Реферат

Реферат Эконометрика 6

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 11.11.2024





ВСЕРОССИЙСКИЙ ЗАОЧНЫЙ ФИНАНСОВО‑ЭКОНОМИЧЕСКИЙ
ИНСТИТУТ


Филиал в г. Брянске
КОНТРОЛЬНАЯ РАБОТА

по дисциплине

ЭКОНОМЕТРИКА


ВЫПОЛНИЛ(А)

Симонова Н.С.

СТУДЕНТ(КА)

3 курса («вечер», поток 1)

СПЕЦИАЛЬНОСТЬ

Финансы и кредит

№ ЗАЧ. КНИЖКИ

06ффд15027

ПРЕПОДАВАТЕЛЬ

Малашенко В.М.


Брянск — 2009

ЗАДАЧА 1

         По предприятиям легкой промышленности региона получена информация, характеризующая зависимость объема выпускаемой продукции (Y, млн. руб.) от объема капиталовложений (X, млн. руб.):



№ предприятия

X

Y

1

22

26

2

48

52

3

31

43

4

36

38

5

43

54

6

52

53

7

28

35

8

26

37

9

42

47

10

59

58



         Требуется:

1.     Найти параметры уравнения линейной регрессии, дать экономическую интерпретацию углового коэффициента регрессии.

2.     Вычислить остатки; найти остаточную сумму квадратов; определить стандартную ошибку регрессии; построить график остатков.

3.     Проверить выполнение предпосылок метода наименьших квадратов.

4.     Осуществить проверку значимости параметров уравнения регрессии с помощью t-критерия Стьюдента (уровень значимости a=0,05).

5.     Вычислить коэффициент детерминации R2; проверить значимость уравнения регрессии с помощью F-критерия Фишера (уровень значимости a=0,05); найти среднюю относительную ошибку аппроксимации. Сделать вывод о качестве модели.

6.     Осуществить прогнозирование значения показателя Y при уровне значимости a=0,1, если прогнозное значения фактора Х составит 80 % от его максимального значения.

7.     Представить графически: фактические и модельные значения Y, точки прогноза.

8.     Составить уравнения нелинейной регрессии:

Ø    логарифмической;

Ø    степенной;

Ø    показательной.

         Привести графики построенных уравнений регрессии.

9.     Для указанных моделей найти коэффициенты детерминации и средние относительные ошибки аппроксимации. Сравнить модели по этим характеристикам и сделать вывод.

РЕШЕНИЕ

         Для решения задачи используется табличный процессор EXCEL.

         1. С помощью надстройки «Анализ данных» EXCEL проводим регрессионный анализ и определяем параметры уравнения линейной регрессии  (меню «Сервис» ® «Анализ данных…» ® «Регрессия»):



         (Для копирования снимка окна в буфер обмена данных WINDOWS используется комбинация клавиш Alt+Print Screen.)

         В результате этого уравнение регрессии будет иметь вид:

 (прил. 1).

         Угловой коэффициент b1=0,785 является по своей сути средним абсолютным приростом. Его значение показывает, что при увеличении объема капиталовложений X на 1 млн. руб. объем выпускаемой продукции Y возрастает в среднем на 0,785 млн. руб.
         2. При проведении регрессионного анализа в EXCEL одновременно были определены остатки регрессии  (i=1, 2, …, n, где n=10 — число наблюдений значений переменных X и Y) (см. «Вывод остатка» в прил. 1) и рассчитана остаточная сумма квадратов

 

(см. «Дисперсионный анализ» в прил. 1).

         Стандартная ошибка линейной парной регрессии Sрег определена там же:

 млн. руб.

(см. «Регрессионную статистику» в прил. 1), где p=1 — число факторов в регрессионной модели.

         График остатков ei от предсказанных уравнением регрессии значений результата  (i=1, 2, …, n) строим с помощью диаграммы EXCEL. Предварительно в «Выводе остатка» прил. 1 выделяются блоки ячеек «Предсказанное Y» и «Остатки» вместе с заголовками, а затем выбирается пункт меню «Вставка» ® «Диаграмма…» ® «Точечная»:

         График остатков приведен в прил. 2.
         3. Проверим выполнение предпосылок обычного метода наименьших квадратов.

