Федеральное государственное образовательное бюджетное

учреждение высшего образования

«ФИНАНСОВЫЙ УНИВЕРСИТЕТ ПРИ ПРАВИТЕЛЬСТВЕ
РОССИЙСКОЙ ФЕДЕРАЦИИ»
(Финуниверситет)

Уфимский филиал

Кафедра «Математика и информатика»

Отчет по контрольной работе

по дисциплине «Эконометрические исследования»

вариант № 5

Выполнила:
Селиванова Виктория Сергеевна
1 курс, группа 21 МЭ
Направление подготовки: 38.04.01 «Экономика»
(заочная форма обучения)
Магистерская программа:
«Бухгалтерский учет и правовое обеспечение бизнеса»
Проверил преподаватель:
канд. техн. наук.,. Фархиева С. А.

Уфа - 2020
 Ставится задача исследовать, как влияет размер средней номинальной
заработной платы (WAG_C_Q) на объем денежной массы М0 в РФ (M0_Q).
Денежная масса М0 — это совокупность наличных денег, находящихся в
обращении в млрд. (трлн.) руб.

Средняя
Денежная масса М0 (на
T номинальная
конец периода)
заработная плата

1 2 3
2007 I 11876 2741,2
II 12993 3027,5
III 13494 3220,9
IV 15742 3702,2
2008 I 15424 3475,5
II 16962 3724,9
III 17556 3904,2
IV 18966 3794,8
2009 I 17441 3278,3
II 18419 3522,5
III 18673 3485,6
IV 20670 4038,1
2010 I 19485 3986,1
II 20809 4367,7
III 21031 4524,5
IV 23491 5062,7
2011 I 21354 4918,2
II 23154 5192,2
III 23352 5420,4
IV 26905 5938,6
2012 I 24407 5704,3
II 26547 6003,9
III 26127 5969,2
IV 30233 6430,1
2013 I 27339 6181,4
II 30245 6470,3
III 29578 6414,4
IV 33269 6985,6
2014 I 30057 6608,2
II 32963 6763,5
III 31730 6959,3
IV 35685 7171,5
2015 I 31566 6540,8
II 34703 6659,5
III 32983 6744,9
IV 35692 7239,1
Продолжение таблицы
T Средняя Денежная масса М0 (на
 номинальная
конец периода)
заработная плата
1 2 3
2016 I 34000 7142,9
II 37404 7372,7
III 35744 7412,1
IV 39824 7714,7
2017 I 36664 7610,3
II 40712 7946,9
III 37760 8089,5

1. Построение спецификации эконометрической модели

Привести постановку задачи построения модели парной линейной регрессии.
Выбрать эндогенную переменную. Сделать предположения относительно знаков
(положительный или отрицательный) параметров модели.
В нашем варианте эндогенной (зависимой) переменной является Денежная
масса М0, а экзогенной (объясняющей) - Средняя номинальная заработная плата.
Важнейшим элементом эконометрического исследования является
графический анализ исходных данных. Построим диаграмму рассеяния Х-Y
(Вид/График/Разброс Х-Y).

Рис. 1 - Диаграмма рассеяния (корреляционное поле) Y от X

 Вывод: Вытянутость облака точек на диаграмме рассеяния вдоль наклонной
прямой позволяет сделать предположение, что существует некоторая объективная
тенденция прямой линейной связи между значениями переменных x и y, то есть при
увеличении Средней номинальной з/п (X) в среднем возрастает Денежная масса М0
(Y).

2. Оценка параметров модели парной регрессии

Оцените параметры модели. Выпишите полученное уравнение регрессии.
Дайте экономическую интерпретацию параметрам модели.

В основном меню программы Gretl выберем пункт Модель→Метод

наименьших квадратов.

Рис. 2 - Результат оценки параметров модели МНК

Полученное уравнение регрессии:
Denezhnaya_massa_M0 = 486 + 0,193*Srednya_nominalnaya_ZP
Оцененное уравнение можно получить из Gretl (Файл/Посмотреть как
уравнение).

Рис. 3 - Уравнение регрессии в Gretl

Коэффициент детерминации: 𝑅2 = 0,96 (рис. 2). Он показывает долю вариации
(дисперсии) результативного признака под воздействием изучаемого фактора.
Следовательно, около 96% вариации зависимой переменной учтено в модели и
обусловлено влиянием включенного фактора.

3. Оценивание качества спецификации модели

Проверить статистическую значимость регрессии в целом. Проверить
статистическую значимость оценок параметров. Оценить точность модели с
помощью средней относительной ошибки аппроксимации. Сделайте выводы о
качестве уравнения регрессии.

