Для уравнения множественной регрессии вида на основании 14

Для уравнения множественной регрессии вида на основании 14 наблюдений рассчитаны оценки параметров и записана модель:

(в скобках указаны значения t-статистик, соответствующие параметрам регрессии). Известны критические значения Стьюдента при различных уровнях значимости

Для данного уравнения при уровне значимости

В нашем случае при уровне значимости 0,01 значимым является только параметр

Эконометрика : учеб. / И.И. Елисеева и [др.]; под ред. И.И. Елисеевой. – 2-е изд., перераб. и доп. – М. : Финансы и статистика, 2005. – С. 160–170.

Кремер, Н.Ш. Эконометрика : учеб. для студентов вузов / Н. Ш. Кремер, Б. А. Путко ; ред. Н. Ш. Кремер. – М. : ЮНИТИ, 2002. – С.40–52.
ответ тест i-exam

Уравнение множественной регрессии

Назначение сервиса . С помощью онлайн-калькулятора можно найти следующие показатели:

• уравнение множественной регрессии, матрица парных коэффициентов корреляции, средние коэффициенты эластичности для линейной регрессии;
• множественный коэффициент детерминации, доверительные интервалы для индивидуального и среднего значения результативного признака;

Кроме этого проводится проверка на автокорреляцию остатков и гетероскедастичность.

• Шаг №1
• Шаг №2
• Видеоинструкция
• Оформление Word

Отбор факторов обычно осуществляется в два этапа:

1. теоретический анализ взаимосвязи результата и круга факторов, которые оказывают на него существенное влияние;
2. количественная оценка взаимосвязи факторов с результатом. При линейной форме связи между признаками данный этап сводится к анализу корреляционной матрицы (матрицы парных линейных коэффициентов корреляции). Научно обоснованное решение задач подобного вида также осуществляется с помощью дисперсионного анализа — однофакторного, если проверяется существенность влияния того или иного фактора на рассматриваемый признак, или многофакторного в случае изучения влияния на него комбинации факторов.

Факторы, включаемые во множественную регрессию, должны отвечать следующим требованиям:

1. Они должны быть количественно измеримы. Если необходимо включить в модель качественный фактор, не имеющий количественного измерения, то ему нужно придать количественную определенность.
2. Каждый фактор должен быть достаточно тесно связан с результатом (т.е. коэффициент парной линейной корреляции между фактором и результатом должен быть существенным).
3. Факторы не должны быть сильно коррелированы друг с другом, тем более находиться в строгой функциональной связи (т.е. они не должны быть интеркоррелированы). Разновидностью интеркоррелированности факторов является мультиколлинеарность — тесная линейная связь между факторами.

Пример . Постройте регрессионную модель с 2-мя объясняющими переменными (множественная регрессия). Определите теоретическое уравнение множественной регрессии. Оцените адекватность построенной модели.
Решение.
К исходной матрице X добавим единичный столбец, получив новую матрицу X

1	5	14.5
1	12	18
1	6	12
1	7	13
1	8	14

Матрица Y

9

13

16

14

21

Транспонируем матрицу X, получаем X T :

1	1	1	1	1
5	12	6	7	8
14.5	18	12	13	14

Умножаем матрицы, X T X =

5 38 71,5 38 318 563,5 71,5 563,5 1043,25

В матрице, (X T X) число 5, лежащее на пересечении 1-й строки и 1-го столбца, получено как сумма произведений элементов 1-й строки матрицы X T и 1-го столбца матрицы X

Умножаем матрицы, X T Y =

73 563 1032,5

Находим обратную матрицу (X T X) -1

13.99	0.64	-1.3
0.64	0.1	-0.0988
-1.3	-0.0988	0.14

Вектор оценок коэффициентов регрессии равен

(X T X) -1 X T Y = y(x) =

13,99 0,64 -1,3 0,64 0,1 -0,0988 -1,3 -0,0988 0,14

*

73 563 1032,5

=

34,66 1,97 -2,45

Получили оценку уравнения регрессии: Y = 34.66 + 1.97X₁-2.45X₂
Оценка значимости уравнения множественной регрессии осуществляется путем проверки гипотезы о равенстве нулю коэффициент детерминации рассчитанного по данным генеральной совокупности. Для ее проверки используют F-критерий Фишера.
R 2 = 1 — s 2 _e/∑(y_i — y_ср) 2 = 1 — 33.18/77.2 = 0.57
F = R 2 /(1 — R 2 )*(n — m -1)/m = 0.57/(1 — 0.57)*(5-2-1)/2 = 1.33
Табличное значение при степенях свободы k₁ = 2 и k₂ = n-m-1 = 5 — 2 -1 = 2, Fkp(2;2) = 19
Поскольку фактическое значение F = 1.33 Пример №2 . Приведены данные за 15 лет по темпам прироста заработной платы Y (%), производительности труда X₁ (%), а также по уровню инфляции X₂ (%).

