Лабораторные и практические задания по эконометрике
Эконометрика наряду с макро- и микроэкономикой, является фундаментальной дисциплиной современного экономического образования.
Эконометрика имеет исключительно важное значение как для всего процесса обучения в высшем учебном заведении, так и для последующей профессиональной деятельности в области экономики.
Эконометрика − это дисциплина, объединяющая совокупность теоретических результатов, методов и приемов, позволяющих на базе экономической теории, экономической статистики и математико-статистического инструментария получать количественное выражение качественным закономерностям. Курс эконометрики призван научить различным способам выражения связей и закономерностей через эконометрические модели и методы проверки их адекватности, основанные на данных наблюдений. Знания, полученные при ее изучении, будут использованы в процессе дальнейшей подготовки студентов экономических направлений.
Цель преподавания курса − дать студентам научное представление о методах, моделях и приемах, позволяющих получать количественные выражения закономерностям экономической теории на базе экономической статистики с использованием математико-статистического инструментария.
Эконометрики дает теоретические основы и практические навыки расчетно-экономической, информационно – аналитической деятельности.
Курс «Эконометрика» рассчитан на бакалавров второго курса направления экономика, более глубокое изучение предмета предполагается в программе магистратуры.
На эконометрических моделях основано большинство новых методов в экономике, которые невозможно использовать без знания эконометрики.
Изменение уровней факторов (желательное и нежелательное) имеет различное влияние на процесс хозяйственной деятельности. В условиях рыночной экономики практические работники должны уметь оценивать влияние факторов на результаты их деятельности. Однако эффективное применение эконометрических методов для оценки взаимосвязей между социально – экономическими явлениями и разработки на ее основе прогнозов и экономических гипотез зависит от знания сущности метода и его возможностей в оценке информации.
При исследовании взаимосвязей между результативными показателями и различными объясняющими факторами учитывается и то, что их зависимость вызвана взаимосвязанным влиянием одних явлений на другие, и тем, что отдельные какие – то явления развиваются под действием многих явлений. Поэтому необходимо владение основными методами для оценки взаимосвязей и зависимостей регрессионным и корреляционным анализом
Задачи преподавания эконометрики состоят в том, чтобы показать сущность эконометрики как науки, расположенной между экономикой, статистикой и математикой; научить студентов использовать данные или наблюдения для построения количественных зависимостей экономических соотношений, для выявления связей, закономерностей и тенденций развития экономических явлений; выработать у студентов умение формировать экономические модели, основываясь на экономической теории или на эмпирических данных, оценивать неизвестные параметры в этих моделях, делать прогнозы и оценивать их точность, давать рекомендации по экономической политике и хозяйственной деятельности.
Изучение эконометрики при получении экономического образования имеет целью:
овладение совокупностью математических методов, используемых для количественной оценки экономических явлений и процессов;
обучение эконометрическому моделированию, т. е. построению экономико-математических моделей, параметры которых оцениваются средствами математической статистики;
обучение эмпирическому выводу экономических законов;
подготовку к прикладным исследованиям в области экономики, при этом причинно-следственными связями занимается экономическая теория, а связями вообще без выявления их причин, – эконометрика. Поэтому в задачи курса входит:
обучение построению эконометрических моделей; обучение оценке качества моделей обучение прогнозированию с помощью эконометрических моделей.
Требования к студентам: курс «Эконометрика» рассчитан на студентов, прослушавших курсы математического анализа, линейной алгебры, экономической статистики. Необходимый предшествующий уровень образования студента, приступающего к изучению дисциплины «Эконометрика», так же подразумевает твердые познания в области экономической теории, теории вероятностей и математической статистики, знакомство с экономической статистикой, определенный навык использования программных средств для решения экономико-математических задач, а также владеет математическим анализом в пределах стандартного вузовского курса для экономических направлений.
Знания, приобретаемые студентом в результате изучения эконометрики, играют важнейшую роль в процессе его дальнейшего обучения. Методы эконометрики широко используются для решения самых разнообразных задач экономики и финансов, планирования и прогнозирования, анализа финансовой и экономической деятельности.
Материал учебной дисциплины предназначен для использования в курсах, связанных с количественным анализом реальных экономических явлений, таких как, например, прикладная микро- и макроэкономика, маркетинг и других. Может быть использован в спецкурсах по теории случайных процессов, математическим моделям в экономике, оптимальному управлению, статистическому прогнозированию, применению методов теории вероятностей в финансовой математике, принятию решений в условиях неопределенности.
Курс обеспечивает овладение следующими компетенциями:
способен понимать сущность и значение информации в развитии современного информационного общества;
для расчетно-экономической деятельности
способен собрать и проанализировать исходные данные, необходимые для расчета экономических и социально-экономических показателей, характеризующих деятельность хозяйствующих субъектов (ПК-1);
владеет основными методами, способами и средствами получения, хранения, переработки информации, имеет навыки работы с компьютером как средством управления информацией, способен работать с информацией в глобальных компьютерных сетях (ОК-13);
способен осуществлять сбор, анализ и обработку данных, необходимых для решения поставленных экономических задач (ПК-4);
способен выбрать инструментальные средства для обработки экономических данных в соответствии с поставленной задачей, проанализировать результаты расчетов и обосновать полученные выводы (ПК-5);
способен на основе описания экономических процессов и явлений строить стандартные теоретические и эконометрические модели, анализировать и содержательно интерпретировать полученные результаты (ПК-6);
способен анализировать и интерпретировать финансовую, бухгалтерскую и иную информацию, содержащуюся в отчетности предприятий различных форм собственности, организаций, ведомств и использовать полученные сведения для принятия управленческих решений (ПК-7);
способен использовать для решения аналитических и исследовательских задач современные технические средства и информационные технологии (ПК-10).
В результате изучения данной дисциплины студент будет: иметь представление о месте и роли эконометрики в современной системе экономического образования; уметь выявлять причинную зависимость – корреляционную и функциональную; определять основные наиболее важные признаки статистических совокупностей; уметь всесторонне исследовать связи между явлениями путем неизолированного изучения отдельного явления; отбирать из совокупности наиболее значимые свойства и причины.
В результате освоения дисциплины обучающийся должен иметь представление о:
о роли эконометрики в экономических исследованиях, а также место и роль эконометрики в экономике, финансах, менеджменте.
Студент должен знать основы регрессионного анализа; основы статистического оценивания и анализа точности параметров уравнения регрессии; знать основные предпосылки, необходимые для правильного применения классических регрессионных моделей; знать основы анализа эконометрических моделей, представляющих собой системы одновременных уравнений; основы анализа и прогнозирования временных рядов.
Уметь: решать типовые задачи в пределах изучаемого программного материала; использовать основные приемы эконометрического исследования эмпирических данных.
Уметь использовать: основы корреляционно - регрессионного анализа; основы применения эконометрических методов для оценки взаимосвязей между социально – экономическими явлениями.
Владеть
- навыками самостоятельной работы с учебно-методической литературой и электронными учебно-методическими комплексами; основными эконометрическими моделями и методами;
- основами теории прогнозирования экономических гипотез, применять при этом высшую математику, основы теории вероятностей и математической статистики.
- практическими (с использованием статистики; нормативно-правовых актов) и теоретическими навыками анализа процессов, происходящих в стране и в исследуемых регионах.
В пособии указаны основные теоретические вопросы, которые студент должен изучить, решены типовые задачи, даны методические рекомендации для использования Microsoft Excel при решении практических задач. В списках основной и дополнительной учебной литературы представлены учебные пособия, которые помогут в самостоятельном, а также углубленном изучении многих вопросов эконометрики.
При составлении модели парной регрессии необходимо использовать знания корреляционно-регрессионного анализа, математического анализа (метод наименьших квадратов), линейной алгебры. Задачи составления модели парной регрессии можно решать придерживаясь следующего алгоритма, который мы рассмотрим на примере. По результатам проведенного опроса известны данные о расходах населения на продукты питания и уровень доходов восьми групп семей. Задание: среди данных, представленных в таблице 1.1. необходимо определить вид зависимости (если она существует). Для ее описания подберите наиболее адекватную модель.
Расходы на продукты питания, y , тыс. руб. | 0,9 | 1,2 | 1,8 | 2,2 | 2,6 | 2,9 | 3,3 | 3,8 |
Доходы семьи, x , тыс. руб. | 1,2 | 3,1 | 5,3 | 7,4 | 9,6 | 11,8 | 14,5 | 18,7 |
Построим поле корреляции для визуального выбора модели. При этом будем считать доходы семьи как фактор, а расходы – как результат. По расположению эмпирических точек предположим, что связь между доходами семьи и расходами на продукты питания линейная.
Поэтому уравнение линейной регрессии будем искать в виде . Для нахождения параметров регрессии составим и решим следующую систему уравнений:
(*)
Рис. 1.1. Поле корреляции
По графику видно, что точки выстраиваются в некоторую прямую линию. Для нахождения параметров линейной регрессии составим таблицу. На ее основе составим систему уравнений (*).
Таблица 1.2
|
x |
y |
x∙y |
x2 |
y2 |
Ai, % |
|||
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
1 | 1,2 | 0,9 | 1,08 | 1,44 | 0,81 | 1,038 | -0,138 | 0,0190 | 15,33 |
2 | 3,1 | 1,2 | 3,72 | 9,61 | 1,44 | 1,357 | -0,157 | 0,0246 | 13,08 |
3 | 5,3 | 1,8 | 9,54 | 28,09 | 3,24 | 1,726 | 0,074 | 0,0055 | 4,11 |
4 | 7,4 | 2,2 | 16,28 | 54,76 | 4,84 | 2,079 | 0,121 | 0,0146 | 5,50 |
5 | 9,6 | 2,6 | 24,96 | 92,16 | 6,76 | 2,449 | 0,151 | 0,0228 | 5,81 |
6 | 11,8 | 2,9 | 34,22 | 139,24 | 8,41 | 2,818 | 0,082 | 0,0067 | 2,83 |
7 | 14,5 | 3,3 | 47,85 | 210,25 | 10,89 | 3,272 | 0,028 | 0,0008 | 0,85 |
8 | 18,7 | 3,8 | 71,06 | 349,69 | 14,44 | 3,978 | -0,178 | 0,0317 | 4,68 |
Итого | 71,6 | 18,7 | 208,71 | 885,24 | 50,83 | 18,717 | -0,017 | 0,1257 | 52,19 |
Среднее значение | 8,95 | 2,34 | 26,09 | 110,66 | 6,35 | 2,34 | – | 0,0157 | 6,52 |
σ | 5,53 | 0,935 | – | – | – | – | – | – | – |
σ2 | 30,56 | 0,874 | – | – | – | – | – | – | – |
Рассчитаем параметры линейного уравнения парной регрессии . Для этого можно составить и решить систему уравнений или воспользоваться формулами:
Получили уравнение: . Т.е. с увеличением дохода семьи на 1000 руб. расходы на питание увеличиваются на 168 руб.
Уравнение линейной регрессии всегда дополняется показателем тесноты связи – линейным коэффициентом корреляции rxy :
Близость коэффициента корреляции к 1 по шкале Чеддока указывает на тесную линейную связь между признаками.
Коэффициент детерминации r2xy=0.987 показывает, что уравнением регрессии объясняется 98,7 % дисперсии результативного признака, а на долю прочих факторов приходится лишь 1,3 %.
Оценим качество уравнения регрессии в целом с помощью F-критерия Фишера. Вычислим фактическое значение F-критерия:
Табличное значение (k1=1 , k2=n-2=6 , a=0.05 ): Fтабл=5.99 . Так как Fфакт > Fтабл , то признается статистическая значимость уравнения в целом.
Для оценки статистической значимости коэффициентов регрессии и корреляции рассчитаем t-критерий Стьюдента и доверительные интервалы каждого из показателей. Рассчитаем случайные ошибки параметров линейной регрессии и коэффициента корреляции :
Фактические значения t-статистик: . Табличное значение t-критерия Стьюдента при a=0.05 и числе степеней свободы v=n-2=6 есть tтабл=2.447 . Так как tb > tтабл , ta > tтабл и tr > tтабл , то признаем статистическую значимость параметров регрессии и показателя тесноты связи. Рассчитаем доверительные интервалы для параметров регрессии a и b: a±t∙ma и b±t∙mb . Получим, что aϵ[0.597;1.075] и bϵ[0.145;0.191] .
Средняя ошибка аппроксимации (находим с помощью столбца 10 таблицы 1.3; ) говорит о хорошем качестве уравнения регрессии, т.е. свидетельствует о хорошем подборе модели к исходным данным.
