Скачать .docx Скачать .pdf

Курсовая работа: Проверка истинности моделей множественной регрессии

Министерство образования и науки Российской Федерации

Государственное образовательное учреждение высшего профессионального образования

АЛТАЙСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ им. И.И. ПОЛЗУНОВА

ИНСТИТУТ ЭКОНОМИКИ И УПРАВЛЕНИЯ РЕГИОНАЛЬНЫМ РАЗВИТИЕМ

Расчётное задание

по дисциплине: Эконометрика

Проверка истинности моделей множественной регрессии

Выполнил:

Филатов М.И.

2010


Исходные данные

Численность студентов (на 1000 человек населения) Динамика Валового Внутреннего Продукта (в постоянных ценах) Динамика валового накопления основного капитала (в постоянных ценах)
x1 y x2
Россия 64 131,2 103
Австралия 50 123 169
Австрия 29 117 115
Азербайджан 22 177,3 103,4
Армения 34 184,1 263,5
Беларусь 195 164,9 162,2
Бельгия 39 115 120
Венгрия 42 139 178
Германия 28 110 102
Грузия 42 169,3 112,4
Дания 40 114 134
Италия 34 111 125
Казахстан 61 163,4 126,7
Канада 42 121 156
Киргизия 46 134,7 83,3
Китай 15 184 420
Мексика 22 122 175
Нидерланды 33 119 129
Норвегия 47 120 130
Польша 54 140 154
Республика Молдова 34 129,1 134,1
Румыния 32 115 132
Соединенное Королевство Великобритания 38 122 146
США 58 117 143
Таджикистан 21 116,4 143,5
Украина 51 122,7 122,6
Финляндия 58 130 154
Франция 36 115 129
Швеция 48 121 129
Япония 32 105 91¹

Все данные взяты за 2003 год. Данные взяты из статистического сборника Регионы России Социально-экономические показатели.

2003. Федеральная служба государственной статистики Построение модели множественной регрессии

Расчет параметров

Рассчитаем необходимые параметры:

Признак Ср. знач. СКО Характеристики тесноты связи βi bi Коэф-ты частной корр. F-критерий фактический Табличный F-критерий
y 131,77 22,74 Ryx1x2 =0,5963
x1 44,9 30,41 ryx1 =0,2152 0,2639 0,1973 0,0672 ryx1 х2 =0,3112 Fx1 факт =2,8954 4,21
x2 146,19 60,57 ryx2 =0,5353 0,5583 0,2097 0,2326 ryx 2х1 =0,5695 Fx 2факт =12,95 4,21
rx1x2 =-0,0872 a=92,26 rx1 х2у =-0,2453 Fфакт =7,45 3,35

Уравнение регрессии в стандартизованном масштабе:

ty =2639tx 1 +0,5583tx 2

Уравнение множественной регрессии в естественной форме:

yтеор =92,26+0,1973x1 +0,2097x2

Рассчитаем по этой формуле теоретические значения динамики ВВП и определим среднюю ошибку аппроксимации. Она равна 9,5254.

Выбор фактора, оказывающего большее влияние

1. Динамика валового накопления основного капитала оказывает большее влияние на динамику ВВП, чем численность студентов, так как

2 |=0,5583 > |β1 |=0,2639.

2. С помощью средних коэффициентов эластичности можно оценить относительную силу влияния динамики валового накопления основного капитала (х2 ) и числа студентов (х1) на динамику ВВП (у):

=0,0672, =0,2326,

следовательно, с увеличением валового накопления основного капитала на 1% от их среднего значения, динамика ВВП возрастает на 0,23% от своего среднего значения. А при увеличении числа студентов на 1% от своего среднего значения, динамика ВВП увеличится на 0,067% от своего среднего значения. Очевидно, что сила влияния второго фактора (динамики валового накопления основного капитала) на результативный признак (динамику ВВП) значительно больше, чем сила влияния первого фактора (числа студентов).

