Мет.моделирования и прогнозирования эк-ки
.PDFВероятностно-статистические модели |
121 |
Второй определитель получается из первого вычеркиванием первой строки и последнего столбца.
7. Частные (парциальные) коэффициенты корреляции ис-
пользуются для оценки тесноты связи между двумя показателями из нескольких при элиминированном (исключенном) влиянии других показателей.
Пусть мы имеем три показателя X, Y, V. Частный коэффициент корреляции между X и Y при исключении V определяется через парные коэффициенты корреляции соотношением:
rxy|v |
|
ryx ryvrxv |
|
|
|
. |
|
|
|
|
|
|
|
||
(1 r2 |
)(1 r |
2 |
) |
||||
|
|
yv |
xv |
|
|
|
Абсолютные величины частных (парциальных) коэффициентов корреляции не могут быть больше величины коэффициента множественной корреляции.
8. Ранговые коэффициенты Спирмена и Кендалла оценивают степень тесноты связи между двумя ранговыми (качественными, порядковыми) показателями. Качественные показатели – это показатели, которые нельзя измерить точно, но с помощью которых можно сравнивать объекты между собой по степени улучшения или ухудшения этого показателя, т. е. ранжировать (упорядочивать) объекты.
Пусть имеем n объектов, которые характеризуются двумя качественными показателями А и В. Проранжируем объекты в порядке ухудшения качества по показателю А и присвоим объектам ранги xi, равные их порядковому номеру в этом ряду, т.е. xi = i. Затем при данном расположении объектов припишем ранг yi по признаку В. Тогда ранговый коэффициент корреляции Спирмена вычисляется по формуле
6 |
n |
||
rc 1 |
|
( xi yi )2 . |
|
n3 n |
|||
|
i 1 |
Допустим, что справа от y1 имеется k1 рангов больше чем y1, а
справа от y2 – k2 рангов больше чем y2 , ... , справа от yn 1 – kn 1
рангов больше, чем yn 1. Тогда ранговый коэффициент корреляции Кендалла вычисляется по формуле
|
4 |
n 1 |
|
|
r |
|
k |
|
1. |
|
|
|||
k |
n(n 1) i 1 |
i |
|
Оба коэффициента по модулю меньше единицы и при больших n между значениями rc и rk наблюдается определенное соотношение rk/rc
2/3.
122 |
Глава 4 |
Пример 4.3. На конкурсе инвестиционных проектов 10 участников получили следующие оценки (по шестибальной системе) за экологичность (экологическую безопасность) и экономическую обоснованность расчетов:
Номер |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
|
участника |
|||||||||||
|
|
|
|
|
|
|
|
|
|
||
Оценка за |
5.6 |
5.5 |
5.9 |
5.45 |
5.75 |
5.85 |
5.3 |
5.2 |
5.35 |
5.4 |
|
экологичность |
|||||||||||
Оценка за |
5.7 |
5.35 |
5.85 |
5.45 |
5.8 |
5.9 |
5.5 |
5.6 |
5.65 |
5.3 |
|
экон. обосносн. |
Связаны ли между собой экологичность и экономическая обоснованность расчетов?
Решение. Тесноту связи между экологичностью и экономической обоснованностью расчетов определим с помощью ранговых коэффициентов корреляции. Ранжируем участников конкурса :
Номер |
3 |
6 |
5 |
1 |
2 |
4 |
10 |
9 |
7 |
8 |
|
участника |
|||||||||||
|
|
|
|
|
|
|
|
|
|
||
Ранг за |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
|
экологичность x |
|||||||||||
i |
|
|
|
|
|
|
|
|
|
|
|
Ранг за |
2 |
1 |
3 |
4 |
9 |
8 |
10 |
5 |
7 |
6 |
|
экон. обосносн. y |
|||||||||||
i |
|
|
|
|
|
|
|
|
|
|
Вычислим ранговые коэффициенты Спирмена и Кендалла.
|
r 1 |
6(1 1 0 0 16 4 9 9 4 16) |
0.64, |
|
||||||
|
|
|
|
|
||||||
|
c |
|
|
990 |
|
|
|
|
||
|
|
|
|
|
|
|
|
|
||
k1 8, |
k2 8 , k3 7, |
k4 6, |
k5 1, |
k6 1, |
k7 0, k8 2, |
k9 0, |
||||
|
|
|
r |
4 33 |
1 0.47. |
|
|
|
||
|
|
|
|
|
|
|
||||
|
|
|
k |
90 |
|
|
|
|
|
Оценим значимость полученных коэффициентов корреляции Кендалла и Спирмена.