         1) Случайный характер остатков. Визуальный анализ графика остатков не выявляет в них какой-либо явной закономерности.

         Проверим исходные данные на наличие аномальных наблюдений объема выпускаемой продукции Y (выбросов). С этой целю сравним абсолютные величиныстандартизированных остатков(см. «Вывод остатка» в прил. 1) с табличным значением t-критерия Стьюдента для уровня значимости a=0,05 и числа степеней свободы остатка регрессии , которое составляет tтаб=2,306.

         Видно, что ни один из стандартизированных остатков не превышает по абсолютной величине табличное значение t-критерия Стьюдента. Это свидетельствует об отсутствии выбросов.

         2) Нулевая средняя величина остатков. Данная предпосылка всегда выполняется для линейных моделей со свободным коэффициентом b0, параметры которых оцениваются обычным методом наименьших квадратов. В нашей модели алгебраическая сумма остатков и, следовательно, их среднее, равны нулю:  (см. прил. 1).

         Для вычисления суммы и среднего значений остатков использовались встроенные функции EXCEL «СУММ» и «СРЗНАЧ».

         3) Одинаковая дисперсия (гомоскедастичность) остатков. Выполнение данной предпосылки проверим методом Глейзера в предположении линейной зависимости среднего квадратического отклонения возмущений  от предсказанных уравнением регрессии значений результата  (i=1, 2, …, n). Для этого рассчитывается коэффициент корреляции  между абсолютными величинами остатков  и  (i=1, 2, …, n) с помощью выражения, составленного из встроенных функций:

=КОРРЕЛ(ABSОстатки»);«Предсказанное Y»)

         Коэффициент корреляции оказался равным  (см. прил. 1).

            Критическое значение коэффициента корреляции для уровня значимости a=0,05 и числа степеней свободы  составляет rкр=0,632.

         Так как коэффициент корреляции  не превышает по абсолютной величине критическое значение, то статистическая гипотеза об одинаковой дисперсии остатков не отклоняется на уровне значимости a=0,05.

         4) Отсутствие автокорреляции в остатках. Выполнение данной предпосылки проверяем методом Дарбина–Уотсона. Предварительно ряд остатков упорядочивается в зависимости от последовательно возрастающих значений результата Y, предсказанных уравнением регрессии. Для этой цели в «Выводе остатка» прил. 1 выделяется любая ячейка в столбце «Предсказанное Y», и на панели инструментов нажимается кнопка «» («Сортировка по возрастанию»). По упорядоченному ряду остатков рассчитываем d‑статистику Дарбина–Уотсона

 (см. прил. 1).

         Для расчета
d
‑статистики использовалось выражение, составленное из встроенных функций EXCEL:

=СУММКВРАЗН(«Остатки 2, …, n»; «Остатки 1, …, n–1»)/СУММКВ(«Остатки 1, …,n»)

         Критические значения d‑статистики для числа наблюдений n=10, числа факторов p=1 и уровня значимости a=0,05 составляют: d1=0,88; d2=1,32.

         Так как выполняется условие

,

статистическая гипотеза об отсутствии автокорреляции в остатках не отклоняется на уровне значимости a=0,05.

         Проверим отсутствие автокорреляции в остатках также и по коэффициенту автокорреляции остатков первого порядка

 (см. прил. 1).

(ряд остатков упорядочен в той же самой последовательности).

         Для расчета коэффициента автокорреляции использовалось выражение, составленное из встроенных функций:

=СУММПРОИЗВ(«Остатки 2, …, n»; «Остатки 1, …, n–1»)/СУММКВ(«Остатки 1, …,n»)

         Критическое значение коэффициента автокорреляции для числа наблюдений n=10 и уровня значимости a=0,05 составляет r(1)кр=0,632. Так как коэффициент автокорреляции остатков первого порядка не превышает по абсолютной величине критическое значение, то это еще раз указывает на отсутствие автокорреляции в остатках.

