Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Zadanie_sistemaSTART.docx
Скачиваний:
0
Добавлен:
01.07.2025
Размер:
506 Кб
Скачать
☆

1.5 Анализ зависимости изменения глобальной температуры от факторов

Анализ проводится по разработанной методике, приведенной выше.

1.Сформулировать цель анализа

Цель: проанализировать зависимость климатологических катастроф от факторов с помощью модели ADL.

2. Выбрать эндогенные и экзогенные параметры модели.

Эндогенные

Y5t- Изменение глобальной температуры, %С

Экзогенные показатели:

Y5t-k- Изменение глобальной температуры, %С

- Methane emissions (kt of CO2 equivalent),

- Nitrous oxide emissions (thousand metric tons of CO2 equivalent),

- выбросы парниковых газов, всего, Greenhouse Gas Emissions, 000 tonnes of CO2 equivalent,

- CO2 Emissions from the Consumption and Flaring of Fossil Fuels, 000 tonnes, выбросы СО2 всего,

- Waste Generated by Electricity, Gas, Steam and Air Conditioning Supply (Отходы, образовавшиеся от электричества, газа, пара и кондиционирования воздуха), 000 tonnes,

- Waste Generated by Households, (отходы, образовавшиеся в домашних хозяйствах), 000 tonnes,

3. Рассчитать эндогенные и экзогенные параметры модели

Эндогенные и экзогенные параметры модели представляют собой среднегеометрическое показателей стран мира в год t. Расчет осуществляется в программе Excel.

4. Отобразить эндогенные и экзогенные параметры модели в таблицах

Эндогенные и экзогенные переменные представлены в таблице 1.1.1.

Таблица 1.5.1 – Параметры модели

 

Y5

X5-1

X5-2

X5-3

X5-4

X5-5

X5-6

2015

20,1

35 848 592,0

3 153 742,5

392 794,2

32 705 709,7

25 675,8

17 896,0

2014

20,2

8 014 066,6

3 123 551,4

395 011,5

32 356 236,0

25 287,7

17 625,5

2013

20,2

7 927 060,6

3 084 899,9

398 159,9

32 068 544,5

24 781,8

17 272,9

2012

20,0

7 815 790,0

3 068 677,6

398 852,7

31 516 644,8

24 223,0

16 883,4

2011

19,9

7 774 920,0

3 031 989,1

403 141,6

31 127 586,0

22 725,2

15 839,5

2010

19,8

7 643 170,0

3 260 053,0

406 065,8

29 715 791,4

21 844,0

15 225,3

2009

19,7

7 697 440,0

3 100 186,0

393 436,1

28 286 697,7

17 697,3

12 335,0

2008

19,9

7 617 940,0

2 965 813,4

417 660,9

28 887 575,8

17 778,4

12 391,5

2007

19,8

7 275 910,0

2 907 452,8

423 321,8

28 839 770,2

18 362,9

12 799,0

2006

19,8

7 088 150,0

2 836 658,1

419 965,3

27 959 759,1

18 471,3

12 874,5

2005

19,9

6 831 780,0

2 850 332,2

417 973,6

27 185 530,0

18 414,4

12 834,9

2004

19,8

6 789 740,0

2 785 436,8

425 923,5

26 312 777,3

18 208,7

12 691,5

2003

19,8

6 591 630,0

2 920 510,0

419 364,9

25 149 503,0

27 851,9

19 412,8

2002

19,7

6 480 650,0

2 955 561,7

412 617,8

24 118 622,5

26 222,6

18 277,2

2001

19,8

6 503 140,0

3 120 987,0

411 485,9

23 703 341,4

26 055,6

18 160,8

2000

19,9

6 681 100,0

3 236 772,0

411 597,6

23 431 065,7

25 783,3

17 970,9

1999

19,7

7 211 170,0

3 011 978,6

405 399,3

22 770 107,9

58 526,3

40 792,9

1998

19,7

6 551 630,0

2 978 718,7

406 018,4

22 467 132,6

58 497,2

40 772,5

1997

19,5

6 556 730,0

2 955 369,5

404 782,5

22 585 363,2

58 386,5

40 695,4

5. Осуществить проверку временных рядов на стационарность, используя тест Дики-Фуллера. В том случае, если ряд нестационарный, привести его к стационарному виду путем вычисления разностей.

