|
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РФ.
Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования
«ПЕНЗЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»
Кафедра «Экономическая кибернетика»
Дисциплина «Эконометрика»
Практическая работа №1.
Вариант № 6
Выполнила: ст. гр. 11ЭБ-1
Бикмурзина Н.Р.
Проверил: Тусков А.А.
Пенза 2012 г.
Задание.
1. Проверить предпосылки МНК. При наличии гетероскедастичности использовать взвешенный метод наименьших квадратов
2. Методом корреляционных плеяд и пошаговой регрессии построить модель множественной регрессии. Провести анализ.
3. Построить производственную функцию и провести ее эконометрический анализ.
Исходные данные Таблица 1
№ наблюдения | Y | X1 | X2 | X3 | X4 | X5 | X6 |
39,5 | 4,9 | 3,2 | |||||
46,4 | 60,5 | 20,4 | |||||
43,7 | 24,9 | 9,5 | |||||
35,7 | 50,4 | 34,7 | |||||
41,8 | 5,1 | 17,9 | |||||
49,8 | 35,9 | 12,1 | |||||
44,1 | 48,1 | 18,9 | |||||
48,1 | 69,5 | 12,2 | |||||
47,6 | 31,9 | 8,1 | |||||
58,6 | 139,4 | 29,7 | |||||
70,4 | 16,9 | 5,3 | |||||
37,5 | 17,8 | 5,6 | |||||
27,6 | 12,3 | ||||||
34,4 | 13,9 | 3,2 | |||||
35,4 | 37,3 | ||||||
40,8 | 55,3 | 19,3 | |||||
48,1 | 35,1 | 12,4 | |||||
43,4 | 14,9 | 3,1 | |||||
43,2 | 0,2 | 0,6 | |||||
57,1 | 37,2 | 13,1 | |||||
51,5 | 74,45 | 21,5 | |||||
53,6 | 32,5 | 13,2 | |||||
60,4 | 75,9 | 27,2 | |||||
27,5 | 10,8 | ||||||
25,5 | 65,5 | 19,9 |
Выполнение.
1. Проверить предпосылки МНК. При наличии гетероскедастичности использовать взвешенный метод наименьших квадратов.
Для проверки гетероскедастичности использует тест ранговой корреляции Спирмена и тест Голдфельда-Квандта.
- тест ранговой корреляции Спирмена:
Предполагаем, что дисперсии отклонений будут либо увеличиваться, либо уменьшаться с ростом значений х.
Для этого построим вспомогательную таблицу:
Таблица 2
X | ei | ІeiІ | di1 | di2 | d | di^2 |
-18320,62352 | 18320,62 | -8 | ||||
6414,801055 | 6414,801 | -12 | ||||
-354,371162 | 354,3712 | -1 | ||||
-24204,9181 | 24204,92 | |||||
1956,507243 | 1956,507 | -1 | ||||
-16290,47066 | 16290,47 | -10 | ||||
-165,9714828 | 165,9715 | -15 | ||||
-4142,881737 | 4142,882 | -12 | ||||
-41680,2471 | 41680,25 | -15 | ||||
28211,09504 | 28211,1 | |||||
26141,99839 | -14 | |||||
-2408,458031 | 2408,458 | |||||
-364,4404877 | 364,4405 | -2 | ||||
-26548,67281 | 26548,67 | -9 | ||||
-2009,372609 | 2009,373 | |||||
-12250,00785 | 12250,01 | |||||
7866,49922 | 7866,499 | |||||
10664,80551 | 10664,81 | |||||
25563,02906 | 25563,03 | |||||
-6928,605706 | 6928,606 | |||||
67468,8053 | 67468,81 | |||||
-7645,702404 | 7645,702 | |||||
-1889,685519 | 1889,686 | |||||
-4998,209126 | 4998,209 | |||||
-4084,902538 | 4084,903 | |||||
Вычислим ранговый коэффициент Спирмена: r(x,e)= 0,110769
Так же с помощью рангового коэффициента Спирмена найдем значение
t=0,53452, t таб = 2,068658 (α = 0,05 и n - 2).
Т.к. t < t таб (0,53452<2,068658), то с уровне значимости 0,05 можно утверждать об отсутствии гетероскедантичности.
Для точности проведем аналогичные действия с фактором среднего числа специалистов х6.
Таблица 3.
Y | X6 | ei | ІeiІ | di1 | di2 | d | di^2 |
234704,5 | -10 | ||||||
174023,8 | -12 | ||||||
161668,8 | -16 | ||||||
286406,7 | -14 | ||||||
144522,8 | -4 | ||||||
152987,3 | |||||||
149389,3 | |||||||
173429,6 | |||||||
135058,5 | -11 | ||||||
-6 | |||||||
88222,86 | -11 | ||||||
172321,4 | -1 | ||||||
161583,9 | |||||||
94928,49 | -11 | ||||||
169756,1 | |||||||
160046,6 | |||||||
187746,2 | -7 | ||||||
124877,5 | |||||||
95560,38 | |||||||
159164,8 | |||||||
215771,2 | -2 | ||||||
160768,1 | |||||||
189443,9 | |||||||
172561,9 | |||||||
165592,2 |
Вычислим ранговый коэффициент Спирмена: r(x,e)= -0,08615.
