Эконометрическое моделирование стоимости квартир в Московской области, вариант  -  упражнение  - Эконометрика (1), Упражнения из Эконометрика. Modern Institute of Managament
wklev85
wklev8525 March 2013

Эконометрическое моделирование стоимости квартир в Московской области, вариант - упражнение - Эконометрика (1), Упражнения из Эконометрика. Modern Institute of Managament

PDF (239.0 KB)
27 страница
1000+количество посещений
Описание
Задачи, тесты и упражнения по предмету Эконометрика. Тема Эконометрическое моделирование стоимости квартир в Московской области. Задачи и решения. Упражнения с ответами. Лабораторная работа. Разные варианты. Вариант 1.
20очки
пункты необходимо загрузить
этот документ
скачать документ
предварительный показ3 страница / 27
это только предварительный показ
консультироваться и скачать документ
это только предварительный показ
консультироваться и скачать документ
предварительный показ закончен
консультироваться и скачать документ
это только предварительный показ
консультироваться и скачать документ
это только предварительный показ
консультироваться и скачать документ
предварительный показ закончен
консультироваться и скачать документ
Эконометрическое моделирование стоимости квартир в Московской области, вариант 1 - контрольная работа - Эконометрика

2

ГОУ ВПО

ВСЕРОССИЙСКИЙ ЗАОЧНЫЙ ФИНАНСОВО - ЭКОНОМИЧЕСКИЙ

ИНСТИТУТ КАФЕДРА ЭММиМ

Контрольная работа

по дисциплине

«Эконометрика»

Тема:

«Эконометрическое моделирование стоимости квартир

в Московской области, вариант 1»

Владимир 2009

3

Задача 1. Эконометрическое моделирование стоимости квартир в Московской области Даны следующие исходные данные:

Y - цена квартиры, тыс.

руб.

Х1 (город области)

Х2 (число комнат в квартире)

Х4 (жилая площадь квартиры)

117,6 0 4 51,4 87,6 1 3 46 71,6 1 2 34 59,6 1 2 31

187,2 0 3 65 58,6 1 1 17,9 87,6 0 3 39

267,6 0 4 80 63,25 1 2 37,8 132,6 0 4 57 48,6 1 1 20

117,6 0 3 40 73,56 0 2 36,9 42,1 1 1 20 81,5 0 1 16,9 62,6 1 2 32

102,6 1 4 58 53,6 1 2 36

159,6 0 4 68 126,1 1 4 67,5 57,8 0 1 15,3 98,1 1 3 50 60,2 0 2 31,5 67,1 1 2 34,8 94,6 1 4 46

102,6 1 3 52,3 83,6 0 2 27,8 67,6 1 1 17,3

112,6 0 3 44,5 44,7 1 1 19,1

137,6 0 2 35 42,2 1 1 18 59,6 1 2 34 82,6 0 1 17,4 63,6 1 2 34,8 72,2 1 3 53

252,6 1 4 84 67,1 1 2 30,5

127,6 0 2 30 154,9 1 3 55

4

1. Рассчитать матрицу парных коэффициентов корреляции; оценить

статистическую значимость коэффициентов корреляции.

2. Построить поле корреляции результативного признака и наиболее тесно

связанного с ним фактора.

3. Рассчитать параметры линейной парной регрессии для каждого фактора

Х.

4. Оценить качество каждой модели через коэффициент детерминации,

среднюю ошибку аппроксимации и F-критерий Фишера. Выбрать лучшую

модель.

5. Для выбранной модели осуществить прогнозирование среднего

значения показателя Y при уровне значимости α = 0,05, если прогнозное

значение фактора Y составит 80% от его максимального значения.

Представить графически: фактические и модельные значения, точки

прогноза.

6. Используя пошаговую множественную регрессию ( метод исключения

или метод включения), построить модель формирования цены квартиры за

счет значимых факторов. Дать экономическую интерпретацию

коэффициентов модели регрессии.

7. Оценить качество построенной модели. Улучшилось ли качество

модели по сравнению с однофакторной моделью? Дать оценку влияния

значимых факторов на результат с помощью коэффициентов эластичности, β-

и ∆ – коэффициентов.

