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)

 

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 
погрешность

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. Исследовать динамику экономического показателя на основе анализа одномерного временного ряда.

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"