Год	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15
X1	3,5	2,8	6,3	4,5	3,1	1,5	7,6	6,7	4,2	2,7	4,5	3,5	5,0	2,3	2,8
X2	4,5	3,0	3,1	3,8	3,8	1,1	2,3	3,6	7,5	8,0	3,9	4,7	6,1	6,9	3,5
Y	9,0	6,0	8,9	9,0	7,1	3,2	6,5	9,1	14,6	11,9	9,2	8,8	12,0	12,5	5,7

Решение. Подготовим данные для вставки из MS Excel (как транспонировать таблицу для сервиса см. Задание №2) .

Включаем в отчет: Проверка общего качества уравнения множественной регрессии (F-статистика. Критерий Фишера, Проверка на наличие автокорреляции),

После нажатия на кнопку Дале получаем готовое решение.
Уравнение регрессии (оценка уравнения регрессии):
Y = 0.2706 + 0.5257X₁ + 1.4798X₂
Скачать.

Качество построенного уравнения регрессии проверяется с помощью критерия Фишера (п. 6 отчета).

Пример №3 .
В таблице представлены данные о ВВП, объемах потребления и инвестициях некоторых стран.

ВВП	16331,97	16763,35	17492,22	18473,83	19187,64	20066,25	21281,78	22326,86	23125,90
Потребление в текущих ценах	771,92	814,28	735,60	788,54	853,62	900,39	999,55	1076,37	1117,51
Инвестиции в текущих ценах	176,64	173,15	151,96	171,62	192,26	198,71	227,17	259,07	259,85

Решение:
Для проверки полученных расчетов используем инструменты Microsoft Excel «Анализ данных» (см. пример).

Пример №4 . На основе данных, приведенных в Приложении и соответствующих Вашему варианту (таблица 2), требуется:

1. Построить уравнение множественной регрессии. При этом признак-результат и один из факторов остаются теми же, что и в первом задании. Выберите дополнительно еще один фактор из приложения 1 (границы наблюдения должны совпадать с границами наблюдения признака-результата, соответствующего Вашему варианту). При выборе фактора нужно руководствоваться его экономическим содержанием или другими подходами. Пояснить смысл параметров уравнения.
2. Рассчитать частные коэффициенты эластичности. Сделать вывод.
3. Определить стандартизованные коэффициенты регрессии (b-коэффициенты). Сделать вывод.
4. Определить парные и частные коэффициенты корреляции, а также множественный коэффициент корреляции; сделать выводы.
5. Оценить значимость параметров уравнения регрессии с помощью t-критерия Стьюдента, а также значимость уравнения регрессии в целом с помощью общего F-критерия Фишера. Предложить окончательную модель (уравнение регрессии). Сделать выводы.

Решение. Определим вектор оценок коэффициентов регрессии. Согласно методу наименьших квадратов, вектор получается из выражения:
s = (X T X) -1 X T Y
Матрица X

1	3.9	10
1	3.9	14
1	3.7	15
1	4	16
1	3.8	17
1	4.8	19
1	5.4	19
1	4.4	20
1	5.3	20
1	6.8	20
1	6	21
1	6.4	22
1	6.8	22
1	7.2	25
1	8	28
1	8.2	29
1	8.1	30
1	8.5	31
1	9.6	32
1	9	36

Матрица Y

7
7
7
7
7
7
8
8
8
10
9
11
9
11
12
12
12
12
14
14

Матрица X T

1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1
3.9	3.9	3.7	4	3.8	4.8	5.4	4.4	5.3	6.8	6	6.4	6.8	7.2	8	8.2	8.1	8.5	9.6	9
10	14	15	16	17	19	19	20	20	20	21	22	22	25	28	29	30	31	32	36

Умножаем матрицы, (X T X)

Умножаем матрицы, (X T Y)

