Metodichka_lab_Ekonometria
.pdfЛабораторная работа 5 выполнена полностью.
5.5 Вопросы для самопроверки по разделу 5
1.Автокорреляция в регрессионных моделях, причины автокорреляции. Последствия автокорреляции и способы ее устранения.
2.Методы обнаружения автокорреляции. Метод рядов для обнаружения автокорреляции.
3.Критерий Дарбина–Уотсона для обнаружения автокорреляции. Нижние и верхние границы критических точек Дарбина–Уотсона.
4.Коэффициент автокорреляции первого порядка и его применение для раскрытия неопределенности в критерии Дарбина–Уотсона.
89
Раздел 6 Фиктивные (индикативные) переменные в эконометрических моделях
6.1 Теоретические замечания
Для решения различных задач эконометрического анализа в регрессионных моделях в качестве объясняющих переменных приходится использовать не только количественные, но и фиктивные (индикативные) переменные для учета качественных признаков (профессия, пол, уровень образования и т. д.). Виды фиктивных переменных и анализ, который можно провести на основании регрессионных моделей детально описаны в
[3].
6.2 Организация данных и расчетов на листе MS Excel
Рассмотрим пример построения регрессионной модели с фиктивными переменными, характеризующими фирмы производителей и выводы, которые можно сделать на ее основании.
Компьютерный клуб в течении последних двух лет закупал технику трех производителей D, F, G . Менеджер клуба решил проанализировать
надежность работы данной техники. Для этого он собрал данные о возрасте техники m в месяцах и времени h (в часах) безаварийной работы до последней поломки. Выборка наблюдений по 40 единицам техники дала следующие результаты (табл. 6.1).
Таблица 6.1
Характеристики техники
Номер техники |
|
|
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
|||
Производитель |
|
|
|
G |
G |
G |
G |
G |
G |
G |
G |
G |
G |
|||
Время безаварийной |
|
|
|
|
|
|
|
|
|
|
|
|||||
работы h , часы |
|
|
|
201 |
207 |
204 |
214 |
208 |
196 |
186 |
203 |
197 |
185 |
|||
Возраст компьютерной |
|
|
|
|
|
|
|
|
|
|
||||||
техники m , месяцы |
|
19 |
19 |
18 |
12 |
15 |
20 |
21 |
17 |
18 |
20 |
|||||
11 |
12 |
13 |
|
14 |
|
15 |
16 |
17 |
18 |
19 |
20 |
21 |
22 |
23 |
24 |
25 |
F |
F |
F |
|
F |
|
F |
F |
F |
F |
F |
F |
F |
F |
F |
F |
D |
267 |
251 |
267 |
|
242 |
|
234 |
270 |
240 |
272 |
236 |
239 |
267 |
250 |
258 |
274 |
285 |
13 |
12 |
13 |
|
16 |
|
18 |
12 |
17 |
11 |
21 |
18 |
14 |
17 |
14 |
12 |
14 |
26 |
27 |
28 |
|
29 |
|
30 |
31 |
32 |
33 |
34 |
35 |
36 |
37 |
38 |
39 |
40 |
D |
D |
D |
D |
D |
D |
D |
D |
D |
D |
D |
D |
D |
D |
D |
||
272 |
282 |
279 |
|
278 |
|
258 |
261 |
258 |
270 |
274 |
258 |
272 |
251 |
262 |
267 |
278 |
12 |
13 |
12 |
|
12 |
|
17 |
17 |
20 |
16 |
15 |
18 |
19 |
20 |
20 |
16 |
16 |
Постройте модель зависимости времени безаварийной работы компьютерной техники от возраста в двух случаях:
1)без учета фирмы производителя;
2)учитывая фирму производителя.
90
Сделайте выводы по каждому уравнению в отдельности и сравните уравнения, полученные в пунктах 1) и 2).
Сформулируйте приоритеты при закупке компьютерной техники трех производителей, если единственным критерием является время ее безаварийной работы.
