Имитационное моделирование экономических процессов
Цели проведения подобных экспериментов могут быть самыми различными — от выявления свойств и закономерностей исследуемой системы, до решения конкретных практических задач. С развитием средств вычислительной техники и программного обеспечения, спектр применения имитации в сфере экономики существенно расширился. В настоящее время ее используют как для решения задач внутрифирменного управления, так… Читать ещё >
Имитационное моделирование экономических процессов (реферат, курсовая, диплом, контрольная)
Курсовая работа
" Имитационное моделирование экономических процессов"
АННОТАЦИЯ Цель — изучить и отработать навыки математического моделирования стохастических процессов; исследовать реальные модели и системы с помощью двух типов моделей: аналитических и имитационных.
В процессе работы были изучены такие метода анализа, как дисперсионный, корреляционный, регрессионный анализы.
Данная расчетно-пояснительная записка содержит следующие разделы: основные числовые характеристики количественного фактора, частота, простая гипотеза, сложная гипотеза, дисперсионный анализ, корреляционный анализ, регрессионный анализ, криволинейный регрессионный анализ, матрица сопряженности и анализ тренда временного ряда.
математический моделирование стохастический имитационный СОДЕРЖАНИЕ Введение
1. Основные числовые характеристики количественного фактора
2. Частота
3. Простая гипотеза
4. Сложная гипотеза. Критерий согласия Пирсона
5. Дисперсионный анализ
6. Корреляционный анализ
7. Регрессионный анализ
8. Криволинейный регрессионный анализ
9. Матрица сопряженности
10. Анализ тренда временного ряда Заключение Список литературы ВВЕДЕНИЕ Имитационное моделирование (simulation) является одним из мощнейших методов анализа экономических систем.
В общем случае, под имитацией понимают процесс проведения на ЭВМ экспериментов с математическими моделями сложных систем реального мира.
Цели проведения подобных экспериментов могут быть самыми различными — от выявления свойств и закономерностей исследуемой системы, до решения конкретных практических задач. С развитием средств вычислительной техники и программного обеспечения, спектр применения имитации в сфере экономики существенно расширился. В настоящее время ее используют как для решения задач внутрифирменного управления, так и для моделирования управления на макроэкономическом уровне. Рассмотрим основные преимущества применения имитационного моделирования в процессе решения задач финансового анализа.
Как следует из определения, имитация — это компьютерный эксперимент. Единственное отличие подобного эксперимента от реального состоит в том, что он проводится с моделью системы, а не с самой системой. Однако проведение реальных экспериментов с экономическими системами, по крайней мере, неразумно, требует значительных затрат и вряд ли осуществимо на практике. Таким образом, имитация является единственным способом исследования систем без осуществления реальных экспериментов.
Часто практически невыполним или требует значительных затрат сбор необходимой информации для принятия решений. Например, при оценке риска инвестиционных проектов, как правило, используют прогнозные данные об объемах продаж, затратах, ценах и т. д.
Однако чтобы адекватно оценить риск необходимо иметь достаточное количество информации для формулировки правдоподобных гипотез о вероятностных распределениях ключевых параметров проекта. В подобных случаях отсутствующие фактические данные заменяются величинами, полученными в процессе имитационного эксперимента (т. е. сгенерированными компьютером).
При решении многих задач финансового анализа используются модели, содержащие случайные величины, поведение которых не поддается управлению со стороны лиц, принимающих решения. Такие модели называют стохастическими. Применение имитации позволяет сделать выводы о возможных результатах, основанные на вероятностных распределениях случайных факторов (величин).
В общем случае, проведение имитационного эксперимента можно разбить на следующие этапы:
Ш Установить взаимосвязи между исходными и выходными показателями в виде математического уравнения или неравенства.
Ш Задать законы распределения вероятностей для ключевых параметров модели.
Ш Провести компьютерную имитацию значений ключевых параметров модели.
Ш Рассчитать основные характеристики распределений исходных и выходных показателей.
Ш Провести анализ полученных результатов и принять решение.
Результаты имитационного эксперимента могут быть дополнены статистическим анализом, а также использоваться для построения прогнозных моделей и сценариев.
1. ОСНОВНЫЕ ЧИСЛОВЫЕ ХАРАКТЕРИСТИКИ КОЛИЧЕСТВЕННОГО ФАКТОРА Цель данного раздела — изучить основные числовые характеристики количественного фактора, получить точечные и интервальные оценки для факторов вес и окружность запястья.
Фактор «Окружность запястья» принимает следующие значения (Таблица 1.1).
Таблица 1.1 — Фактор «Окружность запястья»
Окружность запястья | |||||||||
С помощью инструмента анализа данных «Описательная статистика» вычисляются основные числовые характеристики фактора «Окружность запястья» (Таблица 1.2).
