Ekonometrika Metod Ukazania K Kontrolnym Rabotam

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ
РОССИЙСКОЙ ФЕДЕРАЦИИ
Чувашский государственный университет
имени И.Н. Ульянова
ЭКОНОМЕТРИКА
Методические указания к контрольным заданиям
Чебоксары 2004
2 Эконометрика
Составители: В.В. Никитин,

УДК 330. 43(076.5)
Е.Н. Кадышев,
ББК У.в611я73
И.Ю. Юсупов
Эконометрика: Метод. указания к контрольным заданиям/

Сост. В.В. Никитин, Е.Н. Кадышев, И.Ю. Юсупов. – Чебоксары:
Изд -во Чуваш. ун-та, 2004. - 64 с.
Составлены в соответствии с Государственными

образовательными стандартами по экономическим
специальностям. Помогут в организации самостоятельной
работы студентов и выработке у них навыков построения
эконометрических моделей и прогнозирования на их основе.
Для студентов II и III курсов экономических специальностей
по всем формам обучения.
Утверждено Методическим советом университета
Отв. редактор: канд. физ. - мат. наук, доцент В.В. Никитин

Методические указания к контрольным заданиям 3
Оглавление
Введение 4
§1. Основные понятия теории вероятностей и
математической статистики . . . . . . . . . . . . . . . . . . . . . . . . . 6
§2. Эконометрические модели на основе парной

регрессии. Пояснение к заданию №1. . . . . . . . . . . . . . . . . . 33
§3. Эконометрические модели для анализа временных

рядов. Пояснение к заданию №2 . . . . . . . . . . . . . . . . . . . . . 47
§4. Общеметодологический подход по построению

эконометрических моделей на основе понятия о
множественной регрессии . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Список рекомендуемой литература . . . . . . . . . . . . . . . . 59
Приложение: таблицы критических значений

распределений Стьюдента и Фишера . . . . . . . . . . . . . . . . . 61
.
Введение
Эконометрический анализ связан с исследованием
различных экономических процессов и явлений, таких как
зависимость объема реализации от цены реализации (или
наоборот) для некоторых товаров и услуг; тенденция изменения
со временем значений некоторых параметров (объем продаж,
курс обмена валют и т.д.); закон равновесия спроса и
предложения и др.
В ходе исследования строится модель, представляющая
собой некое уравнение (в более общем случае – система
уравнений [3,4]). Структура модели определяется
исследователем на основе имеющегося у него практического
опыта и сделанных им предположений, не противоречащих
экономической теории. При этом параметры модели с уже
заданной структурой оцениваются методом наименьших
квадратов по статистическим данным, т.е. по наблюдаемым в
прошлом значениям тех величин, которые подверглись
исследованию. Построенная таким образом модель позволит
ответить на вопрос о том, какие значения может принять
интересующая нас величина (величины) в будущем. В этом,
пожалуй, состоит основная цель эконометрического анализа.
При этом надо иметь в виду, что построенная модель не есть
нечто застывшее и неизмененное. Приток новых данных в
обязательном порядке должен приводить к перерасчету
параметров модели. Помимо этого дополнительные данные
могут изменить представление исследователя о сути изучаемого
явления, что может привести к необходимости изменения самой
структуры модели.
В ходе построения модели проводится обработка

статистических данных, т.е. отдельных и далеко не
всевозможных значений некоторых величин. В силу ряда
причин, имевших место в прошлом, вполне могли бы появиться
и другие значения величин, интересующих исследователя.
Данный факт должен быть учтен при построении модели. В
силу этого эконометрический анализ неизбежно включает в себя
основные понятия теории вероятностей и математической
статистики, которая как раз и опирается на представление о том,
что любая величина есть множество всевозможных её значений.
§1. Основные понятия теории вероятностей и
математической статистики
Первое из них – это понятие о случайной величине.

Случайная величина есть всё множество возможных
значений некоторого показателя.
В качестве показателей могут, например, выступать:
T – время безотказной работы некоторого устройства;
Y – месячная заработная плата некоторого человека;
Z – ошибка в ходе каких – либо измерений и т.д.
Возможные значения этих показателей:
0  T   ; 0  Y  Y * , где Y *  max Y ;    Z   .
Данные показатели именуются случайными величинами в
силу того, что конкретные их значения, характеризующие
некоторый объект, с точки зрения стороннего наблюдателя
заранее неизвестны. Мы не можем заранее точно определить
конкретное значение:
T – времени безотказной работы устройства, которое
видим впервые;
Y – заработную плату совершенно незнакомого нам
человека;
Z – конкретное значение ошибки измерения, которое либо
еще не произведено либо произведено, но результаты его нам
неизвестны.
Правда, на основе рассуждений здравого смысла, т.е.
имеющегося у нас и других людей схожего прошлого
практического опыта, можно говорить о том, что некоторые
возможные значения показателей более вероятны, а другие
менее. “Более вероятно” означает, что данное значение
показателя чаще встречается в общей массе наблюдений,
допустим, объема n .
Скорее всего, небольшое количество (т.е. маловероятно) из
n одинаковых устройств, одновременно запущенных в
эксплуатацию, либо сразу же выйдут из строя, либо
проработают очень длительный промежуток времени.
Большинство (т.е. более вероятно) проработают время

T  (T1, T2 ) .
Из n случайно отобранных и незнакомых нам людей
меньшинство будет иметь месячную зарплату близкую к нулю и
очень большую. Большинство будет иметь значение показателя
Y в некоторых пределах: 0  Y1  Y  Y2  Y * .
Также маловероятно (т.е. крайне редко) будут совершаться
ошибки измерений слишком большие в минус (занижение
результата) или в плюс (завышение результата).
Представляют интерес вероятности, с которыми могут
появляться те или иные значения показателя (случайной
величины). Если это удастся сделать, то будет определён так
называемый закон распределения случайной величины. Дадим
его общее определение.
Закон распределения случайной величины – это некое
правило соответствия между значениями случайной величины и
вероятностями, с которыми они принимаются.
Отметим некоторые особенности подобного закона
распределения на примере показателя Y . Допустим, нам
необходимо найти человека, который в прошедшем месяце
получил зарплату Y  5,23657 тыс. р., т.е. пять тысяч двести
тридцать шесть рублей и пятьдесят семь копеек. Если нам
заранее неизвестно, где искать такого человека, то, скорее всего,
придется проверить очень большое количество людей n прежде,
чем один такой попадется. Это будет говорить о том, что
вероятность появления одного конкретного значения показателя
крайне мала. Однако если поставить вопрос о том, сколько
человек получило зарплату в пределах от 5,2 до 5,3 тыс. р., то в
той же массе проверенных людей таких найдётся уже немало
(допустим k ). По общему правилу оценки вероятностей
k
отношение  P( y  Y  y  dy ) – есть вероятность попадания
n
случайной величины (показателя) Y в интервал ( y, y  dy ) , где
y  5,2 тыс.р., y  dy  5,3 тыс. р., а dy  0,1 тыс. р. – это
длина интервала. Эта вероятность также будет не слишком
велика и будет уменьшаться, если начать уменьшать длину
интервала dy , т.к. очевидно, что в меньший интервал изменения
возможной месячной заработной платы попадет меньшее
количество проверенных людей. Для того чтобы оценки
вероятностей сделать зримыми, их делят на длину интервала
dy , т.к. отношение малых величин может дать величину
достаточно большую. Например, если dy  0,1 и i, j  1, m , то
P ( y  Y  y  dy ) 0,05
=  0,5 . Подобные отношения называют
dy 0,1
плотностью вероятностей, с помощью которой чаще всего
определяется закон распределения случайной величины.
Введём в рассмотрение некий произвольный показатель X ,
возможные значения которого находятся в интервале (,) .
P( x  X  x  dx)
Типовой вид графика f ( x)  – плотности
dx
вероятностей представлен на рис.1, где через x обозначены
возможные значения показателя X , который в дальнейшем
будем именовать случайной величиной.
При x   значение f (x ) уменьшается до нуля, т.к.

крайние значения X маловероятны, как было видно на
примерах показателей T , Y , Z . Область нахождения более
вероятных значений показывает график f (x ) . При этом, однако,
следует иметь в виду, что f (x ) не показывает вероятности
появления значений случайной величины, а лишь вероятности
попадания значений случайной величины в маленький интервал,

отнесённая к длине этого интервала. На графике видно, в какие
интервалы вероятность попадания больше, что позволяет уже
различать более или менее вероятные значения случайной
величины.
Вероятность – это безразмерная величина, находящаяся в
пределах 0  P  1. Чем ближе P к нулю, тем некоторое
событие менее вероятно. Если же P ближе к единице, тем
некоторое событие более вероятно. При P  1 имеется в виду
событие, которое, наверняка, произойдет. В качестве такого
события может, например, выступить следующее: случайная
величина X примет какое-то свое значение из интервала
(,) . Поэтому можно записать P(  X  )  1 . С
другой стороны, очевидно, что эта вероятность складывается из
вероятностей попадания в маленькие интервалы ( x, x  dx) ,
следующие один за другим непрерывно вдоль оси абсцисс от
  до   . Для обозначения суммы непрерывно меняющихся
величин используется первая буква слова Summa. Тогда можно
записать
 (1.1)
1  P (  X  )   P( x  X  x  dx) .

Если под знаком операции суммирования S умножить и

разделить на одну и ту же величину dx , то получится обычная
запись интеграла от некоторой функции f (x) – в данном
случае – плотности вероятностей
 
P( x  X  x  dx)
1  dx
 dx   f ( x)dx  пл. G .

(1.2)
Данный интеграл является площадью фигуры G –

заштрихованная область (рис.1). Отметим здесь важную
особенность данного интеграла. Как бы ни проходил график
f (x ) , т.е. как бы ни деформировалась верхняя граница фигуры
G , её площадь всегда будет оставаться равной 1, т.к.

