация построенной модели. 27

2.4. Построение матрицы корреляции, вычисление коэффициента (индекса) множественной корреляции  27

2.5.Рассчет оценок дисперсий ошибок модели и оценок параметров модели. 29

2.6.Построение доверительных интервалов для коэффициентов модели с выбранным уровнем значимости. Проверка значимости каждого коэффициента. 30

2.7. Оценка тесноты связи, скорректированный и нескорректированный коэффициенты детерминации  31

2.8. Оценка статистической надежности уравнения регрессии с помощью F – критерия Фишера. 31

2.9. Прогнозное значение результата для нового набора факторов, доверительный интервал прогноза  32

2.10. Исследование остатков регрессии е. 32

2.11. Модель с фиктивной переменной. 34

ЗАКЛЮЧЕНИЕ.. 37

Список используемой литературы... 38

ПРИЛОЖЕНИЕ.. 39


Введение


Деятельность в любой области экономики требует от специалиста применения современных методов работы, основанных на эконометрических моделях, концепциях и приемах.

Эконометрика - наука, изучающая количественные закономерности и взаимозависимости в экономике методами математической статистики. Цель эконометрики - эмпирический вывод экономических законов. Центральной проблемой эконометрики является построение эконометрической модели и определение возможностей ее использования для описания, анализа и прогнозирования реальных экономических процессов.

Эконометрический анализ служит основой для экономического анализа и прогнозирования, создавая возможность для принятия обоснованных экономических решений.

В данной работе в качестве предмета эконометрического исследования выбрано количество прибывших в страны ЕС на постоянное место жительства.

Актуальность темы исследования определяется ростом социальной значимости миграционных процессов в современном мире, они являются чрезвычайно важным фактором для оценки перспектив развития общества.

Значение экономического исследования миграционных процессов возрастает, выступая одним из существенных факторов повышения эффективности развития стран, их интеграций в мировое сообщество.

Целью работы является закрепление, углубление, обобщение и расширение знаний в области эконометрики, получение практических навыков построения, исследования экономических зависимостей, формулирования экономических выводов.

Задача курсовой работы состоит в практическом использовании знаний и навыков, полученных при изучении курса, к проведению эконометрического анализа данных по миграционному процессу в странах ЕС, полученных из статистического сборника «Россия и страны-члены ЕС».

1. ПОСТРОЕНИЕ И АНАЛИЗ ПАРНОЙ РЕГРЕСCИИ

1.1.Исходные данные


Из статистического ежегодника выбран список из 20 наиболее крупных стран Европейского союза, в том числе и Россия. Все данные берутся за 2005 год.

Сначала необходимо исследовать парную регрессию, т.е. рассмотреть значение двух признаков:

y- число прибывших в страну на постоянное место жительства, тыс. чел;

x- номинальная годовая заработная плата наемных работников, тыс. евро.  Исходные данные представлены в таблице 1.

Таблица 1.

Страна

y,            тыс. чел

x,            тыс. евро

Россия

177,2

3,048788

Бельгия

87,4

35,8

Венгрия

18

8,170722

Греция

22,7

20,3

Кипр

24,4

5,326366

Латвия

1,9

4,56564

Литва

6,8

4,749932

Мальта

0,2

12,186044

Нидерланды

93,6

39,1

Польша

9,4

6,244416

Португалия

17,2

14,6

Румыния

3,7

24,788703

Словакия

5,3

5,818662

Словения

15,3

13,967365

Великобритания

521,3

43,967814

Финляндия

21,4

32,3

Франция

62,3

33,5

Чешская Респ

60,3

6,931717

Швеция

65,2

33,551824

Эстония

2,5

6,353648

Таким образом, в результате анализа необходимо установить насколько заработная плата наемных рабочих в стране влияет на количество людей, прибывших в страну на постоянное место жительство.

 Для решения задачи используется Microsoft Excel, включая статистический пакет анализа данных в Microsoft Excel.

1.2.Построение поля корреляции, оценка коэффициента корреляции и выдвижение гипотезы о форме связи


Графический метод подбора уравнения регрессии является наиболее наглядным. Построим поле корреляции (рис. 1).



Рис 1. Поле корреляции

Рассчитаем коэффициент корреляции по формуле:

, где

 
Данные расчета приведены в приложении 1.

Коэффициент корреляции показывает тесноту связи изучаемых явлений.  Он имеет положительное значение и равен , что свидетельствует об умеренной прямой зависимости между результирующим показателем y и фактором x, т.е. с увеличением среднегодовой з/п работников страны, количество прибывшего в страну населения увеличивается.

Основываясь на построенном поле корреляции, невозможно выделить ясную зависимость между показателем Y и фактором Х. Для построения уравнения парной регрессии рассмотрим возможные уравнения регрессии:

1)     линейную зависимость

2)     показательную зависимость

3)     квадратичную зависимость

4)     кубическую зависимость

Показательная модель является нелинейной по оцениваемым параметрам, а квадратичная и кубическая являются моделями, нелинейными по объясняющим переменным.

Выбор данных моделей обусловлен тем, что линия тренда соответствующая данным уравнениям наиболее близко проходит к исходным данным. Кроме того, для оценки параметров регрессий ко всем этим моделям применим метод наименьших квадратов (МНК).

Идея метода состоит в получении наилучшего приближения (аппроксимации) набора наблюдений xi, yi, i = 1,…,n линейной функцией в смысле минимизации функционала:
 


1.3.  Расчет параметров уравнений регрессии, оценка дисперсий ошибок и дисперсий параметров модели


 Линейная зависимость.

Для расчета параметров a и b линейной регрессии  решаем систему уравнений относительно a и b.
из которой можно определить оценки параметров a и b.

;
Таким образом, уравнение регрессии принимает вид:
Коэффициент регрессии b
=4,279
показывает среднее изменение результата с изменением фактора на одну единицу. Это означает, что с увеличением годовой з/п наемных рабочих на 1 тыс.евро. количество прибывших на постоянное место жительства увеличится в среднем на  4,279 тыс. чел. Положительное значение коэффициента регрессии показывает прямое направление связи.

Линейный коэффициент парной корреляции равен:

= 0,504652547

Связь прямая и умеренная. Проверим данный коэффициент на значимость, воспользовавшись t–критерием Стьюдента.

Выдвигается гипотеза H0 о случайной природе показателя, т.е. незначимом его отличии от нуля. H0: =0

=2.47

Tтабл(0,05;18) = 2,101

Т.к. ||> Tтабл, то гипотеза H0 отвергается, т.е. коэффициент значим.

 График линейного уравнения регрессии представлен на рис. 2.
Рис. 2 График линейного уравнения регрессии

Расчет оценок дисперсий ошибок и дисперсий параметров модели осуществляется по следующим формулам:
Промежуточные расчеты представлены в приложении 1. В результате получены следующие значения:

= 10765,218

= 1477,566815

= 2,976774696

Показательная зависимость.


Построению уравнения показательной кривой  предшествует процедура линеаризации переменных при логарифмировании обеих частей уравнения:
Параметры уравнения модели находятся по следующим формулам:
Значения параметров регрессии составили

 = 0,068027

= 1,68049

Получено линейное уравнение:

.

После потенцирования:
Подставляя в данное уравнение фактические значения х, получаем теоретические результаты значения . По ним рассчитаем показатель тесноты связи – индекс корреляции.

,
Проверим данный коэффициент на значимость, воспользовавшись t–критерием Стьюдента.

Выдвигается гипотеза H0 о случайной природе показателя, т.е. незначимом его отличии от нуля. H0: =0

=2.15

Tтабл(0,05;18) = 2,101

Т.к. ||> Tтабл, то гипотеза H0 отвергается, т.е. коэффициент значим.

 График показательного уравнения регрессии представлен на рис. 3.
Рис 3. График показательного уравнения регрессии

Расчет оценок дисперсий ошибок и дисперсий параметров модели осуществляется по следующим формулам:
Промежуточные расчеты представлены в приложении 2. В результате получены следующие значения:

= 11483,75

= 452,87517

= 3,1754617
Квадратичная зависимость.


Построим уравнение квадратичной кривой , произведя замену

Получим линейное уравнение

Параметры уравнения модели находятся по следующим формулам:
Таким образом, уравнение регрессии принимает вид:
Подставляя в данное уравнение фактические значения х, получаем теоретические результаты значения . По ним рассчитаем показатель тесноты связи – индекс корреляции.