Находим определитель det(X T X) T = 139940.08
Находим обратную матрицу (X T X) -1

Уравнение регрессии
Y = 1.8353 + 0.9459X ₁ + 0.0856X ₂
Для несмещенной оценки дисперсии проделаем следующие вычисления:
Несмещенная ошибка e = Y — X*s

0.62
0.28
0.38
0.01
0.11
-1
-0.57
0.29
-0.56
0.02
-0.31
1.23
-1.15
0.21
0.2
-0.07
-0.07
-0.53
0.34
0.57

se 2 = (Y — X*s) T (Y — X*s)
Несмещенная оценка дисперсии равна

Оценка среднеквадратичного отклонения равна

Найдем оценку ковариационной матрицы вектора k = σ*(X T X) -1

k(x) = 0.36

0,619 -0,0262 -0,0183 -0,0262 0,126 -0,0338 -0,0183 -0,0338 0,0102

=

0,222 -0,00939 -0,00654 -0,00939 0,0452 -0,0121 -0,00654 -0,0121 0,00366

Дисперсии параметров модели определяются соотношением S 2 _i = K_ii, т.е. это элементы, лежащие на главной диагонали
С целью расширения возможностей содержательного анализа модели регрессии используются частные коэффициенты эластичности, которые определяются по формуле

Тесноту совместного влияния факторов на результат оценивает индекс множественной корреляции (от 0 до 1)

Связь между признаком Y факторами X сильная
Частные коэффициенты (или индексы) корреляции, измеряющие влияние на у фактора х_i при неизменном уровне других факторов определяются по стандартной формуле линейного коэффициента корреляции — последовательно берутся пары yx1,yx2. , x1x2, x1x3.. и так далее и для каждой пары находится коэффициент корреляции

Коэффициент детерминации
R 2 = 0.97 2 = 0.95, т.е. в 95% случаев изменения х приводят к изменению y. Другими словами — точность подбора уравнения регрессии — высокая

Значимость коэффициента корреляции

По таблице Стьюдента находим Tтабл: T_табл (n-m-1;a) = (17;0.05) = 1.74
Поскольку Tнабл Fkp, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно

Построение парной регрессионной модели

Рекомендации к решению контрольной работы.

Статистические данные по экономике можно получить на странице Россия в цифрах.
После определения зависимой и объясняющих переменных можно воспользоваться сервисом Множественная регрессия. Регрессионную модель с 2-мя объясняющими переменными можно построить используя матричный метод нахождения параметров уравнения регрессии или метод Крамера для нахождения параметров уравнения регрессии.

Пример №3 . Исследуется зависимость размера дивидендов y акций группы компаний от доходности акций x₁, дохода компании x₂ и объема инвестиций в расширение и модернизацию производства x₃. Исходные данные представлены выборкой объема n=50.

Тема I. Парная линейная регрессия
Постройте парные линейные регрессии — зависимости признака y от факторов x₁, x₂, x₃ взятых по отдельности. Для каждой объясняющей переменной:

1. Постройте диаграмму рассеяния (поле корреляции). При построении выберите тип диаграммы «Точечная» (без отрезков, соединяющих точки).
2. Вычислите коэффициенты уравнения выборочной парной линейной регрессии (для вычисления коэффициентов регрессии воспользуйтесь встроенной функцией ЛИНЕЙН (функция находится в категории «Статистические») или надстройкой Пакет Анализа), коэффициент детерминации, коэффициент корреляции (функция КОРЕЛЛ), среднюю ошибку аппроксимации.
3. Запишите полученное уравнение выборочной регрессии. Дайте интерпретацию найденным в предыдущем пункте значениям.
4. Постройте на поле корреляции прямую линию выборочной регрессии по точкам .
5. Постройте диаграмму остатков.
6. Проверьте статистическую значимость коэффициентов регрессии по критерию Стьюдента (табличное значение определите с помощью функции СТЬЮДРАСПОБР) и всего уравнения в целом по критерию Фишера (табличное значение F_табл определите с помощью функции FРАСПОБР).
7. Постройте доверительные интервалы для коэффициентов регрессии. Дайте им интерпретацию.
8. Постройте прогноз для значения фактора, на 50% превышающего его среднее значение.
9. Постройте доверительный интервал прогноза. Дайте ему экономическую интерпретацию.
10. Оцените полученные результаты — сделайте выводы о качестве построенной модели, влиянии рассматриваемого фактора на показатель.

