kozinova_a.t._praktikum_po_ekonometrike_fup
.pdf2.5.Прогнозы количественного показателя экономики
Если модель регрессии значима в целом, предположение о незначимости отклоняется по всем параметрам функции регрессии, не нарушены предпосылки МНК, причем все выводы сформулированы с приемлемой надежностью, то модель может быть использована для анализа и прогнозов количественного показателя экономики. Условно «лучшей» моделью для анализа и прогнозов исследуемого показателя можно считать ту, для которой:
показатель детерминации (R2 ) – выше,
стандартная ошибка (SE ) – меньше,
доверительный интервал прогноза уже.
Различают точечный и доверительный (интервальный) прогнозы
моделируемого показателя (y). Точечный прогноз |
(yˆ * = yˆ (X * )) получают путем |
подстановки в функцию регрессии значений |
факторов (X * ), и он имеет |
нулевую вероятность. Интервальный прогноз показателя (y) с заданной доверительной вероятностью ( P = 1 − α ) имеет вид:
yˆ (X * )− y ≤ y(X * )≤ yˆ (X * )+ y ,
где |
|
|
|
|
|
|
|
y ≈ t1−α ;n−m−1 SE – |
максимальное отклонение от точечного прогноза, |
||||||
|
|
2 |
|
|
|
|
|
|
|
|
|
ESS |
|
||
SE = |
SE = |
|
|
– стандартная ошибка модели регрессии, |
|||
n−m−1 |
|||||||
n – |
количество вариантов значений показателей, |
||||||
m – |
количество параметров функции регрессии при факторах. |
2.6.Примеры регрессионного анализа макроэкономических показателей Российской Федерации
Пример 2.6.1. Рассмотрим различные варианты моделей для макроэкономического показателя – оборот розничной торговли России. Очевидно то, что на покупательную активность населения оказывают влияние доходы граждан и цены товаров и услуг. Будем использовать показатели Федеральной службы государственной статистики Российской Федерации:
I RT – |
оборот розничной торговли (y), |
|
I RR – |
реальные денежные доходы на душу населения (x1), |
|
I NWP – номинальная заработная плата на душу населения (x2 ), |
||
I RWP – |
реальная заработная плата на душу населения (x3 ), |
|
I PC – |
индекс потребительских цен товаров и услуг (x4 ), |
|
IPC F – |
индекс потребительских цен продуктов питания (x5 ), |
|
IPC G – |
индекс потребительских цен непродовольственных товаров (x6 ), |
|
IPC S – |
индекс потребительских цен платных услуг населению (x7 ). |
|
|
|
21 |
Данные представлены в табл. 2.7.1, в одинаковых единицах измерения, как темпы изменения, а именно, на конец месяца в процентах к предыдущему
месяцу, с января 2008 г. по июнь 2010 г.
Расчеты выполним c помощью надстройки «Анализ Данных» MS EXCEL. Вначале выполним корреляционный анализ макроэкономических показателей. Результаты расчетов приведены в табл. 2.6.1.1.
Таблица 2.6.1.1
Корреляционный анализ
коэффициенты |
I RT |
I RR |
I NWP |
I RWP |
I PC |
IPC F |
IPC G |
корреляции |
(y) |
(x1) |
(x2 ) |
(x3 ) |
(x4 ) |
(x5 ) |
(x6 ) |
I RR (x1) |
0,803 |
|
|
|
|
|
|
I NWP (x2 ) |
0,935 |
0,842 |
|
|
|
|
|
I RWP (x3 ) |
0,942 |
0,841 |
0,999 |
|
|
|
|
IPC (x4 ) |
-0,645 |
-0,462 |
-0,524 |
-0,563 |
|
|
|
IPC F (x5 ) |
-0,238 |
-0,091 |
-0,129 |
-0,172 |
0,819 |
|
|
IPC G (x6 ) |
-0,088 |
0,077 |
-0,126 |
-0,143 |
0,339 |
0,294 |
|
IPC S (x7 ) |
-0,813 |
-0,700 |
-0,702 |
-0,723 |
0,817 |
0,389 |
-0,019 |
Согласно приведенной таблице 2.6.1.1 коэффициентов линейной парной корреляции, можно сделать следующие выводы:
наблюдалась сильная прямая связь темпа изменения оборота розничной торговли с темпами изменения реальных располагаемых денежных доходов на душу населения, номинальной и реальной заработных плат;
имелась сильная обратная связь между темпами изменения оборота розничной торговли и цен платных услуг населению;
присутствовала умеренная обратная связь между темпами изменения оборота розничной торговли и потребительских цен товаров и услуг в целом;
имелась слабая связь между темпами изменения оборота розничной торговли и цен продовольственных и непродовольственных товаров;
обратная связь темпов изменения доходов и заработных плат россиян с темпами изменения цен платных услуг населению и потребительских цен товаров и услуг в целом была менее существенной, чем связь данных показателей с темпом изменения оборота розничной торговли.
