Решение задач по "Эконометрике "

 


 


 

Задача №1

 

В выборке представлены данные по цене P некоторого блага и количеству (Q) данного блага, приобретаемому хозяйством ежемесячно в течение года.

Месяц

1

2

3

4

5

6

P

10,17

20,17

15,17

25,17

30,17

35,17

Q

110,17

75,17

100,17

80,17

60,17

55,17


 

Месяц

7

8

9

10

11

12

P

40,17

35,17

25,17

40,17

45,17

40,17

Q

40,17

80,17

60,17

30,17

40,17

30,17


 

  1. Постройте корреляционное поле и по его виду определите формулу зависимости между P и Q.
  2. Оцените по МНК параметры уравнения линейной регрессии.
  3. Оцените выборочный коэффициент корреляции rpq.
  4. Проинтерпретируйте результаты.

Решение:

1) Корреляционное поле, построенное по статистическим данным, приведено на рисунке 1.

Рис.1 Корреляционное поле

По виду корреляционного поля можно сделать предположение, что связь между ценой и количеством блага линейная и обратная..

2) Оценим по МНК параметры уравнения линейной регрессии

Для наглядности построим таблицу 1:

Таблица 1

 

Благо i

xi

yi

xi2

xiyi

yi2

ei

ei2

1

10,17

110,17

103,43

1120,43

12137,43

106,10

4,07

16,58

2

20,17

75,17

406,83

1516,18

5650,53

84,80

-9,63

92,70

3

15,17

100,17

230,13

1519,58

10034,03

95,45

4,72

22,30

4

25,17

80,17

633,53

2017,88

6427,23

74,15

6,02

36,27

5

30,17

60,17

910,23

1815,33

3620,43

63,50

-3,33

11,07

6

35,17

55,17

1236,93

1940,33

3043,73

52,85

2,32

5,39

7

40,17

40,17

1613,63

1613,63

1613,63

42,20

-2,03

4,11

8

35,17

80,17

1236,93

2819,58

6427,23

52,85

27,32

746,50

9

25,17

60,17

633,53

1514,48

3620,43

74,15

-13,98

195,38

10

40,17

30,17

1613,63

1211,93

910,23

42,20

-12,03

144,67

11

45,17

40,17

2040,33

1814,48

1613,63

31,55

8,62

74,34

12

40,17

30,17

1613,63

1211,93

910,23

42,20

-12,03

144,67

Итого

362,04

762,04

12272,75

20115,75

56008,75

761,97

≈0,0

1493,98

Среднее

30,17

63,50

1022,73

1676,31

4667,40

     

 

По МНК имеем

Получили уравнение линейной регрессии, выражающее взаимосвязь между признаком y (количество) и фактором х (цена):

Параметр показывает усредненное влияние на результативный признак (количество) неучтенных факторов, а - показывает, во сколько изменяется в среднем значение результативного признака (цена) при изменении факторного на единицу его собственного измерения.

То есть при увеличении цены блага на один рубль, количество блага уменьшается на 2,13.

По этому уравнению рассчитаем , также еi = y̅i – .

3) Оценим тесноту корреляционной зависимости и рассчитаем линейный коэффициент корреляции, характеризующий силу взаимосвязи между фактором и результатом.

где - среднее квадратическое отклонение фактора ;

      - среднее квадратическое отклонение фактора .

Коэффициент корреляции т.е. связь между фактором и результатом сильная. Но так как значение 0,896 отрицательное, то связь не прямая, а обратная.

 

Задача №2

Имеются данные за 10 лет по прибылям X и Y (в %) двух компаний:

Год

1

2

3

4

5

6

7

8

9

10

X

19,217

15,817

12,517

10,317

5,717

–5,817

–3,517

5,217

7,317

6,717

Y

20,117

18,017

10,317

12,517

6,017

–6,817

–2,817

3,017

8,517

8,017


 

            1. Постройте регрессионную модель Y=b0+b1X+e.
            2. Оцените статистическую значимость коэффициентов регрессии.
            3. Оцените коэффициент детерминации R2 данного уравнения.
            4. Постройте регрессионную модель Y=bX+u.
            5. Приведите формулы расчета коэффициента b, его стандартной ошибки Sb и стандартной ошибки регрессии S (обратите внимание на число степеней свободы при расчете данной оценки).
            6. Значимо или нет различаются коэффициенты b1 и b?
            7. Какую из построенных моделей вы предпочтете?
            8. Можно ли на основе построенных регрессий утверждать, что прибыль одной из компаний является следствием прибыли другой?