Так же с помощью рангового коэффициента Спирмина найдем значение
t= -0,41472, t таб =2,068658 (α = 0,05 и n - 2).
Т.к. t < t таб(-0,41472<2,068658), то с уровне значимости 0,05 можно утверждать об отсутствии гетероскедантичности.
- тест Голдфельда-Квандта:
1. Упорядочим n наблюдений по мере возрастания переменной х:
2. Исключим из рассмотрения С центральных наблюдений: при n = 25, С = 7. Тогда в каждой группе будет по 9 наблюдений ((25 - 7)/2)
3. Разделим совокупности из (n - С) 18 наблюдений на две группы (соответственно с малыми и большими значениями фактора х) и определим по каждой из групп уравнения регрессии:
Для этого построим вспомогательные таблицы
Таблица 4
Определим по каждой из групп уравнения регрессии:
y=-3470,99+26,9x1
y=11233,1+23,4x1
4.Определим остаточную сумму квадратов групп:
x1=4,236857 x2=112,4035
Найдём их отношение: F=14195916909/1436682939=9,8
5.Произведём сравнение Fнабл и Fтабл:
Fтабл =3,79
Таким образом, Fнабл > Fтабл (9,8 > 3,79), т.е имеет место гетероскедастичность.
2. Методом корреляционных плеяд и пошаговой регрессии построить модель множественной регрессии. Провести анализ.
А) Для использования метода корреляционных плеяд воспользуемся инструментом Корреляция в Excel:
Таблица 5
Матрица парных коэффициентов корреляции.
Таблица 6
Для проверки достоверности коэффициентов корреляции используем метод сравнения фактического коэффициента с критическим по модулю.
rкр.= tтаб./
rкр.=0,39607
Частные коэффициенты корреляции рассчитываются по формуле:
,
где частный коэффициент корреляции определяется между факторами X, и Xj при условии, что остальные факторы не изменяются;
Cij — элементы обратной матрицы, определенной от матрицы парных коэффициентов
При сравнении частных коэффициентов корреляции с критическим значением коэффициента корреляции получим
Для расчета частных коэффициентов преобразуем матрицу парных коэффициентов корреляции в обратную при помощи функции Excel МОБР:
Обратная матрица парных коэффициентов корреляции.
Таблица 7
Б) Построим множественную регрессию с ведущими факторами методом пошаговой регрессии т.е методом исключения из модели факторов, связанных между собой корреляционной связью и не связанных с зависимой переменной:
Для этого воспользуемся инструментом Регрессия в Excel:
Получим факторный анализ модели с 6 факторами
Учитывая корреляционный анализ составим регрессию модели с 2 факторами.
С учётом полученных данных в таблице «Вывод итогов» получим следующее уравнение регрессии:
y=23,6x1+2,15x6-47577,6
В) Оценим качественные характеристики модели по следующей схеме:
- проверим статистическую значимость уравнения и его параметров:
Оценим качество и статистическую значимость полученного уравнения регрессии с использованием индекса корреляции R и коэффициента детерминации R2. Значения этих параметров найдём из таблицы Вывод итогов.
Индекс корреляции R = 0,996. Следовательно, связь между результатом У и фактором Х1 достаточно сильная. Коэффициент детерминации R2 =0,992
Оценим статистическую значимость уравнения регрессии, используя критерий Фишера F (α = 0,05): Рассчитаем F-критерий Фишера и оценим качество всего уравнения в целом:
= 4577
3.Построить производственную функцию и провести ее эконометрический анализ.
Известны данные: объем выпущенной продукции– Y, объем капитала– K,трудовые ресурсы– L.
По выборочным данным произведем оценку параметров α и β производственной функции Кобба-Дуглосса.
y = A
Для этого рассчитаем натуральные логарифмы переменных ln y, ln K, ln L
Таблица 8
Воспользуемся анализом данных Exсel Регрессия.
Получим уравнение:
у = 0,63 +0,03 lnL +0,84lnK
y = 0,67 K0,03L0,84
Вывод: при увеличении трудовых ресурсов на 1 % цена продукции увеличится на 0,03%, при увеличении трудовых ресурсов на 1% цена продукции увеличится на 0,84 %.
α+β = 0,87 < 1 значит производственная функция Кобба- Дуглосса имеет убывающую отдачу от масштаба производства.
Дата добавления: 2015-11-04; просмотров: 22 | Нарушение авторских прав
<== предыдущая лекция | | | следующая лекция ==> |
Комбинезон (верх – кор.рукав; низ – шорты) р. 32-40 фото | | | Технология: пигментная печать____ |