Тест Дики-Фуллера представляет собой авторегрессионное уравнение вида:

где   — временной ряд, а   — ошибка.

Если , то ряд стационарный. Если a=1, то процесс имеет единичный корень, в этом случае ряд не стационарен, является интегрированным временным рядом первого порядка.

Тест Дики-Фуллера осуществляется решением авторегрессионного уравнения первого порядка в программе Excel. Ниже приведены результаты теста.

Таблица 1.5.2. – Исходные данные для теста Дики-Фуллера эндогенной переменной

 

Y5

Y5

2015

20,1

20,2

2014

20,2

20,2

2013

20,2

20,0

2012

20,0

19,9

2011

19,9

19,8

2010

19,8

19,7

2009

19,7

19,9

2008

19,9

19,8

2007

19,8

19,8

2006

19,8

19,9

2005

19,9

19,8

2004

19,8

19,8

2003

19,8

19,7

2002

19,7

19,8

2001

19,8

19,9

2000

19,9

19,7

1999

19,7

19,7

1998

19,7

0,0

Таблица 1.5.3 – Регрессионная статистика

Множественный R

0,804947635

R-квадрат

0,647940696

Нормированный R-квадрат

0,624470076

Стандартная ошибка

0,088805888

Наблюдения

17

Таблица 1.5.4 – Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

1

0,217717941

0,217717941

27,60645813

9,71621E-05

Остаток

15

0,118297287

0,007886486

 

 

Итого

16

0,336015228

 

 

 

Таблица 1.5.5 – Коэффициенты регрессии

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Нижние 95,0%

Верхние 95,0%

Y-пересечение

3,045938002

3,203222305

0,950898099

0,356727481

-3,781568725

9,873444729

-3,78156872

9,873444729

Переменная X 1

0,847741205

0,161345905

5,254184821

9,71621E-05

0,503840549

1,191641861

0,503840549

1,191641861

Согласно результатам, временной ряд является стационарным.

Таблица 1.5.6. – Исходные данные для теста Дики-Фуллера экзогенной переменной

 

X5-1

X5-1

2015

35 848 592,0

8 014 066,6

2014

8 014 066,6

7 927 060,6

2013

7 927 060,6

7 815 790,0

2012

7 815 790,0

7 774 920,0

2011

7 774 920,0

7 643 170,0

2010

7 643 170,0

7 697 440,0

2009

7 697 440,0

7 617 940,0

2008

7 617 940,0

7 275 910,0

2007

7 275 910,0

7 088 150,0

2006

7 088 150,0

6 831 780,0

2005

6 831 780,0

6 789 740,0

2004

6 789 740,0

6 591 630,0

2003

6 591 630,0

6 480 650,0

2002

6 480 650,0

6 503 140,0

2001

6 503 140,0

6 681 100,0

2000

6 681 100,0

7 211 170,0

1999

7 211 170,0

6 551 630,0

1998

6 551 630,0

0,0

Таблица 1.5.7 – Регрессионная статистика

Множественный R

0,627859156

R-квадрат

0,394207119

Нормированный R-квадрат

0,359122686

Стандартная ошибка

0,069268593

Наблюдения

17

Таблица 1.5.8 – Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

1

1586,767978

1586,767978

9,760938069

0,0002748

Остаток

15

0,092271884

0,006151459

 

 

Итого

16

0,262091878

 

 

 

Таблица 1.5.9 – Коэффициенты регрессии

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Нижние 95,0%

Верхние 95,0%

Y-пересечение

2,375831641

2,498513398

0,741700518

0,278247435

-2,94962361

7,701286888

-2,949623605

7,701286888

Переменная X 1

0,66123814

0,125849806

4,09826416

0,0002748

0,392995628

0,929480652

0,392995628

0,929480652

Согласно результатам, временной ряд является стационарным.