Результаты корреляционного анализа говорят о возможности построения линейных моделей регрессии для темпа изменения оборота розничной торговли РФ. Согласно требованиям, факторы, включаемые в модель линейной регрессии, должны быть существенно связаны с моделируемым показателем. Следовательно, нельзя включать в модель темпы изменения цен продовольственных и непродовольственных товаров (x6 ). Можно
22
предложить к рассмотрению следующие варианты линейной функции регрессии с одним существенным фактором:
yˆ = a1 yˆ = a2 yˆ = a3 yˆ = a4 yˆ = a7
+b1 x1
+b2 x2
+b3 x3
+b4 x4
+b7 x7
Согласно требованиям, факторы, включаемые в модель линейной регрессии, не должны быть связаны функционально. Нельзя включать в модель одновременно показатели, связанные с точки зрения методики их расчета:
реальные располагаемые денежные доходы на душу населения (x1) и номинальную заработную плату (x2 ),
реальные располагаемые денежные доходы на душу населения (x1) и реальную заработную плату (x3 ),
номинальную заработную плату (x2 ) и реальную заработную плату (x3 ),
индекс потребительских цен товаров и услуг (x4 ) и индекс потребительских цен платных услуг населению (x7 ).
Согласно требованиям, факторы, включаемые в модель линейной регрессии, должны быть связаны друг с другом менее существенно, чем с моделируемым показателем. Можно предложить к рассмотрению следующие варианты линейной функции регрессии с двумя факторами:
yˆ = a14 yˆ = a24 yˆ = a34 yˆ = a17 yˆ = a27 yˆ = a37
+b1 x1 + b4 x4
+b2 x2 + b4 x4
+b3 x3 + b4 x4
+b1 x1 + b7 x7
+b2 x2 + b7 x7
+b3 x3 + b7 x7
Следует отметить то, что количество вариантов значений по всем показателям (n = 30) вполне достаточно, чтобы включить в модель два фактора.
Оценим параметры предложенных моделей регрессии, с помощью метода наименьших квадратов, реализованного в инструменте Регрессия Анализа Данных MS EXCEL. Модели принимают вид:
1. |
yˆ = 60,86 + 0,39 x1 |
6. |
yˆ = 629,17 + 0,31x1 − 5,56 x4 |
2. |
yˆ = 6,70 + 0,92 x2 |
7. |
yˆ = 361,45 + 0,81x2 − 3,41x4 |
3. |
yˆ = 8,64 + 0,91x3 |
8. |
yˆ = 288,15 + 0,81x3 − 2,68 x4 |
4. |
yˆ = 1137,84 − 10,29 x4 |
9. |
yˆ = 404,12 + 0,22 x1 − 3,23 x7 |
5. yˆ = 639,23 − 5,33 x7 |
10. yˆ = 233,47 + 0,71x2 − 2,03 x7 |
|
11. yˆ = 212,16 + 0,71x3 − 1,82 x7 |
|
23 |
При оценке качества моделей регрессии было установлено:
все модели значимы в целом согласно F - критерию с приемлемым уровнем значимости не более 5%;
предположение о незначимости отклоняется, согласно t - критерию, с уровнем значимости не более 5% по всем параметрам для девяти моделей из одиннадцати, за исключением функций регрессии (2) и (3);
остатки всех моделей регрессии случайны, поскольку их графики имеют большое количество локальных экстремумов;
математическое ожидание остатков всех моделей регрессии равно нулю, т.к. их среднее значение практически равно нулю (ε < 10−12 );
нет оснований отклонить предположение об отсутствии автокорреляции остатков, согласно d - критерию, для моделей (1), (4), (5), (7), (8);
нет оснований отклонить предположение о наличии нормального закона распределения у остатков для моделей (7) и (8).
