СОДЕРЖАНИЕ Введение Общие указания по выполнению контрольных заданий 1 Линейный парный регрессионный анализ 2 Множественный регрессионный анализ 4 4 5 1 2 3 Системы эконометрических уравнений 1 9 4 Временные ряды в эконометрических исследованиях 2 2 5 Контрольные задания по курсу 3 2 Библиографический список 3 4 Приложение А (задание №1 и №2) 3 5 Приложение Б (задание №3) 3 9 Приложение В (задание №4) 4 2 Приложение Г Распределение Стьюдента (t-распределение) 4 5 Приложение Д Распределение Фишера (F-распределение) 4 6 ВВЕДЕНИЕ Сегодня деятельность в любой области экономики (управления, финансово-кредитной сфере, маркетинге, учете и аудите) требует от специалистов применения современных методов работы, знания достижения мировой экономической мысли, понимания научного языка. Большинство новых методов основано на эконометрических моделях, концепциях, приемах. Без глубоких знаний эконометрики научиться их использовать невозможно. Поэтому эконометрика (наряду с микроэкономикой и макроэкономикой) входит в число базовых дисциплин современного экономического образования. Первая часть методических указаний содержит теоретические аспекты и подробный анализ типовых эконометрических задач. Вторая часть предполагает самостоятельную работу студентов по решению задач. Следует отметить, что условия задач в основном базируются на реальной экономической информации. ОБЩИЕ УКАЗАНИЯ ПО ВЫПОЛНЕНИЮ КОНТРОЛЬНЫХ ЗАДАНИЙ Контрольная работа по курсу "Эконометрика" выполняется для приобретения студентами опыта построения эконометрических моделей, принятия решений спецификации и идентификации моделей, выбора методов оценки параметров модели, интерпретации результатов, получения прогнозных оценок. При выполнении контрольных работ следует обратить внимание на следующие требования: 1 Задания к контрольной работе составлены в 100 вариантах. Каждый студент выполняет один вариант. Номер его варианта соответствует последним двум цифрам номера его зачетной книжки. Замена задач не допускается. Номер варианта указывается в самом начале работы. 2 Расчеты можно выполнять с использованием статистических возможностей, например, электронных таблиц MS Excel для Windows, либо других статистических или эконометрических пакетов. 4 Нельзя ограничиваться приведением только готовых ответов. Расчеты должны быть представлены в развернутом виде, применяя, где это необходимо табличные оформления исходной информации и расчетов, со всеми формулами, пояснениями и выводами, соблюдая достаточную точность вычислений. В пояснениях и выводах показать, что именно и как характеризует исчисленный показатель. 4 5 Работа должна быть написана разборчиво, без помарок. На обложке необходимо указать фамилию, имя, отчество, факультет, курс, номер зачетной книжки. Работа должна содержать список использованной литературы, быть подписана студентом, указана дата выполнения работы. 6 Контрольная работа должна быть представлена в установленные учебным планом сроки. Абсолютно идентичные работы, а также работы, переснятые на ксероксе не принимаются и рассматриваются. 7 За консультацией по всем вопросам, возникшим в процессе изучения курса эконометрики и выполнения контрольной работы, следует обращаться на кафедру статистики и ЭММ, ул. Псковская, д. 3, ауд. 505. 8 При выполнении контрольной работы используется литература, рекомендованная в библиографическом списке. 1 ЛИНЕЙНЫЙ ПАРНЫЙ РЕГРЕССИОННЫЙ АНАЛИЗ Все существующие связи между признаками классифицируют по степени тесноты, направлению, форме, числу факторов. По степени тесноты связи делят на статистические и функциональные. Статистическая связь - это такая связь между признаками, при которой для каждого значения признака-фактора X признак-результат может в определенных пределах принимать любые значения с некоторыми вероятностями; при этом его статистические (массовые) характеристики (например, среднее значение) изменяются по определенному закону. Статистическая связь обусловлена тем, что: 1) на результативный признак оказывают влияние не только факторы, учтенные в модели (которые мы исследуем), но и неучтенные или неконтролируемые факторы; 2) неизбежностью ошибок измерения значений признаков. Модель статистической связи может быть представлена в общем виде уравнением: y f , u где - зависимая переменная (предиктор, результативный признак), фактическое значение результативного признака; Х – независимая переменная (регрессор); f - детерминированная составляющая - часть результативного признака, сформировавшаяся под воздействием учтенных известных факторных признаков; U – случайная составляющая (случайный остаток). Противоположной статистической связи является функциональная. Функциональной называется такая связь, когда каждому возможному значению признака-фактора соответствует одно или несколько строго определенных значений результативного признака . Определение функциональной связи может быть легко 5 обобщено для случая многих признаков – 1 , 2 ,..., m . Модель функциональной связи в общем виде можно представить уравнением: f По направлению изменений результативного и факторного признаков связи делят на прямые и обратные. По форме связи (виду функции f) связи делят на прямолинейные (линейные) и криволинейные (нелинейные). По количеству факторов в модели связи подразделяют на однофакторные (парные) и многофакторные. Одним из методов изучения стохастических связей между признаками является регрессионный анализ. Регрессионный анализ представляет собой установление аналитической зависимости между признаками. Он включает следующие этапы: 1) выбор формы связи (вида аналитического уравнения регрессии); 2) оценка параметров уравнения; 3) оценка качества аналитического уравнения регрессии. Наиболее часто для описания статистической связи признаков используется линейная форма. Внимание к линейной связи объясняется четкой экономической интерпретацией ее параметров, ограниченной вариацией переменных и тем, что в большинстве случаев нелинейные формы связи для выполнения расчетов преобразуют (путем логарифмирования или замены переменных) в линейную форму. Линейная парная регрессия сводится к нахождению уравнения вида: a0 a1 u где a 0 и a1 – параметры уравнения регрессии; u - часть результативного признака, сформировавшаяся под воздействием неконтролируемых или неучтенных факторов, а также ошибок измерения признаков. Оценка параметров линейной регрессии проводиться по пространственной выборки (Yi Хi) i 1, n . Для получения оценок наиболее часто используют метод наименьших квадратов (МНК). Метод наименьших квадратов дает наилучшие (эффективные и несмещенные) оценки параметров уравнения регрессии. Но только в том случае, если выполняются определенные предпосылки относительно случайного члена u и независимой переменной . МНК позволяет получить такие оценки параметров a 0 и a1 , при которых сумма квадратов отклонений фактических значений результативного признака Y – от расчетных (теоретических) значений —Ŷ минимальна: S=Σ(Y-Ŷ)2 → min. Проиллюстрируем суть данного метода графически. Для этого построим точечный график по данным наблюдений , , i 1; n i i в прямоугольной системе координат (такой точечный график называют корреляционным полем). Попытаемся подобрать прямую линию, которая ближе всего расположена к точкам корреляционного поля. Согласно методу наименьших квадратов линия выбирается так, чтобы сумма квадратов расстояний по вертикали между точками корреляционного поля и этой линией была бы минимальной. Y Ŷ Y X X Рисунок 1 - Корреляционное поле зависимости между X и Y. В случае линейной парной зависимости: S (Yi (a0 a1 X i )) 2 min . i и i n нам известны, это данные наблюдений. В функции S они представляют собой константы. Переменными в данной функции являются искомые оценки параметров – a 0 и a1 . Чтобы найти Значения минимум функции двух переменных необходимо вычислить частные производные данной функции по каждому из параметров и приравнять их к нулю, т.