3.Сравнивая коэффициенты парной и частной корреляции

ryx1 0,2152 ryx2 0,5353
ryx1x2 0,3112 ryx2x1 0,5695

Коэффициенты парной и частной корреляции отличаются незначительно что говорит о слабой межфакторной связи. Связь между динамикой валового накопления основного капитала и динамикой валового внутреннего продукта (связь прямая и средне тесная) выше, чем связь между числом студентов и динамикой ВВП (связь прямая слабая).

4. По коэффициенту множественной корреляции: Rуx1x2 =0,5963 можно сделать вывод, что зависимость динамики ВВП от динамики валового накопления основного капитала и числа студентов характеризуется как средне тесная, в которой 59,63% вариации результативного признака определяется вариацией учтённых в модели факторов. Прочие факторы, не включённые в модель, составляют соответственно 35,56% от общей вариации.

4. Так как F – критерий Фишера превышает табличное значение:

Fфакт =7,45>Fтабл =3,35

то можно говорить о статистической значимости и надёжности уравнения регрессии.

5. Сравнивая частные F – критерии фактические с пороговой константой Fтабл =4,21, делаем вывод: Fх2факт =12,95 > Fтабл , следовательно статистически подтверждена целесообразность включения в модель динамики валового накопления основного капитала, после числа студентов, т.к. этот фактор оказывает большее влияние.

Построение парных моделей регрессии

Представим данные полученные при построении парных моделей в таблице:

Модель Aср. r (ρ) Уравнение Fфакт
Линейная 10,89 0,5353 у=102,38+0,201х1 11,24
Степенная 11,008 0,4934 у=38,26×х1 0,2481 9,01
Показательная 10,47 0,5350 у=106,53×1,001х1 11,23
Гиперболическая 12,59 0,3786 у=165,92-4546,04/х1 4,68

Определение лучшей модели

1. Недопустимую ошибку аппроксимации имеют все 4 модели, однако у показательной модели она наименьшая, это говорит о том что линейная модель лучше аппроксимирует исходные данные чем остальные модели.

2. У линейной модели теснота связи самая сильная по сравнению с другими моделями. Это говорит о том, что показательная модель лучше подходит к нашим данным.

3. Проверив гипотезу о стат. значимости и надежности, получив значения Fфакт больше табличного во всех случаях, получаем, что все 4 уравнения являются стат. значимыми и надежными. Хотя линейная модель имеет наибольшее Fфакт по сравнению с другими моделями, это говорит о большей точности линейной модели.

По двум показателям линейная модель лучше остальных, это говорит о том, что линейная модель лучше аппроксимирует исходные данные. Однако множественная модель, на мой взгляд, лучше аппроксимирует данные, чем линейная, потому что множественная модель имеет допустимую ошибку аппроксимации и большую тесноту связи.

Проверка предпосылок МНК

1.Первую предпосылку проверим путём вычисления суммы значений остатков:

x1 x2 y x1x2 yx1 yx2 y^x y-y^x
64 103 131,2 6592 8396,8 13513,6 126,48 4,72
50 169 123 8450 6150 20787 137,56 -14,56
29 115 117 3335 3393 13455 122,09 -5,09
22 103,4 177,3 2274,8 3900,6 18332,82 118,28 59,02
34 263,5 184,1 8959 6259,4 48510,35 154,21 29,89
195 162,2 164,9 31629 32155,5 26746,78 164,75 0,15
39 120 115 4680 4485 13800 125,11 -10,11
42 178 139 7476 5838 24742 137,87 1,13
28 102 110 2856 3080 11220 119,17 -9,17
42 112,4 169,3 4720,8 7110,6 19029,32 124,11 45,19
40 134 114 5360 4560 15276 128,25 -14,25
34 125 111 4250 3774 13875 125,18 -14,18
61 126,7 163,4 7728,7 9967,4 20702,78 130,86 32,54
42 156 121 6552 5082 18876 133,25 -12,25
46 83,3 134,7 3831,8 6196,2 11220,51 118,80 15,90
15 420 184 6300 2760 77280 183,27 0,73
22 175 122 3850 2684 21350 133,29 -11,29
33 129 119 4257 3927 15351 125,82 -6,82
47 130 120 6110 5640 15600 128,79 -8,79
54 154 140 8316 7560 21560 135,20 4,80
34 134,1 129,1 4559,4 4389,4 17312,31 127,08 2,02
32 132 115 4224 3680 15180 126,25 -11,25
38 146 122 5548 4636 17812 130,37 -8,37
58 143 117 8294 6786 16731 133,69 -16,69
21 143,5 116,4 3013,5 2444,4 16703,4 126,49 -10,09
51 122,6 122,7 6252,6 6257,7 15043,02 128,03 -5,33
58 154 130 8932 7540 20020 135,99 -5,99
36 129 115 4644 4140 14835 126,41 -11,41
48 129 121 6192 5808 15609 128,78 -7,78
32 91 105 2912 3360 9555 117,65 -12,65
сумма 0,0000

2.Случайный характер остатков. Проверим графически:

Из графика зависимости остатков εi от теоретических значений результативного признака видно, что точки распределены случайно, следовательно, εi представляют собой случайные величины и МНК оправдан.

3. Наличие гомоскедастичности. Воспользуемся методом Гольдфельда – Квандта. Число исключаемых центральных наблюдений примем равным 8. Тогда в каждой группе будет по 11 наблюдений. Результаты расчетов представим в таблице:

x1 x2 y x1x2 yx1 yx2 y^x y-y^x Ai (y-y^x)^2
46 83,3 134,7 3831,8 6196,2 11220,51 132,15 2,55 1,8961 6,52
32 91 105 2912 3360 9555 128,41 -23,41 22,2973 548,13
28 102 110 2856 3080 11220 127,98 -17,98 16,3451 323,27
64 103 131,2 6592 8396,8 13513,6 139,08 -7,88 6,0058 62,09
22 103,4 177,3 2274,8 3900,6 18332,82 126,24 51,06 28,7972 2606,87
42 112,4 169,3 4720,8 7110,6 19029,32 133,02 36,28 21,4308 1316,41
29 115 117 3335 3393 13455 129,22 -12,22 10,4468 149,40
39 120 115 4680 4485 13800 132,65 -17,65 15,3447 311,40
51 122,6 122,7 6252,6 6257,7 15043,02 136,51 -13,81 11,2549 190,71
34 125 111 4250 3774 13875 131,48 -20,48 18,4460 419,23
61 126,7 163,4 7728,7 9967,4 20702,78 139,87 23,53 14,4012 553,73
0,0000 15,1514 6487,74
x1 x2 y x1x2 yx1 yx2 y^x y-y^x Ai (y-y^x)^2
21 143,5 116,4 3013,5 2444,4 16703,4 119,32 -2,92 2,5060 8,51
38 146 122 5548 4636 17812 124,14 -2,14 1,7530 4,57
58 154 130 8932 7540 20020 131,22 -1,22 0,9407 1,50
54 154 140 8316 7560 21560 130,25 9,75 6,9625 95,01
42 156 121 6552 5082 18876 127,90 -6,90 5,7020 47,60
195 162,2 164,9 31629 32155,5 26746,78 166,75 -1,85 1,1203 3,41
50 169 123 8450 6150 20787 133,47 -10,47 8,5103 109,57
22 175 122 3850 2684 21350 128,35 -6,35 5,2041 40,31
42 178 139 7476 5838 24742 134,04 4,96 3,5697 24,62
34 263,5 184,1 8959 6259,4 48510,35 155,95 28,15 15,2883 792,18
15 420 184 6300 2760 77280 195,01 -11,01 5,9854 121,29
0,0000 5,2311 1248,57

Величина R=0,1924 (1248,57/6487,74), меньше табличного значения F-критерия, следовательно, наличие гомоскедастичности и отсутствие гетероскедастичности.

