Рекомендуемая категория для самостоятельной подготовки:
Контрольная работа*
Код |
263926 |
Дата создания |
12 июня 2015 |
Страниц |
15
|
Мы сможем обработать ваш заказ (!) 25 декабря в 12:00 [мск] Файлы будут доступны для скачивания только после обработки заказа.
|
Описание
Контрольная работа по эконометрике вариант 22 ...
Содержание
Решение задач
Введение
Задание I.
Номер Номер наблюдения, t
показателя 1 2 3 4 5 6 7 8 9
42: Y(t) 65 67 63 60 56 63 57 53 51
Требуется:
1) определить наличие тренда Y(t);
2) построить линейную модель Y(t) = a0 + a1 * t, параметры которой оценить с помощью МНК;
3) оценить адекватность построенных моделей на основе исследования:
а) случайности остаточной компоненты по критерию пиков;
б) независимости уровней ряда остатков по d-критерию (в качестве критических использовать уровни d1 = 1,08 и d2 = 1,36 ) или по первому коэффициенту корреляции, критический уровень которого r(1) = 0,36;
в) нормальности распределения остаточной компоненты по R/S-критерию с критическими уровнями 2,7 – 3,7;
4) для оценки точности использовать среднеквадратическое отклонение и среднюю по модулю относительную ошибку;
5) построить точеч ный и интервальный прогнозы на два шага вперед (для вероятности
Р = 70% использовать коэффициент t , = 1,11).
Задание II.
Номер Номер наблюдения, t
показателя 1 2 3 4 5 6 7 8 9
42: Y(t) 65 67 63 60 56 53 57 53 51
43: X1(t) 29 33 32 36 38 41 44 42 46
44: X2(t) 35 40 44 50 53 57 56 60 62
Требуется:
1) построить матрицу коэффициентов парной корреляции Y(t) с X1(t) и X2(t) и выбрать фактор, наиболее тесно связанный с зависимой переменной Y(t);
2) построить линейную однопараметрическую модель регрессии Y(t) = a0 + a1 * Х(t);
3) оценить качество построенной модели, исследовав ее адекватность и точность;
4) для модели регрессии рассчитать коэффициент эластичности и -коэффициент;
5) построить точечный и интервальный прогнозы на два шага вперед по модели регрессии (для вероятности Р = 70% использовать коэффициент = 1,11). Прогнозные оценки фактора X(t) на два шага вперед получить на основе среднего прироста от фактически достигнутого уровня).
Фрагмент работы для ознакомления
-59,52
58,33
37,89
262,00
270,89
-238,67
yср
x1cр
сумма
сумма
сумма
Тогда
ry,x1 = -238,67 / SQR[ 262,00 *270,89] = -238,67 / 266,41= -0,9
Промежуточные результаты расчетов для коэффициента ry,x2 приведены в таблице 5
Таблица 5
t
Y(t)
X2(t)
Y(t) - yср
X2(t) – x2cр
(Yt - yср)2
(X2t - x2cр) 2
(Y(t) - yср)*( X2t - x2cр)
1
65
35
6,67
-15,78
44,44
248,94
-105,2
2
67
40
8,67
-10,78
75,11
116,16
-93,41
3
63
44
4,67
-6,78
21,78
45,94
-31,63
4
60
50
1,67
-0,78
2,78
0,60
-1,296
5
56
53
-2,33
2,22
5,44
4,94
-5,185
6
53
57
-5,33
6,22
28,44
38,72
-33,19
7
57
56
-1,33
5,22
1,78
27,27
-6,963
8
53
60
-5,33
9,22
28,44
85,05
-49,19
9
51
62
-7,33
11,22
53,78
125,94
-82,3
58,33
50,78
262,00
693,56
-408,33
yср
x2cр
сумма
сумма
сумма
Тогда
ry,x2 = -408,33 / SQR[ 262,00 * 693,56 ] = -408,33 / 426,28 = -0,96
Для построения полной матрицы коэффициентов парной корреляции необходимо вычислить коэффициент rx1,x2 (таблица 6)
Таблица 6
t
X1(t)
X2(t)
X1(t) – x1cр
X2(t) – x2cр
(X1t - x1cр) 2
(X2t - x2cр) 2
(X1t - x1cр)*(X2t - x2cр)
1
29
15
-8,89
-15,78
79,01
248,94
140,13
2
33
20
-4,89
-10,78
23,90
116,16
52,61
3
32
24
-5,89
-6,78
34,68
45,94
39,87
4
36
30
-1,89
-0,78
3,57
0,60
1,466
5
38
33
0,11
2,22
0,01
4,94
0,266
6
41
37
3,11
6,22
9,68
38,72
19,416
7
44
36
6,11
5,22
37,35
27,27
31,95
8
42
40
4,11
9,22
16,90
85,05
37,99
9
46
42
8,11
11,22
65,79
125,94
91,11
37,89
50,78
270,89
693,56
414,80
x1cр
x2cр
сумма
сумма
сумма
Тогда
rx1,x2 = 414,78 / SQR[270,89* 693,56 ] = 414,78 /433,45 =0,9569 0,96
И матрица коэффициентов парной корреляции, построенная по вычисленным значениям, имеет вид:
1
ry,x1 = -0,9
ry,x2 = -0,96
rx1,y = -0,9
1
rx1,x2 = 0,96
rx2,y = -0,96
rx2,x1 = 0,96
1
Вывод: среди двух факторов X1(t) и X2(t) наиболее тесно связанным с зависимой переменной Y(t) является фактор X1(t), так как в абсолютном выражении коэффициент ry,x1 наиболее близок к 1. Отрицательное значение коэффициента корреляции означает обратную (разнонаправленную) линейную связь между Y(t) и X1(t).