е. 6 S S 0, 0. a 0 a1 В результате получим систему из 2-ух нормальных линейных уравнений: n n Yi a0 n a1 X i i 1 i 1 n n n Yi X i a0 X i a1 X i2 i 1 i 1 i 1 или Y a 0 n a1 X YX a 0 X a1 X 2 Решая данную систему, найдем искомые оценки параметров: X Y X Y a1 x2 , a0 Y a1 X , где X , Y и XY - средние значения факторов Х, Y и их произведения. В системе нормальных уравнений индексы опущены для облегчения запоминания . Правильность расчета параметров уравнения регрессии может быть проверена сравнением сумм ΣY=ΣŶ (при этом возможно некоторое расхождение из-за округления расчетов). Знак коэффициента регрессии a1 указывает направление связи (если a1 0 , связь прямая, если a1 0 , то связь обратная). Величина a1 показывает, на сколько единиц изменится в среднем признакрезультат –Y при изменении признака-фактора – Х на 1 единицу своего измерения. Формально значение параметра a 0 - среднее значение Y при X равном нулю. Если признак-фактор не имеет и не может иметь нулевого значения, то вышеуказанная трактовка параметра a 0 не имеет смысла. Оценка тесноты связи между признаками осуществляется с помощью коэффициента линейной парной корреляции - rxy . Он может быть рассчитан по формуле: rxy X Y X Y x y , Для качественной оценки тесноты связи можно использовать следующую классификацию: 0.1- 0.3- слабая связь 0.3-0.5 – умеренная связь 0.5-0.7- заметная связь 0.7-0.9- тесная связь 0.9-0.99- весьма тесная (Здесь значения rxy взять по модулю). где x - среднее квадратическое отклонение факторного признака, которое определяется по формуле: (X X ) x у 2 n X 2 ( X )2 . - среднее квадратическое отклонение результативного признака, которое определяется по формуле: ó (Y Y )2 n Y 2 (Y ) 2 . Кроме того, коэффициент линейной парной корреляции может быть определен через коэффициент регрессии a1 : rxy a1 x y . Область допустимых значений линейного коэффициента парной корреляции от -1 до +1. Знак коэффициента корреляции указывает направление связи. Если rxy 0 , то связь прямая; если rxy 0 , то связь обратная. Если данный коэффициент по модулю близок к единице, то связь между признаками может быть интерпретирована как довольно тесная линейная. Если его модуль равен единице rxy 1 , то связь между признаками функциональная линейная. Если признаки X и Y линейно независимы, то rxy близок к 0. 7 Для оценки качества полученного уравнения регрессии рассчитывают теоретический коэффициент 2 детерминации - R yx . Коэффициент детерминации характеризует долю вариации (дисперсии) результативного признака Y, объясняемую регрессией (а, следовательно, и фактором Х), в общей вариации (дисперсии) Y. 2 2 Коэффициент детерминации R yx принимает значения от 0 до 1. Соответственно величина 1 R yx характеризует долю дисперсии Y, вызванную влиянием прочих неучтенных в модели факторов и ошибками спецификации. 2 R yx= 2 δ Σ(Ŷ- Y )2 ____ _____________ 2 σ y где = Σ(Y- Y )2 2 - объясненная уравнением регрессии дисперсия Y; 2y - общая (полная) дисперсия Y. В силу теоремы о сложении дисперсий общая дисперсия результативного признака равна сумме и остаточной (необъясненной) дисперсий: 2 2 объясненной уравнением регрессии 2 2 2. Поэтому коэффициент детерминации может быть рассчитан через остаточную и общую дисперсии: ε2 Σ(Y-Ŷ)2 R2=1- ____ = 1 - _____________ σ2y Σ(Y- Y )2 2 - остаточная (необъясненная уравнением регрессии) дисперсия Y. 2 2 При парной линейной регрессии R yx r yx . где Оценка статистической значимости параметров уравнения регрессии. С помощью МНК можно получить лишь оценки параметров уравнения регрессии. Чтобы проверить, значимы ли параметры (т.е. значимо ли они отличаются от нуля в истинном уравнении регрессии) используют статистические методы проверки гипотез. В качестве основной гипотезы выдвигают гипотезу о незначимом отличии от нуля параметра регрессии или коэффициента корреляции. Альтернативной гипотезой, при этом является гипотеза обратная, т.е. о неравенстве нулю параметра или коэффициента корреляции. Для проверки гипотезы используется t-критерий Стьюдента. Найденное по данным наблюдений значение t-критерия (его еще называют наблюдаемым или фактическим) сравнивается с табличным (критическим) значением, определяемым по таблицам распределения Стьюдента (которые обычно приводятся в конце учебников и практикумов по статистике или эконометрике). Табличное значение определяется в зависимости от уровня значимости и числа степеней свободы, которое в случае линейной парной регрессии равно n 2 , n-число наблюдений. Если фактическое значение t-критерия больше табличного (по модулю), то считают, что с вероятностью 1 параметр регрессии (коэффициент корреляции) значимо отличается от нуля. Если фактическое значение t-критерия меньше табличного (по модулю), то нет оснований отвергать основную гипотезу, т.е. параметр регрессии (коэффициент корреляции) незначимо отличается от нуля при уровне значимости . Фактические значения t-критерия определяются по формулам: t a0 a 0 t a1 a1 где ост n2 , ост n2 ост x, Y Y n 2 . Для проверки гипотезы о незначимом отличии от нуля коэффициента линейной парной корреляции используют критерий: 8 n2 , 1 r2 tr r где r - оценка коэффициента корреляции, полученная по наблюдаемым данным. Прогноз ожидаемого значения результативного признака Y по линейному парному уравнению регрессии. Пусть требуется оценить прогнозное значение признака-результата для заданного значения признака- фактора . Прогнозируемое значение признака-результата с доверительной вероятностью равной принадлежит интервалу прогноза: p 1 (Y p t p ; Y p t p ) , где - точечный прогноз; t - коэффициент доверия, определяемый по таблицам распределения Стьюдента в зависимости от p уровня значимости α и числа степеней свободы n 2 ; p - средняя ошибка прогноза. Точечный прогноз рассчитывается по линейному уравнению регрессии, как: p a 0 a1 p . Средняя ошибка прогноза определяется по формуле: p p 2 Y )2 1 1 ( X X ) n ( X X )2 n2 (Y . Пример 1. На основе данных, приведенных в Приложении и соответствующих варианту 100, требуется: 1. Построить уравнение линейной парной регрессии одного признака от другого. Один из признаков, соответствующих Вашему варианту, будет играть роль факторного (Х), другой результативного . Причинно-следственные связи между признаками установить самим на основе экономического анализа. Пояснить смысл параметров уравнения. 2. Рассчитать линейный коэффициент парной корреляции и коэффициент детерминации. Сделать выводы. 3. Оценить статистическую значимость параметров регрессии и коэффициента корреляции с уровнем значимости 0,05. 4. Выполнить прогноз ожидаемого значения признака-результата Y при прогнозном значении признака-фактора X, составляющим 105% от среднего уровня X. Оценить точность прогноза, рассчитав ошибку прогноза и его доверительный интервал с вероятностью 0,95. Решение: В качестве признака-фактора в данном случае выберем курсовую цену акций, так как от прибыльности акций зависит величина начисленных дивидендов. Таким образом, результативным будет признак дивиденды, начисленные по результатам деятельности. Для облегчения расчетов построим расчетную таблицу, которая заполняется по ходу решения задачи. (Таблица 1) Для наглядности зависимости Y от X представим графически. (Рисунок 2) 9 21,00 20,80 20,60 Дивиденды 20,40 20,20 20,00 19,80 19,60 19,40 19,20 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 Курсовая цена акций Рисунок 2 - Корреляционное поле зависимости суммы дивидендов от курсовой цены акций Таблица 1 - Расчетная таблица № Y X Ŷ (Y- Ŷ) (Y- Ŷ) ( X X ) (Y Y ) X2 Y2 3721 375,2 19,81 -0,44 0,197 1267,36 0,64 2 Y*X 2 2 1 19,37 61 1181,6 2 19,42 52 1009,8 2704 377,14 19,72 -0,3 3 19,57 91 1780,9 8281 382,98 20,11 -0,54 0,296 4 19,59 70 1371,3 4900 383,77 19,9 -0,31 0,099 707,56 0,3364 … … … … … … … 77 20,65 120 2478 14400 426,42 20,4 0,25 0,061 547,56 0,2304 78 20,66 128 2644,5 16384 426,84 20,48 0,18 0,031 985,96 0,2401 79 20,69 107 2213,8 11449 428,08 20,27 0,42 0,173 108,16 0,2704 80 20,83 124 2582,9 15376 433,89 20,44 0,39 0,149 750,76 0,4356 Итого 1613,6 х 3,821 35291,2 В среднем 20,17 … 7728 156250 781816 32554 1613,6 96,6 1953,1 9772,7 406,93 20,17 х 0,092 1989,16 0,5625 … 31,36 … 0,36 … 7,814 0,048 441,14 0,0977 Построим уравнение регрессии вида: Y a 0 a1 X . 