5

Решение:

При решении данной задачи расчеты и построение графиков и диаграмм

будем вести с использованием настройки Excel Анализ данных и программы

SPSS.

1. Рассчитаем матрицу парных коэффициентов корреляции и оценим

значимость коэффициентов корреляции.

Чтобы рассчитать матрицу парных коэффициентов корреляции скопируем

таблицу с исходными данными в Excel. Далее воспользуемся инструментом

Корреляция, входящим в настройку Анализ данных.

В диалоговом окне Корреляция в поле Входной интервал вводим диапазон

ячеек, содержащих исходные данные. Так как мы выделили и заголовки

столбцов, то устанавливаем флажок Метки в первой строке.

Получили следующие результаты:

Таблица 1.1.

Матрица парных коэффициентов корреляции

Y - цена квартиры, тыс. руб.

Х1 (город области)

Х2 (число комнат в квартире)

Х4 (жилая площадь квартиры)

Y - цена квартиры, тыс. руб. 1 -0,348 0,688 0,826

Х1 (город области) -0,348 1 -0,127 -0,064 Х2 (число комнат в квартире) 0,688 -0,127 1 0,919

Х4 (жилая площадь квартиры) 0,826 -0,064 0,919 1

Анализ матрицы коэффициентов парной корреляции показывает, что

зависимая переменная Y , т.е. цена квартиры имеет более тесную связь с Х4

(жилая площадь квартиры). Коэффициент корреляции равен 0,826. Это

означает, что на 82,66 зависимая переменная Y (цена квартиры) зависит от

показателя Х4 (жилая площадь квартиры). Также зависимая переменная Y

(цена квартиры) имеет среднюю связь с Х2 (число комнат в квартире) и

слабую связь с Х1 (город области). В то же время межфакторная связь

6

между Х2 (число комнат в квартире) и Х4 (жилая площадь квартиры) равна

0,919 весьма тесная и превышает тесноту связи Х4 с Y, что свидетельствует о

наличии мультиколлинеарности. Факторы Х2 и Х4 связаны между собой

линейной зависимостью, т.е. имеет место совокупное воздействие факторов

друг на друга. Вследствие этого вариация в исходных данных перестает быть

полностью независимой, и нельзя оценить воздействие каждого фактора в

отдельности.

Статистическую значимость коэффициентов корреляции определим

помощью t-критерия Стьюдента. Табличное значение сравниваем с

расчетными значениями.

Вычислим табличное значение с помощью функции СТЬЮДРАСПОБР.

Tтабл.=2,0244 при доверительной вероятности 0,05 и степенью свободы (n-2).

Статистическим значимым является фактор Х4.

2. Построим поле корреляции результативного признака (стоимости

квартиры) и наиболее тесно связанного с ним фактора (жилой площади

квартиры).

Для этого воспользуемся инструментом построения точечной диаграммы

программы Excel.

В результате получаем поле корреляции цены квартиры, тыс. долларов и

жилой площади квартиры, кв. м. (рисунок 1.1)

Поле корреляции

0

50

100

150

200

250

300

0 20 40 60 80 100

Жилая площадь квартиры,кв.м

С то и м о с ть

к в а р ти р ы

,т ы с .s

Ряд1

Рисунок 1.1.

7

3. Рассчитаем параметры линейной парной регрессии для каждого

фактора Х.

Для расчета параметров линейной парной регрессии воспользуемся

инструментом Регрессия, входящим в настройку Анализ данных.

В диалоговом окне Регрессия в поле Входной интервал Y вводим адрес

диапазона ячеек, которые представляют зависимую переменную, т.е

стоимость квартир. В поле Входной интервал Х вводим адрес диапазона,

который содержит значения зависимых переменных (горд области, жилая

площадь квартиры, число комнат в квартире). Выполним поочередно

вычисления параметров парной регрессии для каждого фактора Х.

