Показатели эконометрики

Башкирский Государственный Аграрный Университет

Факультет: экономический

Кафедра: статистики и информационных систем в экономике

Специальность: бухгалтерский учет, анализ и аудит

Форма обучения: заочная

Курс, группа: III, 4

Контрольная работа

Эконометрика

Уфа 2009

Введение

Эконометрика – наука, которая дает количественное выражение взаимосвязей экономических явлений и процессов..

Этапами эконометрических исследований являются:

- постановка проблемы;

- получение данных, анализ их качества;

- спецификация модели;

- оценка параметров;

- интерпретация результатов.

Эконометрическое исследование включает решение следующих проблем:

- качественный анализ связей экономических переменных – выделение зависимых и независимых переменных;

- подбор данных;

- спецификация формы связи между у и х;

- оценка параметров модели;

- проверка ряда гипотез о свойствах распределения вероятностей для случайной компоненты;

- анализ мультиколлинеарности объясняющих переменных, оценка ее статистической значимости, выявление переменных, ответственных за мультиколлинеарность;

- введение фиктивных переменных;

- выявление автокорреляции, лагов;

- выявление тренда, циклической и случайной компонент;

- проверка остатков на гетероскедатичность;

- и др.

Целью данной контрольной работы является приобретение умения построения эконометрических моделей, принятие решений о спецификации и идентификации моделей, выбор метода оценки параметров модели, интерпретация результатов, получение прогнозных оценок.

Задачей данной работы является решение поставленных вопросов с помощью эконометрических методов. Данная работа позволит приобрести навыки использования различных эконометрических методов.

Задача 1

По данным, представленным в таблице выполнить следующие расчеты:

1.  рассчитать параметры парной линейной регрессии.

2.  оценить тесноту связи с помощью показателей корреляции и детерминации

3.  оценить с помощью средней ошибки аппроксимации качество уравнений.

4.  оценить статистическую зависимость уравнения регрессии и его параметров с помощью критериев Фишера и Стьюдентов

5.  рассчитать прогнозное значение результата, если прогнозное значение фактора увеличится на 20% от его среднего уровня значимости α = 0,05

Решение.

Рассчитаем параметры парной линейной регрессии. Для этого выберем модель уравнения, построим уравнение тренда.

Для рассмотрения зависимости урожайности от дозы внесенных удобрений используем уравнение прямой:

 

y = a + bx

где х – независимый признак, доза внесенных удобрений

у – урожайность,

a, b – параметры уравнения регрессии.

Для расчетов параметров уравнения составим систему уравнений

 

na + b∑х = ∑у

a∑х + b∑х² = ∑ух

где n – число наблюдений, n=25

25а +86,5 b = 256,9

86,5a + 844,941b = 995,969

Параметры а и b можно определить по формулам

 и a = y - bx

b = (39,839 – 3,46∙10,276)/ (33,798-3,46²) = 0,1960

а = 10,276 – 0,196∙3,46 = 9,598

ỹ = 9,598 + 0,196х

Коэффициент регрессии b= 0,196 ц/га показывает, насколько в среднем повысится урожайность при увеличении дозы внесения удобрений на 1 кг.

Средняя ошибка аппроксимации

= 1/25 ∙494,486 = 19,780%

Ошибка аппроксимации 19,78 % > 12% – модель ненадежна и статистически незначима.

Оценим тесноту связи с помощью показателей корреляции и детерминации.

Тесноту связи показывает коэффициент корреляции:

δ_x- показывает, что в среднем фактор Х меняется в пределах

, 3,46 ± 4,672

δ_у - показывает, что в среднем фактор Y меняется в пределах

, 10,276 ± 2,289

r_xy = 0,401, 0,3≤0,401≤0,5 – связь слабая

Коэффициент детерминации R = r_xy² ∙100% = 0,401²∙100% = 16,08.

y зависит от выбранного x на 16,08%, на оставшиеся 100-16,08% y зависит от других факторов.

