Коэффициент детерминации. 
Значимость уравнения регрессии

Федеральное агентство по образованию Всероссийский заочный финансово-экономический институт

Кафедра экономико-математических методов и моделей

КОНТРОЛЬНАЯ РАБОТА

по дисциплине «Эконометрика»

Вариант № 3

Исполнитель: Глушакова Т.И.

Специальность: Финансы и кредит

Курс: 3

Группа: 6

№ зачетной книжки: 07ффд41 853

Руководитель: Денисов В.П.

г. Омск 2009 г.

Задачи

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

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

— уравнение линейной регрессии, где — параметры уравнения.

где , — средние значения признаков.

где n — число наблюдений.

Представим вычисления в таблице 1:

Таблица 1. Промежуточные расчеты.

Таким образом, уравнение линейной регрессии имеет вид:

Коэффициент регрессии равен 1,319>0, значит связь между объемом капиталовложений и выпуском продукции прямая, увеличение объема капиталовложений на 1 млн руб. ведет к увеличению объема выпуска продукции в среднем на 1,319 млн руб. Это свидетельствует об эффективности работы предприятий.

2. Вычислить остатки; найти остаточную сумму квадратов; оценить дисперсию остатков; построить график остатков.

Вычислим прогнозное значение Y по формуле:

Остатки вычисляются по формуле:

.

Представим промежуточные вычисления в таблице 2.

Таблица 2. Вычисление остатков.

Дисперсия остатков вычисляется по формуле:

.

Построим график остатков с помощью MS Excel.

Рис. 1. График остатков.

3. Проверить выполнение предпосылок МНК Проверим независимость остатков с помощью критерия Дарбина-Уотсона.

Вычислим коэффициент Дарбина-Уотсона по формуле:

.

Данные для расчета возьмем из таблицы 2.

dw = 0,803

Сравним полученное значение коэффициента Дарбина-Уотсона с табличными значениями границ и для уровня значимости 0,05 при k=1 и n=10. =0,88, =1,32, dw < d, значит, остатки содержат автокорреляцию. Наличие автокорреляции нарушает одну из предпосылок нормальной линейной модели регрессии.

Проверим наличие гетероскедастичности. Т.к. у нас малый объем выборки (n=10) используем метод Голдфельда-Квандта.

— упорядочим значения n наблюдений по мере возрастания переменной x и разделим на две группы с малыми и большими значениями фактора x соответственно.

— рассчитаем остаточную сумму квадратов для каждой группы.

Вычисления представим в таблицах 3 и 4.

Таблица 3. Промежуточные вычисления для 1-го уравнения регрессии.

Таблица 4. Промежуточные вычисления для 2-го уравнения регрессии.

= =2,849

где — остаточная сумма квадратов 1-ой регрессии, — остаточная сумма квадратов 2-ой регрессии.

Полученное значение сравним с табличным значением F распределения для уровня значимости, со степенями свободы и (- число наблюдений в первой группе, m — число оцениваемых параметров в уравнении регрессии).

, m=1.

Если >, то имеет место гетероскедастичность.

= 5,41

< ,

значит, гетероскедастичность отсутствует и предпосылка о том, что дисперсия остаточных величин постоянна для всех наблюдений выполняется.

4. Осуществить проверку значимости параметров уравнения регрессии с помощью t-критерия Стьюдента .

Расчетные значения t-критерия можно вычислить по формулам:

=35,5

Промежуточные расчеты представим в таблице:

Таблица 5. Промежуточные вычисления для расчета tкритерия

=490,50

для уровня значимости 0,05 и числа степеней свободы n-2=8

Так как и можно сделать вывод, что оба коэффициента регрессии значимые.

5. Вычислить коэффициент детерминации, проверить значимость уравнения регрессии с помощью F-критерия Фишера, найти среднюю относительную ошибку аппроксимации. Сделать вывод о качестве модели.

Коэффициент детерминации определяется по формуле:

Из расчетов нам известно, что

; .

Рассчитаем :

Таблица 6. Промежуточные вычисления для расчета коэффициента детерминации.

=930,4

=0,917.

Т.к. значение коэффициента детерминации близко к единице, качество модели считается высоким.