1. Для этого необходимо определить параметры уравнения Определим где X 2 a 0 и a1 . X Y X Y a1 : a1 X 2 X - среднее из значений X - среднее значение 2 2 , , возведенных в квадрат; в квадрате. 1953,124 20,17 96,6 1953,124 1948,42 4,704 0,01 9772,7 9331,56 441,14 441,14 Определим параметр а0: a 0 Y a1 X 20,17 0,01 96,6 20,17 0,966 19,204 a1 Получим уравнение регрессии следующего вида: Y 19,204 0,01 X Параметр a 0 показывает, сколько составили бы дивиденды, начисленные по результатам деятельности при отсутствии влияния со стороны курсовой цены акций. На основе параметра a1 можно сделать вывод, что при изменении курсовой цены акций на 1 руб. произойдет изменение дивидендов в ту же сторону на 0,01 млн. руб. 2. Рассчитаем линейный коэффициент парной корреляции и коэффициент детерминации. Линейный коэффициент парной корреляции определим по формуле: r X Y X Y , x y Определим x иy: X X 2 x 441,14 21,003 n Y Y 2 y 0,0977 0,313 n Тогда r 1953,124 1948,42 4,704 0,708 0,313 21,003 6,643 Коэффициент корреляции, равный 0,708, позволяет судить о тесной связи между результативным и факторным признаками 0,708 0,700 . Коэффициент детерминации равен квадрату линейного коэффициента корреляции: r 2 0,708 0,50 50% 2 Коэффициент детерминации показывает, что на 50% вариации начисленных дивидендов зависит от вариации курсовой цены акций, и на 50% - от остальных неучтенных в модели факторов. 3. Оценим значимость параметров уравнения регрессии и линейного коэффициента корреляции по t-критерию Стьюдента. Необходимо сравнить расчетные значения t-критерия для каждого параметра и сравнить его с табличным. Для расчета фактических значений t-критерия определим ост : Y Y ост n 2 0,048 0,219 Тогда t a0 a 0 n2 ост 19,204 78 8,83 19,204 774,3 0,219 0,219 11 t a1 a1 n2 ост Далее определим 78 8,83 21,003 0,01 21,003 8,468 0,219 0,219 при уровне значимости 0,05 и числе степеней свободы равном x 0,01 t табл . v n 2 80 2 78 : t табл ( 0,05; v 78) 2,000 t a t табл t a0 и t a1 с t табл : 0 Сравним , следовательно, оба параметра уравнения регрессии t a1 t табл признаются значимыми. Проверим значимость линейного коэффициента корреляции: n2 78 0,708 0,708 156 0,708 12,49 8,84 2 1 0,50 1 r Сравниваем t r с уже известным нам значением t табл : t r t табл , следовательно, линейный tr r коэффициент корреляции существенен. 4. Выполним прогноз ожидаемого значения признака-результата Y при прогнозном значении признака-фактора X, составляющим 105% от среднего уровня X. Точечный прогноз рассчитывается по линейному уравнению регрессии: p a 0 a1 p , В нашем случае X p X 1,05 96,6 1,05 101,43 Тогда Y 19,204 0,01 101,43 20,218 Оценим ошибку прогноза: p Y Y p n2 2 2 1 XpX 1 2 n X X 2 3,821 (1 1 101,43 96,60 ) 78 80 35291,2 1 0,0491 0,0001 0,049 1,0126 0,0496 0,223 80 После этого определим интервал, к которому с вероятностью 0,95 принадлежит прогнозное значение признака Y: Y t p ;Y p t p , где t 2,000 – табличное значение t-критерия при 0,05 и числе степеней свободы v n 2 80 2 78 . p В данном случае интервал будет такой: 20,218 2,000 0,223; 20,218 2,000 0,223 19,8; 20,7 То есть, с вероятностью 0,95 прогнозируемая величина дивидендов при курсовой стоимости акций равной 101,43 руб. будет принадлежать интервалу от 19,8 до 20,7 млн. руб. 12 2 МНОЖЕСТВЕННЫЙ РЕГРЕССИОННЫЙ АНАЛИЗ Построение уравнения множественной регрессии начинается с решения вопроса о спецификации модели, который в свою очередь включает 2 круга вопросов: отбор факторов и выбор уравнения регрессии. Отбор факторов обычно осуществляется в два этапа: 1) теоретический анализ взаимосвязи результата и круга факторов, которые оказывают на него существенное влияние; 2) количественная оценка взаимосвязи факторов с результатом. При линейной форме связи между признаками данный этап сводится к анализу корреляционной матрицы (матрицы парных линейных коэффициентов корреляции): ry , y rx1 , y ry , x1 rx1 , x2 ry , x2 rx2 , x2 ... ry , xm ... rx2 , xm .... rxm , y rxm , x1 rx1 , x2 ... rxm , xm Факторы, включаемые во множественную регрессию, должны отвечать следующим требованиям: 1. Они должны быть количественно измеримы. Если необходимо включить в модель качественный фактор, не имеющий количественного измерения, то ему нужно придать количественную определенность (например, в модели урожайности качество почвы задается в виде баллов). 2. Каждый фактор должен быть достаточно тесно связан с результатом (т.е. коэффициент парной линейной корреляции между фактором и результатом должен быть существенным). 3. Факторы не должны быть коррелированны друг с другом, тем более находиться в строгой функциональной связи (т.е. они не должны быть интеркоррелированны). Разновидностью интеркоррелированности факторов является мультиколлинеарность - наличие высокой линейной связи между всеми или несколькими факторами. Мультиколлинеарность может привести к нежелательным последствиям: 1) оценки параметров становятся ненадежными, обнаруживают большие стандартные ошибки и меняются с изменением объема наблюдений (не только в величине, но и по знаку), что делает модель непригодной для анализа и прогнозирования. 2) затрудняется интерпретация параметров множественной регрессии как характеристик действия факторов в «чистом» виде, ибо факторы коррелированны; параметры линейной регрессии теряют экономический смысл; 3) нельзя определить изолированное влияние факторов на результативный показатель. Мультиколлинеарность имеет место, если определитель матрицы межфакторной корреляции близок к нулю: rx1x1 Det R rx1x2 rx1x3 rx2 x1 rx2 x2 rx2 x3 rx3 x1 1 1 1 rx3 x2 1 1 1 0 rx3 x3 1 1 1 Если же определитель матрицы межфакторной корреляции близок к единице, то мультколлинеарности нет. Существуют различные подходы преодоления сильной межфакторной корреляции. Простейший из них - исключение из модели фактора (или факторов), в наибольшей степени ответственных за мультиколлинеарность при условии, что качество модели при этом пострадает несущественно (а именно, R 2 y x1... xm снизится несущественно). Определение факторов, ответственных за мультиколлинеарность, может быть основано на анализе матрицы межфакторной корреляции. При этом определяют пару признаков-факторов, которые сильнее всего связаны между собой (коэффициент линейной парной корреляции максимален по модулю). Из этой пары в наибольшей степени ответственным за Мультиколлинеарность будет тот признак, который теснее связан с другими факторами модели (имеет более высокие по модулю значения коэффициентов парной линейной корреляции). Еще один способ определения факторов, ответственных за мультиколлинеарность основан на вычислении коэффициентов множественной детерминации R 2 x x1 ,..., x 1, x 1,..., xm , показывающего зависимость каждого фактора от других факторов модели. При этом в качестве зависимой переменной рассматривается каждый из факторов ( ; m) . А в качестве независимых переменных прочие факторы модели ( ; m) . Чем ближе значение коэффициента множественной детерминации к единице, тем больше ответственность за мультиколлинеарность фактора, выступающего в роли зависимой переменной. 