Реферат Курсовая Конспект
Основы эконометрики: практикум - раздел Экономика, Министерство Образования Российской Федерации ...
|
МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Пензенский государственный
университет архитектуры и строительства
Е.И. Ермолаева, Е.И. Куимова
Предисловие
Целевое назначение данного пособия заключается в формировании у студентов навыков практического использования теоретических основ эконометрического моделирования в задачах анализа ситуаций экономической реальности, а также обоснования прогнозных решений.
В пособие включены лабораторные работы по базовым темам курса «Эконометрика» для бакалавров. Материал каждой темы содержит
· справочную информацию по расчетным формулам, используемым при выполнении заданий;
· примеры выполнения типовых задач;
· контрольные задания для самостоятельной работы.
В заданиях предусмотрена не только параметризация модели, но и содержательная интерпретация результатов эконометрического моделирования.
Поскольку современному студенту при изучении эконометрики совершенно необходимо использовать компьютерные технологии, задания практикума выполняются с использованием возможностей MS Excel. Это позволяет, с одной стороны, «прочувствовать» все детали и тонкости изучаемых методов, что естественным образом повышает уровень усвоения учебного материала, а с другой – совершенствует навыки работы в пакете MS Excel, являющимся тем программным продуктом, в котором современный экономист проводит основную массу своих расчетов.
Лабораторная работа №1
.
Для проверки нулевой гипотезы о несущественности найденного параметра регрессии применяют t-критерий Стьюдента при числе степеней свободы и уровне значимости 0,05.
Расчетные значения t-статистики вычисляются по формулам:
, , .
Критическое значение берется из специальной таблицы критических точек распределения Стьюдента в приложениях к учебникам по теории вероятностей и эконометрике. При компьютерном анализе критическое значение можно найти с помощью функции СТЬЮДРАСПОБР.
Если расчетное значение по абсолютной величине превышает табличное, гипотезу о несущественности параметра регрессии можно отклонить, параметр признается значимым.
Связь между F-критерием Фишера и t-критерием Стьюдента выражается равенством
.
Расчет доверительных интервалов для параметров регрессии:
Доверительный интервал для параметра a определяется как ;
доверительный интервал для коэффициента регрессии определяется как .
При компьютерном анализе использовать в Excel использовать путь Сервис/Анализ данных/Регрессия.
Интервальный прогноз на основе линейного уравнения регрессии:
Пусть – прогнозное значение факторного признака; – точечный прогноз результативного признака. Тогда
а) средняя ошибка прогноза :
;
б) доверительный интервал прогноза
.
Практические рекомендации по выполнению расчетов
с помощью табличного редактора MS Excel
Пример
Имеются данные о годовой цене программы «Мастер делового администрирования» и числе слушателей в образовательном учреждении.
Цена программы, тыс. долл., y | 4,9 | 3,8 | 3,5 | 3,8 | 3,7 | 3,6 | 3,5 | 3,4 | |||||
Число слушателей, чел., x |
I. Вводим исходные данные в документ Excel.
II. Значения фактора x должны быть отсортированы по возрастанию с сохранением соответствующего значения y. Это может быть сделано так Данные/Сортировка/Выделить столбец, в котором необходимо сделать сортировку. Например,
III. Вызываем надстройку Анализ данных в меню Сервис.
IV. Выбираем инструмент Регрессия.
V. Заполняем соответствующие позиции окна Регрессия.
VI. После нажатия ОK получаем протокол решения задачи.
VII. Анализируем полученный протокол.
1) Параметры уравнения линейной парной регрессии .
Коэффициент регрессии ;
Свободный член уравнения регрессии .
Примечание. При необходимости результаты округляются с нужной точностью. Требование по округлению можно провести изначально, задав количество знаков после запятой в меню Формат ячейки.
Уравнение парной линейной регрессии имеет вид: .
