Моделирование на основе парной регрессии и корреляции. Моделирование одномерных временных рядов
Оценка существенности параметров уравнения множественной регрессии и корреляции. Классификация систем эконометрических уравнений. Создание экономической модели значений котировок доллара по отношению к рублю с целью повышения прибыльности предприятий.
Рубрика | Экономико-математическое моделирование |
Вид | контрольная работа |
Язык | русский |
Дата добавления | 23.11.2016 |
Размер файла | 392,8 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/
Контрольная работа
по дисциплине: "Эконометрика"
Моделирование на основе парной регрессии и корреляции. Моделирование одномерных временных рядов
1. Оценка существенности параметров уравнения множественной регрессии и корреляции
Множественная регрессия - уравнение связи с несколькими независимыми переменными: где - зависимая переменная (результативный признак); - независимые переменные (факторы). Для построения уравнения множественной регрессии чаще используются следующие функции:
линейная -
степенная -
экспонента -
гипербола -
.
Можно использовать и другие функции, приводимые к линейному виду. Для оценки параметров уравнения множественной регрессии применяют метод наименьших квадратов (МНК). Для линейных уравнений и нелинейных уравнений, приводимых к линейным, строится следующая система нормальных уравнений, решение которой позволяет получить оценки параметров регрессии:
Для ее решения может быть применен метод определителей:
, ,…, ,
где
- определитель системы; - частные определители; которые получаются путем замены соответствующего столбца матрицы определителя системы данными левой части системы. Другой вид уравнения множественной регрессии - уравнение регрессии в стандартизированном масштабе:
где
- стандартизированные переменные;
- стандартизированные коэффициенты регрессии. К уравнению множественной регрессии в стандартизированном масштабе применим МНК.
Стандартизированные коэффициенты регрессии (- коэффициенты) определяются из следующей системы уравнений:
.
Связь коэффициентов множественной регрессии со стандартизированными коэффициентами описывается соотношением
Параметр определяется как
.
Средние коэффициенты эластичности для линейной регрессии рассчитываются по формуле
Для расчета частных коэффициентов эластичности применяется следующая формула:
.
Тесноту совместного влияния факторов на результат оценивает индекс множественной корреляции:
Значение индекса множественной корреляции лежит в пределах от 0 до 1 и должно быть больше или равно максимальному парному индексу корреляции: Индекс множественной корреляции для уравнения в стандартизированном масштабе можно записать в виде
При линейной зависимости коэффициент множественной корреляции можно определить через матрицу парных коэффициентов корреляции:
- определитель матрицы парных коэффициентов корреляции;
- определитель матрицы межфакторной корреляции. Частные коэффициенты (или индексы) корреляции, измеряющие влияние на y фактора при неизменном уровне других факторов, можно определить по формуле:
или по рекуррентной формуле:
.
Частные коэффициенты корреляции изменяются в пределах от -1 до 1. Качество построенной модели в целом оценивает коэффициент (индекс) детерминации. Коэффициент множественной детерминации рассчитывается как квадрат индекса множественной корреляции:
Скорректированный индекс множественной детерминации содержит поправку на число степеней свободы и рассчитывается по формуле:
где n-число наблюдений; m - число факторов. Значимость уравнения множественной регрессии в целом оценивается с помощью F-критерия Фишера:
Частный F-критерий оценивает статистическую значимость присутствия каждого факторов в уравнении. В общем виде для фактора частный F-критерий определится как
Оценка значимости коэффициентов чистой регрессии с помощью t-критерия Стьюдента сводится к вычислению значения
где - средняя квадратичная ошибка коэффициента регрессии При построении уравнения множественной регрессии может возникнуть проблема мультиколлинеарности факторов, их тесной линейной связанности. Считается, что две переменные явно коллинеарны, т. е. находятся между собой в линейной зависимости, если По величине парных коэффициентов корреляции обнаруживается лишь явная коллинеарность факторов. Наибольшие трудности в использовании аппарата множественной регрессии возникают при наличии мультиколлинеарности факторов. Чем сильнее мультиколлинеарность факторов, тем менее надежна оценка распределения суммы объясненной вариации по отдельным факторам с помощью метода наименьших квадратов.
Для оценки мультиколлинеарности факторов может использоваться определитель матрицы парных коэффициентов корреляции между факторами. Если бы факторы не коррелировали между собой, то матрица парных коэффициентов корреляции между факторами была бы единичной матрицей, поскольку все недиагональные элементы были бы равны нулю. Так, для включающего три объясняющих переменных уравнения
матрица коэффициентов корреляции между факторами имела бы определитель, равный 1:
так как и . Если же, наоборот, между факторами существует полная линейная зависимость и все коэффициенты корреляции равны 1, то определитель такой матрицы равен 0:
.
