Классификация эконометрических моделей и методов

Понятие параметрической идентификации парной линейной эконометрической модели. Критерий Фишера, параметрическая идентификация парной нелинейной регрессии. Прогнозирование спроса на продукцию предприятия. Использование в MS Excel функции "Тенденция".

Рубрика Экономико-математическое моделирование
Вид контрольная работа
Язык русский
Дата добавления 24.03.2010
Размер файла 73,3 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.

13

МОСКОВСКИЙ ГУМАНИТАРНО-ЭКОНОМИЧЕСКИЙ ИНСТИТУТ

Тверской филиал

Кафедра общегуманитарных дисциплин

КОНТРОЛЬНАЯ РАБОТА

Специальность: Бухгалтерский учет, анализ и аудит.

Учебная дисциплина: "Эконометрика"

студентки 3 курса группа ББ-341

факультет экономики и управления

Тимофеевой Татьяны Евгеньевны

Проверил

Снастин Александр Анатольевич

доцент, к. т. н.

2008 г.

План

  • Введение
    • I. Основная часть
    • Параметрическая идентификация парной линейной эконометрической модели
    • Критерий Фишера
    • Параметрическая идентификация парной нелинейной регрессии
    • Прогнозирование спроса на продукцию предприятия. Использование в MS Excel функции "Тенденция"
    • Список литературы

Введение

Классификация эконометрических моделей и методов.

Эконометрика - это наука, лежащая на стыке между статистикой и математикой, она разрабатывает экономические модели для цели параметрической идентификации, прогнозирования (анализа временных рядов).

Классификация эконометрических моделей и методов.

Эконометрические модели (ЭМ)

Эконометрические модели параметрической идентификации

Эконометрические модели для цели прогнозирования

Система эконометрических моделей

(установление параметров (есть ли тренд) (комплексная модели) оценка)

y=a+b+x y=a+b*t y=a+b1x1-b2x2

y - зависимая переменная (отклик), прибыль, например. x - независимая переменная (регрессор), какова численность персонала, например. На основании наблюдений оцениваются a и b (определение параметров моделей или регрессионные коэффициенты).

№ п/п

y

x

1

11

1

2

13

2

3

14

3

4

12

4

5

17

5

6

16,7

6

7

17,8

7

На основании наблюдений оценивается a и b (определение параметров моделей или регрессионные коэффициенты).

Параметрическая идентификация занимается оценкой эконометрических моделей, в которых имеется один или несколько x и один y. Для целей установления влияния одних параметров работы предприятия на другие.

Если x в первой степени и нет корней, ни степеней, нет 1/x, то модель линейная.

y=axb - степенная функция;

y=abx - показательная функция;

y=a1/x - парабола односторонняя.

Y -прибыль - линейная модель

- степенная функция

x - численность

Выбираем наиболее надежную модель. После построения по одним и тем же эксперт данным одной линейной и нескольких нелинейных моделей над каждой из полученных моделей производим две проверки.

1 - на надежность модели или статистическую значимость. Fкр - или критерий Фишера. Табличное F и расчетное F. Если Fp > Fтабл. - то модель статистически значима.

2 - Отобрав из моделей все значимые модели, среди них находим самую точную, у которой минимальная средняя ошибка аппроксимации.

Эконометрические модели для прогнозов исследуют поведение одного параметра работы предприятия во времени.

I. Основная часть

Параметрическая идентификация парной линейной эконометрической модели

По семи областям региона известны значения двух признаков за 2007г.

Район

Расходы на покупку продовольственных товаров в общих расходах,%, у

среднедневная заработная плата одного работающего, руб., х

1

68,8

45,1

2

61,2

59

3

59,9

57,2

4

56,7

61,8

5

55

58,8

6

54,3

47,2

7

49,3

55,2

№п/п

Y

x

ух

Х2

y

(y - у) 2

(у - y) 2

(y-y) /y

1

68,80

45,10

3102,88

2034,01

61,33

11,8286862

55,87562

0,108648

2

61, 20

59,00

3610,80

3481,00

56,46

2,0326612

22,46760

0,077451

3

59,90

57, 20

3426,28

3271,84

57,09

0,6331612

7,89610

0,046912

4

56,70

61,80

3504,06

3819,24

55,48

5,7874612

1,48840

0,021517

5

55,00

58,80

3234,00

3457,44

56,53

1,8379612

2,34090

0,027820

6

54,30

47, 20

2562,96

2227,84

60,59

7,3131612

39,56410

0,115840

7

49,30

55, 20

2721,36

3047,04

57,79

0,0091612

72,08010

0,172210

Итого

405, 20

384,30

22162,34

21338,41

405,27

29,4422535

201,7128

0,570398

Средн. з

57,89

54,90

3166,05

3048,34

57,90

4, 2060362

28,81612

0,081485

y x yx x2

Исходные данные x и y могут быть двух типов:

а) рассматриваем одно предприятие, то наблюдения берутся через равностоящие промежутки времени (1 в квартал);

б) если каждое наблюдение - это отдельное предприятие, то данные берутся на одну и ту же дату, например, на 01.01.07

у - расходы на продовольственные товары в процентах; траты, например, на еду.

b =

yx-yx

(Гаусс)

xІ - (x) І

х - среднедневная заработная плата, в руб.

