Линейные уравнения парной и множественной регрессии

НЕГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

"ВОЛГОГРАДСКИЙ ИНСТИТУТ БИЗНЕСА"

Кафедра

Математики и естественных наук

Домашняя контрольная работа

Дисциплина

Эконометрика

Тема: Линейные уравнения парной регрессии

Студента (ки)

Иванова Ивана Ивановича

Волгоград 2010

Задача№ 1

По данным приведенным в таблице:

построить линейное уравнение парной регрессии y на x;

рассчитать линейный коэффициент парной корреляции и оценить тесноту связи;

оценить статистическую значимость параметров регрессии и корреляции, используя F-статистику, t-статистику Стьюдента и путем расчета доверительных интервалов каждого из показателей;

вычислить прогнозное значение y при прогнозном значении x, составляющем 108% от среднего уровня.

оценить точность прогноза, рассчитав ошибку прогноза и его доверительный интервал;

полученные результаты изобразить графически и привести экономическое обоснование.

Таблица №1

По территориям Центрального района известны данные за 1995 г.

Вывод 1. Анализ корреляционного поля данных показывает, что между признаками и в выборочной совокупности существует прямая и достаточно тесная связь. Предполагается, что объясняемая переменная линейно зависит от фактора , поэтому уравнение регрессии будем искать в виде

,

Таблица № 4 Параметры (коэффициенты) уравнения регрессии

На основании этих данных запишем уравнение регрессии: .

Коэффициент называется выборочным коэффициентом регрессии Коэффициент регрессии показывает, на сколько единиц в среднем изменяется переменная при увеличении переменной на одну единицу.

Таблица №5. Корреляционная матрица

Для оценки качества уравнения регрессии в целом необходимо проверить статистическую значимость индекса детерминации: проверяется нулевая гипотеза , используется .

Таблица №6

.

Т.к. Значение детерминации R-квадрат имеет малое значение, которое менее 1%, то дальнейшее решение не имеет смысла, т.к. вероятность того что прогноз будет верным меньше 1%.

Задача №2

Используя данные, приведенные в таблице: построить линейное уравнение множественной регрессии;

оценить значимость параметров данного уравнения и построить доверительные интервалы для каждого из параметров, оценить значимость уравнения в целом, пояснить экономический смысл полученных результатов;

рассчитать линейные коэффициенты частной корреляции и коэффициент множественной детерминации, сравнить их с линейными коэффициентами парной корреляции, пояснить различия между ними;

вычислить прогнозное значение y при уменьшении вектора x на 6 % от максимального уровня, оценить ошибку прогноза и построить доверительный интервал прогноза;

Таблица №5

Таблица №6 Параметры (коэффициенты) уравнения регрессии

Множественная регрессия широко используется в решении проблем спроса, доходности акций, изучении функции издержек производства, в макроэкономических расчетах и целого ряда других вопросов эконометрики. В настоящее время множественная регрессия - один из наиболее распространенных методов в эконометрике. Основная цель множественной регрессии - построить модель с большим числом факторов, определив при этом влияние каждого из них в отдельности, а также совокупное их воздействие на моделируемый показатель.

На основании этих данных запишем уравнение регрессии:

.

Таблица №7 Регрессионная статистика

! Параметр R-квадрат, представляет собой квадрат коэффициента корреляции rxy2 и называется коэффициентом детерминации. Величина данного коэффициента характеризует долю дисперсии зависимой переменной y, объясненную регрессией (объясняющей переменной x). Соответственно величина 1 - rxy2 характеризует долю дисперсии переменной y, вызванную влиянием всех остальных, неучтенных в эконометрической модели объясняющих переменных. Доля всех неучтенных в полученной эконометрической модели объясняющих переменных приблизительно составляет: 0,663668, или 66,3%.

Находим, что численное значение , а скорректированный (нормированный, исправленный) коэффициент детерминации равен

1) Для оценки качества уравнения регрессии в целом необходимо проверить статистическую значимость индекса детерминации : проверяется нулевая гипотеза , используется .

Наблюдаемое значение критерия и оценку его значимости находим в Таблице №8

Таблица №8 Дисперсионный анализ:

! Включаемые в уравнение множественной регрессии факторы должны объяснить вариацию зависимой переменной. Если строится модель с некоторым набором факторов, то для нее рассчитывается показатель детерминации, который фиксирует долю объясненной вариации результативного признака (объясняемой переменной) за счет рассматриваемых в регрессии факторов. А оценка влияния других, неучтенных в модели факторов, оценивается вычитанием из единицы коэффициента детерминации, что и приводит к соответствующей остаточной дисперсии.

Таким образом, при дополнительном включении в регрессию еще одного фактора коэффициент детерминации должен возрастать, а остаточная дисперсия уменьшаться. Если этого не происходит и данные показатели практически недостаточно значимо отличаются друг от друга, то включаемый в анализ дополнительный фактор не улучшает модель и практически является лишним фактором.

Если модель насыщается такими лишними факторами, то не только не снижается величина остаточной дисперсии и не увеличивается показатель детерминации, но, более того, снижается статистическая значимость параметров регрессии по критерию Стьюдента вплоть до статистической незначимости.

2) Для статистической оценки значимости коэффициентов регрессии () используем статистику Стьюдента.

Проверяется нулевая гипотеза .