Чем ближе к 0 определитель матрицы межфакторной корреляции, тем сильнее мультиколлинеарность факторов и ненадежнее результаты множественной регрессии. И наоборот, чем ближе к 1 определитель матрицы межфакторной корреляции, тем меньше мультиколлинеарность факторов. Проверка мультиколлинеарности факторов может быть проведена методом испытания гипотезы о независимости переменных
.
Доказано, что величина
имеет приближенное распределение
с
степенями свободы. Если фактическое значение превосходит табличное (критическое) , то гипотеза отклоняется. Это означает, что , недиагональные ненулевые коэффициенты корреляции указывают на коллинеарность факторов. Мультиколлинеарность считается доказанной. Для применения МНК требуется, чтобы дисперсия остатков была гомоскедастичной. Это значит, что для каждого значения фактора остатки имеют одинаковую дисперсию. Если это условие не соблюдается, то имеет место гетероскедастичность. При нарушении гомоскедастичности мы имеем неравенства
3) разделение совокупности из наблюдений на две группы (соответственно с малыми и с большими значениями фактора ) и определение по каждой из групп уравнений регрессии;
4)определение остаточной суммы квадратов для первой и второй групп и нахождение их отношения:
.
При выполнении нулевой гипотезы о гомоскедастичности отношение R будет удовлетворять F-критерию со степенями свободы для каждой остаточной суммы квадратов. Чем больше величина R превышает табличное значение F-критерия, тем более нарушена предпосылка о равенстве дисперсий остаточных величин.
Уравнения множественной регрессии могут включать в качестве независимых переменных качественные признаки (например, профессия, пол, образование, климатические условия, отдельные регионы и т. д.).
2. Классификация систем эконометрических уравнений, различие содержательной интерпретации
В состав системы эконометрических уравнений входят множество зависимых или эндогенных переменных и множество предопределённых переменных (лаговые и текущие независимые переменные, а также лаговые эндогенные переменные).
Системы эконометрических уравнений используются для объяснения текущих значений эндогенных переменных в зависимости от значений предопределённых переменных.
Системы эконометрических уравнений, которые используются в эконометрическом моделировании, подразделяются на три типа.
1.Система независимых эконометрических уравнений вида:
2. Система рекурсивных эконометрических уравнений вида:
3. Система взаимозависимых эконометрических уравнений вида:
Данная система характеризуется тем, что эндогенные переменные в одних уравнениях входят в левую часть (т. е. являются результативными переменными), а в других уравнениях - в правую часть (т. е. являются факторными переменными).
В системе взаимозависимых уравнений значения результативных и факторных переменных формируются одновременно под влиянием внешних факторов. Поэтому данная система также называется системой одновременных или совместных уравнений.
В системах независимых и рекурсивных уравнений каждое уравнение может рассматриваться самостоятельно, поэтому оценки неизвестных коэффициентов этих уравнений можно рассчитать с помощью классического метода наименьших квадратов.
В системе одновременных уравнений каждое уравнение не может рассматриваться как самостоятельная часть системы, поэтому оценки неизвестных коэффициентов данных уравнений нельзя определить с y1 является функцией от y2, а во втором уравнении уже y2является функцией от y1;
б) наличие проблема мультиколлинеарности, т. е. во втором уравнении системы y2 зависит от x1, а в других уравнениях обе переменные являются факторными;
в) случайные ошибки уравнения коррелируют с результативными переменными.
Следовательно, если неизвестные коэффициенты системы одновременных уравнений оценивать с помощью классического метода наименьших квадратов, то в результате мы получим смещённые и несостоятельные оценки.
Основной моделью системы одновременных уравнений является модель одновременного формирования спроса Qd и предложения Qs товара в зависимости от его цены P в момент времени t. Данная модель включает в себя три уравнения:
1) уравнение предложения:
2) уравнение спроса:
3) тождество спроса, справедливое при условии, что рынок находится в состоянии равновесия: Qst = Qdt где
Qst - предложение товара в момент времени t;
Qdt - спрос на товар в момент времени t;
Pt - цена товара в момент времени t;
Pt-1 - цена товара в предшествующий момент времени (t-1);
It - доход потребителей в момент времени t.
Задание 1. Моделирование на основе парной регрессии и корреляции
В данном задании надо построить эконометрическую модель связи 2-х экономических показателей, используя данные по субъектам Приволжского федерального округа об уровне денежных доходов и оборотов розничной торговли.
