- •Эконометрика
- •Содержание
- •Введение
- •1 Лабораторная работа № 1 Классическая модель линейной регрессии
- •Реализация типовых заданий:
- •1 Рассчитайте параметры линейного уравнения множественной регрессии с полным перечнем факторов по данным о деятельности крупнейших компаний сша в текущем году
- •5 Оцените статистическую значимость коэффициентов регрессии с помощью t- критерия Стьюдента
- •2 Рассчитайте матрицу парных коэффициентов корреляции и отберите информативные факторы в модели. Укажите коллинеарные факторы
- •3 Постройте модель в естественной форме только с информативными факторами и оцените ее параметры.
- •4 Оцените с помощью f-критерия Фишера-Снедекора значимость уравнения линейной регрессии и показателя тесноты связи
- •6 Дайте сравнительную оценку силы связи факторов с результатом с помощью средних (общих) коэффициентов эластичности
- •7 Оцените качество уравнения через среднюю ошибку аппроксимации
- •8 Постройте модель в стандартизованном масштабе и проинтерпретируйте ее параметры
- •9 Рассчитайте прогнозное значение результата, если прогнозное значение факторов составляют 80 % от их максимальных значений
- •10 Рассчитайте ошибки и доверительный интервал прогноза для уровня значимости
- •11 По полученным результатам сделайте экономический вывод
- •2 Лабораторная работа № 2 Регрессионные модели с переменной структурой
- •Реализация типовых заданий:
- •1 Оцените линейную регрессию, включив в модель фиктивную переменную
- •2 Проверти данные на наличие структурного сдвига при помощи теста Чоу
- •3 Лабораторная работа № 3 Нарушения допущений классической модели линейной регрессии
- •Реализация типовых заданий:
- •1 Провести графический анализ остатков
- •Графический анализ остатков
- •Тест Голфелда-Квандта
- •Тест ранговой корреляции Спирмена
- •2 Если будет обнаружена гетероскедастичность остатков, примените для исходных данных омнк, предполагая, что .
- •Критерий Дарбина – Уотсона
- •4 Лабораторная работа № 4 Нелинейная регрессия
- •Реализация типовых заданий
- •Показательная модель регрессии
- •Гиперболическая модель регрессии
- •5 Лабораторная работа 5 Моделирование временных рядов
- •Решение типовых задач:
- •1 На основе графического анализа провести исследование компонентного состава временного ряда
- •2 При обнаружении тенденции во временном ряду оценить параметры линейного и параболического тренда
- •3 Построить прогноз по тренд – сезонной аддитивной или мультипликативной модели
- •Прогнозирование по тренд – сезонной мультипликативной модели
- •4 Построить прогноз по модели регрессии с включением фактора времени и фиктивных переменных
- •6 Лабораторная работа № 6 Системы линейных одновременных уравнений
- •Реализация типовых заданий:
- •1) Построить модель вида, рассчитав соответствующие структурные коэффициенты. Исходные данные представлены в таблице 6.1.
- •2) Оценить параметры модели – I Клейна, используя данные таблицы 6.2.
- •Список использованных источников
- •Приложение а (обязательное) Исходные данные для выполнения лабораторных работ № 1 - 4
- •Приложение б (обязательное) Варианты заданий для выполнения 5 задания лабораторной работы № 5
- •Приложение в (обязательное) Результаты регрессионного анализа по первым разностям
- •Приложение г (обязательное) Результаты регрессионного анализа по отклонениям от тренда
- •Приложение д (обязательное) Результаты регрессионного анализа по модели регрессии с включением фактора времени
- •Приложение е (обязательное) Варианты заданий для выполнения лабораторной работы №6
- •Приложение ж (обязательное) Исходные данные для выполнения лабораторной работы №6
- •Приложение и (обязательное) Статистико-математические таблицы
Приложение в (обязательное) Результаты регрессионного анализа по первым разностям
Регрессионная статистика |
|
Множественный R |
0,9979 |
R-квадрат |
0,9958 |
Нормированный R-квадрат |
0,9953 |
Стандартная ошибка |
3,7740 |
Наблюдения |
11 |
Дисперсионный анализ |
|
|
|
||
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
1 |
30655,90 |
30655,91 |
2152,27
|
5,02826E-12
|
Остаток |
9 |
128,19 |
14,24 |
||
Итого |
10 |
30784,09 |
|
||
|
|
|
|
|
|
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
a |
110,88 |
6,45 |
17,18 |
3,44588E-08 |
96,28 |
125,48 |
b |
13,6 |
0,29 |
46,391 |
5,02826E-12 |
12,9332 |
14,26 |
Приложение г (обязательное) Результаты регрессионного анализа по отклонениям от тренда
Регрессионная статистика |
|
Множественный R |
0,9988 |
R-квадрат |
0,9976 |
Нормированный R-квадрат |
0,8976 |
Стандартная ошибка |
20,819 |
Наблюдения |
11 |
Дисперсионный анализ |
|
|
|
||
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
1 |
1835471,865 |
1835471,865 |
4234,6883 |
2,41214E-13 |
Остаток |
10 |
4334,372 |
433,437 |
|
|
Итого |
11 |
1839806,238 |
|
|
|
|
|
|
|
|
|
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
a |
0 |
#Н/Д |
#Н/Д |
#Н/Д |
#Н/Д |
#Н/Д |
b |
18,55 |
0,28 |
65,07 |
1,78E-14 |
17,918 |
19,188 |
Приложение д (обязательное) Результаты регрессионного анализа по модели регрессии с включением фактора времени
Регрессионная статистика |
|
Множественный R |
0,998 |
R-квадрат |
0,997 |
Нормированный R-квадрат |
0,996 |
Стандартная ошибка |
3,613 |
Наблюдения |
11 |
|
|
Дисперсионный анализ |
|
|
|
||
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
2 |
30679,7 |
15339,8 |
1175,4 |
1,323E-10 |
Остаток |
8 |
104,4 |
13,1 |
|
|
Итого |
10 |
30784,1 |
|
|
|
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
a |
234,11 |
91,49 |
2,56 |
0,03 |
23,13 |
445,09 |
b |
4,98 |
6,39 |
0,78 |
0,46 |
-9,76 |
19,71 |
с |
10,59 |
7,85 |
1,35 |
0,21 |
-7,50 |
28,69 |