Для проверки нулевой гипотезы необходимо знать величину наблюдаемых значений критерия . Их значения и оценки их статистической значимости найдем в Таблице №9

Таблица №9

В этой же таблице находим границы доверительных интервалов для каждого из параметров:

3. Значения парных коэффициентов корреляции найдем из соответствующей матрицы.

Таблица №10 Корреляционная матрица

По величине парных коэффициентов корреляции может обнаруживаться лишь явная коллинеарность факторов. Наибольшие трудности в использовании аппарата множественной регрессии возникают при наличии мультиколлинеарности факторов, когда более чем два фактора связаны между собой линейной зависимостью, т.е. имеет место совокупное воздействие факторов друг на друга.

Наличие мультиколлинеарности факторов может означать, что некоторые факторы будут всегда действовать в унисон. В результате вариация в исходных данных перестает быть полностью независимой и нельзя оценить воздействие каждого фактора в отдельности. Чем сильнее мультиколлинеарность факторов, тем менее надежна оценка распределения суммы объясненной вариации по отдельным факторам с помощью метода наименьших квадратов (МНК).

Частные коэффициенты корреляции найдем по формулам

,

,

их значения показывают, что при отсутствии влияния других факторов, связь с рассматриваемым фактором усиливается т.е. мультиколлинеарность между ними существует.

4. Рассчитаем прогнозное значение результата, если прогнозные значения факторов составляют 110% их максимального значения. Найдем прогнозные значения факторов и подставим их в полученное уравнение регрессии.

По условию прогнозные значения составляют 110% их максимального значения.

Таблица №11

Далее вычисляем прогнозные значения факторов: . Затем, подставив эти значения в уравнение регрессии, получим прогнозное (предсказанное) значение фактора . Доверительный интервал прогноза оценивается формулой: , где - ошибка прогноза,стандартная ошибка регрессии.

Таблица №12

;

- коэффициент Стьюдента, который в данном случае имеет смысл кратности случайной (стандартной) ошибки прогноза ;

- число, которое получим в результате операций над матрицами:

-

матрица значений факторных переменных ,

транспонированная матрица ;

- произведение матриц ;

- матрица, обратная к матрице ;

- матрица прогнозных значений факторов;

- транспонированная матрица прогнозов.

Фактор представляет собой фиктивную переменную, которую необходимо ввести в уравнение регрессии для того, чтобы преобразовать его в "приведенную" форму вида .

Максимальную ошибку прогноза =11,07714043: 1) нижняя граница прогноза =44,92285957, 2) верхнюю границу прогноза =67,07714043. Интервал прогнозных значений результативного признака

=>

Задача № 3

Используя данные, представленные в таблице проверить наличие гетероскедастичности, применяя тест Голдфельда-Квандта.

Таблица№13. Данные

1) Найдем параметры линейного уравнения множественной регрессии и значения остатков.

Определим остаточные суммы квадратов и , то есть суммы квадратов остатков регрессии по "урезанным выборкам".

Таблица№14

Находим наблюдаемое значение критерия . По условию задачи . Из таблицы значений Фишера находим, что

Вывод: отвергаем нулевую гипотезу на принятом уровне значимости , т.к. наблюдаемое значение критерия больше табличного.

Следовательно, предположение об однородности дисперсий ошибок, при условии, что выполнены стандартные предположения о модели наблюдений, включая предположение о нормальности ошибок, неверно. Наблюдается гетероскедастичность, что приводит к ошибочным статистическим выводам при использовании МНК. Следовательно, полученные оценки не являются состоятельными.

Задача № 4

По данным таблицы построить уравнение регрессии, выявить наличие автокорреляции остатков, используя критерий Дарбина - Уотсона, и проанализировать пригодность полученного уравнения для построения прогнозов.

Таблица №15

Найдем параметры линейного уравнения множественной регрессии и значения остатков.

Дополним таблицу данных столбцами "", "Квадрат разности остатков " и "Квадрат остатка " и заполним их.

Таблица №16

По формуле вычислим значение статистики :

Так как , то значение статистики

равно .

По таблице критических точек Дарбина Уотсона определим значения критерия Дарбина-Уотсона (нижнее) и (верхнее) для заданного числа наблюдений , числа независимых переменных модели и уровня значимости . Итак, находим, что , .

По этим значениям числовой промежуток разбиваем на пять отрезков:

,

,

,

,

.

На основании выполненных расчетов находим, что наблюдаемое значение статистики принадлежит первому интервалу.

Вывод: существует отрицательная автокорреляция, то есть гипотеза отклоняется и с вероятностью принимается гипотеза .

Следовательно, полученное уравнение регрессии не может быть использовано для прогноза, так как в нем не устранена автокорреляция в остатках, которая может иметь разные причины. Автокорреляция в остатках может означать, что в уравнение не включен какой-либо существенный фактор. Возможно также, что форма связи неточна.

Задача № 5

В таблице приводятся данные о динамике выпуска продукции Финляндии (млн. долл.).

Таблица №17

Задание:

Постройте график временного ряда.

Сделайте вывод о присутствии или отсутствии тренда при доверительной вероятности 0,95.

Найдите среднее значение, среднеквадратическое отклонение и коэффициенты автокорреляции (для лагов ) заданного ВР.

Проведите сглаживание данного ВР методом