2) Оцениваем тесноту связи зависимой переменной (результативного фактора) с объясняющей переменной с помощью показателей корреляции и детерминации.
Коэффициент корреляции , что свидетельствует о тесной связи признаков y и x. Коэффициент детерминации . Полученное уравнение регрессии объясняет 53% вариации признака y, остальные 47% изменчивости этого признака обусловлены влиянием неучтенных в модели факторов.
3) Оцениваем с помощью F-критерия Фишера статистическую надежность моделирования.
Расчетное значение критерия Фишера указано в протоколе, . Критическое значение этого критерия можно найти с помощь статистической функции FРАСПОБРтабличного редактора Еxcel.
Входными параметрами этой функции являются:
– уровень значимости (вероятность), имеется в виду вероятность ошибки отвергнуть верную гипотезу о статистической незначимости построенного уравнения регрессии. Как правило, выбирают уровень значимости, равный 0,05 или 0,01;
– число степеней свободы 1 – совпадает с количеством параметров при переменной x в уравнении регрессии, для парной линейной регрессии это число равно единице;
– число степеней свободы 2 равно для парной линейной регрессии , где n – объем исходных статистических данных.
Выполняем действия Вставка/Функция, выбираем нужное.
Вывод: поскольку расчетное значение F-критерия больше критического, равного 4,84, нулевая гипотеза об отсутствии значимой связи признаков x и y отклоняется и делается вывод о существенности этой связи.
4) Оценить статистическую значимость параметров регрессии.
Оценим статистическую значимость параметров a и b в уравнении регрессии с помощью t- критерия Стьюдента.
Расчетные значения статистики Стьюдента берем из протокола (графа t-статистика): , . Соответствующее критическое значение можно определить через статистическую функцию СТЬЮДРАСПОБР, число степеней свободы равно .
Вывод: поскольку фактические значения по абсолютной величине превышают табличное, равное 2,2, гипотезу о несущественности параметров регрессии можно отклонить.
5) Определяем среднюю ошибку аппроксимации.
Вычисляем среднюю ошибку аппроксимации, . Понадобится выполнение вспомогательных расчетов, оформленных в виде таблицы.
y | x | |||
5,440500341 | 31,99374573 | |||
5,143440944 | 2,868818882 | |||
4,9 | 5,024617185 | 2,543207862 | ||
4,846381547 | 21,15953867 | |||
3,8 | 4,54932215 | 19,71900394 | ||
3,5 | 4,430498391 | 26,58566831 | ||
3,8 | 4,252262752 | 11,90165138 | ||
3,7 | 3,955203355 | 6,897387976 | ||
3,6 | 3,658143958 | 1,615109941 | ||
3,5 | 3,598732078 | 2,820916526 | ||
3,4 | 3,361084561 | 1,144571747 | ||
2,766965766 | 7,767807796 | |||
2,172846972 | 27,57176761 | |||
Среднее | 4,092307692 | 27,69230769 | 12,66070741 |
Вывод: средняя ошибка аппроксимации по данному уравнению регрессии составляет 12,66%, модель парной линейной регрессии можно признать удовлетворительной и пригодной для прогнозирования.
6) Используя коэффициент эластичности, выполним количественную оценку влияния объясняющего фактора на результат.
Для парной линейной регрессии эластичность можно найти по формуле . Имеем
.
Следовательно, при увеличении количества слушателей на 1% годовая цена уменьшится на 0,4%.
7) Выполним расчет прогноза y при увеличении фактора x на 25% от своего среднего значения.
Среднее значение (чел).
Прогнозное значение .
Точечный прогноз признака y вычисляем по построенному уравнению линейной регрессии: , .
Среднюю ошибку прогноза вычисляем по формуле ,
где – остаточная дисперсия, –дисперсия фактора x.
Численное значение суммы в протоколе обозначено как остаточное SS.
Тогда , .
