Открыть Электронные книги
Категории
Открыть Аудиокниги
Категории
Открыть Журналы
Категории
Открыть Документы
Категории
КОМПЬЮТЕРНЫЙ ПРАКТИКУМ
ПО
ЭКОНОМЕТРИЧЕСКОМУ МОДЕЛИРОВАНИЮ
Воронеж-2003
Утверждено научно-методическим советом экономического факультета
протокол № 6 от 26 июня 2003г.
Составители:
Давнис Валерий Владимирович
Тинякова Виктория Ивановна
1 1
σx =
n
∑ x i2 − x 2 , σy =
n
∑ yi2 − y 2 .
∑ ( yˆ − y ) 2 / m rxy2
Fрасч = = ( n − 2) ,
∑ ( y − yˆ ) 2 / (n − m − 1) 1 − rxy2
где ŷ – расчетное значение зависимой переменной ( yˆ = bˆ0 + bˆ1x ), n – число
элементов выборочной совокупности, m – число факторов.
1.1.5. Стандартные ошибки параметров линейной регрессии:
sb1 = ∑ ( y − yˆ ) 2 / (n − 2) = 2
Sост
=
S ост
,
∑ ( x − x )2 ∑ (x − x)2 σx n
sb0 = ∑ x 2 ⋅ ∑ ( y − yˆ ) 2 = 2
Sост ∑ x2 = Sост
∑ x2 ,
n∑ ( x − x ) 2 (n − 2) n 2σ x2 nσ x
2
где Sост – остаточная дисперсия, рассчитываемая по формуле
2
Sост = ∑ ( y − yˆ )2
.
n − m −1
1.1.6. t-статистики Стьюдента:
b0 b1
tb0 = , tb1 = .
sb0 sb1
1.1.7. Доверительные интервалы:
bˆ0 − ∆ b0 ≤ b0 ≤ bˆ0 + ∆ b0 , bˆ1 − ∆ b1 ≤ b1 ≤ bˆ1 + ∆ b1 ,
где ∆ b0 , ∆ b1 – предельные ошибки, рассчитываемые по формулам
∆ b0 = tтабл sb0 , ∆ b1 = tтаблsb1 ,
t табл – табличное значение t-статистики.
1.1.8. Индекс корреляции:
p xy = 1 − ∑
( y − yˆ ) 2
.
∑ ( y − y) 2
№ п.п. y x x2 xy y2
1. 5000 30,2 912,04 151000 25000000
2. 5200 32 1024 166400 27040000
3. 5350 32 1024 171200 28622500
4. 5880 37 1369 217560 34574400
5. 5430 30 900 162900 29484900
6. 5430 30 900 162900 29484900
7. 5430 30 900 162900 29484900
8. 5350 29 841 155150 28622500
9. 5740 33 1089 189420 32947600
10. 5570 31 961 172670 31024900
11. 5530 30 900 165900 30580900
12. 6020 34 1156 204680 36240400
13. 7010 38 1444 266380 49140100
14. 6420 31 961 199020 41216400
15. 7150 39 1521 278850 51122500
16. 7190 39,5 1560,3 284005 51696100
Среднее
значение 5856,25 32,86 1091,39 194433,44 34767688,50
3,444
r = 170,239 ⋅ = 0,853 ; D = 0,8532 ⋅ 100% = 72,818% .
687,040
Коэффициент корреляции достаточно высокий, что свидетельствует о
существенной зависимости стоимости квартир от полезной площади. Коэф-
фициент детерминации показывает, что величина стоимости квартиры объяс-
няется величиной полезной площади только на 72,82 %.
5. Расчет дисперсионного отношения Фишера
0,8532
Fрасч = ⋅ 14 = 37,504 .
(1 − 0,8532 )
Сравнение расчетного значения F-критерия с табличным F1; 14 = 4,60 для
95%-ного уровня значимости позволяет сделать вывод об адекватности по-
строенной модели.
6. Расчет стандартных ошибок по формулам (1.1.5), в которых использу-
ется средняя квадратическая ошибка S ост , вычисленная в соответствии с
данными табл. 1.2.3.