Решение. Предположим, что зависимость времени h (в часах) безаварийной работы компьютерной техники от возраста m в месяцах линейная: h = a + bm +ε . С помощью пакета «Анализ данных» (функция –
«Регрессия») |
программы MS |
Excel рассчитаем параметры |
линейного |
|||||
|
|
ˆ |
= a + bm и характеристики качества модели. |
|||||
уравнения парной регрессии h |
||||||||
Анализируя полученный отчет (рис. 6.1) сделаем следующие выводы. |
||||||||
|
|
|
|
|
|
|
|
|
ВЫВОД ИТОГОВ |
|
|
|
|
|
|
|
|
Регрессионная |
|
|
|
|
|
|
|
|
статистика |
|
|
|
|
|
|
|
|
Множественный R |
0,5721 |
|
|
|
|
|
||
R-квадрат |
|
0,3273 |
|
|
|
|
|
|
Нормированный R- |
|
|
|
|
|
|
|
|
квадрат |
|
0,3096 |
|
|
|
|
|
|
Стандартная ошибка |
25,2023 |
|
|
|
|
|
||
Наблюдения |
|
40 |
|
|
|
|
|
|
Дисперсионный анализ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Значи- |
|
|
|
df |
SS |
|
MS |
F |
мость F |
|
|
Регрессия |
1 |
11742,72 |
11742,72 |
18,49 |
0,0001149 |
|
||
Остаток |
38 |
24135,93 |
635,16 |
|
|
|
|
|
Итого |
39 |
35878,64 |
|
|
|
|
|
|
|
Коэффи– |
Стандарт– |
t-ста– |
P-зна- |
Нижние |
|
Верхние |
|
|
циенты |
ная ошибка |
тистика |
чение |
95% |
|
95% |
|
Y-пересечение |
338,4631 |
21,6602 |
15,6261 |
3,93E–18 |
294,61 |
|
382,31 |
|
Переменная m |
–5,6521 |
1,3145 |
–4,2998 |
0,0001149 |
–8,31 |
|
–2,99 |
Рис. 6.1 – Расчет параметров 1-й модели (без учета фирмы производителя) с помощью надстройки «Анализ данных» программы MS Excel
Уравнение регрессии зависимости времени h безаварийной работы компьютерной техники от возраста m имеет вид
ˆ |
=338,46 −5,65m |
(6.1) |
h1 |
с коэффициентом детерминации R2 = 0,3273. Следовательно, полученная модель объясняет колебания переменной h времени безаварийной работы всего на 33 %. При этом коэффициент b = −5,65 и модель (6.1) являются статистически значимыми при уровне α = 0,05, так как значения в ячейках Значимость F и P–Значение (рис. 6.1) меньше 0,05. Следовательно, на основании модели (6.1), можно сделать вывод, что с увеличением возраста
91
компьютерной техники на 1 месяц время безаварийной работы уменьшается (в среднем, при прочих равных условиях) на 5,65 часов.
Для построения второй модели с учетом фирмы производителя введем фиктивные переменные
1, |
если производитель фирма D , |
d = |
в противном случае. |
0, |
|
|
|
1, |
если производитель фирма F , |
f = |
в противном случае. |
0, |
|
|
|
Тогда значения переменных для построения второй модели будут следующие (табл. 6.2).
