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
Таблица 17: Расчетные параметры линейной парной регрессии множественной модели регресии.
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% | |
Y-пересечение |
-18,4394 |
11,63064 |
-1,58541 |
0,121618 |
-42,0274 |
5,148646 |
-42,0274 |
5,148646 |
X1 |
3,647704 |
8,457354 |
0,431306 |
0,668818 |
-13,5046 |
20,80001 |
-13,5046 |
20,80001 |
X2 |
4,324924 |
6,013679 |
0,719181 |
0,476672 |
-7,87138 |
16,52123 |
-7,87138 |
16,52123 |
X3 |
1,466904 |
0,223806 |
6,554349 |
1,27E-07 |
1,013004 |
1,920804 |
1,013004 |
1,920804 |
Таким образом, трехфакторная модель зависимости цены квартиры Y от общей площади Х3, города областиХ1 и числа комнат в квартиреХ2построена, ее уравнение имеет вид:
Выберем лучшую из построенных моделей.
Для сравнения моделей с различным количеством учтенных в них факторов используем нормированные коэффициенты детерминации, которые содержатся в строке «нормированный R-квадрат» итогов инструмента «Регрессия» (таблицы 9, 12, 15). Чем больше величина нормированного коэффициента детерминации, тем лучше модель.
где - коэффициент детерминации,
n – число наблюдений,
k – число независимых переменных.
Вывод: лучшей является модель зависимости цены квартиры Y от общей площади Х3 и числа комнат в квартиреХ2:
Коэффициент регрессии, следовательно, при изменении числа комнат в квартире (Х2) и одной и той же общей площади, цена квартиры (Y) увеличится в среднем на 4,3 тыс. долл.
Коэффициент регрессии, следовательно, при изменении общей площади квартиры на 1 кв. м. (Х3) и одном и том же количестве комнат(Х2), цена квартиры (Y) увеличится в среднем на 1,5 тыс. долл.
Свободный коэффициент не имеет экономического смысла, но говорит о том, что сначала меняется результат Y, а потом факторы X2, X3.
Задача 1.7Оценка качества построенной модели.
Оцените качество построенной модели. Улучшилось ли качество модели по сравнению с однофакторной моделью? Дайте оценку влияния значимых факторов на результат с помощью коэффициентов эластичности, b- и D-коэффициентов.
Для оценки качества выбранной множественной модели
аналогично п.1.4 данной задачи, используем коэффициент детерминации R-квадрат, среднюю относительную ошибку аппроксимации и F-критерий Фишера.
Коэффициент детерминацииR-квадрат возьмем из таблицы 12:
,
следовательно, вариация (изменение) цены квартиры Y на 80% объясняется по данному уравнению вариацией числа комнат в квартире Х2 и общей площадью квартирыХ3.
Используем исходные данные Yi и найденные инструментом «Регрессия» остатки для данной модели. Рассчитаем относительные погрешности и найдем среднее значение .
Таблица 18: Расчет относительной погрешности.
Наблюдение |
Предсказанное Y |
Остатки |
Относительная |
49,06112192 |
-11,06112192 |
29,10821559 | |
93,06756161 |
-30,86756161 |
49,62630484 | |
94,48915139 |
30,51084861 |
24,40867889 | |
77,11653536 |
-16,01653536 |
26,21364216 | |
34,57349257 |
32,42650743 |
48,39777228 | |
75,79947814 |
17,20052186 |
18,49518479 | |
153,0250276 |
-35,02502756 |
29,68222674 | |
114,976708 |
17,02329195 |
12,8964333 | |
128,0009405 |
-35,5009405 |
38,37939513 | |
110,5447102 |
-5,544710208 |
5,280676388 | |
40,42708019 |
1,572919811 |
3,745047169 | |
103,1231931 |
21,87680688 |
17,5014455 | |
132,4956638 |
37,50433623 |
22,06137425 | |
30,18330186 |
7,816698141 |
20,57025827 | |
158,836808 |
-28,33680805 |
21,71402916 | |
79,89698948 |
5,103010525 |
6,003541794 | |
117,8616947 |
-19,86169473 |
20,26703544 | |
152,9832204 |
-24,98322043 |
19,51814096 | |
120,8302957 |
-35,83029567 |
42,15328902 | |
98,8793421 |
61,1206579 |
38,20041119 | |
75,54860589 |
-15,54860589 |
25,91434315 | |
38,96368328 |
2,036316715 |
4,966626135 | |
103,2277257 |
-13,22772569 |
14,69747299 | |
102,4960272 |
-19,49602723 |
23,48918944 | |
35,7442101 |
9,255789905 |
20,56842201 | |
34,57349257 |
4,426507428 |
11,35001905 | |
138,3910585 |
-51,49105852 |
59,25323189 | |
35,7442101 |
4,255789905 |
10,63947476 | |
96,43337449 |
-16,43337449 |
20,54171812 | |
215,9092873 |
11,09071269 |
4,885776514 | |
220,299478 |
14,70052197 |
6,255541266 | |
37,50028638 |
2,49971362 |
6,249284049 | |
56,52444614 |
10,47555386 |
15,63515502 | |
119,3250916 |
3,674908367 |
2,987730379 | |
79,85518235 |
20,14481765 |
20,14481765 | |
113,5133111 |
-8,513311144 |
8,107915376 | |
77,11653536 |
-6,816535357 |
9,696351859 | |
115,1230477 |
-33,12304774 |
40,39396066 | |
227,6164625 |
52,38353745 |
18,70840623 | |
159,4221668 |
40,57783319 |
20,2889166 | |
Среднее значение |
101,2375 |
20,9749364 |
По столбцу относительных погрешностей найдем среднее значение с помощью функции СРЗНАЧ:
.
