Основы эконометрики

Вычисление параметров уравнения линейной регрессии; экономическая интерпретация коэффициента регрессии. Проверка значимости параметров регрессии с помощью t-критерия Стьюдента. Запись системы одновременных уравнений и проверка их на идентифицируемость.

Рубрика Экономико-математическое моделирование
Вид контрольная работа
Язык русский
Дата добавления 29.10.2012
Размер файла 639,3 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Федеральное агентство по образованию

Государственное образовательное учреждение

Высшего профессионального образования

Всероссийский заочный финансово-экономический институт

Кафедра экономико-математических методов и моделей

Контрольная работа

по дисциплине "Эконометрика"

Задача 1

X

26

18

33

42

41

44

15

27

41

19

Y

43

28

51

62

63

67

26

43

61

33

По предприятиям лёгкой промышленности региона получена информация, характеризующая зависимость объёма выпуска продукции (Y, млн руб.) от объёма капиталовложений (X, млн руб.).

Требуется:

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

2. Вычислить остатки; найти остаточную сумму квадратов; оценить дисперсию остатков ; построить график остатков.

3. Проверить выполнение предпосылок МНК.

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

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

6. Осуществить прогнозирование среднего значения показателя Y при уровне значимости б = 0,1, если прогнозное значение фактора X составит 80% от его максимального значения.

7. Представить графически фактические и модельные значения Yточки прогноза.

8. Составить уравнения нелинейной регрессии:

· гиперболической;

· степенной;

· показательной.

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

Решение задачи:

1. Построим точечную диаграмму по исходным данным:

Рис. 1. Точечная диаграмма

Расположение точек на плоскости даёт основание предположить линейную зависимость между X и Y.

y = a0 + a1x

Найдём параметры уравнения линейной регрессии:

Составим таблицу, по которой будут производиться все дальнейшие вычисления:

Таблица 1

15

26

225

390

26,156

-0,156

0,024

0,006

243,36

470,89

18

28

324

504

30,299

-2,299

1

5,285

4,592

0,082

158,76

388,09

19

33

361

627

31,680

1,320

0

1,742

13,097

0,04

134,56

216,09

26

43

676

1118

41,347

1,653

1

2,732

0,111

0,038

21,16

22,09

27

43

729

1161

42,728

0,272

0

0,074

1,907

0,006

12,96

22,09

33

51

1089

1683

51,014

-0,014

0

0,000

0,082

0,000

5,76

10,89

41

61

1681

2501

62,062

-1,062

1

1,128

1,098

0,017

108,16

176,89

41

63

1681

2583

62,062

0,938

1

0,880

4,000

0,015

108,16

234,09

42

62

1764

2604

63,443

-1,443

1

2,082

5,669

0,023

129,96

204,49

44

67

1936

2948

66,205

0,795

0,632

5,009

0,012

179,56

372,49

306

477

10466

16119

0,004

14,581

35,565

0,241

1102,4

2118,1

30,6

47,7

1046,6

1611,9

0,0004

y = 5.441 + 1.381x

Уравнение регрессии: y = 5.441 + 1.381x говорит о том, что при увеличении объёма капиталовложений на 1 млн руб. объём выпуска продукции увеличится в среднем на 1,381 млн руб.

2. Вычислим остатки и найдём остаточную сумму квадратов:

Найдём дисперсию остатков по формуле:

Найдём по формуле:

Т.к. дисперсия остатков имеет достаточно низкое значение 1,823 и <10%, то отклонение остатков от их средней величины невелико, а значит, рассчитанные по построенной регрессионной модели значения будут близки к фактическим значениям, следовательно, дальнейший анализ построенной модели будет достаточно точным.

Построим график остатков:

Рис. 2. График остатков

3. Проверим предпосылки МНК:

· Остатки должны быть распределены случайно. Проверим это с помощью критерия пиков:

, где ,

5]=5

5>2 Т остатки распределены случайно.

· Остатки должны быть не коррелированны. Проверим это с помощью критерия Дарбина-Уотсона:

Т остатки не коррелированны.