Таблица 1.2 — Основные числовые характеристики фактора «Окружность запястья»
Среднее | 17,6 849 315 | |
Стандартная ошибка | 0,142 451 849 | |
Медиана | ||
Мода | ||
Стандартное отклонение | 1,217 109 133 | |
Дисперсия выборки | 1,481 354 642 | |
Эксцесс | — 0,66 966 556 | |
Асимметричность | 0,198 488 395 | |
Интервал | ||
Минимум | ||
Максимум | ||
Сумма | ||
Счет | ||
Продолжение таблицы 1.2 | ||
Наибольший (2) | ||
Наименьший (2) | ||
Уровень надежности (95,0%) | 0,283 972 571 | |
Математическое ожидание характеризует среднее значение случайной величины. В данной выборке среднее значение окружности запястья равно 17,6 849 315.
Дисперсия и среднеквадратическое отклонение характеризуют степень рассеивания случайной величины относительно ее математического ожидания. Чем меньше дисперсия, тем меньше степень рассеивания случайной величины. Но глядя лишь на одно значение дисперсии, нельзя сказать, большое рассеивание данных относительно математического ожидания или нет. Ведь при вычислении значения дисперсии большое значение имеет, например, масштабирование данного фактора (можно измерять в тоннах или граммах), значение математического ожидания, минимальное и максимальное значение, которые может принимать фактор.
Мода определяет наиболее вероятное значение случайной величины. По данным выборки наиболее вероятная окружность запястья равна 17.
Медиана делит выборку на две равные по объему части, то есть вероятность того, что окружность запястья меньше, чем 17, равна 0,5.
Эксцесс — это характеристика островершинности кривой функции плотности распределения по сравнению с нормально распределенной случайной величиной с такими же значениями математического ожидания и дисперсии. По значению эксцесса можно судить о разбросе данных относительно математического ожидания. Если эксцесс положительный, то разброс данных меньше, чем у НРСВ; если отрицательный, то больше, чем у НРСВ. У фактора «Окружность запястья» эксцесс отрицательный, поэтому разброс значений больше, чем у НРСВ. Фактор «Вес» принимает значения, отраженные в таблице 1.3. С помощью инструмента анализа данных «Описательная статистика» вычисляются основные числовые характеристики фактора «Вес» (Таблица 1.4).
Таблица 1.3 — Фактор «Вес»
Вес | ||||||||
Таблица 1.4 — Основные числовые характеристики фактора «Вес»
Среднее | 78,45 205 479 | |
Стандартная ошибка | 1,19 598 534 | |
Медиана | ||
Мода | ||
Стандартное отклонение | 10,21 850 323 | |
Дисперсия выборки | 104,4 178 082 | |
Эксцесс | — 0,65 746 418 | |
Асимметричность | 0,155 871 109 | |
Интервал | ||
Минимум | ||
Максимум | ||
Сумма | ||
Счет | ||
Наибольший (2) | ||
Наименьший (2) | ||
Уровень надежности (95,0%) | 2,384 153 202 | |
Математическое ожидание характеризует среднее значение случайной величины. В данной выборке среднее значение веса равно 78,45 205 479.
Дисперсия и среднеквадратическое отклонение характеризуют степень рассеивания случайной величины относительно ее математического ожидания. Чем меньше дисперсия, тем меньше степень рассеивания случайной величины. Но глядя лишь на одно значение дисперсии, нельзя сказать, большое рассеивание данных относительно математического ожидания или нет. Ведь при вычислении значения дисперсии большое значение имеет, например, масштабирование данного фактора (можно измерять в тоннах или граммах), значение математического ожидания, минимальное и максимальное значение, которые может принимать фактор.
Мода определяет наиболее вероятное значение случайной величины. По данным выборки наиболее вероятный вес равен 83.
Медиана делит выборку на две равные по объему части, то есть вероятность того, что вес меньше, чем 78, равна 0,5.
Эксцесс — это характеристика островершинности кривой функции плотности распределения по сравнению с нормально распределенной случайной величиной с такими же значениями математического ожидания и дисперсии. По значению эксцесса можно судить о разбросе данных относительно математического ожидания. Если эксцесс положительный, то разброс данных меньше, чем у НРСВ; если отрицательный, то больше, чем у НРСВ. У фактора «Все» эксцесс отрицательный, поэтому разброс значений больше, чем у НРСВ.
Таким образом, были получены основные числовые характеристики для каждого из двух факторов. Они выражают наиболее существенные особенности закона распределения, которые были приведены выше.
2. ЧАСТОТА Цель данного раздела — вычислить и проанализировать значения эмпирических (выборочных) и кумулятивных (интегральных) частот для факторов вес и окружность запястья.
Фактор «Вес» принимает значения, указанные в таблице 2.1.