Таблица 6.2
|
|
|
|
|
Значения переменных 2-й модели |
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
Номер |
|
|
|
|
|
|
Номер |
h |
|
m |
d |
f |
Номер |
h |
m |
d |
f |
h |
m |
d |
f |
|||
|
1 |
201 |
|
19 |
0 |
0 |
11 |
267 |
13 |
0 |
1 |
|
25 |
285 |
14 |
1 |
0 |
|
|
2 |
207 |
|
19 |
0 |
0 |
12 |
251 |
12 |
0 |
1 |
|
26 |
272 |
12 |
1 |
0 |
|
|
3 |
204 |
|
18 |
0 |
0 |
13 |
267 |
13 |
0 |
1 |
|
27 |
282 |
13 |
1 |
0 |
|
|
4 |
214 |
|
12 |
0 |
0 |
14 |
242 |
16 |
0 |
1 |
|
28 |
279 |
12 |
1 |
0 |
|
|
5 |
208 |
|
15 |
0 |
0 |
15 |
234 |
18 |
0 |
1 |
|
29 |
278 |
12 |
1 |
0 |
|
|
6 |
196 |
|
20 |
0 |
0 |
16 |
270 |
12 |
0 |
1 |
|
30 |
258 |
17 |
1 |
0 |
|
|
7 |
186 |
|
21 |
0 |
0 |
17 |
240 |
17 |
0 |
1 |
|
31 |
261 |
17 |
1 |
0 |
|
|
8 |
203 |
|
17 |
0 |
0 |
18 |
272 |
11 |
0 |
1 |
|
32 |
258 |
20 |
1 |
0 |
|
|
9 |
197 |
|
18 |
0 |
0 |
19 |
236 |
21 |
0 |
1 |
|
33 |
270 |
16 |
1 |
0 |
|
|
10 |
185 |
|
20 |
0 |
0 |
20 |
239 |
18 |
0 |
1 |
|
34 |
274 |
15 |
1 |
0 |
|
|
|
|
|
|
|
|
21 |
267 |
14 |
0 |
1 |
|
35 |
258 |
18 |
1 |
0 |
|
|
|
|
|
|
|
|
22 |
250 |
17 |
0 |
1 |
|
36 |
272 |
19 |
1 |
0 |
|
|
|
|
|
|
|
|
23 |
258 |
14 |
0 |
1 |
|
37 |
251 |
20 |
1 |
0 |
|
|
|
|
|
|
|
|
24 |
274 |
12 |
0 |
1 |
|
38 |
262 |
20 |
1 |
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
39 |
267 |
16 |
1 |
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
40 |
278 |
16 |
1 |
0 |
|
|
С помощью пакета «Анализ данных» (функция – «Регрессия») |
|||||||||||||||||
программы MS |
Excel |
рассчитаем |
параметры |
линейного |
уравнения |
|||||||||||||
множественной |
|
|
|
ˆ |
|
|
|
|
|
|
характеристики |
|||||||
регрессии h = a0 + a1m + a2d + a3 f и |
качества модели.
92
ВЫВОД ИТОГОВ |
|
|
|
|
|
|
Регрессионная |
|
|
|
|
|
|
статистика |
|
|
|
|
|
|
Множественный R |
0,9764 |
|
|
|
|
|
R-квадрат |
|
0,9533 |
|
|
|
|
Нормированный R-квадрат |
0,9494 |
|
|
|
|
|
Стандартная ошибка |
6,8228 |
|
|
|
|
|
Наблюдения |
|
40 |
|
|
|
|
Дисперсионный анализ |
|
|
|
|
|
|
|
|
|
|
|
Значи- |
|
|
|
|
|
|
мость |
|
|
df |
SS |
MS |
F |
F |
|
Регрессия |
3 |
34202,83 |
11400,94 |
244,92 |
5,348 |
|
E–24 |
|
|||||
Остаток |
36 |
1675,81 |
46,55 |
|
|
|
Итого |
39 |
35878,64 |
|
|
|
|
|
Коэффи- |
Стандарт– |
t-ста– |
P- |
Нижние |
Верхние |
|
циенты |
ная ошибка |
тистика |
значение |
95 % |
95 % |
Y–пересечение |
260,5490 |
7,3414 |
35,4901 |
1,3E–29 |
245,659 |
275,438 |
Переменная m |
–3,3437 |
0,3881 |
–8,6147 |
2,8E–10 |
–4,131 |
–2,556 |
Переменная d |
62,6090 |
2,8512 |
21,9592 |
1,94–22 |
56,827 |
68,391 |
Переменная f |
44,2363 |
3,0808 |
14,3589 |
1,8E–16 |
37,988 |
50,484 |
Рис. 6.2 – Расчет параметров 2-й модели (с учетом фирмы производителя) с помощью надстройки «Анализ данных»
6.3 Построение регрессионной модели с фиктивными (индикативными) переменными
Анализируя полученный отчет (рис. 6.2) сделаем следующие выводы. Уравнение регрессии зависимости времени h безаварийной работы компьютерной техники от возраста m и фирмы производителя имеет вид
ˆ |
= 260,54 −3,34m + 62,61d + 44,24 f |
(6.2) |
h2 |
с коэффициентом детерминации R2 = 0,9494 . Следовательно, полученная модель объясняет колебания переменной h времени безаварийной работы почти на 95 %. При этом все коэффициенты уравнения и модель (6.2) являются статистически значимыми при уровне α = 0,05, так как значения в ячейках Значимость F и P-значение (рис. 6.2) меньше 0,05.
