Пример работы по эконометрике. пример работы по эконометрике. Методические указания по выполнению контрольной работы РостовнаДону Авторы Ниворожкина Л. И., Житников И. В., Федосова О. Н
![]()
|
2. Определите фактическое значение соответствующего критерия. 3. Сравните полученное фактическое значение с табличным. 4. Если фактическое значение используемого критерия превышает табличное, нулевая гипотеза отклоняется, и с вероятностью (1- ![]() Статистическая значимость коэффициента регрессии ![]() ![]() где Sb –это стандартная ошибка коэффициента регрессии: ![]() ![]() ![]() Так как нулевая гипотеза предполагает, что ![]() ![]() Для определения табличного значения воспользуйтесь таблицами распределения Стьюдента для заданного уровня значимости α, принимая во внимание, что число степеней свободы для распределения Стьюдента равно (k = n - 2). Для нашего примера ![]() ![]() ![]() Оценка статистической значимости построенной модели регрессии в целом производится с помощью F- критерия Фишера. Фактическое значение F-критерия, который представляет собой отношение объясненной суммы квадратов SSR (в расчете на одну независимую переменную) к остаточной сумме квадратов SSE (в расчете на одну степень свободы), определяется как: ![]() где SSR = ![]() ![]() k - число независимых переменных. F - критерий можно также выразить через коэффициент детерминации: ![]() Для определения табличного значения необходимо воспользоваться таблицами распределения Фишера-Снедекора для заданного уровня значимости α, принимая во внимание, что в случае парной регрессии число степеней свободы большей дисперсии (к1) равно 1, а число степеней свободы меньшей дисперсии (к2) равно n - 2. Для нашего примера ![]() ![]() ![]() Пункт 5. Для выполнения пункта 5 необходимо изучить вопрос об интервальном оценивании в регрессионном анализе, уяснить смысл понятий “точечный прогноз” и “интервальный прогноз”. Для нахождения точечного прогноза ![]() ![]() Так, например, если необходимо оценить расходы путешественника, собирающегося преодолеть 4500 миль(x*), следует использовать уравнение регрессии, записанное в пункте 2: ![]() Для нахождения интервального прогноза строятся следующие доверительные интервалы: Доверительный интервал для значений ![]() ![]() где ![]() ![]() ![]() n – объем выборки; ![]() ![]() Полученный интервал будет характеризовать значения результативного признака при заданном значении факторного признака ![]() Так, для нашего примера этот доверительный интервал будет выглядеть как P(5247,8367 ![]() Если же необходимо сделать вывод об интервале средних значений результативного признака Y для всех наблюдаемых единиц (для генеральной совокупности) при заданном значении факторного признака ![]() ![]() ![]() В соответствии с условиями рассматриваемого примера доверительный интервал, характеризующий средние расходывсех путешественников, преодолевших 4500 миль будет выглядеть как P(5730,918 ![]() Задача 2 составлена по теме “Множественная регрессия и корреляция” и предполагает построение и анализ двухфакторного уравнения множественной линейной регрессии вида: ![]() Рассмотрим методику решения задачи такого типа на примере: Компания, производящая моющие средства, предприняла рекламную акцию в магазинах с демонстрацией антисептических свойств нового моющего средства. В этот же период компания использовала обычную теле- и радиорекламу. Через 10 недель компания решила проанализировать сравнительную эффективность различных видов рекламных расходов. Аналитик компании, исходя из гипотезы о линейной регрессионной взаимосвязи, оценил параметры модели следующего вида: ![]() где ![]() ![]() ![]() Расходы приведены в условных денежных единицах. Таблица 1. Исходные данные
