Главная » Бесплатные рефераты » Бесплатные рефераты по эконометрике »
Тема: Лабораторная работа №1, 2, 3 по эконометрике
Раздел: Бесплатные рефераты по эконометрике
Тип: Лабораторная работа | Размер: 697.69K | Скачано: 427 | Добавлен 16.04.09 в 09:10 | Рейтинг: +13 | Еще Лабораторные работы
Вуз: ВЗФЭИ
Год и город: Уфа 2009
Множественная регрессия
Порядок выполнения.
1. Импортируем данные из файла формата Excel в SPSS. После запуска программы SPSS выберем в строке меню Файл – Открыть - Данные. Зададим имя Excel, его тип, затем нажмем кнопку OPEN.
В новом диалоговом окне зададим диапазон ячеек … .
На экране появляются импортированные данные в формате SPSS.
Рис.1.1 Данные задачи представлены в формате SPSS
Редактируем данные с помощью пакета SPSS.
Для этого нажмем в нижней строке меню кнопку «переменные». Это позволит просмотреть всю информацию о переменных, импортированных в SPSS-файл, и внести нужные изменения. В столбце «Метка» введем расширенное имя переменной. Эта информация будет использована для отчетов.
Используя меню Файл – Сохранить как – Save, сохраним данный файл с расширением .sav.
Рис. 1.2. Редактирование данных SPSS
2. Выбор факторных признаков для построения регрессионной модели на основе анализа матрицы коэффициентов корреляции.
Для построения матрицы парной корреляции всех переменных с помощью пакета SPSS выполним следующие действия:
Выберем в верхней строке меню Анализ – Корреляция – Парные.
Переменные, относительно которых проверяется степень корреляционной связи, поочередно поместим в поле тестируемых переменных справа.
Начнем расчет путем нажатия ОК.
В результате в выходной области появилась матрица парной корреляции всех переменных. Анализ матрицы коэффициентов парной корреляции показывает, что зависимая переменная, т. е. прибыль, имеет тесную связь с районом расположения.
На основе анализа матрицы коэффициентов парной корреляции делаем вывод о целесообразности построения двухфакторного регрессионного уравнения Y=f(X2,X5).
Рис 1.3. Матрица парной корреляции всех переменных
3. Построение линейного уравнения регрессии
Для проведения регрессионного анализа с помощью пакета SPSS выполним следующие действия:
Выберем в верхней строке меню Анализ – Регрессия – Линейная.
Поместим переменную Y в поле для зависимых переменных, объявив переменные X1,, X2, X4, X5 независимыми.
Рис 1.4. Диалоговое окно Линейная регрессия
В полях панели Статистика отметим флажками Оценки, Согласие модели и критерий Дурбина-Уотсона, затем нажмем Продолжить.
В полях панели Сохранить отметим необходимые поля и нажмем Продолжить.
Начнем вычисления нажатием ОК.
Результаты регрессионного анализа приведены в следующих таблицах.
Рис. 1 .5. Перечисление переменных, которые были последовательно исключены на каждом шаге.
При последовательном подборе переменных в SPSS предусмотрена автоматизация, основанная на значимости включения и исключения переменных.
В рис 1. 6. приведены значения коэффициента детерминации, коэффициента множественной корреляции, стандартная ошибка, коэффициент Дарбина-Уотсона последовательно для всех моделей..
Рис 1.6. Приведение значений
В рис. 1. 7. приведены результаты дисперсионного анализа и значения F-критерия, полученные на каждом шаге.
Рис. 1.7. Приведение результатов
В рис. 1.8. в первом столбце указан номер модели, во втором – перечисляются используемые в модели независимые переменные, а в третьем столбце содержатся коэффициенты уравнения регрессии. В четвертом столбце содержатся стандартные ошибки коэффициентов уравнения регрессии, в пятом - стандартизованные коэффициенты, в в шестом – t-статистика, используемая для проверки значимости коэффициентов уравнения регрессии.
Уравнение регрессии зависимости прибыли от затраты на рекламу, полученное на последнем шаге, можно записать в следующем виде:
y= 23,023+16,388x1+6,076x2
Рис. 1.8. Коэффициенты
Коэффициенты уравнения регрессии показывают, что при увеличении затрат на рекламу на одну тыс. руб. прибыль увеличиться на 6, 076 млн. руб., при увеличении численности страховых агентов на 1% прибыль увеличится на 16,388 млн. руб. .
4. Оценка качества модели
Уравнение регрессии следует считать признать адекватным, модель считается значимой.(значения R2 на рис.1.6, F-критерия Фишера на рис. 1.7.)
5. Построение прогноза
Для построения прогноза введем прогнозные значения
Затем запустим процедуру Анализ – Регрессия – Линейная.
В полях панели сохранить отметим необходимость сохранения Интервалов предсказания для отдельных значений с вероятностью 90% и нажмем продолжить.
На рис. 1.9. приведены результаты прогнозирования по модели регрессии: точечный прогноз, верхняя и нижняя границы.
С вероятностью 90% прибыль в прогнозируемом месяце составит от 384,97 до 737,73 руб.