На основании модели (6.2) запишем частные уравнения регрессии для каждого производителя
|
ˆ |
(G) = 260,54 |
−3,34m , |
|
|
ˆ |
h2 |
|
|||
(D) = 260,54 −3,34m + 62,61 =323,15 |
−3,34m , |
||||
h2 |
93
ˆ |
(F) = 260,54 |
−3,34m + 44,24 =304,78 −3,34m . |
h2 |
Следовательно, с увеличением возраста компьютерной техники на один месяц время безаварийной работы уменьшается (в среднем, при прочих равных условиях) на 3,34 часов. При этом, сравнив значения коэффициентов перед фиктивными переменными в модели (6.2) и свободных членов последних трех уравнений, делаем вывод, что при одинаковом возрасте самый большой срок безаварийной работы техники производителя D (на 62,61 часа больше чем у производителя G ). Срок безаварийной работы техники производителя F на 44,24 часа больше чем у производителя G .
Для сравнения качества двух моделей на основании данных об остатках двух моделей, поученных в отчете, были рассчитаны средние относительные ошибки которые для первой и второй моделей
соответственно (рис. 6.3) равны: |
|
1 |
=8,52 % |
и |
|
2 |
= 2,26 % . |
|
|
||||||
A |
A |
|
|
||||||||||||
|
|
|
|
|
|
отн |
|
|
отн |
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|||||
|
ВЫВОД ОСТАТКА (первая модель) |
ВЫВОД ОСТАТКА (вторая модель) |
|||||||||||||
|
Наблю– |
Предска– |
Остатки |
|
Ai |
Наблю– |
Предска– |
Остатки |
|
Ai |
|||||
|
дение |
занное Y |
|
дение |
занное Y |
|
|||||||||
|
1 |
230,73 |
–30,12 |
0,1501 |
1 |
196,81 |
3,80 |
0,0189 |
|||||||
|
2 |
228,73 |
–21,40 |
0,1032 |
2 |
195,63 |
11,70 |
0,0564 |
|||||||
|
3 |
236,08 |
–32,13 |
0,1575 |
3 |
199,98 |
3,97 |
0,0195 |
|||||||
|
4 |
267,84 |
–53,49 |
0,2495 |
4 |
218,77 |
–4,42 |
0,0206 |
|||||||
|
5 |
252,81 |
–44,54 |
0,2138 |
5 |
209,88 |
–1,61 |
0,0077 |
|||||||
|
6 |
224,01 |
–27,98 |
0,1427 |
6 |
192,84 |
3,19 |
0,0163 |
|||||||
|
7 |
222,30 |
–36,40 |
0,1958 |
7 |
191,83 |
–5,93 |
0,0319 |
|||||||
|
8 |
242,03 |
–39,15 |
0,1930 |
8 |
203,50 |
–0,62 |
0,0031 |
|||||||
|
9 |
235,26 |
–38,54 |
0,1959 |
9 |
199,50 |
–2,77 |
0,0141 |
|||||||
|
10 |
222,98 |
–38,06 |
0,2058 |
10 |
192,23 |
–7,31 |
0,0395 |
|||||||
|
… |
… |
… |
|
… |
… |
|
… |
|
… |
|
… |
|||
|
34 |
250,97 |
23,24 |
0,0848 |
34 |
271,40 |
2,81 |
0,0103 |
|||||||
|
35 |
237,50 |
20,45 |
0,0793 |
35 |
263,43 |
–5,48 |
0,0212 |
|||||||
|
36 |
231,37 |
40,42 |
0,1487 |
36 |
259,80 |
11,98 |
0,0441 |
|||||||
|
37 |
223,99 |
26,84 |
0,1070 |
37 |
255,44 |
–4,61 |
0,0184 |
|||||||
|
38 |
227,47 |
34,68 |
0,1323 |
38 |
257,49 |
4,65 |
0,0178 |
|||||||
|
39 |
245,63 |
21,77 |
0,0814 |
39 |
268,24 |
–0,84 |
0,0031 |
|||||||
|
40 |
247,85 |
30,54 |
0,1097 |
40 |
269,55 |
8,84 |
0,0318 |