Пункт 1 посвящен анализу показателей тесноты связи в уравнении множественной регрессии. Прежде чем приступить к анализу показателей тесноты связи необходимо рассмотреть дискриптивные (описательные статистики), которые подробно изучались в курсах математической статистики с элементами теории вероятностей и теории статистики. Таблица 2. Дискриптивные (описательные) статистики
Сравнивая значения средних величин и стандартных отклонений, находим коэффициент вариации, значения которого свидетельствуют о том, что уровень варьирования признаков находится в допустимых пределах (< 0,35). Значения коэффициентов асимметрии и эксцесса указывают на отсутствие значимой скошенности и остро-(плоско-) вершинности фактического распределения признаков по сравнению с их нормальным распределением.1 По результатам анализа дискриптивных статистик можно сделать вывод, что совокупность признаков – однородна, то есть для её изучения можно использовать метод наименьших квадратов (МНК) и вероятностные методы оценки статистических гипотез. Парный коэффициент корреляции - это линейный коэффициент корреляции, характеризующий степень тесноты и направление линейной связи между результативным и факторным признаками. Методика его расчета и интерпретация была изложена в пункте 3 задачи 1. При выполнении задания необходимо выписать матрицу парных коэффициентов корреляции. Значения линейных коэффициентов парной корреляции представлены в матрице парных коэффициентов (таблица 3). Они определяют тесноту парных зависимостей между анализируемыми переменными. Таблица 3.Парные коэффициенты линейной корреляции Пирсона:
Коэффициент корреляции ryx1=0,9393 свидетельствует об очень тесной прямой связи между объемом продаж моющего средства и расходами на радио и теле рекламу: увеличение расходов на рекламу увеличивает объем продаж. Коэффициент корреляции ryx2=0,4167 свидетельствует о прямой слабой связи между объемом продаж и расходами на демонстрацию товара в магазинах. Коэффициент корреляции rx1x2=0,4174 свидетельствует о слабой прямой связи между факторами. Таким образом, можно сделать предварительное заключение о том, что расходы на демонстрацию моющего средства в магазинах, существенно не влияют на рост объема продаж нового моющего средства. Частные коэффициенты корреляции характеризуют тесноту связи между результативным и факторным признаками при фиксированном воздействии других факторов, включенных в уравнение регрессии. Их можно определить, используя парные коэффициенты корреляции по следующим формулам: ![]() где ![]() ![]() ![]() ![]() ![]() Интерпретируйте полученные значения частных коэффициентов корреляции и поясните причины различий между значениями частных и парных коэффициентов корреляции. Приведенные в таблице 4 линейные коэффициенты частной корреляции оценивают тесноту связи значений двух переменных, исключая влияние всех других переменных, представленных в уравнении множественной регрессии. Таблица 4. Частные коэффициенты корреляции
Коэффициенты частной корреляции дают более точную характеристику тесноты зависимости двух признаков, чем коэффициенты парной корреляции, так как «очищают» парную зависимость от взаимодействия данной пары переменных с другими переменными, представленными в модели. Наиболее тесно связаны ![]() ![]() ![]() ![]() ![]() Пункт 2. Расчет параметров линейного уравнения множественной регрессии осуществляется обычным МНК путем решения системы нормальных уравнений. Для уравнения с двумя объясняющими переменными система примет вид: ![]() Поясним экономический смысл коэффициентов регрессии ![]() ![]() Результаты построения уравнения множественной регрессии представлены в таблице 5. Таблица 5. Результаты построения модели множественной регрессии: Таблица 5.