И, наконец, найдем прогнозное значение результативного фактора при значении признака-фактора, составляющем 110% от среднего уровня , т.е. найдем расходы на питание, если доходы семьи составят 9,85 тыс. руб.
(тыс. руб.)
Значит, если доходы семьи составят 9,845 тыс. руб., то расходы на питание будут 2,490 тыс. руб.
Найдем доверительный интервал прогноза. Ошибка прогноза
а доверительный интервал :
Т.е. прогноз является статистически надежным.
Теперь на одном графике изобразим исходные данные и линию регрессии:
Рис. 1.2. Поле корреляции и линия регрессии
Рассмотрим пример решения этой же задачи на основе нелинейной модели регрессии. Рассмотрим логарифмическую зависимость между фактором и результатом .
Для нахождения параметров регрессии делаем замену z=lnx и составляем вспомогательную таблицу .
Таблица 1.3
x |
z |
y |
z∙y |
z2 |
y2 |
|
ε |
ε2 |
Ai |
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
1 |
1,2 |
0,182 |
0,9 |
0,164 |
0,033 |
0,81 |
0,499 |
0,401 |
0,1610 |
44,58 |
2 |
3,1 |
1,131 |
1,2 |
1,358 |
1,280 |
1,44 |
1,508 |
–0,308 |
0,0947 |
25,64 |
3 |
5,3 |
1,668 |
1,8 |
3,002 |
2,781 |
3,24 |
2,078 |
–0,278 |
0,0772 |
15,43 |
4 |
7,4 |
2,001 |
2,2 |
4,403 |
4,006 |
4,84 |
2,433 |
–0,233 |
0,0541 |
10,57 |
5 |
9,6 |
2,262 |
2,6 |
5,881 |
5,116 |
6,76 |
2,709 |
–0,109 |
0,0119 |
4,20 |
6 |
11,8 |
2,468 |
2,9 |
7,157 |
6,092 |
8,41 |
2,929 |
–0,029 |
0,0008 |
0,99 |
7 |
14,5 |
2,674 |
3,3 |
8,825 |
7,151 |
10,89 |
3,148 |
0,152 |
0,0232 |
4,62 |
8 |
18,7 |
2,929 |
3,8 |
11,128 |
8,576 |
14,44 |
3,418 |
0,382 |
0,1459 |
10,05 |
Итого |
71,6 |
15,315 |
18,7 |
41,918 |
35,035 |
50,83 |
18,720 |
–0,020 |
0,5688 |
116,08 |
Среднее значение |
8,95 |
1,914 |
2,34 |
5,240 |
4,379 |
6,35 |
– |
– |
0,0711 |
14,51 |
σ |
– |
0,846 |
0,935 |
– |
– |
– |
– |
– |
– |
– |
σ2 |
– |
0,716 |
0,874 |
– |
– |
– |
– |
– |
– |
– |
Найдем параметры уравнения регрессии:
,.
Т.е. получаем следующее уравнение регрессии: . Теперь заполняем столбцы 8-11 нашей таблицы.
Находим индекс корреляции:
а индекс детерминации p2xy=0.918 , который показывает, что 91,8% вариации результативного признака объясняется вариацией признака-фактора, а 8,2% приходится на долю прочих факторов.
Средняя ошибка аппроксимации: , что недопустимо велико.
F -критерий Фишера:
значительно превышает табличное Fтабл=5.99 .
Изобразим на графике исходные данные и линию регрессии:
Рис. 1.3. Поле корреляции и линия регрессии
Следующая нелинейная модель – модель с квадратным корнем .
Для нахождения параметров регрессии делаем замену и составляем вспомогательную таблицу .
Таблица 1.4
x |
z |
y |
z∙y |
z2 |
y2 |
|
ε |
ε2 |
Ai |
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
1 |
1,2 |
1,10 |
0,9 |
0,99 |
1,2 |
0,81 |
0,734 |
0,166 |
0,0276 |
18,46 |
2 |
3,1 |
1,76 |
1,2 |
2,11 |
3,1 |
1,44 |
1,353 |
–0,153 |
0,0235 |
12,77 |
3 |
5,3 |
2,30 |
1,8 |
4,14 |
5,3 |
3,24 |
1,857 |
–0,057 |
0,0033 |
3,19 |
4 |
7,4 |
2,72 |
2,2 |
5,98 |
7,4 |
4,84 |
2,247 |
–0,047 |
0,0022 |
2,12 |
5 |
9,6 |
3,10 |
2,6 |
8,06 |
9,6 |
6,76 |
2,599 |
0,001 |
0,0000 |
0,05 |
6 |
11,8 |
3,44 |
2,9 |
9,96 |
11,8 |
8,41 |
2,912 |
–0,012 |
0,0001 |
0,42 |
7 |
14,5 |
3,81 |
3,3 |
12,57 |
14,5 |
10,89 |
3,259 |
0,041 |
0,0017 |
1,20 |
8 |
18,7 |
4,32 |
3,8 |
16,43 |
18,7 |
14,44 |
3,740 |
0,060 |
0,0036 |
1,58 |
Итого |
71,6 |
22,54 |
18,7 |
60,24 |
71,6 |
50,83 |
18,700 |
–0,001 |
0,0619 |
39,82 |
Среднее значение |
8,95 |
2,82 |
2,34 |
7,53 |
8,95 |
6,35 |
– |
– |
0,0077 |
4,98 |
σ |
– |
1,00 |
0,935 |
– |
– |
– |
– |
– |
– |
– |
σ2 |
– |
1,00 |
0,874 |
– |
– |
– |
– |
– |
– |
– |
Найдем уравнение регрессии:
Т.е. получаем следующее уравнение регрессии: . Теперь заполняем столбцы 8-11 нашей таблицы.
Индекс корреляции находим по формуле:
,а индекс детерминации p2=0.991 , который показывает, что 99,1% вариации результативного признака объясняется вариацией признака-фактора, а 0,9% приходится на долю прочих факторов.
Средняя ошибка аппроксимации: показывает, что линия регрессии хорошо приближает исходные данные.
F -критерий Фишера:
,значительно превышает табличное Fтабл=5.99 .
Изобразим на графике исходные данные и линию регрессии:
Рис. 1.4. Поле корреляции и линия регрессии
Для нахождения параметров регрессии y=a∙xb∙ε необходимо провести ее линеаризацию логарифмированием:
Y=A+b∙X+E ,
где Y=lny , X=lnx , A=lna , E=lnε .
Составляем вспомогательную таблицу для преобразованных данных:
Таблица 1.5
X |
Y |
X∙Y |
X2 |
Y2 |
ε |
ε2 |
Ai |
||
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
1 |
0,182 |
–0,105 |
–0,019 |
0,033 |
0,011 |
0,8149 |
0,0851 |
0,0072 |
9,46 |
2 |
1,131 |
0,182 |
0,206 |
1,280 |
0,033 |
1,3747 |
–0,1747 |
0,0305 |
14,56 |
3 |
1,668 |
0,588 |
0,980 |
2,781 |
0,345 |
1,8473 |
–0,0473 |
0,0022 |
2,63 |
4 |
2,001 |
0,788 |
1,578 |
4,006 |
0,622 |
2,2203 |
–0,0203 |
0,0004 |
0,92 |
5 |
2,262 |
0,956 |
2,161 |
5,116 |
0,913 |
2,5627 |
0,0373 |
0,0014 |
1,43 |
6 |
2,468 |
1,065 |
2,628 |
6,092 |
1,134 |
2,8713 |
0,0287 |
0,0008 |
0,99 |
7 |
2,674 |
1,194 |
3,193 |
7,151 |
1,425 |
3,2165 |
0,0835 |
0,0070 |
2,53 |
8 |
2,929 |
1,335 |
3,910 |
8,576 |
1,782 |
3,7004 |
0,0996 |
0,0099 |
2,62 |
Итого |
15,315 |
6,002 |
14,637 |
35,035 |
6,266 |
18,608 |
0,0919 |
0,0595 |
35,14 |
Среднее значение |
1,914 |
0,750 |
1,830 |
4,379 |
0,783 |
– |
– |
0,0074 |
4,39 |
σ |
0,846 |
0,470 |
– |
– |
– |
– |
– |
– |
– |
σ2 |
0,716 |
0,221 |
– |
– |
– |
– |
– |
– |
– |
Найдем уравнение регрессии:
,
.
Т.е. получаем следующее уравнение регрессии: Yx=-0.305+0.551∙X. После потенцирования находим искомое уравнение регрессии:
.
Теперь заполняем столбцы 7–10 нашей таблицы.
Вычислим индекс корреляции:
,
а индекс детерминации p2=0.967 , который показывает, что 96,7% вариации результативного признака объясняется вариацией признака-фактора, а 3,3% приходится на долю прочих факторов. Средняя ошибка аппроксимации: показывает, что линия регрессии хорошо приближает исходные данные.
F -критерий Фишера:
,
значительно превышает табличное Fтабл=5.99 .
Изобразим на графике исходные данные и линию регрессии:
,
Рис. 1.5. Поле корреляции и линия регрессии
Сравним построенные модели по индексу детерминации и средней ошибке аппроксимации:
Таблица 1.6
Модель |
Индекс детерминации,R2 (r2xy,p 2xy ) |
Средняя ошибка аппроксимации, , % |
Линейная модель, |
0,987 |
6,52 |
Полулогарифмическая модель, |
0,918 |
14,51 |
Модель с квадратным корнем, |
0,991 |
4,98 |
Степенная модель,y=a∙xb∙ε |
0,967 |
4,39 |
Наиболее хорошо исходные данные аппроксимирует модель с квадратным корнем. Но в данном случае, так как индексы детерминации линейной модели и модели с квадратным корнем отличаются всего на 0,004, то вполне можно обойтись более простой линейной функцией.
Для того, чтобы более эффективно применять при исследованиях эконометрические модели, мы предлагаем для их построения использовать средства табличного процессора Microsoft Excel. Для этого предлагаем к выполнению ниже представленных лабораторных работ. Ход работ и методические рекомендации представлены на диске.
Тема «Реализация модели парной регрессии средствами табличного процессора Microsoft Excel».
Цель работы: освоение основных навыков вычислений коэффициентов парной регрессионной модели и ее последующая оценка средствами Microsoft Excel.
Очень часто для исследования поведения оцениваемого явления прибегают к методу математического моделирования, стараясь описать поведение исследуемого явления при помощи некоторой математической функции.
Пусть определен характер экспериментальных данных и выделен определенный набор объясняющих переменных.
Для того, чтобы найти объясненную часть, то есть величину Мх(у), требуется знание условных распределений случайной величины у. На практике это почти никогда не имеет места, поэтому точное нахождение объясненной части невозможно.
В таких случаях применяется стандартная процедура сглаживания экспериментальных данных, которая состоит из двух этапов:
1) определяется параметрическое семейство, к которому принадлежит искомая функция Мх(у). Это может быть множество линейных функций, показательных функций и т.д.;
2) находятся оценки параметров этой функции с помощью одного из методов математической статистики.
После построения парной регрессионной модели явления применяются критерии оценки значимости данной модели и делаются соответствующие выводы.
Рассмотрим последовательность действий для вычисления коэффициентов линейной модели парной регрессии и оценки полученной модели на следующем примере:
По группе предприятий, выпускающих однородную продукцию известны следующие значения двух признаков:
№ предприятия | Объем производства, млн. руб. | Оптовая цена за единицу продукции, руб. |
1 | 0,9 | 25 |
2 | 1,2 | 23,1 |
3 | 1,3 | 23,6 |
4 | 1,5 | 15,6 |
5 | 2,1 | 11,2 |
6 | 2,2 | 12,5 |
7 | 2,5 | 10 |
8 | 2,8 | 9,4 |
9 | 2,9 | 5,6 |
Для характеристики зависимости у от х рассчитать параметры парной регрессионной модели. Оценить модель через среднюю ошибку аппроксимации и критерий Фишера.
Занесем данные из таблицы в книгу Microsoft Excel. Затем построим поле корреляции результата и фактора. Для построения диаграммы выбираем тип диаграммы - точечная, приводим ее к виду, предложенному на рисунке.
