WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     || 2 | 3 | 4 | 5 |   ...   | 10 |
Федеральное агентство по образованию Ульяновский государственный технический университет Н. И. Шанченко ЭКОНОМЕТРИКА Лабораторный практикум Методические указания для студентов специальности 351400 Ульяновск 2004 2 УДК 330.43 (076) ББК 65в6я73 Ш 20 Рецензент: д-р физ.-мат. наук, проф. УлГУ, А. С. Андреев Одобрено секцией методических пособий научно-методического совета университета Шанченко, Н. И.

Ш 20 Эконометрика: лабораторный практикум/ Н. И. Шанченко – Ульяновск: УлГТУ, 2004. – 79 с.

Содержит указания по выполнению лабораторных работ по дисциплине «Эконометрика», методические материалы, примеры решения типовых задач, варианты лабораторных работ.

Могут быть использованы преподавателями для организации лабораторных работ по дисциплине «Эконометрика», а также обучающимися для выполнения лабораторных работ.

Предназначены для студентов очной, вечерней, заочной и дистанционной форм обучения.

Работа подготовлена на кафедре «Информационные системы».

УДК 330.43 (076) ББК 65в6я73 © Н. И. Шанченко, 2004 © Оформление. УлГТУ, 2004 3 1. Парная регрессия и корреляция 1.1. Понятие регрессии Парной регрессией называется уравнение связи двух переменных у и х вида y = f (x), где у – зависимая переменная (результативный признак); х – независимая, объясняющая переменная (признак-фактор).

Различают линейные и нелинейные регрессии.

Линейная регрессия описывается уравнением: y = a + b x +.

Нелинейные регрессии делятся на два класса: регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам, и регрессии, нелинейные по оцениваемым параметрам.

Примеры регрессий, нелинейных по объясняющим переменным, но линейных по оцениваемым параметрам:

• полиномы разных степеней x = a + b1 x + b2 x2 + b3 x3 + ;

b • равносторонняя гипербола x = a + +.

x Примеры регрессий, нелинейных по оцениваемым параметрам:

• степенная x = a xb ;

x • показательная x = a b ;

• экспоненциальная x = ea+bx.

Наиболее часто применяются следующие модели регрессий:

– прямой – x = a + bx ;

– гиперболы – x = a + b / x ;

– параболы – x = a + bx + cx2 ;

– показательной функции x = a·bx ;

– степенная функция – x = a·xb и др.

1.2. Построение уравнения регрессии Постановка задачи. По имеющимся данным n наблюдений за совместным изменением двух параметров x и y {(xi,yi), i=1,2,...,n} необходимо определить аналитическую зависимость =f(x), наилучшим образом описывающую данные наблюдений.

Построение уравнения регрессии осуществляется в два этапа (предполагает решение двух задач):

– спецификация модели (определение вида аналитической зависимости =f(x));

– оценка параметров выбранной модели.

1.2.1. Спецификация модели Парная регрессия применяется, если имеется доминирующий фактор, который и используется в качестве объясняющей переменной.

Применяется три основных метода выбора вида аналитической зависимости:

– графический (на основе анализа поля корреляций);

– аналитический, т. е. исходя из теории изучаемой взаимосвязи;

– экспериментальный, т. е. путем сравнения величины остаточной дисперсии Dост или средней ошибки аппроксимации A, рассчитанных для различных моделей регрессии (метод перебора).

1.2.2. Оценка параметров модели Для оценки параметров регрессий, линейных по этим параметрам, используется метод наименьших квадратов (МНК). МНК позволяет получить такие оценки параметров, при которых сумма квадратов отклонений фактических значений результативного признака у от теоретических значений x при тех же значениях фактора x минимальна, т. е.

y - yx min.

В случае линейной регрессии параметры а и b находятся из следующей системы нормальных уравнений метода МНК:

na + b x = y, (1.1) a x + b x2 = yx.

Можно воспользоваться готовыми формулами, которые вытекают из этой системы:

cov(x, y) y x - y x a = y - b x, b = =.

(1.2) x2 - xx Для нелинейных уравнений регрессии, приводимых к линейным с помощью преобразования (x, y) (x’, y’), система нормальных уравнений имеет вид (1.1) в преобразованных переменных x’, y’.

Коэффициент b при факторной переменной x имеет следующую интерпретацию: он показывает, на сколько изменится в среднем величина y при изменении фактора x на 1 единицу измерения.

Гиперболическая регрессия: yx = a0 + a1 / x.

Линеаризующее преобразование: x’ = 1/x; y’ = y.

Уравнения (1.1) и формулы (1.2) принимают вид na + b = y, x a 1 + b 1 = y 1.

x x xy n - y 1 1 x x a0 = y - a1, a1 =.

n n x 1 n - x xЭкспоненциальная регрессия: yx = ea0+a1x.

Линеаризующее преобразование: x’ = x; y’ = lny.

n x ln y - x y 1 ln.

a0 = x, a1 = ln y - n an n x2 -( x) Модифицированная экспонента: yx = K + a0 a1x, (0 < a1 < 1).

