ФЕДЕРАЛЬНОЕ АГЕНТСТВО ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ
«Московский государственный университет путей сообщения» (миит) Курсовая работа за 3 курс (1 и 2 семестр).
Выполнила студентка
Тагаченкова Виктория Александровна
группы ЭЭБ-312, 3 курса,
специальности «Бухгалтерский учет, анализ и аудит»
№1101516 зачетной книжки
Преподаватель: Милевский Александр Станиславович
Дата « » 2013г.
Москва – 2013
Варианты: 1 семестр-22 вариант
2 Семестр-18 вариант
Часть 1
Задание 1: Получение данных
|
Y |
X1 |
X2 |
X3 |
X4 |
X5 |
X6 |
X7 |
Netherlands |
773,116 |
46142,39 |
17,15 |
113,336 |
92,898 |
16,755 |
45,938 |
64,55 |
New Zealand |
169,68 |
38221,76 |
19,58 |
136,528 |
1,77 |
4,439 |
34,614 |
-8,537 |
Norway |
501,101 |
99461,55 |
25,023 |
131,35 |
53,221 |
5,038 |
57,249 |
71,16 |
Portugal |
212,72 |
20178,63 |
15,956 |
115,854 |
3,675 |
10,542 |
40,744 |
-3,289 |
San Marino |
1,855 |
0 |
25,049 |
125,448 |
0 |
0 |
20,493 |
0 |
Singapore |
276,52 |
51161,6 |
26,998 |
113,141 |
104,747 |
5,405 |
23,251 |
51,437 |
Slovak Republic |
91,916 |
16899,03 |
20,767 |
121,158 |
5,183 |
5,439 |
32,237 |
2,097 |
Slovenia |
45,617 |
22192,55 |
17,049 |
120,358 |
0,539 |
2,055 |
42,272 |
1,041 |
Spain |
1352,057 |
29288,69 |
19,636 |
119,182 |
20,426 |
46,163 |
36,333 |
-14,499 |
Sweden |
526,192 |
55157,86 |
18,539 |
112,049 |
15,194 |
9,54 |
49,656 |
37,564 |
Switzerland |
632,4 |
79033,03 |
20,568 |
99,269 |
0 |
8,002 |
32,98 |
84,721 |
Taiwan Province of China |
473,971 |
20328,31 |
19,856 |
101,933 |
21,458 |
23,316 |
18,925 |
49,55 |
Mauritius |
11,466 |
8850,168 |
24,695 |
191,65 |
0 |
1,296 |
21,411 |
-1,149 |
Mexico |
1177,116 |
10247,18 |
24,657 |
105,199 |
52,02 |
114,872 |
23,608 |
-9,249 |
Micronesia |
0,327 |
3185,087 |
0 |
128,103 |
0 |
0,103 |
65,25 |
-0,049 |
Moldova |
7,252 |
2037,347 |
23,379 |
37770,86 |
0 |
3,56 |
38,164 |
-0,682 |
Mongolia |
10,258 |
3627,197 |
58,765 |
120,491 |
0,265 |
2,828 |
35,514 |
-3,215 |
Montenegro |
4,28 |
6881,755 |
20,21 |
424,726 |
0 |
0,622 |
37,552 |
-0,755 |
Morocco |
97,53 |
2998,886 |
35,872 |
110,495 |
0,738 |
32,522 |
27,705 |
-9,363 |
Mozambique |
14,6 |
650,098 |
37,061 |
306,84 |
0 |
22,457 |
29,696 |
-3,813 |
Myanmar |
53,14 |
834,6 |
16,963 |
2116,671 |
0 |
63,672 |
19,313 |
-2,232 |
Namibia |
12,299 |
5705,067 |
21,087 |
214,612 |
0 |
2,156 |
33,657 |
-0,196 |
Nepal |
19,415 |
626,168 |
34,442 |
165,425 |
0 |
31,006 |
18,282 |
0,909 |
Nicaragua |
10,506 |
1756,524 |
25,439 |
170,1 |
0 |
5,981 |
26,972 |
-1,663 |
Задание 2:
1) Вычислить матрицу парных коэффициентов корреляции.
