Эконометрика
.pdfТ а б л и ц а 4.4.2.4
Yt |
14 |
-1 |
9 |
14 |
11 |
-4 |
12 |
3 |
9 |
-3 |
6 |
Yt 1 |
1 |
14 |
-1 |
9 |
14 |
11 |
-4 |
12 |
3 |
9 |
-3 |
Yt 2 |
15 |
1 |
14 |
-1 |
9 |
14 |
11 |
-4 |
12 |
3 |
9 |
Yt 9,478 0,480Yt 1 0,036Yt 2 .
Получили, что значение частного коэффициента автокорреляции резко падает, следовательно, для преобразованного временного ряда имеет смысл строить модель ARIMA(1,1,0).
3.2. Осуществление прогнозных расчетов по авторегрессионной модели первого порядка, построенной в п. 2.4:
Yt 9,104 0,478 Yt 1,
Yt Yt 1 9,104 0,478(Yt 1 Yt 2), Yt 9,104 (1 0,478)Yt 1 0,478Yt 2 , Yˆt 1 9,104 0,522Yt 0,478Yt 1 180, Yˆt 2 9,104 0,522Yˆt 1 0,478Yt 186.
Задание 4.4.2.2. Руководство плодово-овощного концерна «Витамин», владеющего большими яблоневыми садами в настоящее время желает заглянуть в перспективу, чтобы ответить на вопрос о целесообразности дальнейшего расширения этих садов. С этой целью было решено построить ARMA-модель, с помощью которой получить прогнозные оценки потребления яблок в следующие два года. Данные, отражающие динамику среднегодового потребления яблок населением г. Воронежа (y, т.), представлены в табл. 4.4.2.5.
Т а б л и ц а 4.4.2.5
T |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
Y |
4980 |
5010 |
4870 |
4910 |
5860 |
5760 |
5950 |
6120 |
5050 |
T |
10 |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
Y |
5140 |
5830 |
5970 |
5860 |
5760 |
5950 |
6120 |
6230 |
6670 |
T |
19 |
20 |
21 |
22 |
23 |
24 |
25 |
26 |
|
Y |
6810 |
6740 |
6930 |
6870 |
7350 |
7680 |
7820 |
7730 |
|
Решение табличного процессора Excel
1.Ввод исходных данных и оформление их в удобном для проведения расчетов виде.
2.Настройка параметра .
2.1.Присвоение первоначального значения параметру
0,1.
91
2.2.Расчет преобразованных значений yt* по следующим
формулам:
|
|
|
|
|
|
|
|
|
|
y* |
y , |
y* y |
t |
y* |
, |
t 1; 24 . |
|||
1 |
1 |
t |
t 1 |
|
|
|
|
|
|
(Два последних значения будут использоваться в качестве |
|||||||||
контрольной выборки для настройки параметра ). |
|||||||||
2.3. Формирование ряда значений yt* 1, |
t |
|
. |
||||||
2; 24 |
2.4.Оформление полученных результатов в виде табл. 4.4.2.6.
Та б л и ц а 4.4.2.6
t |
yt |
yt |
yt 1 |
t |
yt |
yt |
yt 1 |
1 |
4980 |
4980 |
|
13 |
5860 |
6521,01 |
6610,13 |
2 |
5010 |
5508 |
4980 |
14 |
5760 |
6412,10 |
6521,01 |
3 |
4870 |
5420,80 |
5508 |
15 |
5950 |
6591,21 |
6412,10 |
4 |
4910 |
5452,08 |
5420,80 |
16 |
6120 |
6779,12 |
6591,21 |
5 |
5860 |
6405,21 |
5452,08 |
17 |
6230 |
6907,91 |
6779,12 |
6 |
5760 |
6400,52 |
6405,21 |
18 |
6670 |
7360,79 |
6907,91 |
7 |
5950 |
6590,05 |
6400,52 |
19 |
6810 |
7546,08 |
7360,79 |
8 |
6120 |
6779,01 |
6590,05 |
20 |
6740 |
7494,61 |
7546,08 |
9 |
5050 |
5727,90 |
6779,01 |
21 |
6930 |
7679,46 |
7494,61 |
10 |
5140 |
5712,79 |
5727,90 |
22 |
6870 |
7637,95 |
7679,46 |
11 |
5830 |
6401,28 |
5712,79 |
23 |
7350 |
8113,79 |
7637,95 |
12 |
5970 |
6610,13 |
6401,28 |
24 |
7680 |
8491,38 |
8113,79 |
2.5. Нахождение текущих значений параметров регрессии
yt* * * yt* 1 t , t 2; 24
с помощью «Пакета анализа» Excel (см. Вывод итогов 4.4.2.1).
ВЫВОД ИТОГОВ 4.4.2.1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Регрессионная статистика |
|
|
|
|
|
|
Множествен- |
|
|
|
|
|
|
ный R |
0,900037 |
|
|
|
|
|
R-квадрат |
0,810067 |
|
|
|
|
|
Нормирован- |
|
|
|
|
|
|
ный R-квадрат |
0,801023 |
|
|
|
|
|
Стандартная |
|
|
|
|
|
|
ошибка |
378,3206 |
|
|
|
|
|
Наблюдения |
23 |
|
|
|
|
|
Дисперсионный анализ |
|
|
|
|
|
|
|
df |
SS |
MS |
F |
Значимость F |
|
Регрессия |
1 |
12819202 |
12819202 |
89,56557 |
5,04E-09 |
|
Остаток |
21 |
3005655 |
143126,4 |
|
|
|
Итого |
22 |
15824857 |
|
|
|
|
|
Коэффици- |
Стандарт- |
t-статистика |
P-Значе-ние |
Нижние 95% |
Верхние |
|
енты |
ная ошибка |
|
|
|
95% |
Y-пересе- |
|
|
|
|
|
|
чение |
683,5531 |
642,6216 |
1,063695 |
0,299546 |
-652,852 |
2019,958 |
Переменная |
|
|
|
|
|
|
X1 |
0,919154 |
0,097122 |
9,463909 |
5,04E-09 |
0,717178 |
1,12113 |
92
Таким образом, ˆ 683,55, ˆ 0,92, а сама модель записывается в виде
yt* 683,55 0,92yt* 1 t .
2.6. Расчет параметров регрессии для исходного ряда
|
*(1 ) 683,55 1 0,1 615,20; |
* 0,92. |
|||||
Следовательно, модель для исходных данных записывается |
|||||||
в виде |
yˆt 615,20 0,92yt 1 t 1 |
t . |
|
|
|
||
|
|
|
|
||||
2.7. Вычисление по построенной модели прогнозных значе- |
|||||||
ний yˆt для моментов времени t 25; 26. |
|
|
|
|
|||
2.8. |
Определение суммы квадратов отклонений прогнозных |
||||||
от фактических значений потребления яблок. |
|
|
|
|
|||
2.9. Оформление полученных результатов в виде табл. |
|||||||
4.4.2.7. |
|
|
|
Т а б л и ц а 4.4.2.7 |
|||
|
|
|
|
||||
t |
yt |
yˆt |
|
y |
t |
yˆ |
2 |
|
|
|
|
|
t |
|
|
25 |
7820 |
7674,30 |
|
|
|
21228,71 |
|
26 |
7730 |
7802,98 |
|
|
|
|
5326,19 |
|
|
yt yˆt 2 |
|
26554,91 |
|||
2.10. Последовательное изменение параметра |
|
в интерва- |
ле (0; 1) с шагом 0,1 и проведение всех расчетов п. 2.1-2.9. Оформление промежуточных результатов в виде табл. 4.4.2.8.
|
|
|
|
|
|
Т а б л и ц а |
4.4.2.8 |
|
|
|
|
0,1 |
0,2 |
0,3 |
0,4 |
|
0,5 |
yt |
ˆ |
2 |
26554,9 |
43026,3 |
78931,6 |
117823 |
|
138404 |
yt |
|
|
|
|
|
|
||
|
|
|
0,6 |
0,7 |
0,8 |
0,9 |
|
|
yt |
ˆ |
2 |
551719 |
1261971 |
53245,1 |
25672,8 |
|
|
yt |
|
|
|
|
|
|
2.11. Уточнение параметра =0,90 с шагом 0,01 и проведение всех расчетов п. 2.1-2.9. Оформление промежуточных результатов в виде табл. 4.4.2.9.
93
|
|
|
|
|
|
|
Т а б л и ц а |
4.4.2.9 |
||
|
0,91 |
|
0,92 |
0,93 |
|
0,94 |
|
0,95 |
|
0,96 |
yt yˆt 2 |
25082,25 |
25048,00 |
25615,18 |
26830,12 |
28740,29 |
31393,99 |
||||
Таким |
образом, |
оптимальным |
параметром |
является = |
||||||
0,92. |
|
|
|
|
|
|
|
|
|
|
3. Построение прогнозной модели с использованием оптимального параметра = 0,92 путем последовательного выполнения шагов 2.2. – 2.6 для t 1; 26. В результате получится модель, которая записывается в виде
yˆt 358,93 0,96yt 1 t 1 t .
4. Расчет по построенной модели прогнозных оценок потребления яблок на два года
yˆn 1 358,93 0,96 7730 0,92 ( 133,57) 7900,08, yˆn 2 358,93 0,96 7730 7940,82.
4.4.3. Задания для самостоятельной работы
Задание 4.4.3.1. По данным таблицы 4.3.2.1, характеризующим объем продаж спортивного оборудования (для: 1) физического оборудования; 2) гольфа; 3) кэмпинга; 4) бейсбола; 5) тенниса) построить модели ARIMA(p, q, 0), предварительно убедившись в степени интеграции данного временного ряда и определив порядок авторегрессии. С помощью построенной модели осуществить прогнозные расчеты на два последующих периода.
Задание 4.4.3.2. Предприниматель, занимающийся реализацией цитрусовых в г. Воронеже, заинтересован в получении прогнозных оценок объемов продаж лимонов и апельсинов на следующие два месяца. С этой целью он сформировал табл. 4.4.3.1. Опытные экономисты-аналитики, к которым он обратился с таким вопросом, порекомендовали ему построить ARIMA(p, q, 0) модель, предварительно убедившись на 95%-ном уровне значимости в стационарности данного временного ряда (установив порядок интегрированности исследуемого процесса) и определив порядок авторегрессии, а затем с помощью построенной модели осуществить необходимые прогнозные расчеты.
94
Т а б л и ц а 4.4.3.1
|
Объем продаж |
Объем продаж |
|
Объем продаж |
Объем продаж |
|
Месяц |
апельсинов, |
Месяц |
апельсинов, |
|||
лимонов, руб. |
лимонов, руб.. |
|||||
|
руб. |
|
руб. |
|||
1 |
8800 |
58000 |
9 |
14800 |
77800 |
|
2 |
10300 |
62100 |
10 |
15900 |
78300 |
|
3 |
10500 |
66500 |
11 |
16200 |
78900 |
|
4 |
11800 |
69700 |
12 |
17100 |
79200 |
|
5 |
11600 |
70700 |
13 |
16800 |
79600 |
|
6 |
12700 |
73800 |
14 |
17300 |
80200 |
|
7 |
14000 |
74200 |
15 |
17800 |
81300 |
|
8 |
15200 |
76900 |
16 |
18100 |
84400 |
Задание 4.4.3.3. В табл. 4.4.3.2 приведены данные о недельном оценки курсе акций компании ОАО «Алро» (в USD). Требуется:
1)построить график данных;
2)рассчитать коэффициенты автокорреляций и частных автокорреляций:
3)в случае необходимости преобразовать данные с тем, чтобы получить стационарный ряд;
4)построить ARIMA-модель и провести тестирование ее адекватности.
Задание 4.4.3.4. Перед аналитиком компании «Омега» поставлена задача: составить прогноз заключительных цен на акции компании. Стоимость акций постоянно меняется, то возрастая, то убывая, и руководству нужны какие-нибудь перспективные оценки для обсуждения этого вопроса на совете директоров. Данные о ценах на акции (у.е., yt ) приведены в табл. 4.4.3.3. Помогите ана-
литику компании рассчитать требуемые прогнозные оценки, построив для этих целей авторегрессионную модель.