|||||||
|
|
|
A1= |
|
8,52 % |
|
|
|
|
|
A2= |
|
2,26 % |
Рис. 6.3 – Сравнение качества двух моделей задачи
Следовательно, качество второй модели лучше и ее нужно использовать для дальнейшего экономического анализа. Таким образом, приоритеты при закупке компьютерной техники трех производителей должны быть следующие: в первую очередь следует покупать технику
94
производителя D , во вторую – производителя F и в последнюю очередь – производителя G . Анализируя первоначальные данные о количестве техники каждого производителя (16, 14 и 10 единиц техники соответственно) делаем вывод, что при закупке техники руководство клуба придерживалось именно этой стратегии.
Лабораторная работа 6 выполнена полностью.
6.4 Вопросы для самопроверки по разделу 6
1.Регрессионные уравнения с переменной структурой.
2.Фиктивные переменные.
3.Виды фиктивных переменных.
4.Преимущества использования фиктивных переменных при построении регрессионных моделей.
5.Использование фиктивных переменных для исследования структурных изменений.
6.Моделирование сезонности.
7.Количество бинарных переменных при k градациях.
95
Раздел 7. Экономический анализ деятельности предприятия с помощью производственной функции
7.1 Теоретические замечания
Функция Кобба–Дугласа имеет вид
y = a La1 K a2 |
, |
(7.1) |
0 |
|
|
где y – выпуск продукции,
K– затраты производственных фондов,
L– затраты труда.
Функция (7.1) является степенной. Чтобы использовать метод наименьших квадратов для оценки параметров a0 , a1 , a2 , который
предназначен для линейных зависимостей, прологарифмируем ее и перейдем к линейнойфункции.
ln y = ln a0 + a1 ln L + a2 ln K . |
(7.2) |
Обозначим
A0 = lna0 , |
Z = ln y, |
|
A1 = a1, |
x1 = ln L, |
(7.3) |
A2 = a2. |
x2 = ln K. |
|
В новых обозначениях модель (7.2) примет вид
Z = A0 + A1x1 + A2 x2 . |
(7.4) |
Для нахождения параметров модели (7.4) можно применить метод наименьших квадратов, а затем из соотношений (7.3) определить параметры исходной модели (7.1). Рассмотрим пример построения производственной функции и проведение экономического анализа деятельности предприятия на ее основании.
7.2 Организация данных и расчетов на листе MS Excel
Рассмотрим пример выполнения заданий лабораторной работы 7. Исходные данные фирмы о выпуске продукции Y , затратах производственных фондов K и затратах труда L за десять лет приведены на рис. 7.1 в ячейках A2 : C11.
96
Рис. 7.1 – Организация данных и оценка параметров модели производственной функции лабораторной работы 6
7.3 Оценка параметров производственной функции
На основании данных отчета (ячейки J17 : J19, рис. 7.1) получим линеаризированное уравнение регрессии
Z = 0,226 + 0,301x1 + 0,710x2 .