Проверка гипотезы о значимости выборочного коэффициента ранговой корреляции Спирмена ( H0 : rc 0 ) осуществляется с использованием Т-критерия Стъюдента. Имеем
~ |
n 2 |
|
10 2 |
|
|
TH rc |
|
0,64 |
|
|
= 2,36. |
~2 |
1 (0,64) |
2 |
|||
|
1 rc |
|
|
|
Для различных уровней значимости ( = 0,1; = 0,05; = 0,01) по таблицам квантилей Т – распределения найдем критические точки. Получим
Вероятностно-статистические модели |
123 |
Tкр T(1 ;n 2); Tкр Т(0,95; 8) 1,860;
2
Tкр Т(0,975; 8) 2,306; Tкр Т(0,995;8) 3,355.
Ранговая корреляция по Спирмену оказывается значимой при уровнях значимости = 0,1 и = 0,05 и не значимой для = 0,01.
Проверим значимость коэффициента корреляции Кендалла.
Имеем
~ |
9n(n 1) |
|
90(10 1) |
|
ZH rк |
|
0,47 |
|
1,89. |
2(2n 5) |
2(20 5) |
Критические точки определим с помощью табличной функции
Лапласа
|
1 α |
|
1 0,1 |
|
|
|
|||||
Zкр argΦ |
|
; |
|
Zкр argΦ |
|
|
|
1,65; |
|||
2 |
|
|
|
||||||||
|
|
|
|
2 |
|
|
|
||||
|
1 0,05 |
|
|
1 0,01 |
|
||||||
Zкр argΦ |
|
|
|
1,96; |
Zкр argΦ |
|
|
|
|
2,59. |
|
2 |
|
2 |
|
|
|||||||
|
|
|
|
|
|
|
|
|
Ранговая корреляция по Кендаллу оказывается значимой при уровне значимости = 0,1 и не значимой для = 0,05 и = 0,01.
4.7. РЕГРЕССИОННЫЙ АНАЛИЗ
Между двумя переменными может существовать функциональная связь, когда каждому значению величины Х соответствует определенное значение величины Y : Y ( X ).
Стохастическая связь состоит в том, что одна СВ реагирует на изменение другой СВ изменением своего закона распределения. Частный случай стохастической связи – статистическая связь, когда условное математическое ожидание одной величины реагирует на изменение другой.
Чтобы найти функцию условного математического ожидания необходимо знать двухмерный закон распределения:
|
|
|
|
|
|
|
|
Yx M(Y |
X x) |
yf( y |
x)dy; |
где f( y |
x) f( x,y )/ f ( x). |
||
|
|
|
|
|
|
|
|
На практике обычно по имеющимся наблюдениям пытаются получить соответствующее уравнение связи между Х и Y. Эту зависимость и определяет регрессионный анализ.
Регрессионный анализ занимается решением следующих задач. 1. Выбор формы связи между переменными, т.е. модели регрес-
сии.
2. Оценка неизвестных параметров модели.
124 |
Глава 4 |
3. Проверка соответствующих статистических гипотез о регрес-
сии.
Форма связи между переменными, т.е. вид уравнения регрессии, выбирается исследователем либо из каких-то теоретических предпосылок, либо из соображений удобства работы с этой формулой (зависимостью), либо из вида и анализа графического изображения имеющихся статистических данных, либо из совокупности возможных математических моделей, выбрав подходящую с помощью соответствующего критерия приближения к имеющимся данным, либо из других какихлибо соображений (предпочтений).