Т а б л и ц а 4.4.3.2
Месяц |
День |
Курс |
Месяц |
День |
Курс |
Месяц |
День |
Курс акций |
|
акций |
акций |
||||||||
|
|
|
|
|
|
|
|
|
|
|
6 |
266 |
|
5 |
261 |
|
1 |
292 |
|
Январь |
13 |
267 |
Май |
12 |
265 |
Сентябрь |
8 |
299 |
|
20 |
268 |
19 |
261 |
15 |
294 |
||||
|
|
||||||||
|
27 |
264 |
|
26 |
260 |
|
22 |
284 |
|
|
3 |
263 |
|
2 |
257 |
|
29 |
277 |
|
Февраль |
10 |
260 |
|
9 |
268 |
|
6 |
279 |
|
17 |
256 |
Июнь |
16 |
270 |
Октябрь |
13 |
287 |
||
|
24 |
258 |
|
23 |
266 |
20 |
276 |
||
|
|
|
|||||||
Март |
2 |
252 |
|
30 |
259 |
|
27 |
273 |
95
|
|
|
10 |
|
245 |
|
|
|
7 |
|
258 |
|
|
|
|
3 |
|
270 |
|
|
|
|
|
17 |
|
243 |
|
Июль |
14 |
|
259 |
|
Ноябрь |
|
10 |
|
264 |
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
24 |
|
240 |
|
21 |
|
268 |
|
|
17 |
|
261 |
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
31 |
|
238 |
|
|
|
28 |
|
276 |
|
|
|
|
24 |
|
268 |
|
|
|
|
|
7 |
|
241 |
|
|
|
4 |
|
285 |
|
|
|
|
1 |
|
270 |
|
|
|
Апрель |
14 |
|
244 |
|
Август |
11 |
|
288 |
|
|
|
|
8 |
|
276 |
|
|
||
21 |
|
254 |
|
18 |
|
295 |
|
Декабрь |
|
15 |
|
274 |
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
28 |
|
262 |
|
|
|
25 |
|
297 |
|
|
|
|
22 |
|
284 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
29 |
|
304 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Т |
а б л и ц а 4.4.3.3 |
||||
|
t |
|
yt |
|
t |
|
yt |
|
t |
|
yt |
|
t |
|
yt |
|
t |
yt |
|
|
|
1 |
|
235 |
|
14 |
|
200 |
|
27 |
|
250 |
|
40 |
|
270 |
53 |
275 |
|
||
|
2 |
|
320 |
|
15 |
|
290 |
|
28 |
|
225 |
|
41 |
|
240 |
54 |
205 |
|
||
|
3 |
|
115 |
|
16 |
|
220 |
|
29 |
|
125 |
|
42 |
|
275 |
55 |
265 |
|
||
|
4 |
|
355 |
|
17 |
|
400 |
|
30 |
|
295 |
|
43 |
|
225 |
56 |
245 |
|
||
|
5 |
|
190 |
|
18 |
|
275 |
|
31 |
|
250 |
|
44 |
|
285 |
57 |
170 |
|
||
|
6 |
|
320 |
|
19 |
|
185 |
|
32 |
|
355 |
|
45 |
|
250 |
58 |
175 |
|
||
|
7 |
|
275 |
|
20 |
|
370 |
|
33 |
|
280 |
|
46 |
|
310 |
59 |
270 |
|
||
|
8 |
|
205 |
|
21 |
|
255 |
|
34 |
|
370 |
|
47 |
|
220 |
60 |
225 |
|
||
|
9 |
|
295 |
|
22 |
|
285 |
|
35 |
|
250 |
|
48 |
|
320 |
61 |
340 |
|
||
|
10 |
|
240 |
|
23 |
|
250 |
|
36 |
|
290 |
|
49 |
|
215 |
62 |
190 |
|
||
|
11 |
|
355 |
|
24 |
|
300 |
|
37 |
|
225 |
|
50 |
|
260 |
63 |
250 |
|
||
|
12 |
|
175 |
|
25 |
|
225 |
|
38 |
|
270 |
|
51 |
|
190 |
64 |
300 |
|
||
|
13 |
|
285 |
|
26 |
|
285 |
|
39 |
|
180 |
|
52 |
|
295 |
65 |
195 |
|
Задание 4.4.3.5. По имеющимся данным объема продаж изделий микроэлектронной техники за двенадцатилетний период (см. табл. 4.3.3.4) необходимо выбрать подходящую для прогноза авторегрессионную модель и оценить объем продаж на ближайшие 6 месяцев.