пл.G  P(  x  )  1 .
Как следствие, поясним то, что собой представляет
геометрически вероятность попадания случайной величины X
в некоторый интервал ( a,b) . Повторяя вышеприведенные
рассуждения, можно записать
b
P(a  X  b)   P( x  X  x  dx) 
a
P( x  X  x  dx (1.3)
b b
  dx   f ( x)dx  1 .
a
dx a
Геометрически получающийся интеграл будет представлять

собой часть фигуры G (рис.2)
Закон распределения случайной величины в виде плотности

вероятностей f (x ) дает достаточно полное представление об
особенностях исследуемого параметра X . Однако на практике
чаще используется не сам закон распределения, а так
называемые числовые характеристики случайной величины.
Первая из них это – математическое ожидание, определяемое
как средневзвешенная оценка всевозможных значений
случайной величины (сумма произведений значений случайной
величины x на вероятность попадания в окрестность этого

значения)
 
M [ X ]
E [X ]
  x P( x  X  x  dx) 

 x  f ( x)dx ,

(1.4)
где в качестве весов выступают вероятности

P( x  X  x  dx) .
Здесь указаны два обозначения этой величины:
русскоязычное M (математическое ожидание) и англоязычное
E (expected value).
Математическое ожидание в общем случае не совпадает с

наивероятнейшим значением случайной величины x , но всегда
находится где-то рядом с ним (рис.3). Несовпадение объясняется
тем, что в M [ X ] учтена возможность появления не только
наиболее вероятных значений случайной величины, но и менее
вероятных тоже. Важной для практики особенностью M [ X ]
является то, что она указывает на область наиболее вероятных
значений некоторого параметра.
Следующая числовая характеристика – это дисперсия.
Необходимость её введения связана, например, со следующей
ситуацией. Допустим, нас спрашивают о том, каков месячный
заработок у человека, случайно отбираемого среди жителей
некоторого города. При этом нам лишь известен
среднемесячный доход (приблизительная оценка
математического ожидания) жителей города. По поводу данного
конкретного человека мы оказываемся в ситуации
неопределённости и вынуждены будем ответить, что, наверно,
на уровне среднемесячного дохода. Конкретное значение
месячного заработка может при этом отклониться от M [ X ] на
величину X  M [ X ] . Эта разность будет характеризовать
величину ошибки в наших предсказаниях. Поскольку X –
случайная величина, то и ошибка будет случайной, и поэтому
можно поставить вопрос об оценке математического ожидания
этой ошибки. При этом первоначально оценивается ожидаемое
значение квадрата ошибок:
D[ X ]  M X  M [ X ]  
2

2 
  x  M [ X ]2 f ( x)dx . (1.5)
V [ X ]  EX  E[ X ]  
Как и ранее, здесь приведены обозначения: русскоязычное
D (дисперсия, разброс) и англоязычное V (variation). Квадраты
ошибок оценивают в связи с тем, что теоретически всегда
M X  M [ X ]  0 . При этом, однако, оказывается, что
дисперсия будет иметь размерность отличную от X . Например,
если X измеряется в рублях, то D[ X ] будет иметь
размерность – рубль в квадрате. Чтобы избавиться от этого
казуса, извлекают корень квадратный из дисперсии
 [ X ]  D[ X ] . (1.6)
Получающуюся величину называют среднее

квадратическое отклонение (в русскоязычной транскрипции),
или стандартное отклонение (standard deviation) – в
англоязычной.
С помощью  [ X ] определяется так называемое правило
трёх сигм: вероятность того, что значение случайной величины
окажется в интервале ( M  3 ; M  3 ) , очень близка к
единице, т.е. P( M  3  X  M  3 )  1 . При этом сам
интервал называется доверительным. Таковым он называется в
связи с тем, что почти на 100% можно доверять высказыванию о
возможности появления значения некоторого параметра X

лишь из этого интервала. На рис.3 видно, что за пределами этого
интервала тоже есть значения случайной величины, но они
маловероятны и вряд ли появятся в некоторой конкретной
ситуации. Доверительный интервал как бы очерчивает область
наиболее вероятных значений случайной величины. Если бы в
указанной выше ситуации помимо информации о
среднемесячном доходе жителей города имелась бы и оценка
 [ X ] , то мы могли бы более конкретно сказать, что
неизвестный нам человек имеет среднемесячный заработок от
M  3 до M  3 . В эконометрическом анализе существуют
и более конкретизированные методики оценки доверительного
интервала, чем правило трёх сигм.
Влияние числовых характеристик на вид графика плотности
вероятностей рассмотрим на примере случайной величины с
нормальным законом распределения. Функция f (x ) при этом
имеет вид
2
 
1  X M 
  
f ( x) 
1
e
2
  

.
(1.7)
 2
График f (x ) симметричен относительно математического
ожидания M [ X ] и при этом ожидаемое значение и наиболее
вероятное совпадают (рис.4).
Если при неизменном  меняется M , то график просто
сместится либо влево ( M *  M ) , либо вправо ( M *  M ) .
Если M фиксировано и меняется  , то график
деформируется, и становится либо более заострённым при
 *   (доверительный интервал сужается), либо более
пологим при  *   (доверительный интервал расширяется).
Из данного примера видно, что для того, чтобы нарисовать
график плотности вероятностей, необходимо уже заранее знать
числовые характеристики случайной величины. Как они
находятся? На практике их приблизительно оценивают по
статистическим данным для параметра X . Допустим, у нас
имеется набор таких данных x1 , x2 ,..., xn  . В соответствии с
определением числовых характеристик в статистике обычно
используются следующие формулы их приблизительной оценки
[1, 2]:
M[X ]  x 
1
x1  x2  ...  xn , (1.8)
n
D[ X ]  M X  M [ X ] 
2
 Dв 
1
n 1
 
( x1  x ) 2  ( x2  x ) 2  ...  ( xn  x ) 2 ,
(1.9)
 [ X ]  S  Dв , (1.10)
где x – выборочная средняя, Dв – исправленная выборочная
дисперсия, S – выборочное среднее квадратическое отклонение.
В общем случае X может иметь любые значения на
интервале (,) . Статистические данные при этом можно
интерпретировать как отдельные и далеко не всевозможные
значения случайной величины. Это лишь отдельные точки на
числовой оси. Очевидно, что оценка числовых характеристик
при этом будет неточной. Кроме того, на значения выборочных
оценок x , Dв , S достаточно сильно влияет то, какие конкретно

данные попали в число статистических. Разные методики сбора
информации могут приводить к разным наборам статистических
данных и, следовательно, разным оценкам числовых
характеристик. В результате этого график f (x ) не будет четко
определён, и если мы на последующих этапах
эконометрического анализа будем опираться на понятие о
плотности вероятностей случайной величины, то наши выводы
заведомо будут неточными, что повышает риск получения
неправильных окончательных выводов. Чтобы снизить влияние
эффекта неполноты данных вводят в рассмотрение так
называемые точные законы распределения. Из них на практике
чаще всего используются следующие: Гаусса,  2 – «хи–
квадрат», Стьюдента, Фишера.
Распределение Гаусса является случайной величиной с
1 z2 2
нормальным законом распределения f Z   e , где
2
числовые характеристики заданы M  0 и   1 (рис.5).
Область наиболее вероятных значений ( Z кр , Z кр )

называется доверительным интервалом. Области маловероятных
значений (,  Z кр ) и ( Z кр ,  ) называются критическими
областями. В данном случае критические области симметричны,
и вероятность попасть в них одинакова

P(  Z   Z кр )  P( Z кр  Z  )  .
2
Тогда вероятность попадания в доверительный интервал
Pдов  P(  Z кр  X  Z кр )  1   , (1.11)
так как Pдов    P(  Z  )  1 .

Величину  , называемую уровнем значимости, мы задаем
сами. Как видно из рис.5, её значение должно быть небольшим.
Обычно это 0,1 ; 0,05 ; 0,01 . На практике чаще всего
используют значения   0,05 . При заданном  можно найти
Z кр из решения интегрального уравнения
Z кр Z кр z2
1 
P( Z кр  Z  Z кр )  
 Z кр
f ( z )dz 
2 e
 Z кр
2
dz  1   .
Поскольку подынтегральная функция чётная, то можно записать

Z кр z2
1  1
2 e
0
2
dz 
2
. (1.12)
Решение данного уравнения находится приближённо и

зависит от того, какое значение  было выбрано, т.е.
Z кр  Z кр   . Если   0,05 , то говорят, что доверительный
интервал ( Z кр , Z кр ) определён с вероятностью
Pдов  1    0,95 .
Распределение «хи – квадрат» связано со случайной

величиной вида
 2  Z12  Z 2 2  ...  Z n 2 , (1.13)
где Z1 , Z 2 ,..., Z n - являются случайными величинами с

распределениями Гаусса. Параметр n называется числом
степеней свободы и, как правило, непосредственно связан с
объёмом статистических данных. Величины Z1 , Z 2 ,..., Z n имеют
при этом лишь косвенное отношение к конкретным данным,
попавшим в число статистических.
Величина  2 является суммой квадратов каких – либо чисел
и потому не может принимать отрицательных значений.
Положительные значения появляются с разными вероятностями,
что показывает график плотности вероятностей (рис.6).
Плотность вероятностей здесь будет конкретно заданной

функцией, т.к.  2 определяется через случайные величины с
известными законами распределения. С формулой,
определяющей данную функцию, можно ознакомиться в [1]. Она
имеет достаточно громоздкий вид, который говорит о том, что
плотность вероятностей меняется в зависимости только от
параметра n . При увеличении объёма статистических данных
(n*  n) наиболее вероятные значения смещаются вправо и
график становится более пологим, т.е. увеличиваются значения
числовых характеристик M [  2 ] и  [  2 ] .
Границу между доверительным интервалом и критическими
областями определяют два числа Гкр
1
и Гкр2 . Первое из них
находится из решения уравнения

α
P( Г 1кр  χ 2  )   f (χ )dχ 2  1 
2
n . (1.14)
Г1
2
кр
Данное интегральное уравнение решается приближённо

при заданных значениях  и n . Искомая величина является как
  
бы функцией двух переменных Г кр  Г кр 1 
1 1
; n  . Вторая
 2 
искомая величина определяется из уравнения

α
P( Г кр  χ  )   f (χ )dχ 2 
2 2 2
n . (1.15)
Г2
2
кр
Решение данного уравнения подобно решению

предыдущего уравнения, но с другим значением первого
 
аргумента Г кр  Г кр 
2 2
; n .
2 
Вероятность попадания в доверительный интервал
находится, как и ранее
P( Г кр   2  Г кр )  Pдов  1   .
1 2
Распределение Стьюдента определяется случайной

Z
величиной T , где Z - случайная величина с
V /n
распределением Гаусса, а V - случайная величина с
распределением «хи – квадрат» и числом степеней свободы n .
Плотность вероятностей величины T - конкретная функция [1]
с графиком, симметричным относительно оси ординат (рис.7),
т.е. M [T ]  0 .
При увеличении объёма статистических данных (n*  n)

график сжимается, т.е. уменьшается  [T ] .
При решении конкретных задач с использованием данного
распределения вводят в рассмотрение односторонние (рис.8,а,в)
и двусторонние (рис.8, б) критические области.
Односторонние критические области используются в тех

случаях, когда по имеющейся у нас информации есть основание
считать, что T может оказаться в области маловероятных
значений либо только слева (рис.8, а), либо только справа
(рис.8, в). В любых иных случаях используется двусторонняя
критическая область.
Как и ранее, Tкр есть решение интегрального уравнения и
является функцией двух параметров  и n . Для
односторонних критических областей Tкр  Tкр ( , n) , а для
 
двусторонней области Tкр  Tкр  , n .
2 
И, наконец, распределение Фишера. Оно определено для
U / n1
случайной величины F  , где U – случайная величина с
V / n2
распределением «хи–квадрат» и числом степеней свободы n1 ; а
V – случайная величина также с распределением «хи–квадрат»,
но числом степеней свободы n2 . Из самого определения F
видно, что оно связано с анализом двух наборов данных
одновременно. Поскольку U и V положительны, то и F
может принимать только положительные значения. Вид графика
плотности вероятностей [1] будет зависеть при этом от
параметров n1 и n2 (рис.9).
При возрастании n1 и n2 возрастают M [F ] и  [F ] , т.е.

