Главная Коллекция "Otherreferats" Экономико-математическое моделирование Построение и анализ эконометрической модели зависимости суммы выдаваемых кредитов физическим лицам от денежных доходов населения и ставки рефинансирования

Построение и анализ эконометрической модели зависимости суммы выдаваемых кредитов физическим лицам от денежных доходов населения и ставки рефинансирования

Исследование причин и последствий невыполнения одной из фундаментальных предпосылок классической линейной регрессионной модели – предпосылки о постоянстве дисперсии отклонений. Выявление гетероскедастичности на основе тестов Голдфелда-Квандта и Глейзера.

Рубрика Экономико-математическое моделирование
Вид курсовая работа
Язык русский
Дата добавления 05.05.2016
Размер файла 84,0 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/

Содержание

Введение

1. Теоретическое обоснование модели

2. Построение и анализ эконометрической модели

Заключение

Список использованных источников

Приложение А. Исходные данные

Введение

Современные экономические теории и исследования опираются в значительной степени на использование математических моделей и методов анализа.

Постоянно усложняющиеся экономические процессы потребовали создания и совершенствования особых методов для их изучения. Широкое распространение получило использование моделирования и количественного анализа. На этом этапе выделилось и сформировалось одно из направлений экономических исследований - эконометрика.

Эконометрика - это наука, в которой на базе реальных статистических данных строятся. Анализируются и совершенствуются математические модели реальных экономических явлений.

Целью данной работы было исследовать причины и последствия невыполнения одной из фундаментальных предпосылок классической линейной регрессионной модели - предпосылки о постоянстве дисперсии отклонений, т.е. проблемы гетероскедостичности.

Передо мной стояла задача выявления гетероскедостичности по средствам тестов Голдфелда-Квандта и Глейзера, проведение сравнительного анализа результатов данных.

Для этого была построена модель зависимости суммы выдаваемых кредитов физическим лицам от денежных доходов населении и ставки рефинансирования.

1. Теоретическое обоснование модели

Гомоскедастичностью называется выполняемость предпосылки о постоянстве дисперсии отклонений. Гетероскедастичностью называется невыполняемость этой самой предпосылки.

Явление гетероскедастичности в большей степени характерно для перекрестных данных и достаточно редко встречается при рассмотрении временных рядов.

В ряде случаев на базе знаний характера данных проблемы гетероскедостичности можно предвидеть и попытаться устранить этот недостаток еще на этапе спецификации. Однако, чаще всего, эту проблему приходиться решать после построения уравнения регрессии.

Не существует какого-либо однозначного метода определения гетероскедостичности. Однако к настоящему времени для такой проверки разработано довольно большое число тестов и критериев для них. Рассмотрим два теста: тест Голдфелда-Квандта и тест Глейзера.

Тест Глейзера по свое сути аналогичен тесту Парка и дополняет его анализом других зависимостей между дисперсиями отклонений уi и значениями переменной xi. По данному методу оценивается регрессионная зависимость модулей отклонений от xi. Рассматриваемая зависимость моделируется следующим уравнением регрессии:

=б+вxik+vi.

Изменяя значения k, можно построить различные регрессии. Обычно k=…, -1, -0,5, 0,5, 1, … Статистическая значимость коэффициента в в каждом конкретном случае фактически означает наличие гетероскедастичности. Если для нескольких регрессий коэффициент в оказывается статистически значимым, то при определении характера зависимости обычно ориентируются на лучшую из них.

Тест Голдфелда-Квандта также предполагает, что стандартное отклонение пропорционально значению xi переменной X в этом наблюдении, т.е.

.

Предполагается, что еi имеет нормальное распределение и отсутствует автокорреляция остатков.

Алгоритм теста Голдфелда-Квандта:

1. Все наблюдения упорядочиваются по величине Х.

2. Вся упорядоченная выборка после этого разбивается на три подвыборки размерностей k, (n-2k) и k соответственно.

3. Оцениваются отдельные регрессии для первой и третьей подвыборок. Если предположение о пропорциональности дисперсий отклонений значениям Х верно, то дисперсия регрессии (сумма квадратов отклонений) по первой выборке будет существенно меньше дисперсии регрессии по третьей выборке.