 

Решение:

 

1. Построим регрессионную модель Y=b0+b1X+e.

 Рис.2 Корреляционное поле

 

По виду корреляционного поля можно сделать предположение, что связь между прибылью двух фирм линейная и прямая

2. Оценим по МНК параметры уравнения линейной регрессии

Для наглядности построим таблицу 2:

Таблица 2

 

Года i

xi

yi

xi2

xiyi

yi2

ei

ei2

1

19,217

20,117

369,293

386,588

404,694

20,269

0,152

0,152

2

15,817

18,017

250,177

284,975

324,612

16,665

-1,352

-1,352

3

12,517

10,317

156,675

129,138

106,440

13,167

2,850

2,850

4

10,317

12,517

106,440

129,138

156,675

10,835

-1,682

-1,682

5

5,717

6,017

32,684

34,399

36,204

5,959

-0,058

-0,058

6

-5,817

-6,817

33,837

39,654

46,471

-6,267

0,550

0,550

7

-3,517

-2,817

12,369

9,907

7,935

-3,829

-1,012

-1,012

8

5,217

3,017

27,217

15,740

9,102

5,429

2,412

2,412

9

7,317

8,517

53,538

62,319

72,539

7,655

-0,862

-0,862

10

6,717

8,017

45,118

53,850

64,272

7,019

-0,998

-0,998

Итого

73,502

76,902

1087,351

1145,709

1228,947

761,97

0.00

21,689

Среднее

7,35

7,69

108,74

114,57

122,89

76,902

   

 

= =1,06

=7,69-1,06·7,35=-0,101

Получили уравнение линейной регрессии, выражающее взаимосвязь между признаком y (прибыль в первой компании) и признаком х (прибыль во второй компании):

Параметр показывает усредненное влияние на результативный признак (прибыль 2-ой фирмы) неучтенных факторов, а - показывает, во сколько изменяется в среднем значение результативного признака (прибыль 1-ой фирмы) при изменении факторного на единицу его собственного измерения.

То есть при увеличении прибыли 2-ой фирмы на один %, количество прибыли 2-ой фирмы увеличивается на 1,06.

Отсюда рассчитаем и e1.

Для расчета теоретического коэффициента детерминации определим значение линейного парного коэффициента корреляции через МНК-оценку коэффициента регрессии:

= =0,713

Коэффициент корреляции , т.е. связь между фактором и результатом сильная. Так как значение 0,713 положительное, то связь прямая.

 Теоретический коэффициент детерминации будет равен: . Следовательно 50,8% вариации прибыли фирмы Y объясняется уравнением линейной регрессии, а значит и прибыли фирмы X. А 100 – 50,8 = 49,2 % вариации прибыли фирмы Y обусловлено влиянием не учтенных в модели факторов.

Коэффициент множественной корреляции равен: . Близость к единице данного показателя свидетельствует о хорошей аппроксимации модели фактических данных.

Для расчета средней квадратической ошибки уравнения регрессии нужно теоретические значения результативного признака , остатки и их квадраты.

Тогда =1,647 (в нашем примере п =10, h=2).

Рассчитаем среднюю ошибку аппроксимации. Для нашего примера А = =0,1522 (15,22 %), что свидетельствует о незначительной погрешности модели.

3. Для оценки надежности выборочного  уравнения регрессии воспользуемся формулой

=

где – дисперсия результативного признака, обусловленная регрессией, т.е. влиянием на факторных переменных, включенных в модель; – дисперсия результативного признака, обусловленная влиянием второстепенных факторов и случайных помех; – объём выборки; – количество факторных переменных.

Так как , дополнительно вычислим Σ(Yi – ̅̅Y)2

Таблица 2.1

Yi

20,117

18,017

10,317

12,517

6,017

–6,817

–2,817

3,017

8,517

8,017

76,902

7,69

(Yi – ̅̅Y)2

154,430

106,647

6,901

23,300

2,799

210,453

110,397

21,837

0,684

0,107

637,55

 

Xi

19,217

15,817

12,517

10,317

5,717

–5,817

–3,517

5,217

7,317

6,717

73,502

7,35

(Xi – ̅̅X)2

140,826

71,690

26,698

8,803

2,667

173,370

118,092

4,550

0,001

0,401

547,096

 

Отсюда = · 637,55=70,84

· 21,689=2,41

= =227,15

 По статистическим таблицам распределения Фишера на -ном уровне значимости при числе степеней свободы и находим критическую точку

Так как делаем вывод о значимости полученного уравнения регрессии.