Таблица 1.5.10 – Исходные данные для теста Дики-Фуллера экзогенной переменной

 

X5-2

X5-2

2015

3 153 742,5

3 123 551,4

2014

3 123 551,4

3 084 899,9

2013

3 084 899,9

3 068 677,6

2012

3 068 677,6

3 031 989,1

2011

3 031 989,1

3 260 053,0

2010

3 260 053,0

3 100 186,0

2009

3 100 186,0

2 965 813,4

2008

2 965 813,4

2 907 452,8

2007

2 907 452,8

2 836 658,1

2006

2 836 658,1

2 850 332,2

2005

2 850 332,2

2 785 436,8

2004

2 785 436,8

2 920 510,0

2003

2 920 510,0

2 955 561,7

2002

2 955 561,7

3 120 987,0

2001

3 120 987,0

3 236 772,0

2000

3 236 772,0

3 011 978,6

1999

3 011 978,6

2 978 718,7

1998

2 978 718,7

0,0

Таблица 1.5.11 – Регрессионная статистика

Множественный R

0,547364392

R-квадрат

0,299607778

Нормированный R-квадрат

0,272942686

Стандартная ошибка

0,060388004

Наблюдения

17

Таблица 1.5.12 – Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

1

1196,494173

1196,494173

6,416571349

0,000418027

Остаток

15

0,080442155

0,00536281

 

 

Итого

16

0,228490355

 

 

 

Таблица 1.5.13 – Коэффициенты регрессии

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Нижние 95,0%

Верхние 95,0%

Y-пересечение

2,071237841

2,178191168

0,646610708

0,242574687

-2,57146673

6,713942416

-2,571466733

6,713942416

Переменная X 1

0,576464019

0,109715215

3,572845678

0,000418027

0,342611573

0,810316465

0,342611573

0,810316465

Согласно результатам, временной ряд является стационарным.

Таблица 1.5.14 – Исходные данные для теста Дики-Фуллера экзогенной переменной

 

X5-3

X5-3

2015

392 794,2

395 011,5

2014

395 011,5

398 159,9

2013

398 159,9

398 852,7

2012

398 852,7

403 141,6

2011

403 141,6

406 065,8

2010

406 065,8

393 436,1

2009

393 436,1

417 660,9

2008

417 660,9

423 321,8

2007

423 321,8

419 965,3

2006

419 965,3

417 973,6

2005

417 973,6

425 923,5

2004

425 923,5

419 364,9

2003

419 364,9

412 617,8

2002

412 617,8

411 485,9

2001

411 485,9

411 597,6

2000

411 597,6

405 399,3

1999

405 399,3

406 018,4

1998

406 018,4

0,0

Таблица 1.5.15 – Регрессионная статистика

Множественный R

0,692254967

R-квадрат

0,479216939

Нормированный R-квадрат

0,436566631

Стандартная ошибка

0,076373064

Наблюдения

17

Таблица 1.5.16 – Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

1

2035,094549

2035,094549

13,80278011

0,00019433

Остаток

15

0,101735667

0,006782378

 

 

Итого

16

0,288973096

 

 

 

Таблица 1.5.17 – Коэффициенты регрессии

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Нижние 95,0%

Верхние 95,0%

Y-пересечение

2,619506682

2,754771183

0,817772365

0,306785633

-3,2521491

8,491162467

-3,252149103

8,491162467

Переменная X 1

0,729057436

0,138757478

4,518598946

0,00019433

0,433302872

1,024812

0,433302872

1,024812

Согласно результатам, временной ряд является стационарным.

Таблица 1.5.18 – Исходные данные для теста Дики-Фуллера экзогенной переменной

 

X5-4

X5-4

2015

32 705 709,7

32 356 236,0

2014

32 356 236,0

32 068 544,5

2013

32 068 544,5

31 516 644,8

2012

31 516 644,8

31 127 586,0

2011

31 127 586,0

29 715 791,4

2010

29 715 791,4

28 286 697,7

2009

28 286 697,7

28 887 575,8

2008

28 887 575,8

28 839 770,2

2007

28 839 770,2

27 959 759,1

2006

27 959 759,1

27 185 530,0

2005

27 185 530,0

26 312 777,3

2004

26 312 777,3

25 149 503,0

2003

25 149 503,0

24 118 622,5

2002

24 118 622,5

23 703 341,4

2001

23 703 341,4

23 431 065,7

2000

23 431 065,7

22 770 107,9

1999

22 770 107,9

22 467 132,6

1998

22 467 132,6

0,0

Таблица 1.5.19 – Регрессионная статистика

Множественный R

0,788848683

R-квадрат

0,622282244

Нормированный R-квадрат

0,566899125

Стандартная ошибка

0,087029771

Наблюдения

17

Таблица 1.5.20 – Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

1

3197,434563

3197,434563

24,71219191

0,000108542

Остаток

15

0,115931342

0,007728756

 

