Корреляционно-регрессионный анализ.
Анализ сезонности потребления электроэнергии
Исследовать сезонность потребления электроэнергии. Построить модель сезонных колебаний, рассчитать прогнозное значение на 4 шага вперёд. Построить график сезонной волны. Вычисленное значение критерия R/S попадает в заданный интервал, следовательно, можно сделать вывод об адекватности модели наблюдаемому процессу по данному критерию. Таким образом, ряд остатков некоррелирован. Свойство взаимной… Читать ещё >
Корреляционно-регрессионный анализ. Анализ сезонности потребления электроэнергии (реферат, курсовая, диплом, контрольная)
Задание 1
Задание 2
Задание 1
1.Постройте поле корреляции.
2.Рассчитайте параметры линейного, степенного, экспоненциального (показательного), параболического, гиперболического трендов с помощью пакета Excel.
3.Оцените тесноту связи с помощью показателей корреляции и детерминации.
4.Оцените адекватность линейной модели, проверив:
v Случайность колебаний уровней по критерию пиков;
v Соответствие распределения случайной компоненты нормальному закону с помощью RS-критерия;
v Равенство нулю среднего значения случайной компоненты на основе l-критерия Стьюдента;
v Независимость значений уровней случайной компоненты по критерию Дарбина-Уотсона.
С помощью средней ошибки аппроксимации оцените точность уравнения.
5. Оцените с помощью F-критерия Фишера статистическую надёжность нелинейных моделей. Для этого рассчитайте индексы корреляции для каждой модели;
v Вычислите относительную ошибку аппроксимации;
v Проверьте ряд остатков на гомоскедастичность графическим методом.
6.Выберите лучшее уравнение тренда и дайте его обоснование. По выбранному уравнению регрессии рассчитайте прогнозное значение результата, если прогнозное значение фактора увеличится на 10% от его среднего уровня. Определите доверительный интервал прогноза для уровня значимости a=0,05.
7. оцените полученные результаты, выводы оформите.
Район | Средний размер назначенных ежемесячных пенсий, тыс.руб. у | Прожиточный минимум в среднем на одного пенсионера в месяц, тыс.руб. х | |
Брянской обл. | |||
Владимир.обл. | |||
Ивановск.обл. | |||
Калужск.обл. | |||
Костромск.обл. | |||
г.Москва | |||
Московск.олб. | |||
Орловск.обл. | |||
Рязанск.обл. | |||
Смоленск.обл. | |||
Тверская обл. | |||
Тульская обл. | |||
Ярославк.обл. | |||
Решение:
1.Построим поле корреляции:
2. С помощью офисного пакета Microsoft Excel построим различные виды трендов:
Оценим тесноту связи с помощью показателей корреляции и детерминации.
№ | х | y | Y-Yср | X-Xср | (Х-Хср)(Y-Yср) | (Y-Yср)^2 | (X-Xср)^2 | |
11,62 | 20,92 | 243,03 | 134,92 | 437,78 | ||||
— 2,38 | — 5,08 | 12,11 | 5,69 | 25,78 | ||||
— 7,38 | — 10,08 | 74,41 | 54,53 | 101,54 | ||||
— 2,38 | — 6,08 | 14,49 | 5,69 | 36,93 | ||||
— 8,38 | — 18,08 | 151,57 | 70,30 | 326,78 | ||||
21,62 | 94,92 | 2051,80 | 467,22 | 9010,39 | ||||
8,62 | 7,92 | 68,26 | 74,22 | 62,78 | ||||
3,62 | — 11,08 | — 40,05 | 13,07 | 122,70 | ||||
— 13,38 | — 8,08 | 108,11 | 179,15 | 65,24 | ||||
— 8,38 | — 27,08 | 227,03 | 70,30 | 733,16 | ||||
— 6,38 | — 26,08 | 166,49 | 40,76 | 680,01 | ||||
2,62 | — 21,08 | — 55,12 | 6,84 | 444,24 | ||||
0,62 | 8,92 | 5,49 | 0,38 | 79,62 | ||||
сумма | Х | Х | 3027,62 | 1123,08 | 12 126,92 | |||
среднее | 207,0769 | 228,3846 | Х | Х | Х | Х | Х | |
Показатель корреляции:
Связь между результатом и фактором прямая и достаточно сильная.