Параметры в уравнении регрессии обычно выбираются по ме-
тоду наименьших квадратов (МНК). Основной принцип этого метода заключается в том, чтобы так определить неизвестные параметры модели, чтобы сумма квадратов отклонений имеющихся данных от выбранной кривой (уравнения) регрессии была бы минимальной:
n |
)2 min, |
|
|
|
||
Z ( yi |
|
xi |
где |
|
xi = (xi ). |
|
y |
y |
|||||
i 1 |
|
|
|
|
Метод наименьших квадратов удобен тем, что производная от этого критерия дает линейное уравнение.
В случае системы двух нормальных случайных величин и линейной связи между ними Y = a + bX метод наименьших квадратов дает следующее решение
|
|
~ ~ ~y |
~ |
|
|
|
|||
Yx my rxy |
~ |
( x mx ), |
||
|
|
|
x |
|
~ |
1 |
n |
~ |
1 |
n |
где mx |
|
xi , |
my |
|
yi , |
|
|
||||
|
n i 1 |
|
n i 1 |
|
|
|
|
|
|
|
~ |
|
~ |
1 |
|
~ |
|
|
~ |
||
n |
2 |
|
Rxy |
|||||
x |
|
(xi mx ) |
|
, |
rxy |
|
. |
|
1 n |
|
~ ~ |
||||||
|
i 1 |
|
|
|
|
|
||
|
|
|
|
|
|
x y |
|
|
|
~ ~ |
~x |
~ |
|
|
||||
Аналогично, |
X y mx rxy |
~ |
( y my ). |
||
|
|
|
|
y |
|
В случае поиска уравнения регрессии в виде полинома k-й степени исходя из основного принципа МНК
n |
|
n |
|
||
Z ( yi |
|
xi |
)2 |
( yi a0 a1xi a2xi2 ... akxik |
)2 min, |
y |
|||||
i 1 |
|
i 1 |
|
вычисляя и приравнивая частные производные критерия Z по каждому неизвестному параметру к нулю ( Z 0), получим систему уравнений
aj
Вероятностно-статистические модели |
125 |
|
|
n |
|
n |
|
... ak |
n |
n |
a0n a1 xi a2 xi2 |
xik |
yi , |
||||||
|
|
i 1 |
|
i 1 |
i 1 |
i 1 |
||
|
|
. |
. |
|
. |
. |
. |
. |
. . |
|
|||||||
|
n |
|
n |
1 |
|
n |
|
n |
|
k |
|
k |
|
k 2 |
|
2k |
|
a0 |
xi |
a1 xi |
|
a2 xi |
... ak xi |
|||
|
i 1 |
|
i 1 |
|
|
i 1 |
|
i 1 |
n
yixik . i 1
|
Решая |
эту |
систему, |
найдем |
неизвестные |
параметры |
||||||||
aj , |
j |
0,k |
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Y |
|
|
Yx |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
X y |
|
||||
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
m y |
|
|
rxy |
cos |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
X |
|
|
|
|
|
|
|
|
|
m x |
|
|
|
|
|
|
|
Рис.4.3. Графическое представление уравнений регрессии |
|||||||||||||
|
Многомерный регрессионный анализ |
|
||||||||||||
|
B многомерном (множественном) регрессионном анализе пыта- |
|||||||||||||
ются |
найти |
зависимость |
одной переменной от |
нескольких |
||||||||||
Y ( X1,X2,...,Xm ). |
|
|
|
|
|
|
|
|
||||||
|
Для линейного случая имеем уравнение множественной линей- |
|||||||||||||
ной регрессии Y a0 |
a1X1 a2X2 |
... amXm . Неизвестные параметры |
||||||||||||
определяются с помощью метода наименьших квадратов. |
|
|||||||||||||
|
Для |
|
имеющихся |
|
исходных |
данных |
||||||||
( xij ; |
yi; i |
|
; |
j |
|
|
критерий МНК выглядит следующим об- |
|||||||
1,n |
1,m; ) |
|||||||||||||
разом: |
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
n |
m |
|
|
|
|
|
|
|
|
|
|
|
Z ( yi (a0 ajxij ))2 min . |
|
||||||
|
|
|
|
|
|
|
|
i 1 |
j 1 |
|
|
|
|
Для нахождения коэффициентов методом наименьших квадратов решаем систему, которую получаем приравниванием частных производных к нулю.