· Должно быть выполнено условие гомоскедастичности, т.е. постоянство дисперсии для всех остатков. Проверим это по тесту Голдфельда-Квандта:

Разделим всю совокупность на две группы и определим по каждой из групп уравнения регрессии:

y = a0 + a1x

Таблица 2

15

26

225

390

25,492

0,258

18

28

324

504

30,046

4,186

19

33

361

627

31,564

2,062

26

43

676

1118

42,19

0,656

27

43

729

1161

43,708

0,501

105

173

2315

3800

7,664

21

34,6

463

760

y1 = 2,722 + 1,518x

Таблица 3

33

51

1089

1683

50,814

0,035

41

61

1681

2501

61,91

0,828

41

63

1681

2583

61,91

1,188

42

62

1764

2604

63,297

1,682

44

67

1936

2948

66,071

0,863

201

304

8151

12319

4,596

40,2

60,8

1630,2

2463,8

y2 = 5,043 + 1,387x

Определим остаточные суммы квадратов для первой регрессии

и второй .

(при 5X1 = 4 и 5X2 = 4)

< Т гомоскедастичность имеет место.

· Остатки должны быть распределены по нормальному закону. Проверим это с помощью R/S-критерия:

, где

Критические границы отношения при б = 0,05 и ?? = 10: 2,67-3,57

= 2,927 попадает в заданный интервал ? остатки распределены по закону Гаусса, свойства нормальности распределения выполняются.

4. Проверим значимость параметров уравнения регрессии с помощью t-критерия Стьюдента (б = 0,05).

y = 5.441 + 1.381x

(при ?? = 8)

и ? параметры уравнения регрессии считаются значимыми.

5. Рассчитаем коэффициент детерминации:

= 0,993 = 99,3% ? вариация результата Y (объёма выпуска продукции) на 99,3% объясняется вариацией фактора X (объёмом капиталовложений).

Проверим значимость уравнения регрессии с помощью ??-критерия Фишера (б = 0,05):

(при ??1 = 1 и ??2 = 8)

> ? уравнение регрессии с вероятность 0,95 в целом статистически значимое.

Определим среднюю относительную ошибку аппроксимации:

- это говорит о высокой точности аппроксимации.

В среднем расчётные значения для линейной модели отличаются от фактических значений на 2,41%.

Модель удовлетворяет требованиям точности и выполняются все 5 предпосылок МНК ? модель считается качественной.

6. Осуществим прогнозирование:

Рассчитаем доверительный интервал:

(при ?? = 8 и б = 0,1)

Таким образом, = 54,052 будет находиться в интервале (51,386;56,718).

7. Представим графически фактические и модельные значения Y точки прогноза:

Рис. 3. Прогноз

8. Составим уравнения нелинейной регрессии:

Гиперболическая модель:

Заменим ?? = 1/x и получим линейное уравнение:

Найдём параметры уравнения:

Составим таблицу, по которой будут производиться все дальнейшие вычисления для гиперболической модели:

Таблица 4

??

15

26

0,067

1,733

0,004

470,89

41,135

-15,135

229,078

58,213

18

28

0,056

1,556

0,003

388,09

43,680

-15,680

245,855

55,999

19

33

0,053

1,737

0,003

216,09

44,349

-11,349

128,808

34,392

26

43

0,038

1,654

0,001

22,09

47,594

-4,594

21,108

10,684

27

43

0,037

1,593

0,001

22,09

47,921

-4,921

24,212

11,443

33

51

0,030

1,545

0,001

10,89

49,463

1,537

2,364

3,014

41

61

0,024

1,488

0,001

176,89

50,817

10,183

103,701

16,694

41

63

0,024

1,537

0,001

234,09

50,817

12,183

148,434

19,339

42

62

0,024

1,476

0,001

204,49

50,950

11,050

122,111

17,823

44

67

0,023

1,523

0,001

372,49

51,197

15,803

249,720

23,586

306

477

0,376

15,841

0,016

2118,1

-0,922

1275,391

251,188

30,6

47,7

0,038

1,584

0,002

25,119

Построим график получившегося уравнения регрессии:

Рис. 4. Гиперболическая функция

Степенная модель:

Произведём логарифмирование обеих частей уравнения:

Обозначим Y = lg ??, ?? = lg x, A = lg a и получим линейное уравнение:

Найдём параметры уравнения:

Составим таблицу, по которой будут производиться все дальнейшие вычисления для степенной модели:

Таблица 5

??

