Построение модели регрессии

Автор работы: Пользователь скрыл имя, 03 Февраля 2014 в 22:58, практическая работа

Краткое описание

Имеются следующие данные: ... 1) Найти коэффициенты парной корреляции и и выбрать фактор наиболее тесно связанный с зависимой переменной y(t). 2) Для выбранного фактора построить линейную однопараметрическую модель регрессии . 3) Проверить модель на адекватность и оценить ее точность. 4) Построить точечный и интервальный прогноз на два шага вперед по модели регрессии. 5) Отобразить на графиках фактические данные, результаты расчетов и прогнозирования.

Прикрепленные файлы: 1 файл

variant_26_ekonometrika.docx

— 93.33 Кб (Скачать документ)

Практическое  задание

 

Имеются следующие данные:

 

Y(t)

82

79

78

72

69

70

64

61

59

X1(t)

25

27

26

29

32

32

30

33

35

X2(t)

32

34

38

40

42

46

50

52

53


 

  1. Найти коэффициенты парной корреляции и и выбрать фактор наиболее тесно связанный с зависимой переменной y(t).
  2. Для выбранного фактора построить линейную однопараметрическую модель регрессии .
  3. Проверить модель на адекватность и оценить ее точность.
  4. Построить точечный и интервальный прогноз на два шага вперед по модели регрессии.
  5. Отобразить на графиках фактические данные, результаты расчетов и прогнозирования.

 

Решение:

 

  1. Составим расчетную таблицу №1:                                       

    Таблица №1

 

t

  X1(t)

X2(t)

  Y(t)

 [X1(t)-X1ср]2

  [X2(t)-X2ср]2

  [Y(t)- Yср]2

  [X1(t)- X1ср]∙[Y(t)- Yср]

  [X2(t)- X2ср]∙[Y(t)- Yср]

1

25

32

82

23,90

121,00

133,53

-56,49

-127,11

2

27

34

79

8,35

81,00

73,20

-24,72

-77,00

3

26

38

78

15,12

25,00

57,09

-29,38

-37,78

4

29

40

72

0,79

9,00

2,42

-1,38

-4,67

5

32

42

69

4,46

1,00

2,09

-3,05

1,44

6

32

46

70

4,46

9,00

0,20

-0,94

-1,33

7

30

50

64

0,01

49,00

41,53

-0,72

-45,11

8

33

52

61

9,68

81,00

89,20

-29,38

-85,00

9

35

53

59

26,12

100,00

130,98

-58,49

-114,44

Σ

269

387

634

92,89

476,00

530,22

-204,56

-491,00


 

Где ; ; ;

Вычислим  коэффициенты парной корреляции, используя  формулу:

Тогда коэффициенты парной корреляции равны:

;

 

       Полученные значения  коэффициентов парной корреляции  говорят о наличии обратной ( ) и тесной ( близки к 1) линейной зависимости результативного признака y(t) с каждым из факторных признаков x1(t) и x2(t). В силу фактор x2(t) более тесно связан с y, и в дальнейшем уравнение линейной зависимости будем искать в виде: .

 

  1. Построим линейную однопараметрическую модель регрессии  .

;

.

-  выборочное уравнение прямой  регрессии Y на X2.

 

  3) Оценим качество построенной модели, исследовав ее адекватность и точность.

Составим  расчетную таблицу №2:                                                           

                                                                                                               Таблица №2

t

Y(t)

Yр(t)

E(t)=Y(t)-

-Yp(t)

Точки

поворота

E2(t)

E(t)-E(t-1)

[E(t)-E(t-1)]2

1

82

81,79

0,21

-

0,04

-

-

0,51

2

79

79,73

-0,73

1

0,53

-0,94

0,88

0,00

3

78

75,60

2,40

1

5,75

3,13

9,77

6,15

4

72

73,54

-1,54

0

2,37

-3,94

15,50

0,00

5

69

71,48

-2,48

1

6,13

-0,94

0,88

0,00

6

70

67,35

2,65

1

7,02

5,13

26,28

7,57

7

64

63,22

0,78

0

0,60

-1,87

3,51

2,43

8

61

61,16

-0,16

0

0,03

-0,94

0,88

0,00

9

59

60,13

-1,13

-

1,28

-0,97

0,94

0,00

Σ

634

634,00

0,00

4

23,75

 

58,63

16,66


 

Значения  Yр(t) получены из выборочного уравнения прямой регрессии Y на X2

а) Математическое ожидание отклонений равно нулю: M(E)=0,00 (см.4-ый столбец таблицы№2).

 

б) Проверим на случайность с помощью критерия поворотных точек: каждый уровень ряда остатков сравним с соседними. Если он больше обоих соседних уровней, или меньше их обоих, то ему соответствует поворотная точка и присваивается значение 1. В противном случае – присваивается значение 0. В случайном ряду должно выполняться неравенство:

     

  В нашем случае N=9 и имеем

.

     Таким образом, p=4>2.4 и в соответствии с критерием поворотных точек последовательность уровней остатков ряда является случайной.

 

в) Проверим независимость (отсутствие автокорреляции уровней ряда остатков) с помощью   d-критерия Дарбина-Уотсона:

.

По  критерию найденное значение необходимо сравнить с двумя табличными. Для  N=9 имеем ; . Таким образом, , и в соответствии с критерием Дарбина-Уотсона уровни независимы.

 

г) Проверим соответствие ряда остатков нормальному закону распределения с помощью RS –критерия: . Для N=9 и при 5% уровне значимости значение RS должно попасть в интервал (2,7 ; 3,7). В нашем случае это условие выполняется. Следовательно, гипотеза о нормальном законе распределения остатков принимается.

 

e) Оценим точность модели с помощью средней ошибки аппроксимации:

%. Полученное значение меньше 10%, что говорит об адекватности модели.

 

4) Построим точечный и интервальный прогноз на два шага вперед по модели регрессии.

   В начале построим точечный  прогноз на два шага вперед  для : и на основании среднего абсолютного прироста: .

Таким образом, 

.

 

Точечный  прогноз для  построим на основании полученных значений и и уравнения регрессии :

 

    Доверительный интервал прогноза  имеет вид:

,

где .

Значение  находим по таблице критических точек распределения Стъюдента при доверительной вероятности p=0,7 и n=N-2=9-2=7 степенях свободы.

 

 

 

 

Тогда

 

В итоге получаем:

t

Yp(t)

Нижняя граница

Верхняя граница

10

55,625

55,625 – 2,25 = 53,375

55,625 + 2,25 = 57,875

11

58,25

58,25 – 2,44= 55,81

58,25 + 2,44= 60,69


 

5) Отобразим на графиках фактические данные, результаты расчетов и прогнозирования.

 

 

Вывод: Факторы x1(t) и x2(t) оказывают существенное влияние на результативный признак y(t). Наиболее тесно с y(t) связан фактор x2(t). Существующая между ними обратная линейная зависимость имеет вид: . Полученное уравнение имеет приемлемую точность и может быть использовано для прогнозирования.


Информация о работе Построение модели регрессии