Контрольная работа по "Эконометрике"

.

Вариант 2

 

D.1. Парная регрессия и корреляция

По  территориям региона приводятся данные за 199X г.

Таблица D.1

Номер региона	Среднедушевой прожиточный минимум  в день одного трудоспособного, руб.,	Среднедневная заработная плата, руб.,
1	74	122
2	81	134
3	90	136
4	79	125
5	89	120
6	87	127
7	77	125
8	93	148
9	70	122
10	93	157
11	87	144
12	121	165

Требуется:

1. Построить линейное уравнение парной регрессии от .
2. Рассчитать линейный коэффициент парной корреляции и среднюю ошибку аппроксимации.
3. Оценить статистическую значимость параметров регрессии и корреляции с помощью -критерия Фишера и -критерия Стьюдента.
4. Выполнить прогноз заработной платы при прогнозном значении среднедушевого прожиточного минимума , составляющем 107% от среднего уровня.
5. Оценить точность прогноза, рассчитав ошибку прогноза и его доверительный интервал.
6. На одном графике построить исходные данные и теоретическую прямую.

 

Решение

1. Для расчета параметров уравнения линейной регрессии строим расчетную таблицу D.2.

Таблица D.2

 

;

.

Получено  уравнение регрессии:  .

С увеличением среднедушевого прожиточного минимума на 1 руб. среднедневная  заработная плата возрастает в среднем  на 0,95 руб.

2. Тесноту линейной связи оценит коэффициент корреляции:

;  .

Это означает, что 70% вариации заработной платы ( ) объясняется вариацией фактора – среднедушевого прожиточного минимума.

Качество  модели определяет средняя ошибка аппроксимации:

.

Качество  построенной модели оценивается  как хорошее, так как  не превышает 8-10%.

3. Оценку значимости уравнения регрессии в целом проведем с помощью -критерия Фишера. Фактическое значение -критерия:

.

Табличное значение критерия при пятипроцентном уровне значимости и степенях свободы  и составляет . Так как , то уравнение регрессии признается статистически значимым.

Оценку  статистической значимости параметров регрессии проведем с помощью  -статистики Стьюдента и путем расчета доверительного интервала каждого из показателей.

Табличное значение -критерия для числа степеней свободы и составит .

Определим случайные ошибки , , :

;

.

Тогда

;

.

Фактические значения -статистики превосходят табличное значение:       

поэтому параметры  , и не случайно отличаются от нуля, а статистически значимы.

Рассчитаем  доверительные интервалы для  параметров регрессии  и . Для этого определим предельную ошибку для каждого показателя:

;

.

Доверительные интервалы

Анализ  верхней и нижней границ доверительных  интервалов приводит к выводу о том, что с вероятностью параметры и , находясь в указанных границах, не принимают нулевых значений, т.е. не являются статистически незначимыми и существенно отличны от нуля.

4. Полученные оценки уравнения регрессии позволяют использовать его для прогноза. Если прогнозное значение прожиточного минимума составит: руб., тогда прогнозное значение заработной платы составит: руб.
5. Ошибка прогноза составит:

.

Предельная  ошибка прогноза, которая в случаев не будет превышена, составит:

.

Доверительный интервал прогноза:

 руб.;

 руб.

Выполненный прогноз среднемесячной заработной платы является надежным      ( ) и находится в пределах от 120,37 руб. до 161,99 руб.

6. В заключение решения задачи построим на одном графике исходные данные и теоретическую прямую (рис. D.1):

 

Рис. D.1.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

D.2. Множественная регрессия и корреляция

По  предприятиям региона изучается зависимость выработки продукции на одного работника (тыс. руб.) от ввода в действие новых основных фондов ( от стоимости фондов на конец года) и от удельного веса рабочих высокой квалификации в общей численности рабочих ( ).