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Таблица 2.6.1.2 |
||
|
|
|
|
|
|
|
|
Анализ качества функций регрессии (7) и (8) |
|||||||||||||||
n = 30, m = 2 |
yˆ = 361,45 + 0,81x2 − 3,41x4 |
yˆ = 288,15 + 0,81x3 − 2,68 x4 |
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
F - статистика |
|
|
132,51 |
|
|
130,40 |
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
уровень значимости |
|
1,1*10-14≤0,05 |
|
|
|
1,3*10-14≤0,05 |
|||||||||||||||||
F - статистики |
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
максимальный |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
уровень значимости |
|
|
|
|
0,004≤0,05 |
|
|
|
|
|
|
0,03≤0,05 |
|||||||||||
t - статистик |
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
параметров модели |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
число локальных |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
экстремумов |
|
|
23 |
|
|
23 |
|
|
|||||||||||||||
остатков |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
M (ε ) ≈ |
|
≈ |
|
|
|
|
-1,1*10-13≈0 |
|
|
|
|
|
|
-7,5*10-14≈0 |
|||||||||
ε |
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
d - статистика |
|
|
2,22 |
|
|
2,20 |
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
α = 0,05 |
2 |
|
|
< d < 4 − dU |
|
|
|
2 < d < 4 − dU |
|||||||||||||||
dU = 1,57 |
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
εi |
|
|
≤ 2 ( i = |
|
) |
|
|
|
εi |
|
|
≤ 2 ( i = |
|
) |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
1,30 |
1,30 |
|||||||||||
|
|
|
|
|
|
|
|
|
SE |
SE |
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
R2 = 1− |
ESS |
|
|
|
|
0,9527 |
|
|
0,9519 |
|
|
||||||||||||
TSS |
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
SE = |
ESS |
|
|
3,068 |
|
|
3,090 |
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
n − m −1 |
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
y ≈ t0,95;27 SE |
|
|
6,29 |
|
|
6,34 |
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
24 |
|
|
|
|
|
|
|
|
|
|
|
В табл. 2.6.1.2 приведена характеристика двух «лучших» моделей. Обе модели близки по качеству. Немного лучше модель (7), включающая темпы изменения номинальной заработной платы и индекса цен товаров и услуг.
Для оценивания гомоскедастичности остатков данной функции регрессии используем критерий Гольдфельда – Квандта.
Все наблюдения факторов уже упорядочены по фактору – время.
Исключать из рассмотрения центральные наблюдения не будем, т.к. общее количество наблюдений невелико.
Разделим наблюдения на две равные группы, и, с помощью МНК, по каждой группе данных получим функцию регрессии с двумя факторами:
1)yˆ = 562,54 + 0,8178 x2 − 5,35 x4
2)yˆ = 493,50 + 0,75 x2 − 4,66 x4
Обе модели значимы в целом по критерию Фишера, предположение о незначимости параметров функций регрессии отклоняется с уровнем значимости α < 0,065 (немного выше 5%).
Определим остаточные суммы квадратов для обеих функций регрессии (ESS1, ESS2 ), и вычислим их отношение.
Поскольку
R = ESS1 = 0,9453 < F0,05;12,12 = 2,69 ,
ESS2
то с приемлемым уровнем значимости α = 0,05 не нарушена предпосылка о гомоскедастичности остатков.
