Эконометрические исследования математической модели зависимости доходов международных перевозок от длины дороги
Расчет и сущность параметров уравнений линейной и нелинейной парной регрессии. Связь доходов от международных перевозок и длины дороги с помощью показателей корреляции и детерминации. Оценка аппроксимации качества уравнения регрессии доходов от перевозок.
Рубрика | Экономико-математическое моделирование |
Вид | курсовая работа |
Язык | русский |
Дата добавления | 09.06.2015 |
Размер файла | 525,2 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/
Размещено на http://www.allbest.ru/
Федеральное агенство железнодорожного транспорта
Федеральное государственное образовательное учреждение
высшего профессионального образования
петербургский государственный университет путей сообщения
Кафедра «Экономика и менеджмент в строительстве»
Курсовая работа
по дисциплине «ЭКОНОМЕТРИКА»
Тема работы:
«Эконометрические исследования математической модели зависимости доходов международных перевозок от длины дороги»
Выполнила:
Студентка учебной группы ЭББ - 106
И. И. Галдобина
Проверил: Руководитель доцент
А.И. БОБРОВ
Санкт-Петербург 2013
Задание
Цель работы
Целью данной курсовой работы является освоение и отработка навыков использования основных экономико-математических моделей и стандартных компьютерных процедур, их анализа в процессе решения прикладной задачи статистического анализа доходов от международных перевозок в общих доходах от длины дороги.
Этапы и требования к выполнению разделов работы
1. Подготовительный - подбор и ознакомление с литературой, обоснование актуальности исследования, изучение подходов к решению поставленной задачи.
2. Моделирования - обоснование применения методов математического моделирования решения задачи; осмысливаются все понятия и зависимости, на которых базируется модель, преимущества выбранного метода по сравнению с другими и производится описание метода.
3. Алгоритмизации и программирования - изучение алгоритмов и программ расчетов на ПЭВМ. При выборе программного обеспечения можно остановиться на прикладных пакетах программ или создать собственный программный продукт.
4. Расчетный - применение алгоритма и программы для вычислений статистических параметров и коэффициентов функций регрессии.
5. Анализ - оценка погрешности вычислений и раскрытие сущности полученных результатов, их взаимосвязи с исходными данными. Для проведения анализа рекомендуется использовать различные виды наглядности: схемы, графики, диаграммы, таблицы и т. п.
6. Заключительный - оформление расчетно-пояснительной записки и подготовка к защите.
Основные задачи
Рассчитать методом наименьших квадратов параметры уравнений линейной и нелинейной парной регрессии.
Оценить тесноту связи доходов от международных перевозок и длины дороги с помощью показателей корреляции и детерминации.
Выполнить дисперсионный анализ линейной и степенной регрессий.
Провести сравнительную оценку силы связи фактора (длина дороги) с результатом (доходы от международных перевозок) с помощью среднего коэффициента эластичности.
Оценить с помощью ошибки аппроксимации качество уравнения регрессии доходов от международных перевозок от длины дороги.
Оценить с помощью F-критерия Фишера статистическую надежность результатов линейного регрессионного моделирования.
Рассчитать прогнозное значение доходов от международных перевозок в предположении увеличения значения длины дороги на 10% от ее среднего уровня. Определить доверительный интервал прогноза для уровня значимости 0,05.
Исходные данные
Для разработки математической модели используются опытные данные, представленные в табл. 1.1.
№ п/п |
Наименование дороги |
Место управления дороги |
Длина, км. |
Грузооборот, млн. ткм. |
|
1 |
Октябрьсая |
Санкт - Петербург |
10147 |
90567 |
|
2 |
Московская |
Москва |
9257 |
70730 |
|
3 |
Свердловская |
Екатеринбург |
7167 |
101199 |
|
4 |
Северо-Кавказская |
Ростов- на - Дону |
6579 |
35852 |
|
5 |
Западно-Сибирская |
Новосибирск |
6061 |
128356 |
|
6 |
Дальневосточная |
Хабаровск |
6111 |
64318 |
|
7 |
Северная |
Ярославль |
6004 |
91487 |
|
8 |
Горьковская |
Нижний Новгород |
5554 |
75056 |
|
9 |
Куйбышевская |
Самара |
4846 |
75860 |
|
10 |
Южно-Уральская |
Челябинск |
4887 |
91266 |
|
11 |
Юго-Восточная |
Воронеж |
4308 |
49198 |
|
12 |
Приволжская |
Саратов |
4283 |
37914 |
|
13 |
Восточно-Сибирская |
Иркутск |
3824 |
62433 |
|
14 |
Забайкальская |
Чита |
3487 |
78769 |
|
15 |
Красноярская |
Красноярск |
3161 |
46420 |
|
16 |
Сахалинская |
Южно-Сахалинс |
1037 |
505 |
|
17 |
Калининградская |
Калининград |
662 |
1261 |
Таблица 1.1
Представить
Пояснительную записку, которая должна содержать: титульный лист, оглавление и введение; краткие теоретические сведения по моделированию; необходимые аналитические зависимости и расчетные формулы; схемы алгоритмов и программы решения задач; результаты расчетов, оформленные в виде таблиц, диаграмм и графиков; анализ полученных результатов; список литературы.
Оглавление
Введение
1. Расчет параметров уравнений линейной и нелинейной парной регрессии
1.1 Расчет параметров линейной парной регрессии
1.2 Расчет параметров степенной парной регрессии
1.3 Расчет параметров показательной парной регрессии
2. Дисперсионный анализ линейной функции регрессии
3. Оценка тесноты связи доходов от международных перевозок и длины дороги с помощью показателей корреляции и детерминации
4. Оценка ошибки аппроксимации уравнений регрессии
5. Сравнительная оценка силы связи длины дороги с доходами от международных перевозок с помощью среднего коэффициента эластичности
6. Оценка статистической надежности результатов линейного регрессионного моделирования
7. Расчет прогнозного значения доходов от международных перевозок по линейной модели при увеличении длины дороги
8. Реализация решенных задач на компьютере
8.1 Реализация процедуры «ЛИНЕЙН»
8.2 Реализация процедуры «Анализ данных»
8.3 Реализация процедуры «ТРЕНД»
Выводы
Введение
В данной курсовой работе стоит задача обосновать математическую модель доходов международных перевозок в зависимости от длины дороги. Исходными данными для ее расчета являются реальные значения доходов международных перевозок в общих доходах и длины дороги (всего 16 железных дорог). Для обоснования модели в курсовой работе рассматриваются линейные и нелинейные парные функции регрессии. В работе на основе полученных функций регрессии выполнен выбор математической модели, позволяющей прогнозировать доходы от международных перевозок из числа общих доходов в зависимости от увеличения длины железной дороги.
Доходы железнодорожного транспорта подразделяются на доходы от обычных видов деятельности и прочие доходы. Доходами от обычных видов деятельности являются следующие виды поступлений, связанных с оказанием услуг, выполнением работ, а также от продажи продукции и товаров сторонним организациям:
- грузовые перевозки;
- услуги инфраструктуры;
- предоставление услуг локомотивной тяги (в пассажирском и грузовом движении);
- пассажирские перевозки в дальнем следовании и пригородном сообщении;
- ремонт подвижного состава;
- строительство объектов инфраструктуры;
- научно-исследовательские и опытно-конструкторские работы;
- услуги социальной сферы;
- прочие виды деятельности.