Номер предприятия				Номер предприятия
1	6	3,5	10	11	10	6,3	21
2	6	3,6	12	12	11	6,4	22
3	7	3,9	15	13	11	7	23
4	7	4,1	17	14	12	7,5	25
5	7	4,2	18	15	12	7,9	28
6	8	4,5	19	16	13	8,2	30
7	8	5,3	19	17	13	8,4	31
8	9	5,3	20	18	14	8,6	31
9	9	5,6	20	19	14	9,5	35
10	10	6	21	20	15	10	36

Требуется:

1. Построить линейную модель множественной регрессии. Записать стандартизованное уравнение множественной регрессии. На основе стандартизованных коэффициентов регрессии и средних коэффициентов эластичности ранжировать факторы по степени их влияния на результат.
2. Найти коэффициенты парной, частной и множественной корреляции. Проанализировать их.
3. Найти скорректированный коэффициент множественной детерминации. Сравнить его с нескорректированным (общим) коэффициентом детерминации.
4. С помощью -критерия Фишера оценить статистическую надежность уравнения регрессии и коэффициента детерминации .
5. С помощью частных -критериев Фишера оценить целесообразность включения в уравнение множественной регрессии фактора после и фактора после .
6. Составить уравнение линейной парной регрессии, оставив лишь один значащий фактор.

Решение

Для удобства проведения расчетов поместим результаты промежуточных  расчетов в таблицу:

 

Найдем средние квадратические отклонения признаков:

;

;

.

1. Вычисление параметров линейного уравнения множественной регрессии.

Для нахождения параметров линейного  уравнения множественной регрессии

       необходимо решить следующую систему линейных уравнений относительно неизвестных параметров , , :

либо  воспользоваться готовыми формулами:

;  ;

.

Рассчитаем сначала парные коэффициенты корреляции:

;

;

.

Находим

;

;

.

Таким образом, получили следующее  уравнение множественной регрессии:

.

Коэффициенты  и стандартизованного уравнения регрессии находятся по формулам:

;

.

Т.е. уравнение будет выглядеть следующим  образом:

.

Так как стандартизованные коэффициенты регрессии можно сравнивать между  собой, то можно сказать, что ввод в действие новых основных фондов оказывает большее влияние на выработку продукции, чем удельный вес рабочих высокой квалификации.

Сравнивать  влияние факторов на результат можно  также при помощи средних коэффициентов  эластичности:

.

Вычисляем:

;  .

Т.е. увеличение только основных фондов (от своего среднего значения) или только удельного веса рабочих высокой  квалификации на 1% увеличивает в  среднем выработку продукции  на 0,83% или 0,035% соответственно. Таким образом, подтверждается большее влияние на результат фактора , чем фактора .

2. Коэффициенты парной корреляции мы уже нашли:

;  ;  .

Они указывают на весьма сильную связь  каждого фактора с результатом, а также высокую межфакторную зависимость (факторы и явно коллинеарны, т.к. ). При такой сильной межфакторной зависимости рекомендуется один из факторов исключить из рассмотрения.

Частные коэффициенты корреляции характеризуют тесноту связи между результатом и соответствующим фактором при элиминировании (устранении влияния) других факторов, включенных в уравнение регрессии.

При двух факторах частные коэффициенты корреляции рассчитываются следующим  образом:

;

.

Если сравнить коэффициенты парной и частной корреляции, то можно  увидеть, что из-за высокой межфакторной зависимости коэффициенты парной корреляции дают завышенные оценки тесноты связи. Именно по этой причине рекомендуется при наличии сильной коллинеарности (взаимосвязи) факторов исключать из исследования тот фактор, у которого теснота парной зависимости меньше, чем теснота межфакторной связи.

Коэффициент множественной корреляции определить через матрицу парных коэффициентов корреляции:

,

где

– определитель матрицы парных коэффициентов корреляции;

– определитель матрицы межфакторной корреляции.

;

.

Коэффициент множественной корреляции

.

Аналогичный результат получим при использовании  других формул:

;

;

.

Коэффициент множественной корреляции показывает на весьма сильную связь всего  набора факторов с результатом.

3. Нескорректированный коэффициент множественной детерминации оценивает долю вариации результата за счет представленных в уравнении факторов в общей вариации результата. Здесь эта доля составляет и указывает на весьма высокую степень обусловленности вариации результата вариацией факторов, иными словами – на весьма тесную связь факторов с результатом.