         5) Нормальный закон распределения остатков. Выполнение этой предпосылки проверяем с помощью R/S-критерия, определяемого по формуле

,

где emax=6,32; emin=(–5,19) — наибольший и наименьший остатки соответственно (определялись с помощью встроенных функций «МАКС» и «МИН»);  — стандартное отклонение ряда остатков (определено с помощью встроенной функции «СТАНДОТКЛОН») (см. прил. 1).

         Критические границы R
/
S
-критерия для числа наблюдений n=10 и уровня значимости a=0,05 имеют значения: (R/S)1=2,67 и (R/S)2=3,69.

         Так как расчетное значение R/S-критерия попадает в интервал между критическими границами, то статистическая гипотеза о нормальном законе распределения остатков не отклоняется на уровне значимости a=0,05.

         Проведенная проверка показала, что выполняются все пять предпосылок обычного метода наименьших квадратов. Это свидетельствует об адекватности регрессионной модели исследуемому экономическому явлению.
         4. Проверим статистическую значимость коэффициентов b0 и b1 уравнения регрессии. Табличное значение t-критерия Стьюдента для уровня значимости a=0,05 и числа степеней свободы остатка линейной парной регрессии  составляет tтаб=2,306.

         t-статистики коэффициентов

,

были определены при проведении регрессионного анализа в EXCEL и имеют следующие значения: tb0»3,202; tb1»7,288 (см. прил. 1). Анализ этих значений показывает, что по абсолютной величине все они превышают табличное значение t-критерия Стьюдента. Это свидетельствует о статистической значимости обоих коэффициентов. На то же самое обстоятельство указывают и вероятности случайного формирования коэффициентов b0 и b1, которые ниже допустимого уровня значимости a=0,05 (см. «P‑Значение»).

         Статистическая значимость углового коэффициента b1 дает основание говорить о существенном (значимом) влиянии изменения объема капиталовложений X на изменение объема выпускаемой продукции Y.
         5. Коэффициент детерминации R2 линейной модели также был определен при проведении регрессионного анализа в EXCEL:

 

(см. «Регрессионную статистику» в прил. 1).

         Значение R2 показывает, что линейная модель объясняет 86,9 % вариации объема выпускаемой продукции Y.

         F-статистика линейной модели имеет значение



(см. «Дисперсионный анализ» в прил. 1).

         Табличное значение F-критерия Фишера для уровня значимости a=0,05 и чисел степеней свободы числителя (регрессии)  и знаменателя (остатка)  составляет Fтаб=5,32. Так как F-статистика превышает табличное значение F-критерия Фишера, то это свидетельствует о статистической значимости уравнения регрессии в целом. На этот же факт указывает и то, что вероятность случайного формирования уравнения регрессии в том виде, в каком оно получено, составляет 8,49×10-5 (см. «Значимость F» в «Дисперсионном анализе» прил. 1), что ниже допустимого уровня значимости a=0,05.

         Среднюю относительную ошибку аппроксимации определяем по приближенной формуле

,

где  млн. руб. — средний объем выпускаемой продукции, определенный с помощью встроенной функции «СРЗНАЧ» (см. «Исходные данные» в прил. 1).

         Значение Еотн показывает, что предсказанные уравнением регрессии значения объема выпускаемой продукции Y отличаются от фактических значений в среднем на 7,1 %. Линейная модель имеет хорошую точность.

         По результатам проверок, проведенных в пунктах 3 — 5, можно сделать вывод о достаточно хорошем качестве линейной модели и возможности ее использования для целей анализа и прогнозирования объема выпускаемой продукции.
         6. Спрогнозируем объем выпускаемой продукции Y, если прогнозное значение объема капиталовложений X составит 80 % от своего максимального значения в исходных данных:

§       максимальное значение X xmax=59 млн. руб. (см. «Исходные данные» в прил. 1);

§       прогнозное значение X  млн. руб.

         Среднее прогнозируемое значение объема выпускаемой продукции (точечный прогноз) равно

 млн. руб.