382,933 ⋅ 17462,29 382,933
sb0 = = 918,356 ; sb1 = = 27,798 .
3,444 ⋅ 16 3,444 ⋅ 16
7. Расчет доверительных границ для коэффициентов уравнения регрессии
∆ b0 = 2,1448 ⋅ 918,356 = 1969,691;
∆ b1 = 2,1448 ⋅ 27,798 = 59,622 ;
262,847 − 1969,691 ≤ b0 ≤ 262,847 + 1969,691 ;
− 1706,691 ≤ b0 ≤ 2232,538 ;
170,239 − 59,622 ≤ b1 ≤ 170,239 + 59,622 ;
110,616 ≤ b1 ≤ 229,861 .
8. Построение линейного уравнения регрессии и расчет всех его характе-
ристик с помощью «Пакета анализа» табличного процессора Excel. Сравне-
ние результатов, полученных с помощью расчетных формул, с результатами
применения инструментальных средств Excel (см. Вывод итогов к заданию
1.2.1) показывает их полную идентичность, что свидетельствует о правиль-
ном понимании метода построения линейных регрессионных уравнений и ме-
тодики оценки его качества.
Таблица 1.2.3
№ п/п y x ŷ ( y − ŷ )2
1. 5000 30,2 5404,054 163259
2. 5200 32 5710,483 260593
3. 5350 32 5710,483 129948
4. 5880 37 6561,676 464683
5. 5430 30 5370,006 3599
6. 5430 30 5370,006 3599
7. 5430 30 5370,006 3599
8. 5350 29 5199,767 22570
9. 5740 33 5880,722 19803
10. 5570 31 5540,245 885
11. 5530 30 5370,006 25598
12. 6020 34 6050,96 959
13. 7010 38 6731,915 77331
14. 6420 31 5540,245 773970
15. 7150 39 6902,154 61428
16. 7190 39,5 6987,273 41098
∑ ( y − yˆ )
2
2052923
Sост 382,933
Регрессионная статистика
Множественный R 0,853
R-квадрат 0,728
Нормированный R-квадрат 0,709
Стандартная ошибка 382,933
Наблюдения 16
Дисперсионный анализ
Значи-
df SS MS F мость F
Регрессия 1 5499452,368 5499452,368 37,504 0,00003
Остаток 14 2052922,632 146637,331
Итого 15 7552375
P-
Коэффи- Стандартная t- Нижние Верхние
Значе-
циенты ошибка статистика 95% 95%
ние
Y-пересечение 262,847 918,356 0,286 0,779 -1706,833 2232,528
Переменная X 1 170,239 27,798 6,124 0,000 110,617 229,860
Задание 1.2.2. По данным табл. 1.2.1 построить нелинейное уравнение
регрессии в виде показательной функции, отражающее зависимость стоимости
квартиры от ее полезной площади. Для построенного уравнения вычислить:
1) индекс корреляции;
2) коэффициент детерминации;
3) дисперсионное отношение Фишера.
Дать содержательную интерпретацию коэффициента регрессии постро-
енной модели. Все расчеты провести в Excel с использованием выше приве-
денных формул.
Решение с помощью табличного процессора Excel.
1. Ввод исходных данных.
2. Подготовка данных и оформление их в виде табл. 1.2.4 для расчета ко-
эффициентов регрессии.
285,151 − 33 ⋅ 8,669
Lnb1 = = 0,028 ; Lnb0 = 8,669 − 0,028 ⋅ 33 = 7,761 ;
1091 − 332
b1 = e Lnb1 = 2,7180,028 = 1,028 ; b0 = e Lnb0 = 2,7187,761 = 2347,862 .
