Контрольная работа по дисциплине "Эконометрика"

Автор работы: Пользователь скрыл имя, 18 Мая 2015 в 10:46, контрольная работа

Краткое описание

Задача 1. Эконометрическое моделирование стоимости квартир в Московской области.
Задача 2. Исследовать динамику экономического показателя на основе анализа одномерного временного ряда.

Содержание

СОДЕРЖАНИЕ 2
ИСХОДНЫЕ ДАННЫЕ 3
ЗАДАЧА 1. ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ СТОИМОСТИ КВАРТИР В МОСКОВСКОЙ ОБЛАСТИ 3
ЗАДАЧА 2. ИССЛЕДОВАТЬ ДИНАМИКУ ЭКОНОМИЧЕСКОГО ПОКАЗАТЕЛЯ НА ОСНОВЕ АНАЛИЗА ОДНОМЕРНОГО ВРЕМЕННОГО РЯДА 5
РЕШЕНИЕ 6
ЗАДАЧА 1. ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ СТОИМОСТИ КВАРТИР В МОСКОВСКОЙ ОБЛАСТИ 6
Задача 1.1 Расчет матрицы парных коэффициентов корреляции и оценка их статистической значимости. 6
1.2 Построение поля корреляции результативного признака. 9
1.3 Расчет параметров линейной парной регрессии. 9
Задача 1.4 Оценка качества модели через коэффициент детерминации, среднюю ошибку аппроксимации и F-критерий Фишера. 12
Задача 1.5 Осуществление прогнозирования среднего значения показателя Y. 15
Задача 1.6 Построение модели формирования цены на основе только значимых факторов. 17
Задача 1.7 Оценка качества построенной модели. 21
ЗАДАЧА 2. ИССЛЕДОВАТЬ ДИНАМИКУ ЭКОНОМИЧЕСКОГО ПОКАЗАТЕЛЯ НА ОСНОВЕ АНАЛИЗА ОДНОМЕРНОГО ВРЕМЕННОГО РЯДА. 27
Задача 2.1 Проверка наличия аномальных наблюдений. 27
Задача 2.2 Построение линейной модели. 29
Задача 2.3 Оценка адекватности модели. 32
Задача 2.4 Оценка точности модели на основе использования средней относительной ошибки аппроксимации. 35
Задача 2.5 Осуществление прогноза спроса на следующие 2 недели. 35
Задача 2.6 Графическое предоставление результатов моделирования и прогнозирования. 37
СПИСОК ЛИТЕРАТУРЫ 39

Прикрепленные файлы: 1 файл

Контрольная по эконометрике.docx

— 184.71 Кб (Скачать документ)

Оценим значимость каждого коэффициента регрессии:

 

 

 

 

 

 

где и – расчетные значения t-статистик Стьюдента;

 – стандартная ошибка;

 – расчетное значение.

Расчетные значения t-статистик Стьюдента приведены в таблице 7:

;

.

По таблице критических точек распределения Стьюдента (или с помощью функции СТЬЮДРАСПОБР в Excel) при уровне значимости α=5% и числе степеней свободы k=n–2=40–2=38 критическое значение равно:

 

 

Таким образом,

 

следовательно, свободный член в уравнении регрессии не значим;

 

следовательно, фактор Х3в уравнении регрессии значим.

Вывод: фактор общей площади квартиры играет решающую роль в формировании цены на квартиру.

 

Задача 1.4 Оценка качества модели через коэффициент детерминации, среднюю ошибку аппроксимации и F-критерий Фишера.

Оцените качество модели через коэффициент детерминации, среднюю ошибку аппроксимации и F– критерий Фишера.


 

Для оценки качества подбора линейной функции рассчитывается квадрат линейного коэффициента корреляции , называемый коэффициентом детерминации. Коэффициентом детерминации характеризует долю вариации результативного признака Y, учтенную в модели, и обусловленную влиянием фактора X3. Для приемлемых моделей предполагается, что коэффициент детерминации должен быть хотя бы не меньше 50 %. Модели с коэффициентом детерминации выше 80 % можно признать достаточно хорошими. Значение коэффициента детерминации 1 означает функциональную зависимость между переменными.

Коэффициент детерминации определяется по формуле:

 

где –сумма квадратов отклонений, объясненная регрессией;

– общая сумма квадратов отклонений.

Коэффициенты детерминации R-квадрат определенинструментом «Регрессия» пакета «Анализ данных» в Excel (таблица 5):

.

Вывод: значениеY формируется значением X3 на 79,7% и случайными факторами на 20,3%. Т.к. значение коэффициента детерминации близко к 80%, модель можно признать хорошей.

 

Для вычисления средней относительной ошибки аппроксимации рассмотрим остатки модели

 

содержащиеся в столбце «Остатки»таблицы 8. Дополним таблицу столбцом относительных погрешностей, которые вычислим по формуле:

 

Таблица 8: Вывод остатков.