Тема II. Множественная линейная регрессия
1. Постройте выборочную множественную линейную регрессию показателя на все указанные факторы. Запишите полученное уравнение, дайте ему экономическую интерпретацию.
2. Определите коэффициент детерминации, дайте ему интерпретацию. Вычислите среднюю абсолютную ошибку аппроксимации и дайте ей интерпретацию.
3. Проверьте статистическую значимость каждого из коэффициентов и всего уравнения в целом.
4. Постройте диаграмму остатков.
5. Постройте доверительные интервалы коэффициентов. Для статистически значимых коэффициентов дайте интерпретации доверительных интервалов.
6. Постройте точечный прогноз значения показателя y при значениях факторов, на 50% превышающих их средние значения.
7. Постройте доверительный интервал прогноза, дайте ему экономическую интерпретацию.
8. Постройте матрицу коэффициентов выборочной корреляции между показателем и факторами. Сделайте вывод о наличии проблемы мультиколлинеарности.
9. Оцените полученные результаты — сделайте выводы о качестве построенной модели, влиянии рассматриваемых факторов на показатель.

Тема 10: Оценка качества подбора уравнения

1. Известно, что доля остаточной регрессии в общей составила 0,19. Тогда значение коэффициента корреляции равно …

Решение:

Известно, что доля остаточной регрессии в общей составила 0,19. Значит, Найдем коэффициент детерминации: Вычислим коэффициент корреляции:

2. Известно, что общая сумма квадратов отклонений , а остаточная сумма квадратов отклонений, . Тогда значение коэффициента детерминации равно …

Решение:

Для расчета коэффициента детерминации можно пользоваться следующей формулой: . Значит, в нашем случае коэффициент детерминации равен:

3. Для регрессионной модели вида , где рассчитаны дисперсии: ; ; . Тогда величина характеризует долю …

Решение:

Значение коэффициента детерминации характеризует долю дисперсии зависимой переменной, объясненную построенным уравнением регрессии, в общей дисперсии зависимой переменной. Разность характеризует долю остаточной дисперсии, которая может быть рассчитана также по формуле . Поэтому отношение характеризует долю остаточной дисперсии.

4. Если общая сумма квадратов отклонений , и остаточная сумма квадратов отклонений , то сумма квадратов отклонений, объясненная регрессией, равна …

Решение:

Общая сумма квадратов отклонений складывается из суммы квадратов отклонений, объясненных регрессией, и остаточной сумма квадратов отклонений.

Значит, сумма квадратов отклонений, объясненная регрессией, равна разности общей сумме квадратов отклонений и остаточной суммы квадратов отклонений.

Получается .

Тема 11: Проверка статистической значимости эконометрической модели

1. При расчете скорректированного коэффициента множественной детерминации пользуются формулой , где …

n – число наблюдений; m – число факторов, включенных в модель множественной регрессии

m – число наблюдений; n – число факторов, включенных в модель множественной регрессии

n – число параметров при независимых переменных; m – число факторов, включенных в модель множественной регрессии

n – число параметров при независимых переменных; m – число наблюдений

Решение:

Скорректированный индекс множественной детерминации содержит поправку на число степеней свободы и имеет вид , где n – число наблюдений, m – число факторов, включенных в модель множественной регрессии.

2. Если известно уравнение множественной регрессии построенное по результатам 50 наблюдений, для которого общая сумма квадратов отклонений равна 153, и остаточная сумма квадратов отклонений равна 3, то значение F-статистики равно …

Решение:

Расчет F-статистики начинается с разложения общей суммы квадратов отклонений на сумму квадратов отклонений, объясненную регрессией, и остаточную сумму квадратов отклонений:
, где

– общая сумма квадратов отклонений

– сумма квадратов отклонений, объясненная регрессией

– остаточная сумма квадратов отклонений

В нашем случае дано , . Следовательно,

Существует равенство между числом степеней свободы общей, факторной и остаточной сумм квадратов отклонений:

n – 1 = m + (n – m – 1), где n –число наблюдений, m – число параметров перед переменными в уравнений регрессии.

Число степеней свободы для общей суммы квадратов отклонений равно n – 1. В нашем случае n – 1 = 49.

Число степеней свободы для остаточной суммы квадратов отклонений равно n – m – 1 = 46.