Уравнение множественной принимает следующий вид: y = 44,61 + 2,35x1 + 0,16x2 Значения стандартных ошибок параметров представлены в графе 3 таблицы 5: ![]() ![]() ![]() ![]() В нашем примере коэффициент регрессии ![]() ![]() Интерпретация коэффициентов регрессии в построенной модели: Коэффициент регрессии ![]() Коэффициент регрессии ![]() Константа уравнения a = 44,61 отражает агрегированное влияние прочих факторов, не включенных в данную модель. Пункт 3 связан с расчетом и анализом относительных показателей силы связи в уравнении множественной регрессии - частных коэффициентов эластичности. Частные коэффициенты эластичности рассчитывают для средних значений факторного и результативного признака: ![]() ![]() где ![]() ![]() ![]() m - число факторных признаков в уравнении множественной регрессии. Зачастую интерпретация результатов регрессии более наглядна, если произведен расчет частных коэффициентов эластичности. Частные коэффициенты эластичности ![]() ![]() ![]() ![]() ![]() По значениям частных коэффициентов эластичности можно сделать вывод о более сильном влиянии на результат (объем продаж моющего средства) рекламной компании по радио и телевидению, нежели демонстрации товара в магазинах. Пункт 4 предполагает оценку совокупного влияния факторных признаков на результативный признак. Необходимо оценить долю вариации результативного признака (y), объясненную совокупным влиянием факторных признаков, рассчитав совокупный множественный коэффициент детерминации ![]() ![]() где SSR= ![]() SST = ![]() ![]() В нашем примере ![]()
Скорректированный множественный коэффициент детерминации ![]() (где n – число наблюдений, m – число объясняющих переменных) определяет тесноту связи с учетом степеней свободы общей и остаточной дисперсий. Он дает такую оценку тесноты связи, которая не зависит от числа факторов в модели и поэтому может сравниваться по разным моделям с разным числом факторов. Оба коэффициента указывают на весьма высокую детерминированность результата y в модели факторами x1 и x2. Оценим степень тесноты связи между результативным признаком и всеми факторными, включенными в уравнение регрессии, определив совокупный множественный коэффициент корреляции: ![]() Пункт 5 предполагает ознакомление с методикой дисперсионного анализа по модели множественной регрессии. Проверьте статистическую значимость всей модели регрессии в целом с помощью F-критерия Фишера. Для этого воспользуйтесь алгоритмом проверки гипотез, изложенном в указаниях к пункту 4 задачи 1, учитывая, что фактическое значение F – критерия для уравнения множественной регрессии определяется по формуле: ![]() где k - общее число параметров в уравнении множественной регрессии (в случае двухфакторной линейной регрессии k = 3). Для проведения дисперсионного анализа и расчета фактического значения F - критерия рекомендуется также заполнить таблицу результатов дисперсионного анализа:
Для нашего примера: Таблица 6. Дисперсионный анализ модели множественной регрессии
Оценку надежности уравнения регрессии в целом, его параметров и показателя тесноты связи ![]() ![]() Вероятность случайного значения F - критерия = 24,402 составляет 0,0000000000005, что значительно меньше 0,05. Следовательно, полученное значение неслучайно, оно сформировалось под влиянием существенных факторов. То есть подтверждается статистическая значимость всего уравнения, его параметров и показателя тесноты связи – коэффициента множественной корреляции. (Fкрит. = 4,74, т.е. Fфакт.>Fкрит.). Общий вывод по построенной регрессионной модели состоит в том, что на увеличение объёма продаж нового моющего средства значимо повлияла реклама на радио и телевидении: при увеличении расходов на рекламу – возрастал объем продаж. Затраты же на демонстрацию моющего средства в магазинах не оказали существенного влияния на рост объёма продаж. Прогноз по модели множественной регрессии осуществляется по тому же принципу, что и для парной регрессии. Для получения прогнозных значений мы подставляем значения хi в уравнение для получения значения ![]() ![]() Качество прогноза – неплохое, поскольку в исходных данных таким значениям независимых переменных соответствует значение ![]() Мы так же можем вычислить интервал прогноза как ![]() ![]() ![]() где MSE – остаточная дисперсия, а ![]() Задачи 3, 4 и 5 посвящены теме «Временные ряды в эконометрических исследованиях», и, прежде всего проблеме автокорреляции уровней временного ряда и ее последствиям, а также наличию во временном ряде тенденции. Задача 3. Рассмотрим методику решения задачи на практическом примере: Имеются следующие данные о расходах семьи на товар "А" в 1994-1999 гг.:
Приступая к выполнению пункта 1, изучите вопрос об измерении автокорреляции уровней временного ряда. Коэффициент автокорреляции первого порядка есть линейный коэффициент корреляции между уровнями исходного временного ряда и уровнями того же ряда сдвинутыми на один момент времени. Его расчет производится по стандартным формулам для расчета линейного коэффициента корреляции: |