4. Для сравнения дисперсий строится следующая F-статистика:

.

Здесь (k-m-1) - число степеней свободы соответствующих выборочных дисперсий (m - количество объясняющих переменных в уравнении регрессии). При сделанных предположениях относительно случайных отклонений построенная F-статистика имеет распределение Фишера с числами степеней свободы.

5. Если , то гипотеза об отсутствии гетероскедастичности отклоняется.

Размеры подвыборок определённые Голфелдом и Квандтом: n=30, k=11; n=60, k=22.

Как известно из экономической теории денежные доходы населения включают в себя поступления денег в форме оплаты труда, социальные трансферты, доходы от собственности, предпринимательской деятельности, продажи продукции личного подсобного хозяйства (ЛПХ) и др. - алиментов, гонораров, благотворительной помощи и т.д., что дает более полное представление о покупательной состоятельности населения, и следовательно возможности брать кредиты. Этот показатель использовать корректнее, чем заработную плату, и он имеет прямую зависимость. Так же на сумму выданных кредитов влияет ставка рефинансирования, которая имеет обратную зависимость.

2. Построение и анализ эконометрической модели

На основе данных таблицы 1 приложения А построим предварительную регрессионную модель:

Модель 1: МНК, использованы наблюдения 2005:01-2007:12 (T = 36).

Зависимая переменная: Obiom_rabot.

Коэффициент

Ст. ошибка

t-статистика

P-значение

const

-3478,09

808,105

-4,3040

0,00014

***

Zanyatie_v_otra

16,1153

3,38211

4,7649

0,00004

***

Vlozhenia_banko

0,367263

0,23203

1,5828

0,12300

Среднее зав. перемен

871,8889

Ст. откл. зав. перемен

258,7625

Сумма кв. остатков

386052,7

Ст. ошибка модели

108,1599

R-квадрат

0,835269

Испр. R-квадрат

0,825285

F(2, 33)

83,66320

Р-значение (F)

1,19e-13

Лог. правдоподобие

-218,1256

Крит. Акаике

442,2511

Крит. Шварца

447,0017

Крит. Хеннана-Куинна

443,9092

Параметр rho

0,333403

Стат. Дарбина-Вотсона

1,333061

Исходя из показателя R-квадрата модель статистически значима и адекватна с экономической точки зрения, т.к. коэффициент при денежных доходах положительный, а при ставке рефинансирования отрицательный.

Исходя их того, что взятые данные для этой работы являются временными, то необходимо проверить ряды на стационарность, автокорреляцию и мультиколлинеарность.

Построим для каждого столбца данных коррелограммы с графиками:

Рис. 2 - Коррелограмма для суммы выданных кредитов

Автокорреляционная функция для Summa_vydannyh.

Лаг ACF PACF Q-стат. [p-значение]

1 0,8562 *** 0,8562 *** 28,6545 [0,000]

2 0,7421 *** 0,0337 50,8132 [0,000]

3 0,6324 *** -0,0392 67,3922 [0,000]

4 0,5565 *** 0,0634 80,6295 [0,000]

5 0,4761 *** -0,0444 90,6327 [0,000]

6 0,4039 ** -0,0207 98,0724 [0,000]

7 0,3112 * -0,1121 102,6399 [0,000]

8 0,2428 0,0125 105,5193 [0,000]

9 0,1691-0,0604 106,9685 [0,000]

10 0,1509 0,1357 108,1663 [0,000]

11 0,1337 0,0224 109,1451 [0,000]

12 0,1381 0,0644 110,2329 [0,000]

13 0,0396-0,3574 ** 110,3262 [0,000]

14 -0,0473-0,0959 110,4653 [0,000]

15 -0,1284-0,0573 111,5393 [0,000]

16 -0,1737-0,0042 113,6020 [0,000]

17 -0,2162-0,0076 116,9673 [0,000]

18 -0,2407 0,0186 121,3687 [0,000]

19 -0,2723 0,0247 127,3334 [0,000]

20 -0,2954 * -0,0556 134,7952 [0,000]

21 -0,3084 * 0,0276 143,4697 [0,000]

