Автор работы: Пользователь скрыл имя, 18 Мая 2015 в 10:46, контрольная работа
Задача 1. Эконометрическое моделирование стоимости квартир в Московской области.
Задача 2. Исследовать динамику экономического показателя на основе анализа одномерного временного ряда.
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
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 |
Остатки |
Стандартные |
Y |
Относительная |
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:
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"