Рис. 1.9. Результаты прогнозирования.
Временные ряды
Задача.
В течение девяти последовательных недель фиксировался спрос Y(t) (млн руб.) на кредитные ресурсы финансовой компании. Временной ряд Y(t) этого показателя приведен ниже в таблице.
Номер наблюдения |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
данные |
3 |
7 |
10 |
11 |
15 |
17 |
21 |
25 |
23 |
Задание.
Вычисления провести с одним знаком в дробной части. Основные промежуточные результаты вычислений представить в таблицах ( при использовании компьютера представить соответствующие листинги с комментариями.
Решение задачи
Решение задачи начнем с ввода данных непосредственно в SPSS.(рис.2.1)
Рис. 2.1 данные задачи представлены в формате SPSS.
Для удобства работы выполним некоторые преобразования файла данных. Используя меню Данные - Задать даты выберем формат Годы, месяцы (рис.2.2)и укажем, что первое наблюдение относится к январю 2005 года. В результате появятся новые переменные Год, Месяц, Дата, изображенные на рис.2.3.
Рис.2.2 используя меню Данные – Задать даты выберем формат Годы, месяцы.
Рис.2.3 Новые переменные: Год, Месяц, Дата.
Параметры модели оценить с помощью МНК.
Для определения параметров модели можно использовать такой способ: Анализ-Регрессия-Подгонка кривых.
Рис. 2.4. Подгонка кривых. Заполнение поля Сохранить.
Из протокола видно, что мы получили модель:
y^t=
Построение прогноза.
Прогнозные значения, расположены в последних трех строках редактора данных:
Рис. 2.5. Результаты расчетов: предсказанные значения, значения остаточной компоненты, нижняя и верхняя границы доверительного интервала.
На основании выполненных расчетов можно сделать следующие выводы:
Для построения более наглядного графика выполним редактирование данных. Нажмем в нижней строке меню кнопку «Переменные».В столбце «Метка» введем расширенное имя переменной. Эта информация будет использована при создании графиков.
Построение графика.
Выберем в верхней строке меню «Графика»-«Линии»-Несколько. В поле Несколько линий: Отдельные значения переменных указываем, что линии представляют переменные : Y(Объем платежей), Предсказанное Y, 90% нижняя граница и 90% верхняя граница.
На рис. 2.6. графики исходного временного ряда Объемы платежей, аппроксимирующая прямая и результаты прогнозирования.
Рис. 2.6. Исходные данные, результаты моделирования и прогнозирования.
Оценка адекватности и точности построенной модели.
Для того чтобы оценить адекватность и точность построенной модели на основе исследования целесообразно воспользоваться результатами, полученными при расчете линейной регрессии: Анализ-Регрессия-Линейная, где в качестве зависимой переменной указать Y(Объем платежей), в качестве независимой MONTH, и в поле панели Статистики отметить флажками Оценки,критерий Дурбина-Уотсона.
Анализ временных рядов и прогнозирование экономических процессов с использование программы СтатЭксперт
Задание.
Порядок выполнения работы.
Рис. 3.1 Таблица исходных данных.
2. Инсталляция программы «Стат Эксперт».
«ПУСК»-«ПРОГРАММЫ»-«Olymp»-«Стат Эксперт»-«Включить макросы». Затем дать команду «НАЧАЛО РАБОТЫ»-«ОК».
3. Включить режимы работы программы
Активировать файл исходных данных, выполнив последовательно действия: «ФАЙЛ»-выбор имени файла в формате Ехсеl. Затем отметить цифровые данные таблицы. После вызвать меню «Стат Экс.», затем «ВРЕМЕННЫЕ РЯДЫ».
Рис. 3.2 Окно «Установки блока данных»
Рис. 3.3 Окно «Обработка временных рядов».
Получен протокол отчета 1:
Cтатистики временного ряда - Показатель- 2 |
|
|
|
|
|
|
|
Базисные характеристики |
|
|
|
Наблюдение |
Абс. |
Темп |
Темп |
2 |
6.000 |
175.000 |
75.000 |
3 |
8.000 |
200.000 |
100.000 |
4 |
12.000 |
250.000 |
150.000 |
5 |
18.000 |
325.000 |
225.000 |
6 |
20.000 |
350.000 |
250.000 |
7 |
27.000 |
437.500 |
337.500 |
8 |
29.000 |
462.500 |
362.500 |
|
|
|
|
|
|
|
|
Цепные характеристики |
|
|
|
Наблюдение |
Абс. |
Темп |
Темп |
2 |
6.000 |
175.000 |
75.000 |
3 |
2.000 |
114.286 |
14.286 |
4 |
4.000 |
125.000 |
25.000 |
5 |
6.000 |
130.000 |
30.000 |
6 |
2.000 |
107.692 |
7.692 |
7 |
7.000 |
125.000 |
25.000 |
8 |
2.000 |
105.714 |
5.714 |
|
|
|
|
|
|
|
|
Средние характеристики |
|
|
|
Характеристика |
Значение |
|
|
Среднее арифметическое |
23.000 |
|
|
Средний темп роста (%) |
124.456 |
|
|
Средний темп прироста (%) |
24.456 |
|
|
Средний абсолютный прирост |
4.143 |
|
|
|
|
|
|
|
|
|
|
Гипотеза об отсутствии тренда |
|
|
|
Метод проверки |
Результат |
|
|
Метод Форстера-Стюарта |
Нет |
|
|
Метод сравнения средних |
Нет |
|
|
Вывод: гипотеза отвергается |
|
|
|
|
|
|
|
Проверка однородности данных |
|
|
|
Аномальные наблюдения не обнаружены |
|
|
|
|
|
|
|
Автокорреляционная функция |
|
|
|
Лаг |
Исходный |
Разностный |
|
1 |
0.614 |
-0.699 |
|
2 |
0.274 |
0.207 |
|
Cтандартные отклонения = +0.4878, +0.5077 |
|
|
|
|
|
|
|
Частная автокорреляционная функция |
|
|
|
Лаг |
Исходный |
Разностный |
|
1 |
0.715 |
-1.000 |
|
2 |
-0.165 |
-0.550 |
|
Cтандартные отклонения = +0.3536, +0.4082 |
|
|
|
|
|
|
|
Рис. 3.4. Окно «Обработка временных рядов».