Построим расчетную таблицу для вычисления параметров линейной регрессионной модели. Заполним таблицу расчетными значениями, добавив строки: Итого, Среднее значение
В результате вычислений получим следующую таблицу:
Применяя формулы вычисления параметров парной линейной регрессии вычислим коэффициенты а и b
Проверим полученные значения коэффициентов при помощи функции ЛИНЕЙН. Выделим область пустых ячеек (1 на 2) для вывода оценок коэффициентов. Вставим функцию ЛИНЕЙН, заполним ее аргументы следующим образом:
Известные значения х - диапазон, содержащий признак фактор х.
Известные значения у - диапазон, содержащий результирующий признак у.
Константа - значение 1.
Статистика - значение 0.
Получим оценки коэффициентов, рассчитанные программой Microsoft Excel.
Таким образом, управление регрессии имеет следующий вид:
ŷ=33,12-9,31х
Рассчитаем оставшиеся графы таблицы:
В итоге получим следующие данные:
Рассчитаем ошибку аппроксимации:
В среднем расчетные значения отклоняются от фактических на 10,8%.
Рассчитаем линейный коэффициент корреляции и критерий Фишера по соответствующим формулам:
В итоге получим
r=-0,95952, значит можно говорить о высокой тесноте связи между y и x.
Fфакт =81,24958, Fфакт сравнивается с критическим значением Fк, которое определяется по таблице F-критерия и равно 5,59. Так как Fфакт>Fк уравнении регрессии в целом признается существенным.
Теперь построим графическую иллюстрацию, отражающую взаимосвязь теоретической модели и эмпирических данных.
Для этого введем следующие данные:
В столбце х введем числа от наименьшего эмпирического значения х до наибольшего эмпирического значения х. В графе ŷ введем формулу уравнения полученной линейной регрессии, где вместо аргумента х будем вводить имя соответствующей ячейки. В графе у введем эмпирические данные по признаку у, напротив тех значений признака-фактора х, которым они соответствуют в заданной в условии задачи таблице. |
По рассчитанным данным построим диаграмму, установив следующие параметры:
Тип диаграммы | График |
Диапазон данных | Столбцы со значениями переменных у и ŷ |
Подписи оси ох | Столбец со значениями х |
Имя ряда 1 | Модель регрессии |
Имя ряда 2 | Эмпирические данные |
Название диаграммы | Графическая иллюстрация модели |
Затем в полученной диаграмме щелкните левой кнопкой мыши на графике, иллюстрирующем эмпирические данные. Выберите команду Формат ряда данных. Установите во вкладке Вид Следующие параметры: Тип линии - отсутствует, тип маркера - обычный. Получим следующую диаграмму, иллюстрирующую нашу модель:
1. Администрация страховой компании приняла решение о введении нового вида услуг – страхование на случай пожара. С целью определения тарифов по выборке из 10 случаев пожаров анализируется зависимость стоимости ущерба, нанесенного пожаром от расстояния до ближайшей пожарной станции:
№ п/п |
1. |
2. |
3. |
4. |
5. |
6. |
7. |
8. |
9. |
10. |
Общая сумма ущерба, млн.руб. |
26,2 |
17,8 |
31,3 |
23,1 |
27,5 |
36,0 |
14,1 |
22,3 |
19,6 |
31,3 |
Расстояние до ближайшей станции, км |
3,4 |
1,8 |
4,6 |
2,3 |
3,1 |
5,5 |
0,7 |
3,0 |
2,6 |
4,3 |
Для характеристики зависимости у от х рассчитать параметры парной регрессионной модели. Оценить модель через среднюю ошибку аппроксимации и критерий Фишера.
Расчетную таблицу, диаграмму, иллюстрирующую полученную модель и анализ полученных результатов оформить в виде документа программы Microsoft Word.
2. Для данной модели провести расчет параметров экспоненциальной кривой (с помощью функции ЛГРФПРИБЛ). Оформить графическую иллюстрацию полученной модели. Сделать выводы.
Тема «Реализация модели множественной регрессии средствами табличного процессора Microsoft Excel».
Цель работы: освоение основных навыков вычислений коэффициентов множественной регрессионной модели и ее последующая оценка средствами Microsoft Excel.
Экономические явления, как правило, определяются большим числом одновременно и совокупно действующих факторов. В связи с этим часто возникает задача исследования зависимости одной зависимой переменной Y от нескольких объясняющих переменных Х1,Х2....Хn. Эта задача решается с помощью нового регрессионного анализа.
Множественная регрессия – уравнение связи с несколькими независимыми переменными:
y=f(x1, x2,…,xp),
где y – зависимая переменная (результативный признак);
x1, x2,…,xp – независимые переменные (факторы).
Рассмотрим построение линейной регрессионной модели, то есть, модели, описываемой уравнением: y= a+b1x1+b2x2+…+bpxp+e
Рассмотрим последовательность действий для вычисления коэффициентов линейной модели множественной регрессии и оценки полученной модели на следующем примере:
Имеются следующие данные о выработке литья на одного работающего Х1 (т), браке литья Х2 (%) и себестоимость литья Y (руб.) :
№ | Х1 | Х2 | Y |
1 | 14,6 | 4,2 | 239 |
2 | 13,5 | 6,7 | 254 |
3 | 21,5 | 5,5 | 262 |
4 | 17,4 | 7,7 | 251 |
5 | 44,8 | 1,2 | 158 |
6 | 111,9 | 2,2 | 101 |
7 | 20,1 | 8,4 | 259 |
8 | 28,1 | 1,4 | 186 |
9 | 22,3 | 1,2 | 204 |
Необходимо:
1. Построить уравнение множественной регрессии в стандартизованной и естественной форме; рассчитать частные коэффициенты эластичности, сравнить их с b1 и b2, пояснить различия между ними.
2. Рассчитать линейные коэффициенты частной корреляции и коэффициент множественной корреляции, сравнить их с линейными коэффициентами парной корреляции, пояснить различия между ними.
3. Рассчитать общий и частные F-критерии Фишера.
Занесем данные из таблицы в книгу Microsoft Excel.
Построим расчетную таблицу для вычисления параметров множественной регрессионной модели. Заполним таблицу расчетными значениями, добавив строки: Итого, Среднее значение
В результате вычислений получим следующую таблицу:
Применяя формулы вычисления параметров парной линейной регрессии вычислим коэффициенты а, b1 и b2
Предварительно вычислим определители D, Da1, Db1,Db2
Определители Da1, Db1,Db2 получаем заменой первого, второго и третьего столбца определителя D соответственно на столбец-матрицу В
Напомним, что определитель матрицы в программе Microsoft Excel можно вычислить с помощью встроенной функции МОПРЕД
Получим следующие результаты
С помощью полученных определителей вычислим по формулам коэффициенты а, b1 и b2
Проверим полученные значения коэффициентов при помощи встроенных функций. Вычислим параметры линейного уравнения множественной регрессии.
Эта операция проводится с помощью инструмента Анализа данных - Регрессия
(Данный инструмент в 2007 версии требуется добавить на панель "Данные" следующим образом: кнопка "Office"(или нажатием alt+A)--Параметры excel--Надстройки--выбрать пакет анализа--нажать Перейти--поставить все галочки и установить дополнения. После установки инструменты появятся на панели Данные--Анализ данных--Регрессия).
Она аналогична расчету параметров парной линейной регрессии, описанной ранее, только в отличие от парной регрессии в диалоговом окне при заполнении параметра входной интервал X следует указать не один столбец, а все столбцы, содержащие значения факторных признаков.
Известные значения х - диапазон, содержащий признаки факторы х1 и х2.
Известные значения у - диапазон, содержащий результирующий признак у.
Получим оценки коэффициентов, рассчитанные программой Microsoft Excel.
Таким образом, управление регрессии имеет следующий вид:
ŷ=215-1,22Х1+8,78Х2
Рассчитаем коэффициенты стандартизированной модели:
:
Расчет параметра σ проведем по формуле:
Получим следующие данные
Получим уравнение
Для характеристики относительной силы влияния Х1 и Х2 на Y рассчитаем средние коэффициенты эластичности:
Рассчитаем линейные коэффициенты частной корреляции по формулам:
получим следующие данные
Проверим рассчитанные линейные коэффициенты парной корреляции с помощью встроенных функций. Значения линейных коэффициентов парной корреляции определяют тесноту попарно связанных переменных, использованных в данном уравнении множественной регрессии. Линейные коэффициенты частной корреляции оценивают тесноту связи значений двух переменных, исключая влияние всех переменных, представленных в уравнении множественной регрессии.
К сожалению, в ППП Excel нет специального инструмента для расчета линейных коэффициентов частной корреляции. Матрицу парных коэффициентов корреляции переменных можно рассчитать, используя инструмент анализа данных Корреляция. Для этого:
1) последовательно выберите пункты ленты Данные / Анализ данных / Корреляция. Щелкните по кнопке ОК (Помните, для того чтобы инструмент корелляция появился, вы должны были указать все галочки во время предыдущей установки инструмента Регрессия);
2) заполните диалоговое окно ввода данных и параметров вывода:
Входной интервал – диапазон, содержащий анализируемые данные, это может быть одна или несколько строк или столбцов;
Группирование – по столбцам или по строкам – необходимо указать дополнительно (выбрать по столбцам);
Метки – флажок, который указывает, содержит ли первая строка названия столбцов или нет;
Выходной интервал – достаточно указать левую верхнюю ячейку будущего диапазона;
Получим следующую таблицу:
Таким образом коэффициенты, рассчитанные нами и рассчитанные программой совпадают.
Рассчитаем линейный коэффициент множественной корреляции:
Получим Ryx1x2=0,98, то есть тесная зависимость результирующего признака от признаков - факторов
Рассчитаем общий и частные F-критерии по следующим формулам:
Сравним данные значения с табличными: Fфакт=67,55> Fтабл=5,14; Fх1факт=53,25> Fтабл=5,99; Fх2факт=24,01> Fтабл=5,99. Следовательно можно сделать вывод о статистической значимости полученной модели и обоснованности включения в модель как переменной х1, так и переменной х2
1. Имеются данные о выработке продукции на одного рабочего(Х1), браке продукции (Х2) и себестоимости единицы продукции (Y)
№ | Х1 | Х2 | Y |
1 | 25,3 | 0,9 | 198 |
2 | 56 | 1,3 | 170 |
3 | 40,2 | 1,8 | 173 |
4 | 40,6 | 3,3 | 197 |
5 | 75,8 | 3,4 | 172 |
6 | 27,6 | 1,1 | 201 |
7 | 88,4 | 0,1 | 130 |
8 | 16,6 | 4,1 | 251 |
9 | 33,4 | 2,3 | 195 |
10 | 17 | 9,3 | 282 |
11 | 33,1 | 3,3 | 196 |
12 | 30,1 | 3,5 | 186 |
13 | 65,2 | 1 | 176 |
14 | 22,6 | 5,2 | 238 |
15 | 33,4 | 2,3 | 204 |
16 | 19,7 | 2,7 | 205 |
Необходимо:
1. Построить уравнение множественной регрессии в стандартизованной и естественной форме; рассчитать частные коэффициенты эластичности, сравнить их с b1 и b2, пояснить различия между ними.
2. Рассчитать линейные коэффициенты частной корреляции и коэффициент множественной корреляции, сравнить их с линейными коэффициентами парной корреляции, пояснить различия между ними.
3. Рассчитать общий и частные F-критерии Фишера.
Сделать анализ полученной модели
Тема «Сравнительный анализ линейной и нелинейных моделей парной регрессии с использованием средств табличного процессора Microsoft Excel»
Цель работы: освоение основных навыков вычислений коэффициентов парных регрессионных моделей и формирование умений оценки эффективности применения выбранной модели
Многие экономические зависимости не являются линейными по своей сути, и поэтому их моделирование линейными уравнениями регрессии, безусловно, не даст положительного результата. Это означает, что нужно оценить уравнение нелинейной регрессии.
Различают два класса нелинейных регрессий:
Регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам, например
– полиномы различных степеней – ;
– равносторонняя гипербола – ;
– полулогарифмическая функция – .
Регрессии, нелинейные по оцениваемым параметрам, например
– степенная – ;
– показательная – ;
– экспоненциальная – .
Для оценки параметров нелинейной регрессии существуют различные пути, одним из которых является линеаризация нелинейной модели. Регрессии нелинейные по включенным переменным приводятся к линейному виду простой заменой переменных, а дальнейшая оценка параметров производится с помощью метода наименьших квадратов.
Построим для предложенной задачи несколько моделей парной регрессии, а затем оценим каждую модель через индекс детерминации и среднюю ошибку аппроксимации.
Задача.