Таблица 2.1 — Фактор «Вес»
Вес | ||||||||
Определяются эмпирическая и кумулятивная частоты (Таблица 2.2). Эмпирическая частота — это число попаданий фактора в заданный интервал, а кумулятивная (интегральная) частота — это накопленная эмпирическая частота, деленная на общее число наблюдений.
Таблица 2.2 — Эмпирическая и кумулятивная частоты
№ | Карманы | Частота | Интегральный, % | |
1,35% | ||||
5,41% | ||||
28,38% | ||||
64,86% | ||||
89,19% | ||||
100,00% | ||||
Всего | ||||
Для данной выборки строится гистограмма частот и полигон кумулятивных частот (Рисунок 2.1).
Рисунок 2.1 — Гистограмма частот и полигон кумулятивных частот Фактор «Окружность запястья» принимает значения, указанные в таблице 2.3.
Таблица 2.3 — Фактор «Окружность запястья»
Окружность запястья | |||||||||
Определяются эмпирическая и кумулятивная частоты (Таблица 2.4).
Таблица 2.4 — Эмпирическая и кумулятивная частоты
№ | Карманы | Частота | Интегральный, % | |
1,35% | ||||
14,75 | 1,35% | |||
15,5 | 6,76% | |||
16,25 | 33,78% | |||
66,22% | ||||
17,75 | 66,22% | |||
18,5 | 87,84% | |||
19,25 | 97,30% | |||
100,00% | ||||
Всего | ||||
Для данной выборки строится гистограмма частот и полигон кумулятивных частот (Рисунок 2.2).
Рисунок 2.2 — Гистограмма частот и полигон кумулятивных частот Таким образом, на основе двух выборок было получено их статистическое распределение, то есть перечень вариант и соответствующих им частот или относительных частот (Таблицы 2.2 и 2.4).
Эмпирической функцией распределения называется функция, определяющая для каждого значения относительную кумулятивную частоту события, где частоты попадания в интервалы, лежащие левее, а — объем выборки. Например, для фактора «Вес» (Таблица 2.2) 64,82% людей имеют вес менее 82 килограмм, и также видно, что большинство людей имею вес в интервале от 72 до 82 килограмм.
3. ПРОСТАЯ ГИПОТЕЗА Цель данного раздела — исследовать статистическую гипотезу о равенстве математического ожидания конкретному числу.
Статистической называют гипотезу о виде неизвестного распределения или о параметрах неизвестного распределения. Нулевой (основной) называют выдвинутую гипотезу, конкурирующей (альтернативной) называют гипотезу, которая противоречит основной.
В зависимости от вида альтернативной гипотезы мы можем говорить о двусторонней, левосторонней или правосторонней альтернативных гипотезах.
Основная гипотеза: М (х) = 2000, двустороння альтернативная гипотеза: М (х) < > 2000, левосторонняя альтернативная гипотеза: М (х) < 2000, правосторонняя альтернативная гипотеза: М (х) > 2000.
Фактор «Год окончания школы» принимает значения, указанные в таблице 3.1.
Таблица 3.1 — Год окончания школы
Год окончания школы | ||||||||
Для проверки гипотезы о том, что значение математического ожидания равняется конкретному значению (: M (X) = 2000) для НРСВ, вычисляется t-статистика.
Прямой метод проверки гипотезы зависит от вида альтернативной гипотезы. В нашем случае возможны три вида альтернативных гипотез:
1. Двусторонняя гипотеза H1: M (X)? b. Вычисляется значение критической точки t. Если t наблюдаемое по модулю больше критической точки t, то гипотезу отвергают.
2. Правосторонняя гипотеза H1: M (X) > b. Вычисляется значение критической точки t. Если t наблюдаемое больше критической точки t, то гипотезу отвергают.
3. Левосторонняя гипотеза H1: M (X) < b. Вычисляется значение критической точки t. Если t наблюдаемое меньше критической точки t, то гипотезу отвергают. При проверке гипотезы обратным методом вид альтернативной гипотезы не влияет на выводы об отвержении гипотезы. На основе наблюдаемого значения t и объема выборки находится значение вычисленного уровня значимости б. Если вычисленный уровень значимости меньше теоретического уровня значимости, то гипотезу отвергают.
Результаты исследования гипотезы приведены в таблице 3.2.
Таблица 3.2 — Проверка гипотезы
Проверка гипотезы | ||
Уровень значимости | 0,05 | |
М (х) | ||
tнабл. | — 10,6 270 662 | |
Альтернативная гипотеза <> | ||
tкр. | 1,992 997 126 | |
выч. уровень значимости | 1,95135E-15 | |
Выводы | Отвергаем | |
Выводы (обр.) | Отвергаем | |
Альтернативная гипотеза > | ||
tкр. | 1,665 996 224 | |
Выводы | Нет основания отвергнуть | |
Альтернативная гипотеза < | ||
tкр. | 1,665 996 224 | |
Выводы | Отвергаем | |
4. СЛОЖНАЯ ГИПОТЕЗА Цель данного раздела — проверить гипотезу о том, что фактор «Рост» распределен по нормальному закону распределения.
