Разработка в среде Gretl регрессионной модели рынка вторичного жилья г. Биробиджана

Размещено на http://www.allbest.ru/

Разработка в среде Gretl регрессионной модели рынка вторичного жилья г. Биробиджана

При покупке квартиры возникает вопрос, какую сумму правильно потратить, чтобы не оказаться в минусе. Для этого необходимо сравнение таких условий как: площадь, этаж, район, близости и отдаленность от остановок, магазинов и т.д.. Попробуем составить обзор необходимых условий для продажи и покупки квартиры с помощью регрессионной модели в среде Gretl.

Проблемы построения регрессионных моделей изучают многие ученые. Рассматривает особенности использования программного продукта Gretl для построения экономических моделей А.А.Тусков [13]. Выявляет основные причины трудового оппортунизма сотрудников с помощью Gretl Р.З.Мухаметзянов [9], статья посвящается проблеме выбора формы связи между независимыми переменными в регрессионной модели. М.П.Базилевский и С.И.Носков [4] разработали и привели базовые принципы использования регрессионного анализа и планирование эксперимента, позволяющие решить описанные проблемы. С.Н.Лапач и С.Г.Радченко [8] в статье представляется модель расчета общих логистических издержек методом множественной регрессии. И.А.Семенов и А.А. Носков [12] предложен поход, основанный на идентификации перегрузки сервера с использованием множественной регрессии. О.В.Гусевым и А.В. Жуковом [6] рассматривается методика расчета рыночной стоимости квартиры, позволяющая учесть сроки и условия реализации жилья с помощью уравнения множественной регрессии. А.А.Жарков и Н.А. Анисимова [7]. Проблемы применения регрессионных моделей в различных видах анализа изучали Р.И.Баженов, А.А.Наумов и др. [1, 2, 5, 11, 17]. Зарубежные ученые также занимаются изучение регрессного анализа в своих исследованиях [14-16].

Сбор экспериментальных наблюдений осуществлялся по данным газеты «ДиВох» и Интернет-сайта www.avito.ru. При изучении объявлений по продажам были выбраны следующие критерии: адрес, кол-во комнат, этаж, площадь, стоимость. Район - нумеруем сами относительно улиц города (рис.1).

регрессионный рынок жилье стоимость

Рис.1. Таблица данных

Для построения множественной регрессии, введем обозначения переменных: район - x1, кол-во комнат - x2, этаж - x3, площадь - x4, стоимость - y (рис.2).

Рис.2. Переименование переменных

Далее необходимо данные таблицы Excel открыть в среде Gretl (рис.3).

Рис.3. Программа Gretl

В окне появляются переменные, необходимые для построения регрессионной модели (рис.4).

Рис.4. Рабочие окно среды

Просматриваем получившуюся таблицу (рис. 5-6).

Рис.5. Просмотр значений

Рис.6. Полученная таблица данных

Для решения поставленной задачи переходим к нахождению регрессионной модели методом наименьших квадратов (рис.7).

Рис.7. Выбор метода наименьших квадратов

Переходим к построению уравнения (рис.8) y= a*x₁+b*x₂+c*x₃+d*x₄+s

Рис.8. Спецификация модели

Полученная модель и описательные статистики представлены на рисунке (рис.9).

Рис.9. Регрессионная модель

Переходим к решению линейного уравнения формула

y=a*x₁+b*x₂+c*x₃+d*x₄+s.

Для удобства вводим в Excel данные const, x1, x2, x3, x4 (рис.10). Коэффициенты: a - район, b - кол-во комнат, c - этаж, d - площадь.

Рис.10. Данные в Excel

По используемой формуле высчитываем стоимость квартир (рис.11-13).

Рис.11. Прогнозируемая стоимость однокомнатной квартиры

Рис.12. Прогнозируемая стоимость двухкомнатной квартиры

Рис.13. Прогнозируемая стоимость трехкомнатной квартиры

R-квадрат показывает долю вариации результативного признака под воздействием изучаемых факторов. Следовательно, 72,8% вариации зависимой переменой учтено в модели и обусловлено влиянием включенных факторов, 27,2% приходятся на другие факторы. Однако, чтобы модель считалась достаточно хороший, коэффициент должен быть выше 80%. P-значение - это вероятность ошибки при отклонении нулевой гипотезы, в данном варианте ошибка отклонения 4,94*10^-26, по данному критерию модель является значимой.

Результаты проведенного исследования можно использовать в работе риэлтерского агентства в преподавании студентов различных направлений [3].

Список литературы

1. Баженов Р. И. Информационная безопасность и защита информации: практикум. Биробиджан: Изд-во ГОУВПО «ДВГСГА», 2011. 140 с.

2. Баженов Р.И. Интеллектуальные информационные технологии. Биробиджан: ПГУ им. Шолом-Алейхема, 2011. 176 с.

3. Баженов Р.И. Об организации научно-исследовательской практики магистрантов направления «Информационные системы и технологии» // Современные научные исследования и инновации. 2014. № 9-2 (41). С. 62-69.

4. Базилевский М.П., Носков С.И. Методические и инструментальные средства построения некоторых типов регрессионных моделей // Системы. Методы. Технологии. 2012. № 1. С. 80-87.

5. Векслер В.А., Баженов Р.И. Определение взаимосвязи номенклатурных позиций средствами 1С:Предприятие 8.3 // Современные научные исследования и инновации. 2014. № 7 (39). С. 45-49.

6. Гусев О.В., Жуков А.В. Способ идентификации перегрузки с использованием множественной регрессии // Информационная среда вуза XXI века. Материалы VII Международной научно-практической конференции. Петрозаводск, 2013. С. 57-61.

7. Жарков А.А., Анисимова Н.А. Механизм формирования стоимости квартир на региональном рынке жилья // Регион: системы, экономика, управление. 2009. № 4. С. 47-53.

8. Лапач С.Н., Радченко С.Г. Основные проблемы построения регрессионных моделей // Математические машины и системы. 2012. Т. 1. № 4. С. 125-133.

9. Мухаметзянов Р.З. Анализ трудового оппортунизма сотрудников // Science time. 2014. № 6 (6). С. 132-147.

10. Наумов А.А., Баженов Р.И. О неустойчивости метода нормализации критериев // Современные научные исследования и инновации. 2014. № 11-1 (43). С. 64-68.

11. Семенов И.А., Носков А.А. Модель расчета общих логистических издержек методом множественной регрессии // Вестник Саратовского государственного технического университета. 2011. Т. 4. № 2с. С. 397-400.

Размещено на Allbest.ru