Моделирование вероятности банкротства

Определение и анализ экономической сущности банкротства. Ознакомление с основными нефинансовыми факторами, влияющими на вероятность банкротства. Рассмотрение и характеристика главных этапов процесса построения модели с помощью логистической регрессии.

Рубрика Экономико-математическое моделирование
Вид дипломная работа
Язык русский
Дата добавления 26.08.2017
Размер файла 229,0 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.

0.6481

Если все переменные абсолютно не связаны друг с другом, то показатели VIF и Tolerance будут равны 1. Если же для переменной VIF>10 или Tolerance<0,1, то существует проблема мультиколлинеарности.

В данном случае было принято решение исключить из рассмотрения коэффициент EBIT/Ta, так как ROA чаще оказывался значимым в предыдущих исследованиях (Bellovari, 2007).

Тест на мультиколлинеарность был проведен повторно без учета EBIT/Ta:

Таблица 7. VIF для первоначального набора переменных без EBIT/TA

Variable

VIF

VIF

Tolerance

Squared

ind

1.33

1.15

0.7533

0.2467

lnta

1.46

1.21

0.6869

0.3131

lnage

1.19

1.09

0.8420

0.1580

ROA

1.25

1.12

0.7988

0.2012

ebitsales

1.07

1.03

0.9380

0.0620

retta

4.42

2.10

0.2262

0.7738

ebitint

1.09

1.05

0.9148

0.0852

wcta

1.98

1.41

0.5061

0.4939

cashcl

1.86

1.36

0.5375

0.4625

cashta

1.71

1.31

0.5853

0.4147

cacl

2.19

1.48

0.4567

0.5433

quick

5.51

2.35

0.1814

0.8186

cogsinv

1.10

1.05

0.9089

0.0911

salesta

1.53

1.24

0.6555

0.3445

tleq

1.29

1.14

0.7739

0.2261

tatl

2.67

1.64

0.3739

0.6261

Ни одно из значений VIF не превышает 10, поэтому можно приступить к следующему шагу - backward stepwise selection.

Stata начинает отбор с полной модели, в которую входят все финансовые коэффициенты, с каждым шагом удаляя наименее значимые из них. Уровень значимости был установлен на уровне 0,25 в соответствии с рекомендациями Hosmer, Lemeshow (2000), которые пишут о том, что при классическом уровне значимости 0,05 для проведения stepwise selection возможно исключение показателей, значимых для модели с точки зрения теории и здравого смысла.

Итоговая модель и коэффициенты при значимых показателях представлены в Таблице 8:

Таблица 8. Построенная логит-модель для предсказания банкротства

status

Coef.

Odds Ratio

Std. Err.

z

P>z

[95% Conf. Interval]

tleq

.0302407

1.030703

.0185313

1.68

0.093

.9950143

1.067671

lnta

-1.904951

.14883

.0491815

-5.76

0.000

.0778767

.2844287

salesta

-.9608412

.3825709

.0730932

-5.03

0.000

.2630772

.5563406

tatl

-2.502069

.0819154

.1536615

-1.33

0.182

.0020732

3.236665

retta

-5.58335

.0037599

.0063711

-3.30

0.001

.0001358

.1041146

cashcl

-3.301024

.0368454

.0482904

-2.52

0.012

.0028235

.4808247

quick

.4620253

1.587285

.3977969

1.84

0.065

.971251

2.594051

_cons

27.44806

8.33e+11

4.11e+12

5.56

0.000

5.24e+07

1.32e+16

Большинство полученных коэффициентов при переменных согласуются с экономической теорией:

Tl/Eq измеряет финансовый рычаг компании: показывает объем долга, который фирма использует для финансирования своих активов в сравнении с величиной собственного капитала. Высокий уровень данного показателя ассоциируется с высоким уровнем риска, который берет на себя компания, а значит положительно влияет на вероятность банкротства. Это подтверждается положительным коэффициентом (.0302407) и уровнем odds ratio (1.030703), полученными в модели.

ln(ta) отражает размер компании, и, как и в исследованиях предыдущих авторов, он оказался отрицательно взаимосвязан с вероятностью банкротства (-1.904951, .14883). Иными словами, чем крупней компания, тем она устойчивее.

Sales/ta - это показатель оборачиваемости активов, который часто используется в качестве индикатора эффективности компании. Чем выше данный показатель, тем лучше компания ведет свою деятельность, и тем ниже вероятность её банкротства. Коэффициент (-.9608412) и odds ratio (.3825709), полученные в модели, полностью согласуются с этой логикой.