Самый быстрый способ получения вспомогательных характеристик – среднего значения фактора x и - дисперсии, воспользоваться инструментом Описательная статистика в пакете Анализ данных.
Протокол вывода результатов имеет вид
Имеем .
Тогда .
Доверительный интервал прогноза: , где –критическое значение критерия Стьюдента (найдено ранее по функции СТЬЮДРАСПОБР, при уровне значимости ).
Следовательно,
;
,
т.е. можно быть уверенным на 95%, что цена годового курса при 35 слушателях будет варьироваться в указанных пределах (при точечном прогнозе цены в 3,65825 тыс. долл.).
8) Для построения диаграммы выполним следующие действия:
Шаг 1 Вставка/ Диаграмма/График
Шаг 2Далее/Диапазон/Выделить столбец исходных значений фактора y
Шаг 3Ряд/Добавить/Значения/Выделить столбец регрессионных значений фактора – .
Шаг 4Подписи оси X / Выделить столбец значений x.
Шаг 5Каждому из рядов присвоить имя, подписать оси координат и название диаграммы.
Задания для самостоятельной работы
Вариант 1
x– энерговооруженность на 10-ти предприятиях, кВт;
y– производительность труда, тыс. руб.
x | 2,8 | 2,2 | 3,5 | 3,2 | 3,7 | 4,8 | 5,4 | |||
y | 6,7 | 6,9 | 7,2 | 7,3 | 8,4 | 8,8 | 9,1 | 9,8 | 10,6 | 10,7 |
Вариант 2
x– энерговооруженность на 10-ти предприятиях, кВт;
y– производительность труда, тыс. руб.
x | 3,2 | 3,7 | 4,8 | 5,4 | 5,2 | 5,4 | ||||
y | 8,4 | 8,8 | 9,1 | 9,8 | 10,6 | 10,7 | 11,1 | 11,8 | 12,1 | 12,4 |
Вариант 3
x– качество земли, баллы;
y– урожайность, ц/га.
x | ||||||||||
y | 19,5 | 20,5 | 20,8 | 21,4 | 23,3 | 24,5 |
Вариант 4
x– качество земли, баллы;
y– урожайность, ц/га.
x | ||||||||||
y | 24,2 | 26,8 | 27,2 | 30,2 |
Вариант 5
x– товарооборот;
y–издержки обращения по отношению к товарообороту.
x | ||||||||
y | 7,5 | 6,3 | 5,8 | 5,4 |
Вариант 6
x– электровооруженность на одного рабочего;
y– выпуск готовой продукции на одного рабочего.
x | ||||||||||
y |
Вариант 7
x–уровень доходов семьи;
y– расходы на продукты питания ( в расчете на 100 руб. доходов).
x | 1,4 | 3,3 | 5,5 | 7,6 | 9,8 | 14,7 | 18,9 | |
y | 1,1 | 1,4 | 2,4 | 2,8 | 3,1 | 3,5 |
Вариант 8
x– качество земли, баллы;
y– урожайность, ц/га.
x | ||||||||
y | 23,3 | 24,5 | 24,2 |
Вариант 9
x– производительность труда;
y– рентабельность производства.
x | 0,1 | 0,2 | 0,3 | 0,4 | 0,5 | 0,6 | 0,7 | 0,8 |
y | 2,6 | 2,4 | 3,3 | 2,9 | 3,7 | 4,2 | 5,5 | 6,4 |
Вариант 10
x– производительность труда;
y– рентабельность производства.
x | 0,9 | 1,5 | 2,5 | 2,8 | 1,2 | 1,4 | ||
y | 3,1 | 5,1 | 5,9 | 6,1 | 7,2 | 8,1 | 3,8 | 5,3 |
Лабораторная работа №2
Проверка статистической значимости в целом уравнения нелинейной регрессии по F-критерию Фишера
,
где n – число наблюдений, m – число параметров при переменной x.
Средняя ошибка аппроксимации
.
