Эконометрика
Цель контрольной работы — демонстрация полученных теоретических знаний и приобретенных практических навыков по эконометрике — как синтезу экономической теории, экономической статистики и математики, в том числе исследование линейных моделей парной (ЛМПР) и множественной регрессии (ЛММР), трендовых моделей, методом наименьших квадратов (МНК). Для оценки качества параметров A применим коэффициент… Читать ещё >
Эконометрика (реферат, курсовая, диплом, контрольная)
Институт экономики и предпринимательства
(ИНЭП)
Контрольная работа по дисциплине
«Эконометрика»
Вариант 1
Выполнил:
студент группы №
Проверил:
преподаватель ИНЭП,
кандидат технических наук
Ю.М. Давыдов
г. Лосино-Петровский
2008;2009 уч. год
1. Цель работы
Цель контрольной работы — демонстрация полученных теоретических знаний и приобретенных практических навыков по эконометрике — как синтезу экономической теории, экономической статистики и математики, в том числе исследование линейных моделей парной (ЛМПР) и множественной регрессии (ЛММР), трендовых моделей, методом наименьших квадратов (МНК).
Для проведения расчетов использовалось приложение к ПЭВМ типа EXCEL.
2. Исследование линейных моделей парной (ЛМПР) и
множественной регрессии (ЛММР) методом наименьших
квадратов (МНК).
2.1 Контрольная задача № 1
2.1.1. Исследуем зависимость производительности труда Y (т/ч) от уровня механизации Х (%).
Исходные данные для 14 однотипных предприятий приводятся в таблице 1:
Таблица 1
xi | |||||||||||||||
yi | |||||||||||||||
2.1.2 Матричная форма записи ЛМПР (ЛММР):
Y^ = X* A^ (1), где А^ - вектор-столбец параметров регрессии;
xi1 — предопределенные (объясняющие) переменные, n = 1;
ранг матрицы X = n + 1= 2 < k = 14 (2).
Исходные данные представляют в виде матриц.
(1 32) (20)
(1 30) (24)
(1 36) (28)
(1 40) (30)
(1 41) (31)
(1 47) (33)
X = (1 56) Y = (34)
(1 54) (37)
(1 60) (38)
(1 55) (40)
(1 61) (41)
(1 67) (43)
(1 69) (45)
(1 76) (48)
Значение параметров А^ = (а0, а1) T и 2 — нам неизвестны и их требуется определить (статистически оценить) методом наименьших квадратов.
Так как матрица Х, по условию, является прямоугольной, а обратную матрицу Х-1 можно рассчитать только для квадратной матрицы, то произведем небольшие преобразования матричного уравнения типаY = X *A, умножив левую и правую части на транспонированную матрицу Х Т.
Получим XT* X * A^ = X T * Y ,
откуда A^ = (XT * X) -1 *(XT * Y) (3),
где (XT * X) -1 — обратная матрица.
2.1.2. Решение.
а) Найдем транспонированную матрицу ХТ :
(1 1 1 1 1 1 1 1 1 1 1 1 1 1)
XT = (32 30 36 40 41 47 56 54 60 55 61 67 69 76)
в) Находим произведение матриц XT *X :
(14 724)
XT * X = (724 40 134)
г) Находим произведение матриц XT * Y:
(492)
XT * Y = (26 907)
д) Вычисляем обратную матрицу (XT * X) —1 :
(1,64 562 -0,0192)
(XT * X) —1 = (-0,0192 0,371)
е) Умножаем обратную матрицу (XT * X) —1 на произведение
матриц (XT *Y) и получаем векторстолбец A^ = (a 0, a 1)T :
(7,0361)
A^ = (XT * X) —1 * (XT * Y) = (0,543 501).
Уравнение парной регрессии имеет следующий вид:
уi^ = 7,0361 + 0,543 501* xi1 (4).
уi^ (60) = 7,0361 + 0,543 501*60 = 39, 646.
2.1.3 Оценка качества найденных параметров
Для оценки качества параметров A применим коэффициент детерминации R2. Величина R2 показывает, какая часть (доля) вариации зависимой переменной обусловлена объясняющей переменной. Чем ближе R2 к единице, тем лучше регрессия аппроксимирует экспериментальные данные.
Q = ?(yi — y?)2 (5) — общая сумма квадратов отклонений зависимой переменной от средней; QR = ?(y^i — y?)2 (6) — сумма квадратов, обусловленная регрессией; Qе = ?(yi — y^i)2 (7) — остаточная сумма квадратов, характеризующая влияние неучтенных факторов; Q = QR + Qе (8).
Q = 847,714; QR = 795,453; Qе = 52,261.
Q = QR + Qе = 795,453 + 52,261 = 847,714.
R2 = QR / Q = 795,453 / 847,714 = 0,9383.
R2 = 1 — Qe / Q = 1 — 52,261 / 847,714 = 0, 9383.
В нашем примере коэффициент детерминации R2, очень высокий, что показывает на хорошее качество регрессионной модели (4).
2.2 Контрольная задача № 2
2.2.1. Исследуем зависимость урожайности зерновых Y от ряда переменных, характеризующих различные факторы:
Х1 — количество удобрений, расходуемых на гектар (тга);
Х2 — количество химических средств защиты растений на гектар (цга) .
Исходные данные для 5 районов области приводятся в таблицах:
Таблица 2
I (номер района) | yi | хi 1 | хi 2 | |
9,7 | 0,32 | 0,14 | ||
8,4 | 0,59 | 0,66 | ||
9,3 | 0,3 | 0,31 | ||
9,6 | 0,43 | 0,59 | ||
9,6 | 0,39 | 0,16 | ||
2.2.2. Матричная форма записи ЛММР:
Y^ = X* A^ (1), где А^ - вектор-столбец параметров регрессии ;
хi 1, хi 2 — предопределенные (объясняющие) переменные, n = 2;
Ранг матрицы X = n + 1= 3 < k = 5 (2).