Таблица 1
Регион |
Среднедушевые денежные доходы населения в 2008 г., тыс. руб. (х) |
Оборот розничной торговли на душу населения в 2008 г., тыс. руб. (у) |
|
1. Республика Башкортостан |
171,0 |
105,8 |
|
2. Республика МарийЭл |
94,1 |
51,6 |
|
3. Республика Мордовия |
100,6 |
47,2 |
|
4. Республика Татарстан |
170,2 |
98,1 |
|
5. Удмуртская республика |
115,0 |
60,0 |
|
6. Чувашская республика |
103,1 |
52,9 |
|
7. Кировская область |
121,3 |
55,5 |
|
8. Нижегородская область |
156,1 |
93,7 |
|
9. Оренбургская область |
122,2 |
59,5 |
|
10. Пензенская область |
122,1 |
67,9 |
|
11. Пермский край |
193,4 |
102,6 |
|
12. Самарская область |
189,7 |
122,1 |
|
13. Саратовская область |
108,7 |
61,7 |
|
14. Ульяновская область |
117,1 |
65,3 |
Для определения формы связи построим корреляционное поле.
Визуальный анализ корреляционного поля поможет выявить не только наличие статистической зависимости (линейную или нелинейную) между исследуемыми признаками, но и ее тесноту и форму. Это имеет существенное значение для следующего шага в анализе выбора и вычисления соответствующего коэффициента корреляции.
Наличие гиперболической зависимости между среднедушевыми доходами населения и оборотом розничной торговли на душу населения, запишем в виде уравнения
у = а + b.
В результате, чтобы определить параметры гиперболической функции с помощью МНК (метода наименьших квадратов) преобразуем ее в линейный вид путем линеаризации:
Z = .
В результате получим уравнение регрессии
у = а + b·Z.
Уравнение регрессии используется для построения линии регрессии. Которая позволяет без специальных измерений определить любую среднюю величину (у) одного признака, если меняется величина (х) другого признака. По этим данным строится график -- линия регрессии.
Для решения уравнения сначала найдем значения параметров регрессии а и b:
Уравнение регрессии:
.
По данным уравнениям регрессии можно сделать вывод, что чем выше среднедушевые доходы, тем больше объем розничного товарооборота на душу населения, т.к. с ростом значения x уменьшается значение коэффициента 11960/х.
Нанесем на график (поле корреляции) линию регресси.
Линия регрессии дает наилучшее приближенное описание линейной зависимости между двумя переменными.
Из построенного графика видно, что теоретическое распределение точек очень близко к эмпирическим значениям. Значения переменной Y возрастают при увеличении переменной X.
По формуле найдем индекс корреляции:
Вывод: Уравнение регрессии с вероятностью 0,94 в целом статистически значимое, т.к. >. Индекс корреляции показывает, что между среднедушевыми денежными доходами населения и оборотом розничной торговли на душу населения существует очень сильная зависимость.
По формуле вычислим коэффициент детерминации:
Вывод: коэффициент детерминации близок к единице, качество модели считается высоким. Это говорит о том, что фактором изменения среднедушевых доходов населения можно объяснить 89,3% изменения оборота розничной торговли на душу населения. Остальные 11,4% изменений обусловлены факторами, не учтенными в построенной модели регрессии.
Вычислим среднюю ошибку аппроксимации:
Вывод: значение средней ошибки аппроксимации показывает, что в среднем рассчитанные значения отклоняются от фактических на 8,11%.
Фактическое значение F-критерия найдем по формуле
Определим табличное значение F-критерия при уровне значимости б=0,05 и для числа степеней свободы н1= m=1 и н2=n-m-1=12: Fтабл=4,75.
Поскольку Fфакт > Fтабл, то нулевая гипотеза отвергается, и с вероятностью 0,95 можно сделать вывод о том, что уравнение регрессии является статистически значимым.
Построим точечный прогноз при хр=max xi = 193,4 тыс.руб.
тыс. руб.
Рассчитанные значения коэффициентов и являются приближенными, полученными на основе имеющихся выборочных данных. Для оценки того, насколько точные значения показателей могут отличаться от рассчитанных, осуществляется построение доверительных интервалов.
Доверительные интервалы определяют пределы, в которых лежат точные значения определяемых показателей с заданной степенью уверенности, соответствующей заданному уровню значимости .
Для расчета доверительных интервалов для параметров и уравнения линейной регрессии определяют предельную ошибку для каждого показателя:
Произведем расчет стандартной ошибки
Доверительный интервал для:
-??+
где при н=n-2=12 при уровне значимости б=0,05 равно 2,
Таким образом:
106,05 - 2, *10,5 ? ? 106,05 + 2,18*16,4
63,41 ? ? 148,69 тыс.руб.