22 -0,2908 * -0,0423 151,7325 [0,000]

23 -0,2582 0,0423 158,7479 [0,000]

24 -0,2234-0,0417 164,4375 [0,000]

25 -0,2767 * -0,2248 173,9603 [0,000]

26 -0,3050 * 0,0188 186,6867 [0,000]

27 -0,3308 ** -0,0321 203,3169 [0,000]

28 -0,3274 ** 0,0153 221,6497 [0,000]

29 -0,3363 ** -0,0874 243,7519 [0,000]

30 -0,3079 * 0,1209 265,3651 [0,000]

31 -0,2816 * 0,0301 287,0546 [0,000]

32 -0,2635-0,0605 310,7929 [0,000]

33 -0,2241 0,0763 333,6893 [0,000]

34 -0,1570 0,0157 350,5416 [0,000]

35 -0,0878 0,0204 361,0844 [0,000]

На основе проведенного анализа логично сделать вывод о нестационарности ряда.

Рис. 3 - Коррелограмма для денежных доходов

Автокорреляционная функция для Denejnye_dohody

Лаг ACF PACF Q-стат. [p-значение]

1 0,6722 *** 0,6722 *** 17,6592 [0,000]

2 0,3974 ** -0,0993 24,0123 [0,000]

3 0,1681-0,1083 25,1838 [0,000]

4-0,0132-0,1028 25,1912 [0,000]

5 -0,1469-0,0970 26,1435 [0,000]

6 -0,2226-0,0659 28,4025 [0,000]

7 -0,2454-0,0452 31,2424 [0,000]

8 -0,2049 0,0119 33,2933 [0,000]

9 -0,1086 0,0608 33,8909 [0,000]

10 0,0496 0,1462 34,0201 [0,000]

11 0,2715 0,2569 38,0522 [0,000]

12 0,5678 *** 0,4482 *** 56,4292 [0,000]

13 0,3598 ** -0,6368 *** 64,1282 [0,000]

14 0,1822-0,0008 66,1930 [0,000]

15 0,0312 0,0160 66,2564 [0,000]

16-0,0909 0,0199 66,8219 [0,000]

17 -0,1834 0,0219 69,2440 [0,000]

18 -0,2399 0,0065 73,6184 [0,000]

19 -0,2626 0,0043 79,1668 [0,000]

20 -0,2444-0,0267 84,2746 [0,000]

21 -0,1901-0,0414 87,5693 [0,000]

22 -0,0945-0,0830 88,4426 [0,000]

23 0,0446-0,1316 88,6519 [0,000]

24 0,2341-0,2152 94,9004 [0,000]

25 0,1353 0,3213 * 97,1758 [0,000]

26 0,0459-0,0264 97,4639 [0,000]

27 -0,0347-0,0427 97,6465 [0,000]

28 -0,1038-0,0522 99,4893 [0,000]

29 -0,1601-0,0613 104,4970 [0,000]

30 -0,1999-0,0622 113,6037 [0,000]

31 -0,2226-0,0704 127,1562 [0,000]

32 -0,2243-0,0616 144,3615 [0,000]

33 -0,2059-0,0602 163,6972 [0,000]

34 -0,1641-0,0416 182,1207 [0,000]

35 -0,0969-0,0185 194,9619 [0,000].

На основе проведенного анализа логично сделать вывод о нестационарности ряда.

регрессионная дисперсия отклонение гетероскедастичность

Рис. 4 - Коррелограмма ставки рефинансирования

Автокорреляционная функция для Stavka_refinans

Лаг ACF PACF Q-стат. [p-значение]

1 0,6638 *** 0,6638 *** 17,2236 [0,000]

2 0,4405 *** -0,0003 25,0311 [0,000]

3 0,2710-0,0381 28,0755 [0,000]

4 0,1238-0,0750 28,7307 [0,000]

5 -0,0628-0,1932 28,9046 [0,000]

6 -0,1745-0,0694 30,2937 [0,000]

7 -0,2404-0,0629 33,0194 [0,000]

8 -0,2905 * -0,0875 37,1414 [0,000]

9 -0,2618 0,0313 40,6144 [0,000]

10 -0,2410-0,0654 43,6712 [0,000]