По группе предприятий, выпускающих однородную продукцию известны следующие значения двух признаков:
№ предприятия | Объем производства, млн. руб. | Оптовая цена за единицу продукции, руб. |
1 | 0,9 | 25 |
2 | 1,2 | 23,1 |
3 | 1,3 | 23,6 |
4 | 1,5 | 15,6 |
5 | 2,1 | 11,2 |
6 | 2,2 | 12,5 |
7 | 2,5 | 10 |
8 | 2,8 | 9,4 |
9 | 2,9 | 5,6 |
ЭТАП 1: построение парной линейной модели.
Парную линейную модель для данной задачи мы уже строили в лабораторной работе №1. В итоге получили следующие результаты:
Графическая интерпретация полученных результатов имеет следующий вид:
ЭТАП 2: построение парной полулогарифмической модели.
Для нахождения параметров регрессии делаем замену и составляем вспомогательную таблицу.
Для этого сначала на имеющемся листе рядом с расчетной графой нашей таблицы добавляем столбец переменной z, и заполняем его значениями LN(x)
Затем копируем всю заполненную Вами часть Листа 1 (кроме столбца значений z) на Лист 2. При копировании появляется значок , щелкнув по которому мышью Вы получите список предлагаемых Вам вариантов сохранения. Для того, чтобы все формулы остались действительны, выберите вкладку Сохранить форматы оригинала. Вы получите на Листе 2 точно такую же таблицу, как и на Листе 1.
Теперь заменим столбец значение Х на столбец значений Z. Для этого скопируем нужный столбец с Листа 1 и вставим на место столбца Х на Листе 2. При вставке выбрать вкладку Только значения.
Единственный параметр, который требует новой формулы для расчета - это индекс корреляции ρxy (в предыдущем случае обозначался rxy). Он рассчитывается по следующим формулам:
, где
Получим следующие данные:
Теперь осталось получить графическую иллюстрацию. Для этого в скопированных Вами данных для построения диаграммы меняем значение функции в графе ŷ на рассчитываемую, то есть . Далее строим диаграмму как и для линейной модели. Получим:
ЭТАП 3: построение парной модели .
Для нахождения параметров регрессии делаем замену и составляем вспомогательную таблицу аналогично 3-му этапу.
Получим следующие результаты:
ЭТАП 4: построение парной показательной модели .
Для нахождения параметров регрессии необходимо провести ее линеаризацию, для чего необходимо прологарифмировать левую и правую части: , где .
Теперь составим вспомогательную таблицу, аналогично предыдущим этапам заменяя значения столбцов х и у на соответствующие значения LN(x) и LN(y).
В полученной таблице придется поменять большую часть формул (меняем те формулы, при расчете которых использовались значения у). Для этого скопируем необходимые нам столбцы на данный Лист. Нам потребуются столбцы значений х, у и у2
Сначала поменяем формулы для расчета теоретических значений у.
Необходимо проводить расчет по формуле:
Затем скорректируем остальные формулы, где встречалась переменная у.
Аналогично предыдущим случаям построим графическую иллюстрацию.
Получим следующие результаты:
Сравнив полученные результаты по графическим представлениям и вычисленным характеристикам, можно сделать вывод, что наиболее точно данное явление описывает модель , хотя остальные модели тоже отражают реальную картину.
Выберите себе задачу в соответствии с номером Вашего компьютера. Для данной задачи постройте все четыре парных регрессионных модели. Сделайте сравнительный анализ результатов (включая графическую интерпретацию) в программе Microsoft Word
Вариант 1.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
78,8 |
55,1 |
2 |
61,2 |
69,0 |
3 |
69,9 |
67,2 |
4 |
66,7 |
71,8 |
5 |
65,0 |
68,8 |
6 |
64,3 |
57,2 |
7 |
59,3 |
65,2 |
Вариант 2.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
78,8 |
45,1 |
2 |
61,2 |
59,0 |
3 |
69,9 |
67,2 |
4 |
66,7 |
71,8 |
5 |
65,0 |
58,8 |
6 |
64,3 |
57,2 |
7 |
59,3 |
65,2 |
Вариант3.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
78,8 |
55,1 |
2 |
51,2 |
69,0 |
3 |
69,9 |
67,2 |
4 |
56,7 |
71,8 |
5 |
65,0 |
68,8 |
6 |
44,3 |
57,2 |
7 |
49,3 |
65,2 |
Вариант 4.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
68,8 |
55,0 |
2 |
67,2 |
69,2 |
3 |
67,7 |
67,2 |
4 |
56,7 |
71,3 |
5 |
65,0 |
68,0 |
6 |
54,3 |
57,2 |
7 |
59,3 |
65,0 |
Вариант 5.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
55,0 |
78,8 |
2 |
69,2 |
61,2 |
3 |
67,2 |
69,9 |
4 |
71,3 |
66,7 |
5 |
68,0 |
65,0 |
6 |
57,2 |
64,3 |
7 |
65,0 |
59,3 |
Вариант 6.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
58,8 |
55,1 |
2 |
51,2 |
69,0 |
3 |
59,9 |
67,2 |
4 |
66,7 |
71,8 |
5 |
65,0 |
68,8 |
6 |
64,3 |
57,2 |
7 |
59,3 |
65,2 |
Вариант 7.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
58,8 |
55,1 |
2 |
51,2 |
59,0 |
3 |
69,9 |
77,2 |
4 |
66,7 |
71,8 |
5 |
65,0 |
68,8 |
6 |
64,3 |
67,2 |
7 |
59,3 |
65,2 |
Вариант 8.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
68,8 |
45,1 |
2 |
67,2 |
59,0 |
3 |
67,7 |
67,2 |
4 |
56,7 |
71,8 |
5 |
65,0 |
58,8 |
6 |
54,3 |
57,2 |
7 |
59,3 |
65,2 |
Вариант 9.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
75,3 |
55,1 |
2 |
61,2 |
69,0 |
3 |
60,2 |
67,2 |
4 |
66,7 |
71,8 |
5 |
62,3 |
68,8 |
6 |
54,3 |
57,2 |
7 |
59,3 |
65,2 |
Вариант 10.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
78,8 |
75,1 |
2 |
61,2 |
69,0 |
3 |
69,9 |
75,4 |
4 |
66,7 |
71,8 |
5 |
65,0 |
70,8 |
6 |
64,3 |
67,2 |
7 |
59,3 |
68,2 |
Вариант 11.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
75,1 |
65,1 |
2 |
59,0 |
69,0 |
3 |
65,4 |
67,2 |
4 |
71,8 |
77,8 |
5 |
70,8 |
68,8 |
6 |
67,2 |
69,4 |
7 |
68,2 |
75,1 |
Вариант 12.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
68,8 |
55,1 |
2 |
67,2 |
69,0 |
3 |
67,7 |
67,2 |
4 |
56,7 |
71,8 |
5 |
65,0 |
68,8 |
6 |
54,3 |
57,2 |
7 |
59,3 |
65,2 |
Вариант 13.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
78,8 |
55,0 |
2 |
51,2 |
69,2 |
3 |
69,9 |
67,2 |
4 |
56,7 |
71,3 |
5 |
65,0 |
68,0 |
6 |
44,3 |
57,2 |
7 |
49,3 |
65,0 |
Вариант 14.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
78,2 |
55,5 |
2 |
61,2 |
49,0 |
3 |
69,4 |
67,2 |
4 |
66,7 |
71,8 |
5 |
65,0 |
68,8 |
6 |
64,5 |
57,2 |
7 |
59,0 |
65,2 |
Вариант 15.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
88,8 |
65,1 |
2 |
61,2 |
49,0 |
3 |
79,9 |
67,2 |
4 |
66,7 |
51,8 |
5 |
55,0 |
68,8 |
6 |
64,3 |
57,2 |
7 |
49,3 |
35,2 |
Вариант 16.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
75,3 |
55,1 |
2 |
61,2 |
65,0 |
3 |
65,4 |
67,2 |
4 |
56,7 |
67,8 |
5 |
65,0 |
65,8 |
6 |
64,3 |
57,2 |
7 |
59,3 |
61,2 |
Вариант 17.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
78,0 |
55,0 |
2 |
61,2 |
69,2 |
3 |
69,5 |
67,2 |
4 |
66,1 |
71,3 |
5 |
65,0 |
68,0 |
6 |
64,1 |
57,2 |
7 |
59,3 |
65,0 |
Вариант 18.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
70,8 |
55,1 |
2 |
60,2 |
55,0 |
3 |
69,9 |
67,2 |
4 |
66,7 |
70,8 |
5 |
65,0 |
48,8 |
6 |
50,3 |
57,2 |
7 |
59,3 |
65,2 |
Вариант 19.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
78,8 |
45,1 |
2 |
51,2 |
59,0 |
3 |
69,9 |
67,2 |
4 |
56,7 |
71,8 |
5 |
65,0 |
58,8 |
6 |
44,3 |
57,2 |
7 |
49,3 |
65,2 |
Вариант 20.
Район |
Расходы на покупку продовольственных товаров в общих расходах, %, y |
Среднедневная заработная плата одного работающего, руб., x |
1 |
68,8 |
45,1 |
2 |
61,2 |
69,0 |
3 |
69,9 |
67,2 |
4 |
56,7 |
71,8 |
5 |
65,0 |
68,8 |
6 |
64,3 |
57,2 |
7 |
39,3 |
55,2 |
На основе данных в таблицах выберите адекватное уравнение регрессии, найдите с помощью метода наименьших квадратов параметры уравнения регрессии.
– Проведите оценку существенности связи.
– Определите тесноту корреляционной зависимости.
– Оцените существенность коэффициента корреляции с помощью критериев Стьюдента или Фишера.
– Сделайте краткие выводы о полученных значениях и о модели в целом.
Вариант 1
Показатель |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Потреблено материалов на единицу продукции, кг |
9 |
6 |
5 |
4 |
3,7 |
3,5 |
6 |
7 |
3,5 |
3,6 |
Выпуск продукции, тыс.ед. |
100 |
200 |
300 |
400 |
500 |
600 |
700 |
150 |
120 |
250 |
Для самопроверки уравнение парной линейной регрессии:
Вариант 2
№ п/п |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Число совместно проживающих членов семьи |
2 |
3 |
3 |
4 |
4 |
5 |
5 |
6 |
7 |
7 |
Годовое потребление электроэнергии, тыс.квт.-час. |
15 |
14 |
16 |
19 |
20 |
22 |
23 |
25 |
24 |
22 |
Для самопроверки уравнение парной линейной регрессии:
Вариант 3
Номер семьи |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Реальный доход семьи (т.руб.) |
6,0 |
3,4 |
5 |
6 |
4 |
7,4 |
7,7 |
7 |
6 |
4 |
Реальный расход семьи на продовольственные товарт.руб.) |
3,5 |
3 |
2 |
4 |
1,8 |
2,2 |
6,2 |
3,3 |
3,6 |
2,3 |
Для самопроверки уравнение парной линейной регрессии:
Вариант 4
Показатель |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Потреблено материалов на единицу продукции, кг |
9 |
6 |
5 |
4 |
3,7 |
3,5 |
6 |
7 |
3,5 |
3,6 |
Выпуск продукции, тыс.ед. |
100 |
200 |
300 |
400 |
500 |
600 |
700 |
150 |
120 |
250 |
Для самопроверки уравнение парной линейной регрессии:
Вариант 5
Район |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Доля денежных доходов, направленных на прирост сбережений во вкладах, займах, сертификатах и на покупку валюты, в общей сумме среднедушевого денежного дохода, %, у |
6,9 |
8,7 |
6,4 |
8,4 |
6,1 |
9,4 |
11 |
6,4 |
9,3 |
8,2 |
Среднемесячная начисленная заработная плата, тыс. руб., х |
289 |
334 |
300 |
343 |
356 |
289 |
341 |
327 |
357 |
352 |
Для самопроверки уравнение парной линейной регрессии:
Вариант 6
№ |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Объём реализованной продукции. |
3,4 |
3,9 |
4,7 |
5,8 |
3,6 |
6,4 |
7,2 |
9,1 |
9,5 |
8,6 |
Прибыль до налогообложения |
10,6 |
12,9 |
14,5 |
18,0 |
21,0 |
25,0 |
26,2 |
36,0 |
42,0 |
30,0 |
Для самопроверки:
Вариант 7
№ |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Объём реализованной продукции. |
2,2 |
1,3 |
3,9 |
5,8 |
6,4 |
9,1 |
8,6 |
9,3 |
8,2 |
2,7 |
Прибыль до налогообложения |
75 |
82 |
12,9 |
18 |
25 |
36 |
30 |
55 |
45,9 |
17,3 |
Для самопроверки:
Задания для типового расчета по теме«Корреляционно-регрессионный анализ: парная регрессия. Линейные и нелинейные модели регрессии»
Задание: среди данных, представленных в таблице определите вид зависимости (если она существует). Для ее описания подберите наиболее адекватную модель.
