|
1. Составим матрицу парных коэффициентов корреляции исходных переменных, используя инструмент «Корреляция» (анализ данных EXCEL).
Рис. 1. Диалоговые окна
Получаем следующую матрицу парных коэффициентов корреляции:
Таблица 2. Матрица коэффициентов парных коэффициентов корреляции
У | Х1 | Х2 | Х3 | |
У |
|
|
| |
Х1 | 0,662068116 |
|
| |
Х2 | 0,855940592 | 0,442460376 |
| |
Х3 | 0,948257445 | 0,738989302 | 0,796991531 |
Анализ матрицы коэффициентов парной корреляции показывает, что зависимая переменная у, т.е. цена реализации квартиры на вторичном рынке, наиболее сильно связана с Х2 () и с Х3 (). Проверим наличие мультиколлинеарности. Так как Х1 и Х3 связаны между собой сильно , аналогично, Х2 и Х3 (), то фактор Х3 исключаем из анализа связи с наличием мультиколлинеарности и оставляем Х1 и Х2.
Построим линейное уравнение множественной регрессии с полным набором немультиколлинеарных факторов (Х1, Х2) - .
Используем инструмент Регрессия (анализ данных EXCEL).
Рис. 4. Диалоговые окна
В итоге получаем следующие данные анализа:
Таблица 3. Регрессионная статистика
Множественный R | 0,912394887 |
R-квадрат | 0,83246443 |
Нормированный R-квадрат | 0,802003417 |
Стандартная ошибка | 3,146048427 |
Наблюдения |
Таблица 4. Дисперсионный анализ
df | SS | MS | F | |
Регрессия | 540,9811723 | 270,4905861 | 27,32884945 | |
Остаток | 108,8738277 | 9,897620703 |
| |
Итого | 649,855 |
|
|
Таблица 5. Данные по точности и значимости модели
Коэффициенты | Стандартная ошибка | t-статистика | |
Y-пересечение | -6,512138886 | 9,023202439 | -0,721710383 |
х1 | 0,765866218 | 0,299143285 | 2,5601986 |
х2 | 5,811862737 | 1,142490613 | 5,087011368 |
Таблица 6. Вывод остатка
Наблюдение | Предсказанное y | Остатки |
27,8731306 | -0,673130599 | |
37,9661855 | 3,533814503 | |
52,92142902 | 2,678570979 | |
30,96723012 | -1,167230121 | |
38,21892135 | -7,018921349 | |
29,18276183 | 1,217238168 | |
34,71891273 | -2,118912731 | |
31,89392824 | -0,293928245 | |
30,47707574 | 2,022924259 | |
30,91255763 | 1,787442375 | |
28,61602083 | 0,88397917 | |
30,03287333 | 1,167126666 | |
36,41913574 | -4,219135735 | |
32,29983734 | 2,200162659 |
Таким образом, получили следующее уравнение регрессии (табл. 5, второй столбец): , т.е. при неизменном количестве комнат увеличение цены новой квартиры на 1 тыс. у.е. влечет за собой рост цены реализации на вторичном рынке на 0,766 тыс. у.е.; при неизменной цене новых квартир, увеличение количества комнат на 1 ед. влечет за собой рост цены реализации на вторичном рынке на 5,811 тыс. у.е.
Рассчитаем коэффициенты эластичности:
%, т.е. с ростом цены новых квартир на 1% цена реализации на вторичном рынке возрастет в среднем на 0,750% при неизменном числе комнат.
%, т.е. с увеличением количества комнат в квартире на 1% цена реализации на вторичном рынке возрастет в среднем на 0,443% при неизменной цене новых квартир.
Значение коэффициента детерминации, приведенное в табл. 3, равно: . Он показывает долю вариации результативного признака у под воздействием изучаемых факторов. Следовательно, до 83,2% вариации зависимой переменной учтено в модели и обусловлено влиянием факторов.
Его также можно рассчитать по следующей формуле:
.
Задача 5. Известны данные по уровню жизни населения г. Тулы на 199Х г. (табл. 1).
Таблица 1. Исходные данные задачи
Месяцы | Среднедушевой доход, руб. на чел. | Расходы на бытовые услуги, руб. на чел. |
Исследуя спрос на бытовые услуги, построены следующие модели: ; ; .
Требуется:
а) оценить точность построенных моделей;
б) выбрать наилучшую модель и оценить величину расходов на 2 ближайших месяца;
в) отобразить на графике фактические данные, результаты моделирования и прогнозирования (доверительные интервалы прогнозов рассчитать при уровне значимости ).
Решение.
1. Оценим точность построенных моделей на основе средней ошибки аппроксимации: %, сведя все вычисления в табл. 2.
Таблица 2. Промежуточные данные расчета моделей
Месяцы | |||||
147,85 | 144,83 | 141,72 | |||
148,09 | 145,05 | 142,03 | |||
149,13 | 146,00 | 143,34 | |||
153,53 | 150,06 | 148,76 | |||
168,65 | 164,37 | 166,18 | |||
181,21 | 176,68 | 179,34 | |||
218,17 | 215,05 | 212,52 | |||
220,49 | 217,56 | 214,37 | |||
221,53 | 218,69 | 215,19 | |||
227,21 | 224,91 | 219,58 | |||
Итого: | 1835,86 | 1803,21 | 1783,02 |
Месяцы | |||||
1,4333 | 3,4467 | 5,5170 | |||
1,2733 | 3,3003 | 5,3149 | |||
6,5214 | 4,2874 | 2,3825 | |||
18,1000 | 15,4332 | 14,4320 | |||
2,2121 | 0,3788 | 0,7123 | |||
4,6263 | 7,0102 | 5,6102 | |||
1,4744 | 0,0218 | 1,1532 | |||
11,3586 | 9,8792 | 8,2665 | |||
0,6955 | 0,5946 | 2,1874 | |||
0,9822 | 0,0389 | 2,4082 | |||
Итого: | 48,6772 | 44,3912 | 47,9843 |
Тогда имеем следующие значения для средней относительной ошибки:
- для линейной модели , т.е. в среднем расчетные значения для этой модели отличаются от фактических значений на 4,87%, что говорит о высокой точности уравнения регрессии (ошибка аппроксимации в 5-7% свидетельствует о хорошем подборе модели к исходным данным).
· , т.е. в среднем расчетные значения для степенной модели отличаются от фактических значений на 4,44%, что говорит о хорошем качестве уравнения регрессии;
· , т.е. в среднем расчетные значения для гиперболической модели отличаются от фактических значений на 4,80%, что говорит о хорошем качестве уравнения регрессии. Так как меньшей ошибкой аппроксимации обладает степенная модель, по этому показателю она наилучшая.
Сделаем прогноз на 2 шага вперед по гиперболической модели . Для этого необходимо сначала рассчитать прогнозные точечные значения переменной х на два шага вперед. Воспользуемся встроенными функциями Excel, построим диаграмму и добавим линию тренда.
Рис. 1. График фактических и модельных значений
Таким образом, найдем прогнозные значения переменной х:
;
Прогнозные значения переменной у:
; .
Найдем верхнюю и нижнюю границу прогноза:
где .
Получаем: ; и , тогда
. .
Точечный прогноз у | Интервальные оценки прогноза | |
Нижняя граница | Верхняя граница | |
231,30 | 204,418 | 258,184 |
238,65 | 207,937 | 269,357 |
Построим графики фактических и прогнозных модельных значений:
Рис. Графики прогноза
Дата добавления: 2015-11-04; просмотров: 16 | Нарушение авторских прав
<== предыдущая лекция | | | следующая лекция ==> |