Döntés ökonometriai problémák - gazdasági és matematikai modellezés
1. Számítsuk ki a paramétereket a regressziós egyenlet
2. Értékelje a közelsége a kapcsolatot az index korreláció és elszántságot.
3. Kiszámítjuk az átlagos rugalmassági tényező, és lehetővé teszi összehasonlító értékelését szilárdsági tényező eredménye miatt.
4. Kiszámítjuk az átlagos közelítési hiba és értékelje a minősége a modell.
5. A Fischer F-statisztika (at) megbízhatóságának értékelésére a regressziós egyenletet.
6. Számítsuk ki a prediktív értéke, ha a várható érték a faktor növeli 5% -kal annak átlagértéket. Határozzuk meg a konfidencia intervallum az előrejelzést.
7. A számításokat kell részletezni, amint azt az 1. példában, és kíséri magyarázatok.
A személyzet 2. táblázat.
Minden számítás a táblázat szerint végeztük a képletek
.
,
és a lineáris regressziós egyenlet formájában :.
Számításaink korrelációs együttható:
.
A kapcsolat a megjelölés és a megfigyelhető tényező.
A determinációs együttható - a tér a korrelációs együttható vagy indexet.
R 2 = 0,606 2 = 0,367
Az átlagos rugalmassági tényező lehetővé teszi, hogy ellenőrizze, hogy a gazdasági értelemben vett együtthatók a regressziós modell.
Annak megállapítására, a minősége a modell határozza meg az átlagos közelítési hiba:
,
megengedett értékek 8 - 10%.
Mi az A értékét Fisher-teszt.
,
- a paraméterek száma a regressziós egyenlet (a koefficiensek darabszáma a magyarázó változó);
.
Fisher elosztó tábla
.
Mivel tehát a hipotézist statisztikai inszignifikanciája paraméter regressziós egyenletet utasítani.
Mivel lehetséges, hogy azt mondják, hogy 36,7% -a az eredmények oka, hogy a változás a magyarázó változó.
Mi választjuk ki a regressziós egyenlet modell előre linearizált modellt. Bemutatjuk a jelölést. Kapunk egy lineáris regressziós modellben.
Kiszámítjuk az együtthatók a modell Azzal, hogy minden közbenső számítási táblázat. 3.
,
,
.
.
,
Ezért, csak 9,3% -a az eredmények annak köszönhető, hogy változást a magyarázó változó.
,
,
ezért a hipotézis statisztikai jelentéktelenség regressziós egyenlet elfogadják. Minden számítások a lineáris modell megbízható, és az azt követő számítások fogunk tenni érte.
Úgy becsüljük, az érték az egyes paraméterek regressziós egyenlet
.
Mi használ a t-eloszlás (Student). Feltételezésünk a statisztikai jelentéktelenség a paraméterek, azaz a
.
.
,
,
,
,
,
.
A kapott értékelési modell és paraméterek lehetővé teszik, hogy használja azt az előrejelzést.
.
.
Az átlagos előrejelzési hiba
,
,
.
Építünk egy megbízhatósági intervallum egy előre meghatározott megbízhatósági szinten:
,
,
.
Talált intervallum előrejelzés elég megbízható (megbízhatósági szint) és elég pontos, mert .
Úgy becsüljük, az érték az egyes paraméterek regressziós egyenlet
.
Mi használ a t-eloszlás (Student). Feltételezésünk a statisztikai jelentéktelenség a paraméterek, azaz a
.
.
,
,
, ,
, .
Ezért, és nem véletlenül vannak nullától eltérő, és alakítják rendszeresen jár-származék.
1, ezért a modell minősége nem túl jó.
Bővebben: A becsült modell és annak paraméterek lehetővé teszik, hogy használja a jóslat
Információk a „Döntés econometrics feladatok”