Эконометрика
Получили, что при отклонении среднегодовой стоимости основных фондов на 1% от среднего значения валовой доход предприятия в среднем отклоняется на 0,3095% от своего среднего значения. При отклонении среднегодовой стоимости оборотных средств на 1% от среднего значения валовой доход предприятия в среднем отклоняется на 0,9039% от своего среднего значения. Оценим статистическую значимость параметров… Читать ещё >
Эконометрика (реферат, курсовая, диплом, контрольная)
Задача 1
Пусть имеется следующая модель регрессии, характеризующая зависимость x от y:. Известно также, что, .
Задание
a. Постройте доверительный интервал для коэффициента регрессии в этой модели: с вероятностью 90%; с вероятностью 99%.
2. Проанализируйте результаты, полученные в п. 1, и поясните причины их различий.
Решение
1. ,
— случайная ошибка параметра линейной регрессии.
где F — F-критерий Фишера и определяется из соотношения:
(и)
Для коэффициента регрессии в примере 90%-ые границы составят:
(и)
Для коэффициента регрессии в примере 99%-ые границы составят:
При повышении вероятностного критерия снижается точность вычислений.
Задача 2
Моделирование прибыли фирмы по уравнению привело к результатам, представленным в таблице:
№ | Прибыль фирмы, тыс. руб., y | ||
фактическая | расчетная | ||
регрессия корреляция линейный уравнение Задание Оцените качество модели, определив ошибку аппроксимации, индекс корреляции и F-критерий Фишера.
Решение:
Выполним оценку качества модели по разным критериям:
Средняя ошибка аппроксимации:
№ | ||||
8,33 | ||||
13,33 | ||||
11,76 | ||||
11,11 | ||||
7,69 | ||||
15,79 | ||||
78,01 | ||||
В среднем расчетные значения отклоняются от фактических на 9,753%.
Рассчитанное значение средней ошибки аппроксимации говорит о предельном качестве модели, так как ошибка аппроксимации в пределах от 7 до 10% свидетельствует о предельном качестве подбора модели к данным.
Индекс корреляции:
№ | |||||
19,140 625 | |||||
5,640 625 | |||||
0,390 625 | |||||
6,890 625 | |||||
13,140 625 | |||||
11,390 625 | |||||
1,890 625 | |||||
21,390 625 | |||||
79,875 | |||||
— среднее значение признака Индекс корреляции:
— связь сильная
F-критерий Фишера
из чего следует, что связь между результатом и фактором, описанная моделью, существенна.
Задача 3
Изучается зависимость материалоемкости продукции от размера предприятия по 10 однородным заводам.
Показатель | Материалоемкость продукции по заводам | ||||||||||
Потреблено материалов на единицу продукции, кг | 3,7 | 3,6 | 3,5 | 3,5 | |||||||
Выпуск продукции, тыс. ед. | |||||||||||
Задание
1. Найдите параметры уравнения .
2. Оцените тесноту связи с помощью индекса корреляции.
3. Охарактеризуйте эластичность изменения материалоемкости продукции.
4. Сделайте вывод о значимости уравнения регрессии.
Решение:
1) Найдём параметры уравнения. Линеаризуем уравнение .
Обозначим. Тогда
№ п/п | Потреблено материалов на единицу продукции, кг, | Выпуск продукции, тыс. ед., | ||||
0,01 | 0,10 000 | 0,06 | ||||
0,005 | 0,2 500 | 0,045 | ||||
0,333 | 0,1 111 | 0,1 666 667 | ||||
0,0025 | 0,625 | 0,01 | ||||
3,7 | 0,002 | 0,400 | 0,0074 | |||
3,6 | 0,167 | 0,278 | 0,006 | |||
3,5 | 0,143 | 0,204 | 0,005 | |||
0,667 | 0,4 444 | 0,04 | ||||
0,833 | 0,6 944 | 0,5 833 333 | ||||
3,5 | 0,004 | 0,1 600 | 0,014 | |||
Сумма | 51,3 | 0,4 493 | 0,2 811 | 0,2624 | ||
.
№ п/п | Выпуск продукции, тыс. ед., | Потреблено материалов на единицу продукции, кг, | |||||
7,35 | 1,8225 | 0,7569 | 0,225 | ||||
5,33 | 13,4689 | 14,9769 | 0,407 777 778 | ||||
4,66 | 0,1156 | 0,0169 | 0,068 | ||||
4,33 | 0,1089 | 1,2769 | 0,0825 | ||||
3,7 | 4,13 | 0,1849 | 2,0449 | 0,116 216 216 | |||
3,6 | 3,99 | 0,1521 | 2,3409 | 0,108 333 333 | |||
3,5 | 3,9 | 0,16 | 2,6569 | 0,114 285 714 | |||
6,01 | 0,0001 | 0,7569 | 0,1 666 667 | ||||
6,68 | 0,1024 | 3,4969 | 0,45 714 286 | ||||
3,5 | 4,93 | 2,0449 | 2,6569 | 0,408 571 429 | |||
51,3 | 18,1603 | 30,981 | 1,578 065 423 | ||||
Индекс корреляции:
Связь умеренная.
Средний коэффициент эластичности:
При изменении выпуска продукции на 1% от среднего значения величина материалоемкости продукции в среднем снизится на 0,959% от своего среднего значения.
Средняя ошибка аппроксимации:
В среднем расчетные значения отклоняются от фактических на 15,781%, что превышает допустимую норму.
Статистическую значимость параметров a и b проверим по F-критерию Фишера.
Здесь n=10 — число наблюдений, m=1 — число параметров при переменных.