,
Проверим данный коэффициент на значимость, воспользовавшись t–критерием Стьюдента.

Выдвигается гипотеза H0 о случайной природе показателя, т.е. незначимом его отличии от нуля. H0: =0

=3,41

Tтабл(0,05;18) = 2,101

Т.к. ||> Tтабл, то гипотеза H0 отвергается, т.е. коэффициент значим.

 График показательного уравнения регрессии представлен на рис. 4.
Рис 4. График уравнения регрессии для квадратичной зависимости

Расчет оценок дисперсий ошибок и дисперсий параметров модели осуществляется по следующим формулам:
Промежуточные расчеты представлены в приложении 3. В результате получены следующие значения:

= 8760,35808

= 743,283328

= 0,00123901

Кубическая зависимость.


Построим уравнение кубической кривой , произведя замену

Получим линейное уравнение

Параметры уравнения модели находятся по следующим формулам:
Таким образом, уравнение регрессии принимает вид:
Подставляя в данное уравнение фактические значения х, получаем теоретические результаты значения . По ним рассчитаем показатель тесноты связи – индекс корреляции.

,
Проверим данный коэффициент на значимость, воспользовавшись t–критерием Стьюдента.

Выдвигается гипотеза H0 о случайной природе показателя, т.е. незначимом его отличии от нуля. H0: =0

=4,38

Tтабл(0,05;18) = 2,101

Т.к. ||> Tтабл, то гипотеза H0 отвергается, т.е. коэффициент значим.

 График показательного уравнения регрессии представлен на рис. 5.
Рис 5. График уравнения регрессии для квадратичной зависимости

Расчет оценок дисперсий ошибок и дисперсий параметров модели осуществляется по следующим формулам:
Промежуточные расчеты представлены в приложении 4. В результате получены следующие значения:

= 6978,45007

= 514,7649432

= 5,9851E-07

Вывод: самая высокая степень связи переменных в модели с кубической зависимостью, т.к. коэффициент корреляции в кубической модели наиболее близок к единице, а  самая низкая - в показательной модели. Дисперсии ошибок и параметров модели принимают минимальные значения в кубической зависимости.

1.4. Оценка силы связи фактора с результатом с помощью коэффициента эластичности, экономическая интерпретация построенных уравнений


Средний коэффициент эластичности   показывает, на сколько процентов в среднем по совокупности изменится результат у от своей средней величины при  изменении фактора х на 1% от своего среднего значения:
Линейная зависимость
Т.е. с ростом годовой з/п наемных рабочих на 1% число прибывших в страну на постоянное место жительства увеличивается на 1,250028395%.

Показательная зависимость
1,2083965

Т.е. с ростом годовой з/п наемных рабочих на 1% число прибывших в страну на постоянное место жительства увеличивается на 1,2083965

 Квадратичная зависимость
Т.е. с ростом годовой з/п наемных рабочих на 1% число прибывших в страну на постоянное место жительства увеличивается на 1,24843054

 Кубическая зависимость
 0,938829224

Т.е. с ростом годовой з/п наемных рабочих на 1% число прибывших в страну на постоянное место жительства увеличивается на 0,938829224

Значения коэффициентов эластичности приведены в приложении 5.

Вывод: Таким образом, все построенные модели подтверждают, что величина заработной платы наемных рабочих является фактором увеличения числа прибывших в страну на постоянное место жительства. Коэффициент эластичности, как показатель силы связи, показывает, что годовая заработная плата наемных рабочих в больше степени влияет на число прибывших в страну на постоянное место жительства при линейной и квадратичной зависимостях. В меньшей степени данная связь прослеживается в кубической зависимости.


1.5. Оценка тесноты связи (по коэффициенту детерминации)


Коэффициент детерминации  дает оценку качества построенной модели. Коэффициент детерминации характеризует долю дисперсии результирующего признака у, объясняемую регрессией, в общей дисперсии результативного признака.
Коэффициент детерминации равен квадрату индекса корреляции. Чем ближе к единице , тем лучше качество подгонки, т.е.  более точно аппроксимирует у.

Линейная зависимость

   

Таким образом, уравнением регрессии объясняется 25% дисперсии результативного признака, а на долю остальных факторов приходится 75% ее дисперсии (т.е. остаточная дисперсия).

Модель линейной зависимости плохо аппроксимирует исходные данные.

Показательная зависимость

=

Зависимость между показателями такая же слабая, как и в линейной модели. Вариация у всего на  20% объясняется вариацией х, а на долю остальных факторов приходится 80%. Связь в данной модели самая слабая. Поэтому качество модели неудовлетворительное.

Квадратичная зависимость
Зависимость между показателями немного лучше, чем в показательной и линейной моделях. Вариация у только на 40% объясняется вариацией х. Но данную модель также не желательно использовать для прогнозирования.

Кубическая зависимость
Зависимость между показателями лучше, чем в предыдущих моделях. Вариация у на 52% объясняется вариацией х.

Значения коэффициентов детерминации представлены в приложении 5.

   Вывод: качество построенных моделей низкое, самая высокая оценка качества у модели с кубической зависимостью. Доля объясненной вариации составила 52%, т.е. данная модель регрессии является лучшей с точки зрения аппроксимации данных.


1.6. Оценка качества уравнения с помощью средней ошибки аппроксимации


Средняя ошибка аппроксимации – среднее отклонение расчетных значений от фактических:



Допустимый предел значений  - не более 8-10%.

Линейная модель

=1153,261%

В среднем расчетные значения отклоняются от фактических на 1153,261%, что говорит об очень большой ошибке аппроксимации.

Показательная зависимость

=396,93259

Ошибка аппроксимации несколько ниже, чем у остальных моделей, но также является недопустимой.

Квадратичная зависимость

=656,415018

Так же наблюдается высокая ошибка аппроксимации, что свидетельствует о низком качестве подгонки уравнения

Кубическая зависимость

=409,3804652

Ошибка аппроксимация также значительно превышает допустимые значения.

Подробные вычисления представлены в приложениях 1-4.

Вывод: во всех рассмотренных моделях средняя ошибка аппроксимации значительно превышает допустимые значения, качество подгонки моделей к исходным данным очень низкое.

1.7. Оценка статистической надежности уравнений регрессии с помощью F-критерия Фишера


Оценка значимости уравнения регрессии осуществляется с помощью F-критерия Фишера. При этом выдвигается нулевая гипотеза о равенстве фактической и остаточной дисперсий, и следовательно, фактор x не оказывает влияния на y, т.е.

H0: Dфакт=Dост

Для этого выполняется сравнение фактического и критического (табличного)  значений F-критерия Фишера. определяется из соотношения значений факторной и остаточной дисперсий:
 - максимально возможное значение критерия под влиянием случайных факторов при данных степенях свободы и уровне значимости . Уровень значимости  - вероятность отвергнуть правильную гипотезу при условии, что она верна.

Если <, то  отклоняется и признается статистическая значимость и надежность уравнения регрессии, иначе - принимается и делается вывод о незначимости уравнения регрессии.

=  F (0.05,m-1,n-m)= F(0.05,1,18)= 4,413873, где

n-число единиц совокупности;

m-число параметров при переменных х.

Линейная модель

=6,150512218

Показательная зависимость

=4,6394274

Квадратичная зависимость

=11,6775003

Кубическая зависимость

=19,25548322

Во всех рассмотренных моделях <, т.е. гипотеза  отвергается.

Вывод: все полученные уравнения регрессии значимы. По результатам F-теста, а также рассмотренным выше показателям коэффициента детерминации и средней ошибки аппроксимации можно сделать вывод что среди рассмотренных моделей нет модели с хорошим качеством, которую можно было бы применять с целью прогнозирования. Однако, наилучшей моделью, описывающей взаимосвязь между годовой з/п наемных рабочих страны и числом прибывших в страну на постоянное место жительства, является модель с кубической зависимостью , поскольку она является значимой, коэффициент детерминации принимает наибольшее значение  и средняя ошибка аппроксимации не так велика по сравнению с другими моделями, хотя и не принимает допустимого значения.