Для Х4 получили следующие данные, представленные в таблице 1.2:

Таблица 1.2

Коэффициенты

Y - пересечение 1,298 Х4 - жилая площадь квартиры, кв.м 2,397

Уравнение регрессии зависимости цены квартиры от жилой площади

квартиры имеет вид:

Y4 = 1,298 + 2,397 * Х4

Для Х2 получили следующие данные, представленные в таблице 1.3:

Таблица 1.3

Коэффициенты

Y - пересечение 15,81194

Х2 - число комнат в квартире 33,51596

Уравнение регрессии зависимости цены квартиры от числа комнат в

квартире имеет вид:

8

Y2 = 15,81194+ 33,51596* Х2

Для Х1 получили следующие данные, представленные в таблице 1.4:

Таблица 1.4

Коэффициенты

Y - пересечение 117,929

Х1 -город области -36,131

Уравнение регрессии зависимости цены квартиры от города области

имеет вид:

Y1 = 117,929– 36,131* Х1

4. Оценим качество каждой модели через коэффициент детерминации,

среднюю ошибку аппроксимации и F-критерий Фишера. Установим,

какая модель является лучшей.

Коэффициент детерминации, среднюю ошибку аппроксимации мы

получили в результате расчетов, проведенных в пункте 3. Полученные

данные представлены в следующих таблицах:

Данные по Х4:

Таблица 1.5 а

Регрессионная статистика

Множественный R 0,826390243

R-квадрат 0,682920834

Нормированный R-квадрат 0,674576646

Стандартная ошибка 29,37418243

Наблюдения 40

Таблица 1.5 б

Дисперсионный анализ

df SS MS F Значимость F

Регрессия 1 70618,39254 70618,39254 81,84388794 5,12015E-11

Остаток 38 32788,01856 862,8425936 Итого 39 103406,4111

9

Данные по Х2:

Таблица 1.6 а

Регрессионная статистика

Множественный R 0,688210379

R-квадрат 0,473633526 Нормированный R-квадрат 0,459781777

Стандартная ошибка 37,84652803

Наблюдения 40

Таблица 1.6 б

Дисперсионный анализ

df SS MS F Значимость F

Регрессия 1 48976,74311 48976,74311 34,19304778 9,21694E-07

Остаток 38 54429,66799 1432,359684

Итого 39 103406,4111

Данные по Х1:

Таблица 1.7 а

Регрессионная статистика

Множественный R 0,348128727

R-квадрат 0,121193611 Нормированный R-квадрат 0,098067127

Стандартная ошибка 48,90221574

Наблюдения 40

Таблица 1.7 б

Дисперсионный анализ

df SS MS F Значимость F Регрессия 1 12532,19633 12532,19633 5,240468505 0,027713928 Остаток 38 90874,21477 2391,426704

Итого 39 103406,4111

10

А) Коэффициент детерминации определяет, какая доля вариации

признака Y учтена в модели и обусловлена влиянием не него фактора Х. Чем

больше значение коэффициента детерминации, тем теснее связь между

признаками в построенной математической модели.

В программе Excel обозначается R-квадрат:

Rх4 2 = 0,683

Rх2 2 = 0,474

Rх1 2 = 0,121

Исходя из данного критерия наиболее адекватной является модель

уравнения регрессии зависимости цены квартиры от жилой площади

квартиры (Х4).

Б) Среднюю ошибку аппроксимации рассчитываем по формуле:

( ) 2ˆ100

n

уу

у А

t∑ −= , где числитель – сумма квадратов отклонения

расчетных значений от фактических. В таблицах она находится в столбце SS,

строке Остатки.

Среднее значение цены квартиры у рассчитаем в Excel с помощью

функции СРЗНАЧ.

у = 96,25025 тыс. долл.

При проведении экономических расчетов модель считается достаточно

точной, если средняя ошибка аппроксимации меньше 5%, модель считается

приемлемой, если средняя ошибка аппроксимации меньше 15%.

746,29 40

01856,32788

25025,96

100 4 ==А

325,38 40

66799,54429

25025,96

100 2 ==А

521,49 40

21477,90874

25025,96

100 1 ==А

11

По данному критерию, наиболее адекватной является математическая

модель для уравнения регрессии зависимости цены квартиры от жилой

площади квартиры (Х4).

В) Для проверки значимости модели регрессии используется F-тест. Для

этого выполняется сравнение Fфакт. И и критического (табличного) Fтабл.

Значений критерия Фишера.

Расчетные значения приведены в таблицах 1.5 б, 1.6 б, 1.7 б (обозначены

буквой F).