Вывод: при данных среднедушевых доходах населения равных 243,3 тыс.руб. пределы величины оборота розничной торговли на душу населения с вероятностью 0,95 составят 63,41 - 148,0 тыс.руб.
2. Моделирование одномерных временных рядов
По данным динамики валют (вариант 14) выявить трендовую, периодическую и случайную составляющие ряда (T,S,E), оценить качество модели, сделать прогноз на ближайшие несколько недель.
Мы можем представить эти данные в виде временного ряда и проанализировать полученный одномерный временной ряд в данной работе, а также попробовать осуществить прогноз значений курса доллара.
Таблица 3 - Исходные данные.
№ недели |
День недели |
Дата |
Курс доллара |
|
17 |
7 |
12.05.2013 |
31,0829 |
|
18 |
7 |
19.05.2013 |
31,3931 |
|
19 |
7 |
26.05.2013 |
31,3164 |
|
20 |
7 |
02.06.2013 |
31,7979 |
|
21 |
7 |
09.06.2013 |
32,2397 |
|
22 |
7 |
16.06.2013 |
31,8029 |
|
23 |
7 |
23.06.2013 |
32,7433 |
|
24 |
7 |
30.06.2013 |
32,7090 |
|
25 |
7 |
07.07.2013 |
33,2247 |
|
26 |
7 |
14.07.2013 |
32,6429 |
|
27 |
7 |
21.07.2013 |
32,4288 |
|
28 |
7 |
28.07.2013 |
32,6371 |
|
29 |
7 |
04.08.2013 |
33,0978 |
|
30 |
7 |
11.08.2013 |
32,8606 |
|
31 |
7 |
18.08.2013 |
32,9421 |
|
32 |
7 |
25.08.2013 |
33,0552 |
Для выявления структуры ряда необходимо рассчитать коэффициенты автокорреляции уровней 1-го и 2-го порядков.
Выявление структуры временного ряда необходимо для того, чтобы построить математическую модель того явления, которое является источником анализируемого временного ряда. Прогноз будущих значений временного ряда используется для эффективного принятия решений.
Временные ряды исследуются с различными целями. В одном ряде случаях бывает достаточно получить описание характерных особенностей ряда, а в другом ряде случаев требуется не только предсказывать будущие значения временного ряда, но и управлять его поведением. Метод анализа временного ряда определяется, с одной стороны, целями анализа, а с другой стороны, вероятностной природой формирования его значений.
Таблица 4 - Расчет коэффициента автокорреляции первого порядка для временного ряда курса доллара
t |
yt |
yt-1 |
yt-уср |
yt-1-уср |
(yt-уср)*(yt-1-уср) |
(yt-уср)2 |
(yt-1-уср)2 |
||
12.05.2013 |
1 |
31,0829 |
|||||||
19.05.2013 |
2 |
31,3931 |
31,0829 |
-0,9803 |
-1,245 |
1,2205 |
0,961 |
1,55 |
|
26.05.2013 |
3 |
31,3164 |
31,3931 |
-1,057 |
-0,9348 |
0,9881 |
1,1172 |
0,8739 |
|
02.06.2013 |
4 |
31,7979 |
31,3164 |
-0,5755 |
-1,0115 |
0,5821 |
0,3312 |
1,0231 |
|
09.06.2013 |
5 |
32,2397 |
31,7979 |
-0,1337 |
-0,53 |
0,0709 |
0,0179 |
0,2809 |
|
16.06.2013 |
6 |
31,8029 |
32,2397 |
-0,5705 |
-0,0882 |
0,0503 |
0,3255 |
0,0078 |
|
23.06.2013 |
7 |
32,7433 |
31,8029 |
0,3699 |
-0,525 |
-0,1942 |
0,1368 |
0,2756 |
|
30.06.2013 |
8 |
32,709 |
32,7433 |
0,3356 |
0,4154 |
0,1394 |
0,1126 |
0,1726 |
|
07.07.2013 |
9 |
33,2247 |
32,709 |
0,8513 |
0,3811 |
0,3244 |
0,7247 |
0,1452 |
|
14.07.2013 |
10 |
32,6429 |
33,2247 |
0,2695 |
0,8968 |
0,2417 |
0,0726 |
0,8043 |
|
21.07.2013 |
11 |
32,4288 |
32,6429 |
0,0554 |
0,315 |
0,0175 |
0,0031 |
0,0992 |
|
28.07.2013 |
12 |
32,6371 |
32,4288 |
0,2637 |
0,1009 |
0,0266 |
0,0695 |
0,0102 |
|
04.08.2013 |
13 |
33,0978 |
32,6371 |
0,7244 |
0,3092 |
0,224 |
0,5248 |
0,0956 |
|
11.08.2013 |
14 |
32,8606 |
33,0978 |
0,4872 |