1.8. Проверка значимости коэффициентов модели, построение доверительных интервалов с заданным уровнем значимости


В линейной регрессии обычно оценивается значимость не только уравнения в целом, но и отдельных его параметров. С этой целью по каждому из параметров определяется его стандартная ошибка:

;
Отношение коэффициента регрессии к его стандартной ошибке дает t-статистику, которая подчиняется статистике Стьюдента при (n-2) степенях свободы. Данная статистика применяется для проверки значимости коэффициента регрессии и для расчета его доверительных интервалов. Выдвигается гипотеза о случайной природе показателей, т.е. о незначимом их отличии от нуля.

: a=0;

: b=0;
Сравнивая фактическое и табличное значение t – статистики, принимаем или отвергаем гипотезу  .

Если |tфакт|>tтабл, то  отклоняется, т.е. a и b не случайно отличаются от нуля и сформировались под влиянием систематически действующего фактора x, иначе принимается.

Формулы для расчета доверительных интервалов имеют следующий вид:

,

.

(0.05;18)= 2,100922
Линейная модель
Так как |tа|< tтабл, то гипотеза H0  принимается, параметр а статистически незначим.

Так как tтабл <|tb|, то параметр b статистически значим, гипотеза H0 отвергается.

Доверительный интервал для a и b соответственно примет вид:

a(-95,96059459; 65,55464)

b(0,654074835; 7,903656)          

Т.е. с вероятностью 0,95 параметр a и параметр b, находясь в указанных границах. Параметр a принимает нулевые значения, т. е. является статистически незначимыми. Параметр b значим.
Показательная зависимость

Так как tа < tтабл, то гипотеза H0  принимается, параметр а статистически незначим.

Так как tb< tтабл, то параметр b статистически незначим, гипотеза принимается.

Доверительный интервал для a и b соответственно примет вид:

a(-39,34125; 50,07762)

b(-2,673413;4,8142)          

Т.е. с вероятностью 0,95 параметр a и параметр b, находясь в указанных границах. Параметр a и b принимают нулевые значения, т. е. являются статистически незначимыми. 
Квадратичная зависимость
Так как tа < tтабл, то гипотеза H0  принимается, параметр а статистически незначим.

Так как tтабл <tb, то параметр b статистически значим, гипотеза отвергается.

Доверительный интервал для a и b соответственно примет вид:

a(-56,178325; 58,37749)

b(0,04633371; 0,194237)          

Т.е. с вероятностью 0,95 параметр a и параметр b, находясь в указанных границах. Параметр a принимает нулевые значения, т. е. является статистически незначимыми. Параметр b значим.
Кубическая зависимость
Так как tа < tтабл, то гипотеза H0  принимается, параметр а статистически незначим.

Так как tтабл <tb, то параметр b статистически значим, гипотеза отвергается.

Доверительный интервал для a и b соответственно примет вид:

a(-43,3715931; 51,96166)

b(0,001769445; 0,00502)          

Т.е. с вероятностью 0,95 параметр a и параметр b, находясь в указанных границах. Параметр a принимает нулевые значения, т. е. является статистически незначимыми. Параметр b значим.

Более подробные данные о полученных результатах приведены в приложении 6.

Вывод: во всех рассмотренных моделях параметр a является статистически незначимым. Для показательной зависимости не значимыми являются оба параметра.


1.9. Расчет прогнозного значения результата. Определение доверительного интервала прогноза


Прогнозное значение  определяется путем подстановки в уравнение регрессии соответствующего прогнозного значения .

Кроме того, необходимо вычислить стандартную ошибку прогноза

,

.

Так же для наиболее точной оценки прогноза строится доверительный интервал:

.

=t(0.05,18)= 2,100922

Прогнозное значение фактора увеличилось на 10% от его среднего уровня: =19,5399402

Линейная модель

Прогнозное значение числа прибывших в страну на постоянное место жительства при годовой з/п наемных рабочих равной 19,5399402 составит:

= 68,40579766

Ошибка прогноза составит:

= 106,3619856

Доверительный интервал прогноза:

( -155,0524418; 291,864)

Показательная зависимость

Прогнозное значение числа прибывших в страну на постоянное место жительства при годовой з/п наемных рабочих равной 19,54 составит:

= 20,28185

Ошибка прогноза составит:

= 109,85426

Доверительный интервал прогноза:

( -210,5134; 251,0771)

Квадратичная зависимость

Прогнозное значение числа прибывших в страну на постоянное место жительства при годовой з/п наемных рабочих равной 19,54 составит:

= 47,0256261

Ошибка прогноза составит:

= 95,9928932

Доверительный интервал прогноза:

( -154,64796; 248,6992)

Кубическая зависимость

Прогнозное значение числа прибывших в страну на постоянное место жительства при годовой з/п наемных рабочих равной 19,54 составит:

= 29,62197186

Ошибка прогноза составит:

= 85,89453709

Доверительный интервал прогноза:

( -150,835754; 210,0797)

Вывод: более точный из всех прогнозов дает модель с кубической зависимостью, так как данная модель имеет наименьшую стандартную ошибку прогноза и диапазон верхней и нижней границ доверительного интервала меньше, чем у других моделей. Однако даже в этой модели значения стандартной ошибки прогноза, а также диапазон верхней и нижней границы  интервала принимают очень большие значения, включают нулевые и отрицательные значения, что не дает возможности сделать достоверный прогноз.

1.10. Выбор лучшего уравнения регрессии


В результате исследования было выяснено, что все четыре модели парной регрессии являются статистически значимыми, однако достаточно малые значения коэффициента детерминации, большие ошибки средней аппроксимации свидетельствуют о плохом качестве данных моделей.

Тем не менее, сравнив параметры и характеристики данных уравнений, приходим к выводу, что наибольшей надежность и точностью обладает модель с кубической зависимостью:

Об этом свидетельствуют наибольшее значение индекса корреляции и соответственно коэффициент детерминации, наиболее близкий к 1 и подтверждающий лучшее качество модели с точки зрения аппроксимации данных, результаты  F-теста, признавшие модель значимой,  а также средняя ошибка аппроксимации, меньшая, чем у других моделей. Стандартные ошибки параметров регрессии и стандартная ошибка прогноза для этой модели также принимают меньшие значения.

1.11. Проверка гипотезы о несущественности перехода от линейной модели к нелинейной


Для обоснования использования нелинейных функций необходимо провести сравнение индексов детерминации для нелинейной модели  и коэффициента детерминации линейной модели  с одним и тем же набором факторов.

Практически установлено, что если разность |-| < 0,1, то можно использовать линейную функцию, в противном случае проводится оценка существенности различия по критерию Стьюдента.

Для этого выдвигается нулевая гипотеза:

H0: =,

H1: ≠,

Используется следующая статистика:

,

Где
Если |tрасч| < tтаб, принимается гипотеза H0, и различия между моделями незначительны.

Если |tрасч|  > tтаб, принимается гипотеза H1, различия между моделями значительны.

Показательная зависимость

|-| = 0,2049269- 0,254674193= -0,04974731

|-| < 0,1

Значит, можно использовать линейную функцию, переход к показательной функции нецелесообразен.

Квадратичная зависимость

|-| = 0,39347992- 0,254674193= 0,138805722

|-| > 0,1

Выдвигаем нулевую гипотеза:

H0: =,

H1: ≠,

= 0,022551934

0,150173013

=0,92430537

Так как |tрасч|  < tтаб, значит различия между моделями незначительны, переход к нелинейной модели нецелесообразен.

Кубическая зависимость

|-| = 0,516849643- 0,254674193= 0,262175

|-| > 0,1

Выдвигаем нулевую гипотеза:

H0: =,

H1: ≠,

= 0,035546991

0,188539096

=1,390562784

Так как |tрасч|  < tтаб, значит различия между моделями незначительны, переход к нелинейной модели нецелесообразен.

Вывод: для всех рассмотренных уравнений нелинейной регрессии переход от линейной функции к нелинейной не целесообразен.

1.12 Вывод о результатах исследования


В результате эконометрического исследования и анализа данных было рассмотрено 4 уравнения парной регрессии, устанавливающих зависимость между среднегодовой заработной платой наемных рабочих в стране и  количеством людей, прибывших в страну на постоянное место жительство. Это линейная модель, показательная, модели с квадратичной и кубической зависимостью. В итоге были сделаны следующие выводы.

