Автор: Пользователь скрыл имя, 19 Марта 2012 в 15:52, контрольная работа
Работа содержит решение 5 задач по "Статистике"
Задача 8.11. 3
Задача 9.16. 14
Задача 10.5. 28
Задача 12.5. 31
Задача 14.5. 32
Литература 35
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
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
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
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:
D =
где n - число цепных абсолютных приростов;
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
Отрицательная автокорреляция фактически
означает, что за положительным отклонением
следует отрицательное и
Среди основных причин, вызывающих автокорреляцию, можно выделить следующие:
1. Ошибки спецификации. Неучет в
модели какой-либо важной
2. Инерция. Многие экономические
показатели (инфляция, безработица,
ВНП и т.д.) обладают определенной
цикличностью, связанной с волнообразностью
деловой активности. Поэтому изменение
показателей происходит не
3. Эффект паутины. Во многих
производственных и других
4. Сглаживание данных. Зачастую
данные по некоторому