Рис. 2.6.1. Фактические (I RT ) и теоретические значения (^ I RT ) темпа изменения оборота розничной торговли РФ
Итак, с точки зрения всех статистических критериев, «удачной» можно назвать модель (7) темпа изменения оборота розничной торговли с двумя
25
факторами – темпы изменения номинальной заработной платы и индекса цен товаров и услуг:
yˆ = 361,45 + 0,81x2 − 3,41x4
Согласно модели (7), с ростом номинальной заработной платы на душу населения на 1% оборот розничной торговли в среднем увеличивается на 0,81%, а с ростом индекса цен на 1% падает на 3,41%. На рис.2.6.1 приведены графики фактических значений оборота розничной торговли РФ и теоретических значений, полученных с помощью данной модели.
Используя модель (7), и значения факторов такие же, как в 2009г., годом ранее, с надежностью 95% получен и приведен в табл. 2.6.1.3 прогноз оборота розничной торговли РФ (в процентах к предыдущему месяцу) на период июль – август 2010г.
Таблица 2.6.1.3
Прогноз оборота розничной торговли РФ
|
I NWP* |
I PC* |
^ I RT |
* |
(yˆ (X * )− y; yˆ (X * )+ y) |
месяц |
(x* ) |
(x* ) |
(yˆ * ) |
|
|
|
|
||||
|
2 |
4 |
|
|
|
июль 10 |
98,2 |
100,6 |
98,55 |
|
(98,55-6,29; 98,55+6,29) |
|
|
|
|
|
|
авг. 10 |
97,4 |
100,0 |
99,94 |
|
(99,94-6,29; 99,94+6,29) |
|
|
|
|
|
|
Пример 2.6.2. Рассмотрим различные варианты моделей для макроэкономического показателя – оборот розничной торговли Российской Федерации (в рублях), с фактором – номинальная заработная плата (в рублях). Для моделирования будем использовать показатели Федеральной службы государственной статистики РФ:
RT – (y) оборот розничной торговли (в млрд. руб.),
NWP – (x) номинальная заработная плата на душу населения (в руб.).
Данные по показателям за период с первого квартала 2003 г. по первый
квартал 2010 г. представлены в табл. 2.7.2.
При наличии существенной связи между показателями можно рассмотреть линейную функцию парной регрессии: yˆ = a + b x
С точки зрения экономической теории, интересен коэффициент эластичности оборота розничной торговли по фактору – номинальная заработная плата. И, следовательно, полезно рассмотреть нелинейную степенную функцию регрессии:
yˆ = a xb
Процедура линеаризации и использования МНК при оценке степенной функции регрессии состоит в следующем. Сначала логарифмируется функция регрессии:
ln yˆ = ln a + b ln x .
26
Затем определяются ln yi ,ln xi – значения преобразованных показателей ( i = 1, n). Согласно требованиям к фактору линеаризованной модели парной
регрессии должна иметься существенная связь преобразованных показателей (ln y, ln x). Параметры (ln a, b) линеаризованной функции регрессии
подбираются так, чтобы выполнялось условие:
S = ∑(ln yi − ln yˆ xi )2 = ∑(ln yi − ln a − b ln xi )2 → min
|
i |
i |
Составляется система уравнений: |
||
|
' |
|
S ln a = 0 |
||
|
' |
= 0 |
S |
||
|
b |
|
После преобразований система принимает вид:
|
|
|
|
|
|
|
|
|
|
|
ln a + b ln x = ln y |
||||||||||
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
||
|
|
|
|
x = ln y ln x1 |
||||||
|
|
|
|
|
||||||
ln a ln x + b ln |
|
Решая систему уравнений, получаем параметры функции регрессии:
b = |
|
ln y ln x |
− |
ln y |
|
ln x |
|
, ln a = |
|
− b |
|
. |
||
|
|
|
ln y |
ln x |
||||||||||
|
|
|
|
|
2 |
|||||||||
|
ln2 x − |
|
||||||||||||
|
|
|
ln x |
|
|
|
|
|
Расчеты выполним с помощью надстройки «Анализ Данных» MS EXCEL. Вначале выполним корреляционный анализ макроэкономических показателей. Согласно коэффициентам линейной парной корреляции, можно сделать следующие выводы:
между оборотом розничной торговли (y) и номинальной заработной платой (x), имеется сильная прямая связь, т.к. ryx = 0,9956 ;
существует сильная прямая связь и между преобразованными показателями (ln y, ln x), т.к. r ln y, ln x = 0,9970 .