Все построенные модели подтверждают, что рост величины заработной платы наемных рабочих является фактором увеличения числа прибывших в страну на постоянное место жительства.

Самый высокий показатель тесноты связи переменных в модели с кубической зависимостью, т.к. коэффициент детерминации в кубической модели принимает наибольшее значение , что говорит о наибольшей надежности найденного уравнения регрессии. Т.е модель в виде кубической зависимости наилучшим образом описывает взаимосвязь числа прибывших в страну на постоянное место жительства и годовой заработной платы наемных рабочих.

Во всех рассмотренных моделях средняя ошибка аппроксимации значительно превышает допустимые значения, что говорит о низком качестве подгонки моделей. Однако модель с кубической зависимостью является лучшей с точки зрения аппроксимации данных и оценки тесноты связи, поскольку имеет наибольшую по сравнению с другими моделями долю объясненной вариации – 52% (коэффициент детерминации наиболее близок к 1).

Все полученные уравнения регрессии статистически значимы. Параметр а статистически незначим для всех построенных моделей, параметр b значим для всех, кроме показательной зависимости.

Более точный из всех прогнозов дает модель с кубической зависимостью, так как данная модель имеет наименьшую стандартную ошибку прогноза и диапазон верхней и нижней границ доверительного интервала меньше, чем у других моделей.

Таким образом, по всем рассмотренным параметрам уравнение регрессии с кубической зависимостью является лучшим из рассмотренных, но не оптимальным для практического использования и прогнозирования. Данный факт можно объяснить глобальностью исследования, большим разбросом данных, а также тем, что число иммигрантов зависит от множества факторов, которые невозможно учесть в парной регрессии.

Кроме того, не достаточно хорошие характеристики модели могут быть вызваны наличием в исходных данных единиц с аномальными значениями исследуемых признаков: в Великобритании число прибывших на постоянное место жительства значительно превышает данный показатель для других стран. Возможно для получения более точного и надежного результата данную страну следует исключить из выборки.







2.ПОСТРОЕНИЕ И АНАЛИЗ МНОЖЕСТВЕННОЙ РЕГРЕССИИ

2.1. Исходные данные


Введем в модель еще несколько показателей, позволяющих учитывать несколько факторов, влияющих на число прибывших в страну на постоянное место жительства. А именно такие факторы как число безработных и ВВП,  страны. Получим следующий набор факторов, влияющий на показатель y- число прибывших в страну на постоянное место жительства, тыс. чел:

x1- номинальная годовая заработная плата наемных работников, тыс. евро. 

x2- число безработных, тыс. чел.

x3- ВВП, млрд. евро

Исходные данные для построения множественной регрессии приведены в таблице 2.

Таблица 2.

Страна

y,            тыс. чел

x1,            тыс. евро

x2,        тыс. чел

x3,       млрд. евро

Россия

177,2

3,048788

5263

616,6053

Бельгия

87,4

35,8

402

298

Венгрия

18

8,170722

304

86,98998

Греция

22,7

20,3

467

181,1

Кипр

24,4

5,326366

19,5

3,060673

Латвия

1,9

4,56564

99

13,54473

Литва

6,8

4,749932

133

20,59269

Мальта

0,2

12,186044

11,7

4,452593

Нидерланды

93,6

39,1

430

501,9

Польша

9,4

6,244416

3045

206,572

Португалия

17,2

14,6

422

174,4

Румыния

3,7

24,788703

705

68,4577

Словакия

5,3

5,818662

428

36,69945

Словения

15,3

13,967365

58

27,47676

Великобритания

521,3

43,967814

1352

1806,959

Финляндия

21,4

32,3

220

155,3

Франция

62,3

33,5

2834

1710

Чешская Респ

60,3

6,931717

410

91,06928

Швеция

65,2

33,551824

270

183,6787

Эстония

2,5

6,353648

52

10,54041



Все данные также получены из статистического ежегодника «Россия и страны-члены ЕС» за 2005 год.

2.2. Построение уравнения  множественной регрессии


Множественная регрессия – уравнение связи с несколькими неизвестными переменными:

,

где y
– зависимая переменная (результативный признак),

        - независимые переменные (факторы).

Для построения уравнения множественной регрессии используем линейную функцию, записанную в матричной форме:

,

где , ,    ,    

Для оценки параметров уравнения множественной регрессии применяют метод наименьших квадратов:

.

Строится следующая система уравнений, решение которых позволяет получить оценки параметров регрессии:

.

Ее решение в явном виде обычно записывается в матричной форме, иначе оно становится слишком громоздким.

Оценки параметров модели в матричной форме определяются выражением:

,

   X – матрица значений объясняющих переменных;

  Y – вектор значений зависимой переменной.

Для выявления зависимости числа прибывших на постоянное место жительства от номинальной годовой з/п наемных рабочих, числа безработных и уровня ВВП построим уравнение множественной регрессии в виде:
Получили следующие оценки параметров уравнения регрессии:
Тогда уравнение множественной регрессии имеет вид:
Расчет параметров данного уравнения представлен в приложении 7.

2.3. Расчет средних коэффициентов эластичности для каждого фактора и сравнительная оценка силы связи каждого фактора с результатом. Экономическая интерпретация построенной модели.


Для характеристики относительной силы влияния факторов на y рассчитаем средние коэффициенты эластичности. Средние коэффициенты эластичности для линейной регрессии рассчитываются по формулам:

.

=  0,12026241

= -0,06319176

= 0,86930458

Расчет данных значений приведен в приложении 8.

С увеличением величины годовой заработной платы наемных рабочих на 1% от среднего уровня при неизменных показателях остальных факторов, число прибывших на постоянное место жительства увеличивается на 0,12%.

С увеличением численности безработных на 1% от среднего при неизменных показателях остальных факторов, число прибывших на постоянное место жительства уменьшается на 0,06%

С увеличением величины ВВП на 1% от среднего при неизменных показателях остальных факторов, число прибывших на постоянное место жительства увеличивается на 0,87%

Вывод: изменение числа прибывших в страну на постоянное место жительства находится в прямой зависимости от годовой заработной платы наемных рабочих и величины уровня ВВП страны и в обратной зависимости от численности безработных, что не противоречит и логическим предположениям.    Коэффициенты эластичности, как показатели силы связи, показывают, что наибольшее изменение числа прибывших в страну вызывает величина ВВП, а наименьшее – численность безработных.

2.4. Построение матрицы корреляции, вычисление коэффициента (индекса) множественной корреляции


При линейной зависимости коэффициент множественной корреляции можно определить через матрицу парных коэффициентов корреляции:
где - определитель матрицы парных коэффициентов корреляции;

       - определитель матрицы межфакторной корреляции.

С помощью пакета «Анализ данных» в Microsoft Excel построены следующие матрицы:

Матрица парных коэффициентов корреляции:
Матрица межфакторной корреляции:
Их определители равны:
Рассчитаем коэффициент множественной корреляции:

 

Значение индекса множественной корреляции лежит в пределах от 0 до 1.

Рассчитаем среднюю ошибку аппроксимации по формуле:

                                                 = 372,353247%

Значение средней ошибки аппроксимации свидетельствует о плохой подгонке модели под исходные данные, т.к. оно значительно превышает допустимые границы.

Вывод: Совместное влияние всех факторов на  число прибывших в страну на постоянное место жительства достаточно велико. Связь между рассматриваемым показателем и влияющими на него факторами усилилась по сравнению с парной регрессией (ryx=0.506). Наблюдается довольно сильная связь.

Необходимо учитывать, что в модели наблюдается небольшая мультиколлинеарность, что может свидетельствовать о ее неустойчивости,  поскольку определитель матрицы межфакторной корреляции достаточно далек от 1. Максимальный коэффициент парной корреляции наблюдается между факторами x1 и x3 (rx1x3=0.595), что вполне объясняемо, т.к. среднегодовая заработная плата в стране должна находиться в прямой зависимости от ВВП страны.

2.5.Рассчет оценок дисперсий ошибок модели и оценок параметров модели


Расчет оценок дисперсий ошибок и дисперсий параметров модели осуществляется по следующим формулам:
где n = 20 – количество наблюдений, а m=4 – количество параметров.

