Реферат: Эконометрика 6

ВСЕРОССИЙСКИЙ ЗАОЧНЫЙ ФИНАНСОВО‑ЭКОНОМИЧЕСКИЙ
ИНСТИТУТ

Филиал в г. Брянске

КОНТРОЛЬНАЯ РАБОТА

по дисциплине

ЭКОНОМЕТРИКА

Брянск — 2009

ЗАДАЧА 1

По предприятиям легкой промышленности региона получена информация, характеризующая зависимость объема выпускаемой продукции (Y , млн. руб.) от объема капиталовложений (X , млн. руб.):

Требуется:

1. Найти параметры уравнения линейной регрессии, дать экономическую интерпретацию углового коэффициента регрессии.

2. Вычислить остатки; найти остаточную сумму квадратов; определить стандартную ошибку регрессии; построить график остатков.

3. Проверить выполнение предпосылок метода наименьших квадратов.

4. Осуществить проверку значимости параметров уравнения регрессии с помощью t -критерия Стьюдента (уровень значимости a=0,05).

5. Вычислить коэффициент детерминации R ² ; проверить значимость уравнения регрессии с помощью F -критерия Фишера (уровень значимости a=0,05); найти среднюю относительную ошибку аппроксимации. Сделать вывод о качестве модели.

6. Осуществить прогнозирование значения показателя Y при уровне значимости a=0,1, если прогнозное значения фактора Х составит 80 % от его максимального значения.

7. Представить графически: фактические и модельные значения Y , точки прогноза.

8. Составить уравнения нелинейной регрессии:

-логарифмической;

-степенной;

-показательной.

Привести графики построенных уравнений регрессии.

9. Для указанных моделей найти коэффициенты детерминации и средние относительные ошибки аппроксимации. Сравнить модели по этим характеристикам и сделать вывод.

РЕШЕНИЕ

Для решения задачи используется табличный процессор EXCEL.

1. С помощью надстройки «Анализ данных » EXCELпроводим регрессионный анализ и определяем параметры уравнения линейной регрессии (меню «Сервис» ® «Анализ данных… » ® «Регрессия »):

(Для копирования снимка окна в буфер обмена данных WINDOWS используется комбинация клавиш Alt+PrintScreen.)

В результате этого уравнение регрессии будет иметь вид:

(прил. 1 ).

Угловой коэффициент b ₁ =0,785 является по своей сути средним абсолютным приростом . Его значение показывает, что при увеличении объема капиталовложений X на 1 млн. руб. объем выпускаемой продукции Y возрастает в среднем на 0,785 млн. руб.

2. При проведении регрессионного анализа в EXCEL одновременно были определены остатки регрессии (i =1, 2, …, n , где n =10 — число наблюдений значений переменных X и Y ) (см. «Вывод остатка » в прил. 1 ) и рассчитана остаточная сумма квадратов

(см. «Дисперсионный анализ » в прил. 1 ).

Стандартная ошибка линейной парной регрессии S _рег определена там же:

млн. руб.

(см. «Регрессионную статистику » в прил. 1 ), где p =1 — число факторов в регрессионной модели.

График остатков e_i от предсказанных уравнением регрессии значений результата (i =1, 2, …, n ) строим с помощью диаграммы EXCEL. Предварительно в «Выводе остатка » прил. 1 выделяются блоки ячеек «Предсказанное Y » и «Остатки » вместе с заголовками, а затем выбирается пункт меню «Вставка» ® «Диаграмма… » ® «Точечная »:

График остатков приведен в прил. 2 .

3. Проверим выполнение предпосылок обычного метода наименьших квадратов.

1) Случайный характер остатков. Визуальный анализ графика остатков не выявляет в них какой-либо явной закономерности.

Проверим исходные данные на наличие аномальных наблюдений объема выпускаемой продукции Y (выбросов ). С этой целю сравним абсолютные величины стандартизированных остатков (см. «Вывод остатка » в прил. 1 ) с табличным значением t -критерия Стьюдента для уровня значимости a=0,05 и числа степеней свободы остатка регрессии , которое составляет t _таб =2,306.

Видно, что ни один из стандартизированных остатков не превышает по абсолютной величине табличное значение t -критерия Стьюдента. Это свидетельствует об отсутствии выбросов.

2) Нулевая средняя величина остатков. Данная предпосылка всегда выполняется для линейных моделей со свободным коэффициентом b ₀ , параметры которых оцениваются обычным методом наименьших квадратов. В нашей модели алгебраическая сумма остатков и, следовательно, их среднее, равны нулю: (см. прил. 1 ).

