Pobierz Model ekonometryczny cen kawy - notatki - Ekonometria - część 2 i więcej Notatki w PDF z Ekonometria tylko na Docsity!
ANOVA
Tabela 1
Suma kwadratów df
Średni kwadrat F Istotność
Regresja (REGRESSION) 293050, 8
Reszta 552769, 8
Ogółem 845819, 6
Źródło: Obliczenia na podstawie programu SPSS.
H 0 :αk=
H 1 : αk≠
Możemy zauważyć ze istotność kształtuje się na poziomie 00 wiec niższa niż 0,05, co
oznacza, że odrzucamy H 0 na rzecz hipotezy alternatywnej. Przynajmniej jedna zmienna
objaśniająca istotnie wpływa na zmienną objaśnianą, co obrazuje tabela poniżej.
Współczynniki
Tabela 2
Współczynniki niestandaryzowane
Współczynnik i standaryzowa ne
B t Istotność
Błąd standardowy Beta
Sekwencja obserwacji
Case Sequence**2 -,007 ,001 -6,611 -6,574 ,
Case Sequence**3 1,62E- 005
(Stała) 128,861 7,946 16,217 ,
Źródło: Obliczenia na podstawie programu SPSS.
Z powyższej tabeli możemy wywnioskować ze model trendu kwadratowego będzie
przedstawiał się następująco:
Y= 128,861 +0, 634 t - 0, 007 t2 +^ 1,62E-005 t^3
Natomiast jego wykres:
ANOVA
Tabela 4
Suma kwadratów df
Średni kwadrat F Istotność
Regresja (REGRESSION) 395950, 3
Reszta 638003, 7
Ogółem 1033954, 59
Źródło: Obliczenia na podstawie programu SPSS.
H 0 :αk=
H 1 : αk≠
Możemy zauważyć ze istotność kształtuje się na poziomie 00 wiec niższa niż 0,05, co
oznacza, że odrzucamy H 0 na rzecz hipotezy alternatywnej. Przynajmniej jedna zmienna
objaśniająca istotnie wpływa na zmienną objaśnianą, co obrazuje tabela poniżej.
Współczynniki
Tabela 5
Współczynniki niestandaryzowane
Współczynnik i standaryzowa ne
B t Istotność
Błąd standardowy Beta
Sekwencja obserwacji
Case Sequence**2 -,003 ,001 -2,218 -2,251 ,
Case Sequence**3 9,17E- 006
(Stała) 181,008 8,757 20,671 ,
Źródło: Obliczenia na podstawie programu SPSS.
Z powyższej tabeli możemy wywnioskować ze model trendu kwadratowego będzie
przedstawiał się następująco:
Y= 181,08 -0, 306 t-, 003 t2 +^ 9,17E-006 t^3
Natomiast jego wykres:
ANOVA
Tabela 7
Suma kwadratów df
Średni kwadrat F Istotność
Regresja (REGRESSION) 233298,139 3
Reszta 282278,535 376 750,
Ogółem 515576,674 379
Źródło: Obliczenia na podstawie programu SPSS.
H 0 :αk=
H 1 : αk≠
Możemy zauważyć ze istotność kształtuje się na poziomie 00 wiec niższa niż 0,05, co
oznacza, że odrzucamy H 0 na rzecz hipotezy alternatywnej. Przynajmniej jedna zmienna
objaśniająca istotnie wpływa na zmienną objaśnianą, co obrazuje tabela poniżej.
Współczynniki
Tabela 8
Współczynniki niestandaryzowane
Współczynnik i standaryzowa ne
B t Istotność
Błąd standardowy Beta
Sekwencja obserwacji
Case Sequence**2 -,002 ,001 -2,691 -2,923 ,
Case Sequence**3 6,57E- 006
(Stała) 131,050 5,678 23,079 ,
Źródło: Obliczenia na podstawie programu SPSS.
Z powyższej tabeli możemy wywnioskować ze model trendu kwadratowego będzie
przedstawiał się następująco:
Y= 131,05 -0, 146 t-, 002 t2 +^ 6,57E-006 t^3
Różnicowanie sezonowe 0
Długość okresu sezonowego 12
Maksymalna liczba opóźnień 16
Proces przy założeniu obliczania błędów standardowych dla autokorelacji
Niezależność (biały szum)(a)
Pokaż i wykreśl Wszystkie opóźnienia
Zastosowano specyfikację modelu z MOD_
a Nie stosowane dla obliczenia błędów standardowych autokorelacji cząstkowych.