более вероятные значения смещаются вправо, и график
становится более пологим. При решении прикладных задач

значение имеет лишь одна из критических областей Fкр ,   . 
Граница критической области находится приближённо из
решения интегрального уравнения
Fкр
Pдов  1    f
0
n1 , n2 ( F )dF , (1.16)
и является функцией трёх аргументов Fкр  Fкр ( , n1 , n2 ) .

Возникает вопрос: где взять все эти перечисленные выше
критические значения? Нецелесообразно каждый раз (когда это
понадобится) самостоятельно решать интегральные уравнения.
В приложениях книг [1-5] и в настоящих методических
указаниях приведены таблицы критических значений точных
законов распределений для различных значений определяющих
их аргументов (прил., табл.3, 4).
Такие же значения можно получить с помощью

компьютера. Для этого необходимо выполнить следующие
действия:
1) запустить табличный редактор EXCEL;
2) на панели инструментов редактора нажать клавишу
«вставка функции – fx »;
3) затем в меню «Мастер функций» в первом окне выбрать
«Статистические»;
4) во втором окне меню «Мастер функций» выбрать
функцию, отвечающую критическому значению
соответствующего точного закона распределения:
Гаусса: НОРМСТОБР  Z кр ;
2: ХИ2ОБР  Г кр ;
Стьюдента: СТЬЮДРАСПОБР  Т кр ;
Фишера: FРАСПОБР  Fкр

и нажать ОК.
5) ввести соответствующие параметры и получить искомое
значение.
Например, критические значения распределений
Гаусса:
1 
Z кр (  0,05)  НОРМСТОБР   0,5  0,975   1,96 ;
 2 
1      
 2 : Г кр 1   0,975; n  10   ХИ2ОБР 1  ; n   3,25;
 2   2 
2    
Г кр   0,025; n  10   ХИ2ОБР  ; n   20,48 ;
2  2 
Стьюдента:
односторонняя критическая область для   0,05 будет
соотноситься с двусторонней для   0,1
Т кр (  0,1; n  10)  СТЬЮДРАСПОБР ( , n)  1,81 ;

двусторонняя критическая область
Т кр (  0,05; n  10)  СТЬЮДРАСПОБР ( , n)  2,23 ;
Фишера:
Fкр (  0,05; n1  2; n2  10)  FРАСПОБР ( , n1 , n2 )  4,1 .
Ещё раз обратим внимание на то, что используемые при
обработке статистических данных точные законы
распределения  , Стьюдента и Фишера определяются
2
плотностью вероятностей, зависящей только от объёма

статистических данных и не зависящей от того, какие
конкретно данные попали в число статистических.
Допустим, что, используя имеющиеся статистические
данные мы провели приблизительную оценку некоторой
величины. Поскольку эти оценки неточные, то возникает
естественный вопрос о том, в какой мере можно им доверять.
Ответ на этот вопрос формируется в ходе проверки
статистической гипотезы. Методика проверки стандартна и
содержит пять основных этапов [1].
1. Формулируется основная гипотеза (предположение) H 0 .
Различные формулировки H 0 в конечном итоге могут быть
сведены к фразе: «такое-то наше предположение, основанное
на имеющихся статистических данных, значимо (или не
значимо)». Формулируется также альтернативная гипотеза
H1 в той или иной форме отрицающая H 0 . Например, H 0 -
значимо предположение о том, что статистические данные
отвечают случайной величине с нормальным законом
распределения; H1 - нет, это не так.
2. В соответствии с сутью гипотезы H0 строится

вспомогательная случайная величина X , имеющая один из
точных законов распределения. Для рассматриваемого
примера гипотезы H 0 эта вспомогательная величина будет
иметь распределение «хи–квадрат». Здесь мы опускаем
конкретный вид X , который при желании можно взять из
[1].
3. Для заданного уровня значимости  и числа степеней
свободы n определяется доверительный интервал
возможных значений вспомогательной случайной величины.
Если X имеет распределение «хи–квадрат», то таковым
1 2
будет интервал ( Г кр , Г кр ) .
4. По конкретному набору статистических данных вычисляется
наблюдаемое значение вспомогательной случайной
величины X наб .
5. Выводы.
Если наблюдаемое значение не попало в доверительный
интервал X наб  ( Г кр
1
, Г кр2 ) , то, на основе принципа
практической невозможности наступления маловероятного
события в одном опыте (данного набора статистических
данных), гипотеза H 0 однозначно отвергается с надёжностью
Pдов  1   . Для рассматриваемого примера это означает, что
наше предложение о соответствии статистических данных
случайной величине с нормальным законом распределения
незначимо (т.е. неверно).
Если X наб  ( Г кр
1
, Г кр2 ) , то говорят, что с надёжностью
Pдов  1   нет оснований отвергать гипотезу H 0 .
Надёжность выводов не составляет 100%. Существует риск
совершения ошибки, определяемый величиной  . Неизбежно
желание уменьшить  с целью повышения надёжности наших
выводов. Однако подобные действия не дадут желаемого
результата. Это можно пояснить основываясь на методике

стороннего наблюдателя.
Допустим, есть некто, который в отличие от нас имеет
абсолютно точное представление обо всём, что происходит
вокруг. С точки зрения этого стороннего наблюдателя все наши
выводы, основанные на технологии проверки статистических
гипотез, можно разбить на четыре группы:
а) гипотеза H 0 верна, и правильно, что не отвергнута;
б) гипотеза H 0 верна, но ошибочно отвергнута (ошибка
первого рода, определяемая величиной  );
в) гипотеза H 0 не верна, но ошибочно принята (ошибка
второго рода, определяемая величиной  );
г) гипотеза H 0 не верна, и правильно, что отвергнута.
Параметр  мы контролируем непосредственно, а параметр
 нет. Однако известно, что между ними существует
взаимосвязь. Увеличивая один, мы уменьшаем другой и
наоборот. Если мы будем уменьшать  , то будет расти  , и
общий риск совершения ошибки не уменьшиться до нуля.
Поэтому на практике чаще всего берут не самое маленькое
значение   0,05.
Вышеизложенные основные понятия теории вероятностей
касались лишь одной случайной величины (одного параметра).
Однако часто исследуемые экономические процессы или
системы характеризуются не одним, а сразу несколькими
параметрами. Если речь идет о процедуре реализации товаров
или услуг, то таковыми будут цена продажи и объём
реализации. При оценке рентабельности производственно–
хозяйственной деятельности некоторого предприятия может
быть, например, задействована следующая система
(совокупность) показателей: удельный вес рабочих в составе
предприятия; удельный вес покупных изделий; фондоотдача;
оборачиваемость основных оборотных средств;
непроизводственные расходы.
Выбор системы показателей, характеризующих тот или иной
процесс или объект, является прерогативой исследователя. При
этом сказывается уровень его квалификации, т.е. глубина и
всесторонность теоретических и практических познаний по сути
изучаемой проблемы. Выбор некоторых показателей может
быть очевиден, а других – нет. В любом случае между ними
должна в той или иной мере существовать взаимосвязь, т.к.
выбранные параметры характеризуют единый процесс или
объект. Для оценки возможных взаимосвязей между
параметрами используются такие понятия, как корреляция и
регрессия.
Допустим, у нас имеется m параметров ( X 1 , X 2 ,..., X m ) , по
каждому из которых объём статистических данных составляет
величину n . Тогда все имеющиеся данные могут быть
представлены в виде матрицы
 x11 x12 ... x1m 

 
x x ... x2 m 
X nm   21 22
... 
.
... ... ...
 
x xnm 
 n1 xn 2 ...
Столбцы – это данные по отдельно взятому параметру

(случайной величине). Строки характеризуют по выбранным
параметрам либо некий процесс в отдельные моменты времени
по n наблюдениям, либо отдельный объект из множества n
однотипных.
Корреляция оценивает тесноту взаимосвязи между двумя
какими – либо случайными величинами из множества
имеющихся, например, Xi и X j , i, j  1, m . При этом
 
оценивается число rij  r X i , X j , не имеющее размерности, но
всегда находящееся в известных пределах
 1  rij  1 .
Формула оценки этого числа [1-5]

covX i , X j 
rij  , (1.17)
[Xi ][X j ]
   
где cov X i , X j  M  X i  M [ X i ]  X j  [ X j ]  - ковариация
случайных величин X i и X j , а  [ X i ] и  [ X j ] их средние
квадратические отклонения.
Если число получится в пределах  0,2  rij  0,2 , то
взаимосвязь между случайными величинами X i , X j будет
настолько слаба, что ею можно пренебречь. Если rij ближе к 1
или –1, то это будет свидетельствовать о наличии уже
достаточно сильной взаимосвязи. Конкретное значение rij при
этом можно интерпретировать следующим образом:
– rij  0,8 . Между X i и X j прямая зависимость (знак
плюс), т.е. при возрастании (убывании) значений одного
параметра следует ожидать возрастания (убывания) значений
другого параметра. Степень ожидания – 80%.
– rij  0,95 . Между X i и X j обратная зависимость (знак
минус), т.е. при возрастании (убывании) значений одного
параметра следует ожидать убывания (возрастания) значений
другого параметра. Степень ожидания – 95%.
Для различных пар случайных величин можно рассчитать
свои коэффициенты корреляции, которые составят так
называемую корреляционную матрицу R размерности m m .
 r11 r12 ... r1m 

 
r r22 ... r2 m 
Rmm   21
... 
.
... ... ...
 