б=0,05; k1=m-1=2−1=1; k2=n-2=10−2=8
Fтабл=5,32
Так как Fфакт> Fтабл, то уравнение регрессии в целом признается существенным.
Задача 4
Изучение влияния стоимости основных и оборотных средств на величину валового дохода торговых предприятий. Для этого по 12 торговым предприятиям были получены данные, приведенные в таблице:
Номер предприятия | Валовой доход за год, млн.руб. | Среднегодовая стоимость, млн.руб. | ||
основных фондов | оборотных средств | |||
Задание Постройте линейное уравнение множественной регрессии и поясните экономический смысл его параметров. Оцените статистическую значимость параметров регрессионной модели с помощью t-критерия.
Рассчитайте средние коэффициенты эластичности.
Определите парные и частные коэффициенты корреляции, а также множественный коэффициент корреляции; сделайте выводы о силе связи результата и факторов.
Дайте оценку полученного уравнения на основе общего F-критерия Фишера.
Оцените качество уравнения через среднюю ошибку аппроксимации.
Рассчитайте прогнозное значение результата, если прогнозные значения факторов составляют 80% от их максимальных значений.
Оцените полученные результаты, выводы оформите в аналитической записке.
Решение:
1. Построим линейное уравнение множественной регрессии. Для этого составим вспомогательную расчетную таблицу следующего вида:
№ | y | x1 | x2 | y2 | y•x1 | y•x2 | x1•x2 | |||
У | ||||||||||
Среднее | 112,58 | 60,67 | 15 948,92 | 9950,83 | 4283,5 | 11 579,75 | 8000,33 | 5935,17 | ||
Запишем систему нормальных уравнений для определения параметров линейного уравнения множественной регресии:
.
Решаем систему уравнений по формулам Крамера.
.
Экономический смысл параметров уравнения:
— при увеличении среднегодовой стоимости ОПФ валовой доход предприятия увеличивается на 0,383 млн руб.;
— при росте среднегодовой стоимости оборотных средств на 1 млн руб. валовой доход возрастает на 1,677 млн руб.
Оценим статистическую значимость параметров регрессионной модели с помощью t-критерия. Для этого найдем значения средних квадратических отклонений для признаков y, x1 и x2, а также коэффициенты детерминации для уравнения множественной регрессии и для зависимости факторов друг от друга.
;; .
коэффициент множественной корреляции. Множественный коэффициент детерминации рассчитываем как квадрат множественного коэффициента корреляции.
;
;
;
.
Рассчитаем средние ошибки коэффициентов регрессии по формуле:
.
Средние ошибки коэффициентов регрессии составят:
;
.
t-критерий Стьюдента:
;
;
.
Табличное значения t-критерия при б=0,05; df=12−2-1=9 составляет tтабл=2,2281.
Сравниваем рассчитанные значения t-критериев с табличным:
< tтабл, значит параметр не является статистически значимым,
> tтабл, значит параметр является статистически значимым.
2. Для расчета средних коэффициентов эластичности отметим средние значения показателей:; ;. Рассчитаем средние коэффициенты эластичности результата по каждому из факторов:
;
;
.
Получили, что при отклонении среднегодовой стоимости основных фондов на 1% от среднего значения валовой доход предприятия в среднем отклоняется на 0,3095% от своего среднего значения. При отклонении среднегодовой стоимости оборотных средств на 1% от среднего значения валовой доход предприятия в среднем отклоняется на 0,9039% от своего среднего значения.
3. Значение парных коэффициентов корреляции рассчитано было ранее и составляет:; ;, а также значение множественного коэффициента корреляции .
Рассчитаем коэффициенты частной корреляции по формулам:
;
;
Различия между парными и частными коэффициентами корреляции говорят о наличии мультиколлинеарности факторов (существенна межфакторная связь). Именно поэтому выводы о тесноте связи на основе парной и частной корреляции не совпадают. Частные коэффициенты корреляции говорят о тесной связи между результатом и вторым фактором, гораздо менее значительной связи между результатом и первым фактором и практически отсутствии взаимосвязи между факторами при исключении из модели признака валового дохода предприятия.
4. Рассчитаем значение общего F-критерия Фишера для построенной модели множественной корреляции по формуле:
m = 2.
.
; б = 0,05.
Сравниваем фактическое и табличное значение F-критерия., приходим к выводу о статистической значимости уравнения регрессии с вероятностью 95% (p=1-б).
5. Оценим качество уравнения через среднюю ошибку аппроксимации.
Для расчета средней ошибки аппроксимации составим вспомогательную таблицу:
№ | y | |||
0,0296 | ||||
0,2857 | ||||
0,6222 | ||||
0,1062 | ||||
0,6364 | ||||
0,1250 | ||||
0,0091 | ||||
0,6786 | ||||
0,0000 | ||||
0,1013 | ||||
0,0500 | ||||
0,2133 | ||||
У | ; | 2,8573 | ||
Значение средней ошибки аппроксимации:
.
Рассчитанное значение средней ошибки аппроксимации говорит о низком качестве модели, так как ошибка аппроксимации более 15% свидетельствует о низком качестве подбора модели к данным.
6. Рассчитаем прогнозное значение результата, если прогнозные значения факторов составляют 80% от их максимальных значений.
Для этого найдем прогнозные значения показателей среднегодовой стоимости основных фондов и среднегодовой стоимости оборотных средств.
млн. руб.;
млн. руб.
Подставим найденные значения в уравнение регрессии:
получим валовой доход предприятия:
млн. руб.
Можно сделать вывод о том, что, согласно построенной модели, при среднегодовой стоимости основных фондов 189,6 млн руб. и среднегодовой стоимости оборотных средств 123,2 млн руб. валовой доход предприятия составит 255,23 млн руб.