Сравнение показывает, что
,
следовательно, точность модели неудовлетворительная.
С помощью F – критерия Фишера проверим значимость модели в целом. Для этого выпишем из итогов применения инструмента «Регрессия» (таблица 13) F=74,2.
С помощью функции FРАСПОБР найдем значение
,
следовательно, уравнение модели является значимым, его использование целесообразно, зависимая переменная Y достаточно хорошо описывается включенными в модель факторными переменными Х2 и Х3.
Дополнительно с помощью t–критерия Стьюдента проверим значимость отдельных коэффициентов модели.
t–статистики для коэффициентов уравнения регрессии приведены в таблице 14. Получены следующие значения для выбранной модели:
,
Критическое значение tкр найдено для уровня значимости α=5% и числа степеней свободы
.
с помощью функции СТЬЮДРАСПОБР:
Для свободного коэффициента α=–16,6определена статистика:
.
следовательно, свободный коэффициент не является значимым, его можно исключить из модели.
Для коэффициента регрессии β1= 4,3 определена статистика
.
следовательно, коэффициент регрессии β1не является значимым, его и фактор количество комнат в квартире можно удалить из модели.
Для коэффициента регрессии β2= 1,5определена статистика:
следовательно, коэффициент регрессии β2 является значимым, его и фактор общей площади квартирыможно сохранить в модели.
Выводы о значимости коэффициентов модели сделаны на уровне значимости α=5%. Рассматривая столбец «P-значение», отметим, что свободный коэффициент α можно считать значимым на уровне 0,129 = 12,9%; коэффициент регрессии β1 – на уровне 0,469 = 46,9%; коэффициент регрессии β2 –на уровне 9,25092Е-0,8 = 0,0000009%.
При добавлении в уравнение новых факторных переменных автоматически увеличивается коэффициент детерминации R2 и уменьшается средняя ошибка аппроксимации, хотя при этом не всегда улучшается качество модели. Поэтому для сравнения качества модели однофакторной и выбранной множественной модели используем нормированные коэффициенты детерминации.
Таблица 19: Нормированные коэффициенты детерминации для моделей.
Модель |
Нормированный R-квадрат |
0,792108 | |
0,789531 |
Таким образом, при добавлении в уравнение регрессии фактора «число комнат в квартире» Х2качество модели ухудшилось, что говорит в пользу удаления фактораХ2 из модели.
Проведем дальнейшие расчеты.
Средние коэффициенты эластичности в случае линейной модели определяются формулой:
С помощью функции СРЗНАЧ найдем средние значения:
Тогда:
Вывод: увеличение общей площади Х3при том же количествеве комнат на 1% приводит к увеличению цены квартиры в среднем на 1,1%.
При изменении числа комнат в квартиреХ2на 1% и неизменной жилой площади цена уменьшается в среднем на 0,1%.
Бета-коэффициенты определяются по формуле:
где среднее квадратическое отклонение:
С помощью функции СТАНДОТКЛОН найдем:
Тогда:
Вывод: при увеличении только фактора Х2 на одно свое стандартное отклонение результат Y увеличивается в среднем на 0,1 своего стандартного отклонения SY, при увеличении только фактора Х3 на одно его стандартное отклонение – увеличивается на 0,8SY.
Дельта-коэффициенты определяются формулой:
Найдем коэффициенты парной корреляции с использованием инструмента «Корреляция» пакета «Анализ данных» в Excel:
Таблица 20: Корреляция.
Y |
X2 |
X3 | |
Y |
1 |
||
X2 |
0,751061 |
1 |
|
X3 |
0,892994 |
0,805405 |
1 |
Коэффициент детерминации был определен ранее и равен 0,800324 (см. таблицу 12).
Вычислим дельта-коэффициенты:
Вывод: по уравнению полученной линейной трехфакторной модели изменение результирующего фактора Y (цены квартиры) на 91,5% объясняется воздействием фактора Х3 (общей площадью квартиры), и на 8,5% воздействием фактора Х2 (число комнат).
Задача 2.1 Проверка наличия аномальных наблюдений.
Проверить наличие аномальных наблюдений.
Используем метод Ирвина, основанный на определении λt-статистик по формуле:
где:
Внесем все данные в таблицу в Excel, с помощью функции СТАНДОТКЛОН найдем:
Результат расчетов приведем в таблице.
Таблица 21: Определение λt-статистик.
t |
yt |
|yt-yt-1| |
lt |
1 |
8 |
||
2 |
13 |
5 |
0,458617 |
3 |
15 |
2 |
0,183447 |
4 |
19 |
4 |
0,366894 |
5 |
25 |
6 |
0,55034 |
6 |
27 |
2 |
0,183447 |
7 |
33 |
6 |
0,55034 |
8 |
35 |
2 |
0,183447 |
9 |
40 |
5 |
0,458617 |
При n=9 и уровне значимости α=5% можно использовать
Все λt-статистики меньше λкр, т.е. аномальных наблюдений нет. Этот вывод подтверждает графическое представление временного ряда.
Рисунок 4: Временной ряд.
Исходный ряд будем использовать для выполнения следующих пунктов задачи.
Задача 2.2Построение линейной модели.
Построить линейную модель,параметры которой оценить МНК (- расчетные смоделированные значения временного ряда).
С помощью инструмента «Регрессия»пакета «Анализ данных» Excelнайдем:
Таблица 22: Регрессионная статистика.
Регрессионная статистика | |
Множественный R |
0,996406256 |
R-квадрат |
0,992825427 |
Нормированный R-квадрат |
0,991800487 |
Стандартная ошибка |
0,987219922 |
Наблюдения |
9 |
Информация о работе Контрольная работа по дисциплине "Эконометрика"