Линеаризующее преобразование: x’ = x; y’ = lny – К.

n ln y - K ) - x y - K 1 1 (x ln ln a0 = x, a1 =.

ln y - K - n ln an n x2 -( x) Величина предела роста K выбирается предварительно на основе анализа поля корреляций либо из качественных соображений. Параметр a0 берется со знаком «+», если yх > K и со знаком «–» в противном случае.

Степенная функция: yx = a0 xa1, (a0>0).

Линеаризующее преобразование: x’ = ln x; y’ = ln y.

n x ln y) - x y 1 ln ln a0 = ln y - n a1ln x, a1 = (ln x)2 -(ln x)2.

n n (ln ln Показательная функция: yx = a0 a1x.

Линеаризующее преобразование: x’ = x; y’ = lny.

n x ln y - x y 1 ln.

ln a0 = x, ln a1 = ln y - n ln an n x2 -( x) Логарифмическая функция: yx = a0 + a1 ln x.

Линеаризующее преобразование: x’ = ln x; y’ = y.

n x y - x y 1 ln ln a0 = y - a1 x, a1 =.

ln n n n x)2 -( x)(ln ln Парабола второго порядка: yx = a0 + a1x1 + a2 x2.

Парабола второго порядка имеет 3 параметра a0, a1, a2, которые определяются из системы трех уравнений n a0 + a1 x + a2 x2 = y, a x + a1 x2 + a2 x3 = xy, a0 x2 + a1 x3 + a2 x4 = x2 y.

1.3. Оценка тесноты связи Тесноту связи изучаемых явлений оценивает линейный коэффициент парной корреляции rxy для линейной регрессии (–1 rxy 1) - x)(yi - y) (xi n cov(x, y) yx - y x i rxy = = = (1.3) x y x y x y и индекс корреляции xy для нелинейной регрессии (0 xy 1) (y - x )2 (1.4) ост xy = 1- = 12 н (y - y) Имеет место соотношение x rxy = b.

y Долю дисперсии, объясняемую регрессией, в общей дисперсии результативного признака у характеризует коэффициент детерминации r2xy (для линейной регрессии) или индекс детерминации R2 = 2xy (для нелинейной регрессии).

Коэффициент детерминации – квадрат коэффициента или индекса корреляции.

Для оценки качества построенной модели регрессии можно использовать показатель (коэффициент, индекс) детерминации R2 либо среднюю ошибку аппроксимации.

Чем выше показатель детерминации или чем ниже средняя ошибка аппроксимации, тем лучше модель описывает исходные данные.

Средняя ошибка аппроксимации – среднее относительное отклонение расчетных значений от фактических 1 y - y A = 100 %.

n y Построенное уравнение регрессии считается удовлетворительным, если значение A не превышает 10–12 %.

1.4. Оценка значимости уравнения регрессии, его коэффициентов, коэффициента детерминации Оценка значимости всего уравнения регрессии в целом осуществляется с помощью F-критерия Фишера.

F-критерий Фишера заключается в проверке гипотезы Но о статистической незначимости уравнения регрессии. Для этого выполняется сравнение фактического Fфакт и критического (табличного) Fтабл значений F-критерия Фишера.

Fфакт определяется из соотношения значений факторной и остаточной дисперсий, рассчитанных на одну степень свободы ( y- y) rxy n - m - m Fфакт = =, (1.5) (y - y)2 1 - rxy m n - m - где n – число единиц совокупности; m – число параметров при переменных.

Для линейной регрессии m = 1.

Для нелинейной регрессии вместо r используется R2.

xy Fтабл – максимально возможное значение критерия под влиянием случайных факторов при степенях свободы k1 = m, k2 = n – m – 1 (для линейной регрессии m = 1) и уровне значимости.

Уровень значимости – вероятность отвергнуть правильную гипотезу при условии, что она верна. Обычно величина принимается равной 0,05 или 0,01.

Если Fтабл < Fфакт, то Н0-гипотеза о случайной природе оцениваемых характеристик отклоняется и признается их статистическая значимость и надежность. Если Fтабл > Fфакт, то гипотеза Но не отклоняется и признается статистическая незначимость, ненадежность уравнения регрессии.

Для оценки статистической значимости коэффициентов линейной регрессии и линейного коэффициента парной корреляции rxy применяется t-критерий Стьюдента и рассчитываются доверительные интервалы каждого из показателей.

Согласно t-критерию выдвигается гипотеза Н0 о случайной природе показателей, т. е. о незначимом их отличии от нуля. Далее рассчитываются фактические значения критерия tфакт для оцениваемых коэффициентов регрессии и коэффициента корреляции rxy путем сопоставления их значений с величиной стандартной ошибки rxy b a tb = ; ta = ; tr =.

mb ma mr xy Стандартные ошибки параметров линейной регрессии и коэффициента корреляции определяются по формулам Sост Sост (y - x ) (n - 2) = mb = = 2 (x - x) (x - x) n ;

x 2 x (y - x ) x = Sост x = Sост ma = ;

2 (n - 2) n2 n n - x) x x (x 1 - rxy mrxy =.

n - Сравнивая фактическое и критическое (табличное) значения t-статистики tтабл и tфакт принимают или отвергают гипотезу Но.

tтабл – максимально возможное значение критерия под влиянием случайных факторов при данной степени свободы k = n–2 и уровне значимости.