Для определения качества построения модели вычислим коэффициент детерминации:
.
Следовательно, в данной модели учтено 67,24% фактора, оказывающего влияние на результат, а оставшиеся 32,76% составляют факторы, влияющие на результат, но в данную модель не включенные.
Оценим адекватность линейной модели y=1,0847*x
А) Проверим гипотезу о случайности значений остаточной компоненты методом поворотных точек (методом пиков).
Критическое число поворотных точек рассчитывается по формуле:
Количество поворотных точек данной модели равно 4.
t | Yt | ||||
247,312 | — 7,3116 | 53,4595 | |||
219,109 | 6,8906 | 47,4804 | |||
213,686 | 7,3141 | 53,4961 | |||
218,025 | 7,9753 | 63,6054 | |||
205,008 | 14,9917 | 224,751 | |||
327,579 | — 77,5794 | 6018,56 | |||
233,211 | 3,7895 | 14,3603 | |||
212,601 | 19,3988 | 376,313 | |||
215,855 | — 0,8553 | 0,73 154 | |||
195,246 | 24,754 | 612,761 | |||
196,331 | 25,6693 | 658,913 | |||
201,754 | 29,2458 | 855,317 | |||
234,295 | — 5,2952 | 28,0391 | |||
Т.к. количество поворотных точек на графике остаточной компоненты равно необходимому (4=4), то вывода о выполнении гипотезы о случайности значений остаточной компоненты сделать нельзя.
Соответствие ряда остатков нормальному закону распределения определим при помощи R/S-критерия.
Вычислим вариационный размах = и среднеквадратическое отклонение остаточной компоненты:
.
Рассчитаем критерий R/S:
Вычисленное значение критерия R/S попадает в заданный интервал, следовательно, можно сделать вывод об адекватности модели наблюдаемому процессу по данному критерию.
Проверим гипотезу о независимости значений остаточной компоненты Для проверки данной гипотезы рассчитаем критерий Дарбина-Уотсона (в качестве критических принимаем уровни d1=1,08 и d2=1,36).
t | Y (t) | ||||||
247,312 | — 7,3116 | 53,4595 | Х | Х | |||
219,109 | 6,8906 | 47,4804 | 14,2022 | 201,702 | |||
213,686 | 7,3141 | 53,4961 | 0,4235 | 0,17 935 | |||
218,025 | 7,9753 | 63,6054 | 0,6612 | 0,43 719 | |||
205,008 | 14,9917 | 224,751 | 7,0164 | 49,2299 | |||
327,579 | — 77,579 | 6018,56 | — 92,571 | 8569,41 | |||
233,211 | 3,7895 | 14,3603 | 81,3689 | 6620,9 | |||
212,601 | 19,3988 | 376,313 | 15,6093 | 243,65 | |||
215,855 | — 0,8553 | 0,73 154 | — 20,254 | 410,229 | |||
195,246 | 24,754 | 612,761 | 25,6093 | 655,836 | |||
196,331 | 25,6693 | 658,913 | 0,9153 | 0,83 777 | |||
201,754 | 29,2458 | 855,317 | 3,5765 | 12,7914 | |||
234,295 | — 5,2952 | 28,0391 | — 34,541 | 1193,08 | |||
Сумма | 48,9876 | 9007,79 | 17 958,3 | ||||
Вычисленное значение d попадает в интервал между d2=1,36 и 2.
Таким образом, ряд остатков некоррелирован. Свойство взаимной независимости уровней остаточной компоненты подтверждается. Модель адекватна по этому критерию.