2) Линейная однопараметрическая (однофакторная) модель регрессии.
Так как модель Y(t) = a0 + a1 * X(t) линейна относительно параметров a0 и a1 , то для их оценки применим метод наименьших квадратов (традиционный):
a0 = yср – a1 * xср
a1 = nt=1 ( Yt - yср ) * ( Xt - xср ) / nt=1 (Xt - xср ) 2
yср = ( nt=1 Yt ) / n
xср = ( nt=1 Xt ) / n
где: yср, xср – средние значения переменных;
Yt, Xt – текущие значения переменных в момент наблюдения t;
n – длина (количество уровней) ряда наблюдений;
nt=1 – операция суммирования значений уровней с номером t в диапазоне от 1 до n.
Промежуточные результаты расчетов для зависимой переменной Y(t) и фактора X1(t), приведены в таблице 7
Таблица 7
t
Y(t)
Yt - yср
X1(t)
X1t - x1ср
(Yt - yср)*(X1t - x1ср)
(X1t - x1ср) 2
1
65
6,67
29
-8,89
-59,23
79,01
2
67
8,67
33
-4,89
-42,31
23,90
3
63
4,67
32
-5,89
-27,46
34,68
4
60
1,67
36
-1,89
-3,14
3,57
5
56
-2,33
38
0,11
-0,28
0,01
6
53
-5,33
41
3,11
-16,63
9,68
7
57
-1,33
44
6,11
-8,14
37,35
8
53
-5,33
42
4,11
-21,96
16,90
9
51
-7,33
46
8,11
-59,52
65,79
58,33
37,89
-238,67
270,89
yср
x1ср
сумма
сумма
Тогда
a1 = -238,67 / 270,89= -0,88 a0 = 58,33 – (-0,881) * 37,89 = 91,72
Таким образом, искомая линейная модель имеет вид:
<Y(t)> =91,72– 0,881 * X1(t)
где: <Y(t)> - расчетное значение зависимой переменной Y.
3) Оценка адекватности и точности линейной однофакторной модели регрессии.
Для оценки адекватности и точности линейной однофакторной модели регрессии необходимо убедиться в следующем:
- в адекватности вида уравнения модели;
- в статистической значимости модели регрессии в целом (F-критерий Фишера);
- в статистической значимости коэффициентов уравнения регрессии и коэффициента корреляции;
- в точности модели (в качестве меры точности используют оценки значений ошибок).
3.1. Оценка адекватности уравнения модели
Уравнение модели является адекватным, если:
- математическое ожидание значений остаточного ряда равно или близко нулю (t-критерий Стьюдента);
- значения остаточного ряда случайны (критерий пиков);
- значения остаточного ряда независимы (d-критерий Дарбина-Уотсона);
- значения остаточного ряда подчинены нормальному закону (R/S-критерий).
а) t-критерий Стьюдента:
Проверка равенства математического ожидания уровней ряда остатков нулю осуществляется в ходе проверки статистической нулевой гипотезы Н0 : | ср | = 0. С этой целью строится t-статистика
t = | ср | * SQR[ n ] / S
S = SQR[ n * nt=1 t2 – ( nt=1 t ) 2 / ( n * ( n – 1 )) ]
где: ср – среднеарифметическое значение уровней ряда остатков
t – текущие значения уровней ряда остатков;
n – длина (количество уровней) ряда;
nt=1 – операция суммирования значений уровней с номером t в диапазоне от 1 до n;
SQR[ ] – операция извлечения квадратного корня.
Если рассчитанное значение t < tтабл , то гипотеза Н0 принимается.