|
(Y) |
(X1) |
(X2) |
(X3) |
(X4) |
(X5) |
(X6) |
(X7) |
(Y) |
1 |
0,472091 |
-0,1687 |
-0,15564 |
0,514455 |
0,578275 |
0,094876 |
0,314265 |
(X1) |
0,472091 |
1 |
-0,17791 |
-0,16921 |
0,510833 |
-0,16436 |
0,414059 |
0,824556 |
(X2) |
-0,1687 |
-0,17791 |
1 |
-0,01275 |
-0,05826 |
0,038287 |
-0,39681 |
-0,13607 |
(X3) |
-0,15564 |
-0,16921 |
-0,01275 |
1 |
-0,11909 |
-0,09435 |
0,062053 |
-0,10603 |
(X4) |
0,514455 |
0,510833 |
-0,05826 |
-0,11909 |
1 |
0,198082 |
0,086355 |
0,563149 |
(X5) |
0,578275 |
-0,16436 |
0,038287 |
-0,09435 |
0,198082 |
1 |
-0,35819 |
-0,21018 |
(X6) |
0,094876 |
0,414059 |
-0,39681 |
0,062053 |
0,086355 |
-0,35819 |
1 |
0,22335 |
(X7) |
0,314265 |
0,824556 |
-0,13607 |
-0,10603 |
0,563149 |
-0,21018 |
0,22335 |
1 |
2) Найти оценки коэффициентов линейной регрессии в формуле:
Y= β0 + β1X1 + β2X2 + …+ β7X7 + ɛ , ɛ - ошибка измерений,
при помощи матричных вычислений в Excel;
Y= |
773,116 |
|
X= |
1 |
46142,39 |
17,15 |
113,336 |
92,898 |
16,755 |
45,938 |
64,55 |
169,68 |
|
1 |
38221,76 |
19,58 |
136,528 |
1,77 |
4,439 |
34,614 |
-8,537 |
||
501,101 |
|
1 |
99461,55 |
25,023 |
131,35 |
53,221 |
5,038 |
57,249 |
71,16 |
||
212,72 |
|
1 |
20178,63 |
15,956 |
115,854 |
3,675 |
10,542 |
40,744 |
-3,289 |
||
1,855 |
|
1 |
0 |
25,049 |
125,448 |
0 |
0 |
20,493 |
0 |
||
276,52 |
|
1 |
51161,6 |
26,998 |
113,141 |
104,747 |
5,405 |
23,251 |
51,437 |
||
91,916 |
|
1 |
16899,03 |
20,767 |
121,158 |
5,183 |
5,439 |
32,237 |
2,097 |
||
45,617 |
|
1 |
22192,55 |
17,049 |
120,358 |
0,539 |
2,055 |
42,272 |
1,041 |
||
1352,057 |
|
1 |
29288,69 |
19,636 |
119,182 |
20,426 |
46,163 |
36,333 |
-14,499 |
||
526,192 |
|
1 |
55157,86 |
18,539 |
112,049 |
15,194 |
9,54 |
49,656 |
37,564 |
||
632,4 |
|
1 |
79033,03 |
20,568 |
99,269 |
0 |
8,002 |
32,98 |
84,721 |
||
473,971 |
|
1 |
20328,31 |
19,856 |
101,933 |
21,458 |
23,316 |
18,925 |
49,55 |
||
11,466 |
|
1 |
8850,168 |
24,695 |
191,65 |
0 |
1,296 |
21,411 |
-1,149 |
||
1177,116 |
|