Для построенной модели оценка дисперсии ошибок составила:

=6674,02207

Оценки дисперсий параметров модели:
Следовательно, стандартные ошибки параметров модели:
Промежуточные расчеты полученных данных представлены в приложении 8.

2.6.Построение доверительных интервалов для коэффициентов модели с выбранным уровнем значимости. Проверка значимости каждого коэффициента


Для оценки статистической значимости коэффициентов регрессии рассчитываются t-критерий  Стьюдента  и доверительные интервалы каждого из параметров. Выдвигается гипотеза о случайной природе показателей, т.е. о незначимом их отличии от нуля. Получим набор гипотез:

: b
0
=0;
b
1
=0;
b
2
=0;
b
3
=0


 Оценка значимости коэффициентов регрессии с помощью t-критерия Стьюдента проводится путем сопоставления их значений с табличным значением , вычисляемым как квантиль распределения Стьюдента, где уровень значимости  - вероятность отвергнуть правильную гипотезу при условии, что она верна.

,

,
Значения , , <, значит коэффициенты  являются статистически незначимыми и случайно отличаются от 0.

 >, значит является статистически значимым

Для расчета доверительных интервалов пользуются следующей формулой:

.

Для построенной модели доверительные интервалы коэффициентов регрессии:
Вывод: все полученные коэффициенты регрессии, кроме , статистически незначимы, доверительные интервал для них достаточно большой, что может свидетельствовать о недостаточном качестве модели.

2.7. Оценка тесноты связи, скорректированный и нескорректированный коэффициенты детерминации


Качество построенной модели в целом оценивает коэффициент детерминации. Коэффициент множественной детерминации рассчитывается, как квадрат индекса множественной корреляции: .

Скорректированный индекс множественной детерминации содержит поправку на число степеней свободы и рассчитывается по формуле:
где n
– число наблюдений;

    m
– число факторов.

Для построенной модели
Вывод: Данный коэффициент детерминации показывает, что качество модели удовлетворительное.

С добавлением еще одной переменной  обычно увеличивается. Для того чтобы не допускать возможного преувеличения тесноты связи и применяется скорректированный коэффициент детерминации. При заданном объеме наблюдений при прочих равных условиях с увеличением числа независимых переменных (параметров) скорректированный коэффициент множественной детерминации убывает. Для построенной модели значения скорректированного и нескорректированного коэффициента детерминации не значительно отличаются друг от друга, но т.к. скорректированный коэффициент детерминации  немного уменьшился можно предположить, что увеличение доли объясненной регрессии при добавлении новой переменной незначительно, и что добавлять переменную нецелесообразно.

2.8. Оценка статистической надежности уравнения регрессии с помощью F – критерия Фишера.


Значимость уравнения множественной регрессии в целом, так же как и в парной регрессии, оценивается с помощью F-критерия Фишера:
При этом выдвигается гипотеза  о незначимости уравнения регрессии:
Так как Fтабл< Fфакт    то  не принимается

Вывод: уравнение множественной регрессии значимо, т.е. отвергается гипотеза о случайной природе оцениваемых характеристик. Полученная модель статистически надежна.

2.9. Прогнозное значение результата для нового набора факторов, доверительный интервал прогноза


Рассмотрим прогнозное значение набора факторов, увеличившееся на 10% от своего среднего уровня:

=(1;19;930;340)

  .

Доверительный интервал прогноза: ,

где дисперсия ошибки прогноза:,

, тогда
Вывод: в доверительный интервал прогноза входит ноль, значит прогноз недостоверный, и его использование не целесообразно.

2.10. Исследование остатков регрессии е.


Для исследования остатков построим графики зависимости остатков от величин
На основании графиков можно сделать вывод о том, что остатки неравномерно разбросаны по осям y^ и факторов x2 и x3, т.е. остатки не имеют постоянной дисперсии. Это говорит о том, что в данной модели может наблюдаться гетероскедастичность, т.е. предпосылки МНК не выполняются.   Следовательно, можно предположить, что модель требует корректировки. В этом случае необходимо либо применять другую функцию, либо вводить информацию и заново строить уравнение регрессии до тех пор, пока остатки не будут случайными величинами.



2.11. Модель с фиктивной переменной


Для исследования влияния качественного признака введем в модель фиктивную переменную. В качестве фиктивной переменной  рассмотрим площадь территории страны.



Уравнение множественной регрессии примет вид:
Оценку дисперсии ошибок рассчитаем по формуле:
= 7115,527

Оценки дисперсий параметров модели найдем по формуле:

,

где индекс ii означает, что в соответствующей матрице возьмем диагональные элементы. 
Выдвигается гипотеза о случайной природе коэффициентов bi, т.е. о незначимом их отличии от нуля. Оценка значимости коэффициентов регрессии с помощью t-критерия Стьюдента проводится путем сопоставления их значений с табличным значением , вычисляемым как квантиль распределения Стьюдента. Уровень значимости примем . Расчетное значение вычислим по формуле:

Так как < для коэффициентов b0, b1, b2, b4, то данные коэффициенты статически незначимы. Переменная b3 статистически значима. Фиктивная переменная статически незначима, случайно отличается от нуля.

Коэффициент детерминации для модели с фиктивными переменными немного увеличился: =0,589465994

Проверим его на значимость.
 

>, следовательно гипотеза  отвергается, коэффициент детерминации в модели с фиктивными переменными значим.

Вывод: Т.к. фиктивная переменная статистически незначима и  коэффициенты детерминации для моделей с фиктивной переменной и без нее принимают практически равные значения, различия, которые учитываются фиктивной переменной, не существенны и ее ввод в эконометрическую модель нецелесообразен.

ЗАКЛЮЧЕНИЕ


В результате построения множественной регрессии исследовано влияние на число прибывших в страну на постоянное место жительства таких факторов, как ВВП страны, численность безработных и средняя годовая заработная плата наемных рабочих.

В результате анализа были получены следующие выводы.

Изменение числа прибывших в страну на постоянное место жительства находится в прямой зависимости от годовой заработной платы наемных рабочих и величины уровня ВВП страны и в обратной зависимости от численности безработных. Наибольшее изменение числа прибывших в страну вызывает величина ВВП, а наименьшее – численность безработных.

Совместное влияние всех факторов на  число прибывших в страну на постоянное место жительства достаточно велико, поскольку индекс множественной корреляции  принимает высокое значение. Однако это может объясняться наличием мультиколлинеарности.

Все полученные коэффициенты уравнения множественной регрессии кроме коэффициента при факторе уровень ВВП статистически незначимы, доверительные интервал для них достаточно большой.

Не смотря на это, коэффициент детерминации  показывает, что качество модели удовлетворительное. Уравнение множественной регрессии значимо, т.е. отвергается гипотеза о случайной природе оцениваемых характеристик.

Однако в модели может наблюдаться гетероскедастичность, т.е. возможно необходима коррекция модели.

Ввод фиктивной переменной не привел к изменению значимости коэффициентов регрессии. Фиктивная переменная статистически незначима. Следовательно, различия, которые ею учитываются, не существенны.

Данные результаты можно объяснить достаточно малым объемом выборки, в особенности с учетом глобальности исследования, наличием аномального значения исследуемого признака, неучтенностью каких-либо существенных факторов,  а также тем, что число эмигрантов в страну зависит от большого числа не количественных, личных факторов, индивидуальных предпочтений.

Не смотря на отсутствие точного результата и качественного уравнения регрессии, пригодного для прогнозирования и дальнейших исследований, в ходе исследования удалось выявить, что заработная плата наемных рабочих в стране, уровень безработицы и ВВП оказывают немаловажное влияние на число прибывших в страну на постоянное место жительства.      

Список используемой литературы

1.   Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. – М.: Дело, 1997. – 248 с.

2.   Практикум по эконометрике: Учеб. пособие/ И.И. Елисеева, С.В. Курышева, Н.М. Гордеенко и др.; Под ред. И.И. Елисеевой. – М.: Финансы и статистика, 2002. – 192 с.

3.   Россия и страны-члены Европейского союза. Статистический сборник. –  М.: Росстат, 2007. –  252 c.

4.   Эконометрика: Учебник/ Под ред. И.И. Елисеевой. – М.: «Финансы и статистика», 2008. – 575 с.


