Загрузка...
Учебная работа № 88614. «Контрольная Эконометрика. Вариант 4, задача
Содержание:
»
Контрольная работа по эконометрике для студентов
Составил: доцент кафедры ЕМД Пасиков В.Л.
Вариант 4
В задачах приведены данные по группе хозяйств о дозах внесения удобрений на 1 га посева зерновых Требуется :
1) Рассчитать параметры линейного уравнения парной регрессии Y на X
2) Построить поле корелляции и оценить визуально тесноту связи экспериментальных точек
3) Рассчитать коэффициент корелляции и детерминации. Вычислить среднюю погрешность аппроксимации. Провести исследование тесноты связи по этим характеристикам.
4) Оценить качество уравнения регрессии по F- критериям Фишера.
5) Оценить статическую значимость коэффициентов регрессии и корелляции по t- критерию Стьюдента и доверительные интервалы каждого из показателей.
6) Выполнить прогноз урожайности уp при прогнозном значении дозы внесения удобрений x составляющим 110 % от среднего уровня.
7) Рассчитать параметры нелинейных регрессий степенной, показательной и равносторонней гиперболы и оценить каждую модель через среднюю погрешность аппроксимации А и F – критерий Фишера.
8) В приложении Microsoft Office Excel построить поля корреляции, линии тренда, уравнения регрессий и вычислить R2 во всех четырех случаях.
Х 4,2 2,7 2,4 1,2 3,3 3,0 1,3 2,5 1,4 2,6
у 34,2 24,4 29,1 23,2 40,3 31,1 19,5 28,5 18,0 32,4
»
Форма заказа готовой работы
Выдержка из похожей работы
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
32
30
36
40
41
47
56
54
60
55
61
67
69
76
yi
20
24
28
30
31
33
34
37
38
40
41
43
45
48
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 40134)
г) Находим произведение матриц XT * Y:
( 492 )
XT * Y = ( 26907 )
д) Вычисляем обратную матрицу ( XT * X) -1 :
( 1,064562 -0,0192 )
( XT * X) -1 = (-0,0192 0,000371)
е) Умножаем обратную матрицу ( XT * X) -1 на произведение
матриц (XT *Y) и получаем вектор- столбец A^ = (a 0 , a 1)T :
( 7,0361 )
A^ = ( XT * X) -1 * (XT * Y) = ( 0,543501),
Уравнение парной регрессии имеет следующий вид:
уi^ = 7,0361 + 0,543501* xi1 (4),
уi^ (60) = 7,0361 + 0,543501*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"