11 -0,2203-0,0665 46,3257 [0,000]

12 -0,1549 0,0185 47,6926 [0,000]

13 -0,0658 0,0219 47,9504 [0,000]

14 -0,0267-0,0440 47,9947 [0,000]

15 0,0440 0,0567 48,1206 [0,000]

16 0,1002 0,0071 48,8070 [0,000]

17 0,1341 0,0138 50,1013 [0,000]

18 0,1220-0,0301 51,2333 [0,000]

19 0,0470-0,1370 51,4113 [0,000]

20 0,0022-0,0100 51,4117 [0,000]

21 -0,0440-0,0311 51,5880 [0,000]

22 -0,1072-0,0838 52,7103 [0,000]

23 -0,2806 * -0,2736 60,9971 [0,000]

24 -0,2546 0,1093 68,3863 [0,000]

25 -0,1656 0,0979 71,7957 [0,000]

26 -0,1527-0,1031 74,9841 [0,000]

27 -0,1240-0,0155 77,3219 [0,000]

28 -0,0954-0,1097 78,8770 [0,000]

29 -0,0510-0,0353 79,3845 [0,000]

30 0,0092 0,0362 79,4038 [0,000]

31 0,1179 0,0757 83,2064 [0,000]

32 0,1203-0,0728 88,1556 [0,000]

33 0,1227-0,0268 95,0212 [0,000]

34 0,1107-0,1019 103,3993 [0,000]

35 0,0842-0,0534 113,0998 [0,000].

На основе проведенного анализа следует, что ряд нестационарен.

Для того, чтобы модель была адекватной, ряды необходимо сделать стационарными по средствам извлечения первых разностей.

Рис. 5 - Коррелограмма для первых разностей суммы выданных кредитов

Автокорреляционная функция для d_Summa_vydanny

Лаг ACF PACF Q-стат. [p-значение]

1 -0,1944-0,1944 1,4387 [0,230]

2 -0,0897-0,1324 1,7541 [0,416]

3 -0,1631-0,2207 2,8312 [0,418]

4 0,1874 0,0974 4,2979 [0,367]

5 -0,1716-0,1731 5,5688 [0,350]

6 0,1032 0,0450 6,0444 [0,418]

7 0,0731 0,1217 6,2914 [0,506]

8 -0,0598-0,0876 6,4629 [0,596]

9 -0,3195 * -0,2921 * 11,5469 [0,240]

10 0,0401-0,1429 11,6301 [0,311]

11 0,1316-0,0009 12,5642 [0,323]

12 0,1611 0,1569 14,0256 [0,299]

13 -0,2403-0,1640 17,4240 [0,181]

14 0,1081 0,0214 18,1452 [0,200]

15 -0,0989-0,0665 18,7791 [0,224]

16 0,0145-0,0516 18,7934 [0,280]

17 -0,0982-0,1220 19,4871 [0,301]

18 0,0767-0,2541 19,9350 [0,336]

19 0,0126-0,0275 19,9479 [0,398]

20 -0,0673-0,0357 20,3387 [0,437]

21 -0,0098 0,0117 20,3476 [0,499]

22 0,0774-0,0300 20,9450 [0,524]

23 -0,0721-0,1967 21,5057 [0,550]

24 0,0167-0,0513 21,5385 [0,607]

25 0,0778 0,0417 22,3229 [0,617]

26 0,0371-0,1288 22,5213 [0,660]

27-0,0270-0,0025 22,6394 [0,704]

28 0,0343-0,0106 22,8565 [0,740]

29 -0,0101 0,0335 22,8787 [0,782]

30 -0,0221-0,0126 23,0053 [0,815]

31 0,0297-0,0776 23,2904 [0,838]

32 -0,0145-0,1115 23,3815 [0,866]

33 -0,0224-0,1167 23,7059 [0,883]

34 -0,0007 0,0291 23,7064 [0,906].

Данный ряд стал стационарным, что стало очевидно в ходе анализа.