Теперь проверим значимость уравнения регрессии. Рассчитаем значение F-критерия Фишера по формуле:

Уравнение регрессии с вероятностью 0,95 в целом статистически значимое, т.к. >.

Средняя относительная ошибка аппроксимации находится по формуле:

Таблица 7. Промежуточные вычисления для расчета средней относительной ошибки аппроксимации.

значит модель имеет хорошее качество.

Рассчитаем коэффициент эластичности по формуле:

6. осуществить прогнозирование среднего значения показателя Y при уровне значимости, если прогнозное значение фактора X составит 80% от его максимального значения.

Рассчитаем стандартную ошибку прогноза

где

=930,4 ;

для уровня значимости 0,1 и числа степеней свободы n-2=8

Доверительный интервал прогноза:

Таким образом, =61,112, будет находиться между верхней границей, равной 82,176 и нижней границей, равной 40,048.

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

Воспользуемся данными из таблицы 2 для построения графиков с помощью MS Excel.

Рис. 2. Фактические и модельные значения Y точки прогноза.

8. Составить уравнения нелинейной регрессии: гиперболической, степенной, показательной. Привести графики построенных уравнений регрессии.

Построение степенной модели.

Уравнение степенной модели имеет вид:

Для построения этой модели необходимо произвести линеаризацию переменных. Для этого произведем логарифмирование обеих частей уравнения:

Обозначим .

Тогда уравнение примет вид — линейное уравнение регрессии. Рассчитаем его параметры, используя данные таблицы 1:

Таблица 8. Расчет параметров уравнения степенной модели регрессии.

Уравнение регрессии будет иметь вид:

Перейдем к исходным переменным x и y, выполнив потенцирование данного уравнения:

Вычислим коэффициент детерминации :

=930,4;

(1)

Вычислим среднюю ошибку аппроксимации А:

%

(2)

Коэффициент эластичности рассчитывается по формуле:

(3)

Рис. 3. График степенного уравнения регрессии.

Построение показательной функции.

Уравнение показательной кривой:

Для построения этой модели необходимо произвести линеаризацию переменных. Для этого осуществим логарифмирование обеих частей уравнения:

Обозначим

Получим линейное уравнение регрессии:

Рассчитаем его параметры, используя данные таблиц 1 и 8.

Промежуточные расчеты представим в таблице 9.

Таблица 9. Промежуточные расчеты для показательной функции.

=63,2432

Уравнение будет иметь вид:

Перейдем к исходным переменным x и y, выполнив потенцирование данного уравнения:

Рассчитаем коэффициент детерминации по формуле (1).

=930,4;

Вычислим среднюю ошибку аппроксимации, А по формуле (2):

А=0,1*43,170=4,317%

Коэффициент эластичности рассчитаем по формуле (3):

%

Построим график функции с помощью MS Excel.

Рис. 4. График показательного уравнения регрессии.

Построение гиперболической функции.

Уравнение гиперболической функции

Произведем линеаризацию модели путем замены Х=1/х.

В результате получим линейное уравнение:

Рассчитаем параметры уравнения, промежуточные вычисления представим в таблице 10.

Таблица 10. Расчет параметров для гиперболической модели.

Уравнение гиперболической модели:

Рассчитаем коэффициент детерминации по формуле (1).

=930,4;

Вычислим среднюю ошибку аппроксимации, А по формуле (2):

А=0,1*38,1488=3,81 488%

Коэффициент эластичности рассчитаем по формуле (3):

%

Построим график функции с помощью MS Excel.

Рис. 5 График гиперболического уравнения регрессии.

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

Коэффициенты были рассчитаны в задании 8. Для сравнения моделей составим сводную таблицу 11:

Таблица11. Сводная таблица характеристик моделей.

Для всех моделей средняя относительная ошибка аппроксимации не превышает 7%, значит, качество всех моделей хорошее. Коэффициент детерминации более приближен к 1 у гиперболической модели, таким образом, эту модель можно взять в качестве лучшей для построения прогноза. Для гиперболической модели степень связи между факторным и результативным признаком самая низкая, т.к. имеет наименьшее значение, а для показательной модели самая высокая, т.к. коэффициент эластичности наибольший.