у = а + b х - линейная парная регрессионная ЭМ.

=-0.35 a=y - b x =76,88

b = (3166,049-57,88571*54,9) / (3048,344-54,9) = - 0,35

а = 57,88571 - ( - 0,35) *54,9 = 77,10071

y = а+bх

y = 77,10071-0,35х

y (игрек с крышечкой) = 76,88-0,35х -это модельное значение y, которое получается путем подстановки в y = a + b x, конкретное значение a и b коэффициенты, а также x из конкретной строчки.

Критерий Фишера

Fрасч =

У (y -y) 2 m

У (y - y) 2 (n-m-1)

n - количество наблюдений;

m - количество регрессоров (x1)

Допустим, 0,7. Fкрит не может быть меньше единицы, поэтому, если мы получим значение < 1, то

Fрасч =

1

0,7

- обратное значение. =1,4

1. Таблица значений F-критерия Фишера для уровня значимости б = 0.05

k2\k1

1

2

3

4

5

6

8

12

24

?

1

161,45

199,50

215,72

224,57

230,17

233,97

238,89

243,91

249,04

254,32

2

18,51

19,00

19,16

19,25

19,30

19,33

19,37

19,41

19,45

19,50

3

10,13

9,55

9,28

9,12

9,01

8,94

8,84

8,74

8,64

8,53

4

7,71

6,94

6,59

6,39

6,26

6,16

6,04

5,91

5,77

5,63

5

6,61

5,79

5,41

5, 19

5,05

4,95

4,82

4,68

4,53

4,36

6

5,99

5,14

4,76

4,53

4,39

4,28

4,15

4,00

3,84

3,67

7

5,59

4,74

4,35

4,12

3,97

3,87

3,73

3,57

3,41

3,23

8

5,32

4,46

4,07

3,84

3,69

3,58

3,44

3,28

3,12

2,93

9

5,12

4,26

3,86

3,63

3,48

3,37

3,23

3,07

2,90

2,71

10

4,96

4,10

3,71

3,48

3,33

3,22

3,07

2,91

2,74

2,54

11

4,84

3,98

3,59

3,36

3, 20

3,09П

2,95

2,79

2,61

2,40

Когда m=1, выбираем 1 столбец.

k2=n-m=7-1=6 - т.е.6-я строка - берем табличное значение Фишера

Fтабл=5.99, у ср. = итого: 7

Влияние х на у - умеренное и отрицательное

y - модельное значение.

F расч. =

28,648: 1

= 0,92

200,50: 5

А = 1/7 * 398,15 * 100% = 8,1% < 10% -

приемлемое значение

Модель достаточно точная.

F расч. = 1/0,92 =1,6

F расч. = 1,6 < F табл. = 5,99

Должно быть Fрасч. > Fтабл

Нарушается данная модель, поэтому данное уравнение статистически не значимо.

Так как расчетное значение меньше табличного - незначимая модель.

В ср=

1

У

(y - y)

*100%

N

y

Ошибка аппроксимации.

A= 1/7*0,563494* 100% = 8,04991% 8,0%

Считаем, что модель точная, если средняя ошибка аппроксимации менее 10%.

Параметрическая идентификация парной нелинейной регрессии

Модель у = а * хb - степенная функция

Чтобы применить известную формулу, необходимо логарифмировать нелинейную модель.

log у = log a + b log x

Y=C+b*X -линейная модель.

b =

yx-Y*X

xІ- (x) І

C=Y-b*X

b=0.289

С = 1,7605 - ( - 0,298) * 1,7370 = 2,278

Возврат к исходной модели

Y=10с*xb=102.278*x-0.298

№п/п

У

X

Y

X

Y*X

X2

У

I (y-y) /yI

1

68,80

45,10

1,8376

1,6542

3,039758

2,736378

60,9614643

0,113932

2

61, 20

59,00

1,7868

1,7709

3,164244

3,136087

56,2711901

0,080536

3

59,90

57, 20

1,7774

1,7574

3,123603

3,088455

56,7931534

0,051867

4

56,70

61,80

1,7536

1,7910

3,140698

3, 207681

55,4990353

0,021181

5

55,00

58,80

1,7404

1,7694

3,079464

3,130776

56,3281590

0,024148

6

54,30

47, 20

1,7348

1,6739

2,903882

2,801941

60,1402577

0,107555

7

49,30

55, 20

1,6928

1,7419

2,948688

3,034216

57,3987130

0,164274

Итого

405, 20

384,30

12,3234

12,1587

21,40034

21,13553

403,391973

0,563493

Средняя

57,88571

54,90

1,760486

1,736957

3,057191

3,019362

57,62742

0,080499

Входим в EXCEL через "Пуск"-программы. Заносим данные в таблицу. В "Сервис" - "Анализ данных" - "Регрессия" - ОК

Если в меню "Сервис" отсутствует строка "Анализ данных", то ее необходимо установить через "Сервис" - "Настройки" - "Пакет анализа данных"

Прогнозирование спроса на продукцию предприятия. Использование в MS Excel функции "Тенденция"

A - спрос на товар. B - время, дни

№ п/п

A

B

1

11

1

2

14

2

3

13

3

4

15

4

5

17

5

6

17,9

6

7

18,4

7

1/3

1

Шаг 1. Подготовка исходных данных

Шаг 2. Продлеваем временную ось, ставим на 6,7 вперед; имеем право прогнозировать на 1/3 от данных.