r rmm 
 m1 rm 2 ...
Данная матрица обладает рядом особенностей. Во-первых,
r11  r22  ...  rmm  1 , т.к. взаимосвязь какого-либо параметра с
самим собой прямая на 100%. Во-вторых, rij  r ji (матрица
симметричная), т.к. теснота взаимосвязи X i с X j точно такая
же, как X j с X i .
Если rij оценивается по статистическим данным, то

последовательно используются формулы приближённых
расчетов (1.8)-(1.10):
M [ X i ]  xi 
1
x1i  x2i  ...  xni  ; (1.18)
n
M[X j ]  xj 
1
n

x1 j  x2 j  ...  xnj ;  (1.19)
в
D[ X i ]  Di 
1
n 1

x1i  xi 2  ...  xni  xi 2 ;  (1.20)
в
D[ X j ]  D j 
1
n 1

x1 j  x j 2  ...  xnj  x j 2 ;  (1.21)
 [ X i ]  Si  Di в ;  [ X j ]  S j  D j ;
в
(1.22)
covX i , X j   K ij 
1
n 1

x1i  xi x1 j  x j  
...  xni  xi xnj  x j  ;  (1.23)
в K ij
rij  rij  . (1.24)
Si  S j
Как видим, объём вычислений при оценке коэффициентов

корреляций достаточно велик. Однако выполнение всех
арифметических действий можно перепоручить компьютеру.
При этом необходимо выполнить следующие действия:
1. Запустить табличный редактор EXCEL;
2. Ввести матрицу статистических данных X nm ;
3. На панели инструментов редактора выбрать опцию
«Сервис»;
4. В списке «Сервис» выбрать «Анализ данных»;
Примечание: если строка «Анализ данных»
отсутствует, то предварительно выбрать «Сервис» 
«Надстройки»  «Пакет анализа»  ОК;
5. В списке возможностей раздела «Анализ данных»
выбрать «Корреляция»;
6. Указать компьютеру ячейки редактора EXCEL, где
находятся введённые данные.
Результат расчётов будет представлен в виде
корреляционной матрицы. Содержание корреляционной
матрицы позволит совершить следующий шаг в построении
эконометрической модели, непосредственно связанной с
понятием регрессии.
Регрессия – это некая функция, показывающая, как
ожидаемые значения одной случайной величины зависят от
возможных значений группы других случайных величин.
Допустим, в системе параметров для нас наибольший
интерес представляет X 2 . Оценки элементов корреляционной
матрицы Rm m показывают, что X 2 наиболее сильно зависит,
например, от X1 , X 4 и X 9 . Тогда наша модель должна быть
функцией трёх переменных
M X 2 / X 1 , X 4 , X 9   f  X 1 , X 4 , X 9  .
В этом случае говорят, что определена регрессия X 2 по X1 ,

X4 и X9 .
Вид функции f может быть любым. Однако на практике в
случае, когда речь идёт о функции многих переменных, ей
придают линейный вид
f  X 1 , X 4 , X 9    0  1  X 1   2  X 4   3  X 9 ,
где параметры модели  i , i  0,3 ещё необходимо рассчитать.

Выбор подобной формы модели в основном связана с
проблемой нехватки данных. В рассматриваемом примере
функция f геометрически будет представлять собой некую
поверхность в четырёхмерном пространстве. Сколько бы не
было у нас статистических данных (а их объём всегда крайне
ограничен) у нас не будет чёткого представления об этой
поверхности. Именно поэтому её и определяют в виде
уравнения плоскости.
Коэффициенты  i определяются по статистическим данным
методом наименьших квадратов. При этом относительно них
составляется система линейных алгебраических уравнений,
обобщённое решение которой можно записать в матричном
виде

A41  Bn 4  Bn 4
T

1
 Bn 4  Cn1 ,
T
(1.25)
где
 0  1 x12 x14 x19   x11 

     
 1  1 x22 x24 x29   x21 
A41    ; Bn4   ; C    ;
 

   
n 1
 2    
  1 x xn9  x 
 3  n2 xn 4  n1 
:: T - операция транспонирования матрицы;
:: 1 - операция обращения матрицы.

Именно эта формула расчёта (1.25) заложена в компьютере,
которым неизбежно в данном случае приходится пользоваться,
выполняя следующие действия:
1. Запустить табличный редактор EXCEL;
2. Ввести матрицу из одного столбца Cn1 ;
3. Ввести матрицу Bn 4 . Однако вводится не вся матрица, а
лишь столбцы чисел для параметров X 2 , X 4 , X 9 .
Первый столбец, состоящий из единиц, не вводится;
4. На панели инструментов редактора выбрать опцию
«Сервис»;
5. В списке «Сервис» выбрать «Анализ данных»;
6. В списке «Анализ данных» выбрать «Регрессия»;
7. Указать компьютеру ячейки редактора EXCEL, где
находятся элементы матрицы Cn1 (определяемой в
компьютере как y ) и матрицы Bn 4 (определяемой в
компьютере как x ).
В качестве результатов расчёта помимо знаний
коэффициентов  i компьютер выдаёт массу другой
сопутствующей информации, полезной для эконометрического
анализа.
§2. Эконометрические модели на основе парной
регрессии. Пояснение к заданию 1
Допустим, у нас имеется информация о ценах (параметр X )

и объёмах (параметр Y ) продаж однотипного товара в n точках
его реализации.
X  x1 , x2 ,..., xn ,
Y  y1 , y2 ,..., yn  .
Наш практический опыт подсказывает, что между ними
должна быть взаимосвязь. Но возникает вопрос – что от чего
зависит: X от Y или Y от X ? Ответ на этот вопрос может
быть результатом лишь качественного анализа, основанного,
например, на некоторых теоретических положениях. Согласно
им, на микроэкономическом уровне обычно Y зависит от X .
Подобная ситуация характерна для розничной торговли. На
макроэкономическом уровне, наоборот, X зависит от Y .
Оптовая торговля или добыча и предложение на рынке ресурсов
(нефть, газ и т.д.), – здесь уже объёмы предложения влияют на
цену реализации.
Допустим, что в нашей ситуации Y зависит от X и с
учётом этого необходимо провести следующий
эконометрический анализ:
1) оценить коэффициент корреляции rXY и проверить
гипотезу о его значимости;
2) методом наименьших квадратов оценить параметры a и
b линейной регрессии Y по X : M Y / X   a  b  x ;
3) оценить дисперсию параметров a и b линейной
регрессии;
4) проверить гипотезу о значимости оценок параметра b ;
5) оценить доверительный интервал для параметров a и b с
уровнем значимости   1  Pдов  0,05 ;
6) оценить коэффициент детерминации R 2 для модели

линейной регрессии;
7) проверить гипотезу о значимости модели линейной
регрессии;
8) оценить коэффициент эластичности EY  X  

dY / Y
по
dX / X
модели линейной регрессии;
9) оценить ожидаемое значение Y  M Y / X  для
X  xmin  2 и с надёжностью 95% оценить
доверительный интервал (Y  , Y  ) возможных
значений Y .
Примечание: проверку гипотез в пунктах 1, 4, 7 проводить с
уровнем значимости   1  Pдов  0,05 .
Продемонстрируем результаты анализа на конкретном
наборе статистических данных (n  10) :
X  1,36; 2,00; 2,39; 2,25; 2,08; 2,35; 3,62; 2,24; 4,04; 2,44,
Y  6,91; 6,87; 5,60; 6,01; 6,22; 5,36; 4,47; 5,63; 4,17; 5,54 .
1. Последовательно проводим вычисления (табл. 1)
согласно формулам (1.18) – (1.24).
x
1
1,36  ...  2,44  2,477 ; (2.1)
10
y
1
6,91  ...  5,54  5,678 ; (2.2)
10
DX 
в 1
9
 
1,36  x 2  ...  2,44  x 2  0,613 ; (2.3)
в
DY 
1
9
 
6,91  y 2  ...  5,54  y 2  0,801; (2.4)
в в
S X  DX  0,783 ; SY  DY  0,895 ; (2.5)
K XY 
1
1,36  x   6,91  y   ... 
9
 2,44  x 5,54  y   0,637 ; (2.6)
K XY
rXY  r в   0,937  0 . (2.7)
S X  SY
Таблица 1
i xi yi ( xi  x ) [ yi  y ] (...) 2
[...]2 (...)[...]
1 1,36 6,91 -1,117 1,232 1,248 1,518 -1,376
2 2,00 6,87 -0,477 1,192 0,228 1,421 -0,568
3 2,39 5,60 -0,087 -0,078 0,008 0,006 0,006
4 2,25 6,01 -0,227 0,332 0,052 0,110 -0,075
5 2,08 6,22 -0,397 0,542 0,158 0,294 -0,215
6 2,35 5,36 -0,127 -0,318 0,016 0,101 0,040
7 3,62 4,47 1,143 -1,208 1,306 1,459 -1,380
8 2,24 5,63 -0,237 -0,048 0,056 0,002 0,011
9 4,04 4,17 1,563 -1,508 2,443 2,274 -2,357
10 2,44 5,54 -0,037 -0,138 0,001 0,019 0,005
Σ 24,77 56,78 5,515 7,205 -5,90
в
Проверим гипотезу о значимости приближённой оценки r
коэффициента корреляции.
1. H 0 : оценка незначима; зависимости между X и Y нет, т.е.
rXY  0 ;
H1 : нет, это не так; зависимость есть и она обратная, т.е.

rXY  0 .
2. Вводится вспомогательная случайная величина
n2
T  rXY  ,
1  rXY
2
имеющая закон распределения Стьюдента с числом степеней

свободы n  2 .
3. Оценивается граница критической области Tкр . Поскольку
выборочный коэффициент корреляции r в достаточно
близок к  1 , то величина T скорее всего примет какое –
либо отрицательное значение, и нас должна интересовать
лишь односторонняя (см. рис.8, а) критическая область слева
 
 ,  Tкр . Её граница для   0,05 соответствует
границам двусторонней критической области при   0,1 .
При этом Tкр  Tкр   0,1; n  2  8  1,86 .
4. Вычисляется наблюдаемое значение случайной величины T :
10  2 8
Tнаб  r в   0,937   7,619 .
 