7. Уравнение множественной регрессии. Параметр является статистически незначимым, а параметр является статистически значимым.
Средние коэффициенты эластичности:; .
Значение парных коэффициентов корреляции:
;; ;
значение множественного коэффициента корреляции; коэффициенты частной корреляции:
;; .
из этого следует, что необходимо признать статистическую значимость уравнения регрессии с вероятностью 95% (p=1-б).
Значение средней ошибки () аппроксимации говорит о низком качестве модели.
Согласно построенной модели, при среднегодовой стоимости основных фондов 189,6 млн руб. и среднегодовой стоимости оборотных средств 123,2 млн руб. валовой доход предприятия составит 255,23 млн руб.
Задача 5
Имеются данные о разрешениях на строительство частного жилья выданных в США в течении 5 лет в процентах к некоторому базовому году.
Месяц | 1й год | 2й год | 3й год | 4й год | 5й год | |
Январь | 72,9 | 61,4 | 71,2 | 78,3 | 86,4 | |
Февраль | 113,4 | 51,0 | 69,9 | 76,4 | 87,5 | |
Март | 86,2 | 55,3 | 74,3 | 74,5 | 80,2 | |
Апрель | 80,8 | 59,1 | 70,2 | 68,5 | 84,3 | |
Май | 73,7 | 59,5 | 68,4 | 71,6 | 86,8 | |
Июнь | 69,2 | 64,3 | 68,5 | 72,1 | 86,9 | |
Июль | 71,9 | 62,5 | 68,6 | 73,3 | 85,2 | |
Август | 69,9 | 63,1 | 70,6 | 76,2 | 85,0 | |
Сентябрь | 69,4 | 61,2 | 69,7 | 79,8 | 85,7 | |
Октябрь | 63,3 | 63,2 | 72,3 | 81,2 | 90,0 | |
Ноябрь | 60,0 | 64,3 | 73,5 | 83,5 | 88,4 | |
Декабрь | 61,0 | 63,9 | 72,5 | 88,0 | 85,7 | |
Задание
1. Рассчитайте трендовую и сезонную компоненты.
2. Постройте аддитивную модель этого ряда.
3. Найдите наиболее целесообразный вариант построения уравнения авторегрессии через расчет коэффициентов автокорреляции первого, второго и третьего порядка. Охарактеризуйте структуру этого ряда.
Решение:
Рассчитаем трендовую и сезонную компоненты данного временного ряда.
t | yt | Сглаживание по 13 точкам | Оценка S | Скорректированная сезонная компонента, S | |
72,9 | 14,374 | ||||
113,4 | 0,4429 | ||||
86,2 | — 1,334 | ||||
80,8 | — 5,58 | ||||
73,7 | — 3,665 | ||||
69,2 | — 0,38 | ||||
71,9 | 73,315 | — 1,415 | — 5,996 | ||
69,9 | 71,631 | — 1,731 | — 2,572 | ||
69,4 | 67,162 | 2,2385 | — 0,242 | ||
63,3 | 65,077 | — 1,777 | 0,2891 | ||
63,438 | — 3,438 | 0,9968 | |||
62,715 | — 1,715 | 3,666 | |||
61,4 | 62,2 | — 0,8 | 14,374 | ||
61,523 | — 10,52 | 0,4429 | |||
55,3 | 60,854 | — 5,554 | — 1,334 | ||
59,1 | 60,377 | — 1,277 | — 5,58 | ||
59,5 | 60,454 | — 0,954 | — 3,665 | ||
64,3 | 60,754 | 3,5462 | — 0,38 | ||
62,5 | 61,538 | 0,9615 | — 5,996 | ||
63,1 | 62,192 | 0,9077 | — 2,572 | ||
61,2 | 63,985 | — 2,785 | — 0,242 | ||
63,2 | 65,131 | — 1,931 | 0,2891 | ||
64,3 | 65,846 | — 1,546 | 0,9968 | ||
63,9 | 66,538 | — 2,638 | 3,666 | ||
71,2 | 66,869 | 4,3308 | 14,374 | ||
69,9 | 67,492 | 2,4077 | 0,4429 | ||
74,3 | 6,3 | — 1,334 | |||
70,2 | 68,854 | 1,3462 | — 5,58 | ||
68,4 | 69,646 | — 1,246 | — 3,665 | ||
68,5 | 70,277 | — 1,777 | — 0,38 | ||
68,6 | 71,385 | — 2,785 | — 5,996 | ||
70,6 | 71,785 | — 1,185 | — 2,572 | ||
69,7 | 72,138 | — 2,438 | — 0,242 | ||
72,3 | 71,692 | 0,6077 | 0,2891 | ||
73,5 | 71,8 | 1,7 | 0,9968 | ||
72,5 | 72,085 | 0,4154 | 3,666 | ||
78,3 | 72,454 | 5,8462 | 14,374 | ||
76,4 | 73,038 | 3,3615 | 0,4429 | ||
74,5 | 73,746 | 0,7538 | — 1,334 | ||
68,5 | 74,631 | — 6,131 | — 5,58 | ||
71,6 | 75,492 | — 3,892 | — 3,665 | ||
72,1 | 76,608 | — 4,508 | — 0,38 | ||
73,3 | 77,677 | — 4,377 | — 5,996 | ||
76,2 | 78,385 | — 2,185 | — 2,572 | ||
79,8 | 78,677 | 1,1231 | — 0,242 | ||
81,2 | 79,431 | 1,7692 | 0,2891 | ||
83,5 | 80,838 | 2,6615 | 0,9968 | ||
82,015 | 5,9846 | 3,666 | |||
86,4 | 83,023 | 3,3769 | 14,374 | ||
87,5 | 83,923 | 3,5769 | 0,4429 | ||
80,2 | 84,654 | — 4,454 | — 1,334 | ||
84,3 | 85,438 | — 1,138 | — 5,58 | ||
86,8 | 85,992 | 0,8077 | — 3,665 | ||
86,9 | 86,162 | 0,7385 | — 0,38 | ||
85,2 | — 5,996 | ||||
— 2,572 | |||||
85,7 | — 0,242 | ||||
0,2891 | |||||
88,4 | 0,9968 | ||||