Результаты корреляционного анализа говорят о возможности построения двух моделей регрессии, а именно, с линейной и степенной функциями регрессии. Оценим параметры функций регрессии, с помощью МНК:
1)yˆ = 54,349 + 0,196 x
2)ln yˆ = −1,376 + 0,976 ln x
Проверяя значимость моделей в целом и по параметрам можно установить:
обе модели значимы в целом согласно критерию Фишера с приемлемым уровнем значимости не более 5%;
предположение о незначимости отклоняется с уровнем значимости не более 5% по всем параметрам, согласно критерию Стьюдента, только для
второй модели.
Проверяя предпосылки МНК для модели (2), было установлено:
остатки (Ei = ln yi − ln yˆ i ) случайны, поскольку их график имеет большое количество локальных экстремумов (14);
27
математическое ожидание остатков равно нулю, т.к. их среднее значение практически равно нулю (E ≈ 6,6 *10−15 );
не нарушено предположение о гомоскедастичности остатков, т.к. согласно критерию Гольдфельда – Квандта, после исключения (C = 4)
центральных наблюдений, деления оставшихся на две равные группы, построения двух степенных функций регрессии, было получено
R = |
ESS1 |
≈ 0,554 < F |
|
≈ 2,98; |
|
|
|
|
|
|
|||
|
ESS2 |
0,05;10,10 |
|
|
|
|
|
|
|
|
|
|
|
нет оснований отклонить |
предпосылку |
об отсутствии автокорреляции |
||||
остатков, |
согласно |
d -критерию, |
т.к. |
1,48 = dU < d = 1,99 ≤ 2 |
(n = 28; m = 1;α = 0,05; dL = 1,33; dU = 1,48);
не нарушено предположение о наличии нормального закона
распределения |
у |
остатков, |
т.к. |
выполняется |
неравенство |
||||
|
Ei S E |
|
≤ 2, i = |
|
; |
|
|
|
|
|
|
1,28 |
|
|
|
|
|||
Функция степенной регрессии yˆ = 0,253 x0,976 с фактором – |
номинальная |
заработная плата, оказалась вполне пригодной для анализа оборота розничной торговли РФ. Согласно модели, с ростом номинальной заработной платы на 1% оборот розничной торговли в РФ в среднем увеличивается на 0,976%.
Рис. 2.6.2. Фактические (RT ) и теоретические значения (^ RT ) оборота розничной торговли РФ
На рис.2.6.2 приведены графики фактических значений оборота розничной торговли РФ и теоретических значений, полученных с помощью
модели (2). Используя модель yˆ = 0,253 x0,976 , и, предполагая увеличение
номинальной заработной платы в среднем на 10% за год, с надежностью 95% получен и приведен в табл. 2.6.2 прогноз оборота розничной торговли РФ на первый и второй кварталы 2010 г.
28
|
|
|
|
|
|
|
|
|
|
|
|
Таблица 2.6.2 |
|
|
|
Прогноз оборота розничной торговли РФ |
|
|
|
|
|||||||
|
* * |
|
* |
ˆ * |
|
(eln y(X |
|
)− ln y ; eln y(X |
|
)+ ln y ) |
|
RT (y) |
|
месяц |
NWP (x |
) |
^ RT |
(y |
) |
ˆ |
|
* |
ˆ |
* |
|
|
|
|
|
|
|
|
|
|
млрд. руб. |
||||||
руб. |
|
млрд. руб. |
|
|
|
|
млрд. руб. |
|
|
|
|||
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|||||
1 кв. 10 |
19485 |
|
3870,697 |
|
|
(3607,617; 4152,962) |
|
3615,900 |
|||||
|
|
|
|
|
|
|
|
|
|||||
2 кв. 10 |
20734 |
|
4112,589 |
|
|
(3833,068; 4412,493) |
|
3919,400 |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Следует отметить, прогноз оправдался, фактические значения попали в доверительный интервал.