Ta/tl - это показатель финансового рычага, который отражает общее количество активов компании по отношению к её долгу. Чем выше данный показатель, тем ниже финансовый риск и вероятность банкротства фирмы, что подтверждается отрицательным коэффициентом в модели (-2.502069) и odds ratio (.0819154).

Показатель Ret/ta отражает прибыльность организации: чем выше данное отношение, тем меньше компания полагается на долговое финансирование, и, соответственно, тем меньше вероятность её банкротства. Отрицательная взаимосвязь подтверждается коэффициентом в модели (-5.58335) и odds ratio (.0037599).

Показатель Cash/cl измеряет уровень ликвидности компании и её способность оплачивать краткосрочные обязательства. Соответственно, чем выше данный показатель, тем ниже вероятность банкротства. Это согласуется с полученным коэффициентов в модели (-3.301024, .0368454).

Еще одним показателем ликвидности является quick ratio (показатель срочной ликвидности), поэтому к нему применима та же логика, что и для показателя cash/cl - он отрицательно влияет на вероятность банкротства фирмы. Однако коэффициент, полученный в модели, показывает положительную связь (.4620253, 1.587285). В качестве объяснения можно предположить, что у компаний, находящихся в предбанкротном состоянии, активы увеличиваются за счет большой суммы дебиторской задолженности, что и приводит к росту показателя quick ratio (показателя срочной ликвидности).

В итоговую модель вошли представители практически всех категорий показателей - прибыльности, ликвидности, оборачиваемости, финансового рычага и размера компании. Исключение составили только возраст компании, который был исключен на этапе stepwise selection, а также показатель эффективности EBIT/Ta, исключенный из-за наличия высокой коррелированности с показателем ROA.

После построения модели был проведен тест на правильность спецификации с помощью функции linktest:

Таблица 9. Тест на спецификацию логит-модели

status

Coef.

Std. Err.

z

P>z

[95% Conf. Interval]

_hat

1.000044

.1534926

6.52

0.000

.6992038

1.300884

_hatsq

-.0016503

.0772171

-0.02

0.983

-.1529931

.1496924

_cons

.0031669

.2590679

0.01

0.990

-.5045968

.5109306

Так как тест оказался значимым, то можно полагать, что построенная логистическая регрессия правильно специфицирована, иными словами, невозможно найти дополнительную переменную, которая была бы в модели статистически значима.

Для того, чтобы проверить оценку согласия модели с реально существующими в выборке частотами, был использован тест Hosmer-Lemeshow.

Таблица 10. Тест Hosmer-Lemeshow для логит-модели

number of observations

172

number of groups

10

Hosmer-Lemeshow chi2(8)

1.08

Prob > chi2

0.9977

Так как тест оказался незначим (chi2<15, p-val>0,05), можно предположить, что построенная модель хорошо согласуется с реальными данными.

Для оценки надежности модели была использована классификационная статистика, представленная в виде матрицы сопряженности:

Таблица 11. Оценка надежности логит-модели

Sensitivity

Pr( + D)

81.40%

Specificity

Pr( -~D)

83.72%

Positive predictive value

Pr( D +)

83.33%

Negative predictive value

Pr(~D -)

81.82%

False + rate for true ~D

Pr( +~D)

16.28%

False - rate for true D

Pr( - D)

18.60%

False + rate for classified +

Pr(~D +)

16.67%

False - rate for classified -

Pr( D -)

18.18%

Correctly classified

82.56%

Компания относилась к категории банкротов, если Pr(D) ? 0.5. Общая точность модели (отношение доли верно классифицированных компаний к общему количеству компаний) составила 82,56%.

Для того, чтобы изобразить зависимость чувствительности (Sensitivity) и специфичности (Specificity) от используемого порога (0,5) используется так называемая ROC-кривая. Для идеального классификатора график ROC-кривой проходит через верхний левый угол, где доля истинно положительных случаев (верно классифицированные банкроты) составляет 100% или 1.0, а доля ложно положительных примеров равна нулю. Поэтому чем ближе кривая к верхнему левому углу, тем выше предсказательная способность модели.

Однако визуальное сравнение кривых ROC не всегда позволяет выявить наиболее эффективную модель. Одним из методов сравнения ROC-кривых является оценка площади под кривыми (AUC - Area Under Curve). Чем больше показатель AUC, тем лучше прогностическая сила у модели.

Для построенной логистической модели была исследована площадь под ROC-кривой, которая составила 0,8943.