85,7 | 3,666 | ||||
Таблица для нахождения скорректированной сезонной компоненты:
год/месяц | |||||||||||||
1й год | ; | ; | ; | ; | ; | ; | — 1,415 | — 1,731 | 2,238 | — 1,777 | — 3,438 | — 1,715 | |
2й год | — 0,800 | — 10,523 | — 5,554 | — 1,277 | — 0,954 | 3,546 | 0,962 | 0,908 | — 2,785 | — 1,931 | — 1,546 | — 2,638 | |
3й год | 4,331 | 2,408 | 6,300 | 1,346 | — 1,246 | — 1,777 | — 2,785 | — 1,185 | — 2,438 | 0,608 | 1,700 | 0,415 | |
4й год | 5,846 | 3,362 | 0,754 | — 6,131 | — 3,892 | — 4,508 | — 4,377 | — 2,185 | 1,123 | 1,769 | 2,662 | 5,985 | |
5й год | 3,377 | 3,577 | — 4,454 | — 1,138 | 0,808 | 0,738 | ; | ; | ; | ; | ; | ; | |
Средняя оценка сезонной компоненты для j-ого месяца | 12,754 | — 1,177 | — 2,954 | — 7,200 | — 5,285 | — 2 | — 7,615 | — 4,192 | — 1,862 | — 1,331 | — 0,623 | 2,046 | |
Скорректи-рованная сезонная компонента для j-ого месяца | 14,374 | 0,443 | — 1,334 | — 5,580 | — 3,665 | — 0,38 | — 5,996 | — 2,572 | — 0,242 | 0,289 | 0,997 | 3,666 | |
В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимопогашаются. В аддитивной модели это выражается тем, что сумма значений сезонной компоненты по всем месяцам должна быть равна нулю.
Для данной модели имеем:
.
Определим корректирующий коэффициент:
.
Рассчитаем скорректированные значения сезонной компоненты как разность между ее средней оценкой и корректирующим коэффициентом k:
где .
Проверим условие равенства нулю суммы значений сезонной компоненты: .
t | yt | S | y, ytS | t y | t 2 | |
72,9 | 14,374 | 58,526 | 58,526 | |||
113,4 | 0,4429 | 112,96 | 225,91 | |||
86,2 | — 1,334 | 87,534 | 262,6 | |||
80,8 | — 5,58 | 86,38 | 345,52 | |||
73,7 | — 3,665 | 77,365 | 386,82 | |||
69,2 | — 0,38 | 69,58 | 417,48 | |||
71,9 | — 5,996 | 77,896 | 545,27 | |||
69,9 | — 2,572 | 72,472 | 579,78 | |||
69,4 | — 0,242 | 69,642 | 626,78 | |||
63,3 | 0,2891 | 63,011 | 630,11 | |||
0,9968 | 59,003 | 649,04 | ||||
3,666 | 57,334 | 688,01 | ||||
61,4 | 14,374 | 47,026 | 611,34 | |||
0,4429 | 50,557 | 707,8 | ||||
55,3 | — 1,334 | 56,634 | 849,51 | |||
59,1 | — 5,58 | 64,68 | 1034,9 | |||
59,5 | — 3,665 | 63,165 | 1073,8 | |||
64,3 | — 0,38 | 64,68 | 1164,2 | |||
62,5 | — 5,996 | 68,496 | 1301,4 | |||
63,1 | — 2,572 | 65,672 | 1313,4 | |||
61,2 | — 0,242 | 61,442 | 1290,3 | |||
63,2 | 0,2891 | 62,911 | ||||
64,3 | 0,9968 | 63,303 | ||||
63,9 | 3,666 | 60,234 | 1445,6 | |||
71,2 | 14,374 | 56,826 | 1420,7 | |||
69,9 | 0,4429 | 69,457 | 1805,9 | |||
74,3 | — 1,334 | 75,634 | 2042,1 | |||
70,2 | — 5,58 | 75,78 | 2121,8 | |||
68,4 | — 3,665 | 72,065 | 2089,9 | |||
68,5 | — 0,38 | 68,88 | 2066,4 | |||
68,6 | — 5,996 | 74,596 | 2312,5 | |||
70,6 | — 2,572 | 73,172 | 2341,5 | |||
69,7 | — 0,242 | 69,942 | 2308,1 | |||
72,3 | 0,2891 | 72,011 | 2448,4 | |||
73,5 | 0,9968 | 72,503 | 2537,6 | |||
72,5 | 3,666 | 68,834 | ||||
78,3 | 14,374 | 63,926 | 2365,3 | |||
76,4 | 0,4429 | 75,957 | 2886,4 | |||
74,5 | — 1,334 | 75,834 | 2957,5 | |||
68,5 | — 5,58 | 74,08 | 2963,2 | |||
71,6 | — 3,665 | 75,265 | 3085,9 | |||
72,1 | — 0,38 | 72,48 | 3044,2 | |||
73,3 | — 5,996 | 79,296 | 3409,7 | |||
76,2 | — 2,572 | 78,772 | ||||
79,8 | — 0,242 | 80,042 | 3601,9 | |||
81,2 | 0,2891 | 80,911 | 3721,9 | |||
83,5 | 0,9968 | 82,503 | 3877,7 | |||
3,666 | 84,334 | |||||
86,4 | 14,374 | 72,026 | 3529,3 | |||
87,5 | 0,4429 | 87,057 | 4352,9 | |||
80,2 | — 1,334 | 81,534 | 4158,2 | |||
84,3 | — 5,58 | 89,88 | 4673,8 | |||
86,8 | — 3,665 | 90,465 | 4794,6 | |||
86,9 | — 0,38 | 87,28 | 4713,1 | |||
85,2 | — 5,996 | 91,196 | 5015,8 | |||
— 2,572 | 87,572 | 4904,1 | ||||
85,7 | — 0,242 | 85,942 | 4898,7 | |||
0,2891 | 89,711 | 5203,2 | ||||
88,4 | 0,9968 | 87,403 | 5156,8 | |||
85,7 | 3,666 | 82,034 | ||||
Сумма 1830 | 4425,7 | |||||
Среднее 30,5 | 73,762 | 2346,2 | 1230,17 | |||
Уравнение линии тренда T=a+bx
T=63,953+0,322*(номер месяца) Рассчитаем коэффициент автокорреляции первого порядка.