Исходные данные представляют в виде матриц.
(1 0,32 0,14) (9,7)
(1 0,59 0,66) (8,4
X = (1 0,3 0,31) Y = (9,3)
(1 0,43 0,59) (9,6)
(1 0,39 0,16) (9,6)
Значение параметров А^ = (а0, а1, а 2) T и 2 — нам неизвестны и их требуется определить (статистически оценить) методом наименьших квадратов.
Для нахождения параметров A^ применим формулу (3) задачи № 1
A^ = (XT * X) -1 * XT * (3),
где (XT * X) -1 — обратная матрица.
2.2.3. Решение.
а) Найдем транспонированную матрицу ХТ :
(1 1 1 1 1)
XT = (0,32 0,59 0,38 0,43 0,39)
(0,14 0,66 0,53 0,59 0,13).
в) Находим произведение матриц XT *X :
(5 2,11 2,05)
XT * X = (2,11 0,932 0,94)
(2,05 0,94 1,101).
г) Находим произведение матриц XT * Y:
(46,6)
XT * Y = (19,456)
(18,731).
д) Вычисляем обратную матрицу (XT * X) —1 :
(5,482 — 15,244 2,808)
(XT * X) —1 = (-15,244 50,118 -14,805)
(2,808 -14,805 7, 977).
е) Умножаем обратную матрицу (XT * X) —1 на произведение
матриц XT * Y и получаем векторстолбец A^ = (a 0, a 1, a 2)T :
(11, 556)
A^ = (XT * X) —1 * (XT * Y) = (-5, 08)
(0, 0219)
Уравнение множественной регрессии имеет следующий вид:
yi^ = 11,456 — 5,08 * xi1 — 0,0219 * xi2 (4) .
2.2.4. Оценка качества найденных параметров
Для оценки качества найденных параметров а^0, a^1 .a^2 необходимо найти оценку дисперсии по формуле
^2 = —————— (Y — X * A^)T * (Y — X * A^),
k — n — 1
после чего можно найти среднеквадратические ошибки SL по формуле SL = ^vhii, где hii элементы главной диагонали матрицы (XT * X) —1 .
А. Произведение матриц X * A^:
(9,833)
(8,472)
Y^ =X * A^ = (9,536)
(9,283)
(9,476).
Б. Разность матриц (Y — X * A^) :
(-0,132)
(- 0,072)
(Y — X * A^) =(-0,036)
(0,116)
(0,0835).
В. (Y — X * A^)T = (-0,132; -0,072; -0,036; 0,116; 0,0835)
Г. Произведение (Y — X * A^)T * (Y — X * A^) = 0,4 458 .
С учетом того, что в нашем примере к = 5 и n = 2
1 1
^2 = —————— (Y — X * A^)T *(Y — X * A^) =———* 0,4 458 = 0,0223.
k — n — 1 2
^ = 0,0223 = 0,1493 .
Г. Среднеквадратические ошибки оценок параметров будут равны:
S 0 = 0,0223 * 5,482 = 0,3496 ;
S 1 = 0,0223 * 50,118 = 1,057 ;
S 2 = 0,0223 * 7,977 = 0,4217 .
Среднеквадратические ошибки имеют различное значения, иногда превышающие оценки параметров, что связано с малым количеством статистических данных.
3. Контрольная задача № 3
Оценки параметров трендовой модели.
3.1. По данным о розничном товарообороте региона нужно
произвести анализ основной тенденции развития товарооборота.
Таблица 3
Год | Объем розничного товарооборота, млрд. руб. | Темп роста по годам, % | Абсолютный прирост по годам, млрд. руб. | |
18,4 | ; | ; | ||
18,9 | 103,5 | 0,5 | ||
19,8 | 105,3 | 0,9 | ||
20,3 | 102,6 | 0,5 | ||
21,1 | 104,4 | 0,8 | ||
В среднем | 19,7 | 103,9 | 0,67 | |
3.2. Решение задачи будем производить методом множественной регрессии с оценкой параметров а0, а1, а2, а3, так как: во-первых, абсолютный прирост неравномерен по годам; во-вторых, темпы роста также неравны между собой, то есть необходимо оценивать параметры а2 и а3 .
Матрица Х размерами 5?4 и вектор-столбец Y размерами 5?1, будут иметь следующий вид:
(1 1 1 1) (1,84E+10)
(1 2 4 8) (1,89E+10)
X = (1 3 9 27) Y = (1, 98E+10)
(1 4 16 64) (2, 03E+10)
(1 5 25 125) (2,11E+10)
Решение задачи с помощью п риложения EXCEL позволило получить следующие оценки параметров A и соответственно аппроксимируемые значения Y^:
(а0) (1,79E+10) (1, 838E+10)
(а1) (3,976E+08) (1,899E+10)
A = (а2) = (8,929E+07) Y^ = (1, 967E+10)
(а3) (- 8,333E+06) (2, 039E+10)
(2, 108E+10).
Отрицательное значение параметра а3 = - 8,333Е+06 говорит о том, что ускорение (темп роста) замедляется, что качественно можно оценить и из вышеприведенной таблицы.
3.3. Анализ полученной трендовой модели на качество аппроксимации произведем помощью коэффициента детерминации R2 .
Значение коэффициента детерминации R2 = 0,9931 говорит об очень хорошем качестве трендовой модели
yt (млрд.руб) = 17,9 + 0,3976 * t + 0,8 929*t2 — 0,8 333*t3 .