Доходы от грузовых перевозок включают плату за перевозку груза, грузобагажа, дополнительные сборы за перевозку груза и прочие доходы.
Доходы от пассажирских перевозок состоят из провозной платы, различных видов доплат за условия перевозок, а также за перевозку багажа и почты.
Местные доходы станций - это плата за различные услуги на пассажирских станциях, которые оказываются пассажирам.
Доходы от подсобно-вспомогательной деятельности - это поступления от реализации продукции промышленных предприятий и от услуг непромышленных организаций.
Местные доходы железной дороги состоят из штрафов и сборов с грузоотправителей и грузополучателей за нарушение правил и условий перевозок.
К прочим доходам относятся операционные, внереализационные и чрезвычайные доходы.
Кроме того, тарифы на пассажирские и грузовые перевозки играют определяющую роль в формировании доходов железных дорог, а также оказывают значительное влияние на расходы потребителей услуг железных дорог.
Формирование тарифной политики, несомненно, должно проводиться с учетом интересов потребителей услуг железных дорог и интересов самой железнодорожной отрасли.
Средства, выручаемые от перевозок, в первую очередь направляются на компенсацию расходов отрасли. Ведь для того чтобы обеспечить перевозку грузов и пассажиров, необходимы средства на закупку сырья, материалов и оборудования.
Кроме того, железнодорожный транспорт остро нуждается в обновлении материально-технической базы: существует нехватка средств на ремонт путей и вокзалов, обновление вагонного парка, модернизацию оборудования.
Реализация тарифной политики, направленной на поддержку российских производителей и защиту интересов пассажиров, является задачей ОАО «РЖД».
Планирование и учет доходов в ОАО «РЖД» осуществляется в соответствии с Номенклатурой доходов и расходов по видам деятельности ОАО «РЖД». В классификаторе доходов Номенклатуры приведена группировка статей доходов по видам доходов, видам деятельности и подгруппам по видам деятельности.
Доходы от обычных видов деятельности представлены в таблице:
Удельный вес различных групп доходов
Доходы от обычных видов деятельности |
в % к итогу |
|
Грузовые перевозки |
80,30% |
|
Пассажирские перевозки в дальнем следовании |
9,20% |
|
Пассажирские перевозки в пригородном сообщении |
1,20% |
|
Предоставление услуг инфраструктуры |
0,60% |
|
Предоставление услуг локомотивной тяги |
0,20% |
|
Ремонт подвижного состава |
0,70% |
|
Строительство объектов инфраструктуры |
0,40% |
|
Предоставление услуг социальной сферы |
0,20% |
|
Прочие виды деятельности |
7,20% |
Как видно из приведенных данных, основная часть доходов приходится на доходы от перевозок. Это определяет их ведущую роль в хозяйственной деятельности железнодорожного транспорта.
Доходы от перевозок складываются из провозных плат, получаемых за перевозку грузов и пассажиров в соответствии с действующими тарифами.
Доходы являются источником покрытия расходов компании и образования прибыли, поэтому их планирование и учет занимает ведущее место в финансовом управлении.
В 2011 г стоимостной объем рынка железнодорожных пассажирских перевозок в России вырос на 18,1% до 182,8 млрд. руб. Росту выручки рынка способствовали рост пассажирооборота и тарифов на перевозки.
1. Расчет параметров уравнений линейной и нелинейной парной регрессии
1.1 Расчет параметров линейной парной регрессии
Парная линейная регрессия имеет вид:
yx = a + b · x,
где yx - результативный признак, характеризующий теоретический доход от международных перевозок; x - фактор (длина, км);
a, b - параметры, подлежащие определению.
Построение уравнения регрессии сводится к оценке ее параметров. Для оценки параметров регрессии используется метод наименьших квадратов. Он позволяет получить такие оценки параметров, при которых сумма квадратов отклонений фактических значений результативного признака (доход от международных перевозок) y от теоретических yxбудет минимальной. В этом случае для определения параметров a и b линейной регрессии необходимо решить следующую систему уравнений:
На основании исходных данных выполнены расчеты, которые при = 16 представлены в табл. 1.1
Таблица 1.1
х*у |
х^2 |
y^2 |
(yi - yxi) |
||
918983349 |
102961609 |
8202381489 |
108916,969 |
-18349,96903 |
|
654747610 |
85692049 |
5002732900 |
101071,3115 |
-30341,3115 |
|
725293233 |
51365889 |
10241237601 |
82647,23933 |
18551,76067 |
|
235870308 |
43283241 |
1285365904 |
77463,81615 |
-41611,81615 |
|
777965716 |
36735721 |
16475262736 |
72897,46716 |
55458,53284 |
|
393047298 |
37344321 |
4136805124 |
73338,23444 |
-9020,234441 |
|
549287948 |
36048016 |
8369871169 |
72394,99247 |
19092,00753 |
|
416861024 |
30846916 |
5633403136 |
68428,08698 |
6627,913023 |
|
367617560 |
23483716 |
5754739600 |
62186,82234 |
13673,17766 |
|
446016942 |
23882769 |
8329482756 |
62548,2515 |
28717,7485 |
|
211944984 |
18558864 |
2420443204 |
57444,16644 |
-8246,166439 |
|
162385662 |
18344089 |
1437471396 |
57223,7828 |
-19309,7828 |
|
238743792 |
14622976 |
3897879489 |
53177,5392 |
9255,460801 |
|
274667503 |
12159169 |
6204555361 |
50206,76775 |
28562,23225 |
|
146733620 |
9991921 |
2154816400 |
47332,96511 |
-912,9651079 |
|
523685 |
1075369 |
255025 |
28609,17119 |
-28104,17119 |
|
834782 |
438244 |
1590121 |
25303,41661 |
-24042,41661 |
С учетом обозначений при n= 17
= (y1 +y2 +…+ y16)/16;= (x1 +x2 +…+x16)/17;
= (y1x1 +y2x2 + … +y17x17)/17;
= (x12+x22+ …+x17)/17; Sx2 = 2.
Значения параметров линейной регрессии вычисляются по формулам:
b = ()/Sx2 = (383619119-64775,941 5139,706 )/ (2397,95)2=8,815;
a = - b = 937 - 0, 183 * 5361, 13 = - 44, 1538
Тогда уравнение регрессии, являющееся линейной моделью доходов от международных перевозок в зависимости от длины дороги, примет вид:
yx = -44, 154 + 0, 183*x.
Рис. 1.1
На Рис. 1.1 представлены опытные данные доходов от международных перевозок и длина дороги, а также выполнено построение линейной парной регрессии.
Расчетное значение коэффициента корреляции rxy=0, 837 близкое к 1 и расположение опытных данных рядом друг с другом, свидетельствуют о наличии корреляционной связи между длиной дороги и доходов от международных перевозок.