Вычислим среднюю ошибку аппроксимации:
t | Y | ||||
247,312 | — 7,312 | 3,047 | |||
219,109 | 6,891 | 3,049 | |||
213,686 | 7,314 | 3,310 | |||
218,025 | 7,975 | 3,529 | |||
205,008 | 14,992 | 6,814 | |||
327,579 | — 77,579 | 31,032 | |||
233,211 | 3,790 | 1,599 | |||
212,601 | 19,399 | 8,362 | |||
215,855 | — 0,855 | 0,398 | |||
195,246 | 24,754 | 11,252 | |||
196,331 | 25,669 | 11,563 | |||
201,754 | 29,246 | 12,661 | |||
234,295 | — 5,295 | 2,312 | |||
Сумма | 98,926 | ||||
Следовательно, модель является точной.
Вычислим для каждой модели индекс корреляции:
Степенная функция:
t | X | Y | Yрасч | (Y-Yср)^2 | (Yрасч-Yср)^2 | |
234,39 | 134,92 | 36,12 | ||||
227,36 | 5,69 | 1,04 | ||||
225,94 | 54,53 | 6,00 | ||||
227,08 | 5,69 | 1,70 | ||||
223,59 | 70,30 | 22,97 | ||||
251,56 | 467,22 | 537,27 | ||||
230,96 | 74,22 | 6,63 | ||||
225,65 | 13,07 | 7,50 | ||||
226,51 | 179,15 | 3,51 | ||||
220,87 | 70,30 | 56,54 | ||||
221,17 | 40,76 | 52,01 | ||||
222,69 | 6,84 | 32,38 | ||||
231,23 | 0,38 | 8,09 | ||||
Сумма | Х | 1123,08 | 771,75 | |||
Среднее | 207,077 | 228,385 | Х | Х | Х | |
Экспоненциальная функция:
t | X | Y | Yрасч | (Y-Yср)^2 | (Yрасч-Yср)^2 | |
235,32 | 134,92 | 48,08 | ||||
228,68 | 5,69 | 0,09 | ||||
227,43 | 54,53 | 0,91 | ||||
228,43 | 5,69 | 0,00 | ||||
225,44 | 70,30 | 8,69 | ||||
255,28 | 467,22 | 723,10 | ||||
231,98 | 74,22 | 12,91 | ||||
227,18 | 13,07 | 1,45 | ||||
227,93 | 179,15 | 0,21 | ||||
223,22 | 70,30 | 26,71 | ||||
223,46 | 40,76 | 24,23 | ||||
224,69 | 6,84 | 13,62 | ||||
232,23 | 0,38 | 14,81 | ||||
Сумма | Х | 1123,08 | 874,81 | |||
Среднее | 207,077 | 228,385 | Х | Х | Х | |
Параболическая функция:
t | X | Y | Yрасч | (Y-Yср)^2 | (Yрасч-Yср)^2 | |
240,88 | 134,92 | 156,18 | ||||
229,69 | 5,69 | 1,72 | ||||
227,06 | 54,53 | 1,75 | ||||
229,18 | 5,69 | 0,63 | ||||
222,53 | 70,30 | 34,29 | ||||
249,78 | 467,22 | 457,94 | ||||
235,81 | 74,22 | 55,17 | ||||
226,52 | 13,07 | 3,49 | ||||
228,13 | 179,15 | 0,06 | ||||
216,95 | 70,30 | 130,66 | ||||
217,60 | 40,76 | 116,35 | ||||
220,73 | 6,84 | 58,65 | ||||
236,24 | 0,38 | 61,69 | ||||
Сумма | Х | 1123,08 | 1078,58 | |||
Среднее | 207,077 | 228,385 | Х | Х | Х | |
Коэффициент детерминации максимален у степенной модели. Поэтому лучшим уравнением тренда является:
Рассчитаем прогнозное значение результата, если прогнозное значение фактора увеличится на 10% от его среднего уровня.
Задание 2
Исследовать сезонность потребления электроэнергии. Построить модель сезонных колебаний, рассчитать прогнозное значение на 4 шага вперёд. Построить график сезонной волны.