13 Сравнивая между собой коэффициенты множественной детерминации для различных факторов можно проранжировать переменные по степени ответственности за мультиколлинеарность. При выборе формы уравнения множественной регрессии предпочтение отдается линейной функции: a 0 a1 1 a 2 2 ... a m m в виду четкой интерпретации параметров. Данное уравнение регрессии называют уравнением регрессии в естественном (натуральном) масштабе. Коэффициент регрессии a при факторе называют условно-чистым коэффициентом регрессии. Он измеряет среднее по совокупности отклонение признака-результата от его средней величины при отклонении признака-фактора на единицу, при условии, что все прочие факторы модели не изменяются (зафиксированы на своих средних уровнях). Если не делать предположения о значениях прочих факторов, входящих в модель, то это означало бы, что каждый из них при изменении также изменялся бы, так как факторы (пусть и несильно) связаны между собой, и своим изменением оказывал бы влияние на признак-результат. Расчет параметров уравнения линейной множественной регрессии. Параметры уравнения линейной множественной регрессии можно определить методом наименьших квадратов, как и в случае парной регрессии. Параметры линейного множественного уравнения регрессии можно определить и другим способом - через β-коэффициенты (параметры уравнения регрессии в стандартных масштабах). Модель регрессии в стандартном масштабе предполагает, что все значения исследуемых признаков переводятся в стандарты (стандартизованные значения) по формулам: tx XX x , - значение переменной Y Y . tY где Y Таким образом, начало отсчета каждой стандартизованной переменной совмещается с ее средним значением, а в качестве единицы изменения принимается ее . Если связь между переменными в естественном масштабе линейная, то изменение начала отсчета и единицы измерения этого свойства не нарушат, так что и стандартизованные переменные будут связаны линейным соотношением: ty tX . β-коэффициенты могут быть оценены с помощью обычного МНК. При этом система нормальных уравнений будет иметь вид: rx1 y 1 rx1x2 2 ... rx1xm m rx2 y rx2 x1 1 2 ... rx2 xm m rxm y ....... rxm x1 1 rxm x2 2 ... m Найденные из данной системы β-коэффициенты позволяют определить значения коэффициентов в регрессии в естественном масштабе по формулам: à y ; a Y b X x . Показатели тесноты связи факторов с результатом. Если факторные признаки различны по своей сущности и/или имеют различные единицы измерения, то коэффициенты регрессии a при разных факторах являются несопоставимыми. Поэтому уравнение регрессии дополняют соизмеримыми показателями тесноты связи фактора с результатом, позволяющими ранжировать факторы. К ним относят: частные коэффициенты эластичности, βкоэффициенты, частные коэффициенты корреляции. Частные коэффициенты эластичности Э рассчитываются по формуле: Э Y X . X Y Частный коэффициент эластичности показывают на сколько процентов в среднем изменяется признакрезультат Y с изменением признака-фактора на один процент от своего среднего уровня при 14 фиксированном положении других факторов модели. В случае линейной зависимости коэффициент эластичности рассчитывается по формуле: Стандартизированные Э a частные X , где Y a - коэффициент регрессии . коэффициенты регрессии показывают, на какую часть своего среднего квадратического отклонения - y β-коэффициенты изменится признак-результат Y с изменением соответствующего фактора на величину своего среднего квадратического отклонения x при неизменном влиянии прочих факторов входящих в уравнение. По коэффициентам эластичности и β-коэффициентам могут быть сделаны противоположные выводы. Причины этого: а) вариация одного фактора очень велика; б) разнонаправленное воздействие факторов на результат. Кроме того, коэффициент может интерпретироваться как показатель прямого (непосредственного) влияния фактора на результат . Во множественной регрессии фактор оказывает не только прямое, но и косвенное (опосредованное) влияние на результат (т.е. влияние через другие факторы модели). Косвенное влияние измеряется величиной: r , где т- число факторов в модели. Полное влияние фактора на результат равное сумме прямого и косвенного влияний измеряет коэффициент линейной парной корреляции данного фактора и результата – rx , y . Коэффициент частной корреляции измеряет тесноту линейной связи между отдельным фактором и результатом при устранении воздействия прочих факторов модели. Для качественной оценки тесноты связи можно использовать следующую классификацию: 0.1- 0.3- слабая связь 0.3-0.5 – умеренная связь 0.5-0.7- заметная связь 0.7-0.9- тесная связь 0.9-0.99- весьма тесная Для расчета частных коэффициентов корреляции могут быть использованы парные коэффициенты корреляции. Для случая зависимости Y от двух факторов можно вычислить 2 коэффициента частной корреляции: ryx1 / x2 ryx2 / x1 rx1 y rx2 y rx1x2 (1 rx21x2 )(1 rx22 y ) rx2 y rx1 y rx1x2 (1 rx21x2 )(1 rx21 y ) (2-ой фактор 2 фиксирован). (1-ый фактор 1 фиксирован). Это коэффициенты частной корреляции 1-ого порядка (порядок определяется числом факторов, влияние которых на результат устраняется). Частные коэффициенты корреляции, рассчитанные по таким формулам, изменяются от -1 до +1. Они используются не только для ранжирования факторов модели по степени влияния на результат, но и также для отсева факторов. При малых значениях ryxm / x1 , x2 ... xm 1 нет смысла вводить в уравнение m-ый фактор, т.к. качество уравнения регрессии при его введении возрастет незначительно (т.е. теоретический коэффициент детерминации увеличится незначительно). Коэффициенты множественной детерминации и корреляции характеризуют совместное влияние всех факторов на результат. По аналогии с парной регрессией можно определить долю вариации результата, объясненной вариацией включенных в модель факторов , 2 . Ее количественная детерминации R y x ,..., x . Для в его общей вариации характеристика - теоретический множественный коэффициент 2 y 2 1 m линейного уравнения регрессии данный показатель может быть рассчитан через β-коэффициенты, как: 15 R y2( x1 ,..., xm ) rYX . Ry ( x1 ,..., xm ) Ry2( x1 ,..., xm ) - коэффициент множественной корреляции. Он принимает значения от 0 до 1 (в отличие от парного коэффициента корреляции, который может принимать отрицательные значения, R используется без учета направления связи). Чем плотнее фактические значения располагаются относительно линии регрессии, тем меньше остаточная дисперсия и, следовательно, больше величина R y x1 ,..., xm . Таким образом, при значении R близком к 1, уравнение регрессии лучше описывает фактические данные и факторы сильнее влияют на результат; при значении R близком к 0 уравнение регрессии плохо описывает фактические данные и факторы оказывают слабое воздействие на результат. Оценка значимости полученного уравнения множественной регрессии. Оценка значимости уравнения множественной регрессии осуществляется путем проверки гипотезы: R y x1 ,..., xm 0 (гипотеза о незначимости уравнения регрессии). Для ее проверки используют F-критерий Фишера. При этом вычисляют фактическое (наблюдаемое) значение F-критерия: Fрасч R2 n k 1 , k 1 R2 где n-число наблюдений; k - число независимых переменных модели. По таблицам распределения Фишера находят критическое значение F-критерия Fкр . Для этого задаются уровнем значимости (обычно его берут равным 0,05) и двумя числами степеней свободы v1 m 1 и v2 n m . Здесь m – число параметров модели. Сравнивают фактическое значение F-критерия Fнабл с табличным Fкр ; v1 ; v2 . Если Fнабл Fкр ; v1 ; v2 , то гипотезу о незначимости уравнения регрессии не отвергают. Если Fнабл Fкр ; v1 ; v2 , то выдвинутую гипотезу отвергают и принимают альтернативную гипотезу о статистической значимости уравнения регрессии. Пример 2. На основе данных, приведенных в Приложении и соответствующих варианту 100, требуется: 1. Построить уравнение множественной регрессии. Для этого, оставив признак-результат тем же выбрать несколько признаков-факторов из приложения 1 (границы их наблюдения должны совпадать с границами наблюдения признака-результата, соответствующих Вашему варианту). При выборе факторов нужно руководствоваться как экономическим содержанием, так и формальными подходами (например, матрица парных коэффициентов корреляции). Пояснить смысл параметров уравнения. 2. Рассчитать частные коэффициенты эластичности. 3. Определить стандартизованные коэффициенты регрессии (β-коэффициенты). 4. На основе полученных результатов сделать вывод о силе связи результата с каждым из факторов. 5. Определить парные и частные коэффициенты корреляции, а также множественный коэффициент корреляции; сделать выводы. 