         Стандартная ошибка прогноза фактического значения объема выпускаемой продукции
y
0 рассчитывается по формуле

 млн. руб.,

где  млн. руб. — средний объем капиталовложений;  млн. руб. — стандартное отклонение объема капиталовложений (определены с помощью встроенных функций «СРЗНАЧ» и «СТАНДОТКЛОН») (см. «Исходные данные» в прил. 1).

         Интервальный прогноз фактического значения объема выпускаемой продукции
y
0 с надежностью (доверительной вероятностью) g=0,9 (уровень значимости a=0,1) имеет вид:

 млн. руб.,

где
t
таб=1,860 — табличное значение t-критерия Стьюдента при уровне значимости a=0,1 и числе степеней свободы .

         Таким образом, объем выпускаемой продукции Y с вероятностью 90 % будет находиться в интервале от 43,2 до 58,8 млн. руб.
         7. График, на котором изображены фактические и предсказанные уравнением регрессии значения Y строим с помощью диаграммы EXCEL (меню «Вставка» ® «Диаграмма…» ® «Точечная»). Далее строим линию линейного тренда (меню «Диаграмма» ® «Добавить линию тренда…» ® «Линейная»), и устанавливаем вывод на диаграмме уравнения регрессии и коэффициента детерминации R2:

 
         Точки точечного и интервального прогнозов наносим на график вручную (прил. 3).
         8. Логарифмическую, степенную и показательную модели также строим с помощью диаграммы EXCEL (меню «Вставка» ® «Диаграмма…» ® «Точечная»). Далее последовательно строим соответствующие линии тренда (меню «Диаграмма» ® «Добавить линию тренда…»), и устанавливаем вывод на диаграмме уравнения регрессии и коэффициента детерминации R2:
 
         Графики линий регрессии, уравнения регрессии и значения R2 приведены в прил. 4. Рассмотрим последовательно каждую модель.        
         1) Логарифмическая модель:

.

         Значение параметра b1=29,9 показывает, что при увеличении объема капиталовложений X на 1 % объем выпускаемой продукции Y возрастает в среднем на  млн. руб.

         Коэффициент детерминации R2»0,898 показывает, что логарифмическая модель объясняет 89,8 % вариации объема выпускаемой продукции Y.

         F-статистика Фишера логарифмической модели определяется через коэффициент детерминации R2 по формуле

.

         Табличное значение F-критерия Фишера одинаково как для линейной, так и для всех нелинейных моделей, которые здесь строятся (Fтаб=5,32). Так как F-статистика превышает табличное значение F-критерия, то это свидетельствует о статистической значимости уравнения логарифмической регрессии.

         Стандартная ошибка логарифмической регрессии также рассчитывается через коэффициент детерминации R2 по формуле

 млн. руб.,

где  млн. руб. — стандартное отклонение объема выпускаемой продукции, определенное с помощью встроенной функции «СТАНДОТКЛОН» (см. «Исходные данные» в прил. 1).

         Среднюю относительную ошибку аппроксимации определяем по приближенной формуле

.

         Предсказанные уравнением логарифмической регрессии значения объема выпускаемой продукции Y отличаются от фактических значений в среднем на 6,2 %. Логарифмическая модель имеет хорошую точность.

         2) Степенная модель:

.

         Показатель степени b1=0,721 является средним коэффициентом эластичности. Его значение показывает, что при увеличении объема капиталовложений X на 1 % объем выпускаемой продукции Y возрастает в среднем на 0,721 %.

         Коэффициент детерминации R2»0,873 показывает, что степенная модель объясняет 87,3 % вариации объема выпускаемой продукции Y.

         F-статистика степенной модели



также превышает табличное значение F-критерия Фишера (Fтаб=5,32), что указывает на статистическую значимость уравнения степенной регрессии.

         Стандартная ошибка степенной регрессии равна

 млн. руб.

         Средняя относительная ошибка аппроксимации имеет значение

.

         Предсказанные уравнением степенной регрессии значения объема выпускаемой продукции Y отличаются от фактических значений в среднем на 7,0 %. Степенная модель имеет хорошую точность.

         3) Показательная (экспоненциальная) модель:

,

где е=2,718… — основание натуральных логарифмов;  — функция экспоненты (в EXCEL встроенная функция «EXP»).