Построенная функция регрессии дает возможность рассчитывать прогнозные значения доходов от международных перевозок () при заданном значении длины дороги (x). Например, при увеличении длины дороги, средний ожидаемый объем доходов от международных перевозок тоже увеличивается.
1.2 Расчет параметров степенной парной регрессии
Степенная парная регрессия относится к нелинейным регрессиям по оцениваемым параметрам. Однако она считается внутренне линейной, так как логарифмирование ее приводит к линейному виду. Таким образом, построению степенной модели
предшествует процедура линеаризации переменных. Линеаризация позволяет использовать для определения параметров функции регрессии метод наименьших квадратов. При этом оценки параметров будут вычислены по алгоритму, изложенному в 2.
для этой цели проведем логарифмирование обеих частей уравнения:
lgy = lga + blgx.
Обозначим через Y = lgy; X = lgx; A = lga . Тогда уравнение примет вид:
Y = A + bX.
Как отмечалось, для расчета параметров А и b используются соотношения метода наименьших квадратов, поскольку в новых переменных Y и X соотношение стало линейным, а следовательно, оценки параметров будут состоятельными, несмещенными и эффективными.
Весь предварительный расчет параметров степенной функции регрессии аналогично линейной сведен в табл.1.2
Таблица 1.2
Расчет параметров степенной парной регрессии |
|||||||||
X |
Y |
X*Y |
X^2 |
Y^2 |
(yi - yxi) |
(yi - yxi)^2 |
|||
4,01 |
3,29 |
13,17 |
16,05 |
10,81 |
1907,68 |
32,32 |
1044,47 |
1,67 |
|
3,96 |
3,32 |
13,17 |
15,70 |
11,04 |
1694,14 |
409,86 |
167988,83 |
19,48 |
|
3,86 |
3,03 |
11,70 |
14,86 |
9,20 |
1265,02 |
-184,02 |
33862,56 |
17,02 |
|
3,81 |
2,79 |
10,65 |
14,54 |
7,80 |
1126,92 |
-505,92 |
255954,78 |
81,47 |
|
3,78 |
2,93 |
11,09 |
14,31 |
8,59 |
1037,74 |
-184,74 |
34130,48 |
21,66 |
|
3,78 |
2,97 |
11,23 |
14,29 |
8,82 |
1031,68 |
-99,68 |
9935,75 |
10,70 |
|
3,78 |
2,77 |
10,47 |
14,28 |
7,67 |
1026,22 |
-437,22 |
191164,29 |
74,23 |
|
3,74 |
2,99 |
11,16 |
13,97 |
8,92 |
920,07 |
48,93 |
2394,18 |
5,05 |
|
3,69 |
3,09 |
11,37 |
13,58 |
9,52 |
796,7 |
421,3 |
177496,16 |
34,59 |
|
3,68 |
2,89 |
10,65 |
13,56 |
8,37 |
789,13 |
-6,13 |
37,54 |
0,78 |
|
3,63 |
2,86 |
10,40 |
13,21 |
8,19 |
693,28 |
33,72 |
1137,04 |
4,64 |
|
3,62 |
3,00 |
10,87 |
13,13 |
9,01 |
673,36 |
328,64 |
108004,44 |
32,80 |
|
3,58 |
2,96 |
10,60 |
12,83 |
8,76 |
602,22 |
307,78 |
94727,89 |
33,82 |
|
3,53 |
2,87 |
10,12 |
12,48 |
8,21 |
525,42 |
207,58 |
43088,81 |
28,32 |
|
3,50 |
2,67 |
9,36 |
12,25 |
7,15 |
480,9 |
-8,9 |
79,16 |
1,89 |
|
2,82 |
1,76 |
4,97 |
7,96 |
3,11 |
75,83 |
-17,83 |
317,92 |
30,74 |
|
58,78 |
46,2 |
170,98 |
217 |
135,17 |
14646,3 |
345,7 |
1121364,3 |
78,12 |
|
3,67 |
2,89 |
10,69 |
13,56 |
8,45 |
- |
- |
70085,27 |
||
0,07 |
0,11 |
- |
- |
- |
- |
- |
- |
||
0,26 |
0,33 |
- |
- |
- |
- |
- |
- |
||
0,92 |
- |
- |
- |
- |
- |
- |
- |
||
0,08 |
- |
- |
- |
- |
- |
- |
- |
Тогда
B= (-)/Sx2 = (10, 69 - 2, 89 · 3, 67)/ (0, 26)2 = 1, 1815;
C = - b · = 2, 89 - 1, 1815 ·3, 67 = -1, 453.
Следовательно, a=10C, a=10-1,453, a= 0, 03523;
b = 0, 08/0,07=1, 1815
Таким образом, степенное уравнение регрессии с учетом логарифмических переменных будет иметь вид:
Y = -1, 453 + 1, 1815·X.
Выполнив его потенцирование, получим:
yx = 10-1,453x1,1815=0,03523x1,1815
Подставляя в последнее уравнение фактические значения x, получаем теоретическое значение yx. Эти значения приведены в табл. 1.2
На Рис. 1.2 представлены опытные значения доходов от международных перевозок, а также выполнено построение степенной парной регрессии.
Рис. 1.2
Расчетное значение коэффициента корреляции rxy=0,92 близкое к 1 и расположение опытных данных рядом друг с другом, свидетельствуют о наличии корреляционной связи между длиной дороги и доходов от перевозок.
1.3 Расчет параметров показательной парной регрессии
Поскольку показательная функция относится к классу нелинейных по оцениваемым параметрам, то построению функции парной показательной регрессии
yx= a·bx
предшествует, как и в случае степенной функции регрессии, процедура линеаризации переменных с помощью логарифмирования обеих частей функции регрессии.После логарифмирования получим следующее выражение:
lgyх =lga + xlgb.