При ответе на задание, придерживайтесь следующего алгоритма:
1) Постройте поле корреляции результата и фактора и сформулируйте гипотезу о форме связи.
2) Определите параметры уравнений парной линейной регрессии и дайте интерпретацию коэффициента регрессии b. Рассчитайте линейный коэффициент корреляции и поясните его смысл. Определите коэффициент детерминации и дайте его интерпретацию.
3) С вероятностью 0,95 оцените статистическую значимость коэффициента регрессии b и уравнения регрессии в целом. Сделайте выводы.
4) С вероятностью 0,95 постройте доверительный интервал ожидаемого значения результативного признака, если факторный признак увеличится на 7% от своего среднего значения.
5) На основе данных таблицы, поля корреляции выберете адекватное уравнение регрессии.
6) Найдите с помощью метода наименьших квадратов параметры равнения регрессии, проведите оценку существенности связи. Оцените тесноту корреляционной зависимости, оцените существенность коэффициента корреляции с помощью критерия Фишера. Сделайте выводы о полученных значениях, определите эластичность модели и сделайте прогноз yi при увеличении на 5%, 10%; при уменьшении на 5%.
Сделайте краткие выводы о полученных значениях и о модели в целом.
Вариант 1.
Компанию по прокату автомобилей интересует зависимость между пробегом автомобилей (тыс. км) и стоимостью технического обслуживания (тыс. руб.). Для выяснения этой связи было отобрано 15 автомобилей
пробег автомобиля, (тыс. км) |
6 |
7 |
8 |
9 |
10 |
12 |
9 |
8 |
12 |
15 |
стоимостьтехнического обслуживания, (тыс. руб) |
13 |
16 |
15 |
20 |
19 |
14 |
10 |
9 |
11 |
18 |
пробег автомобиля, (тыс. км) |
5 |
11 |
13 |
16 |
6 |
8 |
9 |
14 |
11 |
7 |
стоимостьтехнического обслуживания, (тыс. руб) |
10 |
16 |
14 |
18 |
12 |
14 |
11 |
17 |
13 |
12 |
Вариант 2
Администрация страховой компании приняла решение о введении нового вида услуг – страхования на случай пожара. С целью определения тарифов по выборке 20 случаев пожара анализируется зависимость стоимости ущерба, нанесенного пожаром, от расстояния до ближайшей пожарной станции
№ п/п |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Общая сумма ущерба (тыс. руб.) |
20 |
15 |
10 |
18 |
15 |
9 |
10 |
12 |
14 |
19 |
Расстояние до ближайшей пожарной станции (км) |
3,6 |
1,7 |
2,9 |
3,0 |
2,2 |
3,2 |
3,6 |
3,9 |
4,2 |
4,8 |
№ п/п |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
Общая сумма ущерба (тыс. руб.) |
18 |
14 |
6 |
19 |
10 |
8 |
23 |
12 |
12 |
21 |
Расстояние до ближайшей пожарной станции (км) |
3,5 |
1,5 |
2 |
3,3 |
2,1 |
3,0 |
5 |
4,0 |
3,7 |
4,9 |
Вариант 3
Результаты бюджетного обследования 20 случайным образом отобранных семей
Номер семьи |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Реальный доход семьи(т. руб.) |
5.0 |
4.5 |
4.2 |
7.5 |
3.5 |
6.2 |
7.7 |
6.0 |
5.9 |
3.8 |
Реальный расход семьи на продовольственные товары(т. руб.) |
3.0 |
2.6 |
1.5 |
3.4 |
1.8 |
5.0 |
5.2 |
4.3 |
3.6 |
2.1 |
Номер семьи |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
Реальный доход семьи (т. руб.) |
4.0 |
6.3 |
8.0 |
8.5 |
8.7 |
9.0 |
9.5 |
7.2 |
3.9 |
9.0 |
Реальный расход семьи на продовольственные товары(т. руб.) |
1.3 |
4..6 |
5.4 |
5.5 |
5.6 |
5.6 |
5.7 |
4.9 |
2.3 |
6.0 |
Вариант 4
Данные о потреблении электроэнергии владельцами индивидуальных домов
№ п/п |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Число совместно проживающих членов семьи |
2 |
3 |
3 |
4 |
4 |
5 |
5 |
6 |
7 |
7 |
Годовое потребление электроэнергии, тыс. квт.-час. |
15 |
14 |
16 |
19 |
20 |
22 |
23 |
25 |
24 |
22 |
№ п/п |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
Число совместно проживающих членов семьи |
1 |
2 |
2 |
3 |
3 |
4 |
4 |
5 |
5 |
7 |
Годовое потребление электроэнергии, тыс. квт.-час. |
12 |
16 |
14 |
15 |
17 |
22 |
21 |
24 |
25 |
25 |
Вариант 5
Наличие автомобилей и численность жителей по районам области N
Район |
Численностьнаселения, тыс. чел. |
Автомобилей, тыс. ед. |
Район |
Численностьнаселения, тыс. чел. |
Автомобилей, тыс. ед. |
1 |
18.0 |
1,8 |
11 |
25.8 |
2,9 |
2 |
16.2 |
2,2 |
12 |
34.7 |
3,3 |
3 |
36.9 |
1,2 |
13 |
26.9 |
2,9 |
4 |
23.0 |
2,6 |
14 |
18.7 |
1,8 |
5 |
33.1 |
4,6 |
15 |
24.8 |
2,9 |
6 |
24.1 |
2,4 |
16 |
24.2 |
3,0 |
7 |
37.1 |
6,8 |
17 |
18.4 |
2,3 |
8 |
26.1 |
4,1 |
18 |
44.1 |
4,0 |
9 |
43.6 |
2,8 |
19 |
20.5 |
1,9 |
10 |
21.8 |
2,7 |
20 |
104.7 |
10,0 |
Вариант 6
Данные бюджетного обследования 10 случайным образом отобранных семей
Номер семьи |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Реальный доход семьи (т. руб.) |
6,2 |
3,0 |
5,1 |
6 |
4 |
7,4 |
7,7 |
7 |
6 |
4 |
Реальный расход семьи на продовольственные товары (т. руб.) |
3,8 |
3 |
2 |
4,2 |
1,8 |
2,2 |
6,2 |
3,3 |
3,6 |
2,3 |
Вариант 7
Показатели продуктивности коров (тыс. кг) и уровня себестоимости молока (тыс. руб. за 1 тонну) по хозяйствам области N
№ хозяйства |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
13 |
Продуктивность, тыс. кг |
3.5 |
3.2 |
2.4 |
2.6 |
3.0 |
3.0 |
3.1 |
4.1 |
4.2 |
2.8 |
3.0 |
3.2 |
3.5 |
Себестоимость |
4.2 |
4.1 |
3.8 |
3.3 |
3.4 |
4.0 |
4.1 |
2.6 |
3.1 |
3.9 |
3.5 |
3.6 |
3.1 |
№ хозяйства |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
21 |
22 |
23 |
24 |
25 |
26 |
Продуктивность |
3.2 |
2.9 |
5.1 |
4.6 |
5.0 |
5.0 |
2.8 |
2.7 |
3.5 |
3.3 |
3.8 |
4.2 |
4.8 |
Себестоимость |
3.1 |
4.2 |
2.7 |
3.1 |
3.1 |
2.9 |
3.6 |
3.0 |
3.2 |
3.1 |
2.8 |
2.8 |
3.4 |
Вариант 8
Размер среднемесячной заработной платы и количество зарегистрированных преступлений по городам регионов
№ города |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
Количество преступлений (тыс.) |
1,9 |
1,6 |
1,6 |
1,4 |
1,4 |
1,1 |
1,3 |
1,3 |
1,8 |
Среднемесячная заработная плата (тыс. руб.) |
2,6 |
2,3 |
2,2 |
2,1 |
2,4 |
2,1 |
2,6 |
2,4 |
2,2 |
№ города |
10 |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
Количество преступлений (тыс.) |
2,0 |
1,7 |
1,8 |
1,1 |
1,2 |
1,7 |
1,4 |
1,6 |
1,8 |
Среднемесячная заработная плата (руб.) |
1,9 |
2,7 |
2,5 |
2,3 |
2,5 |
2,3 |
2,4 |
2,5 |
2,6 |
Вариант 9
Показатели уровня урожайности картофеля и затрат труда на гектар посадки по хозяйствам области N
№ хозяйства |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
13 |
Урожайность картофеля, ц/га |
122 |
160 |
180 |
145 |
95 |
175 |
180 |
135 |
70 |
130 |
245 |
175 |
125 |
Затраты труда, чел.-час/га |
154 |
350 |
340 |
330 |
135 |
270 |
260 |
310 |
100 |
220 |
345 |
270 |
210 |
№ хозяйства |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
21 |
22 |
23 |
24 |
25 |
26 |
Урожайность картофеля, ц/га |
222 |
135 |
70 |
115 |
190 |
180 |
210 |
100 |
210 |
98 |
235 |
246 |
233 |
Затраты труда, чел.-час/га |
320 |
265 |
120 |
215 |
230 |
280 |
240 |
120 |
310 |
165 |
255 |
290 |
325 |
Вариант 10
Уровень доходов и обеспеченности населения телефонными аппаратами по городам регионов
№п/п |
Телефонные аппараты, шт. на 1000 жителей |
Среднедушевые денежные доходы в месяц, тыс. руб. |
№п/п |
Телефонные аппараты, шт. на 1000 жителей |
Среднедушевые денежные доходы в месяц, тыс. руб. |
1 |
10,6 |
5,4 |
11 |
20,3 |
6,3 |
2 |
12,7 |
5,2 |
12 |
18,8 |
6,6 |
3 |
15,7 |
5,1 |
13 |
18,9 |
5,7 |
4 |
16,9 |
6,3 |
14 |
19,8 |
5,3 |
5 |
23,9 |
6,1 |
15 |
12,0 |
5,4 |
6 |
15,9 |
3,7 |
16 |
18,7 |
5,6 |
7 |
14,0 |
6,0 |
17 |
15,7 |
5,1 |
8 |
12,3 |
5,3 |
18 |
18,8 |
5,1 |
9 |
19,6 |
5,8 |
19 |
18,9 |
6,3 |
10 |
15,1 |
5,4 |
20 |
19,8 |
6,1 |
Вариант 11
Данные бюджетного обследования 20 случайным образом отобранных семей
Район |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
Потребительские расходы в расчете на душу населения, тыс. руб., Y |
302 |
360 |
310 |
415 |
452 |
502 |
335 |
416 |
501 |
403 |
352 |
410 |
510 |
487 |
516 |
386 |
402 |
363 |
398 |
513 |
Среднемесячная начисленная заработная плата и выплаты социального характера, тыс. руб., X |
554 |
560 |
545 |
672 |
796 |
777 |
632 |
688 |
833 |
577 |
610 |
705 |
825 |
735 |
785 |
621 |
678 |
612 |
595 |
829 |
Вариант 12
Показатели деятельности 20 предприятий города N
№ предприятия |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
Объем капиталовложений, млн. руб |
60 |
68 |
80 |
76 |
65 |
74 |
87 |
96 |
67 |
50 |
64 |
70 |
50 |
65 |
53 |
68 |
76 |
59 |
66 |
58 |
Объем выпуска продукции, млн. руб |
32 |
40 |
44 |
28 |
50 |
70 |
56 |
50 |
55 |
29 |
38 |
55 |
25 |
45 |
32 |
37 |
28 |
35 |
46 |
21 |
Вариант 13
Данные розничного оборота и стоимости основных фондов предприятий торговли
№п/п |
Среднегодовая стоимость основных фондов, млн. руб. |
Розничный товарооборот,млн. руб. |
№п/п |
Среднегодовая стоимость основных фондов, млн. руб. |
Розничный товарооборот, млн. руб. |
1 2 3 4 5 6 7 8 9 10 |
4.2 8.3 5.3 4.9 6.5 7.4 6.6 3.2 6.7 3.3 |
4.2 10.4 5.8 5.3 8.0 9.4 11.2 3.4 7.0 2.9 |
11 12 13 14 15 16 17 18 19 20 |
3.3 4.0 4.1 5.9 6.5 3.9 5.7 3.6 3.0 5.5 |
3.3 5.4 5.0 7.0 7.9 6.4 4.6 4.1 3.8 8.5 |
Вариант 14
Объем промышленной продукции и выбросы загрязняющих веществ в атмосферу по сельским районам области
Район |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
Объем промышленной продукции (млрд руб.) |
75 |
70 |
70 |
117 |
78 |
67 |
83 |
87 |
84 |
Выбросы загрязняющих веществ (тыс. тонн) |
0,02 |
0,02 |
1,7 |
0,9 |
0,2 |
0,22 |
0,77 |
0,34 |
0,89 |
Район |
10 |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
Объем промышленной продукции (млрд руб.) |
84 |
65 |
82 |
26 |
51 |
64 |
64 |
59 |
77 |
Выбросы загрязняющих веществ (тыс. тонн) |
0,02 |
1,68 |
1,21 |
0,06 |
0,13 |
0,15 |
0,09 |
0,13 |
0,38 |
Вариант 15.