0,7699 |
0,3751 |
0,2374 |
0,5927 |
|
18.08.2013 |
15 |
32,9421 |
32,8606 |
0,5687 |
0,5327 |
0,3029 |
0,3234 |
0,2838 |
|
25.08.2013 |
16 |
33,0552 |
32,9421 |
0,6818 |
0,6142 |
0,4188 |
0,4649 |
0,3772 |
|
итого |
517,9744 |
484,9192 |
0 |
0,0007 |
4,7881 |
5,4226 |
6,5921 |
||
среднее |
32,3734 |
32,3279 |
Структуру временного ряда можно определить, рассчитав несколько последовательных коэффициентов автокорреляции. Автокорреляционной функцией называется функция оценки коэффициента автокорреляции в зависимости от величины временного лага между исследуемыми рядами. В результате данных вычислений можно выявить лаг 1:
Аналогично можно определить коэффициенты автокорреляции второго и более высоких порядков. Так, коэффициент автокорреляции второго порядка характеризует тесноту связи между уровнями и
Таблица 5 - Расчет коэффициента автокорреляции второго порядка для временного ряда курса доллара
t |
yt |
yt-2 |
yt-у3 |
yt-2-у4 |
(yt-у3)*(yt-1-у4) |
(yt-у3)2 |
(yt-2-у4)2 |
|
1 |
31,0829 |
|||||||
2 |
31,3931 |
|||||||
3 |
31,3164 |
31,0829 |
-1,2192 |
-1,2288 |
1,4982 |
1,4864 |
1,5099 |
|
4 |
31,7979 |
31,3931 |
-0,7377 |
-0,9186 |
0,6777 |
0,5442 |
0,8438 |
|
5 |
32,2397 |
31,3164 |
-0,2959 |
-0,9953 |
0,2945 |
0,0876 |
0,9906 |
|
6 |
31,8029 |
31,7979 |
-0,7327 |
-0,5138 |
0,3765 |
0,5368 |
0,264 |
|
7 |
32,7433 |
32,2397 |
0,2077 |
-0,072 |
-0,015 |
0,0431 |
0,0052 |
|
8 |
32,709 |
31,8029 |
0,1734 |
-0,5088 |
-0,0882 |
0,0301 |
0,2589 |
|
9 |
33,2247 |
32,7433 |
0,6891 |
0,4316 |
0,2974 |
0,4749 |
0,1863 |
|
10 |
32,6429 |
32,709 |
0,1073 |
0,3973 |
0,0426 |
0,0115 |
0,1578 |
|
11 |
32,4288 |
33,2247 |
-0,1068 |
0,913 |
-0,0975 |
0,0114 |
0,8336 |
|
12 |
32,6371 |
32,6429 |
0,1015 |
0,3312 |
0,0336 |
0,0103 |
0,1097 |
|
13 |
33,0978 |
32,7433 |
0,5622 |
0,4316 |
0,2426 |
0,3161 |
0,1863 |
|
14 |
32,8606 |
32,709 |
0,325 |
0,3973 |
0,1291 |
0,1056 |
0,1578 |
|
15 |
32,9421 |
33,0978 |
0,4065 |
0,7861 |
0,3195 |
0,1652 |
0,618 |
|
16 |
33,0552 |
32,8606 |
0,5196 |
0,5489 |
0,2852 |
0,27 |
0,3013 |
|
итого |
455,4984 |
452,3635 |
3,9962 |
4,0932 |
6,4232 |
|||
среднее |
32,5356 |
32,3117 |
Коэффициент автокорреляции второго порядка:
.
По полученным результатам видно, что значение коэффициента автокорреляции первого порядка больше значения коэффициента автокорреляции второго порядка, следовательно можно сделать вывод о том, что анализируемый ряд динамики курса доллара содержит только тенденцию (тренд).
Построим график, характеризующий динамику курса доллара:
Рисунок 3 - Динамика курса доллара
Из построенного графика, предположим наличие линейного тренда в динамике курса доллара.
Рассчитаем цепные абсолютные приросты по формуле:
.
Таблица 6 - Расчет оценок сезонной компоненты в аддитивной модели.
t |
yt |
? |
|
1 |
31,0829 |
- |
|
2 |
31,3931 |
0,3102 |
|
3 |
31,3164 |
-0,0767 |
|
4 |
31,7979 |
0,4815 |
|
5 |
32,2397 |
0,4418 |
|
6 |
31,8029 |
-0,4368 |
|
7 |
32,7433 |
0,9404 |
|
8 |
32,709 |
-0,0343 |
|
9 |
33,2247 |
0,5157 |
|
10 |
32,6429 |
-0,5818 |
|
11 |
32,4288 |
-0,2141 |
|
12 |
32,6371 |
0,2083 |
|
13 |
33,0978 |
0,4607 |
|
14 |
32,8606 |
-0,2372 |
|
15 |
32,9421 |
0,0815 |
|
16 |
33,0552 |
0,1131 |
По данным ц Const - выполним моделирование ряда динамики курса доллара с использованием аддитивной модели.