Введя обозначения переменных и констант
Y = lgyх, A = lga, B = lgb,
получим линейное уравнение регрессии в новых переменных:
Y = A + Bx
Для определения параметров все вычисления сведены в табл. 1.3
Таблица1.3
Расчет параметров показательной парной регрессии |
||||||||
x |
Y |
Y*x |
x^2 |
Y^2 |
(yi - yxi) |
(yi - yxi)^2 |
||
10147 |
3,29 |
33361,32 |
102961609 |
10,81 |
2773,57 |
-833,57 |
694832,02 |
|
9177 |
3,32 |
30495,59 |
84217329 |
11,04 |
2140,01 |
-36,01 |
1296,58 |
|
7167 |
3,03 |
21743,43 |
51365889 |
9,20 |
1250,38 |
-169,38 |
28689,41 |
|
6499 |
2,79 |
18152,30 |
42237001 |
7,80 |
1045,88 |
-424,88 |
180525,07 |
|
6061 |
2,93 |
17764,48 |
36735721 |
8,59 |
930,31 |
-77,31 |
5977,05 |
|
6031 |
2,97 |
17908,55 |
36372961 |
8,82 |
922,88 |
9,12 |
83,18 |
|
6004 |
2,77 |
16631,77 |
36048016 |
7,67 |
916,24 |
-327,24 |
107087,42 |
|
5474 |
2,99 |
16347,14 |
29964676 |
8,92 |
795,2 |
173,8 |
30207,98 |
|
4846 |
3,09 |
14953,05 |
23483716 |
9,52 |
672,29 |
545,71 |
297795,06 |
|
4807 |
2,89 |
13910,31 |
23107249 |
8,37 |
665,32 |
117,68 |
13848,4 |
|
4308 |
2,86 |
12327,49 |
18558864 |
8,19 |
582,23 |
144,77 |
20958,56 |
|
4203 |
3,00 |
12612,65 |
17665209 |
9,01 |
566,11 |
435,89 |
189997,74 |
|
3824 |
2,96 |
11315,37 |
14622976 |
8,76 |
511,56 |
398,44 |
158752,51 |
|
3407 |
2,87 |
9761,41 |
11607649 |
8,21 |
457,6 |
275,4 |
75847,3 |
|
3161 |
2,67 |
8452,33 |
9991921 |
7,15 |
428,47 |
43,53 |
1894,88 |
|
662 |
1,76 |
1167,39 |
438244 |
3,11 |
219,67 |
-161,67 |
26137,17 |
|
85778 |
46,2 |
256904,58 |
539379030 |
135,17 |
14877,72 |
114,28 |
1833930,33 |
|
5361,13 |
2,89 |
16056,54 |
33711189,38 |
8,45 |
- |
- |
114620,65 |
|
4969528,11 |
0,11 |
- |
- |
- |
- |
- |
- |
|
2229,24 |
0,33 |
- |
- |
- |
- |
- |
- |
C учетом табличных данных значения параметров линейной регрессии составят:
B= / Sx2 = (16056, 54 - 2, 89 * 5361, 13)/(2229, 24)2 = 0,000116;
C = - B = 2, 89 - 0, 000116 * 5361, 13 = 2, 2649.
Следовательно, a=10C, a=102,2649, a=184, 0383;
b = 100,000116, b=1, 00027.
Таким образом, получено уравнение
Y = 2, 2649 + 0, 000116x,
или после потенцирования
yx = 102,2649100,000116x= 184, 04* (1, 0003) x.
На Рис. 1.3 представлены опытные данные доходов от международных перевозок и длины дороги, а также выполнено построение показательной парной регрессии.
Рис. 1.3
На рис. 1.4 выполнено построение функций регрессии
Рис. 1.4
2. Дисперсионный анализ линейной функции регрессии
Центральное место в дисперсионном анализе занимает разложение общей суммы квадратов отклонения результирующего показателя y от его среднего значения на две части, а именно на объясненную (факторную) и остаточную:
, (*)
где - общая сумма квадратов отклонений;
- объясненная (факторная) сумма квадратов отклонений;
- остаточная сумма квадратов отклонений.
Результаты расчетов сведены в табл. 2.1
Номер п. п. |
Дисперсионный анализ линейной и степенной регрессий |
||||||||
yi - |
(yi - )2 |
yxi- |
(yxi- )2 |
yi - yxi |
(yi - yxi)2 |
||||
1 |
1940 |
1003 |
1006009 |
1812,88 |
875,88 |
767158,27 |
127,12 |
16160,58 |
|
2 |
2104 |
1167 |
1361889 |
1635,35 |
698,35 |
487697,52 |
468,65 |
219629,6 |
|
3 |
1081 |
144 |
20736 |
1267,5 |
330,5 |
109228,92 |
-186,5 |
34781,5 |
|
4 |
621 |
-316 |
99856 |
1145,25 |
208,25 |
43366,2 |
-524,25 |
274833,38 |
|
5 |
853 |
-84 |
7056 |
1065,09 |
128,09 |
16406,02 |
-212,09 |
44980,47 |
|
6 |
932 |
-5 |
25 |
1059,6 |
122,6 |
15029,68 |
-127,6 |
16280,64 |
|
7 |
589 |
-348 |
121104 |
1054,65 |
117,65 |
13842,53 |
-465,65 |
216833,89 |
|
8 |
969 |
32 |
1024 |
957,66 |
20,66 |
426,73 |
11,34 |
128,65 |
|
9 |
1218 |
281 |
78961 |
842,73 |
-94,27 |
8887,66 |
375,27 |
140830,87 |
|
10 |
783 |
-154 |
23716 |
835,59 |
-101,41 |
10284,37 |
-52,59 |
2765,51 |
|
11 |
727 |
-210 |
44100 |
744,26 |
-192,74 |
37146,86 |
-17,26 |
298,07 |
|
12 |
1002 |
65 |
4225 |
725,05 |
-211,95 |
44923,45 |
276,95 |
76702,15 |
|
13 |
910 |
-27 |
729 |
655,69 |
-281,31 |
79137,19 |
254,31 |
64675,27 |
|
14 |
733 |
-204 |
41616 |
579,37 |
-357,63 |
127898,94 |
153,63 |
23602,06 |
|
15 |
472 |
-465 |
216225 |
534,35 |
-402,65 |
162127,61 |
-62,35 |
3887,43 |
|
16 |
58 |
-879 |
772641 |
77 |
-860 |
739598,92 |
-19 |
361,02 |
|
Сумма |
14992 |
- |
3799912 |
14992 |
- |
2663160,89 |
- |
1136751,11 |
На основании выполненных расчетов имеем:
3799912 = 2663160,89 + 1136751,11, следовательно, равенство (*) выполняется.
Если коэффициент b увеличить в 1,1 раза, то измененное уравнение линейной регрессии будет иметь вид: yx = -44,1538 + 0,2013·xи приведенное выше соотношение (*) выполняться не будет, что следует из расчетов (табл. 2.2).
Таблица 2.2
Номер п. п. |
Дисперсионный анализ линейной и степенной регрессий, при b=0, 2013 |
||||||||
yi - |
(yi - )2 |
yxi- |
(yxi- )2 |
yi - yxi |
(yi - yxi)2 |
||||
1 |
1940 |
1003 |
1006009 |
1998,58 |
1061,58 |
1126949,26 |
-58,58 |
3431,46 |
|
2 |
2104 |
1167 |
1361889 |
1803,30 |
866,30 |
750482,89 |
300,70 |
90417,99 |
|
3 |
1081 |
144 |
20736 |
1398,66 |
461,66 |
213132,88 |
-317,66 |
100909,89 |
|
4 |
621 |
-316 |
99856 |
1264,19 |
327,19 |
107050,33 |
-643,19 |
413687,54 |
|
5 |
853 |
-84 |
7056 |
1176,01 |
239,01 |
57125,76 |
-323,01 |
104335,43 |
|
6 |
932 |
-5 |
25 |
1169,97 |
232,97 |
54275,27 |
-237,97 |
56629,98 |
|
7 |
589 |
-348 |
121104 |
1164,54 |
227,54 |
51772,21 |
-575,54 |
331240,61 |
|
8 |
969 |
32 |
1024 |
1057,84 |
120,84 |
14601,99 |
-88,84 |
7892,31 |
|
9 |
1218 |
281 |
78961 |
931,41 |
-5,59 |
31,21 |
286,59 |
82131,80 |
|
10 |
783 |
-154 |
23716 |
923,56 |
-13,44 |
180,57 |
-140,56 |
19757,76 |
|
11 |
727 |
-210 |
44100 |
823,11 |
-113,89 |
12971,70 |
-96,11 |
9236,49 |
|
12 |
1002 |
65 |
4225 |
801,97 |
-135,03 |
18233,46 |
200,03 |
40012,53 |
|
13 |
910 |
-27 |
729 |
725,67 |
-211,33 |
44660,07 |
184,33 |
33977,29 |
|
14 |
733 |
-204 |
41616 |
641,72 |
-295,28 |
87188,63 |
91,28 |
8331,53 |
|
15 |
472 |
-465 |
216225 |
592,20 |
-344,80 |
118887,34 |
-120,20 |
14447,94 |
|
16 |
58 |
-879 |
772641 |
89,12 |
-847,88 |
718907,16 |
-31,12 |
968,21 |
|
Сумма |
14992 |
- |
3799912 |
16561,85 |
- |
3376450,71 |
- |
1317408,75 |
Из таблицы следует:
1136751,11<1317408,75
и 3799912 ? 3376450,71 + 1317408,75,
т.е..