Таблица 6 - Коррелограмма первых разностей для денежных доходов населения

Автокорреляционная функция для d_Denejnye_doho

Лаг ACF PACF Q-стат. [p-значение]

1-0,0626-0,0626 0,1493 [0,699]

2-0,0521-0,0562 0,2557 [0,880]

3-0,0565-0,0639 0,3850 [0,943]

4-0,0536-0,0654 0,5051 [0,973]

5-0,0721-0,0887 0,7294 [0,981]

6-0,0613-0,0863 0,8969 [0,989]

7-0,0777-0,1111 1,1761 [0,991]

8-0,0650-0,1116 1,3789 [0,995]

9-0,0735-0,1341 1,6479 [0,996]

10-0,0784-0,1603 1,9661 [0,997]

11-0,0978-0,2118 2,4826 [0,996]

12 0,4956 *** 0,4189 ** 16,3136 [0,177]

13-0,0249-0,0339 16,3502 [0,231]

14-0,0195-0,0358 16,3735 [0,291]

15-0,0239-0,0350 16,4105 [0,355]

16-0,0236-0,0366 16,4485 [0,422]

17-0,0323-0,0266 16,5237 [0,487]

18-0,0285-0,0287 16,5854 [0,552]

19-0,0369-0,0182 16,6956 [0,610]

20-0,0303-0,0160 16,7750 [0,668]

21-0,0358-0,0077 16,8937 [0,718]

22-0,0385 0,0047 17,0412 [0,761]

23-0,0492 0,0251 17,3024 [0,794]

24 0,0175-0,3340 ** 17,3385 [0,834]

25 0,0150-0,0302 17,3675 [0,868]

26 0,0135-0,0329 17,3937 [0,897]

27 0,0120-0,0324 17,4170 [0,920]

28 0,0103-0,0310 17,4367 [0,939]

29 0,0087-0,0351 17,4532 [0,955]

30 0,0073-0,0327 17,4671 [0,967]

31 0,0053-0,0359 17,4763 [0,976]

32 0,0044-0,0376 17,4846 [0,983]

33 0,0029-0,0388 17,4899 [0,988]

34 0,0014-0,0449 17,4925 [0,991]

Исследование ряда показали, что он стал стационарным.

Таблица 7 - Коррелограмма первых разностей для ставки рефинансирования

Автокорреляционная функция для d_Stavka_refina

Лаг ACF PACF Q-стат. [p-значение]

1 0,1890 0,1890 1,3610 [0,243]

2-0,0192-0,0569 1,3754 [0,503]

3 0,0671 0,0850 1,5575 [0,669]

4 0,1089 0,0814 2,0527 [0,726]

5 0,0010-0,0317 2,0528 [0,842]

6 0,0032 0,0141 2,0532 [0,915]

7-0,0392-0,0593 2,1242 [0,953]

8-0,2077-0,2072 4,1938 [0,839]

9 0,0234 0,1113 4,2210 [0,896]

10 0,0021-0,0436 4,2213 [0,937]

11-0,0451 0,0003 4,3310 [0,959]

12-0,0664-0,0218 4,5792 [0,971]

13-0,0150-0,0223 4,5924 [0,983]

14-0,0784-0,0738 4,9711 [0,986]

15-0,0810-0,0596 5,3964 [0,988]

16-0,0627-0,0843 5,6642 [0,991]

17-0,0023 0,0656 5,6646 [0,995]

18 0,0768 0,0817 6,1138 [0,996]

19-0,0521-0,0816 6,3334 [0,997]

20 0,0294 0,0696 6,4078 [0,998]

21 0,0688 0,0284 6,8450 [0,998]

22 0,2788 0,2499 14,5887 [0,879]

23-0,0484-0,1937 14,8414 [0,900]

24-0,1749-0,1801 18,4411 [0,781]

25-0,0537-0,0124 18,8152 [0,806]

26-0,0540-0,0852 19,2350 [0,826]

27-0,0122 0,0231 19,2592 [0,860]

28-0,0546-0,0076 19,8101 [0,871]

29-0,0548-0,0174 20,4592 [0,878]

30-0,1789-0,0628 28,7500 [0,531]

31-0,0133-0,0763 28,8074 [0,579]

32-0,0136-0,0784 28,8873 [0,625]

33-0,0115 0,0733 28,9724 [0,668]

34-0,0093 0,0086 29,0854 [0,707]

На основе проведенного анализа данных ряда следует, что он стал стационарным.

