Специальность: | «Бухгалтерский учет, анализ и аудит» |
КОНТРОЛЬНАЯ РАБОТА
По дисциплине: Эконометрика _____________________________
Тема: Лабораторная работа. Вариант 4. _______________________
Выполнил: | Студент (ка) II курса, Группы №__ 3205 __ Фамилия И.О._____ _ Шевченко Т.М. __ |
Проверил: | Фамилия преподавателя _ Жарикова Л.А. ___ |
г. Калининград, 2014 г.
Лабораторная работа.
Вариант 4.
Дано:
у | |||||||||
х1 | |||||||||
х2 |
Требуется:
1)Найти коэффициенты корреляции Rx1y и Rx2yи по их значениям выбрать ведущий фактор.
2)Построить линейную однопараметрическую модель регрессии для выбранного фактора.
3) Проверить модель на адекватность и определить её точность.
4) Найти коэффициент эластичности и детерминации, сделать вывод.
5)Построить точечный и интервальный прогноз по модели регрессии на 2 шага вперёд.
6)Отобразить на графике реальные данные результатов расчётов и прогнозирования.
|
|
1. Найдём коэффициенты парной корреляции Rx1y и Rx2yи по их значениям выберем ведущий фактор.
а). Найдём коэффициент парной корреляции для Rx1y.
t | y(t) | x(t) | (x-xср) | (x-xср)2 | y-yср | (y-yср)2 | (x-xср) ·(y-yср) |
-10,11 | 102,23 | -8,88 | 79,01 | 89,87 | |||
-8,11 | 65,79 | -10,88 | 118,56 | 88,32 | |||
-5,11 | 26,12 | -5,88 | 34,67 | 30,09 | |||
-3,11 | 9,67 | -1,88 | 3,56 | 5,87 | |||
-0,11 | 0,01 | 1,11 | 1,23 | -0,12 | |||
2,88 | 8,34 | 3,11 | 9,67 | 8,98 | |||
4,88 | 23,90 | 5,11 | 26,12 | 24,98 | |||
7,88 | 62,23 | 10,11 | 102,23 | 79,76 | |||
10,88 | 118,56 | 8,11 | 65,79 | 88,32 | |||
Ʃ | 0,00 | 416,88 | 0,00 | 440,88 | 416,11 |
Коэффициенты парной корреляции Rx1y найдём по формуле:
Где: xcp = 136: 9 = 15,11
ycp = 350: 9 = 38,88
Ответ: Коэффициент парной корреляции для Rx1y.= 0,97.
б) Найдём коэффициент парной корреляции для Rx2y.
t | y(t) | x(t) | (x-xср) | (x-xср)2 | (y-yср) | (y-yср)2 | (x-xср)·(y-yср) |
-7,55 | 57,08 | -8,88 | 79,01 | 67,16 | |||
-4,55 | 20,75 | -10,88 | 118,56 | 49,60 | |||
-3,55 | 12,64 | -5,88 | 34,67 | 20,93 | |||
-0,55 | 0,30 | -1,88 | 3,56 | 1,049 | |||
-2,55 | 6,53 | 1,11 | 1,23 | -2,83 | |||
0,44 | 0,19 | 3,11 | 9,67 | 1,38 | |||
4,44 | 19,75 | 5,11 | 26,12 | 22,71 | |||
5,44 | 29,64 | 10,11 | 102,23 | 55,049 | |||
8,44 | 71,30 | 8,11 | 65,79 | 68,49 | |||
Ʃ | 0,00 | 218,22 | 0,00 | 440,88 | 283,55 |
Коэффициенты парной корреляции Rx2y найдём по формуле:
;
Где: xcp2 = 176: 9 = 19,55
ycp2 = 350: 9 = 38,88
Ответ: Коэффициент парной корреляции для Rx2y.= 0,91.
Из двух полученных факторов выбираем тот, который наиболее тесно связан с зависимой переменной. Ему соответствует наибольший по модулю коэффициент корреляции.
Rx1y > Rx2y[0,97] > [0,91].
Из двух полученных факторов, ведущим является фактор №1, т.к ему соответствует наибольший по модулю коэффициент корреляции.
|
|
2. Построить линейную однопараметрическую модель регрессии для выбранного фактора.
Из выбранного фактора №1 построим линейную однопараметрическую модель регрессии.
По формуле: yp(t) = a0 + a1· x(t). (Это и будет являться нашей моделью).