3. Оценка тесноты связи доходов от международных перевозок и длины дороги с помощью показателей корреляции и детерминации
Уравнение регрессии всегда дополняется показателем тесноты связи. При использовании линейной регрессии в качестве такого показателя выступает линейный коэффициент корреляции rxy. Существуют различные формы записи линейного коэффициента корреляции. Наиболее часто встречаются следующие:
rxy= b(Sx/ Sy) = Mxy/(Sx / Sy) = ( - )/ SxSy.
Как известно, линейный коэффициент корреляции находится в пределах -1 ? rxy? 1. Если коэффициент регрессии b> 0, то 0 ? rxy? 1, и наоборот, при b< 0 -1 ? rxy? 0.
Используя первое выражение для rxy, рассчитаем линейный коэффициент парной корреляции:
rxy=b(Sx/Sy) = 0,183* (2229,24/487,33) = 0,837.
Значение коэффициента корреляции показывает, что связь прямая, то есть с увеличением длины дороги доходы от перевозок тоже увеличивается.
Так же учитывая, что значение коэффициента корреляции находится в промежутке от 0,9 до 1,0 говорит о том, что связь сильная, т.е. длина дороги зависит в большей степени, нежели от других факторов.
Для оценки качества подбора линейной функции необходимо определить квадрат линейного коэффициента rxy2, который называется коэффициентом детерминации линейной функции регрессии. Он характеризует долю дисперсии (разброса) доходов от перевозокyx, объясняемую зависимостью от длины дорогиx, в общей дисперсии, возникающей за счет влияния множества факторов, не учтенных функцией регрессии.
Соответственно величина 1-rxy2 характеризует долю дисперсии доходов от перевозокy, вызванную влиянием остальных не учтенных в математической модели факторов.
Определим коэффициент детерминации:
ryx2 = (0,837)2 = 0,701.
Следовательно, изменение результата (доходов от международных перевозок в общих доходах) на 70,1% объясняется изменением фактора (длины дороги).
В отличие от линейной регрессии нелинейная регрессия характеризуется не коэффициентом корреляции, а индексом корреляции Rxyи индексом детерминации Rxy2:
Rxy = (1 - (Sост2/Sy2 )1/2,
гдеSост2 = ( (y1 - yx1)2 + (y2 - yx2)2 + ... + (y16 - yx16)2 )/ n;
Sy2 = ( (y1 - )2 + (y2 - )2 + ... + (y16 - )2 )/ n.
Величина данного показателя находится в пределах 0 ? Rxy? 1, при этом чем она ближе к единице, тем теснее связь между доходами от перевозок и длины дороги, тем более надежное уравнение регрессии.
Расчеты показателей степени связи между доходами от перевозок и длины дороги при степенной модели показывают, что она несколько лучше линейной модели.
Аналогичная оценка для показательной функции регрессии находится науровне оценки линейной регрессии, но несколько хуже степенной.
4. Оценка ошибки аппроксимации уравнений регрессии
Из графиков и приведенных в таблицах расчетных данных следует, что фактическое значение доходов от перевозокy( результативный признак) отличается от теоретического значения yx, рассчитанных по одному из уравнений регрессии. Очевидно, чем меньше это отличие, тем ближе опытные данные к теоретическим значениям и тем лучше качество модели.
Величина, представляющая собой разность опытного и теоретического результативного признака (y - yx) для каждого опыта представляет собой ошибку аппроксимации функции, связывающей доходы от перевозок и длину дороги. В данном случае число таких опытов равно семнадцати. Для оценки каждого опыта используются не сами разности, а абсолютные значения разностей опытного и теоретического результативных признаков, отнесенные к опытному признаку и выраженные в процентах, то есть:
Аi= | (yi-yxi) / yi|100% .
Таблица 4.1
Номер п. п. |
Линейная регрессия |
Степенная регрессия |
Показательная регрессия |
||||
(yi - yxi) |
(yi -yxi) |
(yi -yxi) |
|||||
1 |
127,124 |
6,55 |
32,32 |
1,67 |
-833,57 |
0,67 |
|
2 |
468,647 |
22,27 |
409,86 |
19,48 |
-36,01 |
0,00 |
|
3 |
-186,498 |
17,25 |
-184,02 |
17,02 |
-169,38 |
0,06 |
|
4 |
-524,246 |
84,42 |
-505,92 |
81,47 |
-424,88 |
0,43 |
|
5 |
-212,086 |
24,86 |
-184,74 |
21,66 |
-77,31 |
0,02 |
|
6 |
-127,596 |
13,69 |
-99,68 |
10,70 |
9,12 |
0,00 |
|
7 |
-465,654 |
79,06 |
-437,22 |
74,23 |
-327,24 |
0,30 |
|
8 |
11,342 |
1,17 |
48,93 |
5,05 |
173,80 |
0,10 |
|
9 |
375,274 |
30,81 |
421,30 |
34,59 |
545,71 |
1,27 |
|
10 |
-52,588 |
6,72 |
-6,13 |
0,78 |
117,68 |
0,06 |
|
11 |
-17,265 |
2,37 |
33,72 |
4,64 |
144,77 |
0,11 |
|
12 |
276,952 |
27,64 |
328,64 |
32,80 |
435,89 |
1,08 |
|
13 |
254,313 |
27,95 |
307,78 |
33,82 |
398,44 |
1,09 |
|
14 |
153,630 |
20,96 |
207,58 |
28,32 |
275,40 |
0,65 |
|
15 |
-62,349 |
13,21 |
-8,90 |
1,89 |
43,53 |
0,02 |
|
16 |
-19,001 |
32,76 |
-17,83 |
30,74 |
-161,67 |
0,34 |
|
Сумма |
0 |
136,99 |
345,70 |
78,12 |
114,28 |
6,19 |
|
Ср.знач. |
0 |
8,56 |
21,61 |
4,88 |
7,14 |
0,39 |
Оценка качества всей функции регрессии может быть осуществлена как средняя ошибка аппроксимации - средняя арифметическая Аi:
А = (А1 +А2 + … + А16) / 16.
Найдем величину средней ошибки аппроксимации линейной функции связи между доходами от перевозок и длиной дороги:
А = 136,99 / 16 = 8,56 %.
Аналогично получим среднюю ошибку аппроксимации для степенной А = 78,12/16 = 4,88% и для показательной функции: А = 6,19/16 = 0,39%.
Их анализ показывает, что ошибка аппроксимации находится в допустимых для практического использования пределах, однако с теоретической точки зрения может быть продолжен поиск более качественной функции регрессии. Ниже приводятся графики ошибки аппроксимации линейной, степенной и показательной регрессий.
5. Сравнительная оценка силы связи длины дороги с доходами от международных перевозок с помощью среднего коэффициента эластичности
Средний коэффициент эластичности Э показывает, на сколько процентов в среднем изменится доход от перевозок yx от своей средней величины при изменении длины дороги x на 1% от своего значения. Для произвольной величины x он может быть вычислен по следующей формуле:
Э = yx' (x)· / ?yx.
С учетом приведенной формулы коэффициент эластичности Э для линейной функции регрессии
yx = -44,154 + 0,183x
примет следующий вид:
Э = yx' (x) · / ?yx= b · / (a + b) = 0,183 * 5361,13 / (-44,1538 + 0,183 * 5361,13) = 1,05
Коэффициент эластичности Э для степенной функции регрессии
yx = 0,0352x1,1815вычисляют по соотношению:
Э = yx' (x) · / ?yx= a · b · xb-1· (x/ a · xb) = b = 1,183
Коэффициент эластичности Э для показательной функции регрессии
yx = 184,04* (1,0003) x вычисляют по соотношению:
Э = yx' (x) · / ?yx= * Ln (b)=5361,13*Ln(1,0003)=1,43
Таким образом, анализ разработанных математических моделей показывает, что изменение 1% длины приводит к увеличению на 1,05….1,43% доходов от перевозок в общих доходах. При этом по линейной модели это увеличение составляет 1,05%, по степенной функции регрессии - 1,183%, по показательной функции регрессии - 1,43%.
6. Оценка статистической надежности результатов линейного регрессионного моделирования
регрессия корреляция доход перевозка
Оценку статистической надежности уравнения регрессии в целом будем производить с помощью F-критерия Фишера. При этом примем нулевую гипотезу H0, что коэффициент регрессии b равен нулю. В таком случае фактор x не оказывает влияния на результат y, то есть длина железной дороги не оказывает влияния на доходы от перевозок. Альтернативная гипотеза H1 будет состоять в статистической надежности линейного регрессионного моделирования. Для установления истинной значимости линейной модели необходимо выполнить сравнение факторного Fфакт и критического (табличного) Fтабл значений F-критерия Фишера. Факторный F-критерий Фишера вычисляется по формуле:
Fфакт = Sфакт2/ Sост2,
где Sфакт2- факторная выборочная дисперсия, вычисленная на одну степень свободы по соотношению:
Sфакт2 = ((yx1- )2+ (yx2 - )2 + ...+ (yx16 - )2) / 1;
Sфакт2 = 2663160,9
Sост2 - остаточная выборочная дисперсия, вычисленная на одну степень свободы по соотношению:
Sост2 = ( (y1 - yx1)2 + (y2 - yx2)2 + ...+ (y16 - yx16)2 )/ n - 2.
Sост2 = 81196,51
Если нулевая гипотеза справедлива, то факторная и остаточная выборочные дисперсии не отличаются друг от друга. Для опровержения нулевой гипотезы H0 необходимо, чтобы факторная дисперсия превышала остаточную дисперсию в несколько раз. Табличное Fтабл значение F-критерия Фишера - это максимальная величина критерия (отношения дисперсий) под влиянием случайных факторов при данных степенях свободы и уровне значимости б, который примем равным 0,05.
Если Fтабл<Fфакт , то нулевая гипотеза о случайной природе коэффициента регрессии, а следовательно, и оцениваемой модели отвергается и признается их статическая значимость и надежность. Если Fтабл>Fфакт, то нулевая гипотеза не отклоняется и признается статическая незначимость и ненадежность уравнения регрессии.
По таблице значений F-критерия Фишера при уровне значимости б = 0,05 и степенях свободы к1 = 1, к2 = 16-2=14 получаем Fтабл = 4,6. Выполнив расчет, получим Fфакт = 2663160,9 / 81196,51 = 32,79.
Полученные значения F-критерия Фишера указывают, чтоFтабл<Fфакт, поэтому необходимо отвергнуть нулевую гипотезу о случайной природе коэффициента регрессии, а следовательно, и оцениваемой модели и принять альтернативную гипотезу.
7. Расчет прогнозного значения доходов от международных перевозок по линейной модели при увеличении длины дороги
Полученное уравнение линейной регрессии позволяет использовать его для прогноза. Согласно заданию на курсовую работу, следует рассчитать прогнозное значение доходов от перевозок, если прогнозное значение длины железной дороги увеличится на 10% от среднего значения всех дорог. При этом установить доверительный интервал прогноза для уровня значимости, равного 0,05.
Если прогнозное значение длины дороги составитxp = 1,1 * = 1,1 * 5361,13=5897,24, то прогнозное точечное значение доходов от международных перевозок можно вычислить по соотношению:
yxp = -44,154 + 0,183 · xp= -44,154 + 0,183 · 5897,24= 1035,115
Для определения доверительного интервала прогноза доходов от перевозок необходимо вычислить ошибку прогноза по формуле:
myp= Sост·(1 + 1/16 + ( xp-)2/( (x1 - )2 + (x2 - )2 +...+ (x16-
- )2))1/2 = 1066,185·(1 + 1/16 + (5897,24 - 5361,13)2 / ( (10147 - 5361,13)2 + (9177 - 5361,13)2 +…+ (662 - 5361,13)2))1/2 = 64,102
Предельная ошибка прогноза, которая с вероятностью 0,95 не будет превышена, составит:
?yp = tтабл · myp = 2,13·64,102 = 136,54.
Здесь tтабл- табличное значение t-статистки Стьюдента для числа степеней свободы n- 2 = 14 и уровне значимости 0,05.
Тогда предельные значения доверительного интервала прогноза доходов от перевозок при прогнозируемом увеличении длины дороги на 10% можно вычислить по формулам:
yxpmin = yxp - ?yp = 1035,115 - 136,54 = 898,58;
yxpmax=yxp + ?yp = 1035,115 + 136,54 = 1171,66.
Выполненный прогнозный расчет по линейной регрессионной модели показал, что при достаточной надежности (вероятность 0,95) она достаточно точна, так как отношение значений верхней и нижней границ доверительного интервала составляет 1,304.
8. Реализация решенных задач на компьютере
Определение линейной функции регрессии выполним с помощью ППП Excel.
8.1 Реализация процедуры «ЛИНЕЙН»
Статистическая функция ЛИНЕЙН позволяет вычислить параметры линейной регрессии:
yx= a + b · x .
Вся регрессионная статистика будет выводиться по схеме:
Значение коэффициента b |
значение коэффициента а |
|||
Среднеквадратическое отклонениеb |
среднеквадратическое |
|||
коэффициент детерминации |
среднеквадратическое |
отклонениеy |
||
F-статистика |
число степеней свободы |
|||
регрессионная сумма квадратов |
остаточная сумма квадратов |
Алгоритм вычисления регрессионной статистики включает следующие этапы:
1) подготовку исходных данных;
2) выделение области пустых ячеек 5 2 для вывода результатов регрессионной статистики;
3) активизацию Мастера функций одним из способов:
а) в главном меню выбрать ВСТАВКА/ФУНКЦИЯ;
в) на панели СТАНДАРТНАЯ щелкнуть по кнопке ВСТАВКА ФУНКЦИИ;
4) в окне КАТЕГОРИЯ выбрать СТАТИСТИЧЕСКИЕ, в окне ФУНКЦИЯ - ЛИНЕЙН; затем щелкнуть по кнопке ОК;
5) заполнить аргументы функции;
6) в левой верхней ячейке выделенной области появится первый элемент итоговой таблицы. Для раскрытия всей таблицы необходимо нажать на клавишу F2, затем нажать комбинацию клавишей CTRL + SHIFT + ENTER.
Ниже приводятся результаты регрессионной линейной математической модели доходов от международных перевозок в зависимости от длины 16дорог.
Значение коэффициента b |
0,18301 |
-44,1538 |
Значение коэффициента a |
|
Среднеквадратическое отклонение b |
0,03196 |
185,5403 |
Среднеквадратическое отклонение a |
|
Коэффициент детерминации |
0,70085 |
284,95 |
Среднеквадратическое отклонение b |
|
F-статистика |
32,799 |
14 |
Число степеней свободы |
|
Регрессионная сумма квадратов |
2663161 |
1136751 |
Остаточная сумма квадратов |
8.2 Реализация процедуры «Анализ данных»
Для активизации надстройки «Пакет анализа» необходимо открыть меню «Сервис» и щелкнуть по строке «Надстройки…». В открывшемся меню следует отметить строку «Пакет анализа» и подтвердить выбор кнопкой «ОК».
Использование пакета анализа осуществляется выбором строки «Анализ данных…» в строке «Сервис» после выделения любой ячейки рабочего листа. Построение парной линейной регрессии выполняется с помощью инструмента «Регрессия» пакета анализа.
Инструмент анализа «Регрессия» пакета анализа данных Excel позволяет по введенным статистическим данным получить значения выборочных коэффициентов корреляции и детерминации, стандартного отклонения; разложения общей суммы квадратов на объясненную и остаточную, расчетное значение -статистики и уровень значимости на котором расчетная -статистика равняется соответствующей табличной величине; значения регрессионных параметров, их стандартные ошибки, и -статистики; таблицу теоретических значений и величины их отклонений от опытных данных; график статистических данных с линией регрессии и график остатков; и другие статистические оценки.
Вызов опции «Регрессия» осуществляется через надстройку «Анализ данных…» меню «Сервис».
Вызов надстройки «Анализ данных…» приведет к появлению списка инструментов анализа. В этом списке необходимо выбрать «Регрессия» и подтвердить выбор нажатием кнопки «ОК».
Интерфейс инструмента анализа «Регрессия» представляет собой диалоговое окно, в верхней части которого следует ввести статистические данные результирующей переменной в поле «Входной интервал Y» и данные фактора в поле «Входной интервал X». При необходимости построения уравнения регрессии вида нужно задать параметр «Константа-ноль». Параметр «Уровень надежности» в процентах определяет величину доверительной вероятности . В качестве выходного интервала удобно задать адрес ячейки непосредственно рядом с таблицей исходных данных. Рекомендует активизировать параметры «Остатки» (таблица теоретических значений результирующего показателя и соответствующие значения остатков), «График остатков» (график отклонений теоретических значений результирующего показателя от его опытных значений) и «График подбора» (график статистических данных с соответствующими теоретическими величинами, вычисленными по уравнению регрессии).
После подтверждения настроек нажатием кнопки «ОК» итоги регрессионного анализа высветятся в заданной области.
Ниже приведены пояснения к итогам расчетов инструмента анализа «Регрессия».
1. Регрессионная статистика:
Множественный R - выборочный коэффициент корреляции;
R-квадрат - выборочный коэффициент детерминации;
Нормированный R-квадрат - выборочный скорректированный на объем выборки коэффициент детерминации;
Стандартная ошибка - стандартная ошибка результирующей переменной;
Наблюдения - объем выборки.
2. Дисперсионный анализ:
Регрессия - строка таблицы, соответствующая объясненной сумме квадратов отклонений;
Остаток - строка таблицы, соответствующая остаточной сумме квадратов отклонений;
Итого - строка таблицы, соответствующая общей сумме квадратов отклонений;
df - столбец значений числа степеней свободы;
SS - столбец значений сумм квадратов отклонений;
MS - столбец значений сумм квадратов отклонений отнесенных к числу степеней свободы;
F - расчетное значение -статистики;
Значимость F- значение уровня статистической значимости, при котором табличное значение -статистики с числом степеней свободы 1 и будет равно расчетной -статистике (если это значение меньше заданного уровня значимости, то есть основание отвергнуть гипотезу о статистической ненадежности уравнения регрессии).
Y-пересечение - строка таблицы соответствующая свободному регрессионному коэффициенту;
Переменная X1 - строка таблицы соответствующая регрессионному коэффициенту при переменной ;
Коэффициенты - столбец значений регрессионных параметров;
Стандартная ошибка - столбец значений выборочных среднеквадратичных отклонений регрессионных параметров;
t-статистика - столбец расчетных значений -статистик регрессионных параметров;
3. Вывод остатков:
Наблюдения- номера наблюдений по порядку;
Предсказанное Y -теоретические значения результирующего показателя, соответствующие опытным величинам;
Остатки - отклонения (разность) теоретических значений результирующего показателя и соответствующих опытных значений.
ВЫВОД ИТОГОВ |
||||||
Регрессионная статистика |
||||||
Множественный R |
0,837166676 |
|||||
R-квадрат |
0,700848044 |
|||||
Нормированный R-квадрат |
0,679480047 |
|||||
Стандартная ошибка |
284,950009 |
|||||
Наблюдения |
16 |
|||||
Дисперсионный анализ |
||||||
df |
SS |
MS |
F |
Значимость F |
||
Регрессия |
1 |
2663160,893 |
2663160,893 |
32,79895861 |
5,23096E-05 |
|
Остаток |
14 |
1136751,107 |
81196,50764 |
|||
Итого |
15 |
3799912 |
||||
Коэффициенты |
Стандартная ошибка |
t-статистика |
||||
Y-пересечение |
-44,15375144 |
185,5402535 |
-0,237973974 |
|||
Переменная X 1 |
0,183012661 |
0,031955904 |
5,727037507 |
|||
ВЫВОД ОСТАТКА |
||||||
Наблюдение |
Предсказанное Y |
Остатки |
||||
1 |
1812,875718 |
127,1242817 |
||||
2 |
1635,353437 |
468,6465628 |
||||
3 |
1267,497989 |
-186,4979889 |
||||
4 |
1145,245531 |
-524,2455315 |
||||
5 |
1065,085986 |
-212,085986 |
||||
6 |
1059,595606 |
-127,5956062 |
||||
7 |
1054,654264 |
-465,6542643 |
||||
8 |
957,6575541 |
11,34244591 |
||||
9 |
842,7256031 |
375,2743969 |
||||
10 |
835,5881093 |
-52,5881093 |
||||
11 |
744,2647915 |
-17,26479154 |
||||
12 |
725,0484621 |
276,9515379 |
||||
13 |
655,6866637 |
254,3133363 |
||||
14 |
579,3703841 |
153,6296159 |
||||
15 |
534,3492695 |
-62,34926953 |
||||
16 |
77,00063005 |
-19,00063005 |
8.3 Реализация процедуры «ТРЕНД»
Построению линий регрессии и получению регрессионных зависимостей в Excel с помощью процедуры «ТРЕНД» предшествует создание точечных графиков исходных данных. Построение точечных графиков начинается с вызова мастера диаграммы, в окне которого на вкладке «Стандартные» выбирается тип «Точечная» и вид позволяющий сравнивать пары значений.
Построение графика заключается в добавлении нового ряда статистических данных. Для этого на вкладке «Ряд» «Мастера диаграммы» необходимо нажать кнопку «Добавить». Добавление нового ряда данных требует ввода его имени и значений фактора, и результирующего показателя соответственно в поля «Значения X» и «Значения Y».
На построенном графике следует щелкнуть правой кнопкой «мыши» по одной из точек графика и в появившемся меню выбрать «Добавить линию тренда». На вкладке «Тип» окна «Линия тренда» выбирается вид построения линии тренда «Линейная». Изменить название и использовать возможность отображения уравнения на диаграмме можно на вкладке «Параметры».
Рис 8.3
Выводы
1.В настоящей курсовой работе решена задача разработки математической модели доходов от международных перевозок в зависимости от длины дороги. Исходными данными для ее расчета явились реальные значения доходов от международных перевозок и длин 16 дорог, расположенных на территории РФ. Для выбора и обоснования модели в курсовой работе рассмотрены линейная, степенная и показательная математические модели.
2.Выполнена оценка тесноты связи доходов от международных перевозок и длины дороги с помощью показателей корреляции и детерминации. Сравнение показателей степени связи между доходами от международных перевозок и длинами дорог показывают, что степенная модель несколько лучше линейной и показательной моделей.
3.Анализ ошибки аппроксимации функций регрессии позволяет заключить, что она находится в допустимых для практического использования пределах и средняя ее величина равна:
- для линейной функции: А = 136,99 / 16 = 8,56 %.
- для степенной функции: А = 78,12 / 16 = 4,88%
- для показательной функции: А = 6,19 / 16 = 0, 39%.
4.Осуществлена сравнительная оценка силы связи фактора (длина дороги) с результатом (доходы от международных перевозок) с помощью среднего коэффициента эластичности. Из анализа разработанных математических моделей следует, что изменение 1% длины приводит к увеличению на 1,05….1,43% доходов от перевозок в общих доходах. При этом по линейной модели это увеличение составляет 1,05%, по степенной функции регрессии - 1,183%, по показательной функции регрессии - 1,43%.
5.Полученные значения F-критерия Фишера при анализе качества линейного уравнения регрессии указывают, что Fтабл<Fфакт,значит необходимо отвергнуть нулевую гипотезу о случайной природе коэффициента регрессии, а следовательно, и оцениваемой модели и принять альтернативную гипотезу.
6.Выполненный прогнозный расчет по линейной регрессионной модели показал, что при достаточной надежности (вероятность 0,95) она достаточно точна, так как отношение значений верхней и нижней границ доверительного интервала составляет 1,304
7.Сравнение результатов расчетов, выполненных на основе пакета прикладных программ Excel и согласно разработанным в курсовой работе алгоритмам (в соответствии с изученными методами в дисциплине «Экономико-математические модели»), показало высокую степень их совпадения.
Список рекомендуемой литературы
1. Герасименко П.В. Специальные разделы высшей математики для экономических специальностей, ч.1: Учебное пособие - СПб.: Петербургский государственный университет, 2005. - 40 с.
2. Герасименко П.В. Специальные разделы высшей математики для экономических специальностей, ч.2: Учебное пособие - СПб.: Петербургский государственный университет, 2006. - 48 с.
3. Герасименко П.В. Специальные разделы высшей математики для экономических специальностей, ч.3: Учебное пособие - СПб.: Петербургский государственный университет, 2005. - 43 с.
4. Замков О.О., Толстопятенко А.В., Черемных Ю.Н. Математические методы в экономике. - М.: МГУ, 2001. - 368 с.
5. Кремер Н.Ш., Путко Б.А. Эконометрика. - М.: ЮНИТИ-ДАНА, 2003. - 311 с.
6. Эконометрика: Учебник /Под ред. И. И. Елисеевой. - М.: Финансы и статистика, 2002. - 344 с.
Размещено на Allbest.ru
Подобные документы
Основы управления грузовыми перевозками в транспортных системах. Расчет параметров уравнений степенной и показательной парной регрессии. Расчет прогнозного значения расходов на железнодорожные перевозки по линейной модели при увеличении длины дороги.
курсовая работа [93,2 K], добавлен 29.11.2014Расчет уравнений линейной и нелинейной парной регрессии. Оценка тесноты связи расходов на перевозки и грузооборота с помощью показателей корреляции и детерминации. Оценка ошибки аппроксимации уравнений регрессии. Расчет прогнозного значения расходов.
курсовая работа [2,5 M], добавлен 26.12.2014Построение гипотезы о форме связи денежных доходов на душу населения с потребительскими расходами в Уральском и Западно-Сибирском регионах РФ. Расчет параметров уравнений парной регрессии, оценка их качества с помощью средней ошибки аппроксимации.
контрольная работа [4,5 M], добавлен 05.11.2014Определение параметров линейной регрессии и корреляции с использованием формул и табличного процессора MS Excel. Методика расчета показателей парной нелинейной регрессии и корреляции. Вычисление значений линейных коэффициентов множественной детерминации.
контрольная работа [110,4 K], добавлен 28.07.2012Расчет параметров уравнений линейной и нелинейной парной регрессии, порядок проведения дисперсионного анализа. Оценка тесноты связи между ценами первичного рынка и себестоимостью с помощью показателей корреляции и детерминации, ошибки аппроксимации.
курсовая работа [923,5 K], добавлен 07.08.2013Понятие 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 21.03.2015Исследование зависимости часового заработка одного рабочего от общего стажа работы после окончания учебы с помощью построения уравнения парной линейной регрессии. Вычисление описательных статистик. Построение поля корреляции и гипотезы о форме связи.
контрольная работа [226,6 K], добавлен 11.08.2015Определение 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 02.06.2014Расчет 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 14.05.2008Построение поля корреляции и формулирование гипотезы о форме связи. Параметры уравнений линейной, степенной и гиперболической регрессии. Оценка тесноты связи с помощью показателей корреляции и детерминации. Оценка средней ошибки аппроксимации уравнения.
контрольная работа [136,3 K], добавлен 25.09.2014