1 r в 2
1   0,937 
2
5. Поскольку Tнаб   ,  1,86 , т.е. попало в критическую

область, то гипотеза H 0 отвергается в пользу гипотезы H1 .
Можно сказать, что с надёжностью 95%
Pдов  1    0,95 оценка коэффициента корреляции
значима.
2. При оценке параметров a и b линейной регрессии
составляется следующая система линейных алгебраических
уравнений:
11  a  12  b  1 ,

 21  a   22  b   2 ,
где
11  n  10; (2.8)
12   21  x1  ...  xn  1,36  ...  2,44  24,77; (2.9)
 22  x12  ...  xn 2  1,362  ...  2,442  66,87 ; (2.10)
1  y1  ...  yn  6,91  ...  5,54  56,78 ; (2.11)
 2  x1  y1.  ...  xn  yn 
 1,36  6,91  ...  2,44  5,54  134,734. (2.12)
Решая систему, получим

a  8,332 ; b  1,072 .
Данное решение могло бы быть найдено и в матричном виде
по формуле (1.25), где
1 x1   y1 
1   
a x2   y2 
A    ; B ; C   .
b    
   
1 xn   
 yn 
Применение компьютера при нахождении a и b позволит
ускорить работу и избежать арифметических ошибок. При этом
необходимо:
1) запустить текстовый редактор EXCEL;
2) ввести данные (по строкам или столбцам);
3) на панели инструментов редактора нажать клавишу –

«Мастер диаграмм»;
4) в меню «Мастер диаграмм» выбрать «Точечная»;
5) указать компьютеру ячейки EXCEL, где находятся
введённые данные.
В итоге появится рисунок с точками (статистическими
данными) в некоторой системе координат (рис.10).
6) подвести указатель (стрелку) к любой из точек и
нажать правую клавишу мыши, чтобы подсветить
точки;
7) в появляющемся меню выбрать раздел «Добавить
линию тренда»;
8) в окне «Линия тренда» в разделе «Тип» можно
выбрать различные типы моделей линии регрессии:
a  b  X  линейная;
a  ln  X   b  логарифмич еская;

M [Y / X ]   b X
a  e  экспоненциальная;
a  X b  степенная.

По умолчанию уже выбрана линейная модель.
9) в окне «Линия тренда» в разделе «Параметры»
поставить галочки напротив заявок:
V – показать уравнение на диаграмме;
V – поместить на диаграмму величину достоверности
2
аппроксимации R .
В результате получим: a  8,3321 ; b  1,0715 . График
линии регрессии приведён на рис.10.
y = 8,3321-1,0715x ; R 2 = 0,8789
у
9
7
5
3
1
0 1 2 3 4 5х
Рис. 10
При оценке регрессии некоторого параметра по одному из

параметров модель может быть и нелинейной. Из разных
моделей целесообразнее выбирать ту, которая отвечает
большему значению величины R 2 . Параметры a и b линейной
модели можно было бы определить и с помощью опции
«Сервис» в редакторе EXCEL так же, как и в случае
множественной регрессии, рассмотренной в §1.
3. Очевидно, что параметры a и b оценены по
статистическим данным приближённо. Если в результате, каких
– либо причин статистические данные оказались бы немного
другими, то и оценки значений параметров a и b немного
изменились бы. Оценки этих параметров могут иметь
различные значения: некоторые из них будут более, а другие
менее вероятны. В этом случае возникает вопрос о числовых
характеристиках этих параметров (случайных величин).
Больший практический интерес представляют оценки
дисперсий, основанных на следующих формулах:
n
S 2  xi 
2
S 2   22
D[a]  S a  i 1

2
;
n  n  1  Dx
n в (2.13)
n   xi  x 
2
i 1
S2 S2
D[b]  S b  
2
;
n
n  1  Dx в
 x  x
2 (2.14)
i
i 1
где
2
1 n
S  2
 yi  a  bxi  ;
n  2 i1
(2.15)
 22  x1 2  ...  xn 2 ;
n  1  DX в  x1  x 2  ...  xn  x 2 .

Оценки двух последних величин уже были проведены в
(2.10) и (2.3):
 22  66,87 ; n  1  DX  9  0,613  5,515 .
в
Расчёты величины S 2 представлены в табл. 2.

Таблица 2
i xi yi a  bxi  yi  ..
1 1,36 6,91 6,875 0,001
2 2 6,87 6,189 0,464
3 2,39 5,6 5,771 0,029
4 2,25 6,01 5,921 0,008
5 2,08 6,22 6,103 0,014
6 2,35 5,36 5,814 0,206
7 3,62 4,47 4,453 0,000
8 2,24 5,63 5,932 0,091
9 4,04 4,17 4,003 0,028
10 2,44 5,54 5,718 0,032
 0,873
1
S 2   0,873  0,109.
8
0,143  66,87
Тогда (2.13), (2.14) S a   1,058 ;
2
10  5,515
0,143
Sb   0,158 .
2
5,515
4. Проверим гипотезу о значимости b .
1) H 0 : оценка параметра b незначима, т.е. bи  0 ( bи -
истинное значение параметра b ).
H1 : нет, это не так и bи  0 .
2) выбирается вспомогательная случайная величина
b
T , имеющая распределение Стьюдента с
 [b]
числом степеней свободы n  2 .
3) Как и в §1 нас интересует односторонняя критическая
 
область слева  ,  Tкр , т.к. приближённая оценка
параметра b  0,97 достаточно далеко отстоит от
нуля в отрицательной области. Для   0,05 , как и
раньше, Tкр  1,86 .
4) наблюдаемое значение вспомогательной величины
bнаб  1,072
Tнаб    2,693 ;
Sb 0,158
5) поскольку Tнаб   ;  1,86 , то гипотеза H0
отвергается в пользу гипотезы H1 , т.е. с надёжностью
95% оценка параметра b значима.
5. Наблюдаемое значение bнаб параметра b будет
отличаться от истинного bи (абсолютно точно нам
неизвестное) скорее всего на небольшую величину.
Тогда наиболее вероятные наблюдаемые значения
bнаб  bи
величины T ( Tнаб  имеющей распределение
Sb
Стьюдента) будут располагаться (см. рис.8, б))

симметрично около нуля в интервале  Tкр , Tкр . Как 
видно из рис.8, б Pдов  P Tкр  T  Tкр   1   .
Тогда можно записать следующее двойное неравенство:
bнаб  bи
 Tкр   Tкр .
Sb
Относительно bи в этом случае получится оценка
bнаб  Tкр  S b  bи  bнаб  Tкр  S b .
Величина Tкр будет соответствовать двусторонней

критической области, т.е. Tкр  Tкр   0,05; n  2  8  2,31 .
Принимая во внимание, что bнаб  1,072 , и
Sb  0,158  0,398 , можно сформулировать следующий
вывод: с надёжностью 95% истинное значение параметра b
находится в пределах  1,99  bи  0,15 . Аналогично можно
получить оценку: aнаб  Tкр  S a  aи  aнаб  Tкр  S a , где
aнаб  8,332 ; Sa  1,058  1,029 . Истинное значение aи
параметра a будет находиться в интервале 5,96  aи  10,71 с
надёжностью 95%.
6. Коэффициент детерминации R2 приблизительно
оценивается оп формуле [3,4]:
RSS ESS
R2   1 , (2.16)
TSS TSS
где
n
TSS    yi  y   n  1D y ;
b
(2.17)
i 1
n
RSS   a  bxi   y  ;
2
(2.18)
i 1
n
ESS    yi  a  bxi   n  2  S 2 .
2
(2.19)
i 1
Согласно предварительным расчётам (2.4), (2.15)

TSS  9  0,801  7,209 ; ESS  8  0,109  0,872 . Тогда
0,873
R2  1   0,879 .
7,209
Коэффициент детерминации – это безразмерная величина,
всегда находящаяся в пределах 0  R 2  1. Она
интерпретируется следующим образом. В случае R  0,882
говорят, что выбранная модель регрессионной зависимости (в

данном примере – линейная) на 88% отражает поведение
статистических данных.
При компьютерной оценке параметров регрессионной
2
модели всегда рассчитывается и коэффициент R .
7. Ещё раз применим технологию проверки статистической
гипотезы, но для иной ситуации.
1) H 0 : выбранная регрессионная модель незначима.
H1 : нет, это не так; модель значима;
2) выбирается вспомогательная случайная величина
2
F  n  2 
R
, имеющая распределение Фишера с
1  R2
числами степеней свободы n1  1 и n2  n  2 ;
 
3) граница критической области Fкр ,   имеет значение
Fкр  Fкр   0,05; n1  1; n2  8  5,32 ;
4) наблюдаемое значение вспомогательной случайной

величины
R 2 наб
Fнаб  10  2
0,879
 8  58,12 .
1  R наб
2
1  0,879
 
5) Поскольку Fнаб  Fкр ;   , то гипотеза H 0 отвергается
в пользу гипотезы H1 , т.е. с надёжностью 95% линейная
регрессионная модель значима.
8. Если модель регрессии Y по X линейная
M [Y / X ]  a  b  X , то оценка коэффициента эластичности
примет вид
EY  X  
dY X X
  b . (2.20)
dX Y Y
Поскольку X и Y можно считать случайными величинами, то
и E также будет случайной величиной. Её математическое
ожидание приближённо оценивается по формуле [3, 4]
x 2,477
M [E]  b   1,072   0,48 , (2.21)
y 5,678
где x, y - выборочные средние.
Ожидаемое значение коэффициента эластичности может
быть использована для прогнозирования последствий
некоторых событий. В частности, можно говорить о том, что
если цена реализации X возрастёт на 4,8%, то объём
реализации снизиться на 10%.
9. Объём реализации Y - величина случайная. Наиболее
возможные её значения для некоторой заданной цены
реализации X  x0 находятся в доверительном интервале
M [Y / x0 ]    Y  M [Y / x0 ]   .
Для линейной модели регрессии M Y / x0   a  b  x0
величина  определяется по формуле [3, 4]:
  S  Tкр  1 
1

x0  x 2 ,
n (2.22)
  xi  x 
n 2
i 1
где S  S 2 находится из формулы (2.15), Tкр  Tкр  , n  2 -

критическое значение распределения Стьюдента для
двусторонней критической области.
Для рассматриваемого примера
n  10;
S  0,109  0,33;
Tкр  T   0,05; n  2  8  2,31;
x0  xmin  2  1,36  2  3,36;
1 (3,36  2,477) 2
..  1    1,114;
10 5,515
  0,33  2,31 1,114  0,85;
M [Y / 3,36]  8,332  1,072  3,36  4,73 ;