Табличное значение F-критерий Фишера рассчитываем в Excel с

помощью функции FРАСПОБР. Вероятность 05,0=α , число степеней

свободы: f1 =2, f2 =10.

Получили:

Fтабл. = 4,10

Расчетные значения критерий Фишера для каждого фактора сравним с

табличным значением:

Fх4 = 81,84> Fтабл. = 4,10 модель по данному критерию адекватна.

Fх2 = 34,19> Fтабл. = 4,10 модель по данному критерию адекватна.

Fх1 = 5,24> Fтабл. = 4,10 модель по данному критерию адекватна.

Проанализировав данные по всем трем критериям, можно сделать вывод,

что наиболее лучшей является математическая модель, построенная для

фактора жилая площадь квартиры, которая описана уравнением Y4 = 1,298 +

2,397 * Х4

5. Для выбранной модели зависимости цены квартиры от жилой

площади квартиры Y = 1,298 + 2,397 * Х осуществим прогнозирование

среднего значения показателя Y при уровне значимости05,0=α ,

если прогнозное значение фактора Х составит 80% от его

максимального значения.

12

Рассчитаем прогнозное значение Х, по условию оно составит 80% от

максимального значения.

Рассчитаем Хmax в Excel с помощью функции МАКС.

Хmax = 84 кв.м

Х41 = 0,8 * 84 = 67,2 кв.м

Для получения прогнозных оценок зависимой переменной подставим

полученное значение независимой переменной в линейное уравнение:

Y41 = 1,298 + 2,397 * 67,2 = 162,38 тыс.долл.

Определим доверительный интервал прогноза, который будет иметь

следующие границы:

yp (N + l) + U(l)

yp (N + l) – U(l)

Для вычисления доверительного интервала для прогнозного значения,

рассчитываем величину отклонения от линии регрессии. Для модели парной

регрессии величина отклонения рассчитывается:

∑ − −

++= + n

t

lN y

XX

XX

n tSU

1

2

2 )(

ˆ )(

)ˆ(1 1* α

21 1

2

1

2

ˆ − =

−− = ∑∑

nkn S

n

t

n

t

y

εε , т.е. значение стандартной ошибки из таблицы 1.5 а.

(Так как число степеней свободы равно единице, то знаменатель будет

равен n-2).

=yS ˆ 29,37

Для расчета коэффициента αt воспользуемся функцией Excel

СТЬЮДРАСПОБР, вероятность α = 0,05, число степеней свободы: (n-2) = 40

-2 = 38.

αt = 2.0244

13

Значение 2 1

)( XX n

t −∑ рассчитаем с помощью Excel, получили 12293,74

6299,61062,0025,010244,2*37,29 74,12293

)6,392,67(

40

1 10244,2*37,29

2

==++=−++=U

Определим верхнюю и нижнюю границы интервала:

162,38 + 62 = 224,38

162,38 – 62 = 100,38

Таким образом, прогнозное значение 41У̂ = 162,38 тыс.долл., будет

находиться между нижней границей, равной 100,38 тыс.долл. и верхней

границей, равной 224,38 тыс.долл.

Фактические и модельные значения, точки прогноза представлены

графически на рисунке 1.2.

График фактических и модельных значений и точки прогнозов

0

50

100

150

200

250

300

0 20 40 60 80 100

Жилая площадь квартиры,кв.м

С то и м о с ть

к в а р ти р ы

,т ы с .s

Ряд1

Линейный (Ряд1)

Рисунок 1.2

6. Используя пошаговую множественную регрессию (метод

исключения), построим модель формирования цены квартиры за счет

значимых факторов.

14

Коэффициент парной корреляции независимых переменных Х2 (число

комнат в квартире) и Х4 (жилая площадь квартиры) rx2x4 = 0,919. Так как это

больше 0,8, следовательно, в исходных данных имеется

мультиколлинеарность. Чтобы избавиться от мультиколлинеарности из

переменных Х2 (число комнат в квартире) и Х4 (жилая площадь квартиры)

оставим в модели Х4, так как он в большей степени связан с зависимой

переменной Y (цена квартиры).

Для построения множественной регрессии воспользуемся функцией

Регрессия программы Excel, включив в нее факторы: Y, X1, X4. В результате

получаем результативные таблицы, из которых нам необходим t-критерий

Стьюдента.