Рисунок 1 - ROC-кривая для обучающей выборки

Для тестирования качества модели недостаточно оценить её на той же выборке, поэтому была использована контрольная подвыборка - данные компаний за 2014 год, статус которых (банкрот/небанкрот) определялся в 2015 году. Для анализа также применялась классификационная статистика и площадь под ROC-кривой. Таблицы с деталями представлены в Приложении 1.

Общая точность модели на контрольной подвыборке составила 72,99%, а площадь под ROC-кривой - 0,7793. Такое значительное падение предсказательной силы может быть связано с отличием экономической среды, в которой существовали фирмы в 2014 году.

Для проверки модели было решено использовать еще одну подвыборку - данные фирм за 2013 год, статус которых определялся в 2014 году. По итогам применения модели общая точность составила 81,14%, а площадь под ROC-кривой - 0,8696. Подробные таблицы и график содержатся в Приложении 2.

Таким образом, логит-модель, как и предполагалось автором, показала лучшие результаты на данных компаний за период с относительно устойчивой экономической обстановкой в стране.

3.2 Построение модели с помощью метода деревьев решений

В отличие от логистической регрессии, при использовании метода деревьев решений ограничения для независимых переменных отсутствуют, поэтому для построения модели использовались все первоначально отобранные финансовые и нефинансовые переменные.

Дерево, построенное на основе обучаемой выборки, представлено на Рисунке 1. Значимость каждой из переменных представлена на Рисунке 2. Категория - это статус предприятия (1 - банкрот, 0 - небанкрот).

Одним из самых значимых показателей в модели оказался размер компании, а вслед за ним идет уровень оборачиваемости запасов, оказавшийся незначимым в логит-модели. Значимыми также оказались показатель ликвидности компании cash/cl, а также показатели прибыльности ret/ta и ebit/sales, который отражает процент средств, остающихся в компании, после покрытия операционных расходов. Возраст компании, как и в логит-регрессии, оказался незначимым.

Количество правильно классифицированных компаний на обучающей выборке составило 88, 37%.

Полученная модель также была протестирована на контрольных подвыборках за 2014 и 2013 годы. Прогнозная сила модели составила 66,38% и 80,16%, соответственно.

Таким образом, надежность модели значительно уменьшилась на подвыборке за 2014 год, как и в случае с логит-моделью. При этом доля правильно классифицированных предприятий на контрольной подвыборке 2013 года не опустилась ниже 80%.

Рисунок 2. Классификационное дерево, построенное на обучающей выборке, и важность переменных для его построения

3.3 Сравнение результатов, полученных с помощью логистической регрессии и метода деревьев решений

По итогам проведенного исследования можно прийти к выводу о том, что и логит-регрессия и деревья решений позволили построить модели, которые с надежностью 82,56% и 88,37% на обучающей подвыборке и с надежностью 81,14% и 80,16 % на контрольной подвыборке, предсказывают банкротство компании за год до его наступления. Однако прогнозная способность моделей падает при попытке анализировать данные компаний, существующих в период существенного ухудшения экономической обстановки в стране. Автор исследования предполагает, что для улучшения надежности модели возможно использование дополнительных объясняющих переменных - как рыночных, так и макроэкономических.

Во всех построенных моделях в данной работе оказался значим размер компании, а также показатели оборачиваемости и ликвидности. Что касается категории прибыльности, то, в отличие от работ предыдущих авторов, ROA оказался неважен как для логит-модели, так и для деревьев решений, а показатель Retained Earnings/Total Assets, встречающийся намного реже, оказался значим для обоих типов построенных моделей. Дамми для отраслей, также, как и возраст компании, оказались незначимыми.

Несмотря на то, что логит-модель позволяет нагляднее понять влияние каждой отдельной переменной на вероятность банкротства, в целом, оба метода построения моделей доказали свою надежность. Более того, обе модели позволили определить наиболее важные показатели из первоначального пула различных коэффициентов.

После проведенного анализа построенных моделей представляется возможным перейти к проверке выдвинутых гипотез:

: В данном исследовании автору удалось построить модели на основе логит-анализа и метода деревьев решений, которые с надежностью более 80% позволили предсказывать банкротство компании за год до его наступления, поэтому гипотеза не отвергается.

: Высокие показатели прибыльности, оборачиваемости, финансового рычага и некоторые показатели ликвидности, вошедшие в модель, оказались отрицательно связаны с вероятностью банкротства компании, однако один из показателей ликвидности (quick) оказался положительно связан с вероятностью банкротства. Показатели эффективности и обслуживания долга оказались незначимыми в обеих моделях. Таким образом, гипотеза принимается лишь частично.