Где:
t | y(t) | x(t) | x-xср | (x-xср)2 | y-yср | (y-yср)2 | (x-xср) ·(y-yср) | yр | e(t) | e2 | [e(t)]: y(t)·100 |
-10,11 | 102,23 | -8,88 | 79,01 | 89,87 | 28,79 | 1,20 | 1,44 | 4,01 | |||
-8,11 | 65,79 | -10,88 | 118,56 | 88,32 | 30,79 | -2,79 | 7,80 | 9,97 | |||
-5,11 | 26,12 | -5,88 | 34,67 | 30,09 | 33,78 | -0,79 | 0,61 | 2,38 | |||
-3,11 | 9,67 | -1,88 | 3,56 | 5,87 | 35,78 | 1,21 | 1,47 | 3,28 | |||
-0,11 | 0,012 | 1,11 | 1,23 | -0,12 | 38,77 | 1,22 | 1,49 | 3,05 | |||
2,88 | 8,34 | 3,11 | 9,67 | 8,98 | 41,77 | 0,22 | 0,05 | 0,54 | |||
4,88 | 23,90 | 5,11 | 26,12 | 24,98 | 43,76 | 0,23 | 0,05 | 0,52 | |||
7,88 | 62,23 | 10,11 | 102,23 | 79,76 | 46,76 | 2,23 | 5,00 | 4,56 | |||
10,88 | 118,56 | 8,11 | 65,79 | 88,32 | 49,75 | -2,75 | 7,60 | 5,86 | |||
Ʃ | 416,88 | 0,00 | 440,88 | 416,11 | 25,55 | 34,21 |
xcp = 136: 9 = 15,11
ycp = 350: 9 = 38,88
а1 = 416,11: 416,88 = 0,99
а0 = 38,88 – 0,99 · 15,11 = 23,80
ур = а0 + а1 · х(t) Это и является нашей моделью.
у1 = 23,8 + 0,99 · 5 = 28,79
у2 = 23,8 + 0,99 · 7 = 30,79
у3 = 23,8 + 0,99 · 10 = 33,78
у4 = 23,8 + 0,99 · 12 = 35,78
у5 = 23,8 + 0,99 · 15 = 38,77
у6 = 23,8 + 0,99 · 18 = 41,77
у7 = 23,8 + 0,99 · 20 = 43,76
у8 = 23,8 + 0,99 · 23 = 46,76
у9 = 23,8 + 0,99 · 26 = 49,75
Найдём отклонение реальных данных от теоретических E(t) по формуле E(t) = y(t) – уp(t).
Е(1) = 30 – 28,79 = 1,20
Е(2) = 28 – 30,79 = -2,79
Е(3) = 33 – 33,78 = -0,79
Е(4) = 37 – 35,78 = 1,21
Е(5) = 40 – 38,77 = 1,22
Е(6) = 42 – 41,77 = 0,22
Е(7) = 44 – 43,76 = 0,23
Е(8) = 49 – 46,76 = 2,23
Е(9) = 47 – 49,75 = -2,76
3. Проверить модель на адекватность и определить её точность.
Исследуем модель на адекватность и точность, для этого должны выполняться:
t | y(t) | e(t) | Точки пов-та | e2 | e(t)-e(t-1) | (e(t) -e(t-1))2 | [e(t)]:y(t)·100 |
1,20 | 1,44 | -3,99 | 15,97 | 4,01 | |||
-2,79 | 7,80 | 2,00 | 4,02 | 9,97 | |||
-0,79 | 0,61 | 2,00 | 4,01 | 2,38 | |||
1,21 | 1,47 | 3,13 | 3,28 | ||||
1,22 | 1,49 | -0,99 | 0,98 | 3,05 | |||
0,22 | 0,05 | 1,39 | 0,54 | ||||
0,23 | 0,05 | 2,00 | 4,02 | 0,52 | |||
2,23 | 5,00 | -4,99 | 24,94 | 4,56 | |||
-2,76 | 7,60 | 2,75 | 7,60 | 5,86 | |||
Ʃ | 25,55 | -1,20 | 61,56 | 34,21 |
а) Математическое ожидание уровней рядов остатков должно стремиться к нулю.
где n – иcследуемый период.