M Y / x0     3,88; M Y / x0     5,58 .
В результате проведённых расчетов можно утверждать, что

с надёжностью 95% Pдов  1    0,95 объём реализации Y
будет находиться в интервале
3,88  Y  5,58 .
Из формулы (2.22) оценки  следует, что доверительный
интервал для параметра Y будет наиболее узким при X  x и
начинает расширяться при отходе X от x влево или вправо.
§3. Эконометрические модели для анализа

временных рядов. Пояснение к заданию 2.
Временным рядом называется последовательность значений

некоторого параметра в последовательные моменты времени. В
качестве параметра при этом может, например, выступать объём
продаж, курс обмена валют, индекс потребительских расходов и
т.д.
Допустим, у нас имеется таковая последовательность
Y1 , Y2 ,...,Yn , (3.1)
где Yi  Y ti  - значение параметра Y в следующие друг за

другом моменты времени ti , i  1, n . Значения времени ti могут
быть либо равностоящими (по дням, неделям, месяцам и т.д.),
либо нет.
Обычно предполагается, что статистические данные (3.1) по
параметру Y являются следствием проявления трёх факторов:
T  T t  - тенденция,
C  T t  - сезонность,
И  И t  - иррациональность,
где t время.
Если предположить, что Y есть оценка событий,
протекающих в некоторой среде не подверженной резким
изменениям, то тенденция (т.е. нечто предопределённое) должна
хотя бы на ближайшую перспективу существовать. При
увеличении, например реальных доходов населения в целом,
будет расти и объём продаж каждого отдельного
предпринимателя.
Внешняя среда или способ организации какой-либо
деятельности могут привести к тому, что в данных (3.1) будут
проявляться некоторые колебательные процессы. Часто спрос на
отдельные виды товаров или услуг носит сезонный характер.

Например, спрос на зимние виды одежды повышается ближе к
зиме и снижается летом. Фактор сезонности не следует
отождествлять с временами года. Колебания могут наблюдаться
и в течение одних суток. Например, нагрузки на транспортные
коммуникации в городах имеют два пика: один – утром, когда
люди едут на работу, и другой – вечером, когда они
возвращаются домой.
Очевидно, есть множество других факторов, влияющих на
параметр Y , которые мы не замечаем и не осознаём. Они
проявляют себя, с нашей точки зрения, как бы случайно. Их
суммарное воздействие стараются учесть в факторе
иррациональности.
Наличие указанных трёх факторов в параметре Y может
быть отражено по-разному. На практике, как правило,
используют две модели [4,5]:
Y t   T t   Ct   И t  - мультипликативная, (3.2)
Y t   T t   Ct   И t  - аддитивная. (3.3)
Принципиальное их отличие состоит в том, что отсутствие

фактора сезонных колебаний есть C t   1 в первой модели и
C t   0 – во второй.
Технология использования обеих моделей однотипна и
приводит к схожим результатам. Продемонстрируем её на
следующем примере.
Допустим, имеются данные по некоторому параметру Y
объёма n  28 для равностоящих моментов времени ti  i,
i  1,28 (табл. 3).
Графическое представление временного ряда (рис.11)
показывает наличие в параметре Y всех трёх факторов
Y T*И
Y 12
10
8
6
4
2
0
t
0 5 10 15 20 25 30
Рис. 11
Необходимо дать прогноз поведения параметра Y в

будущем на один цикл сезонных колебаний, основанном на
мультипликативной модели.
Таблица 3
t Y T  И С  И  С T И
1 6,13 6,81 0,90 0,98 6,25
2 7,79 6,84 1,14 1,19 6,53
3 8,45 6,88 1,23 1,24 6,81
4 8,66 6,91 1,25 1,28 6,75
5 6,92 6,95 1,00 1,17 5,93
6 6,42 6,99 0,92 0,99 6,47
7 5,23 7,02 0,74 0,82 6,37
8 4,05 7,06 0,57 0,68 5,94
9 5,4 7,09 0,76 0,78 6,95
10 5,87 7,13 0,82 0,87 6,78
11 6,92 7,17 0,97 0,98 7,06
12 8,88 7,20 1,23 1,19 7,44
13 8,74 7,24 1,21 1,24 7,04
14 9,77 7,27 1,34 1,28 7,61
15 9,05 7,31 1,24 1,17 7,75
16 7,29 7,34 0,99 0,99 7,35
17 6,18 7,38 0,84 0,82 7,53

18 5,65 7,42 0,76 0,68 8,29
19 5,76 7,45 0,77 0,78 7,41
20 6,64 7,49 0,89 0,87 7,66
21 7,81 7,52 1,04 0,98 7,96
22 8,78 7,56 1,16 1,19 7,36
23 9,41 7,60 1,24 1,24 7,58
24 9,2 7,63 1,21 1,28 7,17
25 9,37 7,67 1,22 1,17 8,03
26 7,91 7,70 1,03 0,99 7,97
27 6,56 7,74 0,85 0,82 7,99
28 5,3 7,77 0,68 0,68 7,78
Этап 1. Предварительная оценка фактора тенденции.
Например, ее можно провести, пытаясь непосредственно
оценить регрессионную зависимость между Y и t . В качестве
модели таковой зависимости возьмём линейную
M [Y / t ]  T  И   a  b  t .
Оценивая параметры модели подобно тому, как это было
показано в §2, получим a  6,7717; b  0,0358. Коэффициент
детерминации при этом пока небольшой R 2  0,0352 .
Тенденция T будет определена с какой-то случайной
ошибкой (иррациональностью) И  , порождённой в частности
самим методом наименьших квадратов в ходе определении a и
b . Ошибка И  умножается на T , так как планируется
использовать мультипликативную модель. Значения T  И 
приведены в третьем столбце табл. 3.
Этап 2. Предварительная оценка фактора сезонных
колебаний.
В соответствии с моделью (3.2) можно записать
Y T C  И И
 С  С  И  , (3.4)
T  И T  И И
где И   И/И  . Отношение двух неопределённостей
(иррациональностей) очевидно тоже, в свою очередь, есть
некоторая неопределённость. Для определения значений С  И ' '
необходимо лишь найти отношения соответствующих значений
второго и третьего столбцов табл.3: 6,13/6,81=0,9;
7,79 / 6,84  1,14 и т.д.
Этап 3. Уточнение фактора сезонных колебаний.

На этом этапе предварительно необходимо определить
период колебаний, т.е. то количество элементов временного
ряда, через которые подъёмы и спады примерно повторяются.
Это можно сделать визуально или из каких-либо иных
предварительных предложений. В данном примере (см. рис.11)
величина периода колебаний составляет примерно 10 элементов
временного ряда.
Сгруппируем теперь повторяющиеся элементы величины
С  И  подобно тому, как это показано в табл. 4.
Таблица 4
K С  И  СР CPисп
1 0,90 0,97 1,04 0,97 0,98
2 1,14 1,23 1,16 1,18 1,19
3 1,23 1,21 1,24 1,22 1,24
4 1,25 1,34 1,21 1,27 1,28
5 1,00 1,24 1,22 1,15 1,17
6 0,92 0,99 1,03 0,98 0,99
7 0,74 0,84 0,85 0,81 0,82
8 0,57 0,76 0,68 0,67 0,68
9 0,76 0,77 0,77 0,78
10 0,82 0,89 0,86 0,87
 9,87 10,00
В идеале значения С  И  должны быть равны в каждой
строке. Однако этого не наблюдается вследствие влияния
иррациональности И ' ' . Чтобы попытаться избавиться от этого
влияния, оцениваются средние (ожидаемые) значения СP
величины С  И  по каждой строке. Качество оценки всех

средних можно проверить, вычислив их сумму, которая должна
быть при этом равна периоду колебаний (в данном примере 10).
Значение 9,87 говорит о том, что величины СP должны быть
немного подкорректированы. Для этого используется формула
[4,5]:
СP( K )  P
CPисп K   , (3.5)

где   9,87, P  10, K  1, P .
Исправленные средние СPисп можно уже рассчитывать как

сам фактор сезонных колебаний С . Значения С СPисп
представлены в табл. 3.
Этап 4. Выделение факторов тенденции и
иррациональности, первоначально представленных во
временном ряде.
Используя вновь представление о имеющихся данных (3.1),
основывающихся на мультипликативной модели (3.2), можно
записать
Y T C  И
 T И . (3.6)
C C
Значения величины T  И , представленные в последнем
столбце табл. 3, есть результат отношений соответствующих
параметров Y и C : 6,13/0,98=6,25; 7,79/1,19=6,53 и т.д.
Графическое представление о величине T  И можно получить
из рис.11.
Этап 5. Уточнение фактора тенденции.
По имеющимся данным о величине T  И методом
наименьших квадратов можно оценить регрессионную
зависимость T по времени t . Из различных моделей подобной
зависимости целесообразно выбирать ту, которое отвечает
большему значению коэффициента детерминации R 2 . Для

сравнения возьмём модели в виде уравнений прямой и
параболы.
 0  1  t
M [T / t ]   (3.7)
 0   2  t   2  t .
2
Оценки параметров моделей, например, на компьютере в

среде EXCEL дают следующие результаты:
6,2582  0,0653  t , R 2  0,6767,
M [T / t ]  
6,0268  0,1116  t  0,0016  t 2 , R 2  0,6977.
Представление о факторе тенденции (тренде) в виде
уравнения параболы предпочтительнее.
Этап 6. Проверка значимости модели регрессионной
зависимости.
Проверим значимость нелинейной модели.
1. H 0 : Регрессионная модель в виде уравнения параболы не
значимо;
H1 : нет, это не так.
2. Вводится вспомогательная случайная величина
n  l R2
F  , (3.8)
l 1 1  R2
имеющая распределение Фишера, где n  28 - объём
статистических данных и l  3 - количество параметров
модели.
3. Оценивается критическое значение с уровнем значимости
  0,05 (т.е. надёжностью Pдов  1    0,95 ).
Fкр  Fкр (α  0,05; к1  l  1  2; к 2  n  l  25 ) .
Используя EXCEL любого компьютера, можно получить

Fкр  FРАСПОБР 0,05; 2; 25  3,39.

