- •Понятие эконометрики и ее место в экономических исследованиях
- •Основные этапы регрессионного анализа
- •Парная линейная регрессия
- •Коэффициенты эластичности
- •2.3. Предпосылки мнк (условия Маркова-Гаусса)
- •Анализ точности определения параметров регрессии
- •Проверка выполнимости предпосылок мнк. Статистика Дарбин-Уотсона
- •Модели парной нелинейной регрессии
- •Нелинейные однофакторные регрессионные модели. Линеаризация
- •Гиперболическая модель
- •Степенная модель
- •Показательная модель
- •Экспоненциальная модель
- •Полиномы разных степеней
- •В таблице 4.1.1 приведены преобразования, с помощью которых нелинейные функции становятся линейными с новыми переменными и коэффициентами.
- •Линеаризация для различных видов моделей
- •4.2 Оценка качества нелинейной связи
- •Зависимость расходов от среднедневной заработной платы
- •Расчетная таблица для линейной модели
- •Расчетная таблица для степенной модели
- •Расчетная таблица для гиперболической модели
- •Множественная регрессия Специфика уравнения множественной регрессии
- •Оценка параметров уравнения множественной линейной регрессии
- •Фиктивные и нефиктивные переменные
- •Статистические данные к примеру 2
- •Расчет параметров уравнения регрессии
- •Отклонение реальных значений от теоретических
- •Модели временных рядов Одномерный временной ряд
- •Автокорреляция уровней временного ряда и выявление его структуры.
- •Статистические данные к примеру 3
- •Расчет коэффициента автокорреляции первого порядка
- •Расчет коэффициента автокорреляции второго порядка
- •Корреляционная функция временного ряда потребления электроэнергии
- •Моделирование тенденции временного ряда
- •Моделироание сезонных колебаний временного ряда
- •Расчет сезонной компоненты в аддитивной модели
- •Расчет оценок сезонной компоненты в аддитивной модели
- •Расчет оценок сезонной компоненты в аддитивной модели
- •Взаимосвязь временных рядов
- •11.1. Методы исключения тенденции.
- •Статистические данные к примеру 5
- •Расчетные значения и отклонения для временных рядов расходов на конечное потребление и совокупного дохода
- •Расчетные значения и отклонения для временных рядов расходов на конечное потребление и совокупного дохода
Расчет параметров уравнения регрессии
Год |
Y |
Z |
S |
Y2 |
Z2 |
YZ |
YS |
ZS |
1 |
100 |
2 |
20 |
10000 |
4 |
200 |
2000 |
40 |
2 |
110 |
2 |
25 |
12100 |
4 |
220 |
2750 |
50 |
3 |
140 |
3 |
30 |
19600 |
9 |
420 |
4200 |
90 |
4 |
150 |
2 |
30 |
22500 |
4 |
300 |
4500 |
60 |
5 |
160 |
3 |
35 |
25600 |
9 |
480 |
5600 |
105 |
6 |
160 |
4 |
38 |
25600 |
16 |
640 |
6080 |
152 |
7 |
180 |
4 |
40 |
32400 |
16 |
720 |
7200 |
160 |
8 |
200 |
3 |
38 |
40000 |
9 |
600 |
7600 |
114 |
9 |
230 |
4 |
44 |
52900 |
16 |
920 |
10120 |
176 |
10 |
250 |
5 |
50 |
62500 |
25 |
1250 |
12500 |
250 |
11 |
260 |
5 |
55 |
67600 |
25 |
1300 |
14300 |
275 |
Сумма |
1940 |
37 |
405 |
370800 |
137 |
7050 |
76850 |
1472 |
Среднее |
176,3636 |
3,3636 |
36,8182 |
33709,09 |
12,4546 |
640,9091 |
6986,36 |
133,8182 |
∑(yi-ŷ)2 |
∑(zi-ž)2 |
∑(si-ŝ)2 |
∑(yi-ŷ)(zi-ž) |
∑(yi-ŷ)(si-ŝ) |
∑(zi-ž)(si-ŝ) |
|||
28654,55 |
12,5455 |
1087,636 |
524,5451 |
5422,727 |
109,7272 |
Для расчета параметров а, b1,b2 регрессии S=а+b1 Υ+b2 Ζ решаем систему уравнений (5.5).
Решение системы находим методом Крамера (определителей) и получаем следующие результаты параметров:
а = 2,962; b1 = 0,124; b2 = 3,554.