Используя информацию, приведенную на рис.2, можно проверить значимость

всего уравнения регрессии в целом по критерию Фишера и значимость отдельных
коэффициентов.
Получение критического значения критерия Фишера
(Инструменты/Критические значения/ввод чисел степеней свободы и вероятности).

Рис. 4. - Получение критического значения критерия Фишера

Fрасч. = F (1, 41) = 1100,805 (рис. 2). Fрасч. = 1100,805 > Fкрит. = 4,08,
следовательно, регрессия в целом статистически значима.
В программе Gretl предусмотрена визуализация значимости коэффициентов
регрессии на разных уровнях значимости. Для этого справа от каждого регрессора
расположены звездочки.
Используя информацию рис. 2 (три звездочки у регрессора Х), можно сделать
вывод, о значимости коэффициента на 1 %-ном уровне.
 Точность модели можно оценить с помощью средней относительной ошибки
аппроксимации (Анализ→Наблюдаемые и расчетные значения).

Рис. 5 – Получение средней относительной ошибки аппроксимации

Полученное значение средней абсолютной процентной ошибки MAPE
составило 4,7186%, что меньше 7%. Это свидетельствует о высокой точности
модели.

4. Проверка предпосылки теоремы Гаусса-Маркова об отсутствии

автокорреляции случайных возмущений
Выполнить визуальный анализ автокорреляции остатков с помощью графика.
Привести результаты тестирования на отсутствие автокорреляции случайных
возмущений с помощью теста Дарбина-Уотсона. Сделать выводы. При
необходимости предложить вариант корректировки автокорреляции.

Добавим Временной тренд, введем переменную для тренда time, выберем

метод для построения модели (МНК), укажем спецификацию модели. (пример 3,
стр. 41).

Рис. 6 - Результаты моделирования с применением МНК

Из рис. 6 можно выписать полученное уравнение регрессии:
yi = 2830,53+124,470t, где t = 1,2, …, 43.
 Предсказанные по модели значения и остатки приведены на рис. 7. График
исходных данных и результатов моделирования приведен на рис. 8.

Рис. 7 - Предсказанные значения и остатки

Рис. 8. Графики динамики Денежной массы с 2007 по 2017 год по линейной

модели yi = 2830,53+124,470t
 В протоколе (рис.6) приведено значение критерия Дарбина-Уотсона равное
0,685274. На основании значений ряда остатков (рис. 7) покажем, как вычисляется
критерий Дарбина–Уотсона. Промежуточные расчеты приведены в табл. 1.
Таблица 1.
t Ɛt Ɛt2 (Ɛt - Ɛt-1)2 t Ɛt Ɛt2 (Ɛt - Ɛt-1)2
1 -213,8 45710,4   23 275,9 76120,8 25312,8
2 -52,0 2704,0 26179,2 24 612,3 374911,3 113165,0
3 17,0 289,0 4761,0 25 239,1 57168,8 139278,2
4 373,8 139726,4 127306,2 26 403,6 162893,0 27060,3
5 22,6 510,8 123341,4 27 223,2 49818,2 32544,2
6 147,5 21756,3 15600,0 28 669,9 448766,0 199540,9
7 202,4 40965,8 3014,0 29 168,0 28224,0 251903,6
8 -31,5 992,3 54709,2 30 198,9 39561,2 954,8
9 -672,5 452256,3 410881,0 31 270,2 73008,0 5083,7
10 -552,7 305477,3 14352,0 32 357,9 128092,4 7691,3
11 -714,1 509938,8 26050,0 33 -397,2 157767,8 570176,0
12 -286,1 81853,2 183184,0 34 -403,0 162409,0 33,6
13 -462,5 213906,3 31117,0 35 -442,1 195452,4 1528,8
14 -205,4 42189,2 66100,4 36 -72,3 5227,3 136752,0
15 -173,1 29963,6 1043,3 37 -293,0 85849,0 48708,5
16 240,7 57936,5 171230,4 38 -187,7 35231,3 11088,1
17 -28,3 800,9 72361,0 39 -272,7 74365,3 7225,0
18 121,2 14689,4 22350,3 40 -94,6 8949,2 31719,6
19 224,9 50580,0 10753,7 41 -323,5 104652,3 52395,2
20 618,7 382789,7 155078,4 42 -111,4 12410,0 44986,4
21 259,9 67548,0 128737,4 43 -93,2 8686,2 331,2
22 435,0 189225,0 30660,0 Сумма 4941372,5 3386289,3

dw = 3386289,3/4941372,5 = 0,6853

Рис. 9 - Критические значения статистик Дарбина–Уотсона для 43наблюдений

Вывод: dw (0,6853) < d1 (1,4628) — остатки содержат автокорреляцию.
 Корректировка автокорреляции

1. Попытаемся скорректировать модель путем включения в модель

лаговой переменной yt–1.
Выберем вид модели: Модель/Метод наименьших квадратов/Лаги, отметим
флажком Лаги зависимой переменной.