Пример 2.6.3. Рассмотрим различные варианты моделей для макроэкономического показателя – прирост номинальной заработной платы в России. Классическим вариантом является внутренне линейная модель английского экономиста А.В. Филлипса (построенная в конце 50-х годов 20-го века на основе данных более чем за столетний период), характеризующая связь между нормой безработицы (x) и процентом прироста заработной платы (y):
= + 0.1842 yˆ 0.00679
x
Следует отметить то, что согласно требованиям к факторам, включаемым в модель, необходима существенная связь между процентом прироста заработной платы (y) и обратной величиной нормы безработицы (x).
Для моделирования будем использовать показатели Федеральной службы государственной статистики Российской Федерации:
NWP – прирост номинальной заработной платы на душу населения России (y),
N OW – норма безработицы, а именно, отношение числа безработных к количеству экономически активного населения России (x),
(NOW )−1 – обратная величина к норме безработицы (x−1).
Данные представлены в табл. 2.7.3, в одинаковых единицах измерения, а именно, на конец квартала в процентах к предыдущему кварталу, с первого
квартала 2004 г. по первый квартал 2010 г.
Процедура линеаризации и использования МНК при оценке гиперболической функции регрессии состоит в следующем. Рассматривается линейная модель парной регрессии:
yˆ = a + bt ,
где t = x−1, ti = xi−1 – значения преобразованного показателя ( i = 1, n). Для оценки параметров функции регрессии используется МНК:
S = ∑(y(ti ) − yˆ (ti ))2 → min
i
Составляется и решается система уравнений:
29
|
|
' |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= 0 |
|
|
y x − y 1 x |
|
|
|
|
||||||||||
S |
a |
|
b = |
, a = y − b1 x |
||||||||||||||
|
|
|
, |
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
' |
= 0 |
|
|
|
|
|
|
|
|
2 |
|||||||
S |
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|||||
|
|
1 x |
−1 x |
|
|
|
|
|||||||||||
|
b |
|
|
|
|
|
|
|
|
|
|
Расчеты выполним с помощью надстройки «Анализ Данных» MS EXCEL. Вначале выполним корреляционный анализ макроэкономических показателей. Согласно коэффициентам линейной парной корреляции, можно сделать следующие выводы:
наблюдалась не сильная, но существенная обратная связь между приростом номинальной заработной платы на душу населения и нормой безработицы, т.к. ryx = −0,502 ;
имелась еще менее существенная прямая связь между приростом номинальной заработной платы на душу населения и обратной величиной к норме безработицы, ryx−1 = 0,462 .
Оценим параметры предложенных моделей регрессии, с помощью МНК:
1)yˆ = 27,05 − 3,03 x
2)yˆ = −15,05 + 0,014
x
Проверяя значимость моделей в целом и по параметрам с помощью статистических критериев, можно установить:
обе модели значимы в целом согласно критерию Фишера с приемлемым уровнем значимости не более 5%;
предположение о незначимости отклоняется с уровнем значимости не более 5% по всем параметрам, согласно критерию Стьюдента, только для модели (1).
Первая модель на данном этапе анализа качества оказалась лучше, что вполне согласуется с приведенными выше результатами корреляционного анализа по тесноте связи используемых макроэкономических показателей.
Проверяя предпосылки МНК для модели (1), можно установить:
остатки случайны, поскольку их график имеет максимально большое количество локальных экстремумов (23);
M (ε ) = 0 , т.к. ε < 10−12 ;
нет оснований отклонить предположение о наличии нормального закона распределения у остатков;
нарушена предпосылка об отсутствии автокорреляции остатков, согласно критерию Дарбина – Уотсона, имеется существенная автокорреляция соседних остатков, т.к.
2,71 = 4 − dL < d = 3,14 ≤ 4 (n = 25, m = 1,α = 0,05, dL = 1,29).
Итак, обе модели оказались непригодными для анализа прироста номинальной заработной платы на душу населения РФ. При построении моделей, вероятнее всего, оказались неучтенными существенные факторы.
30