Контрольная работа по "Статистике"

Автор: Пользователь скрыл имя, 19 Марта 2012 в 15:52, контрольная работа

Описание работы

Работа содержит решение 5 задач по "Статистике"

Содержание

Задача 8.11. 3
Задача 9.16. 14
Задача 10.5. 28
Задача 12.5. 31
Задача 14.5. 32
Литература 35

Работа содержит 1 файл

Статистика_2012_вероника.docx

— 183.61 Кб (Скачать)

 

Линейное  уравнение тренда имеет вид y = bt + a

1. Находим  параметры уравнения методом  наименьших квадратов.

Система уравнений  МНК:

a0n + a1∑t = ∑y

a0∑t + a1∑t2 = ∑y•t

Для наших  данных система уравнений имеет  вид:

36a0 + 666a1 = 348

666a0 + 16206a1  = 6585

Из первого  уравнения выражаем а0 и подставим во второе уравнение

Получаем a0 = 0.0377, a1 = 8.97

Уравнение тренда:

y = 0.0377 t + 8.97

Эмпирические  коэффициенты тренда a и b являются лишь оценками теоретических коэффициентов βi, а само уравнение отражает лишь общую тенденцию в поведении рассматриваемых переменных.

Коэффициент тренда b = 0.0377 показывает среднее изменение  результативного показателя (в единицах измерения у) с изменением периода времени t на единицу его измерения. В данном примере с увеличением t на 1 единицу, y изменится в среднем на 0.0377.

Ошибка аппроксимации.

Оценим качество уравнения тренда с помощью ошибки абсолютной аппроксимации.

 

Ошибка аппроксимации  в пределах 5%-7% свидетельствует о  хорошем подборе уравнения тренда к исходным данным.

 

Поскольку ошибка больше 7%, то данное уравнение не желательно использовать в качестве тренда.

Однофакторный дисперсионный анализ.

Средние значения

 

 

 

Дисперсия

 

 

Среднеквадратическое  отклонение

 

 

Коэффициент эластичности.

Коэффициент эластичности представляет собой показатель силы связи фактора t с результатом у, показывающий, на сколько процентов изменится значение у при изменении значения фактора на 1%.

 

 

Коэффициент эластичности меньше 1. Следовательно, при изменении t на 1%, Y изменится  менее чем на 1%. Другими словами - влияние t на Y не существенно.

Эмпирическое  корреляционное отношение.

Эмпирическое  корреляционное отношение вычисляется  для всех форм связи и служит для  измерение тесноты зависимости. Изменяется в пределах [0;1].

 

где

 

В отличие  от линейного коэффициента корреляции он характеризует тесноту нелинейной связи и не характеризует ее направление. Изменяется в пределах [0;1].

Связи между  признаками могут быть слабыми и  сильными (тесными). Их критерии оцениваются  по шкале Чеддока:

0.1 < η < 0.3: слабая;

0.3 < η < 0.5: умеренная;

0.5 < η < 0.7: заметная;

0.7 < η < 0.9: высокая;

0.9 < η < 1: весьма высокая;

Полученная  величина свидетельствует о том, что изменение временного периода t не существенно влияет на y.

Коэффициент детерминации.

 

 

т.е. в 7.98% случаев  влияет на изменение данных. Другими  словами - точность подбора уравнения  тренда - низкая.

 

t

y

t 2

y 2

t•y

y(t)