Y

??Y

15

1,176

26

1,415

1,664

1,383

26,185

-0,185

0,034

0,712

18

1,255

28

1,447

1,817

1,576

30,552

-2,552

6,514

9,115

19

1,279

33

1,519

1,942

1,635

31,982

1,018

1,036

3,084

26

1,415

43

1,633

2,311

2,002

41,701

1,299

1,687

3,020

27

1,431

43

1,633

2,338

2,049

43,054

-0,054

0,003

0,126

33

1,519

51

1,708

2,593

2,306

51,021

-0,021

0,000

0,040

41

1,613

61

1,785

2,879

2,601

61,305

-0,305

0,093

0,500

41

1,613

63

1,799

2,902

2,601

61,305

1,695

2,872

2,690

42

1,623

62

1,792

2,909

2,635

62,568

-0,568

0,322

0,916

44

1,643

67

1,826

3,001

2,701

65,079

1,921

3,689

2,867

306

14,567

477

16,558

24,357

21,489

2,247

16,251

23,071

30,6

1,457

47,7

1,656

2,436

2,149

2,307

Построим график получившегося уравнения регрессии:

Рис. 5. Степенная функция

Показательная модель:

Произведём логарифмирование обеих частей уравнения:

Обозначим Y = lg ??, B = lg ??, A = lg a и получим линейное уравнение:

Найдём параметры уравнения:

Составим таблицу, по которой будут производиться все дальнейшие вычисления для показательной модели:

Таблица 6

Y

15

26

1,415

21,225

225

0,058

243,36

28,219

-2,219

4,926

8,536

18

28

1,447

26,049

324

0,044

158,76

30,836

-2,836

8,044

10,129

19

33

1,519

28,852

361

0,019

134,56

31,761

1,239

1,534

3,754

26

43

1,633

42,470

676

0,000

21,16

39,062

3,938

15,505

9,157

27

43

1,633

44,104

729

0,000

12,96

40,234

2,766

7,650

6,432

33

51

1,708

56,350

1089

0,003

5,76

48,042

2,958

8,751

5,800

41

61

1,785

73,199

1681

0,017

108,16

60,858

0,142

0,020

0,233

41

63

1,799

73,773

1681

0,021

108,16

60,858

2,142

4,589

3,400

42

62

1,792

75,280

1764

0,019

129,96

62,684

-0,684

0,467

1,103

44

67

1,826

80,347

1936

0,029

179,56

66,501

0,499

0,249

0,745

306

477

16,558

521,648

10466

0,209

1102,4

7,945

51,736

49,290

30,6

47,7

1,656

52,165

1046,6

4,929

Построим график получившегося уравнения регрессии:

Рис. 6. Показательная функция

9. Найдём коэффициенты детерминации для построенных моделей:

Гиперболическая:

= 0,398 = 39,8% ? вариация результата Y (объёма выпуска продукции) на 39,8% объясняется вариацией фактора X (объёмом капиталовложений).

Степенная:

= 0,992 = 99,2% ? вариация результата Y (объёма выпуска продукции) на 99,2% объясняется вариацией фактора X (объёмом капиталовложений).

Показательная:

= 0,976 = 97,6% ? вариация результата Y (объёма выпуска продукции) на 97,6% объясняется вариацией фактора X (объёмом капиталовложений).

Найдём коэффициенты эластичности для построенных моделей:

Гиперболическая:

Э = 0,157 ? при увеличении объёма капиталовложений на 1% объём выпуска продукции увеличится на 0,157%.

Степенная:

Э = 0,846 ? при увеличении объёма капиталовложений на 1% объём выпуска продукции увеличится на 0,846%.

Показательная:

Э = 0,398 ? при увеличении объёма капиталовложений на 1% объём выпуска продукции увеличится на 0,398%.

Найдём средние относительные ошибки для построенных моделей:

Гиперболическая:

В среднем расчётные значения для гиперболической модели отличаются от фактических значений на 25,119%.

Степенная:

В среднем расчётные значения для степенной модели отличаются от фактических значений на 2,037%.

Показательная:

В среднем расчётные значения для показательной модели отличаются от фактических значений на 4,929%.

При сравнении всех трёх моделей по данным характеристикам видно, что степенная модель имеет большее значение коэффициента детерминации и большее значение коэффициента эластичности, а также меньшее значение средней относительной ошибки ? степенная модель является наилучшей для дальнейшего изучения.