Промежуточные результаты расчетов, проведенных для t-критерия Стьюдента, а также остальных критериев адекватности (рассчитанных в порядке аналогичном описанному в Задании I), приведены в таблице 8
Таблица 8
t
Y(t)
X1(t)
<Y(t)>
t
точка
поворота
t2
t - t-1
(t - t-1 )2
t * t-1
t - ср
(t - ср )2
1
65
29
65,34
-0,34
-
0,12
-
-
-
-0,48
0,23
2
67
33
62,18
4,82
1
23,23
5,16
26,63
-1,64
4,68
21,90
3
63
32
62,97
0,03
1
0,00
-4,97
22,94
0,14
-0,11
0,01
4
60
36
59,81
0,19
1
0,04
0,16
0,03
0,01
0,05
0.00
5
56
38
58,23
-2,23
4,97
-2,42
5,86
-0,42
-2,37
5,62
6
53
41
55,86
-2,86
1
8,18
-0,63
0,4
6,38
-3
9
7
57
44
53,49
3,51
1
12,32
6,37
40,58
-10,04
3,37
11,36
8
53
42
55,07
-2,07
1
4,28
-5,58
31,14
-7,27
-2,21
4,88
9
51
46
51,91
-0,91
-
0,83
1,16
1,35
1,88
-1,05
1,10
0.14
6
53,97
128,93
-10,9
54,1
ср
всего
сумма
сумма
сумма
сумма
S = SQR[ 9 * 53,97 – ( 0,14 ) 2 / ( 9 * ( 9 – 1 )) ] = SQR[485,73 – 0,0196/ 72] = 22,04
t = | 0,14 | * SQR[ 9 ] / 22,04 = 0,0191
Так как рассчитанное значение t близко к нулю и меньше табличного, например
tтабл (1-)=0,9 m=7 = 1, 8946, то гипотеза о равенстве нулю математического ожидания значений остаточного ряда принимается.
б) критерий пиков:
ркр = 2/3 * ( n – 2) – 1,96 * SQR[(16 * n – 29) / 90]
Подставив значение n = 9, получим ркр = 2,4511. Так как суммарное количество поворотных точек больше критического значения, то гипотеза о случайности остаточной компоненты принимается.
в) d-критерий Дарбина-Уотсона:
d = nt=2 ( t - t-1 ) 2 / nt=1 t 2 = 128,93/ 53,97 = 2,39
Так как 2 < d < 4, вычисляем
d` = 4 - d = 1,61
Вычисленное значение d` = 1,61 попадает в зону определенности и модель считается адекватной процессу по данному критерию.
г) R/S-критерий:
R/S = ( max – min ) / S
S = SQR[ nt=1 ( t - ср ) 2 / ( n – 1 ) ]
ср = ( nt=1 t ) / n
Подставив значения из таблицы 8: max = 4,82 min = -2,86 ср = 0,14 для n = 9 получим
S = SQR[ 54,1 / 8 ] = 6,7625 2,60
R/S = (4,82 – (-2,86)) / 2,60 = 2,95
Так как значение R/S-критерия попадает в интервал между критическими уровнями 2,7 и 3,7 – то гипотеза о нормальном распределении ряда остатков принимается.
3.2. Статистическая значимость модели регрессии в целом (F-критерий Фишера)
F-критерий (F-отношение) Фишера применяется для установления истинности статистической гипотезы о том, что фактор регрессии X(t) действительно влияет на зависимую переменную Y(t) или, точнее, действительно ли часть дисперсии зависимой переменной Y(t) объясняется влиянием фактора X(t). F-отношение Фишера рассчитывается по формуле
R2 / k
F = ------------------------------------
( 1 – R2 ) / ( n – k – 1 )
где: R2 – коэффициент детерминации;
k – число параметров при переменных, включенных в модель;
n – длина (количество уровней) ряда.
Используя введенные ранее обозначения, коэффициент детерминации можно записать в виде
R2 = nt=1 ( <Y(t)> – yср ) 2 / nt=1 ( уt – yср ) 2
однако, для однофакторной модели значение R совпадает с ry,x1 , рассчитанном в первом пункте задания. Тогда, подставив значения R2 = r2y,x1 = (-0,9) 2 = 0,81 при k = 1 (линейная однофакторная модель) и n = 9, получим
F = 0,81 / [ ( 1 – 0,81) / ( 9 – 1 –1 ) ] = 0,81 / 0,027 = 30
Табличное значение критерия Фишера при = 0,05 и при степенях свободы k1 = k = 1 и
k2 = n – k – 1 = 7
Fтабл = 5,59
Так как расчетное значение F > Fтабл , то модель считается значимой, при этом коэффициент детерминации R2 показывает долю вариации результативного признака под воздействием изучаемого фактора, т.е. в данном случае ~81% вариации зависимой переменной Y учтено в модели и обусловлено влиянием включенного фактора X1(t).
3.3. Статистическая значимость коэффициентов регрессии и корреляции
Оценка значимости коэффициентов регрессии и корреляции проводится с помощью
t-критерия Стьюдента путем сопоставления значений коэффициентов с величиной случайной ошибки m
t a1 = a1 / m a1 t a0 = a0 / m a0 t r = r / m r
где
nt=1 ( Yt –<Y(t)> ) 2 / ( n – 2 )
m a1 = SQR [ ---------------------------------------------- ]
nt=1 ( Xt – xср ) 2
nt=1 ( Yt –<Y(t)> ) 2 * nt=1 Xt 2
m a0 = SQR [ ---------------------------------------- ]
( n – 2 ) * n * nt=1 ( Xt – xср ) 2
1 – r xy 2
m r = SQR [ ----------------------- ]
n – 2
Промежуточные результаты вычислений приведены в таблице 9
Таблица 9
t
Yt
Xt
<Y(t)>
Yt - <Y(t)>
(Yt - <Y(t)>) 2
Xt - xср
(Xt – xср) 2
Xt 2
1
65
29
65,34
Список литературы
-
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
Другие контрольные работы
bmt: 0.0044