4. Вычисляется наблюдаемое значение F - распределения
28  3 0,6977
Fнаб    28,85.
3  1 1  0,6977
5. Выводы. Поскольку Fнаб  Fкр , то гипотеза H0

отвергается в пользу гипотезы H1 , т.е. регрессионная
модель значима.
Этап 7. Прогнозирование.
При оценке прогнозных значений YF параметра Y явно
учитывается фактор тенденции и сезонных колебаний. Фактор
иррациональности (непредсказуемости) был неявно учтён при
определении регрессионной зависимости T от t .
Значения M [T / t ] , рассчитанные на один цикл сезонных
колебаний в будущем по линейной и нелинейной моделям,
представлены в табл. 5.
Таблица 5
t M T / t  С YF
ЛН Н/Л ЛН Н/Л
29 8,15 7,92 0,78 6,34 6,15
30 8,22 7,93 0,87 7,12 6,87
31 8,28 7,95 0,98 8,12 7,80
32 8,35 7,96 1,19 9,96 9,50
33 8,41 7,97 1,24 10,44 9,89
34 8,48 7,97 1,28 10,88 10,23
35 8,54 7,97 1,17 9,97 9,31
36 8,61 7,97 0,99 8,54 7,91
37 8,67 7,97 0,82 7,12 6,54
38 8,74 7,96 0,68 5,95 5,42
Значения фактора С в табл. 5 являются продолжением
повторяющихся значений этого параметра из табл. 3.
Прогнозные значения YF рассчитываются на основе
мультипликационной модели
YF  M [T / t ]  C . (3.9)
Графически прогнозные значения представлены

треугольниками на рис.12 и 13.
M[T/t] - - - M[T | t] = 6,2582 + 0,0653 t: R2 = 0,6767

12
10
8
6
4
2
0
0 5 10 15 20 25 30 35 40
t
Рис. 12
- - - M [T | t] = 6,0268+ 0,1116 t - 0,0016 t2 : R2 = 0,6977
M[T/t] 12
10
8
6
4
2
0
0 5 10 15 20 25 30 35 40
Рис. 13 t
Визуальная картина прогноза говорит о том, что на основе

нелинейной модели M [T / t ] (рис.13) он скорее всего более
достоверен, чем на основе линейной модели (рис.12). Этот
вывод, впрочем, уже был предопределён в ходе

предварительного анализа на этапе 5.
§4. Общеметодологический подход по построению

эконометрических моделей на основе понятия о
множественной регрессии
При построении модели количественному анализу

обязательно должен предшествовать качественный. С
привлечением одного или нескольких специалистов необходимо
определиться с той или иной группой параметров, с помощью
которых будут оцениваться исследуемые однотипные объекты
или некоторые явления. На основе практического и
теоретического опыта необходимо дать предварительную оценку
возможных взаимосвязей между параметрами. Тем самым
схематично можно будет представить будущую структуру
модели. Должна быть разработана методология сбора
статистических данных по рассматриваемым параметрам. Если
выяснится, что данные по некоторым параметрам получить
невозможно, то это обязательно должно привести к пересмотру
структуры модели.
Допустим, что по ряду причин было решено ограничиться
системой из шести параметров  X 1 ,..., X 6  , из которых больше
всего нас интересует X1 и степень его подверженности
влиянию остальных. По этим параметрам удалось собрать
числовую информацию, которая будет иметь вид матрицы
 x11 x12 ... x16 
 
 x21 x22 ... x26 
  .
   
 
x xN 2 ... xN 6 
 N1
Если рассматриваются однотипные объекты, например
домашние хозяйства, то каждая строка будет оценкой состояния
отдельного объекта. Если изучается некоторое явление,
например динамическая взаимосвязь элементов некоторого
единого комплекса, то столбцы будут временными рядами,
характеризующими динамическое состояние каждого
отдельного элемента.
На предварительном этапе количественного анализа
необходимо рассчитать элементы корреляционной матрицы.
Допустим, что расчёты привели к следующему виду матрицы
X1 X2 X3 X4 X5 X6
     
 1   X1
 
 0,1 1   X2
 0,6 0,9 1   X3
R66  
  0,9 0,2 0,8 1   X4
 0,7 0,3  0,1 0,2 1   X5
 
 0,8  0,6 0,7  0,6  0,1 1   X6
 
Поскольку корреляционная матрица симметрична, то здесь

представлена только одна её часть. Аналогично тому, как это
было показано в §2, необходимо проверить значимость всех
коэффициентов корреляции (элементов матрицы).
Допустим, что эти коэффициенты в основном подтверждают
наши ожидания о взаимосвязях между параметрами. При этом
элементы матрицы дают структуру взаимосвязей между
параметрами, представленную на рис.14.
Рис.14
На вид данной структуры влияют коэффициенты корреляции
большие по модулю величины 0.5.
Следующим этапом количественного анализа является
построение регрессионной модели, отражающей
представленные на рис.14 взаимосвязи. При этом надо
постараться избавиться от так называемого эффекта
мультиколлинеарности. Это означает, что аргументами функций,
отражающих искомые зависимости, могут быть лишь
независимые параметры. Чтобы удовлетворять этому
требованию модель, может приобретать многоуровневый
характер. В нашем случае, например, такой:
M [ X 1 / X 5 , X 6 ]   0  1  x5   2  x6 , 4.1
M [ X / X , X ]      x    x , 4.2
 6 2 4 0 1 2 2 4

M [ X 2 / X 3 ]  f  X 3 ,
4.3
M [ X 4 / X 3 ]  g  X 3 . 4.4
Функции f и g могут быть нелинейными и иметь один из
видов, указанных в §2 и 3. Параметры каждого из четырёх
взаимосвязанных регрессионных уравнений определяются
традиционным методом наименьших квадратов. Если при
проверке выяснится значимость каждого регрессионного
уравнения, то можно надеяться, что и вся система будет
значима.
Для прогнозирования X1 необходимо будет задать

интересующие нас параметры X 3 и X 5 .
При заданном X 3 из уравнений (4.3) и (4.4) можно оценить
ожидаемые значения соответственно X 2 и X 4 . Подставляя их в
(4.2) оценивается ожидаемое значение X 6 . Используя X 6 и
заданное значение X 5 можно рассчитать ожидаемое значение
X1 из (4.1).
В заключение следует отметить, что учёт эффекта
мультиколлинеарности в общем случае может приводить к
разным вариантам систем регрессионных уравнений.
Список рекомендованной литературы
1. Гмурман В.Е. Теория вероятностей и математическая

статистика: Учебник. – М.: Высшая школа, 2001. – 480с.
2. Берёзкин О.И., Кулагина А.Г., Никитин В.В. Основы теории
вероятностей и математической статистики: Метод.
указания к контрольным работам для студентов
экономических специальностей. – Чебоксары: Изд. Чуваш.
ун-та, 1995. – 48с.
3. Катышев П.К., Магнус Я.Р., Пересецкий А.А. Эконометрика.
Начальный курс: Учебник. 5-е изд., испр. – М.: Дело, 2001. –
400с.
4. Елисеева И.И. Эконометрика: Ученик. – М.: Финансы и
статистика, 2002. – 344с.
5. Елисеева И.И. Практикум по эконометрике: Учеб. пособие. –
М.: Финансы и статистика, 2001. – 192с.
Приложение:
Таблицы критических значений распределений Стьюдента и
Фишера
Распределение Стьюдента (t-распределение)
Уровень значимости  (односторонние границы)
 0,10 0,05 0,025 0,01 0,005 0,001 0,0005
1 3,078 6,314 12,706 31,821 63,657 318,31 636,6
2 1,886 2,920 4,303 6,965 9,925 22,327 31,6
3 1,638 2,353 3,182 4,541 5,841 10,214 12,94
4 1,533 2,132 2,776 3,747 4,604 7,173 8,610
5 1,476 2,015 2,571 3,365 4,032 5,893 6,859
6 1,440 1,943 2,447 3,143 3,707 5,208 5,959
7 1,415 1,895 2,365 2,998 3,499 4,785 5,105
8 1,397 1,860 2,306 2,896 3,355 4,501 5,041
9 1,383 1,833 2,262 2,821 3,250 4,297 4,781
10 1,372 1,812 2,228 2,764 3,169 4,144 4,587
11 1,363 1,796 2,201 2,718 3,106 4,025 4,437
12 1,356 1,782 2,179 2,681 3,055 3,930 4,318
13 1,350 1,771 2,160 2,650 3,012 3,852 4,221
14 1,345 1,761 2,145 2,624 2,977 3,787 4,140
15 1,341 1,753 2,131 2,602 2,947 3,733 4,073
16 1,337 1,746 2,120 2,583 2,921 3,686 4,015
17 1,333 1,740 2,110 2,567 2,898 3,646 3,965
18 1,330 1,734 2,101 2,552 2,878 3,610 3,922
19 1,328 1,729 2,093 2,539 2,861 3,579 3,883
20 1,325 1,725 2,086 2,528 2,845 3,552 3,850
25 1,316 1,708 2,060 2,485 2,787 3,450 3,725
30 1,310 1,697 2,042 2,457 2,750 3,385 2,646
40 1,303 1,684 2,021 2,423 2,704 3,307 3,551
50 1,296 1,676 2.009 2,403 2,678 3,262 3,495
60 1,296 1,671 2,000 2,390 2,660 3,232 3,460
80 1,292 1,664 1,990 2,374 2,639 3,195 3,415
100 1,290 1,660 1,984 2,365 2,626 3,174 3,389
 1,282 1,645 1,960 2,326 2,576 3,090 3,29
0,2 0,1 0,05 0,02 0,01 0,002 0,001
Уровень значимости  (двусторонние границы)
Распределение Фишера (F- распределение)