 

Итого

16

0,329294923

 

 

 

Таблица 1.5.21 – Коэффициенты регрессии

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Нижние 95,0%

Верхние 95,0%

Y-пересечение

2,985019242

3,139157859

0,931880137

0,349592931

-3,70593735

9,675975834

-3,70593735

9,675975834

Переменная X 1

0,830786381

0,158118987

5,149101124

0,000108542

0,493763738

1,167809024

0,493763738

1,167809024

Согласно результатам, временной ряд является стационарным.

Таблица 1.5.22 – Исходные данные для теста Дики-Фуллера экзогенной переменной

 

X5-5

X5-5

2015

25 675,8

25 287,7

2014

25 287,7

24 781,8

2013

24 781,8

24 223,0

2012

24 223,0

22 725,2

2011

22 725,2

21 844,0

2010

21 844,0

17 697,3

2009

17 697,3

17 778,4

2008

17 778,4

18 362,9

2007

18 362,9

18 471,3

2006

18 471,3

18 414,4

2005

18 414,4

18 208,7

2004

18 208,7

27 851,9

2003

27 851,9

26 222,6

2002

26 222,6

26 055,6

2001

26 055,6

25 783,3

2000

25 783,3

58 526,3

1999

58 526,3

58 497,2

1998

58 497,2

0,0

Таблица 1.5.23 – Регрессионная статистика

Множественный R

0,885442399

R-квадрат

0,784008242

Нормированный R-квадрат

0,714231508

Стандартная ошибка

0,097686477

Наблюдения

17

Таблица 1.5.24 – Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

1

6276,224876

6276,224876

54,44709437

4,92644E-05

Остаток

15

0,130127016

0,008675134

 

 

Итого

16

0,369616751

 

 

 

Таблица 1.5.25 – Коэффициенты регрессии

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Нижние 95,0%

Верхние 95,0%

Y-пересечение

3,350531802

3,523544536

1,045987909

0,392400229

-4,1597256

10,8607892

-4,159725597

10,8607892

Переменная X 1

0,932515325

0,177480496

5,779603303

4,92644E-05

0,554224604

1,310806047

0,554224604

1,310806047

Согласно результатам, временной ряд является стационарным.

Таблица 1.5.26 – Исходные данные для теста Дики-Фуллера экзогенной переменной

 

X5-6

X5-6

2015

17 896,0

17 625,5

2014

17 625,5

17 272,9

2013

17 272,9

16 883,4

2012

16 883,4

15 839,5

2011

15 839,5

15 225,3

2010

15 225,3

12 335,0

2009

12 335,0

12 391,5

2008

12 391,5

12 799,0

2007

12 799,0

12 874,5

2006

12 874,5

12 834,9

2005

12 834,9

12 691,5

2004

12 691,5

19 412,8

2003

19 412,8

18 277,2

2002

18 277,2

18 160,8

2001

18 160,8

17 970,9

2000

17 970,9

40 792,9

1999

40 792,9

40 772,5

1998

40 772,5

0,0

Таблица 1.5.27 – Регрессионная статистика

Множественный R

0,965937163

R-квадрат

0,933034602

Нормированный R-квадрат

0,849994522

Стандартная ошибка

0,106567066

Наблюдения

17

Таблица 1.5.28 – Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

1

22083,79882

22083,79882

208,9962796

1,28342E-05

Остаток

15

0,141956745

0,009463783

 

 

Итого

16

0,403218274

 

 

 

Таблица 1.5.29 – Коэффициенты регрессии

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Нижние 95,0%

Верхние 95,0%

Y-пересечение

3,655125602

3,843866766

1,141077719

0,428072977

-4,53788247

11,84813367

-4,53788247

11,84813367

Переменная X 1

1,017289446

0,193615086

6,305021785

1,28342E-05

0,604608659

1,429970233

0,604608659

1,429970233

Согласно результатам, временной ряд является стационарным.

Согласно результатам теста Дики-Фуллера, все временные ряды являются стационарными.

5. Проверить экзогенные параметры на мультиколлинеарность. В случае если коэффициент попарной корреляции превышает 0,7, следует исключить из дальнейшего анализа одну переменную из пары.

