Взаимосвязи экономических переменных

Исследование зависимости себестоимости 1 тонны литья от брака литья по 11 литейным цехам заводов. Линейная модель регрессии. Результаты вспомогательных расчетов для построения гиперболической и параболической модели регрессии. Спецификация модели.

Рубрика Экономико-математическое моделирование
Вид курсовая работа
Язык русский
Дата добавления 15.01.2013
Размер файла 140,8 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru

Размещено на http://www.allbest.ru

Министерство образования и науки РФ

Федеральное агентство по образованию

Рубцовский индустриальный институт (филиал) ГОУ ВПО «Алтайский государственный технический университет им. И.И.Ползунова»

Факультет заочной формы обучения

Кафедра финансы и кредит

Курсовая работа по дисциплине «Эконометрика»

Вариант №3

Выполнил: ст. гр.ФиК-83з(с)

Кривич С.С.

Проверила: Рассказова

Наталья Владимировна

г. Рубцовск 2009 г.

Задание для расчетной работы

Вариант 4.

Исследуется зависимость себестоимости 1 т литья У (руб.) от брака литья Х (т) по 11 литейным цехам заводов:

Х

4,2

5,5

6,7

7,7

1,2

2,2

8,4

6,4

4,2

3,2

3,1

У

239

254

262

251

158

101

259

186

204

198

170

1. Линейная модель регрессии

В общем виде теоретическая линейная регрессионная модель:

модель регрессия гиперболическая параболическая

Для определения значений теоретических коэффициентов регрессии необходимо знать и использовать все значения переменных х и у генеральной совокупности, что практически невозможно. Следовательно, по выборке ограниченного объема нужно построить так называемое эмпирическое уравнение регрессии

а, b - оценки неизвестных параметров и , называемые эмпирическими коэффициентами регрессии

Следовательно, в конкретном случае

,

где ei - оценка теоретически случайного отклонения

Задача состоит в том, чтобы по конкретной выборке найти оценки а и b неизвестных параметров и . Применим метод наименьших квадратов:

При использовании МНК минимизируется следующая функция

Необходимым условием существования минимума функции Z в точке а и b является равенство нулю частных производных по неизвестным параметрам а и b.

система нормальных уравнений

по полученным формулам будем определять параметры а и b линейной регрессионной модели.

Модель примет вид:

, .

На основании полученных формул построим линейную модель регрессии для нашей выборки, т.е. исследуем линейную зависимость себестоимости 1 т литья У (руб.) от брака литья Х (т) по 10 литейным цехам заводов.

Результаты вспомогательных расчетов для построения линейной модели регрессии и характеристики качества модели представлены в таблице 1.

Таблица 1.

Расчетные данные

Количество

x

y

x2

xy

y2

yi~

ei=yi- yi~

xi-xср

ei-ei-1

| ei/yi|

10

4,2

239

17,640

1003,8

57121

198,1424

40,858

-0,77

 

0,171

 

5,5

254

30,25

1397

64516

220,1877

33,812

0,53

-7,045

0,133

 

6,7

262

44,89

1755,4

68644

240,5371

21,463

1,73

-12,349

0,082

 

7,7

251

59,29

1932,7

63001

257,495

-6,495

2,73

-27,958

0,026

 

1,2

158

1,44

189,6

24964

147,2688

10,731

-3,77

17,226

0,068

 

2,2

101

4,84

222,2

10201

164,2267

-63,227

-2,77

-73,958

0,626

 

8,4

259

70,56

2175,6

67081

269,3655

-10,366

3,43

52,861

0,040

 

6,4

186

40,96

1190,4

34596

235,4498

-49,450

1,43

-39,084

0,266

 

4,2

204

17,64

856,8

41616

198,1424

5,858

-0,77

55,307

0,029

 

3,2

198

10,24

633,6

39204

181,1845

16,815

-1,77

10,958

0,085

Среднее значение

4,97

211,20

29,775

1135,71

47094,4

 

 

 

 

 

Сумма квадратов

 

 

 

 

 

 

10298,019

50,741

14251,153

 

Сумма

 

 

 

 

 

 

 

 

 

1,525

Примечание: в Excel среднее значение рассчитано с помощью функции «СРЗНАЧ», сумма квадратов - функции «СУММКВ», сумма - функции «СУММ», модуль - функции «ABS».