Для оценки надёжности парного коэффициента корреляции применим формулу

По таблице распределения Стьюдента на -ном уровне значимости при числе степеней свободы находим критическую точку

Так как делаем вывод о значимости т. е., отклоняем гипотезу об отсутствии линейной корреляционной связи в генеральной совокупности, рискуя ошибиться при этом лишь в 5%-х случаях.

4. Для линейного парного уравнения регрессий стандартная ошибка коэффициента вычисляется по формуле:

= =0,07

= =0,734

Стандартную ошибку вычисляем по приближенной формуле: 0,378.

5. Построим регрессионную модель Y=bX+u в матричной форме

 

 

Задача №3

 

Для прогноза возможного объема экспорта на основе ВНП предложено использовать линейную регрессионную модель. При этом используются данные за 1995 – 2004 годы.

Годы

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

ВНП

1000

1090

1150

1230

1300

1360

1400

1470

1500

1580

Экспорт

190

220

240

240

260

250

280

290

310

350


 

  1. Сформулируйте соответствующую регрессионную модель, дав интерпретацию ее параметров.
  2. Рассчитайте на основе имеющихся данных оценки параметров модели.
  3. Вычислите стандартную ошибку регрессии.
  4. Рассчитайте стандартные ошибки коэффициентов.
  5. Определите 90 и 95%-е доверительные интервалы для теоретических коэффициентов регрессии.
  6. Проанализируйте статистическую значимость коэффициентов при уровнях значимости a=0,1 и a=0,05.
  7. Оцените коэффициент корреляции между ВНП и экспортом.
  8. Дайте прогнозы по объему экспорта на 2006 и 2009 годы.
  9. Определите 95%-е доверительные интервалы для этих прогнозов.
  10. Рассчитайте коэффициент детерминации и сравните его с коэффициентом корреляции.
  11. Какие предпосылки относительно случайного отклонения модели необходимы для обоснованности выводов по предыдущим пунктам?
  12. Сделайте выводы по предыдущим пунктам.

 

Решение:

1. Корреляционное поле, построенное по статистическим данным, приведено на рисунке 3

Рис.3 Корреляционное поле

По виду корреляционного поля можно сделать предположение, что связь между ВНП и экспортом линейная и прямая..

2. Оценим по МНК параметры уравнения линейной регрессии

Для наглядности построим таблицу 3:

Таблица 3

 

Года i

xi

yi

xi2

xiyi

yi2

ei

ei2

1995

1000

190

1000000

190000

36100

190,93

-0,93

0,86

1996

1090

220

1188100

239800

48400

211,99

8,01

64,19

1997

1150

240

1322500

276000

57600

226,03

13,97

195,22

1998

1230

240

1512900

295200

57600

244,75

-4,75

22,54

1999

1300

260

1690000

338000

67600

261,13

-1,13

1,27

2000

1360

250

1849600

340000

62500

275,17

-25,17

633,43

2001

1400

280

1960000

392000

78400

284,53

-4,53

20,50

2002

1470

290

2160900

426300

84100

300,91

-10,91

118,98

2003

1500

310

2250000

465000

96100

307,93

2,07

4,29

2004

1580

350

2496400

553000

122500

326,65

23,35

545,32

Итого

13080

2630

17430400

3515300

710900

2630

0,00

1606,61

Среднее

1308

263

1743040

351530

71090

263

   

= = 0,234

=263-0,234·1308= – 43,072

Получили уравнение линейной регрессии, выражающее взаимосвязь между признаком y (экспорт) и признаком х (ВНП):

Параметр показывает усредненное влияние на результативный признак (экспорт) неучтенных факторов, а - показывает, во сколько изменяется в среднем значение результативного признака (ВНП) при изменении факторного на единицу его собственного измерения.

То есть при увеличении ВНП на один рубль, размер экспорта увеличивается на 0,234.

Отсюда рассчитаем и e1.

Для расчета теоретического коэффициента детерминации определим значение линейного парного коэффициента корреляции через МНК-оценку коэффициента регрессии:

= =0,957

Коэффициент корреляции , т.е. связь между фактором и результатом очень сильная. Так как значение 0,953 положительное, то связь прямая.