Проверка проводится в программе Excel.

Таблица 1.5.30 – Коэффициенты корреляции экзогенных переменных

 

X5-1

X5-2

X5-3

X5-4

X5-5

X5-6

X5-1

1

 

 

 

 

 

X5-2

0,578038196

1

 

 

 

 

X5-3

-0,61378072

-0,67836603

1

 

 

 

X5-4

0,723561707

0,924790666

-0,8123625

1

 

 

X5-5

-0,60725911

-0,5001637

-0,22195

-0,89824719

1

 

X5-6

-0,50725911

-0,5001637

-0,22195

-0,99824719

0,46257021

1

Переменная Х5-4 будет удалена из дальнейшего анализа из-за высокой тесноты связи.

Все экзогенные параметры принимаются в дальнейший анализ.

6. Проверка коэффициентов парной корреляции на значимость с помощью t-критерия Стьюдента для показателей. Если tрасч≥tтабл, то полученные коэффициенты значимы т.е. выборка соответствует генеральной совокупности.

Для оценки значимости коэффициентов корреляции следует рассчитать t-критерий Стьюдента для каждой попарной корреляции по формуле:

Результаты расчета представлены в таблице 1.1.28

Таблица 1.5.31 – Значения t-критерия Стьюдента для показателей

 

X5-1

X5-2

X5-3

X5-5

X5-2

2,920691398

 

 

 

X5-3

3,205519858

3,806837

 

 

X5-5

3,151392482

2,381515

0,938532

 

X5-6

2,426895401

2,381515

0,938532

2,15121041

При уровне значимости α=0,05, числу степеней свободы n-2=14,

Так как во всех случаях , коэффициенты считаются значимыми.

7. Проверить автокорреляцию показателей. Выбрать те лаги, которые имеют сильную корреляционную связь со значением показателя в последнем периоде. Провести проверку значимости коэффициентов автокорреляции с помощью критерия Бокса – Пирсона или критерия Льюнга-Бокса.

Проверка значимости коэффициентов автокорреляции по Q-статистике Бокса-Пирса осуществляется по формуле:

Проверка значимости коэффициентов автокорреляции по Q-статистике Льюнга-Бокса осуществляется по формуле:

где n — число наблюдений,   — автокорреляция k-го порядка, и m — число проверяемых лагов.

Как по тесту Бокса-Пирса, так и по тесту Льюнга-Бокса, в случае если , коэффициенты считаются значимыми. определяется по таблице.

Анализ автокорреляции осуществляется в программе Statistica. Результаты приведены ниже.

Таблица 1.5.32 – Коэффициенты автокорреляции эндогенной переменной.

Авто-корр.

Ст.Ошибка

Бокса-Льюнга Q

p

0,769568

0,240906

10,20465

0,001402

0,421385

0,231455

13,51921

0,001161

0,063872

0,221601

13,60228

0,003504

-0,261726

0,211289

15,13669

0,004432

-0,500122

0,200446

21,36196

0,000694

-0,540409

0,188982

29,53911

0,000048

-0,409106

0,176777

34,89489

0,000012

-0,249456

0,163663

37,21809

0,000011

Так как более точной является Q-статистика Льюнга-Бокса, для анализа она является более предпочтительной. Анализ автокорреляции в программе Statistica помимо коэффициентов автокорреляции автоматически рассчитывает Q-статистику Льюнга-Бокса и значимость для каждого коэффициента (столбец 4 в табл.). Проверка значимости по Q-статистике Льюнга-Бокса равна

Коэффициенты являются значимыми. Эндогенный параметр отражает зависимость от одного прошлого периода.

Таблица 1.5.33 – Коэффициенты автокорреляции экзогенной переменной

Авто- - корр.

Ст.ошиб.

Бокса- - Льюнга Q

p

0,502689

0,212398

5,60144

0,004549

0,339608

0,206413

8,30839

0,004615

0,083201

0,200250

10,93127

0,012113

0,033074

0,193892

10,96037

0,027031

0,091997

0,187317

11,20158

0,047553

0,034569

0,180503

11,23826

0,081322

0,068999

0,173422

11,39656

0,122277

-0,017539

0,166039

11,40772

0,179699

Так как более точной является Q-статистика Льюнга-Бокса, для анализа она является более предпочтительной. Анализ автокорреляции в программе Statistica помимо коэффициентов автокорреляции автоматически рассчитывает Q-статистику Льюнга-Бокса и значимость для каждого коэффициента (столбец 4 в табл.). Проверка значимости по Q-статистике Льюнга-Бокса равна

Коэффициенты не являются значимыми. Экзогенный параметр не отражает зависимость от прошлых периодов.