Составим для вычислений таблицу.
T | yt | yt-1 | ||||||
72,9 | ||||||||
113,4 | 72,9 | 39,62 | — 0,66 | — 26,1492 | 1569,7444 | 0,4356 | ||
86,2 | 113,4 | 12,42 | 39,84 | 494,8128 | 154,2564 | 1587,2256 | ||
80,8 | 86,2 | 7,02 | 12,64 | 88,7328 | 49,2804 | 159,7696 | ||
73,7 | 80,8 | — 0,08 | 7,24 | — 0,5792 | 0,0064 | 52,4176 | ||
69,2 | 73,7 | — 4,58 | 0,14 | — 0,6412 | 20,9764 | 0,0196 | ||
71,9 | 69,2 | — 1,88 | — 4,36 | 8,1968 | 3,5344 | 19,0096 | ||
69,9 | 71,9 | — 3,88 | — 1,66 | 6,4408 | 15,0544 | 2,7556 | ||
69,4 | 69,9 | — 4,38 | — 3,66 | 16,0308 | 19,1844 | 13,3956 | ||
63,3 | 69,4 | — 10,48 | — 4,16 | 43,5968 | 109,8304 | 17,3056 | ||
63,3 | — 13,78 | — 10,26 | 141,3828 | 189,8884 | 105,2676 | |||
— 12,78 | — 13,56 | 173,2968 | 163,3284 | 183,8736 | ||||
61,4 | — 12,38 | — 12,56 | 155,4928 | 153,2644 | 157,7536 | |||
61,4 | — 22,78 | — 12,16 | 277,0048 | 518,9284 | 147,8656 | |||
55,3 | — 18,48 | — 22,56 | 416,9088 | 341,5104 | 508,9536 | |||
59,1 | 55,3 | — 14,68 | — 18,26 | 268,0568 | 215,5024 | 333,4276 | ||
59,5 | 59,1 | — 14,28 | — 14,46 | 206,4888 | 203,9184 | 209,0916 | ||
64,3 | 59,5 | — 9,48 | — 14,06 | 133,2888 | 89,8704 | 197,6836 | ||
62,5 | 64,3 | — 11,28 | — 9,26 | 104,4528 | 127,2384 | 85,7476 | ||
63,1 | 62,5 | — 10,68 | — 11,06 | 118,1208 | 114,0624 | 122,3236 | ||
61,2 | 63,1 | — 12,58 | — 10,46 | 131,5868 | 158,2564 | 109,4116 | ||
63,2 | 61,2 | — 10,58 | — 12,36 | 130,7688 | 111,9364 | 152,7696 | ||
64,3 | 63,2 | — 9,48 | — 10,36 | 98,2128 | 89,8704 | 107,3296 | ||
63,9 | 64,3 | — 9,88 | — 9,26 | 91,4888 | 97,6144 | 85,7476 | ||
71,2 | 63,9 | — 2,58 | — 9,66 | 24,9228 | 6,6564 | 93,3156 | ||
69,9 | 71,2 | — 3,88 | — 2,36 | 9,1568 | 15,0544 | 5,5696 | ||
74,3 | 69,9 | 0,52 | — 3,66 | — 1,9032 | 0,2704 | 13,3956 | ||
70,2 | 74,3 | — 3,58 | 0,74 | — 2,6492 | 12,8164 | 0,5476 | ||
68,4 | 70,2 | — 5,38 | — 3,36 | 18,0768 | 28,9444 | 11,2896 | ||
68,5 | 68,4 | — 5,28 | — 5,16 | 27,2448 | 27,8784 | 26,6256 | ||
68,6 | 68,5 | — 5,18 | — 5,06 | 26,2108 | 26,8324 | 25,6036 | ||
70,6 | 68,6 | — 3,18 | — 4,96 | 15,7728 | 10,1124 | 24,6016 | ||
69,7 | 70,6 | — 4,08 | — 2,96 | 12,0768 | 16,6464 | 8,7616 | ||
72,3 | 69,7 | — 1,48 | — 3,86 | 5,7128 | 2,1904 | 14,8996 | ||
73,5 | 72,3 | — 0,28 | — 1,26 | 0,3528 | 0,0784 | 1,5876 | ||
72,5 | 73,5 | — 1,28 | — 0,06 | 0,0768 | 1,6384 | 0,0036 | ||
78,3 | 72,5 | 4,52 | — 1,06 | — 4,7912 | 20,4304 | 1,1236 | ||
76,4 | 78,3 | 2,62 | 4,74 | 12,4188 | 6,8644 | 22,4676 | ||
74,5 | 76,4 | 0,72 | 2,84 | 2,0448 | 0,5184 | 8,0656 | ||
68,5 | 74,5 | — 5,28 | 0,94 | — 4,9632 | 27,8784 | 0,8836 | ||
71,6 | 68,5 | — 2,18 | — 5,06 | 11,0308 | 4,7524 | 25,6036 | ||
72,1 | 71,6 | — 1,68 | — 1,96 | 3,2928 | 2,8224 | 3,8416 | ||
73,3 | 72,1 | — 0,48 | — 1,46 | 0,7008 | 0,2304 | 2,1316 | ||
76,2 | 73,3 | 2,42 | — 0,26 | — 0,6292 | 5,8564 | 0,0676 | ||
79,8 | 76,2 | 6,02 | 2,64 | 15,8928 | 36,2404 | 6,9696 | ||