ПРИЛОЖЕНИЕ


Приложение 1

Расчет значений для линейной модели

Страна

y

x

y*x

x^2

x-xср

y-yср

(x-xср)*(y-yср)

(x-xср)^2

(y-yср)^2

yоц

(y-yоц)^2

(y-yоц)/y

Россия

177,2

3,048788

540,2452

9,295108

-14,7148

116,395

-1712,728451

216,5252

13547,8

-2,15762

32169,16

1,012176

Бельгия

87,4

35,8

3128,92

1281,64

18,03642

26,595

479,678536

325,3124

707,294

137,9804

2558,377

0,578723

Венгрия

18

8,170722

147,073

66,7607

-9,59286

-42,805

410,6223734

92,02296

1832,268

19,75844

3,092122

0,097691

Греция

22,7

20,3

460,81

412,09

2,536418

-38,105

-96,65020694

6,433416

1451,991

71,65799

2396,885

2,15674

Кипр

24,4

5,326366

129,9633

28,37017

-12,4372

-36,405

452,7768494

154,6843

1325,324

7,587827

282,6492

0,689023

Латвия

1,9

4,56564

8,674716

20,84507

-13,1979

-58,905

777,424775

174,1857

3469,799

4,332782

5,918431

1,280412

Литва

6,8

4,749932

32,29954

22,56185

-13,0137

-54,005

702,8021696

169,3551

2916,54

5,121343

2,817889

0,246861

Мальта

0,2

12,18604

2,437209

148,4997

-5,57754

-60,605

338,026692

31,10893

3672,966

36,93947

1349,788

183,6973

Нидерланды

93,6

39,1

3659,76

1528,81

21,33642

32,795

699,7278275

455,2427

1075,512

152,1007

3422,327

0,625007

Польша

9,4

6,244416

58,69751

38,99273

-11,5192

-51,405

592,1427295

132,6912

2642,474

11,51604

4,477621

0,225111

Португалия

17,2

14,6

251,12

213,16

-3,16358

-43,605

137,9479942

10,00825

1901,396

47,26846

904,1122

1,748166

Румыния

3,7

24,7887

91,7182

614,4798

7,02512

-57,105

-401,1695047

49,35232

3260,981

90,86454

7597,658

23,55799

словакия

5,3

5,818662

30,83891

33,85683

-11,9449

-55,505

663,002786

142,6811

3080,805

9,694295

19,30983

0,829112

Словения

15,3

13,96737

213,7007

195,0873

-3,79622

-45,505

172,7468557

14,41126

2070,705

44,5615

856,2353

1,912516

Великобритания

521,3

43,96781

22920,42

1933,169

26,20423

460,495

12066,9178

686,6618

212055,6

172,9294

121362,1

0,668273

Финляндия

21,4

32,3

691,22

1043,29

14,53642

-39,405

-572,8075503

211,3074

1552,754

123,0044

10323,45

4,747868

франция

62,3

33,5

2087,05

1122,25

15,73642

1,495

23,52594487

247,6349

2,235025

128,139

4334,776

1,056806

Чешская Респ

60,3

6,931717

417,9825

48,0487

-10,8319

-0,505

5,470091838

117,3293

0,255025

14,45691

2101,589

0,76025

Швеция

65,2

33,55182

2187,579

1125,725

15,78824

4,395

69,38932348

249,2686

19,31603

128,3608

3989,282

0,968723

Эстония

2,5

6,353648

15,88412

40,36884

-11,4099

-58,305

665,2562033

130,1866

3399,473

11,98343

89,93541

3,793371



























сумма

 

 

 

 

 

 

15474,10324

3616,403

259985,5

 

193773,9

230,6521

среднее

60,805

17,76358

1853,82

496,365

 

 

 

 

 

60,80501

 

 


Приложение 2

Расчет значений для показательной модели

Страна

y

x

Y

Y*x

x^2

Y-yср

(x-xср)^2

(Y-yср)^2

yоц

(y-yоц)^2

(y-yоц)/y

Россия

177,2

3,048788

5,177279

15,78443

9,295108

116,395

216,5252

13547,8

6,60541

29102,51

0,962723

Бельгия

87,4

35,8

4,470495

160,0437

1281,64

26,595

325,3124

707,294

61,30389

681,0069

0,298582

Венгрия

18

8,170722

2,890372

23,61642

66,7607

-42,805

92,02296

1832,268

9,358798

74,67037

0,480067

Греция

22,7

20,3

3,122365

63,38401

412,09

-38,105

6,433416

1451,991

21,35809

1,800717

0,059115

Кипр

24,4

5,326366

3,194583

17,01552

28,37017

-36,405

154,6843

1325,324

7,712366

278,4771

0,683919

Латвия

1,9

4,56564

0,641854

2,930474

20,84507

-58,905

174,1857

3469,799

7,323405

29,41332

2,854424

Литва

6,8

4,749932

1,916923

9,105252

22,56185

-54,005

169,3551

2916,54

7,415794

0,379203

0,090558

Мальта

0,2

12,18604

-1,60944

-19,6127

148,4997

-60,605

31,10893

3672,966

12,29836

146,3702

60,49179

Нидерланды

93,6

39,1

4,53903

177,4761

1528,81

32,795

455,2427

1075,512

76,73295

284,4975

0,180204

Польша

9,4

6,244416

2,24071

13,99192

38,99273

-51,405

132,6912

2642,474

8,209375

1,417588

0,126662

Португалия

17,2

14,6

2,844909

41,53568

213,16

-43,605

10,00825

1901,396

14,49319

7,326815

0,157373

Румыния

3,7

24,7887

1,308333

32,43187

614,4798

-57,105

49,35232

3260,981

28,9851

639,3364

6,833811

Словакия

5,3

5,818662

1,667707

9,703822

33,85683

-55,505

142,6811

3080,805

7,97502

7,155734

0,504721

Словения

15,3

13,96737

2,727853

38,10092

195,0873

-45,505

14,41126

2070,705

13,88269

2,00876

0,092634

Великобритания

521,3

43,96781

6,256326

275,077

1933,169

460,495

686,6618

212055,6

106,8549

171764,7

0,795022

Финляндия

21,4

32,3

3,063391

98,94753

1043,29

-39,405

211,3074

1552,754

48,31539

724,4382

1,257729

Франция

62,3

33,5

4,131961

138,4207

1122,25

1,495

247,6349

2,235025

52,42492

97,51717

0,158508

Чешская Респ

60,3

6,931717

4,099332

28,41541

48,0487

-0,505

117,3293

0,255025

8,602317

2672,65

0,857341

Швеция

65,2

33,55182

4,177459

140,1614

1125,725

4,395

249,2686

19,31603

52,61007

158,5064

0,193097

Эстония

2,5

6,353648

0,916291

5,821789

40,36884

-58,305

130,1866

3399,473

8,270604

33,29987

2,308241

 

 

 

 

 

 

 

 

 

 

 

 

сумма

 

 

 

 

9927,3

 

3616,403

259985,5

 

193773,9

230,6521

среднее

60,805

17,76358

2,888887

63,61756

496,365

 

 

 

28,03663

 

 