Лабораторная работа №3
Множественная регрессия
Линейная множественная регрессия:
Степенная функция:
Экспонента:
Гипербола:
; .
Тогда .
в) Доверительный интервал для данного прогнозного значения y можно найти, зная предельную ошибку прогноза , где – соответствующее критическое значение критерия Стьюдента, а – ошибка прогнозного значения. В нашем случае .
Ошибку прогнозного значения функции регрессии получим по формуле
.
Шаг 1. Параметр S – стандартная ошибка регрессии приведен в последней регрессионной статистике .
Шаг 2. Матрица состоит из чисел: . То есть ,
.
Шаг 3. Матрица X состоит из чисел .
Составляем вспомогательную таблицу:
….. | ….. | …. | ….. | ….. | |
Сумма |
В данном случае, .
Шаг 4. Транспонируем матрицу X. Поскольку она симметрическая, то
.
Шаг 5. Найдем произведение матриц . В Exсel это можно сделать с помощью функции МУМНОЖ.
58537523,04 | |||
1,10572E+12 | |||
1,10572E+12 | 1,53641E+13 |
Шаг 6. Найдем обратную матрицу к матрице произведения . В Exсel это можно сделать с помощью функции МОБР.
0,281568563 | -0,007773123 | 9,81695E-06 | |
-0,007773123 | 0,000215175 | -3,13231E-07 | |
9,81695E-06 | -3,13231E-07 | 3,38079E-09 |
Шаг 7. Найдем произведение матриц (размерность матрицы произведения ).
0,083373216 | -0,002314683 | 3,84533E-06 |
Шаг 8. Найдем произведение матриц (размерность матрицы произведения , то есть только одно число).
.
Шаг 9. .
Шаг 10. .
Шаг 11. Таким образом, прогнозное значение результата будет с вероятностью 95% находиться в интервале .
Задания для самостоятельной работы
Вариант 1
x1 | ||||||||||||||
x2 | ||||||||||||||
x3 | ||||||||||||||
y |
Вариант 2
x1 | ||||||||||||||
x2 | ||||||||||||||
x3 | ||||||||||||||
y |
Вариант 3
x1 | ||||||||||||||
x2 | ||||||||||||||
x3 | ||||||||||||||
y |
Вариант 4
x1 | ||||||||||||||
x2 | ||||||||||||||
x3 | ||||||||||||||
y |
Вариант 5
x1 | ||||||||||||||
x2 | ||||||||||||||
x3 | ||||||||||||||
y |
Вариант 6
x1 | ||||||||||||||
x2 | ||||||||||||||
x3 | ||||||||||||||
y |
Вариант 7
x1 | ||||||||||||||
x2 | ||||||||||||||
x3 | ||||||||||||||
y |
Вариант 8
x1 | ||||||||||||||
x2 | ||||||||||||||
x3 | ||||||||||||||
y |
Вариант 9
x1 | ||||||||||||||
x2 | ||||||||||||||
x3 | ||||||||||||||
y |
Вариант 10
x1 | ||||||||||||||
x2 | ||||||||||||||
x3 | ||||||||||||||
y |
Лабораторная работа №4
Проверка адекватности модели регрессии
Лабораторная работа №5
Анализ построенной модели регрессии
.
Расчетное значение теста получается как отношение большей остаточной дисперсии к меньшей. . Критической значение теста получаем по функции FРАСПОБР, в которой число степеней свободы равно
, в данном случае оно равно 6,59. Поскольку расчетное значение больше критического, остатки признаются гетерокедастичными.
3) Применим тест Уайта, чтобы количественно оценить зависимость дисперсии остатков от значений фактора x.
В эконометрических исследованиях достаточно часто выдвигается гипотезы о том, что
· остатки пропорциональны значениям фактора x: ;
· дисперсия остатков прямопропорциональна самим значениям x, т.е. ;
· зависимость между дисперсией остатков и значениями фактора x квадратичная .