6. Дать оценку полученного уравнения с помощью общего F-критерия Фишера. Решение: По условию задачи, результативный признак должен остаться тот же, значит Y - дивиденды, начисленные по результатам деятельности. В качестве факторных признаков выберем следующие: 1 – балансовая прибыль; 2 - дебиторская задолженность по результатам деятельности. Определим уравнение регрессии следующего вида: Y a 0 a1 X 1 a 2 X 2 Для определения параметров уравнения связи, а также для дальнейших расчетов построим дополнительную таблицу. (Таблица 2) 16 Для определения параметров двухфакторного уравнения регрессии необходимо решить систему нормальных уравнений: a 0 n a1 X 1 a 2 X 2 Y 2 a 0 X 1 a1 X 1 a 2 X 1 X 2 YX 1 2 a 0 X 2 a1 X 1 X 2 a 2 X 2 YX 2 В нашем случае система нормальных уравнений примет вид: 80a0 8681a1 4152a 2 1613,60 8681a0 948751a1 443304a 2 175270,53 4152a 443304a 231978а 83563,22 0 1 2 В результате решения данной системы получим следующие коэффициенты регрессии: a0 17,27 a1 0,0265 a2 0,00054 Окончательное уравнение регрессии примет вид: Y 17,27 0,02645 X 1 0,00054 X 2 . При отсутствии влияния со стороны факторных признаков, учтенных в данной модели, значение результативного признака будет составлять 17,2714 млн. руб. При изменении балансовой прибыли на 1 млн. руб. произойдет изменение начисленных дивидендов в ту же сторону на 0,02645 млн. руб., а при изменении дебиторской задолженности на 1 млн. руб. следует ожидать изменения величины начисленных дивидендов на 0,00054 млн. руб. Определим частные коэффициенты эластичности: X1 108,51 0,02645 5,38 0,02645 0,14% , Y 20,17 X 51,90 Э2 а 2 2 0,00054 2,57 0,00054 0,0014% . Y 20,17 Э1 а1 Частные коэффициенты эластичности показывают влияние отдельных факторов на результативный показатель. Так, при изменении балансовой прибыли на 1% при неизменности второго фактора произойдет в среднем изменение величины начисленных дивидендов на 0,14%, а при изменении дебиторской задолженности на 1% при фиксированном положении первого фактора произойдет изменение величины начисленных дивидендов в среднем на 0,0014%. Теперь рассчитаем β-коэффициенты: 1 а1 x1 9,213 0,02645 0,7785 y 0,313 2 a2 x2 14,360 0,00054 0,0248 y 0,313 Анализ β-коэффициентов показывает, что на величину начисленных дивидендов из двух исследуемых факторов с учетом уровня их вариации большее влияние оказывает балансовая прибыль 2 . С учетом всех рассчитанных показателей и параметров уравнения регрессии можно сделать вывод о том, что наибольшая связь величины начисленных дивидендов отмечается с размером балансовой прибыли. Далее, определим парные, частные коэффициенты корреляции и множественный коэффициент корреляции. 17 I. Парные коэффициенты рассматриваемых признаков. ryx1 YX 1 Y X 1 x y 1 корреляции: измеряют тесноту связи между двумя из 2190,88 108,51 20,17 2190,88 2188,65 2,23 0,774 , 9,213 0,313 2,88 2,83 ryx2 YX 2 Y X 2 1044,54 51,9 20,17 1044,54 1046,823 2,289 0,51 , 14,36 0,313 4,49 4,49 x2 y rx1x2 X 1 X 2 X 1 X 2 5541,3 108,51 51,9 5541,3 5631,67 90,37 0,683 . x2 x1 9,213 0,313 132,299 132,299 Коэффициент корреляции между факторными признаками, равный -0,683, позволяет оставить в модели оба фактора, так как связь между факторами не тесная 0,8 . II. Частные коэффициенты корреляции: характеризуют степень влияния одного из факторов на функцию при условии, что остальные независимые переменные закреплены на постоянном уровне. ryx1 ( x2 ) ryx2 ( x1 ) rx1x2 ( y ) rx1 y rx2 y rx1x2 (1 r 2 x1 x2 )(1 r ) rx2 y rx1 y rx1x2 (1 r 2 x1x2 2 x2 y )(1 r ) 2 x1 y rx2 x1 rx1 y rx2 y (1 ryx2 2 )(1 ryx2 1 ) = 0,774 (0,51)( 0,683) (1 0,26)(1 0,466) 0,51 0,774(0,683) (1 0,599)(1 0,466) 0,683 0,744(0,51) (1 0,26)(1 0,599) 0,774 0,348 0,740 0,534 0,510 0,586 0,401 0,534 0,683 0,395 0,074 0,401 0,426 0,395 0,426 0,677 0,629 0,076 0,164 , 0,463 0,288 0,310 0,288 0,517 0,557 Таблица 2 - Дополнительная таблица № 1 2 3 4 … 77 78 79 80 Итого В среднем Х1 X 12 X 22 Х2 Yi 19,57 100 65 10000 4225 19,94 103 54 10609 2916 20,29 113 59 12769 3481 20,83 124 36 15376 1296 … … … … … 19,66 95 49 9025 2401 19,37 93 76 8649 5776 20,25 120 48 14400 2304 19,82 98 72 9604 5184 1613,6 8681 4152 948751 231978 20,17 108,51 51,90 11859,39 2899,73 Y2 382,985 397,604 411,684 433,889 … 386,516 375,197 410,063 392,832 32554,13 406,93 Y*X 1 1957 2053,82 2292,77 2582,92 … 1867,7 1801,41 2430 1942,36 175270,5 2190,88 Ŷ Y*X 2 X1 X 2 1272,05 6500 19,95 1076,76 5562 20,02 1197,11 6667 20,29 749,88 4464 20,57 … … … 963,34 4655 19,81 1472,12 7068 19,77 972 5760 20,47 1427,04 7056 19,9 83563,22 443304 1613,57 1044,54 5541,30 20,17 (Y-Ŷ)2 0,14554 0,00721 0 0,06727 … 0,02268 0,16184 0,04898 0,00679 3,28954 0,04 Близкая к тесной прямая связь результативного признака наблюдается с балансовой прибылью (0,677), практически отсутствует связь между начисленными дивидендами и дебиторской задолженностью (0,164). III. Множественный коэффициент корреляции: результативным и обоими факторными признаками. показывает тесноту связи между 18 ryx2 1 ryx2 2 2ryx1 ryx2 rx1x2 R (1 rx21x2 ) 0,774 2 0,512 2(0,774(0,51)( 0,683)) (1 0,466) 0,599 0,26 0,539 0,320 0,599 0,774 0,534 0,534 Таким образом, выявлена тесная связь 0,774 0,700 между начисленными дивидендами и следующими признаками: балансовая прибыль и дебиторская задолженность. Множественный коэффициент детерминации определим как квадрат множественного коэффициента корреляции: Ryx2 1x2 (0,774) 2 0,599 . На основе коэффициента детерминации делаем вывод, что на 59,9% вариации величины начисленных дивидендов находится в зависимости от изменения балансовой прибыли и суммы дебиторской задолженности, и на 40,1% 100,0 59,9 – влиянием прочих неучтенных в модели факторов. На завершительном этапе анализа проверим значимость параметров уравнения регрессии и модели в целом. Проверим значимость модели в целом с помощью F-статистики Фишера. Для этого определим остаточную дисперсию результативного признака: 2 ост 2 ( Y Y ) n 3,2895 0,0411 , 80 Тогда Fрасч R2 n k 1 k 1 R2 = 57,51 Fтабл ( 0,05; v1 1; v2 78) 4,00 , F расч Fтабл , следовательно, модель в целом признается значимой. 19 3 СИСТЕМЫ ЭКОНОМЕТРИЧЕСКИХ УРАВНЕНИЙ Не всегда получается описать адекватно сложное социально-экономическое явление с помощью только одного соотношения (уравнения). Кроме того, некоторые переменные могут оказывать взаимные воздействия и трудно однозначно определить какая из них является зависимой, а какая независимой переменной. Поэтому при построении эконометрической модели прибегают к системам уравнений. В любой эконометрической модели в зависимости от конечных прикладных целей ее использования все участвующие в ней переменные подразделяются на: Экзогенные (независимые) - значения которых задаются «извне», автономно, в определенной степени они являются управляемыми (планируемыми) x ; Эндогенные (зависимые) - значения которых определяются внутри модели, или взаимозависимые y . Лаговые - экзогенные или эндогенные переменные эконометрической модели, датированные предыдущими моментами времени и находящиеся в уравнении с текущими переменными. Например: yt - текущая эндогенная переменная, y t 1 - лаговая эндогенная переменная (отстоящая от текущей на 1 период назад), y t 2 - тоже лаговая эндогенная переменная (отстоящая от текущей на 2 периода). Предопределенные переменные - переменные, определяемые вне модели. К ним относятся лаговые и текущие экзогенные переменные xt , xt 1 , а также лаговые эндогенные переменные yt 1 . Все эконометрические модели предназначены для объяснения текущих значений эндогенных переменных по значениям предопределенных переменных. Система уравнений в эконометрических исследованиях может быть построена по-разному. Выделяют следующие 3 вида систем уравнений. 