Результаты бюджетного обследования 20 случайным образом отобранных семей
Номер семьи |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Реальный доход семьи (т.руб.) |
5.0 |
4.5 |
4.2 |
7.5 |
3.5 |
6.2 |
7.7 |
6.0 |
5.9 |
3.8 |
Реальный расход семьи на продовольственные товары (т.руб.) |
3.0 |
2.6 |
1.5 |
3.4 |
1.8 |
5.0 |
5.2 |
4.3 |
3.6 |
2.1 |
Номер семьи |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
Реальный доход семьи (т.руб.) |
4.0 |
6.3 |
8.0 |
8.5 |
8.7 |
9.0 |
9.5 |
7.2 |
3.9 |
9.0 |
Реальный расход семьи на продовольственные товары (т.руб.) |
1.3 |
4.6 |
5.4 |
5.5 |
5.6 |
5.6 |
5.7 |
4.9 |
2.3 |
6.0 |
Вариант 16.
Данные о производстве и затраты на производство продукции по предприятиям отрасли
№п/п |
Произведено продукции, тыс. шт. |
Себестоимость единицыпродукции, руб. |
№п/п |
Произведено продукции, тыс. шт. |
Себестоимость единицыпродукции, руб. |
1 2 3 4 5 6 7 8 9 10 |
9,0 1,7 4,6 11,5 2,1 10,6 6,0 8,5 11,6 1,6 |
18,25 19,41 18,7 17,48 19,05 17,43 18,50 18,00 17,50 19,36 |
11 12 13 14 15 16 17 18 19 20 |
4,2 7,4 4,8 2,6 4,0 11,0 7,8 2,0 5,9 7,0 |
19,52 18,25 19,17 19,00 12,45 17,80 10,41 15,50 14,12 18,26 |
Вариант 17.
Показатели деятельности предприятий города N
№п/п |
Объем реализованной продукции, млн. руб. |
Прибыль до налогообложения, тыс. руб. |
№п/п |
Объем реализованной продукции, млн. руб. |
Прибыль до налогообложения, тыс. руб. |
1 2 3 4 5 6 7 8 9 10 |
1,7 2,2 8,6 1,3 3,4 3,9 4,7 5,8 3,6 6,4 |
20,0 75,0 41,0 82,0 10,6 12,9 14,5 18,0 21,0 25,0 |
11 12 13 14 15 16 17 18 19 20 |
7,2 9,1 9,5 8,6 10,8 9,3 11,4 8,2 2,0 2,7 |
26,2 36,0 42,0 30,0 48,0 55,0 60,0 45,9 11,0 17,3 |
Вариант 19.
Компанию по прокату автомобилей интересует зависимость между пробегом автомобилей Х (тыс. км) и стоимостью технического обслуживания У (тыс. руб.). Для выяснения этой связи было отобрано 15 автомобилей:
Х |
6 |
7 |
8 |
9 |
10 |
12 |
9 |
8 |
12 |
15 |
У |
13 |
16 |
15 |
20 |
19 |
14 |
10 |
9 |
11 |
18 |
Х |
5 |
11 |
13 |
16 |
6 |
8 |
9 |
14 |
11 |
7 |
У |
10 |
16 |
14 |
18 |
12 |
14 |
11 |
17 |
13 |
12 |
Вариант 20.
Данные об урожайности зерновых культур и затратах на их производство
№п/п |
Урожайность, ц/га |
Общие затраты, млн руб. |
№п/п |
Урожайность, ц/га |
Общие затраты, млн руб. |
1 2 3 4 5 6 7 8 9 10 |
6,0 8,6 10,1 12,1 14,0 12,2 6,2 8,9 10,8 11,3 |
97,2 46,6 101,1 97,0 25,7 17,2 94,4 46,9 46,0 35,7 |
11 12 13 14 15 16 17 18 19 20 |
7,4 8,4 10,9 7,5 6,5 7,3 9,6 9,5 9,0 9,7 |
24,6 144,7 65,2 110,7 108,4 49,2 39,0 70,3 66,4 54,8 |
Рассмотрим алгоритм решения задания по теме множественная регрессия.
На основе представленных данных составить уравнение множественной регрессии, уравнение в стандартизированном виде, проанализировать влияние факторов. Оценить качество уравнения, полученного выше, провести проверку существенности факторов и показателей качества регрессии, целесообразность включения каждого фактора, при необходимости составить модель парной регрессии.
Пусть имеются следующие данные о продукции животноводства У, поголовье свиней (в хозяйствах всех категорий на конец года), тыс.голов – Х1 и потребление мяса и мясопродуктов на душу населения в год, кг – Х2, характеризующие продукцию животноводства в 15 областях 2.
Таблица 2.1
Область |
Поголовье свиней (в хозяйствах всех категорий на конец года), тыс.голов – Х1 |
Потребление мяса и мясопродуктов на душу населения в год, кг – Х2 |
Продукция животноводства - У |
Владимирская |
106,3 |
36 |
5054,0 |
Воронежская |
420,8 |
50 |
10980,1 |
Ивановская |
27,3 |
39 |
2425,7 |
Калужская |
55,7 |
50 |
4324,7 |
Костромская |
46,2 |
40 |
3541,3 |
Курская |
301,7 |
59 |
6895,9 |
Липецкая |
165,5 |
49 |
5152,4 |
Г.Москва |
- |
60 |
- |
Московская |
154,0 |
62 |
14314,1 |
Орловская |
275,1 |
80 |
4548,1 |
Рязанская |
103,3 |
55 |
4694,6 |
Смоленская |
120,1 |
48 |
4609,8 |
Тверская |
124,7 |
43 |
5757,1 |
Тульская |
147,3 |
52 |
5079,5 |
Ярославская |
66,3 |
54 |
4609,2 |
Решение:
Предполагая, что между переменными y, x1, x2 существует линейная корреляционная зависимость, найдем уравнение регрессии y по x1 и х2.
Для нахождения параметров уравнения регрессии необходимо решить следующую систему нормальных уравнений:
Параметры уравнения регрессии найдем по методу наименьших квадратов, решив систему уравнений. Для наглядности и удобства дальнейших вычислений составляем вспомогательную таблицу, где :
Таблица 2.2
№ |
х1 |
х2 |
y |
х12 |
х22 |
y2 |
х1∙x2 |
х1∙y |
х2∙y |
ε |
|
1 |
106,3 |
36 |
5054 |
11299,69 |
1296 |
25542916 |
3826,8 |
537240,2 |
181944 |
5152,5 |
-98,5 |
2 |
420,8 |
50 |
10980,1 |
177072,64 |
2500 |
120562596 |
21040 |
4620426,08 |
549005 |
10784,1 |
196,0 |
3 |
27,3 |
39 |
2425,7 |
745,29 |
1521 |
5884020,49 |
1064,7 |
66221,61 |
94602,3 |
3597,5 |
-1171,8 |
4 |
55,7 |
50 |
4324,7 |
3102,49 |
2500 |
18703030,1 |
2785 |
240885,79 |
216235 |
3896,2 |
428,5 |
5 |
46,2 |
40 |
3541,3 |
2134,44 |
1600 |
12540805,7 |
1848 |
163608,06 |
141652 |
3932,5 |
-391,2 |
6 |
301,7 |
59 |
6895,9 |
91022,89 |
3481 |
47553436,8 |
17800,3 |
2080493,03 |
406858,1 |
8343,2 |
-1447,3 |
7 |
165,5 |
49 |
5152,4 |
27390,25 |
2401 |
26547225,8 |
8109,5 |
852722,2 |
252467,6 |
5989,2 |
-836,8 |
8 |
0 |
60 |
0 |
0 |
3600 |
0 |
0 |
0 |
0 |
2629,9 |
-2629,9 |
9 |
154 |
62 |
14314,1 |
23716 |
3844 |
204893459 |
9548 |
2204371,4 |
887474,2 |
5492,1 |
8822,0 |
10 |
275,1 |
80 |
4548,1 |
75680,01 |
6400 |
20685213,6 |
22008 |
1251182,31 |
363848 |
7388,8 |
-2840,7 |
11 |
103,3 |
55 |
4694,6 |
10670,89 |
3025 |
22039269,2 |
5681,5 |
484952,18 |
258203 |
4686,4 |
8,2 |
12 |
120,1 |
48 |
4609,8 |
14424,01 |
2304 |
21250256 |
5764,8 |
553636,98 |
221270,4 |
5154,2 |
-544,4 |
13 |
124,7 |
43 |
5757,1 |
15550,09 |
1849 |
33144200,4 |
5362,1 |
717910,37 |
247555,3 |
5348,8 |
408,3 |
14 |
147,3 |
52 |
5079,5 |
21697,29 |
2704 |
25801320,3 |
7659,6 |
748210,35 |
264134 |
5581,2 |
-501,7 |
15 |
66,3 |
54 |
4609,2 |
4395,69 |
2916 |
21244724,6 |
3580,2 |
305589,96 |
248896,8 |
4010,0 |
599,2 |
S |
2114,3 |
777 |
81986,5 |
478901,67 |
41941 |
606392474 |
116078,5 |
14827450,52 |
4334145,7 |
81986,5 |
0,0 |
Ср. |
140,95 |
51,80 |
5465,77 |
31926,78 |
2796,07 |
40426164,92 |
7738,57 |
988496,70 |
288943,05 |
Откуда получаем, что a = 3922,89, b1 = 18,87, b2 = -21,55. Т.е. получили следующее уравнение множественной регрессии: = 3922,89+ 18,87*х1 – 21,55*х2.
Оно показывает, что при увеличении только поголовья свиней (в хозяйствах всех категорий на конец года) х1 (при неизменном х2) на 1 тыс.голов продукция животноводства y увеличится на 18,87, а при увеличении только потребления мяса и мясопродуктов на душу населения в год х2 (при неизменном х1) на 1 кг. в среднем уменьшится 21,55.
Найдем уравнение множественной регрессии в стандартизированном масштабе:
при этом стандартизированные коэффициенты регрессии будут: -
Т.е. уравнение будет выглядеть следующим образом:
Так как стандартизированные коэффициенты можно сравнивать между собой, то можно сказать, что поголовье свиней оказывает большее влияние на количество продукции животноводства, чем потребление мяса и мясопродуктов на душу населения в год.
Сравнивать влияние факторов на результат можно также при помощи средних коэффициентов эластичности:
Вычисляем:
Т.е. увеличение только поголовья свиней увеличивает в среднем количество продукции животноводства на 0,49% или только потребление мяса и мясопродуктов на душу населения в год уменьшает в среднем количество продукции животноводства на 0,2%. Таким образом, подтверждается большее влияние на результат y фактора х1, чем фактора х2.
Оценим качество уравнения.
Сначала найдем значения парных коэффициентов корреляции:
Значения парных коэффициентов корреляции указывают на заметную связь продукции животноводства с поголовьем свиней и на слабую связь с потреблением мяса и мясопродуктов. Межфакторная связь умеренная.
Теперь рассчитаем совокупный коэффициент корреляции Ryx1 x2 . Для этого сначала найдем определитель матрицы парных коэффициентов корреляции:
∆r = 0,53493
и определитель матрицы межфакторной корреляции:
∆r11 = 0,8594
Тогда коэффициент множественной корреляции по формуле:
Т.е можно сказать, что 37,8% (коэффициент детерминации R2= 0,378) вариации результата объясняется вариацией представленных в уравнении признаков, что указывает на умеренную связь признаков с результатом.