Для вычисления суммы и среднего значений остатков использовались встроенные функции EXCEL «СУММ » и «СРЗНАЧ ».

3) Одинаковая дисперсия (гомоскедастичность) остатков. Выполнение данной предпосылки проверим методом Глейзера в предположении линейной зависимости среднего квадратического отклонения возмущений от предсказанных уравнением регрессии значений результата (i =1, 2, …, n ). Для этого рассчитывается коэффициент корреляции между абсолютными величинами остатков и (i =1, 2, …, n ) с помощью выражения, составленного из встроенных функций:

=КОРРЕЛ(ABS(«Остатки »);«Предсказанное Y »)

Коэффициент корреляции оказался равным (см. прил. 1 ).

Критическое значение коэффициента корреляции для уровня значимости a=0,05 и числа степеней свободы составляетr _кр =0,632.

Так как коэффициент корреляции не превышает по абсолютной величине критическое значение, то статистическая гипотеза об одинаковой дисперсии остатков не отклоняется на уровне значимости a=0,05.

4) Отсутствие автокорреляции в остатках. Выполнение данной предпосылки проверяем методом Дарбина–Уотсона. Предварительно ряд остатков упорядочивается в зависимости от последовательно возрастающих значений результата Y , предсказанных уравнением регрессии. Для этой цели в «Выводе остатка » прил. 1 выделяется любая ячейка в столбце «Предсказанное Y », и на панели инструментов нажимается кнопка «» («Сортировка по возрастанию »). По упорядоченному ряду остатков рассчитываем d ‑статистику Дарбина–Уотсона

(см. прил. 1 ).

Для расчетаd ‑статистики использовалось выражение, составленное из встроенных функций EXCEL:

=СУММКВРАЗН(«Остатки 2, …, n »;«Остатки 1, …, n –1»)/СУММКВ(«Остатки 1, …,n »)

Критические значения d ‑статистики для числа наблюдений n =10, числа факторов p =1 и уровня значимости a=0,05 составляют: d ₁ =0,88; d ₂ =1,32.

Так как выполняется условие

,

статистическая гипотеза об отсутствии автокорреляции в остатках не отклоняется на уровне значимости a=0,05.

Проверим отсутствие автокорреляции в остатках также и по коэффициенту автокорреляции остатков первого порядка

(см. прил. 1 ).

(ряд остатков упорядочен в той же самой последовательности).

Для расчета коэффициента автокорреляции использовалось выражение, составленное из встроенных функций:

=СУММПРОИЗВ(«Остатки 2, …, n »;«Остатки 1, …, n –1»)/СУММКВ(«Остатки 1, …,n »)

Критическое значение коэффициента автокорреляции для числа наблюдений n =10 и уровня значимости a=0,05 составляет r _(1)кр =0,632. Так как коэффициент автокорреляции остатков первого порядка не превышает по абсолютной величине критическое значение, то это еще раз указывает на отсутствие автокорреляции в остатках.

5) Нормальный закон распределения остатков. Выполнение этой предпосылки проверяем с помощью R /S -критерия, определяемого по формуле

,

где e _max =6,32; e _min =(–5,19) — наибольший и наименьший остатки соответственно (определялись с помощью встроенных функций «МАКС » и «МИН »); — стандартное отклонение ряда остатков (определено с помощью встроенной функции «СТАНДОТКЛОН ») (см. прил. 1 ).

Критические границы R / S -критерия для числа наблюдений n =10 и уровня значимости a=0,05 имеют значения: (R /S )₁ =2,67 и (R /S )₂ =3,69.

Так как расчетное значение R /S -критерия попадает в интервал между критическими границами, то статистическая гипотеза о нормальном законе распределения остатков не отклоняется на уровне значимости a=0,05.

Проведенная проверка показала, что выполняются все пять предпосылок обычного метода наименьших квадратов. Это свидетельствует об адекватности регрессионной модели исследуемому экономическому явлению.