1. Система независимых уравнений, когда каждая зависимая переменная y рассматривается как функция только от предопределенных переменных x : y1 a11 x1 a12 x2 ... a1m xm u1 y a x a x ... a x u 2 21 1 22 2 2m m 2 ...... y k ak1 x1 ak 2 x2 ... akm xm u k 2. Система рекурсивных уравнений, когда в каждом последующем уравнении системы зависимая переменная представляет функцию от всех зависимых и предопределенных переменных предшествующих уравнений: y1 a11 x1 a12 x2 ... a1m xm u1 y b y a x a x ... a x u 21 1 21 1 22 2 2m m 2 2 y3 b31 y1 b32 y 2 a31 x1 a32 x2 ... a3m x u3 ....... y k bk1 y1 bk 2 y 2 ... bkk 1 y k 1 ak1 x1 ak 2 x2 ... akm xm u k В рассмотренных 2-ух видах систем каждое уравнение может рассматриваться самостоятельно, и параметры уравнения определяются с помощью метода наименьших квадратов (МНК). 3. Система взаимозависимых (совместных, одновременных) уравнений, когда одни и те же зависимые переменные в одних уравнениях входят в левую часть, а в других уравнениях - в правую часть системы (т.е. выступают в роли факторов): y1 b12 y 2 b13 y3 ... b1k y k a11 x1 a12 x2 ... a1m xm u1 y b y b y ... b y a x a x ... a x u 2 21 1 22 2 2k k 21 1 22 2 2m m 2 ...... y k bk1 y1 bk 2 y 2 ... bkk 1 y k 1 ak1 x1 ak 2 x2 ... akm xm u k Название «система одновременных уравнений» подчеркивает тот факт, что в системе одни и те же переменные одновременно рассматриваются как зависимые в одних уравнениях и как независимые в других. В эконометрике эта система уравнений также называется структурной формой модели. 20 В отличие от предыдущих систем каждое уравнение системы одновременных уравнений не может рассматриваться самостоятельно, и для нахождения его параметров традиционный МНК неприменим, т.к. нарушаются предпосылки, лежащие в основе МНК. В результате оценки получаются смещенными. Некоторые из уравнений системы могут быть представлены в виде тождеств, т.е. параметры этих уравнений являются константами. От структурной формы легко перейти к так называемой приведенной форме модели, в которой все эндогенные переменные выражены через предопределенные переменные: y1 A11 x1 ... A1m xm U 1 y 2 A21 x1 ... A2 m x m U 2 ........ y k Ak1 x1 ... A km xm U k Особенность приведенной формы: так как правая часть каждого из уравнений модели содержит только предопределенные переменные и остатки, а левая часть только одну из эндогенных переменных, то такие системы относят к независимым. Тогда параметры каждого из уравнений системы в приведенной форме можно определить независимо обычным МНК. Зная оценки этих коэффициентов можно определить параметры структурной формы модели (косвенный МНК). Проблема идентификации. Параметры структурной формы модели по оценкам приведенных коэффициентов можно определить не всегда. Для этого необходимо, чтобы модель была идентифицируемой. Модель считается точно идентифицированной, если все ее уравнения точно идентифицированы. Если среди уравнений модели есть хотя бы одно сверхидентифицированное уравнение, то вся модель считается сверхидентифицированной. Если среди всех уравнений модели есть хотя бы одно неидентифицированное, то вся модель считается неидентифицированной. Уравнение называется неидентифицированным, если оценки его структурных параметров невозможно найти по коэффициентам приведенной модели. Уравнение называется точно идентифицированным, если оценки структурных параметров можно однозначно (единственным способом) найти по коэффициентам приведенной модели. Уравнение сверхидентифицировано, если для некоторых структурных параметров можно получить более одного численного значения. Правила идентификации Введем следующие обозначения: М- число предопределенных переменных в модели; т- число предопределенных переменных в данном уравнении; К - число эндогенных переменных в модели; k - число эндогенных переменных в данном уравнении. Необходимое (но недостаточное) условие идентификации. Для того чтобы уравнение модели было идентифицируемо, необходимо, чтобы число предопределенных переменных, не входящих в уравнение, было не меньше «числа эндогенных переменных, входящих в уравнение минус 1», т.е.: M m k 1 ; Если M m k 1 , уравнение точно идентифицировано. Если M m k 1 , уравнение сверхидентифицировано. Эти правила следует применять к структурной форме модели. Достаточное условие идентификации. Введем обозначения: А - матрица коэффициентов при переменных не входящих в данное уравнение. Достаточное условие идентификации заключается в том, что ранг матрицы А должен быть равен k 1 . Ранг матрицы - размер наибольшей ее квадратной подматрицы, определитель которой не равен нулю. Сформулируем необходимое и достаточное условия идентификации: 1) Если M m k 1 и ранг матрицы А равен k 1 , то уравнение сверхидентифицировано. 2) Если M m k 1 и ранг матрицы А равен k 1 , то уравнение точно идентифицировано. 3) Если M m k 1 и ранг матрицы А меньше k 1 то уравнение неидентифицированно. 4) Если M m k 1 , то уравнение неидентифицированно. В этом случае ранг матрицы А будет меньше k 1 . Оценка точно идентифицированного уравнения осуществляется с помощью косвенного метода наименьших квадратов (КМНК). 21 Алгоритм КМНК включает 3 шага: 1) составление приведенной формы модели и выражение каждого коэффициента приведенной формы через структурные параметры; 2) применение обычного МНК к каждому уравнению приведенной формы и получение численных оценок приведенных параметров; 3) определение оценок параметров структурной формы по оценкам приведенных коэффициентов, используя соотношения, найденные на шаге 1. Оценка сверхидентифицированного уравнения осуществляется при помощи двухшагового метода наименьших квадратов. Алгоритм двухшагового МНК включает следующие шаги: 1) составление приведенной формы модели; 2) применение обычного МНК к каждому уравнению приведенной формы и получение численных оценок приведенных параметров; 3) определение расчетных значений эндогенных переменных, которые фигурируют в качестве факторов в структурной форме модели; 4) определение структурных параметров каждого уравнения в отдельности обычным МНК, используя в качестве факторов входящие в это уравнение предопределенные переменные и расчетные значения эндогенных переменных, полученные на шаге 1 . Пример. На основе данных с помощью необходимого и достаточного условия провести идентификацию модели. Решение: Рассмотрим выполнение данного задания на основе примера варианта 100. В соответствии с таблицей 1 и таблицей 2 Приложения Б определим коэффициенты при параметрах каждого уравнения, и запишем получившуюся систему уравнений: y1 a11 x1 a12 x2 a13 x3 y 2 b21 y1 b23 y3 a 23 x3 y b y b y a x 31 1 32 2 31 1 3 Проверим каждое уравнение на идентифицируемость. Введем следующие обозначения: М - число предопределенных переменных в модели; т - число предопределенных переменных в данном уравнении; К - число эндогенных переменных в модели; k - число эндогенных переменных в данном уравнении. Необходимое условие идентификации: Если M m k 1 , уравнение точно идентифицировано. Если M m k 1 , уравнение сверхидентифицировано. Проверим каждое уравнение на идентифицируемость по необходимому условию идентификации: Таблица 3 – Проверка уравнений системы на идентификацию Error! Not a valid link. Достаточное условие идентификации. Введем обозначения: А - матрица коэффициентов при переменных, не входящих в данное уравнение. Достаточное условие идентификации заключается в том, что ранг матрицы А должен быть равен k 1 . Ранг матрицы - размер наибольшей ее квадратной подматрицы, определитель которой не равен нулю. Проверим каждое уравнение на идентифицируемость по достаточному условию. Уравнение 1: В первом уравнении отсутствуют переменные y 2 и y 3 . Составим матрицу коэффициентов при этих переменных в уравнениях 2 и 3: 1 b23 , b32 1 0; R 2 уравнение (1) точно идентифицируемо по достаточному условию. Во втором уравнении отсутствуют переменные этих переменных в уравнениях 1и 3: x1 и x2 . Составим матрицу коэффициентов при 22 a11 a12 , a31 0 0; R 1 K 1 уравнение (2) неидентифицируемо по достаточному условию. В третьем уравнении отсутствуют переменные x2 и x3 . Составим матрицу коэффициентов при этих переменных в уравнениях 1 и 2: a12 0 a13 , 0 уравнение (3) неидентифицируемо по достаточному условию. 