Число степеней свободы для факторной суммы квадратов отклонений равно m = 3.

Рассчитаем факторную и остаточную дисперсии на одну степень свободы по формулам

F-статистика вычисляется по формуле

3. Для регрессионной модели известны следующие величины дисперсий:
где y – значение зависимой переменной по исходным данным; – значение зависимой переменной, вычисленное по регрессионной модели; – среднее значение зависимой переменной, определенное по исходным статистическим данным. Для указанных дисперсий справедливо равенство …

Решение:

Назовем приведенные дисперсии: – общая дисперсия; – объясненная дисперсия; – остаточная дисперсия. При анализе статистической модели величину общей дисперсии рассматривают как сумму объясненной и остаточной дисперсий, поэтому справедливо равенство:

Тема 12: Оценка значимости параметров эконометрической модели

1. Для уравнения множественной регрессии вида на основании 14 наблюдений рассчитаны оценки параметров и записана модель: (в скобках указаны значения t-статистики, соответствующие параметрам регрессии). Известны критические значения Стьюдента для различных уровней значимости

При уровне значимости 0,1 значимыми являются параметры …

Решение:

Чтобы оценить значимость параметров регрессии используется t-критерий Стьюдента. Для каждого коэффициента регрессии формулируется нулевая гипотеза при альтернативной гипотезе Затем рассчитывается фактическое значение t-статистики, которое сравнивается с критическим значением Стьюдента для требуемого числа степеней свободы и уровня значимости. Если , коэффициент значим; если коэффициент незначим. В нашем случае при уровне значимости 0,1 значимым является параметры

2. Если для среднеквадратической ошибки параметра и значения оценки этого параметра линейной эконометрической модели выполняется соотношение , то это свидетельствует о статистической ______ параметра.

ненадежности среднеквадратической ошибки

надежности среднеквадратической ошибки

Решение:

Превышение среднеквадратической ошибки параметра над значением его оценки свидетельствует о статистической ненадежности параметра.

3. Для уравнения множественной регрессии вида на основании 14 наблюдений рассчитаны оценки параметров и записана модель: (в скобках указаны значения t-статистики соответствующие параметрам регрессии). Известны критические значения Стьюдента для различных уровней значимости

Для данного уравнения при уровне значимости α=0,05 значимыми являются параметры …

Решение:

Чтобы оценить значимость параметров регрессии используется t-критерий Стьюдента. Для каждого коэффициента регрессии формулируется нулевая гипотеза при альтернативной гипотезе . Затем рассчитывается фактическое значение t-статистики, которое сравнивается с критическим значением Стьюдента для требуемого числа степеней свободы и уровня значимости. Если , коэффициент значим; если коэффициент незначим. В нашем случае при уровне значимости 0,05 значимыми является параметры

4. Проверка статистически значимого отличия от нуля оценок коэффициентов линейной модели

осуществляется путем последовательного сравнения отношений ( –среднеквадратическая ошибка параметра ) с точкой, имеющей распределение …

Решение:

При проверке статистически значимого отличия от нуля оценок коэффициентов линейной регрессионной модели выдвигается гипотеза о нулевом значении оценки параметра. Для каждого коэффициента регрессии модели рассчитывают отношение его среднеквадратической ошибки к значению оценки . Полученное значение отношения последовательно сравнивается с точкой, имеющей распределение Стьюдента.

Тема 13: Нелинейные зависимости в экономике

1. Если зависимость объема спроса от цены характеризуется постоянной эластичностью, то моделирование целесообразно проводить на основе …

параболы второй степени

Решение:

Из перечисленных функций только степенная функция характеризуется постоянной эластичностью, следовательно, ее и нужно применить для отражения данной зависимости.

2. Если по результатам анализа поля корреляции замечено, что на интервале изменения фактора меняется характер связи рассматриваемых признаков, прямая связь изменяется на обратную, то моделирование целесообразно проводить на основе …

параболы второй степени

параболы третьей степени

Решение:

Параболу второй степени целесообразно применять в случае, когда на интервале изменения фактора меняется характер связи рассматриваемых признаков, прямая связь изменяется на обратную или обратная на прямую.

3. Нелинейное уравнение регрессии вида является _____ моделью ________ регрессии.

Решение:

Нелинейное уравнение регрессии вида является полиномиальной моделью парной регрессии. Теоретическое значение зависимой переменной рассчитывается в данном случае по формуле полинома третьей степени , а количество независимых переменных х равно единице.