Оценим статистическую значимость уравнения регрессии и его параметров с помощью критериев Фишера и Стьюдента.

При α = 0,05, κ₁ = n-1, κ₂ = n-2 =25-2 =23

F_табл. = 2,00, F_Фиш. = 4,414 > F_табл. = 2,00 – модель значима и надежна

Рассчитаем прогнозное значение результата с вероятностью 0,95% при повышении дозы внесения удобрений от своего среднего уровня и определим доверительный интервал прогноза.

Найдем точечный прогноз для х_{прогноз} = 1,2∙х , х_р = 1,2 ∙3,46 = 4,152

 

ỹ = a+bx, ỹ_р = 9,598 + 0,196∙ х_р = 9,598 + 0,196∙4,152 = 10,412

Найдем среднюю ошибку прогнозного значения

F_табл. Стьюдента для α = 0,05, df = n-2 = 25-2 = 23

t_табл.=2,0687,

∆_ур = t_табл∙станд.ошибка = 2,0687∙2,188 = 4,526

Доверительный интервал прогноза по урожайности

γ_ур = y_p± ∆_ур = 10,412 ± 4,526, от 5,886 до 14,938

Таблица 1. Исходные данные для задачи 1

№	Внесено мин.удобрений, ц	Урожайность, ц/га	Х2	у∙х	У2	Урожайность расчетная,Ỹ	(Y-Ỹ)	(Y-Ỹ)/100	(Y-Ỹ)2	(Х-¯Х)2
1	13,9	9,4	193,21	130,66	88,36	12,322	-2,922	31,085	8,538	108,994
2	8,8	15	77,44	132	225	11,323	3,677	100,245	13,52	28,516
3	4	8,2	16	32,8	67,24	10,382	-2,182	26,610	4,761	0,292
4	0,01	8,2	0,0001	0,082	67,24	9,6	-1,4	17,073	1,96	11,903
5	4,2	13,7	17,64	57,54	187,69	10,421	3,279	23,934	10,752	0,548
6	0,7	9,2	0,49	6,44	84,64	9,735	-0,535	5,815	0,286	7,618
7	6,7	12,4	44,89	83,08	153,76	10,911	1,489	12,008	2,217	10,498
8	15,9	14	252,81	222,6	196	12,714	1,286	9,186	1,654	154,754
9	1,9	8,6	3,61	16,34	73,96	9,97	-1,37	15,930	1,877	2,434
10	1,9	14,7	3,61	27,93	216,09	9,97	4,73	32,177	22,373	2,434
11	0,01	6,3	0,0001	0,063	39,69	9,6	-3,3	52,381	10,89	11,903
12	0,01	8,5	0,0001	0,085	72,25	9,6	-1,1	12,941	1,21	11,903
13	0,01	8,8	0,0001	0,088	77,44	9,6	-0,8	9,091	0,64	11,903
14	1,2	10,9	1,44	13,08	118,81	9,833	1,067	9,789	1,138	5,108
15	0,01	9,2	0,0001	0,092	84,64	9,6	-0,4	4,348	0,16	11,903
16	0,01	13,4	0,0001	0,134	179,56	9,6	3,8	28,358	14,44	11,903
17	3,7	10,8	13,69	39,69	116,64	10,323	0,477	4,417	0,288	0,058
18	0,01	7,9	0,0001	0,079	62,41	9,6	-1,7	21,519	2,89	11,903
19	0,01	9,1	0,0001	0,091	82,81	9,6	-0,5	5,495	0,25	11,903
20	1,6	9,2	2,56	14,72	84,64	9,912	-0,712	7,739	0,507	3,460
21	2,5	10,3	6,25	25,75	106,09	10,088	0,212	2,058	0,045	0,922
22	0,01	11,1	0,0001	0,111	123,21	9,6	1,5	13,514	2,25	11,903
23	6,3	9,5	39,69	59,85	90,25	10,833	-1,333	14,032	1,777	8,066
24	0,01	8,4	0,0001	0,084	70,56	9,6	-1,2	14,286	1,44	11,903
25	13,1	10,1	171,61	132,31	102,01	12,166	-2,066	20,455	4,268	92,930
Итого	86,5	256,9	844,941	995,969	2770,99	256,903	0,003	494,486	110,071	545,662
Среднее значение	3,46	10,276	33,798	39,839	110,84					21,826

Задача 2

По данным представленным в таблице 3 изучается зависимость бонитировочного балла (У) от трех факторов.