0 В результате проведенных вычислений выяснили, что уравнение (1) системы точно идентифицируемо, а уравнения (2) и (3) – неидентифицируемы. Следовательно, модель в целом признается неидентифицируемой. Для оценки параметров 1-го уравнения необходимо применить косвенный метод наименьших квадратов. 4 ВРЕМЕННЫЕ РЯДЫ В ЭКОНОМЕТРИЧЕСКИХ ИССЛЕДОВАНИЯХ Большинство эконометрических моделей строится как динамические эконометрические модели. Это означает, что моделирование причинно-следственных связей между переменными осуществляется во времени, а исходные данные представлены в форме временных рядов. Временной ряд t t 1; n - ряд значений какого-либо показателя за несколько последовательных промежутков времени. Каждый временной ряд t складывается из следующих основных компонентов: 1) Тенденции, характеризующей общее направление динамики изучаемого явления. Аналитически тенденция выражается некоторой функцией времени, называемой трендом T . 2) Циклической или периодической компоненты, характеризующей циклические или периодические колебания изучаемого явления. Например: значения макроэкономических показателей зависят от того, в какой фазе бизнес-цикла находится экономика. Объем продаж некоторых товаров подвержен сезонным колебаниям S . 3) Случайной компоненты, которая является результатом воздействия множества случайных факторов E . Тогда уровень ряда можно представить как функцию от этих компонент: t f (T , K , S , E ) . В зависимости от взаимосвязи между этими компонентами может быть построена либо аддитивная модель: t T K S E , либо мультипликативная модель: t T K S E ряда динамики. Пусть нам даны поквартальные данные об объеме выпуска некоторого товара некоторой фирмой Y (усл.ед.) за 3 года: Таблица 4 – Исходные данные об объеме выпуска товара фирмой 1 410 2003 2 3 560 715 4 500 1 520 2004 2 3 740 975 4 670 1 705 2005 2 3 950 1200 4 900 График данного временного ряда (рисунок 3) свидетельствует о наличии сезонных колебаний (период колебаний равен 4) и общей возрастающей тенденции уровней ряда. Объем выпускаемой продукции в весенне-летний период выше, чем в осенне-зимний период. Поскольку амплитуда сезонных колебаний примерно постоянна, можно предположить существование аддитивной модели. 23 1300 1200 1100 Объем выпуска товаров 1000 900 800 700 600 500 400 300 200 100 0 0 1 2 3 4 5 6 7 8 9 10 11 12 Время, квартал Yt Рисунок 3 - Объем выпуска товаров формой Автокорреляция - корреляционная связь между последовательными уровнями одного и того же ряда динамики (сдвинутыми на определенный промежуток времени L - лаг). Лаг (сдвиг во времени) определяет порядок коэффициента автокорреляции. Если L 1 , то имеем коэффициент автокорреляции 1-ого порядка r1 , если L 2 , то коэффициент автокорреляции 2-ого порядка r2 и т.д. Следует учитывать, что с увеличением лага на единицу, число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается на единицу. Поэтому обычно рекомендуют максимальный порядок коэффициента автокорреляции равный n/4. Рассчитав несколько коэффициентов автокорреляции, можно определить лаг L , при котором автокорреляция наиболее высокая, выявив тем самым структуру временного ряда. Если наиболее высоким оказывается значение r1 , то исследуемый ряд содержит только тенденцию. Если наиболее высоким оказался rk , то ряд содержит (помимо тенденции) колебания периодом k. Если ни один из коэффициентов автокорреляции k не является значимым, можно сделать одно из двух предположений: - либо ряд не содержит тенденции и циклических колебаний, а его уровень определяется только случайной компонентой; - либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ. Последовательность коэффициентов автокорреляции 1, 2 и т.д. порядков называют автокорреляционной функцией временного ряда. График зависимости значений коэффициентов автокорреляции от величины лага (порядка коэффициента автокорреляции) называют коррелограммой. Для выявления закономерных колебаний внутри года при выполнении контрольной работы рекомендуется рассчитывать не меньше 4-х уровней коэффициентов автокорреляции. Определим коэффициент автокорреляции 1-го порядка, используя формулу линейного коэффициента корреляции. n r1 (Y n (Y t 2 где t t 2 t Yt ) (Yt 1 Yt 1 ) , n Y t ) (Yt 1 Yt 1 ) 2 t 2 2 24 n n Yt Yt t 2 Yt 1 ; Y t 1 t 2 , n 1 n 1 560 715 500 520 740 975 670 705 950 1200 900 8435 Yt 776,818 , 12 1 11 410 560 715 500 520 740 975 670 705 950 1200 7945 Yt 1 722,273 , 12 1 11 Промежуточные расчеты по определению коэффициента автокорреляции первого порядка приведены в таблице 5. Таблица 5- Вспомогательные расчеты по определению коэффициента автокорреляции первого порядка. t t 1 2 3 4 5 6 7 8 9 10 11 12 410 560 715 500 520 740 975 670 705 950 1200 900 8435 410 560 715 500 520 740 975 670 705 950 1200 7945 766,82 722,27 Сумма Среднее значение Yt Yt Y t 1 Y t 1 ( Y t Y t ) 2 ( Y t 1 Y t 1 ) 2 (Yt Yt ) ( Y t · 1 Y t 1 -206,82 -51,818 -266,82 -246,82 -26,818 208,18 -96,818 -61,818 183,18 433,18 133,18 х r1 Таким образом, -312,27 -162,27 -7,27 -222,27 -202,27 17,73 252,73 -52,27 -17,27 227,73 477,73 х 42773,76 2685,124 71191,942 60919,215 719,21488 43339,669 9373,7603 3821,49 33555,579 187646,49 17737,397 473763,64 276779,545 473763,636 561518,182 97514,26 26332,44 52,89 49405,17 40914,26 314,26 63871,07 2732,44 298,35 51859,71 228223,35 561518,18 t 1 ) 64583,678 8408,678 1940,496 54860,950 5424,587 3690,496 -24468,595 3231,405 -3164,050 98647,314 63624,587 276779,545 0,537 , Далее определим коэффициент автокорреляции второго порядка по формуле: n r2 (Y t t 3 n (Y t 3 t Yt ) (Yt 2 Yt 2 ) , n Y t ) 2 (Yt 2 Yt 2 ) 2 t 3 где n Yt Yt n Y t 2 ; Yt 2 , n2 n2 715 500 520 740 975 670 705 950 1200 900 7875 Yt 787,5 , 12 2 10 410 560 715 500 520 740 975 670 705 950 6745 Yt 2 674,5 , 12 2 10 t 3 t 3 Промежуточные расчеты по определению коэффициента автокорреляции второго порядка приведены в таблице 6. Таблица 6 - Вспомогательные расчеты по определению коэффициента автокорреляции второго порядка. 25 t2 t t 1 2 3 4 5 6 7 8 9 10 11 12 - Сумма 410 560 715 500 520 740 975 670 705 950 1200 900 7875 Среднее значение 787,5 674,5 Таким образом, 410 560 715 500 520 740 975 670 705 950 6745 r2 Yt Yt (Y t Y t ) Yt 2 Yt 2 (Yt Yt ) 2 (Y Y ) 2 t 2 t 2 (Y t 2 · Y t 2 ) -72,5 -287,5 -267,5 -47,5 187,5 -117,5 -82,5 162,5 412,5 112,5 х -264,5 -114,5 40,5 -174,5 -154,5 65,5 300,5 -4,5 30,5 275,5 х 30937,5 426712,5 310472,5 5256,25 82656,3 71556,3 2256,25 35156,3 13806,3 6806,25 26406,3 170156 12656,3 426713 69960,25 13110,25 1640,25 30450,25 23870,25 4290,25 90300,25 20,25 930,25 75900,25 310472,5 19176,25 32918,75 -10833,75 8288,75 -28968,75 -7696,25 -24791,25 -731,25 12581,25 30993,75 30937,5 0,085 . Аналогично вычисляются коэффициенты автокорреляции третьего, четвертого и т.д. порядка. Результаты расчетов и коррелограмма представлены в таблице 7. Таблица 7 – Автокорреляционная функция и коррелограмма временного ряда объема выпуска товара фирмой Лаг (порядок) - L Коэффициенты автокорреляции Коррелограмма 1 0,537 ***** 2 3 0,085 0,599 * ****** 4 0,990 ********* 5 0,154 ** Вывод: в данном ряду динамики имеется тенденция и периодические колебания с периодом (L) равным 4, т.е. имеют место сезонные колебания. Построение аддитивной модели временного ряда с сезонными колебаниями. Обратимся к данным об объеме выпуска товара некоторой фирмой за последние три года, представленным в таблице 4. Шаг 1. Проведем выравнивание исходных уровней ряда методом скользящей средней. Для этого: а) просуммируем уровни ряда последовательно за каждые четыре квартала со сдвигом на один момент времени и определим условные годовые объемы потребления электроэнергии (графа 3 таблицы 8); б) разделив полученные суммы на 4, найдем скользящие средние (графа 4 таблицы 8). Отметим, что полученные таким образом выровненные значения уже не содержат сезонной компоненты; в) приведем эти значения в соответствие с фактическими моментами времени, для чего найдем средние значения из двух последовательных скользящих средних - центрированные скользящие средние (графа 5 таблицы 8). Таблица 8 - Расчет оценок сезонной компоненты в аддитивной модели. 