Скорректированный коэффициент множественной детерминации
указывает на слабую связь между результатом и признаками.
Теперь найдем частные коэффициенты корреляции:
Вывод:
фактор х1 оказывает более сильное влияние на результат, чем х2.
Оценим надежность уравнения регрессии в целом и показателя связи с помощью F-критерия Фишера. Фактическое значение F-критерия:
Табличное значение F-критерия при пятипроцентном уровне значимости (α=0,05 , k1 = 2, k2 = 15-2-1 = 12): Fтабл. = 3,88. Так как Fфакт. = 3,65 < Fтабл. = 3,88, то уравнение признается статистически незначимым.
Рис. 2.1. Поле корреляции
Оценим целесообразность включения фактора х1 после фактора х2 и х2 после х1 с помощью частного F – критерия Фишера:
Табличное значение частного F – критерия при пятипроцентном уровне значимости (α=0,05 , k1 = 1, k2 = 15-2-1 = 12): Fтабл. = 4,75.
Так как Fx1 = 6,73 > Fтабл = 4,75 и Fx2 = 0,096 < Fтабл = 4,75, то включение фактора х1 в модель статистически оправдано и коэффициент чистой регрессии b1 статистически значим, а дополнительное включение фактора х2, после того, как уже введен фактор х1, нецелесообразно.
Уравнение регрессии, включающее только один значимый аргумент х1:
Данное уравнение получено по алгоритму, рассмотренному в теме «Парная регрессия. Линейные и нелинейные модели регрессии».
Рассмотрим еще один пример решения задания на множественную регрессию.
Имеются следующие данные о поголовье крупного рогатого скота по областям y (тыс. голов), производство мяса x1 (тыс. тонн) и производстве молока x2 (тыс. тонн), характеризующие поголовье крупного рогатого скота (КРС) в 15 областях.
Таблица 2.3.
Данные о поголовье крупного рогатого скота, производстве мяса и производстве молока в 15 областях.
№ |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
13 |
14 |
15 |
x1 |
134,2 |
55,9 |
45 |
120,5 |
25,2 |
39,6 |
28,1 |
102,6 |
64,1 |
49,5 |
34 |
59,3 |
45,3 |
61,3 |
34,3 |
x2 |
623,4 |
456,6 |
332,5 |
766,8 |
209,8 |
279 |
206,4 |
1031,4 |
326,7 |
411,8 |
417 |
308 |
447,4 |
330,2 |
362,6 |
y |
410,6 |
281,1 |
171,4 |
532,4 |
122,9 |
170,1 |
125,8 |
441,2 |
244,7 |
306,4 |
221,9 |
239,7 |
294,5 |
209,8 |
214,8 |
Составим трёхмерное поле корреляции. Предполагая, что между переменными y, x1, x2 существует линейная корреляционная зависимость, найдем уравнение регрессии в зависимости от x1 и x2.
Рис. 2.1. Поле корреляции
Для удобства дальнейших вычислений составляем вспомогательную таблицу ():
Таблица 2.4.
|
х1 |
х2 |
y |
х12 |
х22 |
y2 |
х1∙x2 |
х1∙y |
х2∙y |
ε |
|
134,2 |
623,4 |
410,6 |
18009,64 |
388627,56 |
168592,36 |
83660,28 |
55102,52 |
255968,04 |
443,5554 |
-32,9554 |
|
55,9 |
456,6 |
281,1 |
3124,81 |
208483,56 |
79017,21 |
25523,94 |
15713,49 |
128350,26 |
265,1849 |
15,91513 |
|
45 |
332,5 |
171,4 |
2025 |
110556,25 |
29377,96 |
14962,5 |
7713 |
56990,5 |
212,7528 |
-41,3528 |
|
120,5 |
766,8 |
532,4 |
14520,25 |
587982,24 |
283449,76 |
92399,4 |
64154,2 |
408244,32 |
459,5666 |
72,8334 |
|
25,2 |
209,8 |
122,9 |
635,04 |
44016,04 |
15104,41 |
5286,96 |
3097,08 |
25784,42 |
145,6165 |
-22,7165 |
|
39,6 |
279 |
170,1 |
1568,16 |
77841 |
28934,01 |
11048,4 |
6735,96 |
47457,9 |
188,9608 |
-18,8608 |
|
28,1 |
206,4 |
125,8 |
789,61 |
42600,96 |
15825,64 |
5799,84 |
3534,98 |
25965,12 |
149,6023 |
-23,8023 |
|
102,6 |
1031,4 |
441,2 |
10526,76 |
1063785,96 |
194657,44 |
105821,6 |
45267,12 |
455053,68 |
501,6192 |
-60,4192 |
|
64,1 |
326,7 |
244,7 |
4108,81 |
106732,89 |
59878,09 |
20941,47 |
15685,27 |
79943,49 |
243,5438 |
1,156155 |
|
49,5 |
411,8 |
306,4 |
2450,25 |
169579,24 |
93880,96 |
20384,1 |
15166,8 |
126175,52 |
242,0781 |
64,32189 |
|
34 |
417 |
221,9 |
1156 |
173889 |
49239,61 |
14178 |
7544,6 |
92532,3 |
217,2255 |
4,674488 |
|
59,3 |
308 |
239,7 |
3516,49 |
94864 |
57456,09 |
18264,4 |
14214,21 |
73827,6 |
230,2905 |
9,409487 |
|
45,3 |
447,4 |
294,5 |
2052,09 |
200166,76 |
86730,25 |
20267,22 |
13340,85 |
131759,3 |
244,6987 |
49,80126 |
|
61,3 |
330,2 |
209,8 |
3757,69 |
109032,04 |
44016,04 |
20241,26 |
12860,74 |
69275,96 |
239,755 |
-29,955 |
|
34,3 |
362,6 |
214,8 |
1176,49 |
131478,76 |
46139,04 |
12437,18 |
7367,64 |
77886,48 |
202,8499 |
11,95015 |
|
Сумма |
898,9 |
6509,6 |
3987,3 |
69417,09 |
3509636,26 |
1252298,87 |
471216,6 |
287498,5 |
2055214,9 |
3987,3 |
|
Ср. |
59,9267 |
433,9733 |
265,82 |
4627,806 |
233975,751 |
83486,5913 |
31414,44 |
19166,56 |
137014,33 |
||
σ2 |
1036,601 |
45642,897 |
12826,319 |
||||||||
σ |
32,1963 |
213,642 |
113,25334 |
Для нахождения параметров уравнения регрессии при решении системы в данном случае воспользуемся формулами Крамера. (Все значения рассчитаны с помощью программы Microsoft Excel 2007).
Откуда получаем, что a=45,49519081 , b1=1,695183851 ,b2=0,273606884 . Т.е. получили следующее уравнение множественной регрессии:
Оно показывает, что при увеличении только производства мяса x1(при неизменном x2) на 1 тыс. тонн поголовье КРС Y увеличится в среднем на 1,695183851, а при увеличении только производства молока x2(при неизменном x1) на 1 тыс. тонн – в среднем на 0,273606884т.
Найдем уравнение множественной регрессии в стандартизованном масштабе: при этом стандартизованные коэффициенты регрессии будут:
Т.е. уравнение будет выглядеть следующим образом:
При сравнении стандартизованных коэффициентов можно сказать, что производство молока оказывает большее влияние на поголовье КРС, чем производство мяса.
Сравним влияние факторов на результат при помощи средних коэффициентов эластичности:
Т.е. увеличение только производства мяса (от своего среднего значения) или только производства молока на 1% увеличивает в среднем поголовье КРС на 0,38% или 0,45% соответственно. Таким образом, подтверждается большее влияние на результат Y фактора x2, чем фактора x1.
Оценим качество уравнения, полученного выше. Проведем проверку существенности факторов и показатели качества регрессии. Сначала найдем значения парных коэффициентов корреляции:
Значения парных коэффициентов корреляции указывают на достаточно тесную связь поголовья КРС Y с производством мяса x1 и с уровнем производства молока x2. Межфакторная связь rx1x2 сильная (0,79>0,7).
Теперь рассчитаем совокупный коэффициент корреляции Ryx1x2 . Для этого сначала найдем определитель матрицы парных коэффициентов корреляции и определитель матрицы межфакторной корреляции:
Тогда коэффициент множественной корреляции будет равен:
Ryx1x2 = 0,
Т.е. можно сказать, что 89,5% (коэффициент детерминации Ryx1x22= 0,895238095) вариации результата объясняется вариацией представленных в уравнении признаков, что указывает на весьма тесную связь признаков с результатом.
Скорректированный коэффициент множественной детерминации Rскор.= 0,877777778 указывает на сильную связь между результатом и признаками. Значение рассчитано с помощью программы Microsoft Excel 2007
Теперь найдем частные коэффициенты корреляции:
ryx1x2= 0,688049067, ryx1x2= 0,71120224
Вывод: фактор x2 оказывает более сильное влияние на результат, чем признак x1.
Оценим надежность уравнения регрессии в целом и показателя связи с помощью F – критерия Фишера. Фактическое значение F – критерия Fфакт =51,27272727
Табличное значение F – критерия при пятипроцентном уровне значимости ( α=0.05, k1=2,k2=12 ): Fтабл= 3,88
Так как Fфакт=51,2727272 > Fтабл=3,88 , то уравнение признается статистически значимым.
Оценим целесообразность включения фактора x1 после x2 фактора и x2 после x1 с помощью частного F– критерия Фишера:
Fx1= 10,78819309 Fx2= 12,28209121
Табличное значение частного F– критерия при пятипроцентном уровне значимости ( α=0.05, k1=1, k2=12 ): Fтабл=4,75 . Так как Fx1=10,78819309 > Fтабл=4,75 , а Fx2=12,2820912 > Fтабл=4,75 , то включение обоих факторов в модель статистически оправдано.
Рассмотрим еще один пример и следующие данные:
Динамика кредиторской задолженности организаций
(без субъектов малого предпринимательства)
Российской Федерации (трлн.рублей)
Таблица 2.5.
Годы |
Задолженность поставщикам и подрядчикам (х1) |
Задолженность по платежам в бюджет (х2) |
Кредиторская задолженность (y) |
1996 |
0,487 |
0,165 |
0,941 |
1997 |
0,623 |
0,235 |
1,288 |
1998 |
1,180 |
0,320 |
2,297 |
1999 |
1,523 |
0,406 |
2,901 |
2000 |
1,803 |
0,509 |
3,515 |
2001 |
2,113 |
0,535 |
4,231 |
2002 |
2,407 |
0,556 |
4,832 |
2003 |
2,604 |
0,536 |
5,283 |
2004 |
2,908 |
0,560 |
5,944 |
2005 |
3,194 |
0,590 |
6,389 |
2006 |
3,949 |
0,544 |
7,697 |
2007 |
5,500 |
0,686 |
10,653 |
2008 |
7,131 |
0,778 |
13,353 |
2009 |
7,432 |
0,900 |
14,882 |
2010 |
8,791 |
1,022 |
17,683 |
Решение:
Предполагая, что между переменными y, x1, x2 существует линейная корреляционная зависимость, найдем уравнение регрессии y по x1 и х2.
Для дальнейших вычислений составляем вспомогательную таблицу, где:
Таблица 2.6.