Таблица 1.8.а

Коэффициенты Стандартная ошибка t-статистика P-Значение

Y- пересечение 21,9491 11,31218 1,940308 0,059992 Х1 (город области) -30,8076 8,187245 -3,76287 0,000582 Х4 (жилая площадь квартиры) 2,342038 0,228787 10,23676 2,42E-12

Таблица 1.8.б

Регрессионная статистика

Множественный R 0,877882758 R-квадрат 0,770678136 Нормированный R-квадрат 0,75828236 Стандартная ошибка 25,31603001

Наблюдения 40

15

Таблица 1.8.в

Дисперсионный анализ

df SS MS F Значимость F

Регрессия 2 79693,06021 39846,5301 62,17263939 1,47313E-12

Остаток 37 23713,35089 640,9013755

Итого 39 103406,4111

Получаем модель вида:

Y = 21,9491+ 2,34Х4 – 30,81Х1 . Поскольку Fтабл. < Fрасч. (4,10 < 62,17),

уравнение регрессии следует признать адекватным.

Выберем наименьшее по модулю значение –критерия Стьюдента, оно

равно | -3,76|, сравним его с табличным значением, которое рассчитаем в

Excel, уровень значимости берем 0,05, число степеней свободы n – m -1 = 40

– 3 : t табл. = 2,026.

Поскольку | -3,76 | > 2,026 модель следует признать адекватной.

Мультиколлинеарность отсутствует.

7. Оценка качества построенной модели.

а) Для модели Y = 21,9491+ 2,34Х4 – 30,81Х1 коэффициент детерминации

составил 0,77, для модели Y4 = 1,298 + 2,397 * Х4 он составил 0,683,

поскольку чем больше значение коэффициента детерминации, тем теснее

связь между признаками в построенной математической модели, то первая

модель является лучшей по данному критерию.

б) Рассчитаем среднюю ошибку аппроксимации:

30,25 40

35089,23713

25025,96

100 ==A

Для предыдущей модели она составила 29,746.

в) Рассчитаем табличное значение F-критерия Фишера при вероятности

0,05,

число степеней свободы: f1 =2, f2 =10:

16

Fтабл. = 4,10

Fфакт. = 62,17

Fфакт. = 62,17> Fтабл. = 4,10 - модель по данному критерию адекватна.

Для оценки значимого фактора полученной математической модели,

рассчитаем коэффициенты эластичности, β и ∆ - коэффициенты.

Коэффициент эластичности показывает, на сколько процентов изменится

результативный признак при изменении факторного признака на 1%.

Y

Х aЭ iii *=

99,0 25025,96

6175,39 *397,24 ==ХЭ

То есть с ростом жилой площади квартиры на 1% стоимость квартиры

возрастает в среднем на 0,99%.

Наибольшее воздействие на цену квартиры оказывает величина жилой

площади (Х4). β - коэффициент показывает, на какую часть величины

среднего квадратического отклонения меняется среднее значение зависимой

переменной с изменением независимой переменной на одно

среднеквадратическое отклонение.

y

xi ii a σ

σβ *=

826,0 49,51

754,17 *397,24 ==Хβ

Данные средних квадратических отклонений взяты из таблиц, полученных с

помощью инструмента Описательная статистика.

17

Таблица 1.10 Таблица 1.11

Описательная статистика (Х4). Описательная статистика (Y).

Среднее 39,6175

Среднее 96,25025

Стандартная ошибка 2,807240838

Стандартная ошибка 8,141631345

Медиана 35,5 Медиана 82,05

Мода 46 Мода 117,6 Стандартное отклонение 17,75454998

Стандартное отклонение 51,49219784

Дисперсия выборки 315,2240449

Дисперсия выборки 2651,446438

Эксцесс -0,044002035 Эксцесс 3,611984595

Асимметричность 0,671166744 Асимметричность 1,805953055

Интервал 68,7 Интервал 225,5

Минимум 15,3 Минимум 42,1

Максимум 84 Максимум 267,6

Сумма 1584,7 Сумма 3850,01

Счет 40 Счет 40

∆ - коэффициент определяет долю влияния фактора в суммарном

влиянии всех факторов:

R

r jyx

jj β=∆

83,0 683,0

826,0 *826,04 ==∆ Х

ВЫВОД:

Из полученных расчетов можно сделать вывод, что результативный

признак Y (цена квартиры) на 83% зависит от фактора Х4 (жилая площадь

квартиры).