Связь между F-критерием Фишера (при k1 = 1; m =1) и t-критерием Стьюдента выражается равенством 2 2 tr = tb = tr = F.

Если tтабл < tфакт, то Но отклоняется, т. е. a, b и rxy не случайно отличаются от нуля и сформировались под влиянием систематически действующего фактора х. Если tтабл > tфакт, то гипотеза Но не отклоняется и признается случайная природа формирования а, b или rxy.

Значимость коэффициента детерминации R2 (индекса корреляции) определяется с помощью F-критерия Фишера. Фактическое значение критерия Fфакт определяется по формуле R2 n - m - Fфакт =. (1.6) m 1 - RFтабл определяется из таблицы при степенях свободы k1 = 1, k2 = n–2 и при заданном уровне значимости. Если Fтабл < Fфакт, то признается статистическая значимость коэффициента детерминации. В формуле (1.6) величина m означает число параметров при переменных в соответствующем уравнении регрессии.

1.5. Расчет доверительных интервалов Рассчитанные значения показателей (коэффициенты a, b, rxy ) являются приближенными, полученными на основе имеющихся выборочных данных.

Для оценки того, насколько точные значения показателей могут отличаться от рассчитанных, осуществляется построение доверительных интервалов.

Доверительные интервалы определяют пределы, в которых лежат точные значения определяемых показателей с заданной степенью уверенности, соответствующей заданному уровню значимости.

Для расчета доверительных интервалов для параметров a и b уравнения линейной регрессии определяем предельную ошибку для каждого показателя:

a = tтабл ma, b = tтабл mb.

Величина tтабл представляет собой табличное значение t-критерия Стьюдента под влиянием случайных факторов при степени свободы k = n–2 и заданном уровне значимости.

Формулы для расчета доверительных интервалов имеют следующий вид:

= a + a ;

= a - ;

amax = a ± a;

amin a a = b + b.

= b ± b; = b - b ;

bmax b bmin Если в границы доверительного интервала попадает ноль, т. е. нижняя граница отрицательна, а верхняя положительна, то оцениваемый параметр принимается нулевым, так как он не может одновременно принимать и положительное, и отрицательное значения.

Для статистически значимого линейного коэффициента корреляции можно построить интервальные оценки с помощью Z-распределения Фишера:

1 + rxy Z = ln. (1.7) 2 1 - rxy Первоначально определяется интервальная оценка для z по выражению z z' ± t, n - где t – значение случайной величины, подчиняющейся стандартному нормальному распределению, соответствующее вероятности = 1 – /2 ( – уровень значимости);

z’ = Z (rxy) – значение Z-распределения Фишера, соответствующее полученному значению линейного коэффициента корреляции rxy.

Граничные значения доверительного интервала (r–, r+) для rxy получаются из граничных значений доверительного интервала (z–, z+) для z с помощью функции, обратной Z-распределению Фишера ± -1 - rxy = Z (z± ) = Z z' ± t.

n - 1.6. Точечный и интервальный прогноз по уравнению линейной регрессии Точечный прогноз заключается в получении прогнозного значения уp, ко торое определяется путем подстановки в уравнение регрессии yx = a + b x соответствующего (прогнозного) значения xp уp = a + b xp.

Интервальный прогноз заключается в построении доверительного интервала прогноза, т. е. нижней и верхней границ уpmin, уpmax интервала, содержаще го точную величину для прогнозного значения p ( y < < y ). Довериp min p min p тельный интервал всегда определяется с заданной вероятностью (степенью уверенности), соответствующей принятому значению уровня значимости.

m Предварительно вычисляется стандартная ошибка прогноза y p (xp - x)m = ост 1+ +, y n (x - x) p y - y где =, ост n - m - и затем строится доверительный интервал прогноза, т. е. определяются нижняя и верхняя границы интервала прогноза y y pmin pmax = y - ; = y +, p p y y y y pmin p pmax p где = tтабл m.

y y p p 1.7. Коэффициент эластичности В экономических исследованиях широкое применение находит такой показатель, как коэффициент эластичности, вычисляемый по формуле x Э = f '(x). (1.8) y Коэффициент эластичности показывает на сколько процентов изменится результат у при изменении фактора х на 1 % от своего номинального значения.

Для линейной регрессии коэффициент эластичности равен x Э = b y и зависит от x, поэтому рассчитывают средний коэффициент эластичности x x Э = f '(x) = b.

y y Средний коэффициент эластичности Э показывает, на сколько процентов в среднем по совокупности изменится результат у от своей величины при изменении фактора х на 1 % от своего значения.

Контрольные вопросы:

Pages:     || 2 | 3 | 4 | 5 |   ...   | 10 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.