Задача 2

Задача 2а и 2б

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

Номер уравнения

Задача 2а

Задача 2б

переменные

переменные

y1

y2

y3

x1

x2

x3

x4

y1

y2

y3

x1

x2

x3

x4

1

-1

b12

b13

a11

0

0

a14

-1

0

b13

0

a12

a13

a14

2

b23

-1

0

0

a22

a23

a24

b21

-1

b23

a21

0

a23

0

3

0

b32

-1

0

a32

a33

a34

b31

0

-1

0

a32

a33

a34

Решение задачи:

2а. Система одновременных уравнений:

y1 = b12 y2 + b13 y3 + a11 x1 + a14 x4

y2 = b23 y1 + a22 x2 + a23 x3 + a24 x4

y3 = b32 y2 + a32 x2 + a33 x3 + a34 x4

В первом уравнении три эндогенные переменные: y1, y2 и y3 (Н = 3). В нём отсутствуют экзогенные переменные: x2 и x3 (D = 2). Следовательно, необходимое условие идентификации D + 1 = Н выполнено.

Проверка на достаточное условие:

Уравнения, из которых взяты коэффициенты при переменных

Переменные

x2

x3

2

a22

a23

3

a32

a33

Определитель представленной в таблице матрицы не равен 0. Значит, достаточное условие выполнено, и первое уравнение идентифицируемо.

Во втором уравнении две эндогенные переменные: y1 и y2 (Н=2). В нём отсутствует экзогенная переменная x1 (D = 1). Следовательно, необходимое условие идентификации D + 1 = Н выполнено.

Проверка на достаточное условие:

Уравнения, из которых взяты коэффициенты при переменных

Переменные

y3

x1

1

b13

a11

3

-1

0

Определитель представленной в таблице матрицы не равен 0. Значит, достаточное условие выполнено, и второе уравнение идентифицируемо.

В третьем уравнении две эндогенные переменные y2 и y3 (Н = 2). В нём отсутствует экзогенная переменная x1 (D = 1). Следовательно, необходимое условие идентификации D + 1 = Н выполнено.

Проверка на достаточное условие:

Уравнения, из которых взяты коэффициенты при переменных

Переменные

y1

x1

1

-1

a11

2

b23

0

Определитель представленной в таблице матрицы не равен 0. Значит, достаточное условие выполнено, и третье уравнение идентифицируемо.

Вывод: система идентифицируема.

2б. Система одновременных уравнений:

y1 = b13y3 + a12x2 + a13x3 + a14x4

y2 = b21y1 + b23y3 + a21x1 + a23x3

y3 = b31y1 + a32x2 + a33x3 + a34x4

В первом уравнении две эндогенные переменные: y1 и y3 (Н = 2). В нём отсутствует экзогенная переменная x1 (D = 1). Следовательно, необходимое условие идентификации D + 1 = Н выполнено.

Проверка на достаточное условие:

Уравнения, из которых взяты коэффициенты при переменных

Переменные

y2

x1

2

-1

a21

3

0

0

Определитель представленной в таблице матрицы равен 0. Значит, достаточное условие не выполнено, и первое уравнение не идентифицируемо.

Во втором уравнении три эндогенные переменные: y1, y2 и y3 (Н = 3). В нём отсутствуют экзогенные переменные: x2 и x4 (D = 2). Следовательно, необходимое условие идентификации D + 1 = Н выполнено.

Проверка на достаточное условие:

Уравнения, из которых взяты коэффициенты при переменных

Переменные

x2

x4

1

a12

a14

3

a32

a34

Определитель представленной в таблице матрицы не равен 0. Значит, достаточное условие выполнено, и второе уравнение идентифицируемо.

В третьем уравнении две эндогенные переменные: y1 и y3 (Н = 2). В нём отсутствует экзогенная переменная x1 (D = 1). Следовательно, необходимое условие идентификации D + 1 = Н выполнено.

Проверка на достаточное условие:

Уравнения, из которых взяты коэффициенты при переменных

Переменные

y2

x1

1

0

0

2

-1

a21

Определитель представленной в таблице матрицы равен 0. Значит, достаточное условие не выполнено, и первое уравнение не идентифицируемо.

Вывод: система не идентифицируема.