б) Уровни ряда остатков должны быть случайными числами, это проверяется с помощью критерия поворотных точек. По этому критерию каждый уровень ряда остатков сравнивается с 2-мя соседними уровнями. Если он больше или меньше обоих ему соответствует точка поворота. Например, во втором ряду значение (-2,79) сравнивается с двумя соседними, это (1,20) в первом ряду и (-0,79) в третьем ряду, (1,20) > (-2,79), (-2,79) < (-0,79),значит, точка поворота имеется. В 5 ряду значение (1,22) сравнивается с двумя с соседними ((1,22) >(1,21), (1,22) > (0,22)), точка поворота отсутствует.
В случайном ряду чисел число точек поворота, N – количество чисел проверяемых в работе. В нашем случае N=9 p > 2, р = 4 > 2. Следовательно, наши ошибки случайны.
в) должны быть независимы (отсутствие автокорреляции). Проверяется с помощью критерия Дарбина –Уотсона.
Полученное значение сравнивается с двумя табличными d1 и d2. Для N=9 и 5% уровня значимости по таблице Дарбина – Уотсона d1 = 1.08, а d2 = 1,36. В нашем случае 2,40 > 1,36, а это значит что d > d2, поэтому у нас уровни будут независимы.
г) Точность модели мы сможем определить с помощьюсредней относительной ошибки.
Найдём её по формуле: ;
У нас относительная ошибка входит в интервал между 5% и 15%, значит, точность хорошая.
4. Найдём коэффициент эластичности и детерминации.
а) Коэффициент эластичности характеризует, на сколько процентов изменится значение y при изменении x на 1%. Он находится по формуле: ;
Вывод: при изменении x на 1%, y изменится на 0,38%.
б) Коэффициент детерминации показывает долю вариации признака под влиянием факторов, включённых в модель. Коэффициент детерминации найдём по формуле:
Вывод: Коэффициент детерминации R2 = 0,94, значит, уравнением регрессии объясняется 87% дисперсии результативного признака, а на долю прочих факторов приходится 67% ее дисперсии (т.е. остаточная дисперсия). Величина коэффициента детерминации служит важным критерием оценки качества линейных и нелинейных моделей. Чем значительнее доля объясненной вариации, тем меньше роль прочих факторов, и значит, модель регрессии хорошо приближает исходные данные и такой регрессионной моделью можно воспользоваться для прогноза значений результативного показателя.
|
|
5. Построить точечный и интервальный прогнозы по модели регрессии на 2 шага вперёд.
а) Первоначально сделаем точечный прогноз для x(t) c помощью среднего абсолютного прироста, его мы найдём по формуле:
Определим прогноз на два шага вперёд для x;
хр(10) = х(9) + САП = 26 + 2,62 = 28,62
хр(11) = х(10) + САП = 28,62 + 2,62 = 35,25
Тогда точечный прогноз для y будет иметь вид:
ур(10) = а0 + а1 · хр(10) = 23,8 + 0,99 · 28,62 = 52,37
ур(11) = а0 + а1 · хр(11) = 23,8 + 0,99 · 31,25 = 54,99
б) Интервальный прогноз. Проверим гипотезу о нормальном распределении уровней ряда остатков с помощью RS- критерия, который определяется по формуле:
где
Гипотеза о нормальном распределении принимается, если N=9 и 5% уровня значимости RS-критерий входит в интервал 2,7 < RS< 3.7.
В нашем случае; 2,7 < 2,82 < 3,7; RS- критерий входит в заданный интервал, следовательно, уровни остатков распределены равномерно. И согласно гипотезе о нормальном распределении наша модель принимается.
Доверительный интервал прогноза будет иметь следующие границы:
Верхняя граница: yp(N+K) + U(K);
Нижняя граница: yp(N+K) - U(K);
где N+K = 9+1 = 10;
Кр – табличное значение t – статистики Стьюдента. У нас оно имеет значение Кр – 1,05.
Точечный прогноз, верхняя и нижняя граница прогноза представлена в таблице.
t | yр(t) | Нижняя граница | Верхняя граница |
28,15 | 28,15-2,05=26,1 | 28,15+2,05=30,2 | |
32,105 | 30,53-2,07=28,46 | 30,53+2,07=32,6 |
6. Отобразим на графике результаты расчётов и прогнозирования:
х | 28,62 | 31,25 | |||||||||
ур | 28,79 | 30,79 | 33,78 | 35,78 | 38,77 | 41,77 | 43,76 | 46,76 | 49,75 | 52,37 | 54,99 |