Учитывая замену (7.3) запишем уравнение в исходных переменных
lnY =0, 2 2 6+0, 3 0 1 lnL+0,710 lnK
и потенцированием получим функцию Кобба–Дугласа
y = e0,226+0,301ln L+0,710ln K = e0,226 K 0,301 L0,710 = e0,226 L0,301 K 0,710.
Таким образом, функция Кобба–Дугласа будет иметь следующий вид
y=1,254 L0,301 K 0,710 .
7.4Экономический анализ деятельности предприятия
Для проведения экономического анализа рассчитаем основные характеристики функции Кобба–Дугласа.
1. Средняя производительность труда равна
97
|
|
|
|
y |
|
a La1 |
Ka2 |
|
a Ka2 |
|
1.254 K0,710 |
|
|
µ |
1 |
= |
|
= |
0 |
|
= |
0 |
= |
|
. |
|
|
|
|
(1−a1) |
0,699 |
|||||||
|
|
|
L |
1 |
|
|
|
|||||
|
|
|
|
|
L |
|
|
L |
|
L |
|
|
Следовательно, с увеличением затрат труда L (при неизменных |
||||||||||||
затратах |
производственных |
фондовK ) |
средняя производительность |
|||||||||
снижается |
а увеличение затрат |
производственных |
фондов K (при |
неизменных затратах труда L ) ведет к росту средней производительности труда. Этот факт полностью соответствует логике экономического анализа роста производительности труда.
2. Средняя фондоотдача равна
|
|
|
y |
|
a La1 |
K a2 |
|
a La1 |
|
1,254 L0,301 |
|
||
µ |
2 |
= |
|
= |
0 |
|
= |
0 |
= |
|
|
. |
|
K |
K |
1 |
|
K |
0,290 |
||||||||
|
|
|
|
K |
(1−a2 ) |
|
|
||||||
|
|
|
|
|
|
|
|
|
|
Отсюда следует, что с увеличением затрат производственных фондов K (при неизменных затратах труда L ) средняя фондоотдача снижается. Увеличение же затрат труда L (при неизменных затратах производственных фондов K ) ведет к росту средней фондоотдачи.
3. Найдем предельную производительность труда
|
|
∂y |
|
∂ |
a1 |
|
a2 |
|
(a1 |
−1) |
|
a2 |
|
a0 a1 Ka2 |
|
0,377 K0,710 |
|
|
ν1 |
= |
∂L |
= |
∂L |
(a0 L |
K |
|
)=a0 a1 L1 |
|
K |
|
= |
(1−a ) |
= |
0,699 |
. |
||
|
|
|
|
|
|
|
|
|
|
|
|
L |
1 |
|
L |
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Следовательно, с увеличением затрат труда L (при неизменных |
|||||||||||||||||
затратах |
производственных |
фондов |
K ) предельная производительность |
труда снижается и наоборот, увеличение затрат производственных фондов
K (при |
неизменных |
затратах |
труда |
L ) ведет к |
росту предельной |
|||||||||||||||
производительности труда. |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
4. Найдем предельную фондоотдачу |
|
|
|
|
|
|
|
|
|
||||||||||
|
|
∂y |
|
|
∂ |
a1 |
|
a2 |
|
a1 |
|
(a2 |
−1) |
|
a0 a2 La1 |
|
0,890 L0,301 |
|||
ν2 |
= |
∂K |
|
= |
∂x2 |
(a0 L |
K |
|
)=a0 a2 L |
K |
|
|
= |
K |
(1−a ) |
|
= |
K |
0,290 . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Таким образом, с увеличением затрат производственных фондов K (при неизменных затратах труда L ) предельная фондоотдача снижается. Увеличение же затрат труда L (при неизменных затратах производственных фондов K ) ведет к росту предельной фондоотдачи. Одновременное изменение обеих переменных может приводить к различным результатам.
5. Эластичность выпуска продукции по затратам труда
98