4. Проверим статистическую значимость коэффициентовb ₀ и b ₁ уравнения регрессии. Табличное значение t -критерия Стьюдента для уровня значимости a=0,05 и числа степеней свободы остатка линейной парной регрессии составляет t _таб =2,306.

t -статистики коэффициентов

,

были определены при проведении регрессионного анализа в EXCEL и имеют следующие значения: t_{b 0} »3,202; t_{b 1} »7,288 (см. прил. 1 ). Анализ этих значений показывает, что по абсолютной величине все они превышают табличное значение t -критерия Стьюдента. Это свидетельствует о статистической значимости обоих коэффициентов. На то же самое обстоятельство указывают и вероятности случайного формирования коэффициентов b ₀ и b ₁ , которые ниже допустимого уровня значимости a=0,05 (см. «P‑Значение» ).

Статистическая значимость углового коэффициента b ₁ дает основание говорить о существенном (значимом) влиянии изменения объема капиталовложений X на изменение объема выпускаемой продукции Y .

5. Коэффициент детерминацииR ² линейной модели также был определен при проведении регрессионного анализа в EXCEL:

(см. «Регрессионную статистику » в прил. 1 ).

ЗначениеR ² показывает, что линейная модель объясняет 86,9 % вариации объема выпускаемой продукции Y .

F -статистика линейной модели имеет значение

(см. «Дисперсионный анализ » в прил. 1 ).

Табличное значениеF -критерия Фишера для уровня значимости a=0,05 и чисел степеней свободы числителя (регрессии) и знаменателя (остатка) составляетF _таб =5,32. Так как F -статистика превышает табличное значениеF -критерия Фишера, то это свидетельствует о статистической значимости уравнения регрессии в целом. На этот же факт указывает и то, что вероятность случайного формирования уравнения регрессии в том виде, в каком оно получено, составляет 8,49×10^-5 (см. «Значимость F » в «Дисперсионном анализе » прил. 1 ), что ниже допустимого уровня значимости a=0,05.

Среднюю относительную ошибку аппроксимации определяем по приближенной формуле

,

где млн. руб. — средний объем выпускаемой продукции, определенный с помощью встроенной функции «СРЗНАЧ » (см. «Исходные данные » в прил. 1 ).

Значение Е _отн показывает, что предсказанные уравнением регрессии значения объема выпускаемой продукции Y отличаются от фактических значений в среднем на 7,1 %. Линейная модель имеет хорошую точность.

По результатам проверок, проведенных в пунктах 3 — 5, можно сделать вывод о достаточно хорошем качестве линейной модели и возможности ее использования для целей анализа и прогнозирования объема выпускаемой продукции.

6. Спрогнозируем объем выпускаемой продукции Y , если прогнозное значение объема капиталовложений X составит 80 % от своего максимального значения в исходных данных:

- максимальное значение X —x _max =59 млн. руб. (см. «Исходные данные » в прил. 1 );

- прогнозное значение X — млн. руб.

Среднее прогнозируемое значение объема выпускаемой продукции (точечный прогноз ) равно

млн. руб.

Стандартная ошибка прогноза фактического значенияобъема выпускаемой продукцииy ₀ рассчитывается по формуле

млн. руб.,

где млн. руб. — средний объем капиталовложений; млн. руб. — стандартное отклонение объема капиталовложений (определены с помощью встроенных функций «СРЗНАЧ » и «СТАНДОТКЛОН ») (см. «Исходные данные » в прил. 1 ).

Интервальный прогноз фактического значения объема выпускаемой продукцииy ₀ с надежностью (доверительной вероятностью) g=0,9 (уровень значимости a=0,1) имеет вид:

млн. руб.,

гдеt _таб =1,860 — табличное значение t -критерия Стьюдента при уровне значимости a=0,1 и числе степеней свободы .

Таким образом, объем выпускаемой продукции Y с вероятностью 90 % будет находиться в интервале от 43,2 до 58,8 млн. руб.

7. График, на котором изображены фактические и предсказанные уравнением регрессии значения Y строим с помощью диаграммы EXCEL (меню «Вставка» ® «Диаграмма… » ® «Точечная »). Далее строим линию линейного тренда (меню «Диаграмма» ® «Добавить линию тренда… » ® «Линейная »), и устанавливаем вывод на диаграмме уравнения регрессии и коэффициента детерминации R ² :

Точки точечного и интервального прогнозов наносим на график вручную (прил. 3 ).

8. Логарифмическую, степенную и показательную модели также строим с помощью диаграммы EXCEL (меню «Вставка» ® «Диаграмма… » ® «Точечная »). Далее последовательно строим соответствующие линии тренда (меню «Диаграмма» ® «Добавить линию тренда… »), и устанавливаем вывод на диаграмме уравнения регрессии и коэффициента детерминации R ² :

Графики линий регрессии, уравнения регрессии и значения R ² приведены в прил. 4 . Рассмотрим последовательно каждую модель.