81,2 | 79,8 | 7,42 | 6,24 | 46,3008 | 55,0564 | 38,9376 | ||
83,5 | 81,2 | 9,72 | 7,64 | 74,2608 | 94,4784 | 58,3696 | ||
83,5 | 14,22 | 9,94 | 141,3468 | 202,2084 | 98,8036 | |||
86,4 | 12,62 | 14,44 | 182,2328 | 159,2644 | 208,5136 | |||
87,5 | 86,4 | 13,72 | 12,84 | 176,1648 | 188,2384 | 164,8656 | ||
80,2 | 87,5 | 6,42 | 13,94 | 89,4948 | 41,2164 | 194,3236 | ||
84,3 | 80,2 | 10,52 | 6,64 | 69,8528 | 110,6704 | 44,0896 | ||
86,8 | 84,3 | 13,02 | 10,74 | 139,8348 | 169,5204 | 115,3476 | ||
86,9 | 86,8 | 13,12 | 13,24 | 173,7088 | 172,1344 | 175,2976 | ||
85,2 | 86,9 | 11,42 | 13,34 | 152,3428 | 130,4164 | 177,9556 | ||
85,2 | 11,22 | 11,64 | 130,6008 | 125,8884 | 135,4896 | |||
85,7 | 11,92 | 11,44 | 136,3648 | 142,0864 | 130,8736 | |||
85,7 | 16,22 | 12,14 | 196,9108 | 263,0884 | 147,3796 | |||
88,4 | 14,62 | 16,44 | 240,3528 | 213,7444 | 270,2736 | |||
85,7 | 88,4 | 11,92 | 14,84 | 176,8928 | 142,0864 | 220,2256 | ||
Сумма | 4425,7 | 5373,7032 | 6981,8676 | 6837,6824 | ||||
Рассчитаем коэффициент автокорреляции второго порядка.
Составим для вычислений таблицу.
T | yt | yt-2 | ||||||
72,9 | ||||||||
113,4 | ||||||||
86,2 | 72,9 | 13,11 | — 0,4 | — 5,244 | 171,8721 | 0,16 | ||
80,8 | 113,4 | 7,71 | 40,1 | 309,171 | 59,4441 | 1608,01 | ||
73,7 | 86,2 | 0,61 | 12,9 | 7,869 | 0,3721 | 166,41 | ||
69,2 | 80,8 | — 3,89 | 7,5 | — 29,175 | 15,1321 | 56,25 | ||
71,9 | 73,7 | — 1,19 | 0,4 | — 0,476 | 1,4161 | 0,16 | ||
69,9 | 69,2 | — 3,19 | — 4,1 | 13,079 | 10,1761 | 16,81 | ||
69,4 | 71,9 | — 3,69 | — 1,4 | 5,166 | 13,6161 | 1,96 | ||
63,3 | 69,9 | — 9,79 | — 3,4 | 33,286 | 95,8441 | 11,56 | ||
69,4 | — 13,09 | — 3,9 | 51,051 | 171,3481 | 15,21 | |||
63,3 | — 12,09 | — 10 | 120,9 | 146,1681 | ||||
61,4 | — 11,69 | — 13,3 | 155,477 | 136,6561 | 176,89 | |||
— 22,09 | — 12,3 | 271,707 | 487,9681 | 151,29 | ||||
55,3 | 61,4 | — 17,79 | — 11,9 | 211,701 | 316,4841 | 141,61 | ||
59,1 | — 13,99 | — 22,3 | 311,977 | 195,7201 | 497,29 | |||
59,5 | 55,3 | — 13,59 | — 18 | 244,62 | 184,6881 | |||
64,3 | 59,1 | — 8,79 | — 14,2 | 124,818 | 77,2641 | 201,64 | ||
62,5 | 59,5 | — 10,59 | — 13,8 | 146,142 | 112,1481 | 190,44 | ||
63,1 | 64,3 | — 9,99 | — 9 | 89,91 | 99,8001 | |||
61,2 | 62,5 | — 11,89 | — 10,8 | 128,412 | 141,3721 | 116,64 | ||
63,2 | 63,1 | — 9,89 | — 10,2 | 100,878 | 97,8121 | 104,04 | ||
64,3 | 61,2 | — 8,79 | — 12,1 | 106,359 | 77,2641 | 146,41 | ||
63,9 | 63,2 | — 9,19 | — 10,1 | 92,819 | 84,4561 | 102,01 | ||
71,2 | 64,3 | — 1,89 | — 9 | 17,01 | 3,5721 | |||
69,9 | 63,9 | — 3,19 | — 9,4 | 29,986 | 10,1761 | 88,36 | ||
74,3 | 71,2 | 1,21 | — 2,1 | — 2,541 | 1,4641 | 4,41 | ||
70,2 | 69,9 | — 2,89 | — 3,4 | 9,826 | 8,3521 | 11,56 | ||
68,4 | 74,3 | — 4,69 | — 4,69 | 21,9961 | ||||
68,5 | 70,2 | — 4,59 | — 3,1 | 14,229 | 21,0681 | 9,61 | ||
68,6 | 68,4 | — 4,49 | — 4,9 | 22,001 | 20,1601 | 24,01 | ||
70,6 | 68,5 | — 2,49 | — 4,8 | 11,952 | 6,2001 | 23,04 | ||