1. Определим параметры а и b линейной регрессионной модели

Линейная регрессионная модель имеет вид:

= 126,919 + 16,958 x

Коэффициент b в модели показывает на какую величину изменится у, т.е. себестоимость 1 т литья (руб), если х - брак литья (т) изменится на единицу.

Свободный член а уравнения регрессии определяет прогнозируемое значение у - себестоимости 1 т литья при величине х = 0, т.е. при условии отсутствия брака. В нашем случае а = 126,919 говорит о том, что при отсутствии брака себестоимость 1 т литья составит в среднем 126,919 руб.

Таким образом, зависимость себестоимости 1 т литья у(руб.) от брака литья х (т) по 10 литейным цехам заводов можно представить в виде: = 126,919 + 16,958 x

2. Определим коэффициент корреляции х и у для описания связи между случайными величинами х и у

В Excel коэффициент корреляции х и у можно также определить с помощью функции «КОРРЕЛ», обозначив диапазон данных х и у.

Полученный коэффициент корреляции достаточно близок к 1, что свидетельствует о сильной линейной связи между х и у.

Однако коэффициент корреляции rxy определялся по данным случайной выборки, поэтому он может отличаться от истинного коэффициента корреляции , который соответствует генеральной совокупности. Необходимо проверить значимость выборочного коэффициента корреляции. Для этого используем так называемую нулевую гипотезу Н0. Эта гипотеза подлежит проверке. На ряду с нулевой рассмотрим гипотезу Н1, которая принимается, если отклоняется Н0. Сущность проверки гипотезы заключается в том, чтобы установить согласуются или нет данные наблюдений и выдвинутая гипотеза. При проверке гипотезы выборочные данные могут противоречить гипотезе Н0, тогда она отклоняется. Если же статистические данные согласуются с выдвинутой гипотезой, то она не отклоняется.

Проверка значимости осуществляется по критерию Стьюдента.

Определим расчетное значение:

, где N, равное 10, число наблюдений

По таблице распределения Стьюдента определим теоретическое значение

, где , число степеней свободы ()

, заданный уровень значимости (95%)

|3,367| > 2,306, т.е.

Это свидетельствует о том, что гипотеза Н0 отклоняется в пользу гипотезы Н1. Таким образом, делаем вывод - выборочный коэффициент корреляции значим. Это в свою очередь свидетельствует о статистически значимой связи между себестоимостью 1 т литья (у) и брака литья (х).

3. Проверим значимость коэффициентов регрессии по критерию Стьюдента

Значимость оцененных коэффициентов регрессии а и b проверяется с помощью анализа отношения величины этих коэффициентов к их стандартной ошибке, т.е. рассчитывается t-статистика коэффициентов а и b.

Рассчитаем t-статистику для коэффициента b по формуле:

Стандартную ошибку коэффициента регрессии b рассчитаем по формуле:

, где

- стандартная ошибка регрессии определяется:

Подставим результаты предварительных расчетов (см. табл. 1) в формулы:

Рассчитаем t-статистику для коэффициента а по формуле:

Стандартную ошибку коэффициента регрессии а найдем по формуле:

, следовательно |tрасч| > tтеор, что свидетельствует о значимости коэффициентов а и b при уровне значимости 0,05.

4. Определим автокорреляцию остатков по критерию Дарбина-Уотсона

Автокорреляция остатков EI является наиболее значимой оценкой, используемой при выборе уравнения регрессии. Если последовательные значения EI коррелируют между собой, то это означает, что имеет место стандартная ошибка вызванная неправильным выбором вида уравнения регрессии.

Определим значение критерия d по формуле:

Подставим результаты предварительных расчетов (см. табл. 1) в формулу:

По таблице Дарбина-Уотсона определим критические границы d1 и d2 при N=10 и m =1:

d1 = 0,879; d2 = 1,32

d2<d<4-d2, 1,32<1,384<2,68, следовательно автокорреляция остатков отсутствует.