126 |
Глава 4 |
Пример 4.4. Распределение еженедельных расходов на рекламу Х и продаж Y (денежных единиц) фирмы представлены в следующей таблице:
yj |
1200-1300 |
1300-1400 |
1400-1500 |
1500-1600 |
1600-1700 |
|
xi |
||||||
|
|
|
|
|
||
40-45 |
1 |
- |
- |
- |
- |
|
45-50 |
3 |
2 |
3 |
- |
- |
|
50-55 |
2 |
4 |
4 |
3 |
- |
|
55-60 |
- |
4 |
5 |
6 |
2 |
|
60-65 |
- |
- |
3 |
4 |
2 |
|
65-70 |
- |
- |
- |
- |
2 |
Необходимо:
1)вычислить групповые средние и построить эмпирические линии регрессии;
2)предполагая, что между переменными X и Y существует линейная корреляционная зависимость: найти уравнения прямых регрессии; вычислить коэффициент корреляции; используя соответствующие линии регрессии, получить величину еженедельных продаж фирмы, если расходы на рекламу составят 80 денежных единиц.
Решение. Пусть k и m – количество интервалов группировки исходных показателей Х и Y, соответственно: k = 6, m = 5.
Вычислим групповые средние по формулам (взяв за xi и yj соответствующие середины интервалов):
|
|
|
1 |
|
m |
|
|
|
|
|
1 |
|
k |
|
|
y |
|
|
y |
n |
(i = 1, , k); |
x |
yj |
|
|
x n |
(j = 1, , m), |
||
|
|
xi n . |
j 1 |
j ij |
|
|
|
n |
|
i ij |
|
|||
|
|
|
i |
|
|
|
|
|
|
j i 1 |
|
|||
|
|
|
|
|
m |
– количество наблюдений события xi ; |
||||||||
где |
ni nij |
|||||||||||||
|
|
|
|
j 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k |
|
|
|
|
|
|
|
|
|
|
|
n j nij |
– количество наблюдений события yj. |
|||||||||||
|
|
|
|
i 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
k |
m |
|
|
|
|
|
|
|
|
|
|
|
|
n nij 50 – общее количество наблюдений. |
||||||||||||
|
|
|
i 1j 1 |
|
|
|
|
|
|
|
|
|
Получим:
Вероятностно-статистические модели |
|
|
|
|
|
|
127 |
||||||||||||||
|
|
|
x |
|
1250 ; |
|
|
|
|
|
|
x |
|
1350 ; |
|
|
|
|
|
x |
1411,54 ; |
|
y |
|
y |
|
|
|
y |
||||||||||||||
1 |
|
|
|
|
|
|
|
|
2 |
3 |
|
||||||||||
|
|
|
x |
|
1485,29; |
|
|
|
|
|
x |
|
1538,89 ; |
|
|
|
|
x |
1650 ; |
||
|
y |
|
|
|
y |
|
|
y |
|||||||||||||
|
|
|
|
4 |
|
|
|
|
|
|
|
5 |
|
6 |
|
||||||
|
|
y |
|
48,33 ; |
|
|
|
y |
|
53,50; |
|
|
|
y |
55,17; |
||||||
|
x |
|
x |
|
|
x |
|||||||||||||||
|
|
|
|
1 |
|
|
|
|
|
|
|
2 |
3 |
||||||||
|
|
y |
|
57,88; |
|
|
|
y |
62,50 . |
|
|
|
|
|
|
|
|||||
|
x |
|
|
|
x |
|
|
|
|
|
|
|
|||||||||
|
|
|
|
4 |
|
|
|
|
|
|
|
5 |
|
|
|
|
|
|
|
Рассчитаем общие средние величины
|
|
|
|
|
|
1 |
k m |
|
|
1 k |
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|||||||||||
my y |
|
|
yjnij |
|
|
|
y |
x |
ni. |
||||||||||
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
n i 1j 1 |
|
|
n i 1 i |
||||||||
|
|
|
|
1 |
|
k m |
1 |
m |
|
|
|
|
|||||||
|
|
|
|
|
|
||||||||||||||
m |
|
x |
|
|
x n |
|
|
x |
|
n |
|||||||||
|
|
|
n |
|
|||||||||||||||
|
x |
|
|
|
|
|
n i 1j 1 i ij |
|
j 1 |
yj |
.j |
1456;
55,6.