4. Если с увеличением масштабов производства удельный расход сырья сокращается, то моделирование целесообразно проводить на основе …

параболы второй степени

Решение:

Равносторонняя гипербола обычно используется в эконометрике для характеристики связи удельных расходов сырья, материалов, топлива с объемом выпускаемой продукции, поскольку она позволяет учесть эффект масштаба, что с увеличением объемов выпускаемой продукции удельные показатели расходов сырья, материалов или топлива обычно падают.

Тема 14: Виды нелинейных уравнений регрессии

1. Степенной моделью не является регрессионная модель …

Решение:

Степенной моделью регрессии является такая модель, в которой независимая переменная х стоит в основании степени, а параметр – в показателе. Такими моделями из приведенных в ответах являются уравнения:

В уравнении независимая переменная х стоит в показателе степени, а параметр b – в основании, это не степенное уравнение, такая модель является примером показательной зависимости.

2. Среди предложенных нелинейных зависимостей нелинейной по параметрам является …

Решение:

Среди предложенных нелинейных зависимостей зависимость является нелинейной по параметрам, но внутренне линейной, поскольку с помощью логарифмирования ее можно привести к линейному виду. Остальные функции линейны по параметрам, но нелинейны относительно переменных и к линейному виду могут быть приведены с помощью замены переменных.

3. Среди предложенных нелинейных зависимостей нелинейной существенно (внутренне нелинейной) является …

Решение:

Среди предложенных нелинейных зависимостей зависимость является внутренне нелинейной, поскольку с помощью элементарных преобразований или замены переменных ее нельзя привести к линейному виду.

4. Среди предложенных нелинейных зависимостей внутренне линейной является …

Решение:

Среди предложенных нелинейных зависимостей зависимость является внутренне линейной, хотя она и нелинейна по переменным, поскольку с помощью логарифмирования ее можно привести к линейному виду. Остальные функции внутренне нелинейны: они не могут быть приведены к линейному виду.

Тема 15: Линеаризация нелинейных моделей регрессии

1. Для линеаризации нелинейной регрессионной модели используется …

приведение уравнения к виду 1/y

Решение:

Линеаризация – это процедура приведения нелинейной регрессионной модели к линейному виду путем различных математических преобразований. Нелинейная модель является степенной. Приведение ее к линейному виду возможно логарифмированием уравнения. Получаем Остальные виды линеаризации не позволяют линеаризовать исходную нелинейную модель.

2. Для преобразования внутренне нелинейной функции может быть применен метод …

разложения функции в ряд Тейлора

Решение:

Функция является внутренне нелинейной, и для нее отсутствует прямое преобразование, которое превратит ее в линейную функцию. Только разложением функции в ряд Тейлора, то есть заменой данной функции суммой полиномов, можно привести данную функцию к линейному виду.

3. Для линеаризации нелинейной функции может быть применен метод …

логарифмирования и замены переменных

разложения функции в ряд Тейлора

потенцирования и замены переменных

обращения и замены переменных

Решение:

Функция является внутренне линейной и с помощью логарифмирования может быть преобразована к виду , которая является линейной относительно логарифмов переменных. Сделав замену переменных , , , , получим линейную функцию . Поэтому для линеаризации используется сначала логарифмирование, затем замена переменных.

Тема 16: Оценка качества нелинейных уравнений регрессии

1. При расчете уравнения нелинейной регрессии , где y – спрос на продукцию, ед.; x – цена продукции, руб., выяснилось, что доля остаточной дисперсии в общей меньше 20%. Коэффициент детерминации для данной модели попадает в отрезок минимальной длины …

Решение:

Доля остаточной дисперсии в общей меньше 20%, значит, доля объясненной регрессии в общей больше 80%, другими словами, коэффициент детерминации больше 0,8. Поскольку коэффициент детерминации может принимать значения только в интервале [0, 1], то отрезком минимальной длины, в который попадает коэффициент детерминации для данной модели, будет отрезок [0,8; 1].

2. По 20 регионам страны изучалась зависимость уровня безработицы y (%) от индекса потребительских цен x (% к предыдущему году) и построено уравнение в логарифмах исходных показателей: . Коэффициент корреляции между логарифмами исходных показателей составил . Коэффициент детерминации для модели в исходных показателях равен …

Решение:

Коэффициент детерминации для модели в исходных показателях в данном случае будет равен коэффициенту детерминации для модели в логарифмах исходных показателей, который вычисляется как квадрат коэффициента корреляции, то есть 0,64.