5. Определим среднюю относительную ошибку аппроксимации в процентах

Подставим результаты предварительных расчетов (см. табл. 1) в формулу:

, > 8-10%, следовательно модель неприемлема для прогнозирования, что можно объяснить малым числом наблюдений (N=10). Для того чтобы модель можно было использовать для прогнозирования достаточно увеличить число наблюдений с 10 до 16, тогда <10 %.

Выводы по модели:

Модель достаточно хорошо отражает зависимость между себестоимостью 1 т литья У (руб.) от брака литья Х (т), т.к. автокорреляция остатков отсутствует, коэффициенты значимы, связь сильная, но модель неприемлема для прогнозирования.

2. Гиперболическая модель регрессии

Гиперболическая зависимость имеет вид:

Параметры а и b находятся также как при линейной зависимости (по МНК), но для уравнения , где

Результаты вспомогательных расчетов для построения гиперболической модели регрессии и характеристики качества модели представлены в таблице 2.

Таблица 2.

Расчетные данные

Количество

x

y

x*

x*2

x*y

xi*-x*ср

yi~

ei=yi- yi~

ei-ei-1

yi-yср

|e*i/yi|

10

4,2

239

0,238

0,057

56,905

-0,043

218,339

20,661

 

27,8

0,086

 

5,5

254

0,182

0,033

46,182

-0,099

227,641

26,359

5,697

42,8

0,104

 

6,7

262

0,149

0,022

39,104

-0,132

233,024

28,976

2,617

50,8

0,111

 

7,7

251

0,130

0,017

32,597

-0,151

236,228

14,772

-14,204

39,8

0,059

 

1,2

158

0,833

0,694

131,667

0,552

119,945

38,055

23,283

-53,2

0,241

 

2,2

101

0,455

0,207

45,909

0,173

182,559

-81,559

-119,614

-110,2

0,808

 

8,4

259

0,119

0,014

30,833

-0,162

238,017

20,983

102,542

47,8

0,081

 

6,4

186

0,156

0,024

29,063

-0,125

231,868

-45,868

-66,850

-25,2

0,247

 

4,2

204

0,238

0,057

48,571

-0,043

218,339

-14,339

31,529

-7,2

0,070

 

3,2

198

0,313

0,098

61,875

0,031

206,039

-8,039

6,299

-13,2

0,041

Cреднее значе-ние

 

211,2

0,281

0,122

52,271

 

 

 

 

 

 

Сумма квадра-тов

 

 

 

 

 

0,432

 

13093,894

31108,286

24889,6

 

Сумма

 

 

 

 

 

 

 

 

 

 

1,847

1. Определим параметры а и b линейной регрессионной модели

Уравнение регрессии имеет вид:

или

Таким образом, зависимость себестоимости 1 т литья у (руб.) от брака литья х (т) по 10 литейным цехам заводов можно представить в виде:

2. Проверим значимость коэффициентов регрессии по критерию Стьюдента

При нелинейной зависимости значимость коэффициентов проверяется также как и при линейной зависимости, но для уравнения приведенного к линейному виду, т.е. для уравнения.

Рассчитаем t-статистику для коэффициента b по формуле:

Стандартную ошибку коэффициента регрессии b рассчитаем по формуле:

, где

- стандартная ошибка регрессии определяется:

Подставим результаты предварительных расчетов (см. табл. 2) в формулы:

Рассчитаем t-статистику для коэффициента а по формуле:

Стандартную ошибку коэффициента регрессии а найдем по формуле:

, следовательно |tрасч| > tтеор, что свидетельствует о значимости коэффициентов а и b при уровне значимости 0,05.

3. Найдем корреляционное отношение, с помощью которого при нелинейной зависимости определяется теснота связи между двумя случайными величинами х и у.

Подставим результаты предварительных расчетов (см. табл. 2) в формулу:

Величина корреляционного отношения достаточно близка к 1, что свидетельствует о тесной связи между х и у, т.е. между себестоимостью 1 т литья (у) в руб. и брака литья (х) в т.