Таким образом, эмпирическое уравнение регрессии имеет вид:
= 2,962 + 0,124· yt + 3,554∙ zt
Найденное уравнение позволяет рассчитать теоретические значения ŝt зависимой переменной и вычислить отклонения εi реальных значений от теоретических (табл. 7.5.3).
Таблица 7.5.3
Отклонение реальных значений от теоретических
Год |
S |
еi |
еi2 |
еi - еi-1 |
(еi - еi-1)2 |
|
1 |
20 |
22,48852 |
-2,48852 |
6,19273 |
- |
- |
2 |
25 |
23,73041 |
1,269594 |
1,61187 |
3,75811 |
14,12339 |
3 |
30 |
31,00991 |
-1,00991 |
1,01992 |
-2,27950 |
5,19612 |
4 |
30 |
28,69796 |
1,30204 |
1,69523 |
2,31194 |
5,34507 |
5 |
35 |
33,49369 |
1,50631 |
2,26896 |
0,20427 |
0,04173 |
6 |
38 |
37,04753 |
0,95247 |
0,90719 |
-0,55384 |
0,30674 |
7 |
40 |
39,53131 |
0,46869 |
0,21967 |
-0,48378 |
0,23404 |
8 |
38 |
38,46125 |
-0,46125 |
0,21275 |
-0,92994 |
0,86479 |
9 |
44 |
45,74076 |
-1,74076 |
3,03024 |
-1,27951 |
1,63714 |
10 |
50 |
51,77838 |
-1,77838 |
3,16263 |
-0,03762 |
0,00141 |
11 |
55 |
53,02027 |
1,97973 |
3,91933 |
3,75811 |
14,12332 |
Сумма |
405 |
405 |
≈0 |
24,24058 |
- |
41,87375 |
Среднее |
36,81818 |
36,81818 |
- |
- |
- |
- |
Проанализируем статистическую значимость параметров регрессии, предварительно рассчитав их стандартные ошибки.
Стандартная ошибка регрессии
Следовательно, дисперсии и стандартные ошибки коэффициентов таковы:
Рассчитаем соответствующие t-статистики:
Два пареметра имеют t-статистики, превышающие тройку, что является признаком их высокой статистической значимости.
Определяем 95%-е доверительные интервалы для коэффициентов:
2,9619423 – 2,306 1,8929 < а < 2,969423 + 2306 1,8929;
-1,4031 < a < 7,3270;
0,124189 – 2,306 0,0212 < b1 < 0,124189 + 2306 0,0212;
0,0753 < b1 < 0,1731;
3,553841 – 2,306 1,0146 < b2 < 3,553841 + 2306 1,0146;
1,2141 < b2 < 5,8935.
Коэффициент детерминации R2 рассчитывается по формуле:
R2 = 1 – 24,2408 / 1087,636 = 0,9777.
Анализ статистической значимости коэффициента детерминации R2 осуществляется на основе F-статистики:
F = 0,9777 / (1 – 0,9777) 8 / 2 = 175,3732.
Для определения статистической значимости F-статистики сравним ее с соответствующей критической точкой распределения Фишера:
Fкр = F(α; m; n – m – 1) = F(0,05; 2; 8) = 4,46.
Так как Fрасч = 175,3732 > Fкр = 4,46, то F - статистика, а следовательно, и коэффициент детерминации R2 статистически значимы. Это означает, что совокупное влияние переменных Y и X на переменную S существенно. Этот же вывод можно было бы сделать без особых проверок только по уровню коэффициента детерминации. Он весьма близок к единице.
Статистику DW Дарбина-Уотсона вычислим по формуле:
DW = 41,87375 / 24,24058 =1,72742.
Для проверки статистической значимости DW воспользуемся таблицей критических точек Дарбина-Уотсона. При уровне значимости α = 0,05 и числе наблюдений n = 11 имеем:
d1 = 0,658; du = 1,604.
Так как 1,604 < DW < 2,396 (du < DW < 4 – du ), то гипотеза об отсутствии автокорреляции не отклоняется, т.е. считаем, что автокорреляция остатков отсутствует. Это является одним из подтверждений высокого качества модели.
В силу того, что коэффициент b2 является статистически значимым, можно утверждать, что с ростом процентной ставки увеличивается объем сбережений (коэффициент b2 имеет положительный знак). Ответ будет статистически обоснованным.