Выравним исходный ряд методом скользящей средней:
1) а) суммируем уровни ряда последовательно за четыре недели со сдвигом на один момент времени;
б) полученные суммы делим на четыре и находим скользящие средние;
в) приводим эти значения в соответствие с фактическими моментами времени, для чего находим средние значения из двух последовательных скользящих средних - центрированные скользящие средние.
2) Оценки сезонной компоненты находятся, как разность между фактическими уровнями ряда и центрированными скользящими средними. Эти оценки далее будем использовать для расчета значений сезонной компоненты "S"
Таблица 7 - Расчет оценок сезонной компоненты в аддитивной модели.
t |
yt |
итого за 4 недели |
скользящая средняя |
центрированная средняя |
оценка сезонной компоненты |
|
1 |
31,0829 |
|||||
2 |
31,3931 |
125,5903 |
31,3976 |
|||
3 |
31,3164 |
126,7471 |
31,6868 |
31,5422 |
-0,2258 |
|
4 |
31,7979 |
127,1569 |
31,7892 |
31,738 |
0,0599 |
|
5 |
32,2397 |
128,5838 |
32,146 |
31,9676 |
0,2721 |
|
6 |
31,8029 |
129,4949 |
32,3737 |
32,2599 |
-0,457 |
|
7 |
32,7433 |
130,4799 |
32,62 |
32,4969 |
0,2464 |
|
8 |
32,709 |
131,3199 |
32,83 |
32,725 |
-0,016 |
|
9 |
33,2247 |
131,0054 |
32,7514 |
32,7907 |
0,434 |
|
10 |
32,6429 |
130,9335 |
32,7334 |
32,7424 |
-0,0995 |
|
11 |
32,4288 |
130,8066 |
32,7017 |
32,7176 |
-0,2888 |
|
12 |
32,6371 |
131,0243 |
32,7561 |
32,7289 |
-0,0918 |
|
13 |
33,0978 |
131,5376 |
32,8844 |
32,8203 |
0,2775 |
|
14 |
32,8606 |
131,9557 |
32,9889 |
32,9367 |
-0,0761 |
|
15 |
32,9421 |
|||||
16 |
33,0552 |
|||||
итого |
517,9744 |
|||||
среднее |
32,3734 |
Таблица 8 - Расчет значений циклической компоненты в аддитивной модели
показатели |
месяц |
неделя |
||||
1 |
2 |
3 |
4 |
|||
1 |
0 |
0 |
-0,2258 |
0,0599 |
||
2 |
0,2721 |
-0,457 |
0,2464 |
-0,016 |
||
3 |
0,434 |
-0,0995 |
-0,2888 |
-0,0918 |
||
4 |
0,2775 |
-0,0761 |
0 |
0 |
||
итого за i-ый квартал |
0,9836 |
-0,6326 |
-0,2682 |
-0,0479 |
||
средняя оценка сезонной компоненты |
0,3279 |
-0,2109 |
-0,0894 |
-0,016 |
||
скорректированная сезонная компонента |
0,325 |
-0,2138 |
-0,0923 |
-0,0189 |
Далее выявляем средние за каждый период оценки сезонной компоненты Si. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты за все недели должна быть равна нулю.
По средним значениям сезонной компоненты распределяем равномерно превышение (занижение) этой суммы нулю.
Для устранения влияния циклической компоненты, вычтем ее значение из каждого уровня исходного временного ряда. Полученные данные Т+Е=уt-Si рассчитываются за каждый момент времени и содержат только случайную компоненту и тенденцию.
Определим значение теоретических уровней ряда (Т) с помощью аналитического выравнивания по прямой способом расчета от условного нуля.