4. Определим автокорреляцию остатков по критерию Дарбина-Уотсона

Определим значение критерия d по формуле:

Подставим результаты предварительных расчетов (см. табл. 2) в формулу:

По таблице Дарбина-Уотсона определим критические границы d1 и d2 при N=10 и m =1:

d1 = 0,879; d2 = 1,32

d2<d<4-d2, 1,32<2,376<2,68, следовательно автокорреляция остатков отсутствует.

5. Определим среднюю относительную ошибку аппроксимации в процентах

Подставим результаты предварительных расчетов (см. табл. 2) в формулу:

, > 8-10%, следовательно модель неприемлема для прогнозирования, что можно объяснить малым числом наблюдений (N=10).

Выводы по модели:

Модель достаточно хорошо отражает зависимость между себестоимостью 1 т литья У (руб.) от брака литья Х (т), т.к. автокорреляция остатков отсутствует, коэффициенты значимы, связь сильная, но модель неприемлема для прогнозирования.

3. Логарифмическая модель регрессии

Логарифмическая зависимость имеет вид:

Параметры а и b находятся также как при линейной зависимости (по МНК), но для уравнения , где

Результаты вспомогательных расчетов для построения логарифмической модели регрессии и характеристики качества модели представлены в таблице 3.

Таблица 3.

Расчетные данные

Количес-тво

x

y

x*

x*2

x*y

xi*-x*ср

yi~

ei=yi- yi~

ei-ei-1

yi-yср

|ei/yi|

10

4,2

239

1,435

2,059

342,985

-0,029

209,305

29,695

 

27,8

0,124

 

5,5

254

1,705

2,906

433,006

0,241

227,184

26,816

-2,880

42,8

0,106

 

6,7

262

1,902

3,618

498,352

0,438

240,270

21,730

-5,086

50,8

0,083

 

7,7

251

2,041

4,167

512,346

0,578

249,493

1,507

-20,224

39,8

0,006

 

1,2

158

0,182

0,033

28,807

-1,281

126,243

31,757

30,251

-53,2

0,201

 

2,2

101

0,788

0,622

79,634

-0,675

166,431

-65,431

-97,189

-110,2

0,648

 

8,4

259

2,128

4,529

551,212

0,665

255,263

3,737

69,169

47,8

0,014

 

6,4

186

1,856

3,446

345,271

0,393

237,232

-51,232

-54,970

-25,2

0,275

 

4,2

204

1,435

2,059

292,757

-0,029

209,305

-5,305

45,928

-7,2

0,026

 

3,2

198

1,163

1,353

230,304

-0,301

191,275

6,725

12,030

-13,2

0,034

Среднее значение

 

211,2

1,464

2,479

331,468

 

 

 

 

 

 

Сумма квадра-тов

 

 

 

 

 

3,369

 

10077,260

20864,001

24889,6

 

Сумма

 

 

 

 

 

 

 

 

 

 

1,517

1. Определим параметры а и b линейной регрессионной модели

Уравнение регрессии имеет вид:

или

Таким образом, зависимость себестоимости 1 т литья у (руб.) от брака литья х (т) по 10 литейным цехам заводов можно представить в виде:

2. Проверим значимость коэффициентов регрессии по критерию Стьюдента

Значимость коэффициентов будем проверять для уравнения приведенного к линейному виду, т.е. для уравнения.

Рассчитаем t-статистику для коэффициента b по формуле:

Стандартную ошибку коэффициента регрессии b рассчитаем по формуле:

, где

- стандартная ошибка регрессии определяется по формуле:

Подставим результаты предварительных расчетов (см. табл. 3) в формулы:

Рассчитаем t-статистику для коэффициента а по формуле:

Стандартную ошибку коэффициента регрессии а рассчитаем по формуле:

, следовательно |tрасч| > tтеор, что свидетельствует о значимости коэффициентов а и b при уровне значимости 0,05.

3. Найдем корреляционное отношение, с помощью которого при нелинейной зависимости определяется теснота связи между двумя случайными величинами х и у.