Уравнение прямых регрессий будем искать в виде
|
|
|
|
|
|
|
y |
|
|
|
|
|
|
|
|
x |
|
|
|
|
|||
|
|
|
yx my rxy |
( x mx ); |
xy mx rxy |
( y my |
). |
|
|||||||||||||||
|
|
|
x |
|
|
y |
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
Величины x , y , rxy вычислим по следующим формулам |
|||||||||||||||||||
2 |
|
1 |
k m |
|
2 |
|
|
2 |
1 k m |
2 |
|
|
|
Rxy |
|||||||||
x |
|
|
|
( xi mx ) |
|
nij ; y |
|
( yj my ) |
|
nij ; rxy |
|
|
, |
||||||||||
|
|
|
|
|
|
||||||||||||||||||
|
|
n i 1 j 1 |
|
|
|
|
|
n i 1 j 1 |
|
|
|
x y |
|||||||||||
|
|
|
|
|
|
|
|
1 k |
m |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
Rxy |
|
|
( xi mx )( yj my )nij . |
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
n i 1 |
j 1 |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
Получим х2= 31,89; y2= 14164; Rxy = 441,4; |
rxy = 0,6568 . |
||||||||||||||||||
|
|
|
|
Тогда уравнения регрессий примут вид (рис.3.4) |
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
y |
x 13,84x 686,42; |
|
x |
y 0,0312y 10,226. |
|
|
|
Прогнозную величину еженедельных продаж фирмы, если расходы на рекламу составят 80 денежных единиц, определим по уравнению регрессии
y (80) = 13,84 80 + 686,42 = 1793,62 ден.ед.
128 |
|
|
|
|
|
Глава 4 |
Y |
|
|
|
|
|
|
1650 |
|
|
|
x y |
|
|
|
|
|
|
|
y x |
|
1600 |
|
|
|
|
|
|
|
|
|
|
|
|
|
1550 |
|
|
|
|
Эмпирическая |
|
|
|
|
|
|
||
1500 |
|
|
|
|
линия |
y x i |
m y |
|
|
|
|
|
|
1450 |
|
|
|
|
|
|
1400 |
|
|
|
|
|
|
1350 |
|
|
|
Эмпирическая линия x y j |
|
|
|
|
|
|
|
||
1300 |
|
|
|
|
|
|
1250 |
|
|
|
|
|
Х |
|
|
|
|
55 ,6 |
|
|
|
|
|
|
|
|
|
40 |
45 |
50 |
55 |
m x 60 |
65 |
70 |
Рис.4.4. Зависимость между еженедельными расходами на рекламу |
||||||
|
и объемом продаж фирмы |
|
|
4.8. ПРОИЗВОДСТВЕННЫЕ ФУНКЦИИ
Производственная функция – функция, устанавливающая количественную связь между результатом (эффектом) некоторого процесса и условиями его получения, по крайней мере часть из которых является управляемыми, хотя и не обязательно в рамках изучаемого процесса. Под результатом чаще всего понимается выпуск продукции (фактический или максимально возможный) некоторой производственной единицы – предприятия, отрасли, региона, народного хозяйства в целом в натуральном или денежном выражении, а под условиями – ресурсы (затраченные, использованные или наличные).
В рамках производственной функции ресурсы обычно называют факторами производства. Для отдельного предприятия или отрасли, выпускающей однородный продукт, производственные функции часто связывают объем выпуска в натуральных единицах с затратами рабочего времени по видам трудовой деятельности, различным видам сырья, энергии и т.д. (измеренными, как и выпуск, в натуральных единицах). Они отражают реально действующую технологию или спектр возможных технологий.
Производственные функции на уровне крупных отраслей, регионов или народного хозяйства в целом обычно используют агрегиро-
Вероятностно-статистические модели |
129 |
ванные стоимостные измерители и отражают не только (и не столько) технологические, но и экономические закономерности. Концепция производственных функций базируется в первую очередь на идее замещения между факторами, т.е. на гипотезе о том, что один и тот же выпуск может быть получен при разных комбинациях используемых ресурсов. При этом речь идет о замещении как между различными ресурсами в рамках одной и той же технологии, так и между различными технологиями производства одного и того же продукта или между различными продуктами, имеющими разную ресурсоемкость.