3. Для регрессионной модели , где – нелинейная функция, – рассчитанное по модели значение переменной , получены значения дисперсий: . Не объяснена моделью часть дисперсии переменной , равная …

Решение:

Значение индекса детерминации R 2 характеризует долю дисперсии зависимой переменной, объясненную независимой переменной (построенным нелинейным уравнением регрессии). Разность (1-R 2 ) характеризует долю дисперсии зависимой переменной, необъясненную уравнением, эту величину и необходимо определить в задании. Воспользуемся формулой для расчета R 2 : . Следовательно, разность . Таким образом, часть дисперсии переменной , необъясненная моделью, равна 0,096. Можно также рассчитать это значение через отношение

4. Для регрессионной модели , где – нелинейная функция, – рассчитанное по модели значение переменной , получено значение индекса корреляции R = 0,64. Моделью объяснена часть дисперсии переменной , равная …

Решение:

Величина, характеризующая долю дисперсии зависимой переменной, объясненную независимой переменной (построенным нелинейным уравнением регрессии), называется индексом (коэффициентом) детерминации – R 2 . Значения индекса детерминации R 2 и индекса корреляции R для нелинейных регрессионных моделей связаны соотношением . Следовательно, значение .

5. По результатам проведения исследования торговых точек было построено уравнение нелинейной регрессии , где y – спрос на продукцию, ед.; x – цена продукции, руб. Если фактическое значение t-критерия Стьюдента составляет –2,05, а критические значения для данного количества степеней свободы равны , , , то …

при уровне значимости можно считать, что эластичность спроса по цене составляет –0,8

при уровне значимости можно считать, что эластичность спроса по цене составляет –0,8

эластичность спроса по цене составляет –0,8

при уровне значимости можно считать, что эластичность спроса по цене составляет –0,8

Решение:

Для проверки значимости коэффициентов нелинейной регрессии, после линеаризации, как и для уравнения парной линейной регрессии, применяется стандартный алгоритм критерия Стьюдента. Для b формулируется нулевая гипотеза при альтернативной гипотезе . Затем рассчитывается фактическое значение t-статистики, которое сравнивается с критическим значением Стьюдента для требуемого числа степеней свободы и уровня значимости. Если , коэффициент значим; если , коэффициент незначим. В нашем случае при уровне значимости коэффициент значим, а при уровнях значимости и незначим.

Тема 17: Временные ряды данных: характеристики и общие понятия

1. В состав любого временного ряда, построенного по реальным данным, обязательно входит _____ компонента.

Решение:

Ряд, построенный по реальным данным, может не содержать тренда, сезонной (циклической) компоненты, однако, он обязательно содержит случайную компоненту.

2. Ряд, уровни которого образуются как сумма среднего уровня ряда и некоторой случайной компоненты, изображен на графике …

Решение:

График ряда, уровни которого образуются как сумма среднего уровня ряда и некоторой случайной компоненты, будет колебаться относительно своего среднего значения.

3. Совокупность значений экономического показателя за несколько последовательных моментов (периодов) времени называется …

Решение:

Совокупность значений экономического показателя за несколько последовательных моментов (периодов) времени называется временным рядом.

4. Выраженную положительную тенденцию содержит ряд …

—

Решение:

Ряд имеет выраженную положительную тенденцию, если уровни ряда увеличиваются с увеличением периода времени t.

Тема 18: Структура временного ряда

1. Значение коэффициента автокорреляции первого порядка характеризует …

тесноту линейной связи

качество модели временного ряда

тесноту нелинейной связи

Решение:

Структура временного ряда определяется по значениям коэффициента автокорреляции, рассчитанным для разных порядков коэффициента автокорреляции. Коэффициент автокорреляции характеризует тесноту связи между уровнями исходного ряда и уровнями этого же ряда, сдвинутыми на значение порядка, а само значение коэффициента корреляции рассчитывается по аналогии с парным коэффициентом линейной корреляции и характеризует тесноту линейной связи между двумя переменными. Поэтому варианты «качество модели временного ряда», «тесноту нелинейной связи» и «значимость тренда» являются неверными.