Źródło: Obliczenia na podstawie programu SPSS.
Autokorelacje cząstkowe
Tabela 10
Opóźnienie
Autokorelacja cząstkowa
Błąd standardowy
1 ,978 ,
2 -,191 ,
3 -,095 ,
4 -,049 ,
5 ,033 ,
6 ,105 ,
7 ,012 ,
8 ,000 ,
9 -,020 ,
10 -,060 ,
11 -,013 ,
Źródło: Obliczenia na podstawie programu SPSS.
Rysunek 1
Źródło: Obliczenia na podstawie programu SPSS.
Na podstawie powyższych obliczeń możemy wywnioskować, że rząd opóźnień wynosi – 2.
1 2 3 4 5 6 7 8 9 10 11 12
Przesunięcie
0,
0,
0,
0,
-0,
-0,
-0,
Funkcja autokorelacji cząstkowych
cenakawywgICO
Dolna granica przedziału ufności
Granice przedziału ufności
Współczynnik
Źródło: Obliczenia na podstawie programu SPSS.
Rysunek 2
Źródło: Obliczenia na podstawie programu SPSS.
1 2 3 4 5 6 7 8 9 10 11 12 Przesunięcie
0,
0,
0,
0,
-0,
-0,
-0,
Funkcja autokorelacji cząstkowych
x
Dolna granica przedziału ufności
Granice przedziału ufności
Współczynnik
Na podstawie powyższych obliczeń możemy wywnioskować, że rząd opóźnień wynosi – 6.
Autokorelacja dla X2-Wskaźnika cen dla łagodnej Arabiki
Opis modelu
Tabela 13
Nazwa modelu MOD_
Nazwa szeregu 1 x
Przekształcenie Brak
Różnicowanie niesezonowe 0
Różnicowanie sezonowe 0
Długość okresu sezonowego 12
Maksymalna liczba opóźnień 16
Pokaż i wykreśl Wszystkie opóźnienia
Zastosowano specyfikację modelu z MOD_
Źródło: Obliczenia na podstawie programu SPSS.
Autokorelacje cząstkowe
Tabela 14
Opóźnienie
Autokorelacja cząstkowa
Błąd standardowy
1 ,972 ,
2 -,200 ,
3 -,108 ,
4 -,048 ,
Na podstawie powyższych obliczeń możemy wywnioskować, że rząd opóźnień wynosi – 2.
Autokorelacja X3-Wskaźnika cen dla Brazylijskie oraz innych kaw Arabika
Opis modelu
Tabela 15
Nazwa modelu MOD_
Nazwa szeregu 1 x
Przekształcenie Brak
Różnicowanie niesezonowe 0
Różnicowanie sezonowe 0
Długość okresu sezonowego 12
Maksymalna liczba opóźnień 16
Pokaż i wykreśl Wszystkie opóźnienia
Zastosowano specyfikację modelu z MOD_
Źródło: Obliczenia na podstawie programu SPSS.
Autokorelacje cząstkowe
Tabela 16
Opóźnienie
Autokorelacja cząstkowa
Błąd standardowy
1 ,961 ,
2 ,086 ,
3 ,003 ,
4 -,243 ,
Źródło: Obliczenia na podstawie programu SPSS.
Rysunek 4
__
Źródło: Obliczenia na podstawie programu SPSS.
Na podstawie powyższych obliczeń możemy wywnioskować, że rząd opóźnień wynosi – 4.
1 2 3 4 5 6 7 8 9 10 11 12 Przesunięcie
0,
0,
0,
0,
-0,
-0,
-0,
Funkcja autokorelacji cząstkowych
x
Dolna granicaprzedziału ufności
Granice przedziałuufności
Współczynnik
Źródło: Obliczenia na podstawie programu SPSS.
Rysunek 5
__ Źródło:
Obliczenia na podstawie programu SPSS.
Na podstawie powyższych obliczeń możemy wywnioskować, że rząd opóźnień wynosi – 2.
1 2 3 4 5 6 7 8 9 10 11 12 Przesunięcie
0,
0,
0,
0,
-0,
-0,
-0,
Funkcja autokorelacji cząstkowych
x
Dolna granica przedziału ufności
Granice przedziału ufności
Współczynnik
