- •«Финансовый университет при Правительстве Российской Федерации» Кировский филиал
- •Киров 2012г. (2013г.) Содержание
- •Исходные данные Задача 1. Эконометрическое моделирование стоимости квартир в Московской области
- •Задача 2. Исследовать динамику экономического показателя на основе анализа одномерного временного ряда
- •Решение Задача 1.1. Матрица парных коэффициентов корреляции
- •Задача 1.2. Поле корреляции результативного признака
- •Задача 1.3. Параметры линейной парной регрессии
- •Задача 1.4. Оценка качества моделей
- •Задача 1.5. Прогнозирование среднего значения
- •Задача 1.6. Пошаговая множественная регрессия
- •Задача 1.7. Оценка качества многофакторной модели
- •Задача 2.1. Проверка наличия аномальных наблюдений
- •Задача 2.2. Построение линейной модели
- •Задача 2.3. Оценка адекватности модели
- •Задача 2.4. Оценка точности модели
- •Задача 2.5. Осуществление прогноза
- •Задача 2.6. Графическое представление результатов моделирования и прогнозирования
- •Список литературы
Задача 2.1. Проверка наличия аномальных наблюдений
Проверить наличие аномальных наблюдений.
Используем метод Ирвина, основанный на определении λt-статистик по формуле:
λt=,
где ,.
Найдем Sy=7.293 (функция СТАНДОТКЛОН) и рассчитаем λt-статистики. Результат расчетов приведем в таблице:
t |
yt |
|yt-yt-1| |
t |
1 |
43 |
- |
- |
2 |
47 |
4 |
0,548 |
3 |
50 |
3 |
0,411 |
4 |
48 |
2 |
0,274 |
5 |
54 |
6 |
0,823 |
6 |
57 |
3 |
0,411 |
7 |
61 |
4 |
0,548 |
8 |
59 |
2 |
0,274 |
9 |
65 |
6 |
0,823 |
При n=9 и уровне значимости α=5% можно использовать λкр=1.5.
Все λt-статистики меньше λкр, т.е. аномальных наблюдений нет. Этот вывод подтверждает графическое представление временного ряда.
Исходный ряд будем использовать для выполнения следующих пунктов задачи.
Задача 2.2. Построение линейной модели
Построить линейную модель , параметры которой оценить МНК (- расчетные смоделированные значения временного ряда).
2.1. С помощью инструмента «Регрессия» найдем:
ВЫВОД ИТОГОВ | |
|
|
Регрессионная статистика | |
Множественный R |
0,970013862 |
R-квадрат |
0,940926893 |
Нормированный R-квадрат |
0,932487878 |
Стандартная ошибка |
1,895064601 |
Наблюдения |
9 |
Дисперсионный анализ |
|
|
| ||
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
1 |
400,4166667 |
400,4166667 |
111,4972376 |
1,4929E-05 |
Остаток |
7 |
25,13888889 |
3,591269841 |
|
|
Итого |
8 |
425,5555556 |
|
|
|
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% |
Y-пересечение |
40,86111111 |
1,376732514 |
29,67977489 |
1,27E-08 |
37,6056560 |
44,116566 |
37,60566 |
44,11657 |
t |
2,583333333 |
0,244651788 |
10,55922524 |
1,49E-05 |
2,00482378 |
3,1618428 |
2,004824 |
3,161843 |
Таким образом, модель построена, ее уравнение имеет вид:
Коэффициент регрессии показывает, что с каждой неделей спрос на кредитные ресурсы финансовой компании (Y) увеличивается в среднем на 2.583 млн. руб.
2.2. Рассчитаем коэффициенты линейной модели с помощью МНК.
Найдем параметры a1 и a0 уравнения модели, используя МНК.
Для этого решим систему уравнений следующего вида:
Промежуточные расчеты представлены в таблице
Номер наблюдения |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
∑ |
ti |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
45 |
yi |
43 |
47 |
50 |
48 |
54 |
57 |
61 |
59 |
65 |
484 |
ti2 |
1 |
4 |
9 |
16 |
25 |
36 |
49 |
64 |
81 |
285 |
tiyi |
43 |
94 |
150 |
192 |
270 |
342 |
427 |
472 |
585 |
2575 |
На основе промежуточных данных таблицы решим систему уравнений:
, откуда a0=40,861, a1=2,583, тогда уравнение линейной модели примет вид:
Построим графическое представление линейной модели, добавив к исходным данным линию тренда