18

Задача 2. Исследовать динамику экономического показателя на основе

анализа одномерного временного ряда.

В течение девяти последовательных недель фиксировался спрос Y(t) .руб.)

на кредитные ресурсы финансовой компании. Временной ряд этого

показателя приведен ниже в таблице

Номер наблюдения (t = 1,2,…..,9)

1 2 3 4 5 6 7 8 9

5,6 9,6 12,6 13,6 17,6 19,6 23,6 27,6 25,6

Требуется:

1) Проверить наличие аномальных наблюдений.

2) Построить линейную модель ( ) taatY 10ˆ += , параметры которой оценить

МНК

( ( )tŶ - расчетные, смоделированные значения временного ряда).

3) Оценить адекватность построенных моделей, используя свойства

независимости остаточной компоненты, случайности и соответствия

нормальному закону распределения (при использовании R/S – критерия взять

табулированные 2,7 – 3,7).

4) Оценить точность моделей на основе использования средней

относительной ошибки аппроксимации.

5) Осуществить прогноз спроса на следующие две недели (доверительный

интервал прогноза рассчитать при доверительной вероятности р = 70%).

6) Фактические значения показателя, результаты моделирования и

прогнозирования представить графически.

Решение:

19

1) Проверим наличие аномальных наблюдений

y

tt t

yy

σ λ 1−

− =

( )

52,75,56 19

452

1 1

2

== −

= −

− = ∑ =

n

yy n

t t

yσ

Результаты расчетов приведены в таблице 2.1.

Таблица 2.1

t y 1−− tyy 1−− tyy

t

tyy

σ 1−−

yyt − ( )2yyt

1 5,6 -11,6778 136,3705 2 9,6 4 4 0,530926 -7,67778 58,94831 3 12,6 3 3 0,398195 -4,67778 21,88163 4 13,6 1 1 0,132732 -3,67778 13,52607 5 17,6 4 4 0,530926 0,32222 0,103826 6 19,6 2 2 0,265463 2,32222 5,392706 7 23,6 4 4 0,530926 6,32222 39,97047 8 27,7 4,1 4,1 0,5442 10,42222 108,6227 9 25,6 -2,1 2,1 0,278736 8,32222 69,25935

Сумма 155,5 452,0756

Сравним расчетное значение tλ с табличным значением (λ табл.= 1,5).

Все расчетные значения tλ меньше λ табл., следовательно, аномальных

значений во временном ряду нет.

2) Построим линейную модель ( ) taatY 10ˆ +=

Рассчитаем коэффициенты линейной модели с помощью инструмента

Регрессия программы Excel. В качестве входного интервала Y берем

значения спроса на кредитные ресурсы финансовой компании, в качестве

входного интервала Х – номера наблюдений.

Результаты приведены в таблицах:

20

Таблица 2.2а

Регрессионная статистика

Множественный R 0,983283685

R-квадрат 0,966846805

Нормированный R-квадрат 0,962110634

Стандартная ошибка 1,466485378

Наблюдения 9

Таблица 2.2б

Дисперсионный анализ

df SS MS F Значимость

F

Регрессия 1 439,0215 439,0215 204,141 1,95636E-06

Остаток 7 15,05405556 2,150579365

Итого 8 454,0755556

Таблица 2.2в

Коэффициенты Стандартная

ошибка t-статистика P-Значение

Y-пересечение 3,752777778 1,065376928 3,522488314 0,00969517

Переменная X 1 2,705 0,189322448 14,28779326 1,95636E-06

21

Таблица 2.2г

ВЫВОД ОСТАТКА

Наблюдение Предсказанное Y Остатки

1 6,457777778 -0,857777778

2 9,162777778 0,437222222

3 11,86777778 0,732222222

4 14,57277778 -0,972777778

5 17,27777778 0,322222222

6 19,98277778 -0,382777778

7 22,68777778 0,912222222

8 25,39277778 2,307222222

9 28,09777778 -2,497777778

Уравнение линейной модели будет иметь вид:

( ) ttY 7,275,3ˆ +=

3) Оценим адекватность построенных моделей, используя свойства

независимости остаточной компоненты, случайности и соответствия

нормальному закону распределения.