1) Логарифмическая модель :

.

Значение параметра b ₁ =29,9 показывает, что при увеличении объема капиталовложений X на 1 % объем выпускаемой продукцииY возрастает в среднем на млн. руб.

Коэффициент детерминации R ² »0,898 показывает, что логарифмическая модель объясняет 89,8 % вариации объема выпускаемой продукции Y .

F -статистика Фишера логарифмической модели определяется через коэффициент детерминации R ² по формуле

.

Табличное значениеF -критерия Фишера одинаково как для линейной, так и для всех нелинейных моделей, которые здесь строятся (F _таб =5,32). Так как F -статистика превышает табличное значениеF -критерия, то это свидетельствует о статистической значимости уравнения логарифмической регрессии.

Стандартная ошибка логарифмической регрессии также рассчитывается через коэффициент детерминации R ² по формуле

млн. руб.,

где млн. руб. — стандартное отклонение объема выпускаемой продукции, определенное с помощью встроенной функции «СТАНДОТКЛОН » (см. «Исходные данные » в прил. 1 ).

Среднюю относительную ошибку аппроксимации определяем по приближенной формуле

.

Предсказанные уравнением логарифмической регрессии значения объема выпускаемой продукции Y отличаются от фактических значений в среднем на 6,2 %. Логарифмическая модель имеет хорошую точность.

2) Степенная модель:

.

Показатель степени b ₁ =0,721 является средним коэффициентом эластичности . Его значение показывает, что при увеличении объема капиталовложений X на 1 % объем выпускаемой продукцииY возрастает в среднем на 0,721 %.

Коэффициент детерминации R ² »0,873 показывает, что степенная модель объясняет 87,3 % вариации объема выпускаемой продукции Y .

F -статистика степенной модели

также превышает табличное значениеF -критерия Фишера (F _таб =5,32), что указывает на статистическую значимость уравнения степенной регрессии.

Стандартная ошибка степенной регрессии равна

млн. руб.

Средняя относительная ошибка аппроксимации имеет значение

.

Предсказанные уравнением степенной регрессии значения объема выпускаемой продукции Y отличаются от фактических значений в среднем на 7,0 %. Степенная модель имеет хорошую точность.

3) Показательная (экспоненциальная) модель:

,

где е=2,718… — основание натуральных логарифмов; — функция экспоненты (в EXCEL встроенная функция «EXP »).

Параметр b ₁ =1,019 является средним коэффициентом роста . Его значение показывает, что при увеличении объема капиталовложений X на 1 млн. руб. объем выпускаемой продукцииY возрастает в среднем в 1,019 раза, то есть на 1,9 %.

Коэффициент детерминации R ² »0,821 показывает, что показательная модель объясняет 82,1 % вариации объема выпускаемой продукции Y .

F -статистика показательной модели

превышает табличное значениеF -критерия Фишера (F _таб =5,32), что свидетельствует о статистической значимости уравнения показательной регрессии.

Стандартная ошибка показательной регрессии:

млн. руб.

Средняя относительная ошибка аппроксимации:

.

Предсказанные уравнением показательной регрессии значения объема выпускаемой продукции Y отличаются от фактических значений в среднем на 8,3 %. Показательная модель имеет хорошую точность.

Сравнивая между собой коэффициенты детерминации R ² четырех построенных моделей (линейной, логарифмической, степенной и показательной), можно придти к выводу, что лучшей моделью является логарифмическая модель, так как она имеет самое большое значение R ² .

ПРИЛОЖЕНИЕ: компьютерные распечатки на 4 листах.

ЗАДАЧА 2

Задача 2а и 2б

Для каждого варианта даны по две структурные формы модели, которые заданы в виде матриц коэффициентов модели. Необходимо записать системы одновременных уравнений и проверить обе системы на идентифицируемость.

РЕШЕНИЕ

Задача 2а

Используя матрицу коэффициентов модели в исходных данных, записываем систему одновременных уравнений регрессии в структурной форме:

Проверим каждое уравнение системы на выполнение необходимого и достаточного условия идентификации.

В первом уравнении три эндогенные переменные: y ₁ ,y ₂ иy ₃ (H =3). В нем отсутствуют экзогенные переменные x ₃ и x ₄ (D =2). Необходимое условие идентификации выполнено. Для проверки на достаточное условие составим матрицу из коэффициентов при переменных x ₃ и x ₄ , отсутствующих в данном уравнении, но имеющихся в системе:

Определитель данной матрицы не равен нулю:

,

а ее ранг равен 2. В заданной системе уравнений три эндогенные переменные —y ₁ , y ₂ и y ₃ . Так как ранг матрицы не меньше, чем количество эндогенных переменных в системе без одного, то достаточное условие идентификации для данного уравнения выполнено. Первое уравнение считается идентифицируемым.

Во втором уравнении две эндогенные переменные: y ₁ и y ₂ (H =2). В нем отсутствует одна экзогенная переменная x ₄ (D =1). Необходимое условие идентификации выполнено. Составим матрицу из коэффициентов при переменных y ₃ и x ₄ , которые отсутствуют во втором уравнении:

Определитель данной матрицы не равен нулю:

,

а ее ранг равен 2. Значит, достаточное условие идентификации выполнено, и второе уравнение считается идентифицируемым.

В третьем уравнении три эндогенные переменные: y ₁ , y ₂ и y ₃ (H =3). В нем отсутствует экзогенные переменные x ₁ и x ₂ (D =2). Необходимое условие идентификации выполнено. Составим матрицу из коэффициентов при переменных х ₁ и x ₂ , которые отсутствуют в третьем уравнении:

Определитель данной матрицы равен

,

а ее ранг — 2. Если , то это означает, что достаточное условие идентификации выполнено, и третье уравнение можно считать идентифицируемым.

Таким образом, все три уравнения заданной системы идентифицируемы, а значит, идентифицируема и вся система в целом.

Задача 2б

Используя матрицукоэффициентов модели в исходных данных, записываем систему одновременных уравнений регрессии в структурной форме:

Проверим каждое уравнение системы на выполнение необходимого и достаточного условия идентификации.

В первом уравнении три эндогенные переменные: y ₁ ,y ₂ иy ₃ (H =3). В нем отсутствуют экзогенные переменные x ₃ и x ₄ (D =2). Необходимое условие идентификации выполнено. Для проверки на достаточное условие составим матрицу из коэффициентов при переменных x ₃ и x ₄ , отсутствующих в данном уравнении, но имеющихся в системе:

Определитель матрицы не равен нулю:

,

а ее ранг матрицы равен 2. В заданной системе уравнений три эндогенные переменные —y ₁ , y ₂ и y ₃ . Так как ранг матрицы не меньше, чем количество эндогенных переменных в системе без одного, то достаточное условие идентификации для данного уравнения выполнено. Первое уравнение считается идентифицируемым.

Во втором уравнении две эндогенные переменные: y ₁ и y ₂ (H =2). В нем отсутствует экзогенные переменные x ₁ и x ₄ (D =2). Так как , то это означает, что данное уравнение сверхидентифицируемо.

В третьем уравнении три эндогенные переменные: y ₁ , y ₂ и y ₃ (H =3). В нем отсутствует одна экзогенная переменная x ₃ (D =1). Так как , то это означает, что данное уравнение неидентифицируемо.

Таким образом, первое уравнение заданной системы идентифицируемо, второе — сверхидентифицируемо, а третье — неидентифицируемо. Если хотя бы одно уравнение системы неидентифицируемо, то вся система считается неидентифицируемой. Данная система является неидентифицируемой и не имеет статистического решения.

Задача 2в

По данным таблицы для своего варианта, используя косвенный метод наименьших квадратов, построить структурную форму модели вида:

РЕШЕНИЕ

С помощью табличного процессора EXCELстроим два приведенных уравнения системы одновременных уравнений регрессии (меню «Сервис» ® «Анализ данных… » ® «Регрессия »):

Данные уравнения образуют приведенную форму системы одновременных уравнений регрессии:

Коэффициенты приведенной формы имеют следующие значения:d ₁₀ »19,90; d ₁₁ »2,821; d ₁₂ »0,394; d ₂₀ »19,14; d ₂₁ »1,679 и d ₂₂ »1,181 (см. прил. ).

Таким образом, приведенная форма системы уравнений имеет вид:

Определим коэффициенты структурной формы системы уравнений

Структурные коэффициенты определяются по формулам:

;

;

;

;

;

.

Окончательно структурная форма системы одновременных уравнений регрессии примет вид:

ПРИЛОЖЕНИЕ: компьютерная распечатка на 1 листе.