1 |
10247,18 |
24,657 |
105,199 |
52,02 |
114,872 |
23,608 |
-9,249 |
||
0,327 |
|
1 |
3185,087 |
0 |
128,103 |
0 |
0,103 |
65,25 |
-0,049 |
||
7,252 |
|
1 |
2037,347 |
23,379 |
37770,86 |
0 |
3,56 |
38,164 |
-0,682 |
||
10,258 |
|
1 |
3627,197 |
58,765 |
120,491 |
0,265 |
2,828 |
35,514 |
-3,215 |
||
4,28 |
|
1 |
6881,755 |
20,21 |
424,726 |
0 |
0,622 |
37,552 |
-0,755 |
||
97,53 |
|
1 |
2998,886 |
35,872 |
110,495 |
0,738 |
32,522 |
27,705 |
-9,363 |
||
14,6 |
|
1 |
650,098 |
37,061 |
306,84 |
0 |
22,457 |
29,696 |
-3,813 |
||
53,14 |
|
1 |
834,6 |
16,963 |
2116,671 |
0 |
63,672 |
19,313 |
-2,232 |
||
12,299 |
|
1 |
5705,067 |
21,087 |
214,612 |
0 |
2,156 |
33,657 |
-0,196 |
||
19,415 |
|
1 |
626,168 |
34,442 |
165,425 |
0 |
31,006 |
18,282 |
0,909 |
||
10,506 |
|
1 |
1756,524 |
25,439 |
170,1 |
0 |
5,981 |
26,972 |
-1,663 |
XTX= |
24 |
525465,46 |
568,741 |
43234,78 |
372,134 |
417,769 |
811,816 |
304,338 |
525465,46 |
28149350271 |
11291422 |
1,43E+08 |
17589117 |
6473490 |
20899247 |
21544727 |
|
568,741 |
11291421,99 |
16035,37 |
1000827 |
8396,569 |
10144,21 |
18064,09 |
6249,396 |
|
43234,775 |
143364233,5 |
1000827 |
1,43E+09 |
42640,79 |
314929 |
1596013 |
2486,29 |
|
372,134 |
17589117,44 |
8396,569 |
42640,79 |
26293,46 |
10055,27 |
13311,39 |
16004,82 |
|
417,769 |
6473490,496 |
10144,21 |
314929 |
10055,27 |
23165,91 |
11489,64 |
1590,954 |
|
811,816 |
20899246,71 |
18064,09 |
1596013 |
13311,39 |
11489,64 |
30882,45 |
12122,24 |
|
304,338 |
21544727,12 |
6249,396 |
2486,29 |
16004,82 |
1590,954 |
12122,24 |
23428,57 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
XTY= |
6475,334 |
|
|
В= |
-105,57 |
|
|
|
253936706 |
|
|
0,008 |
|
|
|
||
137737,98 |
|
|
-2,54 |
|
|
|
||
1119001,9 |
|
|
0,00 |
|
|
|
||
236128,55 |
|
|
2,13 |
|
|
|
||
246973,18 |
|
|
9,37 |
|
|
|
||
229253,59 |
|
|
2,63 |
|
|
|
||
163072,43 |
|
|
-1,64 |
|
|
|
y=-105,6+0.008X1-2.5X2 -0.0X3+2,1X4+9,4X5+2,6,X6-1,6.X7
3)То же при помощи надстройки Анализ данных.