         Параметр b1=1,019 является средним коэффициентом роста. Его значение показывает, что при увеличении объема капиталовложений X на 1 млн. руб. объем выпускаемой продукции Y возрастает в среднем в 1,019 раза, то есть на 1,9 %.

         Коэффициент детерминации R2»0,821 показывает, что показательная модель объясняет 82,1 % вариации объема выпускаемой продукции Y.

         F-статистика показательной модели



превышает табличное значение F-критерия Фишера (Fтаб=5,32), что свидетельствует о статистической значимости уравнения показательной регрессии.

         Стандартная ошибка показательной регрессии:

 млн. руб.

         Средняя относительная ошибка аппроксимации:

.

         Предсказанные уравнением показательной регрессии значения объема выпускаемой продукции Y отличаются от фактических значений в среднем на 8,3 %. Показательная модель имеет хорошую точность.
         Сравнивая между собой коэффициенты детерминации R2 четырех построенных моделей (линейной, логарифмической, степенной и показательной), можно придти к выводу, что лучшей моделью является логарифмическая модель, так как она имеет самое большое значение R2.
ПРИЛОЖЕНИЕ: компьютерные распечатки на 4 листах.

ЗАДАЧА 2

Задача 2а и 2б

         Для каждого варианта даны по две структурные формы модели, которые заданы в виде матриц коэффициентов модели. Необходимо записать системы одновременных уравнений и проверить обе системы на идентифицируемость.



Номер варианта

Номер уравнения

Задача 2а

Задача 2б

переменные

переменные

у1

у2

у3

х1

х2

х3

x4

у1

у2

у3

х1

х2

х3

x4

11

1

–1

b12

b13

a11

a12

0

0

–1

b12

b13

a11

a12

0

0

2

b21

–1

0

a21

a22

a23

0

b21

–1

0

0

a22

a23

0

3

b31

b32

–1

0

0

a33

a34

b31

b32

–1

a31

a32

0

a34

РЕШЕНИЕ

Задача 2а

         Используя матрицу коэффициентов модели в исходных данных, записываем систему одновременных уравнений регрессии в структурной форме:



         Проверим каждое уравнение системы на выполнение необходимого и достаточного условия идентификации.

         В первом уравнении три эндогенные переменные: y1,
y
2 и
y
3 (H=3). В нем отсутствуют экзогенные переменные x3 и x4 (D=2). Необходимое условие идентификации  выполнено. Для проверки на достаточное условие составим матрицу из коэффициентов при переменных x3 и x4, отсутствующих в данном уравнении, но имеющихся в системе:



Уравнения, из которых взяты коэффициенты при переменных

Переменные

x3

x4

2

a23


0

3

a33

a34



         Определитель данной матрицы не равен нулю:

,

а ее ранг равен 2. В заданной системе уравнений три эндогенные переменные —
y
1, y2 и y3 . Так как ранг матрицы не меньше, чем количество эндогенных переменных в системе без одного, то достаточное условие идентификации для данного уравнения выполнено. Первое уравнение считается идентифицируемым.

         Во втором уравнении две эндогенные переменные: y1 и y2 (H=2). В нем отсутствует одна экзогенная переменная x4 (D=1). Необходимое условие идентификации  выполнено. Составим матрицу из коэффициентов при переменных y3 и x4, которые отсутствуют во втором уравнении:



Уравнения, из которых взяты коэффициенты при переменных

Переменные

y3

x4

1

b13


0

3

–1

a34




         Определитель данной матрицы не равен нулю:

,

а ее ранг равен 2. Значит, достаточное условие идентификации выполнено, и второе уравнение считается идентифицируемым.

         В третьем уравнении три эндогенные переменные: y1, y2 и y3 (H=3). В нем отсутствует экзогенные переменные x1 и x2 (D=2). Необходимое условие идентификации  выполнено. Составим матрицу из коэффициентов при переменных х1 и x2, которые отсутствуют в третьем уравнении:



Уравнения, из которых взяты коэффициенты при переменных

Переменные

x1

x2

1

a11

a12

2

a21


a22




         Определитель данной матрицы равен

,

а ее ранг — 2. Если , то это означает, что достаточное условие идентификации выполнено, и третье уравнение можно считать идентифицируемым.