Таблица 1.2.4
№ п/п y ln y x x 2
x ln y
1. 5000 8,517 30,2 912,04 257,2192
2. 5200 8,556 32 1024 273,8052
3. 5350 8,585 32 1024 274,7153
4. 5880 8,679 37 1369 321,1345
5. 5430 8,600 30 900 257,9908
6. 5430 8,600 30 900 257,9908
7. 5430 8,600 30 900 257,9908
8. 5350 8,585 29 841 248,9607
9. 5740 8,655 33 1089 285,6221
10. 5570 8,625 31 961 267,3797
11. 5530 8,618 30 900 258,5383
12. 6020 8,703 34 1156 295,8966
13. 7010 8,855 38 1444 336,4935
14. 6420 8,767 31 961 271,7824
15. 7150 8,875 39 1521 346,1198
16. 7190 8,880 39,5 1560,25 350,7776
Среднее
значение 5856 8,669 33 1091 285,151
∑ ( y − y )2 ∑ ( y − yˆ )
2
7552375 1975343
∑ ( yi − yˆi )2 .
R yx1 x2 ,K , x m = 1−
∑ ( yi − y )2
2.1.4. Бетта-коэффициенты:
σ xi
β i = bi .
σy
2.1.5. Парные коэффициенты корреляции:
σ x xy − x y ∑ (xi − x )( yi − y )
rxy = b1 = = .
σy σ xσ y σ xσ y (n − 1)
2.1.6. Множественный коэффициент корреляции:
R yx1 x2 ,K , xm = ∑ β i ryxi .
2.1.7. Дисперсионное отношение Фишера:
R2 n − m −1 ∑ ( yi − yˆ i )2 / m
F= = .
1 − R2 m (
∑ i i
y − yˆ )2
/ ( n − m − 1)
2.1.8. Скорректированный коэффициент множественной детерминации:
(n − 1)
D = Rˆ 2 ⋅ 100 = 1 − (1 − R 2 ) ⋅100 .
( n − m − 1)
2.1.9. Частный F-критерий:
2 2
R yx1 x2 ,K , xm
− R yx1 ,K , xi −1 xi +1,K , x n − m −1
Fxi = 2
m
⋅ .
1 − R yx1 x2 ,K , xm
1
2.2. Решение типовой задачи
Задание 2.2.1. По данным табл. 2.2.1, используя матричную форму мето-
да наименьших квадратов, рассчитать:
1) коэффициенты регрессии;
2) стандартные ошибки коэффициентов регрессии;
3) множественный индекс корреляции;
4) бетта - коэффициенты;
5) парные коэффициенты корреляции;
6) множественный коэффициент корреляции;
5) дисперсионное отношение Фишера.
Построить уравнение регрессии, используя «Пакет анализа» табличного
процессора Excel, и полученные результаты сравнить с расчетами по методу
наименьших квадратов.
Таблица 2.2.1
№ п/п y x1 x2 № п/п y x1 x2
1. 131 110 106 8. 54 132 41
2. 70 35 66 9. 79 111 48
3. 31 16 61 10. 242 168 102
4. 106 46 53 11. 170 105 91
5. 109 50 23 12. 80 110 45
6. 75 99 48 13. 96 108 48
7. 111 114 52 14. 138 109 62
Y X1 X2 (Y − Y )
2
(X 1− X1 )
2
(X − X2)
2
2
Rскор = 1 − (1 − 0,7556192 )
13
= 0,702106 .
11
5. Расчет бетта-коэффициентов
β 1 = 0,516582 ⋅ 41,59545 / 52,88698 = 0,40629 ;
β 2 = 1,15075 ⋅ 23,8254 / 52,88698 = 0,518408 .
6. Расчет парных коэффициентов корреляции и оформление расчетов в
виде табл. 2.2.4.
7. Вычисление множественного коэффициента корреляции
R = 0,575062 ⋅ 0,40629 + 0,65068 ⋅ 0,518408 = 0,755619 .
8. Вычисление дисперсионного отношения Фишера
0,7556192 11
Fрасч = ⋅ = 7,319308 .