Параметры этих регрессии можно найти МНК. Составим расчетную таблицу.
x | y | Остатки | ||
9,165277 | 2,834723 | 8,035654487 | ||
12,39552 | 0,604484 | 0,365400906 | ||
15,62576 | 4,374245 | 19,13401932 | ||
22,08623 | -3,086233 | 9,52483413 | ||
25,31647 | 5,683528 | 32,30249053 | ||
31,77695 | -7,77695 | 60,4809513 | ||
35,00719 | 5,992811 | 35,91378368 | ||
38,23743 | -10,237428 | 104,8049321 | ||
47,92815 | 4,071855 | 16,58000314 | ||
64,07934 | -9,07934 | 82,43441484 | ||
96,38173 | 6,61827 | 43,80149779 |
Для регрессии пользуемся Сервис/Анализ данных/Регрессия/…Поставить флажок «Константа-нуль».
Получаем протокол
ВЫВОД ИТОГОВ | |||||
Регрессионная статистика | |||||
Множественный R | 0,304158793 | ||||
R-квадрат | 0,092512571 | ||||
Нормированный R-квадрат | -0,01859854 | ||||
Стандартная ошибка | 6,104515756 | ||||
Наблюдения | |||||
Дисперсионный анализ | |||||
df | SS | MS | F | Значимость F | |
Регрессия | 34,19047 | 34,19047084 | 0,917493 | 0,366182 | |
Остаток | 335,386 | 37,26511262 | |||
Итого | 369,5765 | ||||
Коэффициенты | Стандартная ошибка | t-статистика | P-Значение | ||
Y-пересечение | #Н/Д | #Н/Д | #Н/Д | ||
Переменная X | -0,172201879 | 0,179778 | -0,957858421 | 0,363156 |
Результат неудовлетворительный, коэффициент детерминации всего 0,09.
Аналогично строим регрессию , взяв в качестве входного интервала Y столбец . Получаем протокол
ВЫВОД ИТОГОВ | |||||
Регрессионная статистика | |||||
Множественный R | 0,864535947 | ||||
R-квадрат | 0,747422404 | ||||
Нормированный R-квадрат | 0,636311293 | ||||
Стандартная ошибка | 26,25750385 | ||||
Наблюдения | |||||
Дисперсионный анализ | |||||
df | SS | MS | F | Значимость F | |
Регрессия | 18362,0291 | 18362,0291 | 26,632614 | 0,000862939 | |
Остаток | 6205,108576 | 689,4565085 | |||
Итого | 24567,13768 | ||||
Коэффициенты | Стандартная ошибка | t-статистика | P-Значение | ||
Y-пересечение | #Н/Д | #Н/Д | #Н/Д | ||
Переменная X 1 | 3,990668767 | 0,773283573 | 5,160679613 | 0,0005945 |
В данном уравнении достаточная степень детерминации – 0,74, кроме того значимость по критерию Фишера не превосходит допустимые 5% ошибки в расчетах. Принимаем гипотезу о том, что дисперсия остатков прямопропорциональна самим значениям x.
Для проверки гипотезы о квадратичной зависимости решают методом определителей систему уравнений (см. ЛР Нелинейная регрессия):
Определяют индекс корреляции . О наличии или отсутствии гетерокедастичности судят по величине F-критерия Фишера для функции , . При выполнении условия имеет место гетерокедастичность остатков и количественно она выражена значением . По данному расчету предположение о квадратичной зависимости дисперсии остатков от значений x не проверяем (поскольку принята гипотеза ).
5) Улучшим модель, смягчив гетерокедастичность, пользуясь обобщенным методом наименьших квадратов. Если , тогда сами остатки пропорциональны .
Чтобы избавиться от этого, разделим уравнение линейной регрессии на . Получим преобразованное уравнение регрессии, в котором можно сделать замену переменной:
. Пусть , , . Тогда .