Подставим результаты предварительных расчетов (см. табл. 3) в формулу:

Величина корреляционного отношения достаточно близка к 1, что свидетельствует о сильной связи между х и у, т.е. между себестоимостью 1 т литья (у) в руб. и брака литья (х) в т.

4. Определим автокорреляцию остатков по критерию Дарбина-Уотсона

Определим значение критерия d по формуле:

Подставим результаты предварительных расчетов (см. табл. 3) в формулу:

По таблице Дарбина-Уотсона определим критические границы d1 и d2 при N=10 и m =1:

d1 = 0,879; d2 = 1,32

d2<d<4-d2, 1,32<2,07<2,68, следовательно автокорреляция остатков отсутствует.

5. Определим среднюю относительную ошибку аппроксимации в процентах

Подставим результаты предварительных расчетов (см. табл. 3) в формулу:

, > 8-10%, следовательно модель неприемлема для прогнозирования, что можно объяснить малым числом наблюдений (N=10). Для того чтобы модель можно было использовать для прогнозирования достаточно увеличить число наблюдений с 10 до 15-16, тогда <10 %.

Выводы по модели:

Модель достаточно хорошо отражает зависимость между себестоимостью 1 т литья У (руб.) от брака литья Х (т), т.к. автокорреляция остатков отсутствует, коэффициенты значимы, связь сильная, но модель неприемлема для прогнозирования.

4. Степенная регрессионная модель

Степенная зависимость имеет вид:

Параметры а и b находятся также как при линейной зависимости (по МНК), но для уравнения , где , ,

1. Определим параметры а* и b линейной регрессионной модели

Уравнение регрессии имеет вид:

Для того чтобы представить зависимость в виде степенной необходимо посчитать а:

, ,

В Excel коэффициент а можно также определить с помощью функции «EXP», выделив ячейку со значением а*.

В результате степенная зависимость имеет вид:

Таким образом, зависимость себестоимости 1 т литья у (руб.) от брака литья х (т) по 10 литейным цехам заводов можно представить в виде:

2. Проверим значимость коэффициентов регрессии по критерию Стьюдента

Значимость коэффициентов будем проверять для уравнения приведенного к линейному виду, т.е. для уравнения.

Рассчитаем t-статистику для коэффициента b по формуле:

Стандартную ошибку коэффициента регрессии b рассчитаем по формуле:

, где

- стандартная ошибка регрессии определяется по формуле:

Подставим результаты предварительных расчетов (см. табл. 4) в формулы:

Рассчитаем t-статистику для коэффициента а по формуле:

Стандартную ошибку коэффициента регрессии а рассчитаем по формуле:

, следовательно |tрасч| > tтеор, что свидетельствует о значимости коэффициентов а и b при уровне значимости 0,05.

3. Найдем корреляционное отношение, с помощью которого при нелинейной зависимости определяется теснота связи между двумя случайными величинами х и у.

Подставим результаты предварительных расчетов (см. табл. 4) в формулу:

Величина корреляционного отношения достаточно близка к 1, что свидетельствует о сильной связи между х и у, т.е. между себестоимостью 1 т литья (у) в руб. и брака литья (х) в т.

4. Определим автокорреляцию остатков по критерию Дарбина-Уотсона

Определим значение критерия d по формуле:

Подставим результаты предварительных расчетов (см. табл. 4) в формулу:

По таблице Дарбина-Уотсона определим критические границы d1 и d2 при N=10 и m =1:

d1 = 0,879; d2 = 1,32

d2<d<4-d2, 1,32<1,816<2,68, следовательно автокорреляция остатков отсутствует.

5. Определим среднюю относительную ошибку аппроксимации в процентах

Подставим результаты предварительных расчетов (см. табл. 4) в формулу:

, > 8-10%, следовательно модель неприемлема для прогнозирования, что можно объяснить малым числом наблюдений (N=10). Для того чтобы модель можно было использовать для прогнозирования достаточно увеличить число наблюдений с 10 до 15, тогда <10 %.