Т а б л и ц а 4.4.3.4
Год |
Квартал |
Объем |
Год |
Квартал |
Объем |
Год |
Квартал |
Объем |
|
продаж, $ |
продаж, $ |
продаж, $ |
|||||||
|
I |
1100 |
|
I |
8477 |
|
I |
15155 |
|
1991 |
II |
3550 |
1995 |
II |
5693 |
1999 |
II |
30205 |
|
III |
2200 |
III |
7115 |
III |
38115 |
||||
|
|
|
|||||||
|
IV |
6014 |
|
IV |
9317 |
|
IV |
35720 |
|
|
I |
2400 |
|
I |
11402 |
|
I |
38400 |
|
1992 |
II |
3060 |
1996 |
II |
18100 |
2000 |
II |
49720 |
|
III |
2300 |
III |
17550 |
III |
59206 |
||||
|
|
|
|||||||
|
IV |
4850 |
|
IV |
13890 |
|
IV |
48126 |
96
|
I |
3950 |
|
I |
11755 |
|
I |
45805 |
|
1993 |
II |
5777 |
1997 |
II |
13890 |
2001 |
II |
46358 |
|
III |
5328 |
III |
12980 |
III |
55625 |
||||
|
|
|
|||||||
|
IV |
4888 |
|
IV |
14346 |
|
IV |
58110 |
|
|
I |
8930 |
|
I |
18361 |
|
I |
57252 |
|
1994 |
II |
8500 |
1998 |
II |
19770 |
2002 |
II |
48397 |
|
III |
9844 |
III |
16330 |
III |
52540 |
||||
|
|
|
|||||||
|
IV |
10050 |
|
IV |
18809 |
|
IV |
61829 |
5. СИСТЕМЫ РЕГРЕССИОННЫХ УРАВНЕНИЙ
5.1. Расчетные формулы
5.1.1. Необходимое условие идентификации (порядковое условие) формулируется следующим образом:
если d 1 p, то уравнение идентифицируемо; если d 1 p, то уравнение неидентифицируемо; если d 1 p, то уравнение сверхидентифицируемо,
где d – число предопределенных переменных отсутствующих в уравнении, но присутствующих в системе; p– число эндогенных переменных в рассматриваемом уравнении.
5.1.2.Достаточное условие идентификации (ранговое условие): ранг матрицы, составленной из коэффициентов при переменных, отсутствующих в рассматриваемом уравнении, не менее числа эндогенных переменных системы без единицы.
5.1.3.Оценки коэффициентов внешне не связанной системы регрессионных уравнений:
bˆ X 1X 1X 1y X Σ 1 Im X 1X Σ 1 Im y,
где Σ – ковариационная матрица между случайными составляющими регрессионных моделей, входящих в систему. В практических расчетах заменяется оценкой Σˆ , получаемой для случайных остатков.
5.1.4.Оценки коэффициентов рекурсивной системы регрессионных уравнений получаются с помощью МНК.
5.1.5.Процедура построения структурной модели с помощью косвенного МНК предполагает выполнение следующих трех этапов:
1.Преобразование структурной модели в приведенную
форму.
2.Оценивание коэффициентов каждого уравнения приведенной формы с помощью обычного МНК.
97
3. Трансформирование полученных коэффициентов приведенной формы в параметры структурной модели.
5.1.6. Процедура применения двухшагового метода осуществляется в несколько этапов:
1.Преобразование структурной модели в приведенную
форму.
2.Оценивание коэффициентов каждого уравнения приведенной формы с помощью обычного МНК.
3.Если уравнение точно идентифицируемо, то оценки коэффициентов приведенной формы, полученные на втором этапе, принимаются за структурные коэффициенты.
Если же уравнение сверхидентифицируемо, то в структурной форме его эндогенные переменные заменяются расчетными значениями, полученными из соответствующих уравнений приведенной формы, а затем применяется обычный метод наименьших квадратов.
5.2. Решение типовой задачи
Задание 5.2.1. Провести идентификацию ниже приведенной модели и по данным табл. 5.2.1 построить ее структурную форму:
y a1 b1 C D 1,
C a2 b2y b3y 1 2,
где y – валовой национальный доход;
y 1 – валовой национальный доход предшествующего года; C – личное потребление;
D– конечный спрос (помимо личного потребления);
1 и 2– случайные составляющие.
Та б л и ц а 5.2.1
Год |
D |
y 1 |
y |
C |
Год |
D |
y 1 |
y |
C |
1 |
-6,8 |
46,7 |
3,1 |
7,4 |
6 |
44,7 |
17,8 |
37,2 |
8,6 |
2 |
22,4 |
3,1 |
22,8 |
30,4 |
7 |
23,1 |
37,2 |
35,7 |
30,0 |
3 |
-17,3 |
22,8 |
7,8 |
1,3 |
8 |
51,2 |
35,7 |
46,6 |
31,4 |
4 |
12,0 |
7,8 |
21,4 |
8,7 |
9 |
32,3 |
46,6 |
56,0 |
39,1 |
5 |
5,9 |
21,4 |
17,8 |
25,8 |
|
167,5 |
239,1 |
248,4 |
182,7 |
Решение с помощью табличного процессора Excel.