С помощью ППП MS Excel:

1. Построить матрицу парных коэффициентов корреляции. Установить, какие факторы мультиколлинеарны.

2. Построить уравнение множественной регрессии в линейной форме с полным набором факторов.

3. Оценить статистическую значимость уравнения регрессии и его параметров с помощью критериев Фишера и Стьюдента.

4. Отобрать информативные факторы. Построить уравнение регрессии со статитически значимыми факторами.

5. Оценить полученные результаты, выводы оформить в аналитической записке.

В ППП MS Excel построим матрицу парных коэффициентов корреляции (сделать вставку из ексель зад.2).

По данным матрицы, определим мультиколлинеарность факторов, когда более чем два фактора связаны между собой линейной зависимостью. Из полученной матрицы видно, что зависимости между тремя данными факторами нет. Так r_x2x1= -0,0732, r_x3x1= 0,0427, r_x3x2= -0,0886. Из всех трех факторов наиболее тесно связан с результатом фактор Х₁ – доза внесения удобрения на посевную площадь, r_yx1= 0,4004, затем фактор Х₂ – коэффициент износа основных средств, , r_yx2= 0,3858 и очень слабая зависимость от 3-го фактора Х₃ , r_yx3= 0,0264.

Построим уравнение множественной регрессии с полным набором факторов. Так как факторы не коррелируют между собой, то для включающего три объекта переменных уравнение множественной регрессии выглядит следующим образом:

y = a + b₁∙x₁ + b₂∙x₂ + b₃∙x₃+ ξ

С помощью ППП MS Excel найдем значения а и b:

b = 13,9661, а₁ = 0,1837, а₂= - 0,0917, а₃ = 0,0022

Итак, уравнение множественной регрессии с полным набором факторов будет следующим:

y = 13,9661 + 0,1837х₁ - 0,0917x₂ + 0,0022x₃

Оценим статистическую значимость уравнения регрессии и его параметров с помощью критериев Фишера и Стьюдента. Значимость уравнения множественной регрессии оценивается с помощью F-критерия Фишера:

где R² – коэффициент множественной регрессии,

m – число параметров при переменных х,

n – число наблюдений.

R= 0,5369

F_таб= при 5%-ном уровне значимости для числа степеней свободы 1 и 21 равно 4,32.

F_факт < F_таб – модель незначима и ненадежна.

Для того чтобы модель была надежна уберем из нее фактор х₃, так как он меньше всего коррелирует с у. Получим уравнение:

y = 14,1136 + 0,1837х₁ - 0,0917x₂

Значимость уравнения множественной регрессии по F-критерию составляет F_факт = 4,45. Так как F_факт = 4,45 > F_таб = 4,35, то модель значима и надежна.

Итак, составив уравнение множественной регрессии и включив в него три фактора, определила, что с помощью F-критерия Фишера полученная модель незначима и ненадежна. Затем исключила из модели наиболее незначимый признак X₃, так как он имеет наименьший коэффициент корреляции с результативным показателем. По полученному уравнению регрессии видно, что средняя урожайность составляет 14,1136 ц/га увеличится на 0,1837 ц/га при повышении дозы внесения удобрения на 1 ц, и уменьшится на 0,0917 ц/га при повышении коэффициента износа основных средств на 1 единицу.

Задача 3

По учебнику задача №37

1.Найти коэффициенты автокорреляции разного порядка и выберите величину лага.

2.Построить авторегрессионную функцию.