Рис. 10 - Добавление лаговой зависимой переменной

Рис. 11 – Спецификация модели

 Применяя этот способ к новым данным МНК, получим модель
yi = 1087,77 + 42,2t + 0,65 yt–1

Рис. 12 - Окно результатов моделирования

Рис. 13 - Графики динамики Денежной массы с 2007 по 2017 год по

скорректированной модели

Так как новая модель yi = 1087,77 + 42,2t + 0,65 y t–1 включает лаговую
зависимую переменную yt–1, то, статистика Дарбина-Уотсона неприменима.
Воспользуемся h – статистикой Дарбина (рис. 12). h – статистика Дарбина равна
-2,11. Так как при уровне значимости 0.05 |𝒉| = 2,11 > 𝒉кр = 1,96, гипотеза 𝑯𝟎
отвергается. Ряд остатков содержит автокорреляци. Полученную модель нельзя
использовать для прогнозирования.
 Рис. 14 - Критическое значение стандартного нормального распределения

2. Корректировка автокорреляции с помощью итерационных процедур

Кохрейна-Оркатта, Хилдрета-Лу и поправки Прейса-Винстена.

Для выполнения перечисленных процедур в меню Модель/Временные

ряды/AR(1), как показано на рис. 15.

Рис. 15 - Выбор вида модели при автокорреляции остатков

Рис. 16 - Выбор метода Хилдрета – Лу для корректировки автокорреляции

Рис. 17 - Результат моделирования по методу Хилдрета – Лу

 Рис. 18 - Результат моделирования по методу Кохрана – Орката

Рис. 19 - Результат моделирования по методу Поправка Прейса-Винстена

 Сведем результаты построения трех моделей в единую таблицу (табл. 2).
К-т Станд. Параметр
Тип модели Вид модели
детерминации ошибка rho
С лаговой переменной yi = 1087,77 + 42,2t + 0,65 yt–1 0,972 267,279 -0,2039
Модель 2: Метод
yi = 2907,49 + 122,7t 0,972 263,919 -0,1995
Хилдрета-Лу
Модель 3: Метод
yi = 2908,36 + 121,7t 0,972 263,917 -0,2039
Кохрана – Орката
Модель 4: Поправка
yi = 2803,99 + 125,1t 0,974 262,127 -0,2055
Прейса-Винстена

Исходя из коэффициента детерминации, стандартной ошибки модели и

коэффициента автокорреляции первого порядка (параметр rho) наиболее приемлема
для прогнозирования модель №4 Поправка Прейса-Винстена.

Рис. 20 - Переход к прогнозированию

Для 90% доверительных интервалов, t(41, 0,05) = 1,683

Рис. 21 - Результаты моделирования и прогнозирования по модели модель №4

Поправка Прейса-Винстена
 Полученное уравнение регрессии:
Denezhnaya_massa_M0 = 486 + 0,193*Srednya_nominalnaya_ZP

Рис. 22 - График остатков (ошибок регрессии)

Выполним проверку гомоскедастичности в Gretl при помощи статистических
тестов: В окне модели: Тесты / Гетероскедастичность/ (рис. 23).

Рис. 23 - Тесты на гетероскедастичность

 По тесту Уайта и тесту и Бреуша-Пагана (рис. 24) остатки гомоскедастичны
(p>0,05).

Рис.24 - Результаты тестов

Так как результаты теста показали, что остатки гомоскедастичны, можно не
прибегать к построению модели по логарифмам.
Рис. 25 - Добавление переменных: Добавить/Логарифмы выделенных
переменных

Рис. 26 - Модель по логарифмам

 Анализ графика остатков (рис. 27) позволяет предположить, что условие
гомоскедастичности не выполняется. Проверим предположение с помощью теста
Голдфельда–Квандта.

Рис. 27 - График остатков модели от объясняющей переменной

Так как наблюдаемое значение F-статистики меньше критического, то Н0 не
отвергается.
Проверим выполнение условия гомоскедастичности с помощью теста Уайта
(рис. 28). По тесту Уайта остатки гетероскедастичны. (p<0,05).

Теперь для коррекции модели регрессии используем встроенный инстру-

менты Gretl: Модель /Другие линейные модели / С коррекцией на
гетероскедастичность (рис. 29).
 Рис. 29 - С поправкой на гетероскедастичность
В данном примере лучший результат получен при построении модели по тесту
Уайта и тесту и Бреуша-Пагана без логарифмов.