1.Ввод исходных данных и оформление их в удобном для расчетов виде.
2.Определение идентифицируемости уравнений модели. В данной модели две эндогенные переменные y и C, две экзоген-
98
ные переменные y 1 и D. Второе уравнение модели точно идентифицировано, так как для него выполняется порядковое условие d 1 p (d 1, p 2).
Первое уравнение сверхидентифицировано, так как в нем в силу того, что на параметры при переменных C и D наложены ограничения (они равны между собой) и, фактически, переменная C не рассматривается как эндогенная, выполняется условие d 1 p(d 1, p 1).
Достаточное условие идентификации (ранговое условие) для каждого уравнение очевидным образом выполняется. Следовательно, второе уравнение можно построить с помощью МНК, а первое уравнение – с помощью двухшагового МНК.
3. Расчет коэффициентов уравнений приведенной формы
y d10 d11D d12 y 1,
Cd20 d21D d22 y 1,
спомощью пакета анализа данных Excel и оформление ре-
зультатов в виде табл. 5.2.2.
|
|
|
Т а б л и ц а 5.2.2 |
|
Показатели |
1-е уравнение |
2-е уравнение |
||
Константа |
8,218 |
8,636 |
||
Коэффициенты регрессии |
d1 |
0,669 |
0,338 |
|
d2 |
0,261 |
0,202 |
||
|
||||
Стандартная ошибка |
s1 |
0,137 |
0,195 |
|
s2 |
0,195 |
0,277 |
||
|
||||
Множественный R |
0,902 |
0,615 |
||
Число наблюдений |
9 |
9 |
||
Число степеней свободы |
6 |
6 |
||
F – критерий |
13,120 |
1,827 |
4. Получение расчетных значений эндогенной переменной Cˆ по второму уравнению построенной приведенной формы и расчет значений Cˆ D. Оформление результатов в виде табл. 5.2.3.
99
|
|
|
|
Т а б л и ц а 5.2.3 |
|
Год |
D |
Cˆ |
D Cˆ |
|
y |
1 |
-6,8 |
15,767 |
8,967 |
|
3,1 |
2 |
22,4 |
16,842 |
39,242 |
|
22,8 |
3 |
-17,3 |
7,386 |
-9,914 |
|
7,8 |
4 |
12,0 |
14,272 |
26,272 |
|
21,4 |
5 |
5,9 |
14,955 |
20,855 |
|
17,8 |
6 |
44,7 |
27,358 |
72,058 |
|
37,2 |
7 |
23,1 |
23,967 |
47,067 |
|
35,7 |
8 |
51,2 |
33,173 |
84,373 |
|
46,6 |
9 |
32,3 |
28,979 |
61,279 |
|
56,0 |
|
167,5 |
182,7 |
350,2 |
|
248,4 |
4. Построение первого уравнения структурной формы по данным табл. 5.2.3 с помощью пакета «Анализ данных» и оформление результатов расчета в виде табл. 5.2.4.
|
Т а б л и ц а 5.2.4 |
Показатели |
Значения |
Константа |
7,688 |
Коэффициент регрессии |
0,512 |
Стандартная ошибка |
0,099 |
Множественный R |
0,891 |
Число наблюдений |
9 |
Число степеней свободы |
6 |
F - критерий |
26,879 |
Таким образом, первое уравнение структурной формы записывается в виде
y7,688 0,512 C D .
6.Получение второго уравнения структурной формы по коэффициентам приведенной формы.
Определим D из первого уравнения приведенной формы
D y 8,218 0,261y 1 0,669
и подставим его в первое уравнение приведенной формы. Получим
|
0,338 8,218 |
|
0,338 |
|
|
0,338 0,261 |
|
|
|||
C 8,636 |
|
|
|
|
|
y |
0,202 |
|
y |
|
|
0,669 |
|
0,669 |
|
|
|||||||
|
|
|
|
|
0,669 |
1 |
|
4,484 0,505y 0,070y 1.
100