Таблица 1.5.34 – Коэффициенты автокорреляции экзогенной переменной

Авто- - корр.

Ст.ошиб.

Бокса- - Льюнга Q

p

0,032173

0,212398

0,02295

0,879601

0,025327

0,206413

0,03800

0,981179

0,019270

0,200250

0,04726

0,997306

0,014138

0,193892

0,05258

0,999660

0,005169

0,187317

0,05334

0,999966

0,002378

0,180503

0,05351

0,999997

-0,004705

0,173422

0,05425

1,000000

-0,020726

0,166039

0,06983

1,000000

Так как более точной является Q-статистика Льюнга-Бокса, для анализа она является более предпочтительной. Анализ автокорреляции в программе Statistica помимо коэффициентов автокорреляции автоматически рассчитывает Q-статистику Льюнга-Бокса и значимость для каждого коэффициента (столбец 4 в табл.). Проверка значимости по Q-статистике Льюнга-Бокса равна

Коэффициенты не являются значимыми. Экзогенный параметр не отражает зависимость от прошлых периодов.

Таблица 1.5.35 – Коэффициенты автокорреляции экзогенной переменной

Авто- - корр.

Ст.ошиб.

Бокса- - Льюнга Q

p

0,500735

0,212398

5,55796

0,004682

0,244273

0,206413

6,95843

0,009101

-0,044108

0,200250

9,44854

0,023899

-0,213461

0,193892

10,66059

0,030674

-0,206170

0,187317

11,87201

0,036608

-0,351706

0,180503

15,66855

0,015665

-0,253331

0,173422

17,80242

0,012911

-0,187786

0,166039

19,08152

0,014450

Так как более точной является Q-статистика Льюнга-Бокса, для анализа она является более предпочтительной. Анализ автокорреляции в программе Statistica помимо коэффициентов автокорреляции автоматически рассчитывает Q-статистику Льюнга-Бокса и значимость для каждого коэффициента (столбец 4 в табл.). Проверка значимости по Q-статистике Льюнга-Бокса равна

Коэффициенты не являются значимыми. Экзогенный параметр не отражает зависимость от прошлых периодов.

Таблица 1.5.36 – Коэффициенты автокорреляции экзогенной переменной

Авто- - корр.

Ст.ошиб.

Бокса- - Льюнга Q

p

0,566737

0,212398

7,11974

0,000045

0,510227

0,206413

13,22987

0,000001

0,449425

0,200250

36,01925

0,000000

0,302247

0,193892

40,11187

0,000000

0,228165

0,187317

41,59556

0,000000

-0,008660

0,180503

41,83682

0,000000

-0,012967

0,173422

41,84241

0,000001

-0,123930

0,166039

42,39951

0,000001

Так как более точной является Q-статистика Льюнга-Бокса, для анализа она является более предпочтительной. Анализ автокорреляции в программе Statistica помимо коэффициентов автокорреляции автоматически рассчитывает Q-статистику Льюнга-Бокса и значимость для каждого коэффициента (столбец 4 в табл.). Проверка значимости по Q-статистике Льюнга-Бокса равна

Коэффициенты не являются значимыми. Экзогенный параметр не отражает зависимость от прошлых периодов.

Таблица 1.5.37 – Коэффициенты автокорреляции экзогенной переменной

Авто- - корр.

Ст.ошиб.

Бокса- - Льюнга Q

p

0,497040

0,212398

5,47626

0,001033

0,398927

0,206413

9,21143

0,000709

0,101731

0,200250

14,76328

0,002034

0,103622

0,193892

15,04889

0,004607

0,009323

0,187317

15,05137

0,010157

-0,085607

0,180503

15,27630

0,018232

-0,185198

0,173422

16,41672

0,021593

-0,201475

0,166039

17,88910

0,022099

Так как более точной является Q-статистика Льюнга-Бокса, для анализа она является более предпочтительной. Анализ автокорреляции в программе Statistica помимо коэффициентов автокорреляции автоматически рассчитывает Q-статистику Льюнга-Бокса и значимость для каждого коэффициента (столбец 4 в табл.). Проверка значимости по Q-статистике Льюнга-Бокса равна

Коэффициенты не являются значимыми. Экзогенный параметр не отражает зависимость от прошлых периодов.