Годы |
х1 |
х2 |
y |
х12 |
х22 |
y2 |
х1∙x2 |
х1∙y |
х2∙y |
ε |
|
1996 |
0,487 |
0,165 |
0,941 |
0,24 |
0,03 |
0,89 |
0,08 |
0,46 |
0,16 |
0,757 |
0,184 |
1997 |
0,623 |
0,235 |
1,288 |
0,39 |
0,06 |
1,66 |
0,15 |
0,80 |
0,30 |
1,114 |
0,174 |
1998 |
1,18 |
0,32 |
2,297 |
1,39 |
0,10 |
5,28 |
0,38 |
2,71 |
0,74 |
2,268 |
0,029 |
1999 |
1,523 |
0,406 |
2,901 |
2,32 |
0,16 |
8,42 |
0,62 |
4,42 |
1,18 |
3,029 |
-0,128 |
2000 |
1,803 |
0,509 |
3,515 |
3,25 |
0,26 |
12,36 |
0,92 |
6,34 |
1,79 |
3,701 |
-0,186 |
2001 |
2,113 |
0,535 |
4,231 |
4,46 |
0,29 |
17,90 |
1,13 |
8,94 |
2,26 |
4,311 |
-0,080 |
2002 |
2,407 |
0,556 |
4,832 |
5,79 |
0,31 |
23,35 |
1,34 |
11,63 |
2,69 |
4,884 |
-0,052 |
2003 |
2,604 |
0,536 |
5,283 |
6,78 |
0,29 |
27,91 |
1,40 |
13,76 |
2,83 |
5,216 |
0,067 |
2004 |
2,908 |
0,56 |
5,944 |
8,46 |
0,31 |
35,33 |
1,63 |
17,29 |
3,33 |
5,812 |
0,132 |
2005 |
3,194 |
0,59 |
6,389 |
10,20 |
0,35 |
40,82 |
1,88 |
20,41 |
3,77 |
6,384 |
0,005 |
2006 |
3,949 |
0,544 |
7,697 |
15,59 |
0,30 |
59,24 |
2,15 |
30,40 |
4,19 |
7,703 |
-0,006 |
2007 |
5,5 |
0,686 |
10,653 |
30,25 |
0,47 |
113,49 |
3,77 |
58,59 |
7,31 |
10,773 |
-0,120 |
2008 |
7,131 |
0,778 |
13,353 |
50,85 |
0,61 |
178,30 |
5,55 |
95,22 |
10,39 |
13,914 |
-0,561 |
2009 |
7,432 |
0,9 |
14,882 |
55,23 |
0,81 |
221,47 |
6,69 |
110,60 |
13,39 |
14,653 |
0,229 |
2010 |
8,791 |
1,022 |
17,683 |
77,28 |
1,04 |
312,69 |
8,98 |
155,45 |
18,07 |
17,339 |
0,344 |
Сумма |
51,645 |
8,342 |
101,89 |
272,50 |
5,38 |
1059,10 |
36,66 |
537,01 |
72,39 |
101,86 |
0,032 |
Ср.знач. |
3,44 |
0,56 |
6,79 |
18,17 |
0,36 |
70,61 |
2,44 |
35,80 |
4,83 |
- |
- |
Для нахождения параметров уравнения регрессии необходимо решить следующую систему нормальных уравнений:
Откуда получаем, что a = -0,39, b1 = 1,84, b2 = 1,52. Т.е. получили следующее уравнение множественной регрессии:
= -0,39 + 1,84∙х1 + 1,52∙х2.
Оно показывает, что при увеличении только задолженности поставщикам и подрядчикам х1 (при неизменном х2) на 1 трлн.рублей кредиторская задолженность y увеличится в среднем на 1,84 трлн.рублей, а при увеличении только задолженности по платежам в бюджет х2 (при неизменном х1) на 1трлн.рублей – в среднем на 1,52 трлн.рублей.
Найдем уравнение множественной регрессии в стандартизированном масштабе:
при этом стандартизированные коэффициенты регрессии будут:
Т.е. уравнение будет выглядеть следующим образом:
Так как стандартизированные коэффициенты можно сравнивать между собой, то можно сказать, что задолженность поставщикам и подрядчикам оказывает большее влияние на кредиторскую задолженность, чем задолженность по платежам в бюджет.
Сравнивать влияние факторов на результат можно также при помощи средних коэффициентов эластичности:
Т.е. увеличение только задолженности поставщикам и подрядчикам (от своего среднего значения) или только задолженности по платежам в бюджет на 1трлн.рублей увеличивает в среднем кредиторскую задолженность на 0,94% или 0,13% соответственно. Таким образом, подтверждается большее влияние на результат y фактора х1, чем фактора х2.
Оценим качество уравнения.
Сначала найдем значения парных коэффициентов корреляции:
Значения парных коэффициентов корреляции указывают на весьма высокую связь кредиторской задолженности с задолженностью поставщикам и подрядчикам и с задолженностью по платежам в бюджет. Межфакторная связь так же является весьма высокой.
Теперь рассчитаем совокупный коэффициент корреляции Ryx1x2 . Для этого сначала найдем определитель матрицы парных коэффициентов корреляции:
Т.е можно сказать, что 99,8% (коэффициент детерминации R2= 0,998) вариации результата объясняется вариацией представленных в уравнении признаков, что указывает на весьма высокую связь признаков с результатом.
Скорректированный коэффициент множественной детерминации
указывает на весьма высокую связь между результатом и признаками.
Теперь найдем частные коэффициенты корреляции:
Вывод: фактор х1 оказывает более сильное влияние на результат, чем х2.
Оценим надежность уравнения регрессии в целом и показателя связи с помощью F-критерия Фишера. Фактическое значение F-критерия:
Табличное значение F-критерия при пятипроцентном уровне значимости (α=0,05 , k1 = 2, k2 = 15-2-1 = 12): Fтабл. = 3,88. Так как Fфакт. = 299,4 > Fтабл. = 3,88, то уравнение признается статистически значимым.
Оценим целесообразность включения фактора х1 после фактора х2 и х2 после х1 с помощью частного F – критерия Фишера:
Табличное значение частного F – критерия при пятипроцентном уровне значимости (α=0,05 , k1 = 1, k2 = 15-2-1 = 12): Fтабл. = 4,75.
Так как Fx1 = 630 > Fтабл = 4,75 и Fx2 = 3,5 > Fтабл = 4,75, то включение обоих факторов в модель статистически оправдано.
Построим поле корреляции:
Рис. 2.2. Поле корреляции
На основе представленных данных составить уравнение множественной регрессии, уравнение в стандартизированном виде, проанализировать влияние факторов. Оценить качество уравнения, полученного выше, провести проверку существенности факторов и показателей качества регрессии, целесообразность включения каждого фактора, при необходимости составить модель парной регрессии.
Вариант 1.
Имеются следующие данные о продукции сельского хозяйства Y ( млн. руб.), валовом сборе зерна в весе после доработки x1 ( тыс. т) и валовом сборе сахарной свеклы фабричной x2(тыс. т) в 18 областях центрального федерального округа за 2003 год.
№ |
Валовой сбор зерна в весе после доработки, тыс.т, Х1 |
Валовой сбор сахарной свеклы фабричной, тыс.т, Х2 |
Продукция сельского хозяйства, млн. руб.,У |
1 |
1309,6 |
2597,5 |
23903,2 |
2 |
393,3 |
76,5 |
13896,6 |
3 |
180,1 |
- |
12127,7 |
4 |
2283,3 |
3300,6 |
29419,4 |
5 |
99,6 |
- |
6179,4 |
6 |
136,9 |
- |
9395,4 |
7 |
82,7 |
- |
7971,4 |
8 |
1345,8 |
1171,0 |
19113,4 |
9 |
1497,3 |
2076,2 |
16551,8 |
10 |
393,1 |
76,3 |
13888,2 |
11 |
252,2 |
- |
35957,8 |
12 |
1511,8 |
381,0 |
13288,9 |
13 |
751,9 |
223,0 |
12211,3 |
14 |
162,3 |
- |
9318,6 |
15 |
1567,7 |
1511,5 |
16852,6 |
16 |
160,2 |
- |
11110,5 |
17 |
816,8 |
310,5 |
15284,4 |
18 |
101,0 |
- |
10438,3 |
Для самопроверки: = 10689,53 + 2,91x1 + 2,90x2 , уравнение множественной регрессии в стандартизованном масштабе .
Вариант 2.
Зависимость производства мяса (у) от поголовья свиней (х1) и поголовья крупного рогатого скота (х2) в хозяйствах всех категорий на конец года (тыс. голов) по 17 областям.
№ |
1Белгородская |
2Брянская |
3Владимирская |
4Воронежская |
5Ивановская |
6Калужская |
7Костромская |
Х1 |
504,4 |
146,7 |
106,3 |
420,8 |
27,3 |
55,7 |
45,2 |
Х2 |
410,6 |
281,1 |
171,4 |
532,4 |
122,9 |
170,1 |
125,8 |
у |
134,2 |
55,9 |
45,0 |
120,5 |
25,2 |
39,6 |
28,1 |
№ |
8Курская |
9Липецкая |
10Московская |
11Орловская |
12Рязанская |
13Смоленская |
14Тамбовская |
15Тверская |
16Тульская |
17Ярославская |
Х1 |
301,7 |
165,5 |
154,0 |
275,1 |
103,3 |
120,1 |
225,7 |
124,7 |
142,3 |
66,3 |
Х2 |
337,9 |
281,4 |
441,2 |
244,7 |
306,4 |
221,9 |
239,7 |
294,5 |
209,8 |
214,8 |
у |
78,8 |
64,6 |
102,6 |
64,1 |
49,5 |
34,0 |
59,3 |
45,3 |
61,3 |
34,3 |
Для самопроверки: = 1,235 + 0,123x1 + 0,142x2, уравнение множественной регрессии в стандартизованном масштабе.
По 10 предприятиям региона изучается зависимость выработки на одного работника у (тыс. руб.) от ввода в действие новых основных фондов х1 (% от стоимости фондов на конец года) и от удельного веса рабочих высокой квалификации в общей численности рабочих х2 (%).
Вариант 3.
№ предприятия |
Y |
X1 |
X2 |
1 |
6 |
3,6 |
10 |
2 |
6 |
3,9 |
12 |
3 |
7 |
3,7 |
15 |
4 |
7 |
4 |
15 |
5 |
7 |
3,8 |
17 |
6 |
7 |
4,8 |
18 |
7 |
8 |
5,4 |
18 |
8 |
8 |
4,4 |
19 |
9 |
8 |
5,3 |
20 |
10 |
10 |
6,8 |
20 |
Для самопроверки уравнение регрессии – = 5,43+0,28x1+0,05x2, уравнение множественной регрессии в стандартизованном масштабе – =0,162tx1 +0,413tx2
Вариант 4.
№ предприятия |
Y |
X1 |
Х2 |
1 |
6 |
3,2 |
11 |
2 |
6 |
3,7 |
13 |
3 |
7 |
3,7 |
13 |
4 |
7 |
4 |
15 |
5 |
7 |
3,8 |
16 |
6 |
7 |
4,4 |
16 |
7 |
8 |
5 |
18 |
8 |
9 |
4,6 |
19 |
9 |
9 |
5,4 |
20 |
10 |
10 |
6,4 |
20 |
Для самопроверки уравнение множественной регрессии: = 1,186 +0,65х1 +0.22х2 уравнение множественной регрессии в стандартизованном масштабе =0,46tx1 +0,51tx2
Вариант 5.
№ |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
x1 |
3,5 |
3,5 |
3,7 |
4 |
4,4 |
4,8 |
5,1 |
4,7 |
5 |
5,5 |
x2 |
10 |
12 |
13 |
15 |
16 |
17 |
18 |
19 |
20 |
20 |
y |
6 |
7 |
7 |
7 |
8 |
8 |
9 |
9 |
9 |
10 |
Для самопроверки уравнение регрессии – = 1,441+0,823x1+0,183x2, уравнение множественной регрессии в стандартизованном масштабе – =0,471tx1 +0,507tx2
Вариант 6.
№ |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
x1 |
3,2 |
3,7 |
3,7 |
4 |
3,8 |
4,4 |
5 |
4,6 |
5,4 |
6,4 |
x2 |
12 |
13 |
15 |
15 |
16 |
17 |
18 |
19 |
20 |
20 |
y |
6 |
6 |
7 |
7 |
7 |
7 |
8 |
9 |
9 |
10 |
Для самопроверки уравнение регрессии – = 0,48+717,95x1+0,28x2, уравнение множественной регрессии в стандартизованном масштабе – =511,9tx1 +0,58tx2
Вариант 7.
№ |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
x1 |
3,5 |
3,5 |
3,7 |
4 |
3,8 |
4,8 |
5,1 |
4,7 |
5,4 |
5,5 |
x2 |
11 |
11 |
14 |
15 |
16 |
17 |
18 |
19 |
19 |
20 |
y |
6 |
7 |
7 |
8 |
8 |
8 |
9 |
9 |
9 |
10 |
Для самопроверки уравнение регрессии = 2,25+0,28x1+0,29x2, уравнение множественной регрессии в стандартизованном масштабе =0,184154tx1 +0,782829tx2
Задания для типового расчета по эконометрике по теме «Множественная регрессия»
Задания для типового расчета необходимо взять из статистических материалов аналогично вариантам 1, 2, 3 п. 2.2 настоящего пособия. При выборе задания необходимо использовать материалы официальной статистики, утвердив их у преподавателя.
При выборе данных можно использовать материалы сайта Федеральной службы государственной статистики http://www.gks.ru/, территориального органа Федеральной службы государственной статистики Тамбовской области http://tmb.gks.ru:8085/default.aspx, материалы статистических ежегодников, а также других официальных источников.