Построим вспомогательную таблицу
x | y | X | z | Y |
1,732051 | 0,577350269 | 6,92820323 | ||
0,5 | 6,5 | |||
2,236068 | 0,447213595 | 8,94427191 | ||
2,645751 | 0,377964473 | 7,181324987 | ||
2,828427 | 0,353553391 | 10,96015511 | ||
3,162278 | 0,316227766 | 7,589466384 | ||
3,316625 | 0,301511345 | 12,36196513 | ||
3,464102 | 0,288675135 | 8,082903769 | ||
3,872983 | 0,25819889 | 13,42634227 | ||
4,472136 | 0,223606798 | 12,29837388 | ||
5,477226 | 0,182574186 | 18,80514114 |
Протокол регрессионного анализа имеет вид:
ВЫВОД ИТОГОВ | ||||
Регрессионная статистика | ||||
Множественный R | 0,986894 | |||
R-квадрат | 0,9739597 | |||
Нормированный R-квадрат | 0,8599553 | |||
Стандартная ошибка | 1,9415488 | |||
Наблюдения | ||||
Дисперсионный анализ | ||||
df | SS | MS | F | |
Регрессия | 1268,921 | 634,4607182 | 168,3092927 | |
Остаток | 33,92651 | 3,769611932 | ||
Итого | 1302,848 | |||
Коэффициенты | Стандартная ошибка | t-статистика | P-Значение | |
Y-пересечение | #Н/Д | #Н/Д | #Н/Д | |
X | 3,02343 | 0,296117 | 10,21024561 | 3,00843E-06 |
z | 1,8246585 | 2,72558 | 0,669456856 | 0,520006975 |
Получаем уравнение регрессии . Или .
Показатели статистической значимости уравнения регрессии улучшены. Увеличился коэффициент детерминации с 94% до 97%. Существенно уменьшилась остаточная дисперсия с 413 ед. до 33 ед.
Задание для самостоятельной работы
По своим данным лабораторной работы №1 выполнить анализ гетерокедастичности остатков. А именно:
1. Проверить гипотезу о наличии гетерокедастичности в линейной регрессии с помощью теста ранговой корреляции Спирмена при доверительной вероятности 0,95.
2. Проверить гипотезу о гетерокедастичности с помощью теста Гольфельда-Квандта.
3. Оцените количественно гетерокедастичность остатков, если она присутствует.
4. При наличии гетерокедастичности, применить обобщенный МНК для ее сглаживания.
Лабораторная работа №6
Лабораторная работа №7
Моделирование временных рядов
Лабораторная работа №8
Уравнение регрессии по уровням временных рядов
Лабораторная работа №9
Моделирование временных рядов
Лабораторная работа №11
Модели систем одновременных уравнений
ПРИЛОЖЕНИЕ
Значения статистики Дарбина-Уотсона
Содержание
Предисловие 3
Лабораторная работа №1 Парная линейная регрессия 4
Лабораторная работа №2 Нелинейные модели парной регрессии 20
Лабораторная работа №3 Множественная регрессия 44
Лабораторная работа №4 Проверка адекватности модели регрессии по особенностям остаточных величин 55
Лабораторная работа №5 Анализ построенной регрессии на гетерокедастичность остатков 59
Лабораторная работа №6 Анализ динамики временных рядов 66
Лабораторная работа №7 Моделирование временных рядов с сезонными колебаниями 75
Лабораторная работа №8 Анализ взаимосвязи двух временных рядов 84
Лабораторная работа №9 Моделирование временных рядов с распределенным лагом 90
Лабораторная работа №10 Авторегрессионные модели временных рядов 100
Лабораторная работа №11 Модели систем одновременных уравнений и их составляющие 107
– Конец работы –
Используемые теги: основы, эконометрики, Практикум0.06
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Основы эконометрики: практикум
Если этот материал оказался полезным для Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Твитнуть |
Новости и инфо для студентов