- •Лабораторна робота № 1 лінійна багатофакторна регресійна модель
- •Теоретичні відомості
- •Алгоритм побудови та аналізу багатофакторної лінійної регресійної моделі
- •Розв’язок
- •Контрольні питання
- •Варіанти завдання для самостійного виконання
- •Лабораторна робота № 2 нелінійна регресійна модель
- •Теоретичні відомості
- •Алгоритм побудови нелінійної регресійної моделі
- •Розв’язок
- •3. Побудуємо параболічну регресійну модель
- •4. Побудуємо гіперболічну регресійну модель
- •5. Побудуємо показникову регресійну модель
- •6. Перевіримо адекватність побудованих моделей
- •6. Надамо відповідь на запитання задачі
- •Контрольні питання
- •Варіанти завдання для самостійного виконання
- •Лабораторна робота № 3 аналіз часових рядів
- •Теоретичні відомості
- •Алгоритм побудови та аналізу адитивної моделі
- •Розв’язок
- •Алгоритм побудови та аналізу мультиплікативної моделі
- •Розв’язок
- •Алгоритм методу експоненційного згладжування
- •Розв’язок
- •Контрольні питання
- •Варіанти завдання для самостійного виконання
- •Лабораторна робота № 4 оптимізаційні моделі і методи лінійного програмування
- •Теоретичні відомості
- •Алгоритм знаходження оптимального розв’язку задачі лінійного програмування
- •Розв’язок
- •Складемо економіко-математичну модель наданої оптимізаційної задачі.
- •Знайдемо оптимальний розв’язок оптимізаційної задачі засобами Excel
- •Знаходження оптимального рішення задачі цілочисельного програмування
- •Контрольні питання
- •Варіанти завдань для самостійного виконання
- •Література
- •Сенча Ірина Анатоліївна
- •Лабораторний практикум з дисципліни «Економіко - математичні моделі та методи проектного менеджменту»
- •Свідоцтво дк № 1434 від 17 липня 2003 р.
- •65009 М. Одеса, вул. Генуезька, 22
5. Побудуємо показникову регресійну модель
Припустимо, що має місце показникова залежність Y від Х виду .
Побудуємо розрахункову таблицю для визначення коефіцієнтів а і b рівняння регресії (табл. 2.5).
Таблиця 2.5
Розрахункова таблиця для визначення параметрів |
суми |
||||||||||
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
12 |
66 |
|
52 |
58 |
59 |
60 |
64 |
66 |
70 |
80 |
95 |
130 |
734 |
|
|
4 |
9 |
16 |
25 |
36 |
49 |
64 |
81 |
100 |
144 |
528 |
|
3,95 |
4,06 |
4,08 |
4,09 |
4,16 |
4,19 |
4,25 |
4,38 |
4,55 |
4,87 |
42,58 |
|
7,90 |
12,18 |
16,31 |
20,47 |
24,95 |
29,33 |
33,99 |
39,44 |
45,54 |
58,41 |
288,522 |
Складемо систему рівнянь для визначення логарифмів від вказаних параметрів і розв’яжемо її за правилом Крамера. Отримаємо:
; ;
;
; ;
; .
Отже, якщо між Y та Х має місце показникова залежність, то вона виражається рівнянням регресії: .
6. Перевіримо адекватність побудованих моделей
Для перевірки адекватності моделей обчислимо для кожної з них величини , та статистику . Результати обчислень оформимо у вигляді таблиці (табл. 2.6).
Середнє значення знайдемо за формулою: .
Таблиця 2.6
Розрахункова таблиця для перевірки адекватності моделей
Початкові дані |
Параболічна модель |
Гіперболічна модель |
Показникова модель |
|||||||
2 |
52 |
57,91 |
239,94 |
34,93 |
38,85 |
1193,81 |
172,96 |
48,37 |
626,47 |
13,17 |
3 |
58 |
55,55 |
318,62 |
6,00 |
58,12 |
233,40 |
0,02 |
52,24 |
447,73 |
33,17 |
4 |
59 |
55,25 |
329,42 |
14,06 |
67,76 |
31,81 |
76,73 |
56,42 |
288,34 |
6,66 |
5 |
60 |
57,01 |
268,63 |
8,94 |
73,54 |
0,02 |
183,39 |
60,93 |
155,43 |
0,87 |
6 |
64 |
60,83 |
158,00 |
10,05 |
77,40 |
15,97 |
179,48 |
65,81 |
57,64 |
3,27 |
7 |
66 |
66,71 |
44,76 |
0,50 |
80,15 |
45,57 |
200,23 |
71,07 |
5,42 |
25,73 |
8 |
70 |
74,65 |
1,56 |
21,62 |
82,22 |
77,71 |
149,22 |
76,76 |
11,28 |
45,67 |
9 |
80 |
84,65 |
126,56 |
21,62 |
83,82 |
108,61 |
14,60 |
82,90 |
90,23 |
8,40 |
10 |
95 |
96,71 |
543,36 |
2,92 |
85,11 |
137,04 |
97,88 |
89,53 |
260,20 |
29,91 |
12 |
130 |
127,01 |
2874,03 |
8,94 |
87,03 |
185,88 |
1846,08 |
104,43 |
962,77 |
653,90 |
Суми |
– |
4904,89 |
129,60 |
– |
2029,82 |
2920,59 |
– |
2905,50 |
820,76 |
|
F-статистика |
Оскільки n – кількість наглядів, l – кількість параметрів моделі, то для параболічної моделі , для інших – . Оберемо рівень значимості . Критичне значення критерію Фішера Fкр знайдемо за допомогою вбудованої функції Excel , де у випадку параболічної моделі ; для інших моделей – .
Отже, для параболічної моделі маємо: Fкр=; ; Fкр – модель статистично значима на рівні значимості =0,001. Для гіперболічної моделі маємо: Fкр=; ; Fкр – модель не є статистично значимою на рівні значимості =0,001. Для показникової моделі маємо: ; Fкр – модель є статистично значимою на обраному рівні значимості.
Таким чином, статистично значимими виявилися параболічна та показникова моделі. Щоб обрати одну з них, порівняємо їх варіації залишків (суму квадратів відхилень теоретичних значень від емпіричних). У випадку параболічної моделі варіація залишків ; показникової моделі – . Отже, із двох побудованих моделей найбільш адекватна параболічна – вона має найменшу варіацію залишків.
Побудуємо порівняльну діаграму, використовуючи емпіричні і теоретичні значення Y.
Рис. 2.2. Порівняльна діаграма