Выводы по модели:

Модель достаточно хорошо отражает зависимость между себестоимостью 1 т литья У (руб.) от брака литья Х (т), т.к. автокорреляция остатков отсутствует, коэффициенты значимы, связь сильная, но модель неприемлема для прогнозирования.

5. Параболическая модель регрессии

Параболическая зависимость имеет вид:

Результаты вспомогательных расчетов для построения параболической модели регрессии и характеристики качества модели представлены в таблице 5.

Таблица 5.

Расчетные данные

N

x

y

x2

x3

x4

xy

yi~

ei=yi- yi~

yi-yср.

|ei/yi|

10

4,2

239

17,64

74,088

311,170

1003,8

207,774

31,226

27,8

0,131

 

5,5

254

30,25

166,375

915,063

1397,0

229,810

24,190

42,8

0,095

 

6,7

262

44,89

300,763

2015,112

1755,4

243,963

18,037

50,8

0,069

 

7,7

251

59,29

456,533

3515,304

1932,7

251,217

-0,217

39,8

0,001

 

1,2

158

1,44

1,728

2,074

189,6

130,307

27,693

-53,2

0,175

 

2,2

101

4,84

10,648

23,426

222,2

160,255

-59,255

-110,2

0,587

 

8,4

259

70,56

592,704

4978,714

2175,6

253,840

5,160

47,8

0,020

 

6,4

186

40,96

262,144

1677,722

1190,4

240,982

-54,982

-25,2

0,296

 

4,2

204

17,64

74,088

311,170

856,8

207,774

-3,774

-7,2

0,019

 

3,2

198

10,24

32,768

104,858

633,6

186,078

11,922

-13,2

0,060

Среднее значение

4,97

211,20

29,775

197,184

1385,461

1135,71

 

 

 

 

Сумма квадратов

 

 

 

 

 

 

 

9369,683

24889,6

 

Сумма

 

 

 

 

 

 

 

 

 

1,452

1. Определим параметры а, b, с параболической модели

В Еxcel для того чтобы посчитать определитель необходимо воспользоваться функцией «МОПРЕД».

, ,

Таким образом, зависимость себестоимости 1 т литья у (руб.) от брака литья х (т) по 10 литейным цехам заводов можно представить в виде параболической зависимости:

2. Проверим значимость коэффициентов регрессии по критерию Стьюдента

Как и в случае парной регрессии значимость коэффициентов множественной линейной регрессии с m объясняющими переменными проверяется на основе t-статистики.

, где

стандартное отклонение ,

стандартная ошибка регрессии , m - количество объясняющих переменных модели

Построим матрицу

1

4,2

17,64

1

5,5

30,25

1

6,7

44,89

1

7,7

59,29

1

1,2

1,44

1

2,2

4,84

1

8,4

70,56

1

6,4

40,96

1

4,2

17,64

1

3,2

10,24

Транспонируем полученную матрицу (в Excel с помощью функции «ТРАНСП»):

1

1

1

1

1

1

1

1

1

1

4,20

5,5

6,7

7,7

1,2

2,2

8,4

6,4

4,2

3,2

17,64

30,25

44,89

59,29

1,44

4,84

70,56

40,96

17,64

10,24

Определим произведение двух построенных выше матриц (в Excel с помощью функции «МУМНОЖ»):

10,00

49,70

297,75

49,70

297,75

1971,84

297,75

1971,84

13854,61

Найдем обратную матрицу к данной и получим матрицу с (в Excel с помощью функции «МОБР»):

2,14

-0,92

0,08

-0,92

0,45

-0,04

0,08

-0,04

0,005

Определим стандартную ошибку регрессии по формуле:

, где m = 2

Определим стандартные отклонения по формуле:

,

Определим расчетные значения для коэффициентов множественной регрессии:

По таблице распределения Стьюдента определим tтеор:

|tрасч| < tтеор, следовательно, коэффициенты а, с и b незначимы при уровне значимости 0,05.

3. Найдем корреляционное отношение, с помощью которого при нелинейной зависимости определяется теснота связи между двумя случайными величинами х и у.