: Размер компании оказался отрицательно связан с вероятностью банкротства компании, поэтому гипотеза не отвергается.

: Возраст компании оказался незначим во всех построенных моделей, поэтому гипотеза отвергается.

: Данная гипотеза также отвергается из-за незначимости дамми-переменных для различных отраслей в обеих моделях.

Заключение

Целью данного исследования являлось моделирование вероятности банкротства российских нефинансовых компаний на основе наиболее значимых показателей деятельности фирмы, чтобы получить модель с надежностью не менее 80%.

Для достижения обозначенной цели автор дал определение понятию банкротства, изучил существующую литературу для выбора подходящих методов построения модели, а также первоначального набора финансовых и нефинансовых переменных, а затем смоделировал вероятность банкротства фирм на основе данных за 2015 год.

В результате работы удалось построить модели для предсказания банкротства фирмы за год до его наступления, надежность которых составила более 80%, при помощи как статистического метода (логит-регрессии), так и с помощью методов машинного обучения (деревьев решений).

· Логистическая модель обладала прогнозной силой 82,56% за год до наступления банкротства, а надежность на контрольной подвыборке составила 81,4%.

· Дерево решения, построенное с помощью алгоритма CART, обладало надежностью 88,37% на обучающей выборке и надежностью 80,16% на контрольной.

· Прогнозная сила моделей значительно снизилась при попытках прогнозировать банкротства на основе данных компаний за кризисный период (72,99% у логит-модели и 66,38% у дерева решения)

В результате проведенного исследования можно сформулировать следующие выводы:

· Логистическая регрессия, и деревья решений являются приемлемыми методами построения для получения надежной модели.

· Для прогнозирования банкротства компании наиболее значимыми являются такие категории финансовых показателей, как прибыльность, ликвидность, оборачиваемость и финансовый рычаг

· Из нефинансовых показателей большое влияние на вероятность банкротства компании оказывает её размер.

Для дальнейших исследований представляется интересным включение рыночных переменных в качестве дополнения к финансовым показателям для проверки прогнозной силы модели на данных компаний, существующих в кризисный период времени.

Список используемой литературы

1. Agarwal W., Taffler R. (2008) Comparing the performance of market-based and accounting-based bankruptcy prediction models // Journal of Banking and Finance. № 32. P.1541-1551

2. Altman E.I., Sabato G. (2007) Modelling Credit Risk for SMEs: Evidence from the U.S. Market // Abacus. № 3 (43). P. 332-357.

3. Altman E.I. (1968) Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // The Journal of Finance. № 4 (23). P. 589-609.

4. Beaver W.H. (1966) Financial Ratios As Predictors of Failure // Journal of Accounting Research. № 4. P. 71-11.

5. Bellovary J., Giacomino D., Akers M. A (2007) Review of Bankruptcy Prediction Studies: 1930-Present // Journal of Financial Education. № 33. P. 1-42.

6. E. Berkovitch, R. Israel (1998) The Bankruptcy Decision and Debt Contract Renegotiations // European Finance Review. № 2. P. 1-27.

7. Bharath S.T., Shumway T. (2008) Forecasting Default with the Merton Distance to Default Model // The Review of Financial Studies. № 21 (3). P. 1339-1369.

8. Chava S., Jarrow R.A. (2004) Bankruptcy Prediction with Industry Effects // Review of Finance. № 4 (8). P. 537-569.

9. Chen M.Y. (2011) Predicting corporate financial distress based on integration of decision tree classification and logistic regression // Expert Systems with Applications. № 38. P. 11261-11272.

10. Dong Y.X., Xiao Z, Xiao X (2014). Default prediction for real estate companies with imbalanced dataset // Journal of Information Processing Systems. № 10. P. 314-333.

11. Du Jardin (2017) Dynamics of firm financial evolution and bankruptcy prediction // Expert Systems With Applications. № 75. P. 25-43.

12. Edmister (1972) Financial Ratios As Discriminant Predictors Of Small Business Failure // The Journal of Finance. № 27 (1). P. 139-140.

13. Hillegeist (2004) Assessing the Probability of Bankruptcy // Review of Accounting Studies. № 9. P. 5-34

14. Lennox (1999) Identifying Failing Companies: A Reevaluation of the Logit, Probit and DA Approaches // Journal of Economics and Business. № 51. P. 347-364.