Формально производственная функция записывается в виде:
Y F( x1, ,x2 ), где Y – объем выпуска, xi – объем i-го фактора произ-
водства.
Вид функции F и значения ее параметров определяются из теоретических представлений и имеющейся конкретной информации о моделируемом объекте.
Оценка параметров производится методами регрессионного анализа, поэтому любая оцененная производственная функция представляет собой уравнение регрессии.
Производственные функции народнохозяйственного уровня чаще всего имеют вид: Y = F(K,L) или Y = F(K,L,t), где K и L характеризуют ресурсы (затраты) основных фондов и живого труда, а t – время, вводимое для описания воздействия прочих факторов (неучтенных в K и L), среди которых главную роль играет научно-технический прогресс. Наиболее часто используются производственная функция Кобба-Дугласа, производственная функция с постоянной эластичностью замещения (CES-функция), а также производственная функция леонтьевского типа и линейная производственная функция. В теоретических работах в некоторых случаях используются производственные функции, записанные в неявном виде, иногда многофакторные.
Производственные функции позволяют рассчитать ряд характеристик, описывающих различные стороны производственного процесса. Наиболее часто используются следующие харктеристики.
1) Предельная производительность (предельный продукт) i-го
фактора – Y . Показывает, на сколько увеличится выпуск при увеличе-
xi
нии затрат i-го фактора на одну (малую) единицу и при неизменном количестве остальных факторов. Обычно предельная производительность
меньше средней: Y Y .
xi xi
130 |
Глава 4 |
2) Частная эластичность выпуска по i-му фактору (частная
факторная эластичность) – Y xi . Показывает, на сколько процентов
xi Y
увеличится выпуск при увеличении затрат i-го фактора на 1% при неизменном количестве остальных факторов. Представляет собой отношение предельной и средней производительностей.
3) Предельная норма замены (замещения) i-го фактора j-м.
Показывает количество j-го фактора, которое требуется для замены одной единицы i-го фактора при сохранении неизменного объема выпуска и неизменного количества остальных факторов. Обозначается обычно
через Rji и по определению |
равна: Rji |
xj |
при Y const , |
|||||
xi |
||||||||
|
|
|
|
|
|
|
||
xk const,k i, j |
Y |
|
Y |
|
|
|||
|
|
|
|
|||||
Легко видеть, что Rji |
|
/ |
|
|
. |
|
|
|
x |
x |
|
|
|
||||
|
i |
|
|
j |
|
|
4)Эластичность замены (замещения) i-го фактора j-м. Наряду
спредельной нормой замены характеризует возможности замещения одного фактора другим. В простейшем случае определяется как
|
|
|
R |
ji |
|
x |
j |
/ x |
|
1 |
|
|
|
||||
|
ji |
|
|
|
|
|
|
|
|
i |
|
при Y const, x |
k |
const, |
k i, j . |
||
x |
|
/ x |
|
R |
|
|
|||||||||||
|
|
j |
|
|
ji |
|
|
|
|
|
|||||||
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
Имеются и другие определения эластичности замещения для многофакторных производственных функций. Все существующие определения эквивалентны только для двухфакторных линейно однородных производственных функций. В этом случае все они приводят к формуле
|
|
Y |
|
Y |
|
|
|
|
12 21 |
|
x1 |
x2 |
. |
||||
|
|
|||||||
|
|
|
|
|||||
|
Y |
|
2Y |
|||||
|
|
|
|
|
|
|
x1 x2
Производственная функция Кобба-Дугласа – наиболее часто используемая производственная функция, которая имеет следующий вид
Y Ax1a1 xnan , где A,a1, ,an – параметры.
Частная эластичность выпуска по каждому ресурсу в рамках производственной функции Кобба-Дугласа постоянна и равна соответствующему показателю степени, а эластичность замены между любыми двумя ресурсами равна единице.