69,7 | 68,6 | — 3,39 | — 4,7 | 15,933 | 11,4921 | 22,09 | ||
72,3 | 70,6 | — 0,79 | — 2,7 | 2,133 | 0,6241 | 7,29 | ||
73,5 | 69,7 | 0,41 | — 3,6 | — 1,476 | 0,1681 | 12,96 | ||
72,5 | 72,3 | — 0,59 | — 1 | 0,59 | 0,3481 | |||
78,3 | 73,5 | 5,21 | 0,2 | 1,042 | 27,1441 | 0,04 | ||
76,4 | 72,5 | 3,31 | — 0,8 | — 2,648 | 10,9561 | 0,64 | ||
74,5 | 78,3 | 1,41 | 7,05 | 1,9881 | ||||
68,5 | 76,4 | — 4,59 | 3,1 | — 14,229 | 21,0681 | 9,61 | ||
71,6 | 74,5 | — 1,49 | 1,2 | — 1,788 | 2,2201 | 1,44 | ||
72,1 | 68,5 | — 0,99 | — 4,8 | 4,752 | 0,9801 | 23,04 | ||
73,3 | 71,6 | 0,21 | — 1,7 | — 0,357 | 0,0441 | 2,89 | ||
76,2 | 72,1 | 3,11 | — 1,2 | — 3,732 | 9,6721 | 1,44 | ||
79,8 | 73,3 | 6,71 | 45,0241 | |||||
81,2 | 76,2 | 8,11 | 2,9 | 23,519 | 65,7721 | 8,41 | ||
83,5 | 79,8 | 10,41 | 6,5 | 67,665 | 108,3681 | 42,25 | ||
81,2 | 14,91 | 7,9 | 117,789 | 222,3081 | 62,41 | |||
86,4 | 83,5 | 13,31 | 10,2 | 135,762 | 177,1561 | 104,04 | ||
87,5 | 14,41 | 14,7 | 211,827 | 207,6481 | 216,09 | |||
80,2 | 86,4 | 7,11 | 13,1 | 93,141 | 50,5521 | 171,61 | ||
84,3 | 87,5 | 11,21 | 14,2 | 159,182 | 125,6641 | 201,64 | ||
86,8 | 80,2 | 13,71 | 6,9 | 94,599 | 187,9641 | 47,61 | ||
86,9 | 84,3 | 13,81 | 151,91 | 190,7161 | ||||
85,2 | 86,8 | 12,11 | 13,5 | 163,485 | 146,6521 | 182,25 | ||
86,9 | 11,91 | 13,6 | 161,976 | 141,8481 | 184,96 | |||
85,7 | 85,2 | 12,61 | 11,9 | 150,059 | 159,0121 | 141,61 | ||
16,91 | 11,7 | 197,847 | 285,9481 | 136,89 | ||||
88,4 | 85,7 | 15,31 | 12,4 | 189,844 | 234,3961 | 153,76 | ||
85,7 | 12,61 | 16,7 | 210,587 | 159,0121 | 278,89 | |||
Сумма | 4425,7 | 4251,6 | 4724,682 | 5384,7578 | 6613,64 | |||
Рассчитаем коэффициент автокорреляции второго порядка.
Составим для вычислений таблицу.
T | yt | yt-2 | ||||||
72,9 | ||||||||
113,4 | ||||||||
86,2 | ||||||||
80,8 | 72,9 | 7,94 | — 0,11 | — 0,8734 | 63,0436 | 0,0121 | ||
73,7 | 113,4 | 0,84 | 40,39 | 33,9276 | 0,7056 | 1631,3521 | ||
69,2 | 86,2 | — 3,66 | 13,19 | — 48,2754 | 13,3956 | 173,9761 | ||
71,9 | 80,8 | — 0,96 | 7,79 | — 7,4784 | 0,9216 | 60,6841 | ||
69,9 | 73,7 | — 2,96 | 0,69 | — 2,0424 | 8,7616 | 0,4761 | ||
69,4 | 69,2 | — 3,46 | — 3,81 | 13,1826 | 11,9716 | 14,5161 | ||
63,3 | 71,9 | — 9,56 | — 1,11 | 10,6116 | 91,3936 | 1,2321 | ||
69,9 | — 12,86 | — 3,11 | 39,9946 | 165,3796 | 9,6721 | |||
69,4 | — 11,86 | — 3,61 | 42,8146 | 140,6596 | 13,0321 | |||
61,4 | 63,3 | — 11,46 | — 9,71 | 111,2766 | 131,3316 | 94,2841 | ||
— 21,86 | — 13,01 | 284,3986 | 477,8596 | 169,2601 | ||||
55,3 | — 17,56 | — 12,01 | 210,8956 | 308,3536 | 144,2401 | |||
59,1 | 61,4 | — 13,76 | — 11,61 | 159,7536 | 189,3376 | 134,7921 | ||
59,5 | — 13,36 | — 22,01 | 294,0536 | 178,4896 | 484,4401 | |||
64,3 | 55,3 | — 8,56 | — 17,71 | 151,5976 | 73,2736 | 313,6441 | ||
62,5 | 59,1 | — 10,36 | — 13,91 | 144,1076 | 107,3296 | 193,4881 | ||
63,1 | 59,5 | — 9,76 | — 13,51 | 131,8576 | 95,2576 | 182,5201 | ||