1 − 0,7556192 2
Таблица 2.2.4
Y X1 X2 (Y − Y )(X − X 1 ) (Y − Y )( X 2 − X 2 )
1
Регрессионная статистика
Множественный R 0,755619
R-квадрат 0,57096
Нормированный R-
квадрат 0,492952
Стандартная ошибка 37,65938
Наблюдения 14
Дисперсионный анализ
Значи-
df SS MS F мость F
Регрессия 2 20760,90924 10380,45 7,319308 0,0095222
Остаток 11 15600,51933 1418,229
Итого 13 36361,42857
F=
(Sост
2
− S32ост )/ (k + 1)
,
S32ост / (n + m − 2k − 2)
где k - количество факторов в регрессионной модели; n - объем первой вы-
борочной совокупности; m - объем второй выборочной совокупности;
2
Sост - сумма квадратов остатков регрессии, построенной по объединенной
выборочной совокупности;
2
S1ост - сумма квадратов остатков регрессии, построенной по первой выбо-
рочной совокупности;
2
S 2ост - сумма квадратов остатков регрессии, построенной по второй вы-
борочной совокупности;
S32ост = S12ост + S 22ост .
3.2. Решение типовых задач
Задание 3.2.1. Требуется проверить нуль-гипотезу, состоящую в том, что
значение генеральной совокупности, оцененное по случайной выборке отли-
чается от предполагаемого значения µ 0 . Данные для проверки гипотезы:
µ0 =25,0; σ 0 = 6,0; n =36; x =23,2.
Гипотеза H 0 : µ = µ 0
H A : µ ≠ µA .
Решение с помощью табличного процессора Excel
1. Ввод данных для проверки гипотезы.
2. Расчет абсолютного значения нормально распределенной статистики
~ 23,2 − 25,0
z = 36 = 1,8 .
6
3. Сравнение полученного значения статистики с критическим значени-
~
ем z = 1,8 < 1,96 = z0,95 .
Так как расчетное значение статистики меньше критического значения,
то нуль-гипотеза не отвергается (Р>0,05). Неотклоненная нуль-гипотеза при-
нимается в качестве рабочей гипотезы, так как она не противоречит выбороч-
ным наблюдениям. Однако нужно помнить, что правильность нуль-гипотезы,
возможно, была подтверждена только потому, что не оказалось достаточного
для ее отклонения статистического материала.
4. Ввод данных для перепроверки гипотезы:
µ0 =25,0; σ 0 = 6,0; n =49; x =23,1.
5. Расчет статистики
Y Ŷ (Yˆ − Y ) (Yˆ − Y )
2
Регрессионная статистика
Множественный R 0,965091
R-квадрат 0,931401
Нормированный R-
квадрат 0,897101
Стандартная ошибка 16,65463
Наблюдения 7
Дисперсионный анализ
Значи-
df SS MS F мость F
Регрессия 2 15064,2081 7532,104 27,1548 0,0047059
Остаток 4 1109,50616 277,3765
Итого 6 16173,7143
Стан-
Коэффици- дартная P- Нижние Верхние
енты ошибка t-статистика Значение 95% 95%
Y-пересечение 13,86422 26,6435024 0,52036 0,630286 -60,11015 87,838598
Переменная X 1 0,889493 0,39236032 2,267031 0,086009 -0,199876 1,978862
Переменная X 2 0,89948 0,13496104 6,66474 0,002633 0,5247676 1,274193
Регрессионная статистика
Множественный R 0,99412
R-квадрат 0,988274
Нормированный R-
квадрат 0,982411
Стандартная ошибка 5,576546
Наблюдения 7
Дисперсионный анализ
Значи-
df SS MS F мость F
Регрессия 2 10483,6085 5241,804 168,5583 0,000138
Остаток 4 124,391476 31,09787
Итого 6 10608
Таблица 4.2.3
№ x1 x2 y y расч ( y − y расч ) 2
Регрессионная статистика
Множественный R 0,968969836
R-квадрат 0,938902544
Нормированный R-квадрат 0,931714608
Стандартная ошибка 13,07464604
Наблюдения 20
Дисперсионный анализ
Значи-
df SS MS F мость F
Регрессия 2 44658,7117 22329,36 130,622 4,8E-11
Остаток 17 2906,08827 170,9464
Итого 19 47564,8
Регрессионная статистика
Множественный R 0,985102
R-квадрат 0,970425
Нормированный R-
квадрат 0,966946
Стандартная ошибка 1,948194
Наблюдения 20
Дисперсионный анализ
Значи-
df SS MS F мость F
Регрессия 2 2117,1754 1058,588 278,9088 1,01E-13
Остаток 17 64,5228463 3,795462
Итого 19 2181,69825
t-
Коэффи- Стандартная статисти- P- Нижние Верхние
циенты ошибка ка Значение 95% 95%
Y-пересечение 0,148364 0,95183574 0,155871 0,877971 -1,85984 2,1565644
Переменная X 1 1,818385 0,14250896 12,75979 3,91E-10 1,517717 2,1190528
Переменная X 2 0,915585 0,05632975 16,25403 8,6E-12 0,79674 1,034431
1800
1600
Оборот, млн.