Приложение 3

Расчет значений для квадратичной зависимости

Страна

y

x

X

X*y

X^2

yоц

y-yоц

(y-yоц)^2

(X-Xср)^2

(y-yоц)/y

(Y-yср)^2

Россия

177,2

3,048788

9,295108

1647,093

86,39904

2,217646

174,9824

30618,82

237237,1

0,987485

13547,8

Бельгия

87,4

35,8

1281,64

112015,3

1642601

155,262

-67,862

4605,257

616656,8

0,776454

707,294

Венгрия

18

8,170722

66,7607

1201,693

4456,991

9,129912

8,870088

78,67846

184559,9

0,492783

1832,268

Греция

22,7

20,3

412,09

9354,443

169818,2

50,66795

-27,968

782,2064

7102,278

1,232068

1451,991

Кипр

24,4

5,326366

28,37017

692,2323

804,8668

4,512096

19,8879

395,5287

219019,2

0,815078

1325,324

Латвия

1,9

4,56564

20,84507

39,60563

434,5169

3,606936

-1,70694

2,913631

226119,2

0,898388

3469,799

Литва

6,8

4,749932

22,56185

153,4206

509,0373

3,81344

2,98656

8,919539

224489,4

0,4392

2916,54

Мальта

0,2

12,18604

148,4997

29,69993

22052,15

18,96191

-18,7619

352,0092

121010,3

93,80955

3672,966

Нидерланды

93,6

39,1

1528,81

143096,6

2337260

184,993

-91,393

8352,674

1065943

0,976421

1075,512

Польша

9,4

6,244416

38,99273

366,5317

1520,433

5,789833

3,610167

13,0333

209189,4

0,38406

2642,474

Португалия

17,2

14,6

213,16

3666,352

45437,19

26,7396

-9,5396

91,00392

80205,08

0,554628

1901,396

Румыния

3,7

24,7887

614,4798

2273,575

377585,4

75,01247

-71,3125

5085,468

13951,1

19,27364

3260,981

словакия

5,3

5,818662

33,85683

179,4412

1146,285

5,17206

0,12794

0,016369

213913,8

0,02414

3080,805

Словения

15,3

13,96737

195,0873

2984,835

38059,05

24,56572

-9,26572

85,85348

90768,27

0,605602

2070,705

Великобритания

521,3

43,96781

1933,169

1007761

3737141

233,6314

287,6686

82753,24

2064405

0,551829

212055,6

Финляндия

21,4

32,3

1043,29

22326,41

1088454

126,592

-105,192

11065,37

299126,9

4,915516

1552,754

франция

62,3

33,5

1122,25

69916,18

1259445

136,0898

-73,7898

5444,93

391732

1,184426

2,235025

Чешская Респ

60,3

6,931717

48,0487

2897,337

2308,678

6,879134

53,42087

2853,789

200987,5

0,885918

0,255025

Швеция

65,2

33,55182

1125,725

73397,26

1267257

136,5077

-71,3077

5084,795

396093,9

1,093677

19,31603

Эстония

2,5

6,353648

40,36884

100,9221

1629,644

5,95536

-3,45536

11,93951

207932,5

1,382144

3399,473

 

 

 

 

 

 

 

 

 

 

 

 

сумма

 

 

 

 

 

 

 

157686,4

7070442

131,283

259985,5

среднее

60,805

17,76358

496,365

72704,99

599900,3

60,805

 

 

 

 

 


Приложение 4

Расчет значений для квадратичной зависимости

Страна

y

x

X

X*y

X^2

yоц

(y-yоц)^2

(X-Xср)^2

(y-yоц)/y

(Y-yср)^2

Россия

177,2

3,048788

28,33881

5021,638

803,0884

4,391238

29862,87

2,76E+08

0,975219

13547,8

Бельгия

87,4

35,8

45882,71

4010149

2,11E+09

160,0572

5279,074

8,55E+08

0,831318

707,294

Венгрия

18

8,170722

545,4831

9818,696

297551,8

6,146834

140,4975

2,59E+08

0,658509

1832,268

Греция

22,7

20,3

8365,427

189895,2

69980369

32,69391

99,87818

68569260

0,44026

1451,991

Кипр

24,4

5,326366

151,1099

3687,082

22834,21

4,80802

383,8457

2,72E+08

0,80295

1325,324

Латвия

1,9

4,56564

95,17108

180,8251

9057,534

4,618119

7,388173

2,74E+08

1,430589

3469,799

Литва

6,8

4,749932

107,1673

728,7375

11484,82

4,658844

4,584549

2,74E+08

0,314876

2916,54

Мальта

0,2

12,18604

1809,623

361,9247

3274737

10,43833

104,8233

2,2E+08

51,19163

3672,966

Нидерланды

93,6

39,1

59776,47

5595078

3,57E+09

207,2236

12910,33

1,86E+09

1,213928

1075,512

Польша

9,4

6,244416

243,4868

2288,776

59285,84

5,12162

18,30453

2,69E+08

0,455147

2642,474

Португалия

17,2

14,6

3112,136

53528,74

9685390

14,86008

5,475208

1,83E+08

0,136042

1901,396

Румыния

3,7

24,7887

15232,16

56358,98

2,32E+08

56,00502

2735,815

1999188

14,13649

3260,981

словакия

5,3

5,818662

197,0014

1044,108

38809,57

4,963812

0,113022

2,71E+08

0,063432

3080,805

Словения

15,3

13,96737

2724,855

41690,29

7424836

13,54535

3,078807

1,94E+08

0,114683

2070,705

Великобритания

521,3

43,96781

84997,2

44309041

7,22E+09

292,8427

52192,72

4,67E+09

0,438245

212055,6

Финляндия

21,4

32,3

33698,27

721142,9

1,14E+09

118,6936

9466,044

2,91E+08

4,54643

1552,754

франция

62,3

33,5

37595,38

2342192

1,41E+09

131,9235

4847,426

4,39E+08

1,117552

2,235025

Чешская Респ

60,3

6,931717

333,06

20083,52

110929

5,425703

3011,189

2,66E+08

0,910022

0,255025

Швеция

65,2

33,55182

37770,12

2462612

1,43E+09

132,5167

4531,538

4,46E+08

1,032465

19,31603

Эстония

2,5

6,353648

256,4894

641,2235

65786,82

5,165761

7,106284

2,69E+08

1,066305

3399,473

 

 

 

 

 

 

 

 

 

 

 

сумма

 

 

 

 

 

 

125612,1

1,17E+10

81,87609

259985,5

среднее

60,805

17,76358

16646,08

2991277

8,60E+08

60,805

 

 

 

 


Приложение 5

Расчет параметров и характеристик моделей



квадратичная

 

линейная

 

кубическая

 

Показательная

b

0,120285

 

b

4,278865

 

b

0,003395

 

b

1,070394

a

1,099581

 

a

-15,203

 

a

4,295033

 

a

5,368187

S^2ост

157686,4

 

S^2ост

193773,9

 

S^2ост

125612,1

 

S^2ост

206707,5

ин коррел

0,62728

 

ин коррел

0,504653

 

ин коррел

0,718923

 

ин коррел

0,452689

детермин

0,39348

 

детермин

0,254674

 

детермин

0,51685

 

детермин

0,204927

 

 

 

 

 

 

 

 

 

 

 

оц дисп ош

8760,358

 

оц дисп ош

10765,22

 

оц дисп ош

6978,45

 

оц дисп ош

11483,75

ско дисп ош

93,59678

 

ско дисп ош

103,7556

 

ско дисп ош

83,53712

 

ско дисп ош

107,1623

оц дисп b

0,001239

 

оц дисп b

2,976775

 

оц дисп b

5,99E-07

 

оц дисп b

3,175462

стан ош b

0,0352

 

стан ош b

1,725333

 

стан ош b

0,000774

 

стан ош b

1,781983

оц дисп а

743,2833

 

оц дисп а

1477,567

 

оц дисп а

514,7649

 

оц дисп а

452,8752

стан ош а

27,26322

 

стан ош а

38,43913

 

стан ош а

22,68843

 

стан ош а

21,28086

 

 

 

 

 

 

 

 

 

 

 

эластичн

1,248431

 

эластичн

1,250028

 

эластичн

0,938829

 

эластичн

1,208397

 

 

 

 

 

 

 

 

 

 

 

A

656,415

 

A

1153,261

 

A

409,3805

 

A

396,9326


Приложение 6

Проверка гипотез о значимости, доверительные варианты

квадратичная

линейная

кубическая

показательн

H0:ур не знач

F факт

11,6775

 

F факт

6,150512

 

F факт

19,25548

 

F факт

4,639427

 

























H0:b=0

tb

3,417236

 

tb

2,480023

 

tb

4,388107

 

tb

0,600676

 

























H0:a=0

ta

0,040332

 

ta

-0,39551

 

ta

0,189305

 

ta

0,252254

 

























дов инт

a

-56,1783

58,37749

a

-95,9606

65,55464

a

-43,3716

51,96166

a

-39,3413

50,07762

b

0,046334

0,194237

b

0,654075

7,903656

b

0,001769

0,00502

b

-2,67341

4,8142

























прогноз

x пр

19,53994

 

x пр

19,53994

 

x пр

19,53994

 

x пр

19,53994

 

X пр

381,8093

 

X пр

19,53994

 

X пр

7460,53

 

X пр

19,53994

 

X пр-Xср

-114,556

 

X пр-Xср

1,776358

 

X пр-Xср

-9185,55

 

X пр-Xср

1,776358

 