ВЫВОД ИТОГОВ |
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|||||||
Регрессионная статистика |
|
|
|
|
|
|
|
||||||||
Множественный R |
0,834353 |
|
|
|
|
|
|
|
|||||||
R-квадрат |
0,696145 |
|
|
|
|
|
|
|
|||||||
Нормированный R-квадрат |
0,563208 |
|
|
|
|
|
|
|
|||||||
Стандартная ошибка |
253,7823 |
|
|
|
|
|
|
|
|||||||
Наблюдения |
24 |
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|||||||
Дисперсионный анализ |
|
|
|
|
|
|
|||||||||
|
df |
SS |
MS |
F |
Значимость F |
|
|
|
|||||||
Регрессия |
7 |
2360891 |
337270,2 |
5,23667 |
0,002947 |
|
|
|
|||||||
Остаток |
16 |
1030487 |
64405,47 |
|
|
|
|
|
|||||||
Итого |
23 |
3391379 |
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|||||||
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Нижние 95% |
Верхние 95% |
Нижние 90,0% |
Верхние 90,0% |
|||||||
Y-пересечение |
-105,569 |
281,0745 |
-0,37559 |
0,712155 |
-701,42 |
490,2828 |
-596,292 |
385,1548 |
|||||||
Gross domestic product per capita, current prices X1 |
0,007828 |
0,003975 |
1,969333 |
0,066482 |
-0,0006 |
0,016254 |
0,000888 |
0,014767 |
|||||||
Total investment X2 |
-2,54433 |
5,545944 |
-0,45877 |
0,652568 |
-14,3012 |
9,212549 |
-12,2269 |
7,138247 |
|||||||
Inflation, average consumer prices X3 |
-9,3E-05 |
0,007125 |
-0,01302 |
0,989772 |
-0,0152 |
0,015012 |
-0,01253 |
0,012347 |
|||||||
Value of oil exports X4 |
2,134568 |
2,349305 |
0,908596 |
0,377047 |
-2,84574 |
7,114873 |
-1,96705 |
6,236182 |
|||||||
Population X5 |
9,373763 |
2,428416 |
3,860032 |
0,001386 |
4,225752 |
14,52177 |
5,134032 |
13,61349 |
|||||||
General government revenue X6 |
2,632376 |
5,772729 |
0,456002 |
0,654517 |
-9,60526 |
14,87001 |
-7,44614 |
12,71089 |
|||||||
Current account balance X7 |
-1,64449 |
3,659328 |
-0,4494 |
0,659174 |
-9,40192 |
6,112942 |
-8,03325 |
4,744274 |
y=-105,6+0.008X1-2.5X2 -0.0X3+2,1X4+9,4X5+2,6,X6-1,6.X7
4) Вычислить ТSS, RSS, ESS, коэффициенты детерминации R2 и R2корр
-
TSS= 3391379
-
RSS= 2360891
-
ESS= 1030487
-
R2= 0,696
-
R2корр= 0,563
5) Найти оценку S2 для дисперсии δ2 ошибки измерений
-
S2= == 64405,4
6) Построить доверительные интервалы для коэффициентов линейной регрессии βi и дисперсии ошибок δ2
< δ2 < ;
39182,0 < δ2 < 129458,2
-596,292 |
< β0 < |
385,1548 |
0,000888 |
< β1 < |
0,014767 |
-12,2269 |
< β2 < |
7,138247 |
-0,01253 |
< β3< |
0,012347 |
-1,96705 |
< β4< |
6,236182 |
5,134032 |
< β5 < |
13,61349 |
-7,44614 |
< β6 < |
12,71089 |
-8,03325 |
< β7< |
4,744274 |
7) Проверить гипотезы о значимости коэффициентов регрессии
Все β незначимы, кроме β1 и β5
8) Оценить качество модели при помощи F-критерию.