Вычислить.
Составлен протокол отчета 2:
Модели временного ряда - Показатель- 2 |
|
|
|
|
|
|
|
|
|
|
|
Характеристики базы моделей |
|
|
|
|
|
Модель |
Адекват |
Точность |
Качество |
|
|
АР(1, 1) |
38.306 |
0.000 |
9.577 |
|
|
МАФ(1,1) |
28.383 |
49.224 |
44.014 |
|
|
АР(2, 1) |
52.353 |
0.000 |
13.088 |
|
|
МАФ(2,1) |
26.243 |
55.057 |
47.853 |
|
|
Лучшая модель МАФ(2,1) |
|
|
|
|
|
|
|
|
|
|
|
Параметры моделей |
|
|
|
|
|
Модель |
a1 |
a2 |
a3 |
a4 |
a5 |
МАФ(2,1) |
-0.029 |
0.000 |
0.000 |
0.000 |
0.000 |
|
|
|
|
|
|
|
|
|
|
|
|
Таблица остатков |
|
|
|
|
|
номер |
Факт |
Расчет |
Ошибка |
Ошибка |
|
4 |
20.000 |
19.800 |
0.200 |
1.000 |
|
5 |
26.000 |
27.800 |
-1.800 |
-6.923 |
|
6 |
28.000 |
25.800 |
2.200 |
7.857 |
|
7 |
35.000 |
37.800 |
-2.800 |
-8.000 |
|
8 |
37.000 |
34.800 |
2.200 |
5.946 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Характеристики остатков |
|
|
|
|
|
Характеристика |
Значение |
|
|
|
|
Среднее значение |
0.000 |
|
|
|
|
Дисперсия |
4.160 |
|
|
|
|
Приведенная дисперсия |
6.933 |
|
|
|
|
Средний модуль остатков |
1.840 |
|
|
|
|
Относительная ошибка |
5.945 |
|
|
|
|
Критерий Дарбина-Уотсона |
3.367 |
|
|
|
|
Коэффициент детерминации |
0.995 |
|
|
|
|
F - значение ( n1 = 1, n2 = 3) |
639.404 |
|
|
|
|
Критерий адекватности |
26.243 |
|
|
|
|
Критерий точности |
55.057 |
|
|
|
|
Критерий качества |
47.853 |
|
|
|
|
Уравнение значимо с вероятностью 0.95 |
|
|
|
|
|
|
|
|
|
|
|
Таблица прогнозов (p = 90%) |
|
|
|
|
|
Упреждение |
Прогноз |
Нижняя |
Верхняя |
|
|
1 |
41.200 |
36.956 |
45.444 |
|
|
2 |
45.400 |
39.677 |
51.123 |
|
|
3 |
49.600 |
43.445 |
55.755 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Рис. 3.5. Аппроксимация и прогноз.
Внимание!
Если вам нужна помощь в написании работы, то рекомендуем обратиться к профессионалам. Более 70 000 авторов готовы помочь вам прямо сейчас. Бесплатные корректировки и доработки. Узнайте стоимость своей работы
Понравилось? Нажмите на кнопочку ниже. Вам не сложно, а нам приятно).
Чтобы скачать бесплатно Лабораторные работы на максимальной скорости, зарегистрируйтесь или авторизуйтесь на сайте.
Важно! Все представленные Лабораторные работы для бесплатного скачивания предназначены для составления плана или основы собственных научных трудов.
Друзья! У вас есть уникальная возможность помочь таким же студентам как и вы! Если наш сайт помог вам найти нужную работу, то вы, безусловно, понимаете как добавленная вами работа может облегчить труд другим.
Если Лабораторная работа, по Вашему мнению, плохого качества, или эту работу Вы уже встречали, сообщите об этом нам.
Добавить отзыв могут только зарегистрированные пользователи.