Наблюдение

Предсказанное 
Y

Остатки

Стандартные 
остатки

Y

Относительная 
погрешность

41

51,99355602

-13,993556

-0,542702696

38,0000

36,82514743

42

95,18161045

-32,98161

-1,279103673

62,2000

53,02509719

43

91,99430016

33,0056998

1,280037916

125,0000

26,40455987

44

77,81076937

-16,710769

-0,648082559

61,1000

27,34986804

45

36,21637009

30,7836299

1,193860869

67,0000

45,94571629

46

76,37647974

16,6235203

0,644698835

93,0000

17,87475297

47

155,740506

-37,740506

-1,463664725

118,0000

31,98347962

48

114,3054722

17,6945278

0,686235002

132,0000

13,40494531

49

128,489003

-35,989003

-1,39573736

92,5000

38,90703025

50

104,7435413

0,25645868

0,009946065

105,0000

0,244246363

51

42,59099067

-0,5909907

-0,022919995

42,0000

1,407120638

52

101,3968655

23,6031345

0,915384531

125,0000

18,88250759

53

128,6483685

41,3516315

1,603712585

170,0000

24,32448912

54

31,43540465

6,56459535

0,254590298

38,0000

17,27525091

55

157,3341611

-26,834161

-1,040691269

130,5000

20,56257556

56

80,83871415

4,16128585

0,161384358

85,0000

4,895630417

57

112,711817

-14,711817

-0,570558531

98,0000

15,01205821

58

150,9595405

-22,959541

-0,890424458

128,0000

17,93714103

59

120,6800928

-35,680093

-1,383757103

85,0000

41,97657973

60

96,77526559

63,2247344

2,452002462

160,0000

39,515459

61

80,83871415

-20,838714

-0,808173872

60,0000

34,73119024

62

40,99733552

0,00266448

0,000103335

41,0000

0,006498724

63

96,77526559

-6,7752656

-0,262760581

90,0000

7,528072883

64

95,97843802

-12,978438

-0,503334056

83,0000

15,63667232

65

37,4912942

7,5087058

0,2912051

45,0000

16,68601288

66

36,21637009

2,78362991

0,107955652

39,0000

7,137512594

67

139,8039545

-52,903955

-2,051738578

86,9000

60,87911911

68

37,4912942

2,5087058

0,097293454

40,0000

6,271764489

69

98,84701728

-18,847017

-0,730931228

80,0000

23,5587716

70

219,4867118

7,51328825

0,291382818

227,0000

3,309818612

71

224,2676772

10,7323228

0,416224476

235,0000

4,566945878

72

39,40368038

0,59631962

0,023126664

40,0000

1,490799054

73

60,12119726

6,87880274

0,266775992

67,0000

10,26686976

74

114,3054722

8,69452781

0,33719404

123,0000

7,068721798

75

76,05774871

23,9422513

0,928536271

100,0000

23,94225129

76

112,711817

-7,711817

-0,299082227

105,0000

7,34458766

77

77,81076937

-7,5107694

-0,29128513

70,3000

10,68388246

78

114,4648377

-32,464838

-1,259062023

82,0000

39,59126549

79

232,2359529

47,7640471

1,852400997

280,0000

17,05858825

80

157,9716232

42,0283768

1,629958346

200,0000

21,01418842

Среднее значение

101,2375

   

101,2375

20,31317973


 

По столбцу относительных погрешностей найдем среднее значение с помощью функции СРЗНАЧ Excel:

 

 

Рисунок 2: График остатков.

Вывод:Т.к. средняя ошибка аппроксимации составляет чуть более 20%, то модель нужно признать грубой, но допустимой.

Проверим значимость полученных уравнений с помощью  
F – критерия Фишера:

 

где k – количество факторов, включенных в модель.

F– статистика определена инструментом «Регрессия» пакета «Анализ данных» в Excel (таблица 6):

F = 149,6

С помощью функции FРАСПОБР Excel или по таблице найдем значение Fкр для уровня значимости α=5%, и чисел степеней свободы k1=1, k2=38.

 

 

 

Вывод: уравнение модели является значимым, его использование целесообразно, зависимая переменная Y достаточно хорошо описывается включенной в модель факторной переменнойХ3.

 

Задача 1.5Осуществление прогнозирования среднего значения показателя Y.

По модели осуществите прогнозирование среднего значения показателя Y при уровне значимости  α = 0,1, если прогнозное значения фактора X составит 80% от его максимального значения. Представьте графически фактические и модельные значения,  точки прогноза.


Согласно условию задачи, прогнозное значение фактора Х3 составляет 80% от его максимального значения. Максимальное значение Х3 найдем с помощью функции МАКС в Excel:

 

 

Тогда прогнозное значение:

 

Рассчитаем по уравнению модели прогнозное значение Y:

 

Таким образом, если общая площадь квартиры равна 80% от ее максимального значения и составит 124 кв. м, то ожидаемая цена квартиры будет составлять около 182,9 тыс. долл.

Зададим доверительную вероятность:

.