Подставим результаты предварительных расчетов (см. табл. 5) в формулу:

Величина корреляционного отношения достаточно близка к 1, что свидетельствует о сильной связи между х и у, т.е. между себестоимостью 1 т литья (у) в руб. и брака литья (х) в т.

4. Определим автокорреляцию остатков по критерию Дарбина-Уотсона

Определим значение критерия d по формуле:

Подставим результаты предварительных расчетов (см. табл. 5) в формулу:

По таблице Дарбина-Уотсона определим критические границы d1 и d2 при N = 10 и m = 2:

d1 =0,697; d2 = 1,641

d2<d<4-d2, 1,641<2,069<2,359, следовательно автокорреляция остатков отсутствует.

5. Определим среднюю относительную ошибку аппроксимации в процентах

Подставим результаты предварительных расчетов (см. табл. 5) в формулу:

, > 8-10%, следовательно модель неприемлема для прогнозирования, что можно объяснить малым числом наблюдений (N=10). Для того чтобы модель можно было использовать для прогнозирования достаточно увеличить число наблюдений с 10 до 15, тогда <10 %.

Выводы по модели:

Автокорреляция остатков отсутствует, связь сильная, но коэффициенты незначимы и модель неприемлема для прогнозирования. Таким образом, модель недостаточно отражает зависимость между себестоимостью 1 т литья У (руб.) от брака литья Х (т). Возможно, необходимо расширить перечень наблюдений или рассмотреть другую выборку из генеральной совокупности.

Спецификация модели

Для того чтобы выбрать зависимость, которая бы наилучшим образом соответствовала реально существующей зависимости между себестоимостью 1 т литья У (руб.) от брака литья Х (т) по 10 литейным цехам заводов необходимо проанализировать данные, представленные в сводной таблице 6.

Сводная таблица 6.

Линейная

Гиперболическая

Логарифмическая

Степенная

Параболическая

Неизвест-ные параметры уравнения регрессии

a=126,919

b=16,958

a=257,696

b= -165,301

a=114,154

b=66,303

a*=4,791

a=120,465

b=0,359

a=88,922

b=36,963

c= -2,063

Теснота связи между у и х

rxy=0,776

Значимость параметров уравнения регрессии (+ для линейной значимость коэффициента корреляции)

tрасч(rxy)=3,367 значим

tрасч(a)=4,618 значим

tрасч(b)=3,367 значим

tтеор=2,306

tрасч(a)=11,968 значим

tрасч(b)=-2,685 значим

tтеор=2,306

tрасч(a)=3,75

значим

tрасч(b)=3,429 значим

tтеор=2,306

tрасч(a)=25,999 значим

tрасч(b)=3,071 значим

tтеор=2,306

tрасч(a)=1,661 незначим

tрасч(b)=1,505 незначим

tрасч(c)= -0,833

незначим

tтеор=2,365

Средняя относительная ошибка аппроксимации, в %

неприемлема

неприемлема

неприемлема

неприемлема

неприемлема

Значение критерия автокорреляции остатков

d = 1,384

d1=0,879

d2=1,32

автокорреляция отсутствует

d = 2,376

d1=0,879

d2=1,32

автокорреляция отсутствует

d = 2,07

d1=0,879

d2=1,32

автокорреляция отсутствует

d = 1,816

d1=0,879

d2=1,32

автокорреляция отсутствует

d = 2,069

d1=0,697

d2=1,641

автокорреляция

отсутствует

При спецификации модели в первую очередь исключаются модели, в которых имеет место автокорреляция остатков и параметры регрессии незначимы. Автокорреляция остатков отсутствует у всех моделей. Параметры всех построенных регрессий, кроме параболической, значимы. Таким образом, параболическая модель не может быть моделью наилучшим образом отражающей зависимость между х и у - ее из дальнейшего рассмотрения исключаем.

Затем необходимо из числа оставшихся зависимостей выбрать зависимость, имеющую наибольшее значение корреляционного отношения или коэффициент корреляции. Среди наших моделей примерно одинаковая теснота связи между х и у существует в линейной (rxy=0,776) и степенной () моделях.

