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 |
- Постройте корреляционное поле и по его виду определите формулу зависимости между P и Q.
- Оцените по МНК параметры уравнения линейной регрессии.
- Оцените выборочный коэффициент корреляции rpq.
- Проинтерпретируйте результаты.
Решение:
1) Корреляционное поле, построенное по статистическим данным, приведено на рисунке 1.
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 |
- Постройте регрессионную модель Y=b0+b1X+e.
- Оцените статистическую значимость коэффициентов регрессии.
- Оцените коэффициент детерминации R2 данного уравнения.
- Постройте регрессионную модель Y=bX+u.
- Приведите формулы расчета коэффициента b, его стандартной ошибки Sb и стандартной ошибки регрессии S (обратите внимание на число степеней свободы при расчете данной оценки).
- Значимо или нет различаются коэффициенты b1 и b?
- Какую из построенных моделей вы предпочтете?
- 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.
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
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 |
- Сформулируйте соответствующую регрессионную модель, дав интерпретацию ее параметров.
- Рассчитайте на основе имеющихся данных оценки параметров модели.
- Вычислите стандартную ошибку регрессии.
- Рассчитайте стандартные ошибки коэффициентов.
- Определите 90 и 95%-е доверительные интервалы для теоретических коэффициентов регрессии.
- Проанализируйте статистическую значимость коэффициентов при уровнях значимости a=0,1 и a=0,05.
- Оцените коэффициент корреляции между ВНП и экспортом.
- Дайте прогнозы по объему экспорта на 2006 и 2009 годы.
- Определите 95%-е доверительные интервалы для этих прогнозов.
- Рассчитайте коэффициент детерминации и сравните его с коэффициентом корреляции.
- Какие предпосылки относительно случайного отклонения модели необходимы для обоснованности выводов по предыдущим пунктам?
- 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:
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:
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 |
- Оцените по МНК коэффициенты уравнения регрессии.
- Проверьте гипотезы о том, что при прочих равных условиях рост цены товара увеличивает предложение; рост заработной платы снижает предложение.
- Определите интервальные оценки коэффициентов при уровне значимости a=0,1. Как с их помощью проверить гипотезу о статистической значимости коэффициентов регрессии?
- Оцените общее качество уравнения регрессии.
- Является ли статистически значимым коэффициент детерминации R2?
- Проверьте гипотезу об отсутствии автокорреляции остатков.
- Сделайте выводы по построенной модели.