Модель является адекватной, если математическое ожидание значений

остаточного ряда близко или равно нулю, и если значения остаточного ряда

случайны, независимы и подчинены нормальному закону распределения.

а) При проверке независимости ( отсутствие автокорреляции)

определяется отсутствие в ряду остатков систематической составляющей

(с помощью d – критерия Дарбина-Уотсона).

22

Таблица 2.3

Таблица для вычисления d-критерия

Наблюден

ие Y расчетное

Отклонение

Е(t) Е(t) – Е(t-1) (E(t) – E(t-1))2 E(t)2

1 6,457777778 -0,857777778 0,735783

2 9,162777778 0,437222222 1,295 1,677025 0,191163

3 11,86777778 0,732222222 0,295 0,087025 0,536149

4 14,57277778 -0,972777778 -1,705 2,907025 0,946297

5 17,27777778 0,322222222 1,295 1,677025 0,103827

6 19,98277778 -0,382777778 -0,705 0,497025 0,146519

7 22,68777778 0,912222222 1,295 1,677025 0,832149

8 25,39277778 2,307222222 1,395 1,946025 5,323274

9 28,09777778 -2,497777778 -4,805 23,088025 6,238894

СУММА 0 33,5562 15,05406

(Значения остатков взяты из таблицы 2.2г).

( ) 23,2

05,15

56,33

1

2

2

2 1

== −

= ∑

= −

n

t t

n

t tt

e

ee dw

Зададим уровень значимости равной 0,05. По таблицам значений критерия

Дарбина-Уотсона для числа n = 9 и числа независимых переменных модели

k = 1 критическое значение d1 = 0,82 и d2 = 1,32

Так как d попало в интервал от 2 до 4, то вычисляем d ′ :

d ′ = 4 – 2,23 = 1,77

d ′ попало в интервал: d2 = 1,3 < d = 1,77 < 2 , по данному критерию

модель адекватна.

б) Проверку случайности уровней ряда остатков проведем на основе

критерия поворотных точек.

23

В случайном ряду чисел должно выполняться строгое неравенство:

p > ( )  

  

 −−− 90

2916 96,12

3

2 n n

p > ( )  

  

 −−− 90

2916 96,12

3

2 n n = ( ) [ ]45,2

90

299*16 96.,129

3

2 = 

  

 −−−

Количество поворотных точек равно 5 (рисунок 2.1). Первая часть

неравенства равна 2,45. Неравенство выполняется: 5 > 2, следовательно,

свойство случайности выполняется.

Модель по этому критерию адекватна.

график остатков

-3

-2

-1

0

1

2

3

1 2 3 4 5 6 7 8 9

переменная Х

о с та тк и

Ряд1

Рисунок 2.1

в) Соответствие ряда остатков нормальному закону распределения

определим при помощи RS-критерия.

RS = [ Emax - Emin] / SE

Emax – максимальный уровень ряда остатков = 2,31

Emin – минимальный уровень ряда остатков = -2,498

24

SE - среднее квадратичное отклонение

392,1825,15,15* 19

1 *

1

1

1

2 == −

= −

= ∑ =

n

t tE En

S

RS = [2,31 – (-2,498)] / 1,392 = 3,45

Расчетное значение попадает в интервал (2,7 – 3,7), следовательно,

свойство нормальности распределения выполняется. Модель по этому

критерию адекватна.

4) Оценим точность модели на основе использования средней

относительной ошибки аппроксимации.

Среднюю относительную ошибку аппроксимации рассчитаем по формуле:

%100** 1

1∑= n

t

t отн yn

ε ε

Построим расчетную таблицу:

Таблица 2.4

t y E(t) |E(t)|

Y

Et

1 5,6 -0,8577778 0,85778 0,153175 2 9,6 0,4372222 0,437222 0,045544 3 12,6 0,7322222 0,732222 0,058113 4 13,6 -0,9727778 0,9727778 0,071528 5 17,6 0,3222222 0,3222222 0,018308 6 19,6 -0,3827778 0,3827778 0,019529 7 23,6 0,9122222 0,9122222 0,038653 8 27,7 2,3072222 2,3072222 0,083293 9 25,6 -2,4977778 2,4977778 0,097569

Итого 0,585713

%5,6%100*5857,0* 9

1 ==отнε

Данную модель можно считать приемлемой, так как рассчитанное

значение средней относительной ошибки аппроксимации меньше 15%.