Внешнеторговый оборот,
шиллингов
1400
1200
млн. шиллингов
1000 Данные, сглаженные по 1-
800
му методу
600
400 Данные, сглаженные по 2-
200 му методу
0
1980 1982 1984 1986 1988 1990 1992 1994
Время, год
Таблица 5.2.2
Номер Внешнеторговый Данные, Данные,
Год сглаженного оборот, сглаженные по сглаженные по
значения млн. шиллингов 1-му методу (р=1) 2-му методу (р=2)
1980 752
1981 824 806,333
1982 1 843 850,333 845,400
1983 2 884 907,000 894,628
1984 3 994 991,333 1000,857
1985 4 1096 1041,000 1061,800
1986 5 1033 1058,667 1050,657
1987 6 1047 1084,667 1057,285
1988 7 1174 1183,667 1171,771
1989 8 1330 1320,333 1326,914
1990 9 1457 1440,000 1454,600
1991 10 1533 1518,000 1532,657
1992 11 1564 1552,333 1551,485
1993 12 1560 1600,333 1583,400
1994 1677 1678,333
1995 1798
Вывод: построенный совмещенный график показывает, что данные,
сглаженные по второму методу, более точно повторяют конфигурацию траек-
тории кривой исходного динамического ряда, чем данные, сглаженные по
первому методу. Следовательно, второй метод следует рекомендовать в тех
случаях, когда дисперсия случайных составляющих исходных данных невы-
сока. Однако нужно помнить, что его применение приводит к потере четырех
наблюдений, в то время как при сглаживании по первому методу исключают-
ся только два наблюдения.
4. Графический анализ абсолютных приростов и темпов роста.
4.1. Расчет абсолютных приростов для исходных и сглаженных данных
по формуле 5.1.1. Оформление результатов расчетов в виде табл. 5.2.3.
Таблица 5.2.3
Абсолютный прирост Абсолютный прирост Абсолютные приросты
Год внешнеторгового обо- данных, сглаженных данных, сглаженных
рота, млн. шиллингов по 1-му методу по 2-му методу
1983 41 56,667
1984 110 84,333 106,229
1985 102 49,667 60,943
1986 -63 17,667 -11,143
1987 14 26,000 6,629
1988 127 99,000 114,486
1989 156 136,667 155,143
1990 127 119,667 127,686
1991 76 78,000 78,057
1992 31 34,333 18,829
1993 -4 48,000 31,914
4.2. Используя «Мастер диаграмм», построить «Линейчатую» диа-
грамму для абсолютных приростов исходных и сглаженных данных.
Абсолютные приросты
Абсолютные приросты
15
данных, сглаженных по
13
Время, год 2-му методу
11
9
Абсолютный прирост
данных, сглаженных по
7
1-му методу
5
3 Абсолютный прирост
1
внешнеторгового
-100 -50 0 50 100 150 200 оборота, млн. шиллингов
Абсолютные приросты оборота, млн.
шиллингов
11
10
Темп роста данных,
9
8
сглаженных по 1-му методу,
7 %
6
5
Темп роста
4 внешнеторгового оборота,
3
2 %
1
0 20 40 60 80 100 120
Диаграммы еще раз позволяют убедиться в том, что второй метод следует
применять в тех случаях, когда дисперсия случайной составляющей уровней
временного ряда невелика.
5. Расчет по исходным и сглаженным данным среднего абсолютного
прироста и среднего относительного роста за рассматриваемый период по
формулам (5.1.2) и (5.1.5).