Шаг 3. Выделим диапазон A6: A7 под будущий прогноз.

Шаг 4. Вставка функция

Шаг1

Категория

Полный алфавитный перечень Тенденция

Шаг2

Тенденция

Известные значения x (курсор В1: В5)

Выделяем с 1 по 5

Новый x

В6: В7

Известный y

А1: А5

Const

1

Ок

Шаг 5. ставим курсор в строку формул за последнюю скобку

= ТЕНД ()

<Ctrl+Shift+Enter>

Вставка диаграмма нестандартны гладкие графики

диапазон у готово.

Если каждое последующее значение нашего временной оси будет отличаться не на несколько процентов, а в несколько раз, тогда нужно использовать не функцию "Тенденция", а функцию "Рост".

Список литературы

1. Елисеева "Эконометрика"

2. Елисеева "Практикум по эконометрике"

3. Карлсберг "Excel для цели анализа"

Приложение

ВЫВОД ИТОГОВ

Регистрационная статистика

Множественный R

0,947541801

R-квадрат

0,897835464

Нормированный R-квадрат

0,829725774

Стандартная ошибка

0,226013867

Наблюдения

6

Дисперсионный анализ

df

SS

MS

F

Значимость F

Регрессия

2

1,346753196

0,673376598

13,18219855

0,032655042

Остаток

3

0,153246804

0,051082268

Итого

5

1,5

Коэффициенты

Стандартная ошибка

t-статистика

Р-значение

Нижние 95%

Верхние 95%

Нижние 95%

Верхние 95%

Y-пересечение

4,736816539

0,651468195

7,27098664

0,005368842

2,66355399

6,810079088

2,66355399

6,810079088

Переменная X1

0,333424008

0,220082134

1,51499807

0,227014505

-0,366975566

1,033823582

-0,366975566

1,033823582

Переменная X2

0,077993238

0,038841561

2,007984153

0,138252856

-0,045617943

0, 201604419

-0,045617943

0, 201604419


Подобные документы

  • Понятие регрессии. Оценка параметров модели. Показатели качества регрессии. Проверка статистической значимости в парной линейной регрессии. Реализация регрессионного анализа в программе MS Excel. Условия Гаусса-Маркова. Свойства коэффициента детерминации.

    курсовая работа [233,1 K], добавлен 21.03.2015

  • Анализ метода наименьших квадратов для парной регрессии, как метода оценивания параметров линейной регрессии. Рассмотрение линейного уравнения парной регрессии. Исследование множественной линейной регрессии. Изучение ошибок коэффициентов регрессии.

    контрольная работа [108,5 K], добавлен 28.03.2018

  • Выбор факторных признаков для двухфакторной модели с помощью корреляционного анализа. Расчет коэффициентов регрессии, корреляции и эластичности. Построение модели линейной регрессии производительности труда от факторов фондо- и энерговооруженности.

    задача [142,0 K], добавлен 20.03.2010

  • Методологические основы эконометрики. Проблемы построения эконометрических моделей. Цели эконометрического исследования. Основные этапы эконометрического моделирования. Эконометрические модели парной линейной регрессии и методы оценки их параметров.

    контрольная работа [176,4 K], добавлен 17.10.2014

  • Определение параметров линейной регрессии и корреляции с использованием формул и табличного процессора MS Excel. Методика расчета показателей парной нелинейной регрессии и корреляции. Вычисление значений линейных коэффициентов множественной детерминации.

    контрольная работа [110,4 K], добавлен 28.07.2012

  • Построение модели парной регрессии и расчет индекса парной корреляции. Построение производственной функции Кобба-Дугласа, коэффициент детерминации . Зависимость среднедушевого потребления от размера дохода и цен. Расчет параметров структурной модели.

    контрольная работа [1,6 M], добавлен 05.01.2012

  • Расчет параметров парной линейной регрессии. Оценка статистической значимости уравнения регрессии и его параметров с помощью критериев Фишера и Стьюдента. Построение матрицы парных коэффициентов корреляции. Статистический анализ с помощью ППП MS EXCEL.

    контрольная работа [1,6 M], добавлен 14.05.2008

  • 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

  • Экономическое моделирование хозяйственных процессов. Множественная модель уравнения регрессии. Уравнение парной линейной регрессии, поиск необходимых значений. Выбор одного из значимых признаков для построения парной модели, расчет показателей.

    контрольная работа [117,6 K], добавлен 17.04.2015

  • Построение эконометрической модели спроса в виде уравнений парной и множественной регрессии. Отбор факторов для построения функции потребления. Расчет коэффициентов корреляции и детерминации, проверка правильности выбранных факторов и формы связи.

    контрольная работа [523,7 K], добавлен 18.08.2010

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.