Задача 2в

n

y1

y2

x1

x2

1

98,9

68,2

6

8

2

57,9

46,0

1

7

3

96,3

69,6

5

9

4

140,5

104,7

4

20

5

118,5

82,1

6

12

6

63,9

48,8

3

5

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

y1 = a01 + b12y2 + a11x1 + е1

y2 = a02 + b21y1 + a22x2 + е2

Решение задачи:

Косвенный метод наименьших квадратов применяется в случае точно идентифицируемой структурной модели. Данная идентифицируемая модель содержит две эндогенные и две экзогенные переменные.

Для построения модели мы располагаем информацией:

Таблица 7 Фактические данные для построения модели

n

y1

y2

x1

x2

1

98,9

68,2

6

8

2

57,9

46

1

7

3

96,3

69,6

5

9

4

140,5

104,7

4

20

5

118,5

82,1

6

12

6

63,9

48,8

3

5

У

576

419,4

25

61

ср. зн.

96

69,9

4,167

10,167

Структурную модель преобразуем в приведённую форму модели:

y1 = d11x1 + d12x2 + u1

y2 = d21x1 + d22x2 + u2

где u1 и u2 - случайные ошибки.

Для каждого уравнения приведённой формы при расчёте коэффициентов d можно применить МНК.

Для упрощения расчётов можно работать с отклонениями от средних уровней: y = y - yср и x = x - xср.

Преобразованные данные представлены в таблице:

Таблица 8 Преобразованные данные для построения приведённой формы модели

n

y1

y2

x1

x2

y1*x1

x12

x1*x2

y1*x2

y2*x1

y2*x2

x22

1

2,9

-1,7

1,833

-2,167

5,317

3,361

-3,972

-6,283

-3,117

3,683

4,694

2

-38,1

-23,9

-3,167

-3,167

120,650

10,028

10,028

120,650

75,683

75,683

10,028

3

0,3

-0,3

0,833

-1,167

0,250

0,694

-0,972

-0,350

-0,250

0,350

1,361

4

44,5

34,8

-0,167

9,833

-7,417

0,028

-1,639

437,583

-5,800

342,200

96,694

5

22,5

12,2

1,833

1,833

41,250

3,361

3,361

41,250

22,367

22,367

3,361

6

-32,1

-21,1

-1,167

-5,167

37,450

1,361

6,028

165,850

24,617

109,017

26,694

У

0

0

0

0

197,500

18,833

12,833

758,700

113,500

553,300

142,833

Найдём коэффициенты первого приведённого уравнения, используя следующую систему нормальных уравнений:

Уy1x1 = d11Уx12 + d12Уx1x2

Уy1x2 = d11Уx1x2 + d12Уx22

Подставим рассчитанные в таблице 2 значения сумм и получим:

197,5 = 18,833*d11 + 12,833*d12

758,7 = 12,833*d11 + 142,833*d12

Решим полученную систему:

-561,2 = 6*d11 - 130*d12

d11 =

197,5 = 18,833* + 12,833*d12

197,5 = 408,07*d12 -1761,607 + 12,833*d12

420,903* d12 = 1959,107

d12 = 4,655

d11 =

d11 = 7,325

Первое уравнение приведённой формы модели примет вид:

y1 = 7,325x1 + 4,655x2 + u1

Найдём коэффициенты второго приведённого уравнения, используя следующую систему нормальных уравнений:

Уy2x1 = d21Уx12 + d22Уx1x2

Уy2x2 = d21Уx1x2 + d22Уx22

Подставим рассчитанные в таблице 2 значения сумм и получим:

113,5 = 18,833*d21 + 12,833*d22

553,3 = 12,833*d21 + 142,833*d22

Решим полученную систему:

-439,8 = 6*d21 - 130* d22

d21 =

113,5 = 18,833* + 12,833* d22

113,5 = 408,07* d22 - 1380,532 + 12,833* d22

420,904* d22 = 1494,032

d22 = 3,55

d21 =

d21 = 3,617

Второе уравнение приведённой формы модели примет вид:

y2 = 3,617x1 + 3,55x2 + u2

линейный регрессия экономический уравнение

Для перехода от приведённой формы к структурной найдём x2 из второго уравнения приведённой формы модели:

x2 =

Подставим это выражение в первое уравнение приведённой модели, найдём структурное уравнение:

y1 = 7,325x1 + 4,655*

y1 = 7,325x1 + 1,311y2 - 4,742 x1

y1 = 1,311y2 + 2,583x1

Таким образом, b12 = 1,311 и a11 = 2,583.