6,5% - хороший уровень точности модели.

25

5) Осуществим прогноз спроса на следующие две недели.

Рассчитаем прогнозные значения для 10 и 11 недели, подставив

соответствующие значения в ранее полученное уравнение регрессии:

( ) ttY 7,275,3ˆ +=

( ) 75,3010*7,275,310ˆ =+=Y

( ) 45,3311*7,275,311ˆ =+=Y

Доверительные интервалы для прогнозных значений рассчитываем по

формуле:

прl Sty *ˆ ± , где ( )

( )∑ =

−+++= n

t

пр

tt

tln

n SS

1

2

21 1*ε

Среднее значение параметра t равно:

5 9

45 === n

t t i

Рассчитаем знаменатель дроби, находящейся под корнем, для этого

построим расчетную таблицу:

Таблица 2.5

t tt − ( )2tt − 1 -4 16

2 -3 9

3 -2 4

4 -1 1

5 0 0

6 1 1

7 2 4

8 3 9

9 4 16

Итого 60

( ) 60 1

2 =−∑ n

tt

26

Из таблицы 2.2а берем значение стандартной ошибки оценки:

466,1=εS

Рассчитаем Sпр для каждой недели:

( ) 812,1

60

510

9

1 1*466,1

2

10 = −++=S

( ) 918,1

60

511

9

1 1*466,1

2

11 = −++=S

Рассчитаем t-критерий Стьюдента с помощью формулы

СТЬЮДРАСПОБР, при доверительной вероятности равной 70%, α =0,3,

число степеней свободы n =2:

t = 1,386

Рассчитаем доверительные интервалы:

Для 10-й недели:

прl Sty *ˆ ±

30,75+1,386*1,812 = 33,261

30,75-1,386*1,812 = 28,239

Для 11-й недели:

33,45+1,386*1,918 = 36,108

33,45-1,386*1,918 = 30,792

6) Представим графически фактические значения показателя,

результаты моделирования и прогнозирования.

27

Фактические,модельные значения,точки прогноза

y = 2,6985x + 3,7772

R2 = 0,9674

0

5

10

15

20

25

30

35

40

0 2 4 6 8 10 12

t,неделя

С п р о с н а к р е д и тн ы е р е с у р с ы

Ряд1

Линейный (Ряд1)

28

Список литературы: 1. Орлова И.В., Половников В.А. Экономико-математические методы и

модели: компьютерное моделирование: Учеб. Пособие. – М.: Вузовский учебник, 2007.

2. Орлова И.В. Экономико-математические методы и модели. Выполнение

расчетов в среде EXCEL: Практикум: Учеб. Пособие для вузов. – М.: Финстатинформ, 2000.

3. Эконометрика: Учебник / Под редакцией И,И, Елисеевой. – М.: Финансы

и статистика, 2002. 4. Практикум по эконометрике: Учебное пособие / Под ред. И.И. Елисеевой.

– М.: Финансы и статистика, 2001. 5. Экономико-математические методы и прикладные модели: Учеб. Пособие

для вузов / В.В. Федосеев, А.Н. Гармаш, Д.М. Дайитбегов, И.В. Орлова, В.А. Половников. – М.: ЮНИТИ, 1999.

6. Гусаров В.М. Статистика: Учеб. Пособие для вузов. – М.: ЮНИТИ-

ДАНА, 2001. 7. Эконометрика. Методические указания. – М.: Вузовский учебник, 2005. 8. Эконометрика. Методические указания. – М.: ИНФРА-М; Вузовский

учебник, 2007.

комментарии (0)
не были сделаны комментарии
Напиши ваш первый комментарий
это только предварительный показ
консультироваться и скачать документ
Docsity не оптимизирован для браузера, который вы используете. Войдите с помощью Google Chrome, Firefox, Internet Explorer 9+ или Safari! Скачать Google Chrome