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 26.12.2010Экономическая 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 23.03.2010Определение 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 25.06.2010Построение 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 17.10.2009Основные 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 26.12.2010Особенности 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 21.08.2010Расчет 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 28.04.2016Понятие 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 21.03.2015Расчет 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 14.05.2008Определение 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