корреляция линейный модель сезонность
Годы и кварталы | данные | |
1986, 1 | ||
1987, 1 | ||
1988, 1 | ||
1989, 1 | ||
1990, 1 | ||
1991, 1 | ||
1992, 1 | ||
1993, 1 | ||
1994, 1 | ||
Решение:
Изобразим графически данные таблицы:
Для каждого месяца рассчитаем среднюю величину уровня, затем вычислим среднеквартальный уровень для всего ряда Y. После чего определим показатель сезонной волны — индекс сезонности Is как процентное отношение средних величин для каждого квартала к общему среднему уровню ряда, %:
Применяя формулу простой средней арифметической определим среднеквартальные уровни:
Сезонная волна определяется процентным отношением уровней поквартальных средних к средней квартальной.
1 квартал | 2 квартал | 3 квартал | 4 квартал | Потребление за год | Среднее | ||
223,75 | |||||||
283,25 | |||||||
199,5 | |||||||
173,75 | |||||||
174,5 | |||||||
181,5 | |||||||
177,25 | |||||||
Среднее | 161,78 | 114,11 | 248,89 | 267,00 | 791,78 | 197,94 | |
Индексы сезонности | 81,73 | 57,65 | 125,74 | 134,89 | Х | Х | |
Для прогнозирования будущих значений составим модель как сумму линейного тренда и сезонной составляющей.
Используя Microsoft Excel, находим уравнение линейного тренда:
Наблюдение | Потребление электроэнергии | Тренд | Сезонная составляющая | |
227,1418 | — 68,1418 | |||
225,4736 | — 175,474 | |||
223,8054 | 69,1946 | |||
222,1372 | 127,8628 | |||
220,469 | — 87,469 | |||
218,8008 | — 143,801 | |||
217,1326 | 130,8674 | |||
215,4644 | 123,5356 | |||
213,7962 | — 42,7962 | |||
212,128 | — 117,128 | |||
210,4598 | 93,5402 | |||
208,7916 | 354,2084 | |||
207,1234 | — 46,1234 | |||
205,4552 | — 93,4552 | |||
203,787 | 110,213 | |||
202,1188 | 8,8812 | |||
200,4506 | — 37,4506 | |||
198,7824 | — 66,7824 | |||
197,1142 | 9,8858 | |||
195,446 | — 2,446 | |||
193,7778 | — 56,7778 | |||
192,1096 | — 62,1096 | |||
190,4414 | — 12,4414 | |||
188,7732 | — 13,7732 | |||
187,105 | — 21,105 | |||
185,4368 | — 60,4368 | |||
183,7686 | 6,2314 | |||
182,1004 | 34,8996 | |||
180,4322 | 19,5678 | |||
178,764 | — 10,764 | |||
177,0958 | 39,9042 | |||
175,4276 | — 34,4276 | |||
173,7594 | — 7,7594 | |||
172,0912 | — 32,0912 | |||
170,423 | 18,577 | |||
168,7548 | 45,2452 | |||
Х | 167,0866 | Х | ||
Х | 165,4184 | Х | ||
Х | 163,7502 | Х | ||
Х | 162,082 | Х | ||
1. Кремер Н. Ш., Путко Б. А. Эконометрика: Учебник для вузов // Под ред. проф. Н. Ш. Кремера. — М.: «ЮНИТИ-ДАНА», 2002.
2. Кулинич Е. И. Эконометрия. — М.: «Финансы и статистика», 2001.
3. Луговская Л. В. Эконометрика в вопросах и ответах: учебное пособие. — М.: «Проспеки», 2005.
4. Магнус Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс: Учебник. — М.: «Дело», 2001.
5. Орлов А. И. Эконометрика — М.: «Экзамен», 2002.
6. Практикум по эконометрике: Учебн. пособие // Под ред. И. И. Елисеевой. — М.: «Финансы и статистика», 2003.
7. Эконометрика: Учебник // Под ред. И. И. Елисеевой. — М.: «Финансы и статистика», 2002.