15. Mare D.S. (2015) Contribution of macroeconomic factors to the predictionof small bank failures // Journal of International Financial Markets, Institutions and Money. № 39. P. 25-39.

16. Masten I., Brezigar-Masten A. (2012) CART-based selection of bankruptcy predictors for the logit model // Expert Systems with Applications. № 39. P. 10153-10159.

17. Mella-Barral P., Perraudin W. (1997) Strategic Debt Service // The Journal of Finance. 52 (2). P. 531-556.

18. Mselmi, Lahiani (2017) Financial distress prediction: The case of French small and medium-sized firms // International Review of Financial Analysis. № 50. P. 67-80.

19. Nam, J. H. , & Jinn, T. (2000) Bankruptcy prediction: Evidence from Korean listed companies during the imf crisis // Journal of International Financial Management and Accounting. № 11. P. 178-197 .

20. Ni J, Kwak W, Cheng X, Gong G (2014). The determinants of bankruptcy for Chinese firms // Review of Pacific Basin Financial Markets and Policies. № 17. 22 p.

21. Ohlson J.A. (1980) Financial Ratios and the Probabilistic Prediction of Bankruptcy // Journal of Accounting Research. № 1 (18). P. 109-131.

22. Pindado, J., Rodrigues, L., De la Torre, C. (2008) Estimating financial distress likelihood // Journal of Business Research. № 61. P. 995-1003.

23. Reisz и Perlich (2007), A market-based framework for bankruptcy prediction // Journal of Financial Stability. № 2 (2). P. 85-131.

24. Shumway, Tyler (2001) Forecasting Bankruptcy More Accurately: A Simple Hazard Model // The Journal of Business. № 74 (1). P.101-124.

25. Stein, R. M. (2007) Benchmarking default prediction models: Pitfalls and remedies in model validation // Journal of Risk Model Validation. № 1. P, 77-113.

26. Theodossiou, P. T. (1993) Predicting shifts in the mean of a multivariate time series process: An application in predicting business failures // Journal of the American Statistical Association. № 88. P. 441-449.

27. Tinoco M, Wilson N (2013) Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables // International Review of Financial Analysis. № 30. P. 394-419.

28. Vassalou, M., & Xing, Y. (2004) Default risk in equity returns // Journal of Finance. № 59. P. 831-868.

29. Wruck, K. H. (1990) Financial distress, reorganization, and organizational efficiency // Journal of Financial Economics. № 27. P. 419-444.

30. Zmijewski M.E. (1984) Methodological Issues Related to the Estimation of Financial Distress Prediction Models // Journal of Accounting Research. № 22. P. 59-82.

31. Hosmer D. W., Lemeshow S. (2000) Applied Ligistic Regression, Second Edition. A Wiley-Interscience Publication.

32. Давыдова Г.В., Беликов А.Ю. (1999) Методика количественной оценки риска банкротства предприятий // Управление риском. № 3. С. 13-20

33. Демешев Б.Б., Тихонова А.С. (2014) Прогнозирование банкротства российских компаний: межотраслевое сравнение // Экономический журнал Высшей школы экономики. № 3 (18). C. 359-386.

34. Демешев Б.Б., Тихонова А.С. (2014) Динамика прогнозной силы моделей банкротства для средних и малых российских компаний оптовой и розничной торговли // Корпоративные финансы. № 3 (31). С. 4-22.

35. Луговская Л. (2010) Predicting default of Russian SMEs on the basis of financial and non-financial variables // Journal of Financial Services Marketing. № 14. P. 301 - 313.

36. Макеева Е.Ю., Бакурова А.О. (2012) Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей // Корпоративные финансы. № 3(23). С. 22-30.

37. Федорова Е., Гиленко Е., Довженко С. (2013) Bankruptcy prediction for Russian companies: Application of combined classifiers // Expert Systems with Applications. № 18 (40). P. 7285-7293.