 Теоретический коэффициент  детерминации будет равен: . Следовательно 91,6% вариации экспорта Y объясняется уравнением линейной регрессии, а значит и ВНП X. А 100 – 91,6 = 8,4 % вариации экспорта Y обусловлено влиянием не учтенных в модели факторов.

3. Стандартную ошибку вычисляем по приближенной формуле: 0,378

4. Для линейного парного уравнения регрессий стандартная ошибка коэффициента вычисляется по формуле:

= =0,07

= =0,734

5. Доверительный интервал для параметров регрессии bi записываемся в виде следующей формулы: .

Определим доверительные границы для параметра регрессии b1, b0 обычно не рассматривается, т. к. лишен экономического смысла.

Вычислим стандартную ошибку оценки параметра регрессии, а для этого сначала вычислим стандартные отклонения. Построим ещё одну таблицу 3.1

Таблица 3.1

Xi

1000

1090

1150

1230

1300

1360

1400

1470

1500

1580

13080

1308

(Xi – ̅̅X)2

94864

47524

24964

6084

64

2704

8464

26244

36864

73984

321760

 

SX= = =189,08

Sξ= = =13,36

Зададимся уровнем значимости . Число степеней свободы для нашего примера . По таблице Стьюдента находим, что . В соответствии получаем следующие доверительные границы для b1

или 0,234±0,0578

Итак, с вероятностью 0,95 можно утверждать, что неизвестное знамение параметра регрессии b1 содержится в интервале

При построении доверительного интервала для коэффициента корреляции генеральной совокупности прибегают к преобразованию Фишера по формуле:

Подставляя выборочный коэффициент корреляции получаем значение Z:

Стандартная ошибка вычислена выше.

Доверительные границы для величины на заданном уровне значимости определяются по формуле : .

При уровне значимости . Таким образом, доверительные границы для величины при p = 0,95 будут следующими:

 или

и доверительный интервал для

Доверительные границы для коэффициента корреляции находят путем обратного пересчета величины по формуле:

Произведем обратный пересчет в r

Итак, с вероятностью 0,95 можно утверждать, что коэффициент корреляции в генеральной совокупности содержится в интервале

Теперь определим 90%-е доверительные интервалы для теоретических коэффициентов регрессии.

Зададимся уровнем значимости . Число степеней свободы для нашего примера . По таблице Стьюдента находим, что . В соответствии получаем следующие доверительные границы для b1

или 0,234±0,0465

Итак, с вероятностью 0,9 можно утверждать, что неизвестное знамение параметра регрессии b1 содержится в интервале

При построении доверительного интервала для коэффициента корреляции генеральной совокупности прибегают к преобразованию Фишера по формуле:

Подставляя выборочный коэффициент корреляции получаем значение Z:

Стандартная ошибка вычислена выше.

Доверительные границы для величины на заданном уровне значимости определяются по формуле : .

При уровне значимости . Таким образом, доверительные границы для величины при p = 0,9 будут следующими:

 или

и доверительный интервал для

Доверительные границы для коэффициента корреляции находят путем обратного пересчета величины по формуле:

Произведем обратный пересчет в r

Итак, с вероятностью 0,90 можно утверждать, что коэффициент корреляции в генеральной совокупности содержится в интервале

 

 

Задача №4

Предполагается, что объем Q предложения некоторого блага для функционирующей в условиях конкуренции фирмы зависит линейно от цены P данного блага и заработной платы W сотрудников фирмы, производящих данное благо: .

Статистические данные, собранные за 16 месяцев, занесены в следующую таблицу:

Q

20

35

30

45

60

69

75

90

105

110

120

130

130

130

135

140

P

10

15

20

25

40

37

43

35

38

55

50

35

40

55

45

65

W

12

10

9

9

8

8

6

4

4

5

3

1

2

3

1

2


  1. Оцените по МНК коэффициенты уравнения регрессии.
  2. Проверьте гипотезы о том, что при прочих равных условиях рост цены товара увеличивает предложение; рост заработной платы снижает предложение.
  3. Определите интервальные оценки коэффициентов при уровне значимости a=0,1. Как с их помощью проверить гипотезу о статистической значимости коэффициентов регрессии?
  4. Оцените общее качество уравнения регрессии.
  5. Является ли статистически значимым  коэффициент детерминации R2?
  6. Проверьте гипотезу об отсутствии автокорреляции остатков.
  7. Сделайте выводы по построенной модели.
Решение задач по "Эконометрике "