         Таким образом, все три уравнения заданной системы идентифицируемы, а значит, идентифицируема и вся система в целом.
Задача 2б

         Используя матрицу коэффициентов модели в исходных данных, записываем систему одновременных уравнений регрессии в структурной форме:



         Проверим каждое уравнение системы на выполнение необходимого и достаточного условия идентификации.

         В первом уравнении три эндогенные переменные: y1,
y
2 и
y
3 (H=3). В нем отсутствуют экзогенные переменные x3 и x4 (D=2). Необходимое условие идентификации  выполнено. Для проверки на достаточное условие составим матрицу из коэффициентов при переменных x3 и x4, отсутствующих в данном уравнении, но имеющихся в системе:



Уравнения, из которых взяты коэффициенты при переменных

Переменные

x3

x4

2

a23


0

3

0

a34



         Определитель матрицы не равен нулю:

,

а ее ранг матрицы равен 2. В заданной системе уравнений три эндогенные переменные —
y
1, y2 и y3. Так как ранг матрицы не меньше, чем количество эндогенных переменных в системе без одного, то достаточное условие идентификации для данного уравнения выполнено. Первое уравнение считается идентифицируемым.

         Во втором уравнении две эндогенные переменные: y1 и y2 (H=2). В нем отсутствует экзогенные переменные x1 и x4 (D=2). Так как , то это означает, что данное уравнение сверхидентифицируемо.

         В третьем уравнении три эндогенные переменные: y1, y2 и y3 (H=3). В нем отсутствует одна экзогенная переменная x3 (D=1). Так как , то это означает, что данное уравнение неидентифицируемо.

         Таким образом, первое уравнение заданной системы идентифицируемо, второе — сверхидентифицируемо, а третье — неидентифицируемо. Если хотя бы одно уравнение системы неидентифицируемо, то вся система считается неидентифицируемой. Данная система является неидентифицируемой и не имеет статистического решения.
Задача 2в

         По данным таблицы для своего варианта, используя косвенный метод наименьших квадратов, построить структурную форму модели вида:





Вариант

n

у1

у2

х1

х2

11

1

33,0

37,1

3

11

2

45,9

49,3

7

16

3

42,2

41,6

7

9

4

51,4

45,9

10

9

5

49,0

37,4

10

1

6

49,3

52,3

8

16



РЕШЕНИЕ

         С помощью табличного процессора EXCEL строим два приведенных уравнения системы одновременных уравнений регрессии (меню «Сервис» ® «Анализ данных…» ® «Регрессия»):
 
         Данные уравнения образуют приведенную форму системы одновременных уравнений регрессии:



         Коэффициенты приведенной формы имеют следующие значения: d10»19,90; d11»2,821; d12»0,394; d20»19,14; d21»1,679 и d22»1,181 (см. прил.).

         Таким образом, приведенная форма системы уравнений имеет вид:



         Определим коэффициенты структурной формы системы уравнений



         Структурные коэффициенты определяются по формулам:

         ;

         ;

         ;

         ;

         ;

         .

         Окончательно структурная форма системы одновременных уравнений регрессии примет вид:


ПРИЛОЖЕНИЕ: компьютерная распечатка на 1 листе.



1. Реферат на тему Strange Things About City Life Essay Research
2. Реферат на тему Основна і допоміжна відпустка
3. Реферат Интеллектуальные способности
4. Реферат Гештальт-терапия Ф. Перлза
5. Реферат Основания и порядок применения налоговым органом расчетного пути при определении сумм налогов
6. Курсовая Анализ финансового состояния ЗАО Андреевское ЮрьевПольского района Владимирской области
7. Диплом Анализ эффективности кадровой стратегии организации на примере ООО ТНГ Групп
8. Сочинение на тему Айтматов ч. - Рецензия на роман ч. т. айтматова плаха вариант 1
9. Реферат на тему Cerebral Palsy Essay Research Paper Though many
10. Реферат на тему ECommerce Essay Research Paper 1 Sizing the