(y-y cp) 2

(y-y(t))2

(t-t p) 2

(y-y(t)) : y

1

11.22

1

125.89

11.22

9.01

2.41

4.89

306.25

0.2

2

6.14

4

37.7

12.28

9.05

12.44

8.44

272.25

0.47

3

9.7

9

94.09

29.1

9.08

0.001

0.38

240.25

0.0636

4

8.06

16

64.96

32.24

9.12

2.58

1.13

210.25

0.13

5

8.66

25

75

43.3

9.16

1.02

0.25

182.25

0.0576

6

9.13

36

83.36

54.78

9.2

0.29

0.0044

156.25

0.0073

7

9.11

49

82.99

63.77

9.23

0.31

0.0154

132.25

0.0136

8

9.14

64

83.54

73.12

9.27

0.28

0.0173

110.25

0.0144

9

10

81

100

90

9.31

0.11

0.48

90.25

0.069

10

10.19

100

103.84

101.9

9.35

0.27

0.71

72.25

0.0827

11

12.36

121

152.77

135.96

9.38

7.25

8.85

56.25

0.24

12

9.51

144

90.44

114.12

9.42

0.0248

0.0076

42.25

0.0092

13

10.05

169

101

130.65

9.46

0.15

0.35

30.25

0.0587

14

8.95

196

80.1

125.3

9.5

0.51

0.3

20.25

0.0612

15

9.56

225

91.39

143.4

9.54

0.0115

0.0005

12.25

0.0026

16

7.75

256

60.06

124

9.57

3.68

3.32

6.25

0.24

17

8.54

289

72.93

145.18

9.61

1.27

1.15

2.25

0.13

18

9.25

324

85.56

166.5

9.65

0.17

0.16

0.25

0.0431

19

8.93

361

79.74

169.67

9.69

0.54

0.57

0.25

0.0847

20

9.15

400

83.72

183

9.72

0.27

0.33

2.25

0.0627

21

11.03

441

121.66

231.63

9.76

1.86

1.61

6.25

0.11

22

11.5

484

132.25

253

9.8

3.36

2.89

12.25

0.15

23

12.59

529

158.51

289.57

9.84

8.54

7.58

20.25

0.22

24

10.12

576

102.41

242.88

9.87

0.2

0.0601

30.25

0.0242

25

10.17

625

103.43

254.25

9.91

0.25

0.0663

42.25

0.0253

26

8.89

676

79.03

231.14

9.95

0.6

1.12

56.25

0.12

27

8.94

729

79.92

241.38

9.99

0.53

1.1

72.25

0.12

28

8

784

64

224

10.03

2.78

4.1

90.25

0.25

29

8.32

841

69.22

241.28

10.06

1.82

3.04

110.25

0.21

30

9.15

900

83.72

274.5

10.1

0.27

0.9

132.25

0.1

31

9.01

961

81.18

279.31

10.14

0.43

1.27

156.25

0.13

32

9.5

1024

90.25

304

10.18

0.028

0.46

182.25

0.0712

33

10.05

1089

101

331.65

10.21

0.15

0.0268

210.25

0.0163

34

11.74

1156

137.83

399.16

10.25

4.3

2.22

240.25

0.13

35

12.61

1225

159.01

441.35

10.29

8.66

5.39

272.25

0.18

36

11.01

1296

121.22

396.36

10.33

1.8

0.47

306.25

0.062

666

348.03

16206

3433.75

6584.95

348.03

69.17

63.65

3885

3.95


 

 

 

  Анализ точности определения  оценок параметров уравнения  тренда.

 

где m = 1 - количество влияющих факторов в  модели тренда.

Анализ  точности определения оценок параметров уравнения тренда

 

 

 

 

S b = 0.022

Доверительные интервалы для зависимой переменной

 

По  таблице Стьюдента находим Tтабл

Tтабл (n-m-1;α/2) = (34;0.025) = 2.021

Рассчитаем  границы интервала, в котором  будет сосредоточено 95% возможных  значений Y при неограниченно большом  числе наблюдений и t = 20

(9 + 0*20 - 2.021*3 ; 9 + 0*20 - 2.021*3)

(7;13)

Интервальный  прогноз.

Определим среднеквадратическую ошибку прогнозируемого  показателя.

 

m = 1 - количество влияющих факторов  в уравнении тренда.

 

где L - период упреждения; уn+L - точечный прогноз по модели на (n + L)-й момент времени; n - количество наблюдений во временном ряду; Sy - стандартная ошибка прогнозируемого показателя;  Tтабл - табличное значение критерия Стьюдента для уровня значимости α и для числа степеней свободы, равного n-2. 

Абсолютные  приросты (DУ) определяются как разность между двумя уровнями динамического ряда:

Цепные:  DУц  = Уi -Уi-1

Базисные:  DУб = Уi  - У0

где  Уi - каждый последующий уровень динамического ряда;

       У -  каждый предыдущий уровень динамического ряда;

        Уо - начальный  уровень ряда динамики.

Темпы роста определяются как отношение двух уровней динамического ряда:

Тц = Уi / Уi-1 (в коэффициентах)

 

Тц = (Уi / Уi-1 ) *100 (в процентах)

 

Тб = Уi / У0  (в коэффициентах)

 

Тб = (Уi / У0) *100 (в процентах)

 

Темпы прироста определяются путем  отношения абсолютных приростов (цепных или базисных) к уровню ряда динамики (предыдущему или начальному):

DТц = DУц / Уi-1  = Тц - 1 (в коэффициентах)

DТц =  (DУц / Уi-1 ) *100 = Тц*100 - 100 (в процентах)

Абсолютное значение одного процента прироста (А) определяется ценным способом по формулам:  

А =     или А =

 

Средний абсолютный  прирост уровней ряда динамики (D ) может быть исчислен двумя способами:

  1. как средняя арифметическая простая величина цепных абсолютных приростов:

D =

где  n - число цепных абсолютных приростов;

  1. делением базисного абсолютного прироста за весь период на число уровней ряда динамики, не считая базисного

 

D =

где    n - число уровней ряда динамики.