4.Отсутствие автокорреляции. Тест Дарбина–Уотсона:

x1 x2 y y^ lу-у^l (lу-у^l/у)*100 у-у^ ei-ei-1 (ei-ei-1)^2 (у-у^)^2
64 103 131 126,48 4,715497 3,594 -4,715 -4,7155 22,2 22,24
50 169 123 137,56 14,55865 11,836 14,559 19,27414 371,5 211,95
29 115 117 122,09 5,093094 4,353 5,093 -9,46555 89,6 25,94
22 103 177 118,28 59,02032 33,288 -59,020 -64,1134 4110,5 3483,40
34 264 184 154,21 29,88682 16,234 -29,887 29,13349 848,8 893,22
195 162 165 164,75 0,151302 0,092 -0,151 29,73552 884,2 0,02
39 120 115 125,11 10,11485 8,796 10,115 10,26615 105,4 102,31
42 178 139 137,87 1,133281 0,815 -1,133 -11,2481 126,5 1,28
28 102 110 119,17 9,170267 8,337 9,170 10,30355 106,2 84,09
42 112 169 124,11 45,18646 26,690 -45,186 -54,3567 2954,7 2041,82
40 134 114 128,25 14,24733 12,498 14,247 59,43379 3532,4 202,99
34 125 111 125,18 14,17636 12,771 14,176 -0,07097 0,0 200,97
61 127 163 130,86 32,53879 19,914 -32,539 -46,7152 2182,3 1058,77
42 156 121 133,25 12,25437 10,128 12,254 44,79316 2006,4 150,17
46 83,3 135 118,80 15,89794 11,802 -15,898 -28,1523 792,6 252,74
15 420 184 183,27 0,725914 0,395 -0,726 15,17202 230,2 0,53
22 175 122 133,29 11,29077 9,255 11,291 12,01669 144,4 127,48
33 129 119 125,82 6,817621 5,729 6,818 -4,47315 20,0 46,48
47 130 120 128,79 8,790167 7,325 8,790 1,972546 3,9 77,27
54 154 140 135,20 4,796736 3,426 -4,797 -13,5869 184,6 23,01
34 134 129 127,08 2,015804 1,561 -2,016 2,780932 7,7 4,06
32 132 115 126,25 11,24923 9,782 11,249 13,26503 176,0 126,55
38 146 122 130,37 8,368454 6,859 8,368 -2,88077 8,3 70,03
58 143 117 133,69 16,68649 14,262 16,686 8,318035 69,2 278,44
21 144 116 126,49 10,08938 8,668 10,089 -6,59711 43,5 101,80
51 123 123 128,03 5,32814 4,342 5,328 -4,76124 22,7 28,39
58 154 130 135,99 5,992662 4,610 5,993 0,664522 0,4 35,91
36 129 115 126,41 11,40967 9,921 11,410 5,417008 29,3 130,18
48 129 121 128,78 7,777864 6,428 7,778 -3,63181 13,2 60,50
32 91 105 117,65 12,65349 12,051 12,653 4,875628 23,8 160,11
19110,43 10002,65

Исходя из статистики Дарбина-Уотсона, можно сделать вывод, что автокорреляция отсутствует, так как 1,91 находится в промежутке (1,339;2,661) (d2 ; 4-d2 ). Следовательно, значения остатков распределены независимо друг от друга. Отсутствие автокорреляции остаточных величин обеспечивает состоятельность и эффективность оценок коэффициентов регрессии.

Таким образом, не все предпосылки выполнились, это говорит о недостаточной надежности уравнения множественной регрессии. Возможно, можно было бы и получить надежную модель, если исключить из данных страны значение динамики ВВП, которых сильно отличается от других.