 Построим доверительный прогнозный интервал для среднего значения Y:

 

Предварительно подготовим:

  • – стандартная ошибка (таблица 5);
  • – среднее значение по столбцу данных Х3 (функция СРЗНАЧ);
  • (функция КВАДРОТКЛ);
  • tα – коэффициент Стьюдента для уровня значимости α=10% и числа степеней свободы k=38:

 

Тогда, предельная ошибка прогноза:

 

 

Следовательно, доверительный интервал имеет вид:

 

 

Вывод: с надежностью 90% можно утверждать, что если общая площадь квартиры составит 80% от ее максимального значения и составит 124 кв. м, то ожидаемая средняя цена квартиры будет от 136,9 тыс. долл. до 228,9 тыс. долл.

Выполненный прогноз стоимости квартиры оказался надежным  
(p=1–α=1–0.1=0.9), но не точным, так как диапазон верхней и нижней границ доверительного интервала отличаются в 1,7 раза:

 

Для построения графика используем «Мастер диаграмм» – покажем фактические исходные данные (поле корреляции). Затем с помощью опции «Добавить линию тренда», построим линию модели и покажем на графике результаты прогнозирования. 

Рисунок 3: Поле корреляции. Линия тренда. Доверительный интервал.

Задача 1.6 Построение модели формирования цены на основе только значимых факторов.

Используя пошаговую множественную регрессию (метод исключения или метод включения), постройте модель формирования цены квартиры на основе только значимых факторов. Дайте экономическую интерпретацию коэффициентов модели регрессии.


Методом включения построим двухфакторные модели, сохраняя в них наиболее информативный фактор – общую площадь квартиры (Х3).

В качестве «входного интервала Х» укажем значения факторов Х3 и Х1, с помощью инструмента «Регрессия» пакета «Анализ данных» Excel получим:

 

Таблица 9: Регрессионная статистика зависимости Y от значений факторов Х3 и Х1.

Регрессионная статистика

Множественный R

0,893586

R-квадрат

0,798497

Нормированный R-квадрат

0,787604

Стандартная ошибка

26,40345

Наблюдения

40


 

Таблица 10: Дисперсионный анализ зависимости Y от значений факторов Х3 и Х1.

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

2

102214,7

51107,37

73,30983

1,35E-13

Остаток

37

25794,26

697,1421

   

Итого

39

128009

     

 

Таблица 11: Расчетные параметры линейной парной регрессии зависимости Y от значений факторов Х3 и Х1.

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Нижние 95,0%

Верхние 95,0%

Y-пересечение

-16,6541

11,28825

-1,47534

0,14858

-39,5262

6,218112

-39,5262

6,218112

X1

3,702718

8,401653

0,440713

0,661985

-13,3206

20,72608

-13,3206

20,72608

X3

1,596502

0,131858

12,1077

1,96E-14

1,329331

1,863672

1,329331

1,863672


 

Таким образом, модель зависимости цены квартиры Y от общей площади квартиры Х3и города областиХ1построена, ее уравнение имеет вид:

 

Используем в качестве «входного интервала Х» значения факторов Х3 и Х2, с помощью инструмента «Регрессия» пакета «Анализ данных» Excel получим:

Таблица 12: Регрессионная статистика зависимости Y от значений факторов Х3 и Х2.

Регрессионная статистика

Множественный R

0,894608

R-квадрат

0,800324

Нормированный R-квадрат

0,789531

Стандартная ошибка

26,28344

Наблюдения

40


 

Таблица 13: Дисперсионный анализ зависимости Y от значений факторов Х3 и Х2.

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

2

102448,6815

51224,34075

74,15013515

1,13769E-13

Остаток

37

25560,31225

690,81925

   

Итого

39

128008,9938

     

 

Таблица 14: Расчетные параметры линейной парной регрессии зависимости Y от значений факторов Х3 и Х2.

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Нижние 95,0%

Верхние 95,0%

Y-пересечение

-16,6036

10,70411

-1,55114

0,12938

-38,2922

5,084986

-38,2922

5,084986

X2

4,348384

5,946919

0,731199

0,469263

-7,70122

16,39799

-7,70122

16,39799

X3

1,463397

0,221185

6,616179

9,25E-08

1,015234

1,911559

1,015234

1,911559


 

 

Таким образом, модель зависимости цены квартиры Y от общей площади квартирыХ3и от числа комнат в квартиреХ2построена, ее уравнение имеет вид:

 

Построим множественную модель регрессии, учитывая все факторы.С помощью инструмента «Регрессия» пакета «Анализ данных» Excel получим:

 

Таблица 15: Регрессионная статистика множественной модели регрессии.

Регрессионная статистика

Множественный R

0,895182

R-квадрат

0,801351

Нормированный R-квадрат

0,784796

Стандартная ошибка

26,57741

Наблюдения

40


 

Таблица 16: Дисперсионный анализ множественной модели регресии.

Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

3

102580,1

34193,36

48,40793

1,02E-12

Остаток

36

25428,91

706,3587

   

Итого

39

128009

     

Информация о работе Контрольная работа по дисциплине "Эконометрика"