61,2 | 64,3 | — 11,66 | — 8,71 | 101,5586 | 135,9556 | 75,8641 | ||
63,2 | 62,5 | — 9,66 | — 10,51 | 101,5266 | 93,3156 | 110,4601 | ||
64,3 | 63,1 | — 8,56 | — 9,91 | 84,8296 | 73,2736 | 98,2081 | ||
63,9 | 61,2 | — 8,96 | — 11,81 | 105,8176 | 80,2816 | 139,4761 | ||
71,2 | 63,2 | — 1,66 | — 9,81 | 16,2846 | 2,7556 | 96,2361 | ||
69,9 | 64,3 | — 2,96 | — 8,71 | 25,7816 | 8,7616 | 75,8641 | ||
74,3 | 63,9 | 1,44 | — 9,11 | — 13,1184 | 2,0736 | 82,9921 | ||
70,2 | 71,2 | — 2,66 | — 1,81 | 4,8146 | 7,0756 | 3,2761 | ||
68,4 | 69,9 | — 4,46 | — 3,11 | 13,8706 | 19,8916 | 9,6721 | ||
68,5 | 74,3 | — 4,36 | 1,29 | — 5,6244 | 19,0096 | 1,6641 | ||
68,6 | 70,2 | — 4,26 | — 2,81 | 11,9706 | 18,1476 | 7,8961 | ||
70,6 | 68,4 | — 2,26 | — 4,61 | 10,4186 | 5,1076 | 21,2521 | ||
69,7 | 68,5 | — 3,16 | — 4,51 | 14,2516 | 9,9856 | 20,3401 | ||
72,3 | 68,6 | — 0,56 | — 4,41 | 2,4696 | 0,3136 | 19,4481 | ||
73,5 | 70,6 | 0,64 | — 2,41 | — 1,5424 | 0,4096 | 5,8081 | ||
72,5 | 69,7 | — 0,36 | — 3,31 | 1,1916 | 0,1296 | 10,9561 | ||
78,3 | 72,3 | 5,44 | — 0,71 | — 3,8624 | 29,5936 | 0,5041 | ||
76,4 | 73,5 | 3,54 | 0,49 | 1,7346 | 12,5316 | 0,2401 | ||
74,5 | 72,5 | 1,64 | — 0,51 | — 0,8364 | 2,6896 | 0,2601 | ||
68,5 | 78,3 | — 4,36 | 5,29 | — 23,0644 | 19,0096 | 27,9841 | ||
71,6 | 76,4 | — 1,26 | 3,39 | — 4,2714 | 1,5876 | 11,4921 | ||
72,1 | 74,5 | — 0,76 | 1,49 | — 1,1324 | 0,5776 | 2,2201 | ||
73,3 | 68,5 | 0,44 | — 4,51 | — 1,9844 | 0,1936 | 20,3401 | ||
76,2 | 71,6 | 3,34 | — 1,41 | — 4,7094 | 11,1556 | 1,9881 | ||
79,8 | 72,1 | 6,94 | — 0,91 | — 6,3154 | 48,1636 | 0,8281 | ||
81,2 | 73,3 | 8,34 | 0,29 | 2,4186 | 69,5556 | 0,0841 | ||
83,5 | 76,2 | 10,64 | 3,19 | 33,9416 | 113,2096 | 10,1761 | ||
79,8 | 15,14 | 6,79 | 102,8006 | 229,2196 | 46,1041 | |||
86,4 | 81,2 | 13,54 | 8,19 | 110,8926 | 183,3316 | 67,0761 | ||
87,5 | 83,5 | 14,64 | 10,49 | 153,5736 | 214,3296 | 110,0401 | ||
80,2 | 7,34 | 14,99 | 110,0266 | 53,8756 | 224,7001 | |||
84,3 | 86,4 | 11,44 | 13,39 | 153,1816 | 130,8736 | 179,2921 | ||
86,8 | 87,5 | 13,94 | 14,49 | 201,9906 | 194,3236 | 209,9601 | ||
86,9 | 80,2 | 14,04 | 7,19 | 100,9476 | 197,1216 | 51,6961 | ||
85,2 | 84,3 | 12,34 | 11,29 | 139,3186 | 152,2756 | 127,4641 | ||
86,8 | 12,14 | 13,79 | 167,4106 | 147,3796 | 190,1641 | |||
85,7 | 86,9 | 12,84 | 13,89 | 178,3476 | 164,8656 | 192,9321 | ||
85,2 | 17,14 | 12,19 | 208,9366 | 293,7796 | 148,5961 | |||
88,4 | 15,54 | 11,99 | 186,3246 | 241,4916 | 143,7601 | |||
85,7 | 85,7 | 12,84 | 12,69 | 162,9396 | 164,8656 | 161,0361 | ||
Сумма | 4425,7 | 4161,6 | 4012,9122 | 5209,9532 | 6329,9737 | |||
Лаг | Автокорреляция | |
0,77 774 | ||
0,79 172 | ||
0,69 878 | ||
0,63 127 | ||
0,59 849 | ||
0,5211 | ||
0,45 676 | ||
0,36 085 | ||
0,30 451 | ||
0,26 279 | ||
0,18 691 | ||
0,4 729 | ||
Наиболее целесообразный вариант построения уравнения — авторегрессионная модель второго порядка: