Главная страница
Навигация по странице:

  • Расчетно - графическая работа № 2 Раздел «Элементы корреляционно – регрессионного анализа»

  • Математическое моделирование экономических процессов с помощью парных регрессионных моделей расчетно-графическая работа. Математическое моделирование экономических процессов с помощью п. Математическое моделирование экономических процессов с помощью парных регрессионных моделей


    Скачать 248.06 Kb.
    НазваниеМатематическое моделирование экономических процессов с помощью парных регрессионных моделей
    АнкорМатематическое моделирование экономических процессов с помощью парных регрессионных моделей расчетно-графическая работа
    Дата24.12.2022
    Размер248.06 Kb.
    Формат файлаdocx
    Имя файлаМатематическое моделирование экономических процессов с помощью п.docx
    ТипЗадача
    #861737

    Министерства науки и высшего образования Российской Федерации

    Федеральное государственное бюджетное образовательное учреждение высшего образования

    Уфимский государственный нефтяной технический университет

    Кафедра: «Информационные технологии и прикладная математика»
    Расчётно – графическая работа № 2

    по дисциплине «Математическое моделирование в задачах нефтегазовой отрасли»

    на тему: «Математическое моделирование экономических процессов с помощью парных регрессионных моделей»

    Вариант №25


    Выполнил: ст.гр. МГГ61-21-01 Д.Е.Хуснутдинов

    Проверил: доцент, канд. наук А.А. Гималтдинова

    Уфа 2021

    Расчетно - графическая работа № 2

    Раздел «Элементы корреляционно – регрессионного анализа»

    Математическое моделирование экономических процессов с помощью парных регрессионных моделей

    В-25

    x

    91

    86

    94

    95

    104

    92

    98

    84

    96

    99

    y

    155

    107

    150

    182

    217

    162

    197

    130

    162

    170

    x*

    100




























    Решение:

    1. Вычисление коэффициента корреляции проведем по формуле:



    а расчёт параметров и выборочного уравнения парной регрессии соответственно по формулам:



    Для расчётов удобно использовать следующую таблицу:

    Таблица 1 - Вспомогательная таблица для расчёта параметров уравнения парной регрессии



    xi

    yi

    xi^2

    yi^2

    xi*yi

    1

    91

    155

    8281

    24025

    14105

    2

    86

    107

    7396

    11449

    9202

    3

    94

    150

    8836

    22500

    14100

    4

    95

    182

    9025

    33124

    17290

    5

    104

    217

    10816

    47089

    22568

    6

    92

    162

    8464

    26244

    14904

    7

    98

    197

    9604

    38809

    19306

    8

    84

    130

    7056

    16900

    10920

    9

    96

    162

    9216

    26244

    15552

    10

    99

    170

    9801

    28900

    16830

    ∑(сумма)

    939

    1632

    88495

    275284

    154777

    Таблица 1- Вспомогательная таблица для расчёта параметров уравнения парной регрессии

    y'i

    yi-y'i

    (yi-y'i)^2

    149,439

    5,561

    30,923

    125,714

    -18,714

    350,196

    163,675

    -13,675

    186,992

    168,420

    13,580

    184,426

    211,126

    5,874

    34,507

    154,184

    7,816

    61,086

    182,655

    14,345

    205,779

    116,223

    13,777

    189,798

    173,165

    -11,165

    124,652

    187,400

    -17,400

    302,764

    4173,303

    0,000

    1671,124

    Используя результаты вычислений, представленные в таблице 1, найдём значение выборочного коэффициента корреляции:

    = = 0,902;

    Полученное значение коэффициента корреляции свидетельствует о том, что между переменными X и Y имеется высокая корреляционная связь

    2. Для оценки значимости коэффициента корреляции следует использовать статистику:

    t = · = 0,902· = 5,9;

    Используя таблицы распределения Стьюдента при заданном уровне надежности γ = 0,95 (γ = 1 - α) и числе степеней свободы, равном 8, определим критическое значение статистики:

    = 2,31;

    Поскольку │ │ то нулевую гипотезу о равенстве нулю коэффициента корреляции отвергаем с вероятностью ошибки меньше 5% и делаем вывод о значимости коэффициента корреляции.

    3. Для того чтобы составить выборочное уравнение прямой регрессии, необходимо вычислить коэффициенты и . Используя результаты расчётов, представленных в таблице 1, находим:

    = = 93,9 и = = 163,2;

    = = 4,7451; = 163,2 - 4,7451*93,9 = -282,367;

    Таким образом, получается следующее регрессионное уравнение:

    Y = 4,7451*X - 282,367;

    4. Прямая регрессии представлена на рисунке 1.



    Рисунок 1 - График линейной регрессионной модели

    5. Качество регрессионной модели может быть оценено с помощью коэффициента детерминации , определяется по формуле:



    = 1 - = 0,813;

    Коэффициент детерминации показывает, какую часть вариации (дисперсии) зависимой переменной Y воспроизводит (объясняет) построенное уравнение регрессии. В нашем случае построенное уравнение регрессии на 81,3% объясняет зависимость переменной Y от переменной X.

    6. Проверка значимости регрессионной зависимости производится методом однофакторного дисперсионного анализа, где в качестве фактора выступает построенное уравнение регрессии. Результаты дисперсионного анализа принято представлять в виде стандартной таблицы 2.

    Таблица 2 - Результаты дисперсионного анализа



    В нашем случае при расчёте сумм квадратов следует принять во внимание следующие равенства:



    Тогда таблица дисперсионного анализа примет вид таблицы 3.

    Таблица 3 - Результаты дисперсионного анализа

    Компоненты вариации

    Сумма квадратов

    Число степеней свободы

    Средние квадраты

    F - отношение

    Fкрит=F(0,05;1;8)

    Регрессия

    7270,476

    1

    7270,476

    34,805

    5,32

    Остаточная

    1671,124

    8

    208,8904

    Общая

    8941,6

    9

     

    Поскольку Fрасч превышает Fкрит, то делаем вывод о значимости уравнения регрессии.

    7. Исправленные выборочные оценки стандартных отклонений (ошибок) МНК- коэффициентов регрессии вычисляются по формулам:



    S( ) = = 0,804; S( = 0,804*94,072 = 75,663;

    Доверительные интервалы для коэффициентов регрессии и имеют соответственно вид:



    Доверительный интервал для : [2,89; 6,6];

    Доверительный интервал для : [-456,846; -107,888];

    Поскольку ни один из полученных интервалов не включает нулевое значение, делаем вывод о значимом отличии от нуля коэффициентов β1 и β0.

    8. Интервал для прогноза среднего значения зависимой переменной при значении объясняющей переменной по линейному уравнению регрессии имеет вид:



    где находят по таблицам критических точек распределения Стьюдента для заданных значений γ и числа степеней свободы ν = n - 2(в случае парной регрессии). Мы уже знаем, что при n=10 и γ=0,95(т.е α=0,05) =2,31.

    Вычисляем S( ) с учетом полученных ранее результатов:

    S( ) = · = 6,705;

    Из выборочного уравнения прямой регрессии имеем:

    = 4,745*X - 282,3 = 4,745*100 - 282,3 = 192,145;

    Получаем окончательный вид искомого доверительного интервала:

    [176,88;207,61]

    Для расчёта доверительного интервала возможных индивидуальных значений наблюдений при значении объясняющей переменной применяется формула:



    S( ) = · = 15,93;

    Окончательно получаем:

    [155,4; 288,89]


    написать администратору сайта