Основы эконометрики

Рис.1

Уравнение линейной регрессии имеет вид

у = 11,782 + 0,761х

Показатели уравнения регрессии говорят о том, что независимая величина выпуска продукции составляет 11,782 млн.руб. и он увеличивается на 0,761 млн.руб. при увеличении величины капиталовложений на 1 млн.руб.

Остаточная сумма квадратов = 37,961

Дисперсия остатков S² = остаточная сумма квадратов / n = 37,961 / 10 = 3,796

Исследования остатков ε_i предполагают проверку наличия следующих пяти предпосылок МНК:

)        случайный характер остатков. С этой целью строится график отклонения остатков от теоретических значений признака. Если на графике получена горизонтальная полоса, то остатки представляют собой случайные величины и применение МНК оправдано. В других случаях необходимо применить либо другую функцию, либо вводить дополнительную информацию и заново строить уравнение регрессии до тех пор, пока остатки не будут случайными величинами.

В данном случае график остатков представляет из себя горизонтальную полосу, т.е. остатки равномерно распределены вокруг "нулевой" линии.

)        нулевая средняя величина остатков, т.е. ε = (у_х - у_х.расч) = 0, не зависящая от х_i. Это выполнимо для линейных моделей и моделей, нелинейных относительно включаемых переменных. С этой целью наряду с изложенным графиком зависимости остатков ε_i от теоретических значений результативного признака ух строится график зависимости случайных остатков ε_i от факторов, включенных в регрессию хi . Если остатки на графике расположены в виде горизонтальной полосы, то они независимы от значений xj. Если же график показывает наличие зависимости ε_i и хj то модель неадекватна. Причины неадекватности могут быть разные.

В данном случае сумма остатков = 0, т.е. это условие выполняется.

. Гомоскедастичность - дисперсия каждого отклонения ε_i одинакова для всех значений хj. Если это условие применения МНК не соблюдается, то имеет место гетероскедастичность. Наличие гетероскедастичности можно наглядно видеть из поля корреляции.

Данное условие логично проверять при большом количестве данных в совокупности.

. Отсутствие автокорреляции остатков. Значения остатков ε_i распределены независимо друг от друга. Автокорреляция остатков означает наличие корреляции между остатками текущих и предыдущих (последующих) наблюдений. Отсутствие автокорреляции остаточных величин обеспечивает состоятельность и эффективность оценок коэффициентов регрессии.

Проверить наличие автокорреляции можно по коэффициенту Дарбина-Уотсона.

d =  = 2,613

Расчетное значение d может попадать в один из 5 интервалов:

- d₁ - есть положительная автокорреляция остатков

d₁ - d₂ - зона неопределенности

d₂ - (4-d₂) - автокорреляция остатков отсутствует

(4-d₂) - (4-d₁) - зона неопределенности

(4-d₁) - 4 - есть отрицательная автокорреляция остатков.

В качестве критических табличных уровней при n=10, двух объясняющих факторах при уровне значимости в 5% возьмем величины d₁= 0,70 d₂=1,64

Расчетное значение попадает в интервал (4-d₂) - (4-d₁), т.е. в зону неопределенности. В данном случае нельзя ни подтвердить, ни опровергнуть наличие автокорреляции остатков.

5. Остатки подчиняются нормальному распределению.

Соответствие остаточного ряда нормальному распределению можно проверить при помощи RS-критерия:

, где , S = 2,054

E_макс = 3,003

Е_мин = - 2,433

RS = 2,647

Критические границы R / S-критерия для числа наблюдений n = 10 и уровня значимости a=0,05 имеют значения: (R/S)1 = 2,67 и (R/S)2 = 3,69.

Расчетное значение находится почти на нижней границе, но все таки ниже него.

Таким образом, можно сказать, что выполняются четыре из пяти предпосылок МНК.

В тех случаях, когда все пять предпосылок выполняются, оценки, полученные по МНК и методу максимального правдоподобия, совпадают между собой. Если распределение случайных остатков ε_i не соответствует некоторым предпосылкам МНК, то следует корректировать модель, изменить ее спецификацию, добавить (исключить) некоторые факторы, преобразовать исходные данные, что в конечном итоге позволяет получить оценки коэффициентов регрессии aj, которые обладают свойством несмещаемости, имеют меньшее значение дисперсии остатков, и в связи с этим более эффективную статистическую проверку значимости параметров регрессии.

Расчетные значения t-критерия Стьюдента рассчитаны в ходе анализа данных.

_a = 7,285

t_b = 6,916

Критическое (табличное) значение составляет 2,3. Поскольку оба расчетных значения больше табличного, то можно сказать, что оба уравнения регрессии статистически значимы.

Коэффициент детерминации R² = 0,8567

Коэффициент эластичности Э =  =  = 0,462

Расчетное значение F-критерия Фишера F = (n - 2) = 47,826

Табличное значение составляет 5,32. Поскольку расчетное значение больше табличного, то можно сделать вывод, что уравнение регрессии в целом статистически значимо.

Средняя относительная ошибка аппроксимации

*100% = 8,4%

Качество модели можно оценить как недостаточно высокое, поскольку величина средней относительной ошибка больше 5%.

Максимальное значение фактора Х = 22.

Если прогнозное значение фактора Х составит 80% от его максимального значения, то Х_прогн = 22 * 0,8 = 17,6

Расчетное значение показателя У = 11,782 + 0,761 * 17,6 = 25,18

График фактических и расчетных значений

Рис.2

Для построения гиперболической функции преобразуем

у = а + b/х - линеаризуется при замене Х = 1/x.

Расчетные данные