Так как все три временных ряда при взятии первых разностей стали интегрированными первого порядка стационарными рядами, то для построения модели можно брать исходные данные.

На основе представленных данных строим модель МНК и проверяем наличие гетероскедастичности тестом.

Модель 1: МНК, использованы наблюдения 2006:01-2008:12 (T = 36)

Зависимая переменная: Summa_vydannyh

Коэффициент

Ст. ошибка

t-статистика

P-значение

const

1,00581e+06

333200

3,0186

0,00487

***

Denejnye_dohody

5,37259

0,780897

6,8800

<0,00001

***

Stavka_refinans

-70208,2

31569,7

-2,2239

0,03311

**

Среднее зав. перемен

432478,9

Ст. откл. зав. перемен

137971,9

Сумма кв. остатков

2,61e+11

Ст. ошибка модели

88893,40

R-квадрат

0,808616

Испр. R-квадрат

0,884896

F(2, 33)

25,65806

Р-значение (F)

1,90e-07

Лог. правдоподобие

-459,7425

Крит. Акаике

925,4851

Крит. Шварца

930,2356

Крит. Хеннана-Куинна

927,1431

Параметр rho

0,849555

Стат. Дарбина-Вотсона

2,007511

Тест Голдфелда-Квандта.

Н0: присутствует гомоскедастичность

Н1: присутствует гетероскедастичность.

Summa vydannyh kreditov

Denejnye dohody naseleniya

Stavka refinansirovaniya

184079,9

3299,1

11

223963

6634,1

11

276007,2

10254,1

11

289206,5

14090,7

11

322573,2

17451,8

11

336539,7

21655,1

10,5

328370,5

25617

10,5

369884,5

29633,9

10,5

366212

33881

10,5

366086

38028

10,5

357274,9

42305,5

10,5

409250,4

47432,9

10

320020,5

4148,2

10

Регрессионная статистика

Множественный R

0,908462

R-квадрат

0,825303

Нормированный R-квадрат

0,790363

Стандартная ошибка

28662,28

Наблюдения

13

Дисперсионный анализ

df

SS

MS

Регрессия

2

3,88E+10

1,94E+10

Остаток

10

8,22E+09

8,22E+08

Итого

12

4,7E+10

RSS1=8215260702,8319.

Summa vydannyh kreditov

Denejnye dohody naseleniya

Stavka refinansirovaniya

534121,6

58986,8

10

405583,2

5257

10

458286,2

10609,2

10

496294,3

16171,3

10

576208,6

22233,6

10

566856,8

27908

10

630249,6

34673,8

10

632966,6

40905,4

10,25

613411,6

47518,9

10,5

639996,1

54305,2

10,5

697694,9

60933,6

10,75

655834,9

67926,6

11

667948,2

76346,3

12

Регрессионная статистика

Множественный R

0,817658

R-квадрат

0,668565

Нормированный R-квадрат

0,602278

Стандартная ошибка

55166,04

Наблюдения

13

Дисперсионный анализ

df

SS

MS

Регрессия

2

6,14E+10

3,07E+10

Остаток

10

3,04E+10

3,04E+09

Итого

12

9,18E+10

RSS3=30432916536,1533

Fнабл.= RSS3/ RSS1=30432916536,1533/8215260702,8319=3,704437.

Fкрит.(0,05;10;10)= 2,978237.

3,704437>2,978237 => присутствует гетероскедастичность.

Тест Глейзера. Строим уравнение множественной линейной регрессии для каждого из показателей. Получаем значение у. Далее по формуле находим модуль отклонения |еi|. Используя уравнение теста Глейзера находим коэффициент в изменяя значение k. Получаем следующие данные, представленные в таблице 2:

y

e

x-1

x-0.5

x1

x0,5

251244,441

67164,54

0,000303

0,01741

251244,441

67164,54

269162,039

45199,04

0,000151

0,012277

269162,039

45199,04

288610,826

12603,63

9,75E-05

0,009875

288610,826

12603,63

309223,317

20016,82

7,1E-05

0,008424

309223,317

20016,82

327281,139

4707,939

5,73E-05

0,00757

327281,139

4707,939

384967,841

48428,14

4,62E-05

0,006795

384967,841

48428,14

406253,518

77883,02

3,9E-05

0,006248

406253,518

77883,02

427834,687

57950,19

3,37E-05

0,005809

427834,687

57950,19

450652,627

84440,63

2,95E-05

0,005433

450652,627

84440,63

472932,77

106846,8

2,63E-05

0,005128

472932,77

106846,8

495914,037

138639,1

2,36E-05

0,004862

495914,037

138639,1

558565,552

149315,2

2,11E-05

0,004592

558565,552

149315,2

326014,473

5993,973

0,000241

0,015526

326014,473

5993,973

278264,823

199,0235

0,00012

0,010958

278264,823

199,0235

302986,811

2129,511

7,73E-05

0,008794

302986,811

2129,511

328776,332

5860,332

5,64E-05

0,00751

328776,332

5860,332

351571,17

37269,93

4,55E-05

0,006746

351571,17

37269,93

379888,496

507,2961

3,67E-05

0,006059

379888,496

507,2961

423164,513

35999,21

3,12E-05

0,005587

423164,513

35999,21

467498,392

33193,09

2,7E-05

0,005198

467498,392

33193,09

513197,448

120911,8

2,37E-05

0,004865

513197,448

120911,8

557577,533

99395,13

2,12E-05

0,0046

557577,533

99395,13

586200,56

83882,76

1,9E-05

0,004361

586200,56

83882,76

620639,956

86518,36

1,7E-05

0,004117

620639,956

86518,36

331971,604

73611,6

0,00019

0,013792

331971,604

73611,6

360726,797

97559,4

9,43E-05

0,009709

360726,797

97559,4

390609,697

105684,6

6,18E-05

0,007864

390609,697

105684,6

423179,968

153028,6

4,5E-05

0,006706

423179,968

153028,6

453666,21

113190,6

3,58E-05

0,005986

453666,21

113190,6

490016,1

140233,5

2,88E-05

0,00537

490016,1

140233,5

505943,91

127022,7

2,44E-05

0,004944

505943,91

127022,7

523923,514

89488,09

2,1E-05

0,004587

523923,514

89488,09

560383,542

79612,56

1,84E-05

0,004291

560383,542

79612,56

578443,198

119251,7

1,64E-05

0,004051

578443,198

119251,7

598461,7

57373,2

1,47E-05

0,003837

598461,7

57373,2

573489,159

94459,04

1,31E-05

0,003619

573489,159

94459,04

Модель 1: МНК, использованы наблюдения 2006:01-2008:12 (T = 36).

Зависимая переменная: e.

Коэффициент

Ст. ошибка

t-статистика

P-значение

const

86715,4

10121,1

8,5678

<0,00001

***

x_1

-2,5067e+08

1,14113e+08

-2,1967

0,03496

**

Среднее зав. перемен

71543,64

Ст. откл. зав. перемен

46752,07

Сумма кв. остатков

6,70e+10

Ст. ошибка модели

44389,16

R-квадрат

0,124284

Испр. R-квадрат

0,098528

F(1, 34)

4,825391

Р-значение (F)

0,034960

Лог. правдоподобие

-435,2800

Крит. Акаике

874,5599

Крит. Шварца

877,7270

Крит. Хеннана-Куинна

875,6653

Параметр rho

0,634001

Стат. Дарбина-Вотсона

0,684998

Модель 2: МНК, использованы наблюдения 2006:01-2008:12 (T = 36).

Зависимая переменная: e.

Коэффициент

Ст. ошибка

t-статистика

P-значение

const

113256

16822,8

6,7323

<0,00001

***

x_0_5

-5,9237e+06

2,16216e+06

-2,7397

0,00972

***

Среднее зав. перемен

71543,64

Ст. откл. зав. перемен

46752,07

Сумма кв. остатков

6,27e+10

Ст. ошибка модели

42931,83

R-квадрат

0,180841

Испр. R-квадрат

0,156749

F(1, 34)

7,506007

Р-значение (F)

0,009723

Лог. правдоподобие

-434,0782

Крит. Акаике

872,1564

Крит. Шварца

875,3235

Крит. Хеннана-Куинна

873,2618

Параметр rho

0,623605

Стат. Дарбина-Вотсона

0,700899

Модель 3: МНК, использованы наблюдения 2006:01-2008:12 (T = 36).