F= = 5,2
F1-α (m; n-m-1) = F0.9 (7;16) =2.13
5,2 > 2.13, следовательно, значимо
9) Провести процедуру пошагового отбора переменных
y=1 |
ryx1= 0,5 |
ryx5= 0,6 |
|
ryx2= -0,2 |
ryx6=0,1 |
|
ryx3= -0,2 |
ryx7= 0,3 |
|
ryx4= 0,5 |
|
X5 имеет самую сильную связь с Y
y=b0+b5x5; y=12,8+8,4; R2корр= 0,304147
-
y, x5, x1; y=-83,8+9,8x5+0.08x1; R2корр= 0.63307 ~ лучше
-
y, x5, x2; y=285,8+8,6x5-9,96x2; R2корр= 0,31096 ~ хуже
-
y, x5, x3; y=134,4+8,3x5-0,005x3; R2корр= 0.2823 ~ хуже
-
y, x5, x4; y= 60,8+7,2x5+5,4x4; R2корр= 0.45332 ~ хуже
-
y, x5, x6; y=-277,7+10,3x5+10,9x6; R2корр= 0.3856 ~ хуже
-
y, x5, x7; y=22,3+9,8x5+6x7; R2корр= 0.488664 ~ хуже
-
y, x5, x1, x2; y=2,1+9,9x5+0,008x1-3,4x2; R2корр= 0,0,6245 ~ хуже
-
y, x5, x1, x3; y=-85+9,9x5+0,008x1+0,0003x3; R2корр= 0,61478~ хуже
-
y, x5, x1, x4; y=-77,6+9,3x5+0,007x1 +1,6x4; R2корр= 0.6268 ~ хуже
-
y, x5, x1, x6; y=-215,1+10,4x5+0,008x1+4x6; R2корр= 0.6287 ~ хуже
-
y, x5, x1, x7; y=-89+9,8x5+0,009x1+1,03x7; R2корр= 0.61695 ~ хуже
Ответ:
y, x5, x1; y=-83,8+9,8x5+0.08x1; R2корр= 0.63307 ~ лучше
10) Рассматривая из выбранных 24 стран первые 12 стран Advanced economics и оставшиеся 12 стран Emerging market… как независимые выборки, проверить гипотезу о возможности объединения их в единую выборку по критерию Чоу.
-
Для первой выборки:
y= -202,6+0.004x1+5,5x2-1,2x3+0,02x4+27,7x5+4.5x6+0,99x7
ESSA= 90358,58
-
Для второй выборки:
y= -13,98+0.001x1-0,4x2+0.0001x3+19,9x4+0.6x5-0,3x6-6,3x7
ESSB= 499,0494
-
Для объединенной выборки:
y= -105,7+0.008x1-2,5x2+0,0x3+2,1x4+9,4x5+2,6x6-1,6x7
ESSR= 1030487
F== 10,34
F1-α (m+1; n-2m-2) = F0.9 (8;8) = 2.6
Так как 10,4 > 2.6, то объединение невозможно
11) Построить доверительный интервал для прогнозного значения Y при значениях факторов X, отличающихся в 1,5 раза от соответствующего среднего их значения.
y= -105,7+0.008x1-2,5x2+0,0x3+2,1x4+9,4x5+2,6x6-1,6x7
-105.6 |
0.008 |
-2.5 |
0 |
2.1 |
9.4 |
2.6 |
-1.6 |
1 |
32841.6 |
35.5 |
2702.2 |
23.3 |
26.1 |
50.7 |
19.0 * |
= 464.04
Sy = =
(XTX)^-1= |
1,227 |
0,000 |
-0,018 |
0,000 |
0,001 |
-0,005 |
-0,021 |
-0,003 |
|
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
-0,018 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
0,001 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
-0,005 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
-0,021 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,001 |
0,000 |
|
-0,003 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
t1-α (n-m-1) = t0.95 (16) = 1.75
464.04-1.75*293.8 < (n+1) < 464.04+1.75*293.8
12) Полученную на шаге 9 после отбора переменных регрессию проверить на мультиколлинеарность при помощи VIF.
y=-83,8+9,8x5+0.08x1;
Строится регрессия:
-
Х5 на X1 → VIF (X5) = = 1/(1-0.027) = 1.03 < 10
-
Х1 на Х5 → VIF (X1) = = 1.03 < 10
Все VIF почти одинаковые и все меньше 10, следовательно, мультиколлинеарности нет
13) Полученную на шаге 9 регрессию проверить на гетероскеданстичность при помощи теста Глейзера при k=0.5, k=1, k=2
y=-83,8+9,8x5+0.08x1;
+ ɛ
-
При k=0.5
Регрессия ABS (e) на → Значимость F = 0.389 >0.1 → незначимо
-
При k=1
Регрессия ABS (e) на → Значимость F = 0.44 >0.1 → незначимо →
-
При k=2
Регрессия ABS (e) на → Значимость F = 0.48 > 0.1 → незначимо
→ гетероскедастичности нет
1.
2.
3.