1560 − 843 1600,333 − 850,333
∆y = = 65,181; ∆y1 = = 68,182 ;
11 11
1583,400 − 845,400 1560
∆y 2 = = 67,091 ; T = 11 ⋅ 100% = 105,75% ;
11 843
1600,333 1583,400
T1 = 11 ⋅ 100% = 105,92% ; T2 = 11 ⋅ 100% = 105,87% .
850,333 845,400
17
15
Время, квартал
13
11
y t y − y1 y − y 2 y − y3 y − y 4 ( y − y1 ) 2 ( y − y2 )2 ( y − y3 ) 2 ( y − y4 )2
386,700 1 -27,264 -26,873 -32,487 -0,363 743,338 722,171 1055,420 0,132
431,222 2 1,795 2,768 3,520 -1,033 3,222 7,661 12,393 1,066
447,911 3 9,438 10,504 12,376 0,592 89,076 110,340 153,163 0,350
456,526 4 11,636 12,655 13,840 1,675 135,388 160,149 191,559 2,807
460,998 5 11,129 12,047 11,843 1,628 123,864 145,121 140,265 2,651
464,566 6 10,630 11,421 9,624 2,183 112,999 130,433 92,630 4,768
462,816 7 5,441 6,094 2,769 -1,719 29,606 37,139 7,670 2,954
466,391 8 6,037 6,548 1,921 0,242 36,440 42,871 3,690 0,058
468,984 9 6,002 6,370 0,773 1,580 36,024 40,579 0,597 2,495
467,813 10 2,481 2,707 -3,457 -0,595 6,155 7,328 11,949 0,354
469,037 11 1,578 1,665 -4,610 -0,193 2,491 2,771 21,251 0,037
468,726 12 -0,674 -0,725 -6,616 -1,189 0,454 0,526 43,768 1,413
469,153 13 -2,032 -2,218 -7,202 -1,341 4,131 4,921 51,868 1,799
470,522 14 -2,316 -2,634 -6,164 -0,469 5,366 6,938 37,990 0,220
471,160 15 -3,218 -3,664 -5,175 -0,262 10,356 13,428 26,782 0,068
470,195 16 -5,623 -6,195 -5,107 -1,603 31,619 38,379 26,086 2,571
472,079 17 -5,091 -5,786 -1,508 -0,051 25,919 33,474 2,274 0,003
472,540 18 -5,905 -6,719 1,350 0,115 34,868 45,151 1,824 0,013
473,345 19 -6,306 -7,238 5,234 0,655 39,767 52,386 27,399 0,430
473,085 20 -7,711 -8,758 8,735 0,157 59,464 76,695 76,292 0,025
Сумма квадратов отклонений 1530,545 1678,461 1984,869 24,214
Средний квадрат отклонений 76,527 83,923 99,243 1,211
Среднее квадратическое отклонение 8,748 9,161 9,962 1,100
Таблица 5.2.10
Номер Прогнозные оценки Нижняя граница Верхняя граница
Год квар- объема продаж, тыс. прогнозной прогнозной
тала руб. оценки оценки
21 473,143 470,652 475,634
22 473,339 470,847 475,830
2002
23 473,517 471,026 476,009
24 473,681 471,190 476,172
Таблица 5.3.1
Y1 Y2 Y3 Y4 Y5 Y6 Y7
14,652 149,380 115,375 390,380 349,230 44,135 114,436
20,290 156,632 116,931 394,032 369,857 47,111 141,824
23,144 163,320 118,675 396,378 376,918 51,095 160,770
26,521 169,996 120,370 398,037 380,475 55,850 175,837
32,480 175,747 121,997 399,237 382,540 61,357 188,398
40,664 181,602 123,696 400,277 383,975 67,756 199,460
47,349 186,649 125,571 400,719 384,570 75,151 209,218
58,324 191,433 127,060 401,636 385,505 82,980 218,084
65,820 195,882 129,000 402,406 386,214 92,080 226,070
78,206 199,736 130,604 402,758 386,456 101,664 233,673
94,934 203,304 132,391 403,314 386,873 112,251 240,637
111,293 206,241 134,204 403,684 387,087 123,684 247,254
137,607 208,931 135,803 404,102 387,337 135,723 253,473
162,762 211,148 137,369 404,590 387,652 148,549 259,350
Таблица 5.3.2
Регион / Год 1993 1994 1995 1996 1997 1998 1999 2000
Западная
Европа 11451 11934 12021 12790 13408 14341 13800 12700
Североамери-
канское согла-
шение о сво- 9650 10154 9424 9390 9333 9358 8930 8335
бодной торгов-
ле
Южная Аме-
рика 1485 1737 1898 1938 1703 1703 1120 1460
Япония 4200 4210 4444 4669 4093 4093 4200 4450
Азия (исклю-
чая Японию) 2700 2972 3267 3533 2468 2468 2743 3098
Восточная
Европа 1879 1560 1533 1729 1820 1820 1534 1580
6. АВТОРЕГРЕССИОННЫЕ ПРОЦЕССЫ И ИХ МОДЕЛИ
t =1
6.1.5. Доверительный интервал для k-го коэффициента автокорреляции:
1 1
− 1,96 ⋅ ≤ rk ≤ 1,96 ⋅ .