Таблица 9 - Аналитическое выравнивание ряда динамики способом расчета от условного нуля
Неделя |
(у) |
t |
yt |
t2 |
Т=32,3734+0,1132t |
|
1 |
31,0829 |
-8 |
-248,6632 |
64 |
31,4678 |
|
2 |
31,3931 |
-7 |
-219,7517 |
49 |
31,581 |
|
3 |
31,3164 |
-6 |
-187,8984 |
36 |
31,6942 |
|
4 |
31,7979 |
-5 |
-158,9895 |
25 |
31,8074 |
|
5 |
32,2397 |
-4 |
-128,9588 |
16 |
31,9206 |
|
6 |
31,8029 |
-3 |
-95,4087 |
9 |
32,0338 |
|
7 |
32,7433 |
-2 |
-65,4866 |
4 |
32,147 |
|
8 |
32,709 |
-1 |
-32,709 |
1 |
32,2602 |
|
9 |
33,2247 |
1 |
33,2247 |
1 |
32,4866 |
|
10 |
32,6429 |
2 |
65,2858 |
4 |
32,5998 |
|
11 |
32,4288 |
3 |
97,2864 |
9 |
32,713 |
|
12 |
32,6371 |
4 |
130,5484 |
16 |
32,8262 |
|
13 |
33,0978 |
5 |
165,489 |
25 |
32,9394 |
|
14 |
32,8606 |
6 |
197,1636 |
36 |
33,0526 |
|
15 |
32,9421 |
7 |
230,5947 |
49 |
33,1658 |
|
16 |
33,0552 |
8 |
264,4416 |
64 |
33,279 |
|
Сумма |
517,9744 |
46,1683 |
408 |
517,9744 |
Произведем расчет параметров линейного тренда по формулам:
а0 = Уу/п = 517,9744: 16 = 32,3734
a1 = Уyt / Уt2 = 46,1683: 408 = 0,1132
Таким образом, по результатам аналитического выравнивания по прямой получено следующее уравнение тренда: Т=32,3734+0,1132t.
В итоге выравнивания временного ряда получают обобщенный (суммарный), проявляющийся во времени результат действия всех факторов влияющих на развития изучаемого явления во времени.
При проведение аналитического выравнивания определяется зависимость, при этом выбирается такая функция, чтобы она показывала содержательное объяснение изучаемого процесса.
Полученное значение параметра a1 показывает, что в течение анализируемого периода курс доллара еженедельно повышался в среднем на 0,1132 руб.
Для определения теоретических уровней "Т", подставим в уравнение тренда значение t.
В результате уровни временного ряда, полученные по данной аддитивной модели будут выражены: Т + S.
Ошибка рассчитывается по формуле:
E = y - (T + S).
Таблица 10 - Расчет выровненных значений "Т" и ошибок "Е" в аддитивной модели
t |
S |
Т |
T+S |
E=y-(T+S) |
E2 |
у-уср |
(у-уср)2 |
|
1 |
0,325 |
31,4678 |
31,7928 |
-0,7099 |
0,504 |
-1,2905 |
1,66539 |
|
2 |
-0,2138 |
31,581 |
31,3672 |
0,0259 |
0,0007 |
-0,9803 |
0,96099 |
|
3 |
-0,0923 |
31,6942 |
31,6019 |
-0,2855 |
0,0815 |
-1,057 |
1,11725 |
|
4 |
-0,0189 |
31,8074 |
31,7885 |
0,0094 |
0,0001 |
-0,5755 |
0,3312 |
|
5 |
0,325 |
31,9206 |
32,2456 |
-0,0059 |
0 |
-0,1337 |
0,01788 |
|
6 |
-0,2138 |
32,0338 |
31,82 |
-0,0171 |
0,0003 |
-0,5705 |
0,32547 |
|
7 |
-0,0923 |
32,147 |
32,0547 |
0,6886 |
0,4742 |
0,3699 |
0,13683 |
|
8 |
-0,0189 |
32,2602 |
32,2413 |
0,4677 |
0,2187 |
0,3356 |
0,11263 |
|
9 |
0,325 |
32,4866 |
32,8116 |
0,4131 |
0,1707 |
0,8513 |
0,72471 |
|
10 |
-0,2138 |
32,5998 |
32,386 |
0,2569 |
0,066 |
0,2695 |
0,07263 |
|
11 |
-0,0923 |
32,713 |
32,6207 |
-0,1919 |
0,0368 |
0,0554 |
0,00307 |
|
12 |
-0,0189 |
32,8262 |
32,8073 |
-0,1702 |
0,029 |
0,2637 |
0,06954 |
|
13 |
0,325 |
32,9394 |
33,2644 |
-0,1666 |
0,0278 |
0,7244 |
0,52476 |
|
14 |
-0,2138 |
33,0526 |
32,8388 |
0,0218 |
0,0005 |
0,4872 |
0,23736 |
|
15 |
-0,0923 |
33,1658 |
33,0735 |
-0,1314 |
0,0173 |
0,5687 |
0,32342 |
|
16 |
-0,0189 |
33,279 |
33,2601 |
-0,2049 |
0,042 |
0,6818 |
0,46485 |
|
сумма |
517,9744 |
517,974 |
1,6696 |
7,08798 |
Произведем оценку качества модели на основании соотношения суммы квадратов абсолютных ошибок к общей сумме квадратов отклонений уровней ряда от его среднего уровня:
экономический котировка доллар прибыльность
Сделаем прогноз курса доллара на ближайшие четыре недели. Для этого суммируем трендовую и сезонную компоненты
у = Т + S,
используя уравнение тренда Т=32,3734+0,1132t, руб.:
В результате получаем следующие данные
У =33,3922+0,325= 33,7172
У=33,5054-0,2138= 33,2916
У=33,6186-0,0923= 33,5956
У=33,7318-0,0189=33,7129
В данной работе мы взяли одномерный временной ряд и попробовали осуществить прогнозирование будущих значений выбранной нами экономической переменной с помощью подобранной нами модели. Создание модели значений котировок доллара по отношению к рублю является довольно актуальным, так как многие инвесторы и другие люди хотели бы быть способны предсказать значения котировки с целью повышения прибыльности своих предприятий и увеличения своего благосостояния.