ст ош пр

95,99289

 

ст ош пр

106,362

 

ст ош пр

85,89454

 

ст ош пр

109,8543

 

y пр

47,02563

 

y пр

68,4058

 

y пр

29,62197

 

y пр

20,28185

 

дов инт пр

-154,648

248,6992

дов инт пр

-155,052

291,864

дов инт пр

-150,836

210,0797

дов инт пр

-210,513

251,0771


Приложение 7

Расчет параметров уравнения множественной регрессии

XT

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

3,049

35,8

8,171

20,3

5,326

4,566

4,75

12,19

39,1

6,244

14,6

24,79

5,819

13,97

43,97

32,3

33,5

6,932

33,55

6,354

5263

402

304

467

19,5

99

133

11,7

430

3045

422

705

428

58

1352

220

2834

410

270

52

616,6

298

86,99

181,1

3,061

13,54

20,59

4,453

501,9

206,6

174,4

68,46

36,7

27,48

1807

155,3

1710

91,07

183,7

10,54



X

1

3,049

5263

616,6

1

35,8

402

298

1

8,171

304

86,99

1

20,3

467

181,1

1

5,326

19,5

3,061

1

4,566

99

13,54

1

4,75

133

20,59

1

12,19

11,7

4,453

1

39,1

430

501,9

1

6,244

3045

206,6

1

14,6

422

174,4

1

24,79

705

68,46

1

5,819

428

36,7

1

13,97

58

27,48

1

43,97

1352

1807

1

32,3

220

155,3

1

33,5

2834

1710

1

6,932

410

91,07

1

33,55

270

183,7

1

6,354

52

10,54

XT*X

20

355,3

16925

6197

355,3

9927

3E+05

2E+05

16925

3E+05

5E+07

1E+07

6197

2E+05

1E+07

7E+06



(XT*X)-1

0,20716

-0,0087

-0,000059

0,000153

-0,0087

0,00058

0,00000278

-1,3E-05

-6E-05

2,8E-06

5,21E-08

-1,1E-07

0,00015

-1E-05

-0,00000011

5,34E-07



XT*Y



B

1216,1



4,4768

37076,4



0,4117

1995796



-0,00454

1263331



0,1706



Приложение 8


Расчет значений характеристик модели множественной регрессии

страна

y

x1

x2

x3

yоц

e

e^2

y-yср

(y-yср)^2

|e|

|e|/y

Россия

177,2

3,048788

5263

616,6053

87,01702

90,18298

8132,971

116,395

13547,8

90,18298

0,508933

Бельгия

87,4

35,8

402

298

68,2222

19,1778

367,7879

26,595

707,294

19,1778

0,219426

Венгрия

18

8,170722

304

86,98998

21,2989

-3,2989

10,88276

-42,805

1832,268

3,298902

0,183272

Греция

22,7

20,3

467

181,1

41,60538

-18,9054

357,4132

-38,105

1451,991

18,90538

0,832836

Кипр

24,4

5,326366

19,5

3,060673

7,102962

17,29704

299,1875

-36,405

1325,324

17,29704

0,708895

Латвия

1,9

4,56564

99

13,54473

8,217223

-6,31722

39,90731

-58,905

3469,799

6,317223

3,324854

Литва

6,8

4,749932

133

20,59269

9,340966

-2,54097

6,456509

-54,005

2916,54

2,540966

0,373671

Мальта

0,2

12,18604

11,7

4,452593

10,19967

-9,99967

99,99332

-60,605

3672,966

9,999666

49,99833

Нидерланды

93,6

39,1

430

501,9

104,2351

-10,6351

113,1055

32,795

1075,512

10,6351

0,113623

Польша

9,4

6,244416

3045

206,572

28,4591

-19,0591

363,2495

-51,405

2642,474

19,0591

2,027564

Португалия

17,2

14,6

422

174,4

38,32034

-21,1203

446,0686

-43,605

1901,396

21,12034

1,227927

Румыния

3,7

24,7887

705

68,4577

23,15789

-19,4579

378,6094

-57,105

3260,981

19,45789

5,258889

словакия

5,3

5,818662

428

36,69945

11,18901

-5,88901

34,68044

-55,505

3080,805

5,88901

1,111134

Словения

15,3

13,96737

58

27,47676

14,65024

0,649758

0,422185

-45,505

2070,705

0,649758

0,042468

Великобритания

521,3

43,96781

1352

1806,959

324,6716

196,6284

38662,74

460,495

212055,6

196,6284

0,377189

Финляндия

21,4

32,3

220

155,3

43,26578

-21,8658

478,1122

-39,405

1552,754

21,86578

1,021765

франция

62,3

33,5

2834

1710

297,0941

-234,794

55128,26

1,495

2,235025

234,7941

3,768765

Чешская Респ

60,3

6,931717

410

91,06928

21,00342

39,29658

1544,221

-0,505

0,255025

39,29658

0,651685

Швеция

65,2

33,55182

270

183,6787

48,39496

16,80504

282,4094

4,395

19,31603

16,80504

0,257746

Эстония

2,5

6,353648

52

10,54041

8,654193

-6,15419

37,87409

-58,305

3399,473

6,154193

2,461677

 

 

 

 

 

 

 

 

 

 

 

 

сумма

 

 

 

 

 

 

106784,4

 

259985,5

 

74,47065

среднее

60,805

17,76358

846,26

309,87

 

 

 

 

 

 

 


Приложение 9

Расчет параметров уравнения множественной регрессии с фиктивной переменной

XT

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

3,049

35,8

8,171

20,3

5,326

4,566

4,75

12,19

39,1

6,244

14,6

24,79

5,819

13,97

43,97

32,3

33,5

6,932

33,55

6,354

5263

402

304

467

19,5

99

133

11,7

430

3045

422

705

428

58

1352

220

2834

410

270

52

616,6

298

86,99

181,1

3,061

13,54

20,59

4,453

501,9

206,6

174,4

68,46

36,7

27,48

1807

155,3

1710

91,07

183,7

10,54

1

0

0

1

0

0

0

0

0

1

0

1

0

0

1

1

1

0

1

0



X

1

3,0488

5263

616,61

1

1

35,8

402

298

0

1

8,1707

304

86,99

0

1

20,3

467

181,1

1

1

5,3264

19,5

3,0607

0

1

4,5656

99

13,545

0

1

4,7499

133

20,593

0

1

12,186

11,7

4,4526

0

1

39,1

430

501,9

0

1

6,2444

3045

206,57

1

1

14,6

422

174,4

0

1

24,789

705

68,458

1

1

5,8187

428

36,699

0

1

13,967

58

27,477

0

1

43,968

1352

1807

1

1

32,3

220

155,3

1

1

33,5

2834

1710

1

1

6,9317

410

91,069

0

1

33,552

270

183,68

1

1

6,3536

52

10,54

0

XT*X

20

355,272

16925,2

6197,4

8

355,272

9927,3

280217

191531

197,702

16925,2

280217

4,9E+07

1,2E+07

14156

6197,4

191531

1,2E+07

7097248

4928,67

8

197,702

14156

4928,67

8



(XT*X)-1

0,21727

-0,0102

-8E-05

0,00017

0,0689

-0,0102

0,0008

5,5E-06

-1E-05

-0,0102

-8E-05

5,5E-06

8,6E-08

-1E-07

-0,0001

0,00017

-1E-05

-1E-07

5,5E-07

1E-04

0,0689

-0,0102

-0,0001

1E-04

0,46968



XT*Y



B

1216,1



3,756

37076,4



0,518

1995796



-0,003

1263331



0,170

883,2



-4,916



1. Реферат на тему The Raging Inferno Essay Research Paper Johnson
2. Реферат на тему Hamlet Character Analysis Of King Claudius Essay
3. Курсовая Учет оплаты труда 6
4. Реферат Понятия о популяциях, сообществах, биоге- оценозах, экосистеме, биосфере и ее основных компонент
5. Реферат Франчайзинг как форма международного сотрудничества
6. Контрольная работа Геномный уровень организации наследственного материала
7. Изложение на тему Краткое изложение альтернативного понимания монархии
8. Реферат Суспільно-політичний лад і право України в період національно-визвольної війни під проводом Богд
9. Реферат на тему Психология первобытного общества
10. Реферат Злочини та покарання за законами Ману