 

x

y

y`(x)

yi – yi-1

yi / yi-1

1

11,22

9,008063

   

2

6,14

9,045745

-5,08

0,547

3

9,7

9,083427

3,56

1,58

4

8,06

9,121109

-1,64

0,831

5

8,66

9,158792

0,6

1,074

6

9,13

9,196474

0,47

1,054

7

9,11

9,234156

-0,02

0,998

8

9,14

9,271838

0,03

1,003

9

10

9,30952

0,86

1,094

10

10,19

9,347202

0,19

1,019

11

12,36

9,384884

2,17

1,213

12

9,51

9,422566

-2,85

0,769

13

10,05

9,460248

0,54

1,057

14

8,95

9,497931

-1,1

0,891

15

9,56

9,535613

0,61

1,068

16

7,75

9,573295

-1,81

0,811

17

8,54

9,610977

0,79

1,102

18

9,25

9,648659

0,71

1,083

19

8,93

9,686341

-0,32

0,965

20

9,15

9,724023

0,22

1,025

21

11,03

9,761705

1,88

1,205

22

11,5

9,799387

0,47

1,043

23

12,59

9,837069

1,09

1,095

24

10,12

9,874752

-2,47

0,804

25

10,17

9,912434

0,05

1,005

26

8,89

9,950116

-1,28

0,874

27

8,94

9,987798

0,05

1,006

28

8

10,02548

-0,94

0,895

29

8,32

10,06316

0,32

1,04

30

9,15

10,10084

0,83

1,1

31

9,01

10,13853

-0,14

0,985

32

9,5

10,17621

0,49

1,054

33

10,05

10,21389

0,55

1,058

34

11,74

10,25157

1,69

1,168

35

12,61

10,28925

0,87

1,074

36

11,01

10,32694

-1,6

0,873

666

348,03

348,03

-0,21

0,981288


Найдем среднее  значение показателя ряда и средний  абсолютный прирост ряда

Найдем средний  темп роста и темп прироста

Важной предпосылкой построения качественной регрессионной модели по МНК является независимость значений случайных  отклонений   от значений отклонений во всех других наблюдениях. Это гарантирует  отсутствие коррелированности между  любыми отклонениями и, в частности, между соседними отклонениями.

Автокорреляция (последовательная корреляция) определяется как корреляция между  наблюдаемыми показателями, упорядоченными во времени (временные ряды) или в  пространстве (перекрестные ряды). Автокорреляция остатков (отклонений) обычно встречается  в регрессионном анализе при  использовании данных временных  рядов и очень редко при  использовании перекрестных данных.

В экономических задачах значительно  чаще встречается положительная  автокорреляция, нежели отрицательная  автокорреляция. В большинстве случаев  положительная автокорреляция вызывается направленным постоянным воздействием некоторых неучтенных в модели факторов.

Отрицательная автокорреляция фактически означает, что за положительным отклонением  следует отрицательное и наоборот. Такая ситуация может иметь место, если ту же зависимость между спросом  на прохладительные напитки и  доходами рассматривать по сезонным данным (зима-лето).

Среди основных причин, вызывающих автокорреляцию, можно выделить следующие:

1. Ошибки спецификации. Неучет в  модели какой-либо важной объясняющей  переменной либо неправильный  выбор формы зависимости обычно  приводят к системным отклонениям  точек наблюдения от линии  регрессии, что может обусловить  автокорреляцию.

2. Инерция. Многие экономические  показатели (инфляция, безработица,  ВНП и т.д.) обладают определенной  цикличностью, связанной с волнообразностью  деловой активности. Поэтому изменение  показателей происходит не мгновенно,  а обладает определенной инертностью.

3. Эффект паутины. Во многих  производственных и других сферах  экономические показатели реагируют  на изменение экономических условий  с запаздыванием (временным лагом).

4. Сглаживание данных. Зачастую  данные по некоторому продолжительному  временному периоду получают  усреднением данных по составляющим  его интервалам. Это может привести  к  определенному сглаживанию  колебаний, которые имелись внутри  рассматриваемого периода, что  в свою очередь может служить  причиной автокорреляции.

Информация о работе Контрольная работа по "Статистике"