На практике не всегда известны две гипотезы: основная и конкурирующая. Часто под конкурирующей гипотезой подразумевается то, что просто не выполнена основная гипотеза. Тогда задача ставится так: согласуются ли результаты наблюдений с выдвинутым утверждением.
С помощью оценок параметров функции распределения, а, следовательно, и оценки функции распределения, можно проверить гипотезы о том, насколько хорошо выборочные данные согласуются с теоретическими выводами о виде функции распределения.
Проверка гипотезы о том, что фактор «Рост» распределен по нормальному закону распределения, приведена на рисунке 4.1.
Рисунок 4.1 — Проверка гипотезы
5. ДИСПЕРСИОННЫЙ АНАЛИЗ Цель данного раздела — изучить влияние качественного фактора на количественный фактор; исследовать две выборки на однородность.
Однофакторный дисперсионный анализ используется для проверки гипотезы о сходстве средних значений двух или более выборок, принадлежащих одной и той же генеральной совокупности. Данную процедуру можно применять для исследования влияния качественного фактора на количественный. Количественный фактор — размер ноги, качественный фактор — направление. Исследуется гипотеза о том, что влияние качественного фактора «Направление» на количественный фактор «Размер ноги» несущественно.
Фактор «Размер ноги» группируется по фактору «Направление» (Таблица 5.1).
Таблица 5.1 — Группировка по качественному фактору
Направление | Размер ноги | |
Ж. Д. | 37, 38, 38, 38, 39, 39, 39, 39, 40, 40, 40, 40, 40, 40, 40, 41, 41, 41, 41, 41, 41, 41, 41, 41, 41, 41, 42, 42, 42, 42, 42, 42, 42, 43, 43, 43, 44, 44, 44, 44, 44, 44, 45, 45, 45, 45, 46, 47 | |
Ком. | 40, 40, 41, 43, 45 | |
Нет | 37, 38, 38, 39, 39, 40, 40, 40, 40, 41, 41, 41, 41, 41, 42, 42, 43, 44, 44, 45, 45 | |
В результате использования процедуры «Однофакторный дисперсионный анализ» можно сделать вывод о том, что направление не влияет на размер ноги, так как вычисленное значение статистики Фишера по модулю меньше критического значения статистики Фишера (Рисунок 5.1).
Двухвыборочный t-тест с различными дисперсиями реализует критерий проверки гипотезы о равенстве (неравенстве) математических ожиданий распределений двух независимых генеральных совокупностей, имеющих нормальные распределения с неизвестными и различными дисперсиями. Данную процедуру можно использовать для анализа двух выборок на однородность. Исследуется гипотеза о том, что выборки однородны.
Рисунок 5.1 — Однофакторный дисперсионный анализ Разделим фактор «Год окончания школы» на две одинаковые выборки (Таблица 5.2).
Таблица 5.2 — Год окончания школы
Год окончания школы1 | Год окончания школы2 | |||||||
В результате использования процедур «Двухвыборочный t-тест с различными дисперсиями» и «Двухвыборочный t-тест с одинаковыми дисперсиями» можно сделать вывод о том, что данные выборки однородны, и их можно объединить в одну для получения статистически значимых результатов.
6. КОРРЕЛЯЦИОННЫЙ АНАЛИЗ Цель данного раздела — произвести количественную оценку влияния одного количественного фактора на другой количественный фактор.
Для анализа используется процедура «Корреляция». После вызова данной процедуры получается матрицу корреляций (Таблица 6.1), которая является симметричной матрицей, поэтому отображаются значения ниже главной диагонали.
Таблица 6.1 — Матрица корреляций
Год окончания школы. | Математика. | Физика | Рост | Окружность запястья | Размер ноги | Вес | |||
Год окончания школы | |||||||||
Математика | — 0,13 808 | ||||||||
Физика | 0,26 328 | — 0,84 459 | |||||||
— 0,11 529 | 0,501 661 | — 0,289 467 | |||||||
Рост | 0,47 558 | 0,2 481 742 | — 0,50 003 | 0,72 068 858 | |||||
Окружность запястья | 0,66 283 | 0,1 532 910 | — 0,14 246 | — 0,22 892 | 0,726 489 | ||||
Размер ноги | 0,8 249 | 0,2 762 417 | — 0,3 995 | 0,108 558 | 0,929 858 | 0,650 806 | |||
Вес | 0,8 222 | 0,2 732 739 | — 0,6 909 | 0,121 046 | 0,965 425 | 0,713 697 | 0,8920 | ||
Для проверки гипотезы о незначимости коэффициента корреляции с уровнем значимости a = 0,05, необходимо найти минимальный объем выборки n по всем количественным факторам. Находится значение tкр с помощью функции СТЬЮДРАСПОБР (a, n-2) (Таблица 6.2).
Таблица 6.2 — Вычисление tкр
уровень значимости | 0,05 | |
минимальный объем выборки | ||
t кр | 1,993 463 567 | |
Найдем абсолютные значения критериальной статистики для каждого значения коэффициента корреляции, кроме значений, равных единице. Получаем матрицу значений tнабл (Таблица 6.3).
Таблица 6.3 — Матрицу значений tнабл
Год окончания школы. | Математика. | Физика | Рост | Окружность запястья | Размер ноги | |||
Год окончания школы. | ||||||||
Математика. | 1,183 057 315 | |||||||
Физика | 0,223 482 503 | 0,719 231 599 | ||||||
0,984 902 964 | 4,920 726 295 | 2,56 607 432 | ||||||
Рост | 0,40 400 025 | 2,173 836 159 | 0,424 821 324 | 0,61 311 886 | ||||
Окружность запястья | 0,563 669 722 | 1,316 274 743 | 1,221 279 856 | 0,194 300 412 | 8,970 714 748 | |||
Размер ноги | 0,702 418 679 | 2,438 890 903 | 0,339 309 467 | 0,92 662 419 | 21,44 534 693 | 7,27 338 357 | ||
Вес | 0,700 108 842 | 2,410 561 173 | 0,587 659 529 | 1,34 725 035 | 31,42 547 179 | 8,64 570 476 | 16,74 824 | |
Сравнивая значения tнабл и tкр можно сделать вывод о значимости коэффициента корреляции с помощью прямого метода проверки гипотез. Если tнабл > tкр, то гипотезу о незначимости коэффициента корреляции отвергают.
Для проверки гипотезы с помощью обратного метода вычисляется значения вычисленных уровней значимости с помощью функции СТЬЮДРАСП (tнабл; n — 2; 2) Если вычисленный уровень значимости меньше 0.05, то гипотезу о незначимости коэффициента корреляции отвергают. Получается матрица вычисленных уровней значимости (Таблица 6.4).
Таблица 6.4 — Матрица вычисленных уровней значимости
Год окончания школы. | Математика. | Физика | Рост | Окружность запястья | Размер ноги | Вес | |||
Год окончания школы. | |||||||||
Математика. | 0,240 678 184 | ||||||||
Физика | 0,823 792 873 | 0,474 326 221 | |||||||
0,327 969 929 | 5,28218E-06 | 0,1 236 661 | |||||||
Рост | 0,687 410 029 | 0,33 006 333 | 0,672 233 804 | 0,541 729 725 | |||||
Окружность запястья | 0,574 730 391 | 0,192 256 926 | 0,225 964 088 | 0,846 487 842 | 2,368E-13 | ||||
Размер ноги | 0,484 682 863 | 0,17 199 068 | 0,735 364 324 | 0,357 217 405 | 5,45054E-33 | 3,45234E-10 | |||
Вес | 0,48 611 542 | 0,18 482 789 | 0,558 599 455 | 0,304 260 271 | 8,83214E-44 | 9,55247E-13 | 1,53E-26 | ||
7. РЕГРЕССИОННЫЙ АНАЛИЗ Цель данного раздела — исследовать влияние количественных факторов на выходной количественный фактор и подобрать график для набора наблюдений.
Линейный регрессионный анализ заключается в подборе графика для набора наблюдений с помощью метода наименьших квадратов. Регрессия используется для анализа воздействия на отдельную зависимую переменную значений одной или более независимых переменных.
После вызова процедуры «Регрессия» получаются следующие результаты (Рисунок 7.1).
Рисунок 7.1 — Результаты Проанализировать регрессионную модель можно с помощью встроенной блочной функции ЛИНЕЙН (Y, X, p1, p2), где параметр p1 = 1, если в модели учитывается свободный член и равен нулю, если не учитывается; параметр p2 = 1, если необходимо вычислить дополнительную статистику регрессии, и ноль, если нужно вычислить лишь коэффициенты регрессии (Таблица 7.1).
Таблица 7.1 — Результаты работы функции «Линейн»
К-т регрессии | 4,27 362 462 | — 88,40 470 315 | Св. член | |
Ошибка для b | 0,240 464 854 | 9,984 125 401 | Ошибка для a | |
К-т детерминации | 0,795 746 684 | 4,640 276 263 | Станд. Остаток | |
Ст-ка Фишера | 280,5 034 564 | Число степеней свободы | ||
Сумма квадратов отклонения регрессии | 6039,846 369 | 1550,315 793 | Сумма квадратов отклонения остаточная | |
Зная значение статистики Фишера, можно обратным методом проверки гипотез сделать вывод о значимости регрессии (гипотеза — регрессия незначима). Для этого надо найти вычисленный уровень значимости. Вычисленный уровень значимости равен 1,53452E-26, это меньше 0.05, поэтому гипотеза о незначимости регрессии отвергается.
Выводы об отвержении гипотезы можно сделать прямым методом, найдя значение Fкр. В данном случае Fкр = 3.97, это меньше значения статистики Фишера, поэтому гипотеза о незначимости регрессии также отвергается. Многофакторный регрессионный анализ проводится аналогично, только исследуется влияние нескольких количественных факторов на выходной количественный фактор (Рисунок 7.2).
Рисунок 7.2 — Результаты многофакторного анализа После анализа модели необходимо выбросить все незначимые факторы (у которых Р-значение больше 0.05) и построить модель вновь. Получаются следующие результаты (Рисунок 7.3).
Рисунок 7.3 — Результаты многофакторного анализа без незначимых факторов Модель без незначимых факторов лучше модели с теми же факторами, так в первом случае стандартизированный коэффициент детерминации больше, чем во втором.
8. КРИВОЛИНЕЙНЫЙ РЕГРЕССИОННЫЙ АНАЛИЗ Цель данного раздела — исследовать, какая модель лучше описывает выборочные данные.
Для анализа строятся следующие модели: линейная (Таблица 8.1), показательная (Таблица 8.2), кубическая (Таблица 8.3), равносторонняя гипербола (Таблица 8.4) и степенная (Таблица 8.5).
Таблица 8.1 — Линейная модель
y = a + b*x | ||||
b — к-т регрессии | 0,0846 | 10,42 | a — св. член | |
ст. откл. b | 0,0098 | 0,7752 | ст. откл а | |
к-т детерм. | 0,5094 | 0,8525 | ст. остаток | |
F | 74,748 | df | ||
SS регр. | 54,33 | 52,332 | SS ост. | |
Обратный | P | 1E-12 | Отвергаем | |
Прямой | F | 3,9739 | Отвергаем | |
Таблица 8.2 — Показательная модель
y = a*b^X | ||||
b — к-т регрессии | 1,4 918 | 11,57 961 | a — св. член | |
ст. откл. b | 0,578 | 0,45 803 | ст. откл а | |
к-т детерм. | 0,500 001 | 0,50 373 | ст. остаток | |
F | 72,36 | df | ||
SS регр. | 0,182 699 | 0,182 698 | SS ост. | |
Обратный | P | 1,9E-12 | Отвергаем | |
Прямой | F | 3,973 897 | Отвергаем | |
Таблица 8.3 — Кубическая модель
y = a + b*x3 | ||||
b — к-т регрессии | 4E-06 | 14,791 | a — св. член | |
ст. откл. b | 5E-07 | 0,2687 | ст. откл а | |
к-т детерм. | 0,5337 | 0,8311 | ст. остаток | |
F | 82,415 | Df | ||
SS регр. | 56,928 | 49,734 | SS ост. | |
Обратный | P | 1E-13 | Отвергаем | |
Прямой | F | 3,9739 | Отвергаем | |
Таблица 8.4 — Равносторонняя гипербола
y = a + b*1/x | ||||
b — к-т регрессии | — 465,67 | 23,096 | a — св. член | |
ст. откл. b | 60,753 | 0,7935 | ст. откл а | |
к-т детерм. | 0,4493 | 0,9032 | ст. остаток | |
F | 58,751 | df | ||
SS регр. | 47,927 | 58,735 | SS ост. | |
Обратный | P | 6E-11 | Отвергаем | |
Прямой | F | 3,9739 | Отвергаем | |
Таблица 8.5 — Степенная модель
y = a*x^b | ||||
b — к-т регрессии | 0,371 941 | 0,527 542 | a — св. член | |
ст. откл. b | 0,45 868 | 0,86 803 | ст. откл а | |
к-т детерм. | 0,477 327 | 0,22 367 | ст. остаток | |
F | 65,75 352 | df | ||
SS регр. | 0,32 896 | 0,36 022 | SS ост. | |
Обратный | P | 9,6E-12 | Отвергаем | |
Прямой | F | 3,973 897 | Отвергаем | |
По данным построенным моделям можно сделать вывод о том, что регрессия значима для каждой из моделей, и лучшей моделью является кубическая, так как она имеет самый высокий коэффициент детерминации.
Далее необходимо построить график, на котором отобразить выборочные данные и прогнозные значения (Рисунок 8.1).
Рисунок 8.1 — График выборочных и прогнозных данных У равносторонней гиперболы оценивается ошибка аппроксимации (таблица 8.6).
Таблица 8.6 — Ошибка аппроксимации
Окружность запястья | Вес | Равносторонняя гипербола | Ошибка аппроксимации равносторонней гиперболы | |
15,46 252 435 | 0,104 466 025 | |||
16,4 084 688 | 0,69 389 792 | |||
16,24 836 261 | 0,83 224 174 | |||
16,24 836 261 | 0,83 224 174 | |||
16,96 920 673 | 0,131 280 449 | |||
18,4 858 342 | 0,27 061 358 | |||
18,14 249 556 | 0,92 875 222 | |||
18,53 103 565 | 0,73 448 217 | |||
Всего | 3,327 688 413 | |||
Ошибка аппроксимации | 4,50% | |||
Ошибка аппроксимации меньше 10%, поэтому данная модель удовлетворительного качества.
Также необходимо оценить качество линейной и кубической модели по частным коэффициентам эластичности (Таблица 8.7). Чем больше значение коэффициента эластичности, тем больше влияние X на Y.
Таблица 8.7 — Коэффициент эластичности
к-т эластичности | Линейная | Кубическая | |
0,38 946 222 | 0,254 005 393 | ||
9. МАТРИЦА СОПРЯЖЕННОСТИ Цель данного раздела — исследовать влияние качественного фактора «Математика» на качественный фактор «Физика» .
Создадим таблицу сопряженности с двумя входами с использованием функции «СЧЕТЕСЛИ» или сводной таблицы (Таблица 9.1).
Таблица 9.1 — Матрица сопряженности
Математика | Физика | Всего | |||
Всего | |||||
Для проверки гипотезы о независимости случайных величин X и Y вычисляется критериальная статистика. Для вычисления t-статистики сначала получаем таблицу слагаемых (Таблица 9.2).
Таблица 9.2 — Таблица для расчета критериальной статистики
Математика | Физика | |||
0,136 364 | ||||
0,227 273 | ||||
0,384 615 | 0,615 385 | |||
0,636 364 | ||||
Затем вычисляем t-статистику. Эта статистика приближенно имеет распределение ?2 со степенью свободы, равной (r-1)(s-1), и равна 74. В рассматриваемом примере r = 4 (количество строк), s = 3 (количество столбцов).
Для проверки гипотезы о незначимости влияния одного качественного фактора на другой найдем критическое значение с использованием статистической функции? ХИ2ОБР? с уровнем значимости 0,05 и со степенью свободы (r-1)(s-1). В данном случае получается значение 12,59. Делаем выводы прямым методом проверки гипотез о влиянии одного качественного фактора на другой.
10. АНАЛИЗ ТРЕНДА ВРЕМЕННОГО РЯДА Цель данного раздела — проанализировать тренд временного ряда (Таблица 10.1).
Таблица 10.1 — Тренд временного ряда
t | y | скользящее среднее | стандартная погрешность | экспоненциальное сглаживание | Ст. погрешность | |
160,4 311 755 | #Н/Д | #Н/Д | #Н/Д | #Н/Д | ||
158,4 629 085 | 158,4 089 754 | #Н/Д | 158,4 629 085 | #Н/Д | ||
158,3 550 424 | 159,3 945 789 | 0,736 051 956 | 158,3 766 156 | #Н/Д | ||
160,4 341 155 | 159,8 968 224 | 0,827 441 858 | 160,226 155 | #Н/Д | ||
159,3 595 293 | 158,9 374 442 | 0,483 135 444 | 159,4 921 465 | 1,249 616 476 | ||
158,515 359 | 159,387 112 | 0,684 875 554 | 158,7 107 165 | 1,369 562 304 | ||
160,2 588 649 | 160,100 174 | 0,626 552 473 | 159,9 492 353 | 1,124 064 139 | ||
159,9 414 831 | 160,5 954 769 | 0,475 862 717 | 159,9 430 335 | 1,56 872 326 | ||
161,2 494 706 | 160,7 836 377 | 0,567 762 357 | 160,9 881 832 | 1,169 558 528 | ||
160,3 178 047 | 160,3 692 548 | 0,331 396 632 | 160,4 518 804 | 0,847 790 328 | ||
160,420 705 | 160,6 709 536 | 0,180 653 644 | 160,4 269 401 | 0,847 969 562 | ||
160,9 212 022 | 159,9 168 369 | 0,731 906 374 | 160,8 223 497 | 0,48 120 483 | ||
158,9 124 717 | 159,4 212 669 | 0,796 122 504 | 159,2 944 473 | 1,139 137 257 | ||
159,9 300 621 | 159,4 085 147 | 0,515 210 793 | 159,8 029 392 | 1,19 665 302 | ||
158,8 869 672 | 158,8 549 939 | 0,369 482 102 | 159,701 616 | 1,276 798 725 | ||
158,8 230 206 | 160,217 324 | 0,847 918 668 | 158,8 724 488 | 0,659 315 171 | ||
161,2 204 441 | 161,6 829 119 | 0,908 511 511 | 160,7 508 451 | 1,46 209 498 | ||
162,1 453 798 | 160,6 794 551 | 1,86 924 953 | 161,8 664 728 | 1,583 128 506 | ||
159,2 135 304 | 159,3 303 658 | 1,39 852 328 | 159,7 441 189 | 2,19 817 444 | ||
159,4 472 012 | 159,4 505 373 | 0,82 648 773 | 159,5 065 847 | 1,738 868 485 | ||
159,4 538 734 | 159,7 333 816 | 0,197 656 211 | 159,4 644 157 | 1,541 540 599 | ||
160,128 898 | 158,9 866 103 | 0,752 121 815 | 159,903 195 | 0,361 368 905 | ||
157,9 603 308 | 158,2 692 839 | 0,757 859 363 | 158,3 489 036 | 1,165 950 769 | ||
158,578 237 | 159,1 680 141 | 0,470 791 426 | 158,5 323 703 | 1,173 049 996 | ||
159,7 577 913 | 159,8 888 217 | 0,427 203 745 | 159,5 127 071 | 1,332 788 023 | ||
160,19 852 | 160,2 991 175 | 0,21 812 628 | 159,918 423 | 0,777 055 642 | ||
160,5 783 829 | 160,5 568 978 | 0,198 054 045 | 160,4 463 909 | 0,85 525 819 | ||
160,5 354 127 | 160,7 929 805 | 0,182 760 447 | 160,5 176 084 | 0,483 276 274 | ||
161,505 482 | 161,505 482 | 0,182 127 912 | 160,9 439 603 | 0,492 441 828 | ||
Построим графики прогнозных и фактических значений для скользящего среднего и экспоненциального сглаживания (Рисунок 10.1 и 10.2).
Рисунок 10.1 — Скользящее среднее Рисунок 10.2 — Экспоненциальное сглаживание ЗАКЛЮЧЕНИЕ В результате выполнения данной работы были изучены и отработаны навыки математического моделирования стохастических процессов с помощью методов аналитической статистики, таких как:
· Дисперсионный анализ, который применялся для исследования влияния одной или нескольких качественных переменных (факторов) на одну зависимую количественную переменную (отклик);
· Анализ временных рядов был применим к одиночным или связанным временным рядам и позволяет выделять различные формы периодичности и взаимовлияния временных процессов, а также осуществлять прогнозирование будущего поведения временного ряда.
· Регрессионные процедуры позволили рассчитать модель, описываемую некоторым уравнением и отражающую функциональную зависимость между экспериментальными количественными переменными, а также проверяют гипотезу об адекватности модели экспериментальным данным. По полученным результатам можно оценить природу и степень зависимости переменных и предсказать новые значения зависимой переменной.
· Корреляционный анализ — это группа статистических методов, направленная на выявление и математическое представление структурных зависимостей между выборками.
1. Усова Э. А., Котюков В. И. Моделирование систем. Учеб. пособие. — Новосибирск: Изд-во СГУПСа, 2008. — 124 с. (51 У76)
2. Моделирование систем. Метод. указ. к лабораторным работам / Сост. В. И. Котюков, Э. А. Усова. — Новосибирск: Изд-во СГУПСа, 2007. — 38 с.
3. Гмурман В. Е. Теория вероятностей и математическая статистика. М.: Высш. школа, 2012.
4. Математическая статистика/ Под ред. А. М. Длина. М.: Высш. школа
5. Айвазян С. А., Мешалкин Л. Д. Прикладная статистика: Исследование зависимостей. М.: Финансы и статистика, 1985.
6. Экономико-математические модели и методы: Учеб. пособие для студ. экон. спец. БГУИР всех форм обуч. / С. А. Поттосина, В. А. Журавлев. Мн.: БГУИР, 2003. — 94 с.: ил.
7. Котюков В. И. Численные методы многофакторного статистического анализа данных на ЭВМ (в задачах транспорта и строительства). Учеб. пособие. Новосибирск, 2012.
8. Кнут Д. Искусство программирования для ЭВМ. Получисленные алгоритмы. т. 2. М.: Мир, 1977, С. 22−51, С. 356−370, С. 476−478.
9. Практикум по эконометрике: Учеб. Пособие / И. И. Елисеева, С. В. Курышева, Н. М. Гордиенко и др.; Под ред. И. И. Елисеевой. М.: Финансы и статистика, 2014, 192 с.
10. Получение на ЭВМ равномерно распределенных псевдослучайных чисел. Метод. Указ. К лабораторной работе. Уфа, Изд-во Уфимского государственного авиационного технического университета.
11. Интернет университет. Информационные технологии. Курс «Введение в математическое моделирование». / Под ред. Ю. В. Губаря. — http://www.intuit.ru.