Зависимая переменная: e.

Коэффициент

Ст. ошибка

t-статистика

P-значение

const

-46098,3

25860,7

-1,7826

0,08359

*

x1

0,272018

0,0580733

4,6840

0,00004

***

Среднее зав. перемен

71543,64

Ст. откл. зав. перемен

46752,07

Сумма кв. остатков

4,65e+10

Ст. ошибка модели

36980,48

R-квадрат

0,392209

Испр. R-квадрат

0,374333

F(1, 34)

21,94028

Р-значение (F)

0,000044

Лог. правдоподобие

-428,7062

Крит. Акаике

861,4124

Крит. Шварца

864,5794

Крит. Хеннана-Куинна

862,5177

Параметр rho

0,526278

Стат. Дарбина-Вотсона

0,904317

Модель 4: МНК, использованы наблюдения 2006:01-2008:12 (T = 36)

Зависимая переменная: e

Коэффициент

Ст. ошибка

t-статистика

P-значение

const

0

0

65535

не определено

x0_5

1

0

65535

не определено

Среднее зав. перемен

71543,64

Ст. откл. зав. перемен

46752,07

Сумма кв. остатков

0,000000

Ст. ошибка модели

0,000000

R-квадрат

1,000000

Испр. R-квадрат

1,000000

tкрит.= 2,348338.

По результатам построенных регрессионных моделей, можно сказать, что коэффициенты в значимы, т.к t набл >t крит в каждой из построенных моделей, следовательно гетероскедастичность существует.

Заключение

В данной работе были рассмотрены два теста, которые позволяют выявить гетероскедастичность. И тест Вайта, и тест Парка являются простыми тестами, которые нуждаются в дополнении другими тестами, например, тестом Голдфелда-Квандта. Самым распространенным и широко используемым методом устранения гетероскедостичности является ВМНК, который делает модель качественнее.

С экономической точки зрения мои предположения относительно влияния величины доходов населения и ставки рефинансирования на сумму выданных кредитов физическим лицам оказалось верно. Ставка рефинансирования имеет отрицательную зависимость, а величина доходов населения - положительную.

Результаты проведенного анализа не идут в разрез с экономической теорией. Поставленные задачи удалось выполнить.

Список использованных источников

1. Бородич С.А. Эконометрика / Учебное пособие для ВУЗов. - Мн.: Новое знание, 2004.

2. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. начальный курс. М., Дело, 2004.

3. http://www.nbrb.by/statistics/bulletin/.

Приложение А. Исходные данные

Summa vydannyh kreditov

Denejnye dohody naseleniya

Stavka refinansirovaniya

184079,9

3299,1

11

223963

6634,1

11

276007,2

10254,1

11

289206,5

14090,7

11

322573,2

17451,8

11

336539,7

21655,1

10,5

328370,5

25617

10,5

369884,5

29633,9

10,5

366212

33881

10,5

366086

38028

10,5

357274,9

42305,5

10,5

409250,4

47432,9

10

320020,5

4148,2

10

278065,8

8328,4

11

300857,3

12929,9

11

322916

17730,1

11

388841,1

21972,9

11

379381,2

27243,6

11

387165,3

32031,6

10,75

434305,3

37016,5

10,5

392285,6

42255,5

10,25

458182,4

47249

10

502317,8

52576,6

10

534121,6

58986,8

10

405583,2

5257

10

458286,2

10609,2

10

496294,3

16171,3

10

576208,6

22233,6

10

566856,8

27908

10

630249,6

34673,8

10

632966,6

40905,4

10,25

613411,6

47518,9

10,5

639996,1

54305,2

10,5

697694,9

60933,6

10,75

655834,9

67926,6

11

667948,2

76346,3

12

Размещено на Allbest.ru


Подобные документы

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.

© 2000 — 2023, ООО «Олбест» Все права защищены