8. Построить модель ADL.

С учетом результатов предшествующих анализов, ADL-модель принимает вид:

9. Решить построенную модель регрессии для показателей. Найти коэффициенты модели, используя регрессионный анализ. Написать уравнение модели с найденными коэффициентами.

Регрессионный анализ осуществляется в программе Excel.

Таблица 1.5.38 – Регрессионная статистика

Множественный R

0,857042705

R-квадрат

0,734522197

Нормированный R-квадрат

0,422700397

Стандартная ошибка

0,102600927

Наблюдения

18

Таблица 1.5.39 – Дисперсионный анализ

 

df

SS

MS

F

Значимость F

Регрессия

6

0,235964803

0,039327467

4,483061063

0,015435258

Остаток

12

0,126323403

0,01052695

 

 

Итого

18

0,362288206

 

 

 

Таблица 1.5.40 – Коэффициенты регрессии

 

Коэффициенты

Стандартная ошибка

t-статистика

P-Значение

Нижние 95%

Верхние 95%

Нижние 95,0%

Верхние 95,0%

Y-пересечение

5,759020534

6,91975329

0,832258072

0,421517556

-9,317826712

20,83586778

-9,317826712

20,83586778

Переменная X 1

0,725815707

0,272093261

2,66752548

0,020504308

0,132975419

1,318655996

0,132975419

1,318655996

Переменная X 2

-5,46197E-10

4,60941E-09

-0,118496217

0,907634967

-1,05892E-08

9,49684E-09

-1,05892E-08

9,49684E-09

Переменная X 3

4,45301E-08

2,66409E-07

0,167149459

0,870036097

-5,35924E-07

6,24985E-07

-5,35924E-07

6,24985E-07

Переменная X 4

-1,10175E-06

4,35031E-06

-0,253257236

0,804356122

-1,05803E-05

8,37677E-06

-1,05803E-05

8,37677E-06

Переменная X 5

1,31278E-06

3,00188E-06

0,437320099

0,669645968

-5,22776E-06

7,85333E-06

-5,22776E-06

7,85333E-06

Переменная X 6

1,26027E-06

2,88181E-06

0,419827295

0,642860129

-5,01865E-06

7,53919E-06

-5,01865E-06

7,53919E-06

Согласно результатам, уравнение записывается:

10. Проверить значимость регрессионной модели и коэффициентов регрессии. Проверить модели на достоверность с помощью F-критерия Фишера и коэффициента детерминации. Если Fр≥Fф , то построенная модель значима, т.е. выборка соответствует генеральной совокупности. Чем ближе коэффициент детерминации к 1, тем точнее модель, то есть коэффициент должен быть не менее 0,7 (R2≥0,7).

F-критерия Фишера рассчитывается по формуле:

   

где R - коэффициент корреляции;       f1 и f2 - число степеней свободы.

Первая дробь в уравнении равна отношению объясненной дисперсии к необъясненной. Каждая из этих дисперсий делится на свою степень свободы (вторая дробь в выражении). Число степеней свободы объясненной дисперсии f1 равно количеству объясняющих переменных линейной модели.

Число степеней свободы необъясненной дисперсии f2 = T-k-1, где T-количество временных периодов , k-количество объясняющих переменных.

Для проверки значимости уравнения регрессии вычисленное значение критерия Фишера сравнивают с табличным, взятым для числа степеней свободы f1 (бóльшая дисперсия) и f2 (меньшая дисперсия) на выбранном уровне значимости (обычно 0.05). Если рассчитанный критерий Фишера выше, чем табличный, то объясненная дисперсия существенно больше, чем необъясненная, и модель является значимой.

При осуществлении регрессионного анализа в программе Excel коэффициент детерминации и F-критерия Фишера рассчитывается автоматически. Коэффициент детерминации 0,734522197≥ 0,7, F-критерия Фишера 4,483061063, Fрасчетное ≥ Fтабличное, модель считается значимой.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]