n n
6.1.6. Статистика для проверки по χ 2 - критерию значимости m коэффи-
циентов автокорреляции:
m
Q = n ∑ ri2 ,
i =1
где n – объем выборочной совокупности; m – максимальный рассматривае-
мый лаг.
6.1.7. Статистика для проверки значимости единичного корня по крите-
рию Дики-Фуллера:
DF расч = β1 / S β1 ,
где β1 = α1 − 1 , а S β1 - стандартная ошибка β1 .
6.1.8. В случае автокорреляции остатков для проверки значимости еди-
ничного корня применяется расширенный критерий Дики-Фуллера. В расши-
ренном критерии статистика DF расч сравнивается с критическим значением,
рассчитываемым по следующей формуле:
ϕ1 ϕ 2
EDF = ϕ 0 + + .
T T2
Значения составляющих EDF в зависимости от уровня значимости сле-
дующие:
ϕ 0 = −2,57 (1%) или − 1,94 (5%) ;
ϕ1 = −1,96 (1%) или − 0,398 (5%) ;
ϕ 2 = −10,04 (1%) или 0 (5%) .
Если нулевая гипотеза проверяется для модели со свободным членом
Yt = α 0 + α1Yt −1 + ε t ,
то строится уравнение
∆Yt = α 0 + β Yt −1 + ε t
и расчетное значение DF расч = β1 / S β1 сравнивается с критическим значени-
ем EDF, рассчитываемым при:
ϕ 0 = −3,43 (1%) или − 2,86 (5%) ;
ϕ1 = −6,00 (1%) или − 2,74 (5%) ;
ϕ 2 = −29,25(1%) или − 8,36 (5%) .
В тех случаях, когда модель содержит и свободный член, и тренд
Yt = α 0 + α1Yt −1 + γt + ε t ,
то коэффициент β1 определяется по уравнению
∆Yt = α 0 + β Yt −1 + γ t + ε t ,
а критическое значение для проверки нулевой гипотезы рассчитывается при:
ϕ 0 = −3,96 (1%) или − 3,41 (5%) ;
ϕ1 = −8,35 (1%) или − 4,04 (5%) ;
ϕ 2 = −47,44 (1%) или − 17,83 (5%) .
aˆ 2,t =
α2
(1 − α ) 2
[S [1]
t ]
− 2S t[2] + St[3] .
Адаптивный полином:
1
xˆt +τ = aˆ 0,t + τaˆ1,t + τaˆ 2,t =
2
[ 2
= 6(1 − α ) + 2(6 − 5α )ατ + α τ 2 2
] St[1]
2(1 − α )
−
[ 2
− 6(1 − α ) + 2(5 − 4α )ατ + 2α τ 2 2
]2(1 − α )
S t[2]
2
+
[ 2
+ 2(1 − α ) + (4 − 3α )ατ + α τ 2 2
]2(1 − α )
St[3]
2
.