k1 1 2 3 4 5 6 7 8 9 10 11 12
k2  =0,05
1 161 200 216 225 230 234 237 239 241 242 243 244
2 18,5 19,0 19,1 19,2 19,3 19,3 19,3 19,3 19,3 19,3 19,4 19,4
3 1
10,1 0
9,55 6
9,28 5
9,12 3
9,01 8,94 6
8,88 7
8,84 8
8,81 9
8,78 0
8,76 1
8,74
4 7,71
3 6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5.96 5,93 5,91
5 6,61 5,79 5,41 5,19 5.05 4,95 4,88 4,82 4,78 4,74 4,70 4,68
6 5,99 5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 4,03 4,00
7 5,59 4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,63 3,60 3,57
8 5,32 4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,34 3,31 3,28
9 5,12 4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,13 3,10 3,07
10 4,96 4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,97 2,94 2,91
11 4,84 3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,86 2,82 2,79
12 4,75 3,88 3,49 3,26 3,11 3,00 2,92 2,85 2,80 2,76 2,72 2,69
13 4,67 3,80 3,41 3,18 3,02 2,92 2,84 2,77 2,72 2,67 2,63 2,60
14 4,60 3,74 3,34 3,11 2,96 2,85 2,77 2,70 2,65 2,60 2,56 2,53
15 4,54 3,68 3,29 3,06 2,90 2,79 2,70 2,64 2,59 2,55 2,51 2,48
16 4,49 3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,45 2,42
17 4,45 3,59 3,20 2,96 2,81 2,70 2,62 2,55 2,50 2,45 2,41 2,38
18 4,41 3,55 3,16 2,93 2,77 3,66 2,58 2,51 2,46 2,41 2,37 2,34
19 4,38 3,52 3,13 2,90 2,74 2,63 2,55 2,48 2,43 2,38 2,34 2,31
20 4,35 3,49 3,10 2,87 2,71 2,60 2,52 2,45 2,40 2,35 2,31 2,28
21 4,32 3,47 3,07 2,84 2,68 2,57 2,49 2,42 2,37 2,32 2,28 2,25
22 4,30 3,44 3,05 2,82 2,66 2,55 2,47 2,40 2,35 2,30 2,26 2,23
23 4,28 3,42 3,03 2,80 2,64 2,53 2,45 2,38 2,32 2,28 2,24 2,20
24 4,26 3,40 3,01 2,78 2,62 2,51 2,43 2,36 2,30 2,26 2,22 2,18
25 4,24 3,88 2,99 2,76 2,60 2,49 2,41 2,34 2,28 2,24 2,20 2,16
26 4,22 3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,18 2,15
27 4,21 3,35 2,96 2,73 2,57 2,46 2,37 2,30 2,25 2,20 2,16 2,13
28 4,20 3,34 2,95 2,71 2,56 2,44 2,36 2,29 2,24 2,19 2,15 2,12
29 4,18 3,33 2,93 2,70 2,54 2,43 2,35 2,28 2,22 2,18 2,14 2,10
30 4,17 3,32 2,92 2,69 2,53 2,42 2,34 2,27 2,21 2,16 2,12 2,09
40 4,08 3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,07 2,04 2,00
 3,84 2,99 2,60 2,37 2,21 2,09 2,01 1,94 1,88 1,83 1,79 1,75
Распределение Фишера (F- распределение)

k1 1 2 3 4 5 6 7 8 9 10 11 12
k2  =0,01
1 405 4999 5403 5625 576 5859 5928 5981 6022 6056 608 6106
2 98,
22 99,0 99,1 99,2 99,3
4 93,3 99,3 99,3 99,3 99,4 99,4
2 99,4
3 5
34, 0
30,8 7
29,4 5
28,7 3
28,2 27,9 6
27,6 7
27,4 9
27,3 0
27,2 1
27,1 2
27,0
4 12
21, 2
18,0 6
16,6 1
15,9 4
15,5 1
15,2 7
14,9 9
14,8 4
14,6 3
14,5 3
14,4 5
14,3
5 20
16, 0
13,2 9
12,0 8
11,3 1
10,9 10,6 8
10,4 0
10,2 6
10,1 4
10,0 5
9,96 7
9,89
6 26
13, 7
10,9 6
9,78 9
9,15 7
8,75 7
8,47 5
8,26 9
8,10 5
7,98 5
7,87 7,79 7,72
7 74
12, 2
9,55 8,45 7,85 7,46 7,19 7,00 6,84 6,71 6,62 6,54 ——
6,47
8 25
11, 8,65 7,59 7,01 6,63 6,37 6,19 6,03 5,91 5,82 5,74 5,67
9 26
10, 8,02 6,99 6,42 6,06 5,80 5,62 5,47 5,35 5,26 5,18 5,11
10 56
10, 7,56 6,55 5,99 5,64 5,39 5,21 5,06 4,95 4,85 4,78 4,71
11 09,6 7,20 6,22 5,67 5,32 5,07 4,88 4,74 4,63 4,54 4,46 4,40
12 5
9,3 6,93 5,95 5,41 5,06 4,82 4,65 4,50 4,39 4,30 4,22 4,16
13 3
9,0 6,70 5,74 5,20 4,86 4,62 4,44 4,30 4,19 4,10 4,02 3,96
14 78,8 6,51 5,56 5,03 4,69 4,46 4,28 4,14 4,03 3,94 3,86 3,80
15 6
8,6 6,36 5,42 4,89 4,56 4,32 4,14 4,00 3,89 3,80 3,73 3,67
16 8
8,5 6,23 5,29 4,77 4,44 4,20 4,03 3,89 3,78 3,69 3,61 3,55
17 3
8,4 6,11 5,18 4,67 4,34 4,10 3,93 3,79 3,68 3,59 3,52 3,45
18 8,2
0 6,01 5,09 4,58 4,25 4,01 3,85 3,71 3,60 3,51 3,44 3,37
19 8
8,1 5,93 5,01 4,50 4,17 3,94 3,77 3,63 3,52 3,43 3,36 3,30
20 8,1
8 5,85 4,94 4,43 4,10 3,87 3,71 3,56 3,45 3,37 3,30 3,23
21 0
8,0 5,78 4,87 4,37 4,04 3,81 3,65 3,51 3,40 3,31 3,24 3,17
22 7,9
2 5,72 4,82 4,31 3,99 3,76 3,59 3,45 3,35 3,26 3,18 3,12
23 4
7,8 5,66 4,76 4,26 3,94 3,71 3,54. 3,41 3,30 3,21 3,14 3,07
24 8
7,8 5,61 4,72 4,22 3,90 3,67 3,50 3,36 3,25 3,17 3,09 3,03
25 7,7
2 5,57 4,68 4,18 3,86 3,63 3,46 3,32 3,21 3,13 3,05 2,99
26 7
7,7 5,53 4,64 4,14 3.82 3,59 3,42 3,29 3,17 3,09 3,02 2,96
27 7,6
2 5,49 4,60 4,11 3,79 3,56 3,39 3,26 3,14 3,06 2,98 2,93
28 7,6
8 5,45 4,57 4,07 3,76 3,53 3,36 3,23 3,11 3,03 2,95 2,90
29 4
7,6 5,42 4,54 4,04 3,73 3,50 3,33 3,20 3,08 3,00 2,92 2,87
30 0
7,5 5,39 4,51 4,02 3,70 3,47 3,30 3,17 3,06 2,98 2,90 2,84
40 7,3
6 5,18 4,31 3,83 3,51 3,29 3,12 2,99 2,88 2,80 2,73 2,66
 6,6
1 4,60 3,78 3,32 3,02 2,80 2,64 2,51 2,41 2,32 2,24 2,18
4
ЭКОНОМЕТРИКА
МЕТОДИЧЕСКИЕ УКАЗАНИЯ К КОНТРОЛЬНЫМ ЗАДАНИЯМ
Отв. за выпуск В.Н.Антонова
Подписано в печать 28.06.2004. Формат 6084/16.

Бумага газетная. Гарнитура Times New Roman
Печать оперативная. Усл. печ. Л . Уч. - изд. л. .
Тираж 700 экз. Заказ № .
Чувашский государственный университет

Типография университета
428015 Чебоксары, Московский просп., 15

Ekonometrika Metod Ukazania K Kontrolnym Rabotam

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Ekonometrika Metod Ukazania K Kontrolnym Rabotam

Загружено:

Авторское право:

Доступные форматы

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ

Составители: В.В. Никитин,

Эконометрика: Метод. указания к контрольным заданиям/

Составлены в соответствии с Государственными

Утверждено Методическим советом университета

Отв. редактор: канд. физ. - мат. наук, доцент В.В. Никитин

§2. Эконометрические модели на основе парной

§3. Эконометрические модели для анализа временных

§4. Общеметодологический подход по построению

Список рекомендуемой литература . . . . . . . . . . . . . . . . 59

Приложение: таблицы критических значений

В ходе построения модели проводится обработка

Первое из них – это понятие о случайной величине.

Большинство (т.е. более вероятно) проработают время

При x   значение f (x ) уменьшается до нуля, т.к.

попадания значений случайной величины в маленький интервал,

Если под знаком операции суммирования S умножить и

Данный интеграл является площадью фигуры G –

G , её площадь всегда будет оставаться равной 1, т.к.

Геометрически получающийся интеграл будет представлять

Закон распределения случайной величины в виде плотности

величины x на вероятность попадания в окрестность этого

где в качестве весов выступают вероятности

Математическое ожидание в общем случае не совпадает с

Получающуюся величину называют среднее

возможности появления значения некоторого параметра X

оценок x , Dв , S достаточно сильно влияет то, какие конкретно

Область наиболее вероятных значений ( Z кр , Z кр )

так как Pдов    P(  Z  )  1 .

Поскольку подынтегральная функция чётная, то можно записать

Решение данного уравнения находится приближённо и

Распределение «хи – квадрат» связано со случайной

где Z1 , Z 2 ,..., Z n - являются случайными величинами с

Плотность вероятностей здесь будет конкретно заданной

Данное интегральное уравнение решается приближённо

Решение данного уравнения подобно решению

Распределение Стьюдента определяется случайной

При увеличении объёма статистических данных (n*  n)

Односторонние критические области используются в тех

При возрастании n1 и n2 возрастают M [F ] и  [F ] , т.е.

и является функцией трёх аргументов Fкр  Fкр ( , n1 , n2 ) .

Такие же значения можно получить с помощью

Фишера: FРАСПОБР  Fкр

Т кр (  0,1; n  10)  СТЬЮДРАСПОБР ( , n)  1,81 ;

плотностью вероятностей, зависящей только от объёма

2. В соответствии с сутью гипотезы H0 строится

результата. Это можно пояснить основываясь на методике

 x11 x12 ... x1m 

Столбцы – это данные по отдельно взятому параметру

Формула оценки этого числа [1-5]

 r11 r12 ... r1m 

Если rij оценивается по статистическим данным, то

Как видим, объём вычислений при оценке коэффициентов

В этом случае говорят, что определена регрессия X 2 по X1 ,

где параметры модели  i , i  0,3 ещё необходимо рассчитать.

 0  1 x12 x14 x19   x11 

:: 1 - операция обращения матрицы.

Допустим, у нас имеется информация о ценах (параметр X )

6) оценить коэффициент детерминации R 2 для модели

8) оценить коэффициент эластичности EY  X  

H1 : нет, это не так; зависимость есть и она обратная, т.е.

имеющая закон распределения Стьюдента с числом степеней

5. Поскольку Tнаб   ,  1,86 , т.е. попало в критическую