В подобной ситуации предпочтение отдают той модели, ошибка аппроксимации которой меньше. Но линейная модель является своего рода исключением, т.к. ей отдается предпочтение независимо от величины ошибки аппроксимации. К тому же стоит отметить, что в построенных линейной и степенной моделях значения ошибки аппроксимации достаточно близки (линейная: ; степенная: ). Таким образом, несмотря на то что степенная модель достаточно хорошо отражает зависимость между х и у, предпочтение отдаем линейной модели.

Итак, из всех моделей наилучшим образом отражает реально существующую зависимость между себестоимостью 1 т литья У (руб.) от брака литья Х (т) по 10 литейным цехам заводов - линейная модель. Автокорреляция остатков в данной модели отсутствует, коэффициенты значимы, связь между х и у сильная, но модель неприемлема для прогнозирования. При этом ошибка аппроксимации данной модели достаточно близка к критическому значению - 10 %, поэтому для того чтобы устранить данный недостаток и сделать модель приемлемой для прогнозирования достаточно добавить несколько наблюдений.

Размещено на www.allbest.


Подобные документы

  • Основы построения и тестирования адекватности экономических моделей множественной регрессии, проблема их спецификации и последствия ошибок. Методическое и информационное обеспечение множественной регрессии. Числовой пример модели множественной регрессии.

    курсовая работа [3,4 M], добавлен 10.02.2014

  • Факторные и результативные признаки адекватности модели. Исследование взаимосвязи энерговооруженности и выпуска готовой продукции. Построение уравнения регрессии и вычисление коэффициента регрессии. Графики практической и теоретической линии регрессии.

    контрольная работа [45,2 K], добавлен 20.01.2015

  • Построение модели множественной линейной регрессии по заданным параметрам. Оценка качества модели по коэффициентам детерминации и множественной корреляции. Определение значимости уравнения регрессии на основе F-критерия Фишера и t-критерия Стьюдента.

    контрольная работа [914,4 K], добавлен 01.12.2013

  • Анализ влияния основных социально-экономических показателей на результативный признак. Особенности классической линейной модели множественной регрессии, ее анализ на наличие или отсутствие гетероскедастичности в регрессионных остатках и их автокорреляции.

    лабораторная работа [573,8 K], добавлен 17.02.2014

  • Основные методы анализа линейной модели парной регрессии. Оценки неизвестных параметров для записанных уравнений парной регрессии по методу наименьших квадратов. Проверка значимости всех параметров модели (уравнения регрессии) по критерию Стьюдента.

    лабораторная работа [67,8 K], добавлен 26.12.2010

  • Понятие и типы моделей. Этапы построения математической модели. Основы математического моделирования взаимосвязи экономических переменных. Определение параметров линейного однофакторного уравнения регрессии. Оптимизационные методы математики в экономике.

    реферат [431,4 K], добавлен 11.02.2011

  • Множественная линейная регрессия: спецификация модели, оценка параметров. Отбор факторов на основе качественного теоретико-экономического анализа. Коэффициент регрессии при фиктивной переменной. Проблемы верификации модели. Коэффициент детерминации.

    контрольная работа [88,0 K], добавлен 08.09.2014

  • Построение линейной модели и уравнения регрессии зависимости цены на квартиры на вторичном рынке жилья в Москве в 2006 г. от влияющих факторов. Методика составления матрицы парных коэффициентов корреляции. Экономическая интерпретация модели регрессии.

    лабораторная работа [1,8 M], добавлен 25.05.2009

  • Построение математической модели выбранного экономического явления методами регрессионного анализа. Линейная регрессионная модель. Выборочный коэффициент корреляции. Метод наименьших квадратов для модели множественной регрессии, статистические гипотезы.

    курсовая работа [1,1 M], добавлен 22.05.2015

  • Описание классической линейной модели множественной регрессии. Анализ матрицы парных коэффициентов корреляции на наличие мультиколлинеарности. Оценка модели парной регрессии с наиболее значимым фактором. Графическое построение интервала прогноза.

    курсовая работа [243,1 K], добавлен 17.01.2016

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.