Найдём x1 = из первого уравнения приведённой модели:

x1 =

Подставим это выражение во второе уравнение приведённой модели, найдём структурное уравнение:

y2 = 3,617* + 3,55x2

y2 = 0,432y1 - 2,011x2 + 3,55x2

y2 = 0,432y1 + 1,539x2

Таким образом, b21 = 0,432 и a22 = 1,539.

Свободные члены структурной формы находим из уравнений:

a01 = y1,ср - b12 y2,ср - a11 x1,ср

a01 = 96 - 1,311*69,9 - 2,583*4,167

a01 = - 6,402

a02 = y2,ср - b21y1,ср - a22x2,ср

a02 = 69,9 - 0,432*96 - 1,539*10,167

a02 = 11,881

Окончательный вид структурной модели:

y1 = a01 + b12y2 + a11x1 + е1 = -6,402 + 1,311y2 + 2,583x1 + е1

y2 = a02 + b21y1 + a22x2 + е2 = 11,881 + 0,432y1 + 1,539x2 + е2

Размещено на Allbest.ru


Подобные документы

  • Параметры уравнения линейной регрессии. Вычисление остаточной суммы квадратов, оценка дисперсии остатков. Осуществление проверки значимости параметров уравнения регрессии с помощью критерия Стьюдента. Расчет коэффициентов детерминации и эластичности.

    контрольная работа [248,4 K], добавлен 26.12.2010

  • Экономическая интерпретация коэффициента регрессии. Нахождение статочной суммы квадратов и оценка дисперсии остатков. Проверка значимости параметров уравнения регрессии с помощью t-критерия Стьюдента. Расчет средней относительной ошибки аппроксимации.

    контрольная работа [261,1 K], добавлен 23.03.2010

  • Определение параметров уравнения линейной регрессии. Экономическая интерпретация коэффициента регрессии. Вычисление остатков, расчет остаточной суммы квадратов. Оценка дисперсии остатков и построение графика остатков. Проверка выполнения предпосылок МНК.

    контрольная работа [1,4 M], добавлен 25.06.2010

  • Построение уравнения множественной регрессии в линейной форме с полным набором факторов, отбор информативных факторов. Проверка значимости уравнения регрессии по критерию Фишера и статистической значимости параметров регрессии по критерию Стьюдента.

    лабораторная работа [217,9 K], добавлен 17.10.2009

  • Основные методы анализа линейной модели парной регрессии. Оценки неизвестных параметров для записанных уравнений парной регрессии по методу наименьших квадратов. Проверка значимости всех параметров модели (уравнения регрессии) по критерию Стьюдента.

    лабораторная работа [67,8 K], добавлен 26.12.2010

  • Особенности расчета параметров уравнений линейной, степенной, полулогарифмической, обратной, гиперболической парной и экспоненциальной регрессии. Методика определения значимости уравнений регрессии. Идентификация и оценка параметров системы уравнений.

    контрольная работа [200,1 K], добавлен 21.08.2010

  • Расчет параметров уравнения линейной регрессии, экономическая интерпретация ее коэффициента. Проверка равенства математического ожидания уровней ряда остатков нулю. Построение степенной модели парной регрессии. Вариация объема выпуска продукции.

    контрольная работа [771,6 K], добавлен 28.04.2016

  • Понятие регрессии. Оценка параметров модели. Показатели качества регрессии. Проверка статистической значимости в парной линейной регрессии. Реализация регрессионного анализа в программе MS Excel. Условия Гаусса-Маркова. Свойства коэффициента детерминации.

    курсовая работа [233,1 K], добавлен 21.03.2015

  • Расчет параметров парной линейной регрессии. Оценка статистической значимости уравнения регрессии и его параметров с помощью критериев Фишера и Стьюдента. Построение матрицы парных коэффициентов корреляции. Статистический анализ с помощью ППП MS EXCEL.

    контрольная работа [1,6 M], добавлен 14.05.2008

  • Определение количественной зависимости массы пушного зверька от его возраста. Построение уравнения парной регрессии, расчет его параметров и проверка адекватности. Оценка статистической значимости параметров регрессии, расчет их доверительного интервала.

    лабораторная работа [100,5 K], добавлен 02.06.2014

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.