Список литературы
1. Балдин К.В. Эконометрика: Учебник Балдин К.В., Башлыко, В.Н., Брызгалов Н.А., Мартынов В.В., Уткин В.Б.; под ред. В.Б. Уткина, Дашков и К,562 стр., 2015.
2. Бородич, С.А. Эконометрика. Практикум: учеб. пособие / С.А. Бородич. - М.: НИЦ ИНФРА-М; Мн.: Нов. знание, 2014.
3. Елисеева И.И. Эконометрика: Учебник / Под ред. И.И. Елисеевой. - М.: Пропект, 2011.
4. Кремер Н.Ш., Путко Б.А. Эконометрика: учебник для вузов / Под ред. Проф. Н.Ш. Кремера. - М. ЮНИТИ-ДАНА, 2012.
5. Новиков, А.И. Эконометрика: учеб. пособие / А.И. Новиков. - 3-e изд., испр. и доп. - М.: ИНФРА-М, 2014.
Размещено на Allbest.ru
Подобные документы
Определение 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 линейного коэффициента парной и частной корреляции. Статистическая значимость параметров регрессии и корреляции. Анализ корреляционного поля данных. Точность прогноза, расчет ошибки и доверительный интервал. Коэффициент множественной детерминации.
контрольная работа [155,8 K], добавлен 11.12.2010Поля корреляции, характеризующие зависимость ВРП на душу населения от размера инвестиций в основной капитал. Оценка параметров уравнения парной линейной регрессии. Коэффициент множественной корреляции. Способы оценки параметров структурной модели.
контрольная работа [215,1 K], добавлен 22.11.2010Параметры парной линейной, линейно-логарифмической функции. Оценка статистической надёжности. Ошибка положения регрессии. Расчёт бета коэффициентов, уравнение множественной регрессии в стандартизованном масштабе. Задача на определение тесноты связи рядов.
контрольная работа [192,2 K], добавлен 23.06.2012Описание классической линейной модели множественной регрессии. Анализ матрицы парных коэффициентов корреляции на наличие мультиколлинеарности. Оценка модели парной регрессии с наиболее значимым фактором. Графическое построение интервала прогноза.
курсовая работа [243,1 K], добавлен 17.01.2016Эконометрическое моделирование стоимости квартир в московской области. Матрица парных коэффициентов корреляции. Расчет параметров линейной парной регрессии. Исследование динамики экономического показателя на основе анализа одномерного временного ряда.
контрольная работа [298,2 K], добавлен 19.01.2011Построение модели множественной линейной регрессии по заданным параметрам. Оценка качества модели по коэффициентам детерминации и множественной корреляции. Определение значимости уравнения регрессии на основе F-критерия Фишера и t-критерия Стьюдента.
контрольная работа [914,4 K], добавлен 01.12.2013Расчет суммы издержек для плана выпуска продукции. Коэффициенты линейного уравнения парной регрессии. Характеристика графической интерпретации результатов. Развитие экономических процессов. Особенности эконометрического моделирования временных рядов.
контрольная работа [723,3 K], добавлен 22.02.2011Основные параметры уравнения регрессии, оценка их параметров и значимость. Интервальная оценка для коэффициента корреляции. Анализ точности определения оценок коэффициентов регрессии. Показатели качества уравнения регрессии, прогнозирование данных.
контрольная работа [222,5 K], добавлен 08.05.2014Особенности расчета параметров уравнений линейной, степенной, полулогарифмической, обратной, гиперболической парной и экспоненциальной регрессии. Методика определения значимости уравнений регрессии. Идентификация и оценка параметров системы уравнений.
контрольная работа [200,1 K], добавлен 21.08.2010