38. Федеральный закон от 26.10.2002 N 127-ФЗ (ред. от 29.12.2015) «О несостоятельности (банкротстве)» URL: http://www.consultant.ru

39. Постановление Правительства РФ от 9 февраля 2013 г. N 101 «О предельных значениях выручки от реализации товаров (работ, услуг) для каждой категории субъектов малого и среднего предпринимательства» URL: http://www.consultant.ru

40. Office of the Law Revision Counsel. URL: http://uscode.house.gov

Приложения

Приложение 1

ROC-кривая для контрольной подвыборки (данные за 2014 год)

Матрица сопряженности и другие показатели предсказательной силы логит-модели на данных контрольной подвыборки (2014 год):

True

Classified

D

~D

Total

+

120

40

160

-

54

134

188

Total

174

174

348

Sensitivity

Pr( + D)

68.97%

Specificity

Pr( -~D)

77.01%

Positive predictive value

Pr( D +)

75.00%

Negative predictive value

Pr(~D -)

71.28%

False + rate for true ~D

Pr( +~D)

22.99%

False - rate for true D

Pr( - D)

31.03%

False + rate for classified +

Pr(~D +)

25.00%

False - rate for classified -

Pr( D -)

28.72%

Correctly classified

72.99%

Приложение 2

ROC-кривая для контрольной подвыборки (данные за 2013 год):

Матрица сопряженности и другие показатели предсказательной силы логит-модели на данных контрольной подвыборки (2013 год):

True

Classified

D

~D

Total

+

78

7

85

-

36

107

143

Total

114

114

228

Sensitivity

Pr( + D)

68.42%

Specificity

Pr( -~D)

93.86%

Positive predictive value

Pr( D +)

91.76%

Negative predictive value

Pr(~D -)

74.83%

False + rate for true ~D

Pr( +~D)

6.14%

False - rate for true D

Pr( - D)

31.58%

False + rate for classified +

Pr(~D +)

8.24%

False - rate for classified -

Pr( D -)

25.17%

Correctly classified

81.14%

Размещено на Allbest.ru


Подобные документы

  • Анализ возможности применения нейронных сетей в оценке вероятности наступления банкротства предприятия в современных условиях хозяйствования. Проблема рисков в экономике. Финансовые коэффициенты, применяемые в российских методиках оценки банкротства.

    курсовая работа [451,6 K], добавлен 14.08.2013

  • Исследование особенностей разработки и построения модели социально-экономической системы. Характеристика основных этапов процесса имитации. Экспериментирование с использованием имитационной модели. Организационные аспекты имитационного моделирования.

    реферат [192,1 K], добавлен 15.06.2015

  • Ознакомление с основами модели простой регрессии. Рассмотрение основных элементов эконометрической модели. Характеристика оценок коэффициентов уравнения регрессии. Построение доверительных интервалов. Автокорреляция и гетероскедастичность остатков.

    лекция [347,3 K], добавлен 23.12.2014

  • Анализ происшествия с помощью построения дерева отказов и дерева событий. Определение последовательностей и последствий, выбор моделей и показателей надежности для базисных событий. Оценка вероятности возникновения происшествий с помощью системы Hazard.

    курсовая работа [6,2 M], добавлен 16.01.2015

  • Расчет коэффициента устойчивого экономического роста и рентабельности инвестиций. Факторный анализ политики предприятия. Оценка использования материальных, трудовых и финансовых ресурсов предприятия. Прогнозирование банкротства с помощью модели Альтмана.

    контрольная работа [195,2 K], добавлен 20.05.2011

  • Расчет матрицы парных коэффициентов корреляции и статистической значимости коэффициентов регрессии. Оценка статистической значимости параметров регрессионной модели с помощью t-критерия. Уравнение множественной регрессии со статистически факторами.

    лабораторная работа [30,9 K], добавлен 05.12.2010

  • Знакомство с основными видами кривых безразличия и функций предложения. Общая характеристика производственной функции Кобба-Дугласа. Рассмотрение особенностей моделирования покупательского спроса и поведения производителя. Рассмотрение модели Стоуна.

    презентация [1,3 M], добавлен 31.10.2016

  • Расчет параметров уравнения линейной регрессии, оценка тесноты связи с помощью показателей корреляции и детерминации. Определение средней ошибки аппроксимации. Статистическая надежность моделирования с помощью F-критерия Фишера и t-критерия Стьюдента.

    контрольная работа [58,3 K], добавлен 17.10.2009

  • Основы построения и тестирования адекватности экономических моделей множественной регрессии, проблема их спецификации и последствия ошибок. Методическое и информационное обеспечение множественной регрессии. Числовой пример модели множественной регрессии.

    курсовая работа [3,4 M], добавлен 10.02.2014

  • Построение поля рассеяния, его визуальный анализ. Определение точечных оценок параметров методом наименьших квадратов. Расчет относительной ошибки аппроксимации. Построение доверительных полос для уравнения регрессии при доверительной вероятности У.

    контрольная работа [304,0 K], добавлен 21.12.2013

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.