1 2
S (α1 , α 2 ) = ∑ ( yt − yˆ t ) ,
2
3
где yt - фактические значения, принадлежащие контрольной выборки (t=10;
11; 12); ŷt - прогнозные значения для моментов времени t=10; 11; 12,
рассчитанные по модели с коэффициентами â19 и â29 .
Минимизация S (α1 ,α 2 ) осуществляется последовательным изменением
параметров адаптации α1 и α 2 в интервале (0; 1) с шагом 0,1.
Все выше описанные расчеты сведены в табл. 7.2.2.
Таблица 7.2.2
Период y a1 a2 Прогноз ( y − ŷ )2
1 936000 936000 9400,00
2 945400 945400 9400,00
3 1058000 1037360 83704,00
4 1010500 1032613 4097,92
5 1023600 1026222 -5341,80
6 1033200 1030736 3528,35
7 1088100 1077333 42289,97
8 1083400 1090645 16209,51
9 1159700 1149131 54258,57
Контрольная выборка
10 1230100 1203389 713456674
11 1361000 1257648 10681643462
12 1523000 1311907 44560450279
Средний квадрат ошибки 55955550415
Стандартная ошибка 136578
7. 3. Контрольные задания
Задание 7.3.1. По данным табл. 7.2.4 построить модель Брауна в виде по-
линома второго порядка. Приняв параметр адаптации α = 0,25 , осуществить
прогнозные расчеты для τ = 3 . Сравнить результаты расчетов по моделям
первого и второго порядка.
Задание 7.3.2. По данным табл. 7.3.1 для автомобиля марки Ford постро-
ить две модели: модель Хольта и модель Брауна. Для обеих моделей провести
оптимальную настройку параметров адаптации. Сравнить на контрольной
выборке из последних трех наблюдений точность предсказания по этим мо-
делям. Осуществить прогнозные расчеты ( τ = 3 ), используя более точную
модель.
Таблица 7.2.6
( )−1
bˆ = X′Ω −1X X′Ω −1y =
= (X′(Σ ⊗ I )X ) X′(Σ )
−1 −1 −1
m ⊗ Im y ,
где Σ - ковариационная матрица между случайными составляющими регрес-
сионных моделей, входящих в систему. В практических расчетах заменяется
оценкой Σ̂ , получаемой для случайных остатков.
8.1.4. Оценки коэффициентов рекурсивной системы регрессионных урав-
нений получаются с помощью МНК.
8.1.5. Процедура построения структурной модели с помощью косвенного
МНК предполагает выполнение следующих трех этапов:
1. Преобразование структурной модели в приведенную форму.
2. Оценивание коэффициентов каждого уравнения приведенной
формы с помощью обычного МНК.
3. Трансформирование полученных коэффициентов приведенной
формы в параметры структурной модели.
8.1.6. Процедура применения двухшагового метода осуществляется в не-
сколько этапов:
1. Преобразование структурной модели в приведенную форму.
2. Оценивание коэффициентов каждого уравнения приведенной
формы с помощью обычного МНК.
3. Если уравнение точно идентифицируемо, то оценки коэффициен-
тов приведенной формы, полученные на втором этапе, принима-
ются за структурные коэффициенты.
Если же уравнение сверхидентифицируемо, то в структурной
форме его эндогенные переменные заменяются расчетными зна-
чениями, полученными из соответствующих уравнений приве-
денной формы, а затем применяется обычный метод наименьших
квадратов.
СОДЕРЖАНИЕ
Предисловие 3
1. Однофакторные регрессионные модели
и метод их построения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2. Модель множественной регрессии
и методы ее построения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3. Статистические гипотезы
и их проверка . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4. Обобщенный метод наименьших квадратов
и его варианты в случае гетероскедастичности . . . . . . . . . . . 26
5. Сглаживание и экстраполяция
временных рядов . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
6. Авторегрессионные процессы
и их модели . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
7. Простейшие адаптивные модели
временных рядов . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
8. Системы регрессионных уравнений . . . . . . . . . . . . . . . . . . . . 55
Литература 62
Рецензент: Доктор физико-математических наук, профессор, заведующий ка-
федрой математического моделирования Воронежского государ-
ственного университета В.А. Костин