26 t t 1 1 2 3 4 5 6 7 8 9 10 11 12 2 410 560 715 500 520 740 975 670 705 950 1200 900 Итого за четыре квартала 3 2185 2295 2475 2735 2905 3090 3300 3525 3755 - Скользящая средняя за четыре квартала 4 546,25 573,75 618,75 683,75 726,25 772,5 825 881,25 938,75 - Центрированная скользящая средняя Оценка сезонной компоненты 5 560 596,25 651,25 705 749,375 798,75 853,125 910 - 6 155 -96,25 -131,25 35 225,625 -128,75 -148,125 40 - Шаг 2. Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда и центрированными скользящими средними (графа 6 таблицы 8). Используем эти оценки для расчета значений сезонной компоненты S (таблица 9). Для этого найдем средние за каждый квартал (по всем годам) оценки сезонной компоненты S i . В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимопогашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна нулю. Таблица 9 - Расчет значений сезонной компоненты в аддитивной модели. Показатели Итого за i -й квартал (за все год) Средняя оценка сезонной компоненты для i -го квартала, S i Скорректированная сезонная компонента, S i Год 1 2 3 I -131,25 -148,13 -279,38 № квартал, i II III 155 35 225,63 40 75 380,63 IV -96,25 -128,75 -225 -139,69 37,5 190,315 -112,5 -133,59 43,59 196,405 -106,41 Для данной модели имеем: 139,69 37,50 190,31 112,50 24,38 Определим корректирующий коэффициент: k 24,38 : 4 6,09 Рассчитаем скорректированные значения сезонной компоненты как разность между ее средней оценкой и корректирующим коэффициентом k: S i S i k , где i 1: 4 , Проверим условие равенства нулю суммы значений сезонной компоненты: 133,59 43,59 196,41 106,41 0 . Таким образом, получены следующие значения сезонной компоненты: I квартал: S1 133,59 ; S 2 43,59 ; III квартал: S 3 196,41 ; IV квартал: S4 109,41 . II квартал: Занесем полученные значения в таблицу 10 для соответствующих кварталов каждого года (графа 3). 27 Шаг 3. Элиминируем влияние сезонной компоненты, вычитая ее значение из каждого уровня исходного временного ряда. Получим величины T E T S (графа 4 таблицы 10). Эти значения рассчитываются за каждый момент времени и содержат только тенденцию и случайную компоненту. Таблица 10 - Расчет выровненных значений T и ошибок E в аддитивной модели. t t 1 2 410 560 715 500 520 740 975 670 705 950 1200 900 1 2 3 4 5 6 7 8 9 10 11 12 E Yt S i Si 3 4 -133,594 543,594 43,594 516,406 196,406 518,594 -106,406 606,406 -133,594 653,594 43,594 696,406 196,406 778,594 -106,406 776,406 -133,594 838,594 43,594 906,406 196,406 1003,594 -106,406 1006,406 Итого 8845 Среднее значение - (Y t Y t ) 2 T S EYt (T S) E2 9 6 7 8 106984 338,064 71,936 5174,79 31359 563,51 -3,51 12,3201 488 764,58 -49,58 2458,18 56209 510,026 -10,026 100,521 47125 531,096 -11,096 123,121 9 756,542 -16,542 273,638 56604 957,612 17,388 302,343 4500 703,058 -33,058 1092,83 1029 724,128 -19,128 365,88 45334 949,574 0,426 0,18148 214292 1150,64 49,356 2436,01 26542 896,09 3,91 15,2881 T 5 471,658 519,916 568,174 616,432 664,69 712,948 761,206 809,464 857,722 905,98 954,238 1002,5 8845 8844,92 - - 590473 12355 737,1 Шаг 4. Определим компоненту T данной модели. Для этого проведем аналитическое выравнивание ряда T E с помощью линейного тренда (расчеты выполнены с помощью Ms Excel). Результаты аналитического выравнивания следующие: Т 423,4 48,258t , R 2 0,9642 . Подставляя в это уравнение значения t = 1, ..., 16, найдем уровни Τ для каждого момента времени (графа 5 таблицы 10). График уравнения тренда приведен на рисунке 4. 1200 1100 1000 Объем выпуска товаров 900 800 700 600 500 400 300 200 100 0 1 2 3 4 5 6 7 8 9 10 11 12 Время, квартал фактические значения тренд Т значения (T+S) Рисунок 4 - Объем выпуска товаров фирмой (фактические, выровненные и полученные по аддитивной модели значения уровней ряда) Рисунок 4 - Объем выпуска товаров фирмой (фактические, выравненные и полученные по аддитивной модели значения уровней ряда) 28 Шаг 5. Найдем значения уровней ряда, полученные по аддитивной модели. Для этого прибавим к уровням T значения сезонной компоненты для соответствующих кварталов. Графически значения (T S ) представлены на рисунке 4. Шаг 6. В соответствии с методикой построения аддитивной модели расчет ошибки производится по формуле: Е Yt (T S ) Это абсолютная ошибка. Численные значения абсолютных ошибок приведены в графе 7 таблицы 10. Для оценки качества построенной модели или для выбора наилучшей модели используется ошибка ε. Е (Y t 2 Yt ) 2 12355,04 0,0209 590473 Следовательно, можно сказать, что аддитивная модель объясняет общей вариации временного ряда. 97,91%100 0,0209 100 Построение мультипликативной модели временного ряда. Имеются поквартальные данные об объеме выпуска товара фирмой за последние три года, представленные в таблице 4. Шаг 1. Проведем выравнивание исходных уровней ряда методом скользящей средней. Методика, применяемая на этом шаге, полностью совпадает с методикой аддитивной модели. Результаты расчетов оценок сезонной компоненты представлены в таблице 11. Таблица 11 - Расчет оценок сезонной компоненты в мультипликативной модели. Yt t 1 1 2 3 4 5 6 7 8 9 10 11 12 2 410 560 715 500 520 740 975 670 705 950 1200 900 Итого за четыре квартала 3 2185 2295 2475 2735 2905 3090 3300 3525 3755 - Скользящая Центрированная Оценка средняя скользящая сезонной за четыре средняя компоненты квартала 4 5 6 546,25 573,75 560 1,277 618,75 596,25 0,839 683,75 651,25 0,798 726,25 705 1,050 772,5 749,375 1,301 825 798,75 0,839 881,25 853,125 0,826 938,75 910 1,044 - Шаг 2. Найдем оценки сезонной компоненты как частное от деления фактических уровней ряда на центрированные скользящие средние (графа 6 таблицы 10). Используем эти оценки для расчета значений сезонной компоненты S (таблица 12). Для этого найдем средние за каждый квартал оценки сезонной компоненты S i . Взаимопогашаемость сезонных воздействий в мультипликативной модели выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна числу периодов в цикле. В нашем случае число периодов одного цикла (год) равно 4 (четыре квартала). 29 Таблица 12 - Расчет сезонной компоненты в мультипликативной модели. Показатели Год 1 2 3 Итого за i -й квартал (за все год) Средняя оценка сезонной компоненты для i -го квартала, Скорректированная сезонная компонента, I 0,798 0,826 1,624 № квартал, i II III 1,277 1,05 1,301 1,044 2,094 2,578 IV 0,839 0,839 1,678 0,812 1,047 1,289 0,839 0,814 1,050 1,293 0,842 Имеем: 0,812 1,047 1,289 0,839 3,987 . Определим корректирующий коэффициент: k 4 / 3,987 1,003 . Определим скорректированные значения сезонной компоненты, умножив ее средние оценки на корректирующий коэффициент k. S i S i k , где i 1: 4 , Проверим условие равенства 4 суммы значений сезонной компоненты: 0,815 1,050 1,293 0,841 4 . Получим следующие значения сезонной компоненты: I квартал: S1 0,814 ; S2 1,050; III квартал: S 3 1,293 ; IV квартал: S 4 0,842 . II квартал: Занесем полученные значения в таблицу 13 для соответствующих кварталов каждого года (графа 3). Шаг 3. Разделим каждый уровень исходного ряда на соответствующие значения сезонной компоненты. Тем самым мы получим величины T E Y : S (графа 4 таблицы 13), которые содержат только тенденцию и случайную компоненту. Таблица 13 - Расчет выровненных значений Τ и ошибок Ε в мультипликативной модели. t 1 1 2 3 4 5 6 7 8 9 10 11 12 Итого t Si 2 410 560 715 500 520 740 975 670 705 950 1200 900 8845 3 0,814 1,05 1,293 0,842 0,814 1,05 1,293 0,842 0,814 1,05 1,293 0,842 12 T E Yt : Si 4 503,686 533,333 552,978 593,824 638,821 704,762 754,06 795,724 866,093 904,762 928,074 1068,88 8845 T 5 500,305 549,69 599,075 648,46 697,845 747,23 796,615 846 895,385 944,77 994,155 1043,54 9263,07 T S 6 407,248 577,175 774,604 546,003 568,046 784,592 1030,02 712,332 728,843 992,009 1285,44 878,661 9284,98 EYt :(TS) 7 1,007 0,970 0,923 0,916 0,915 0,943 0,947 0,941 0,967 0,958 0,934 1,024 11,444 E2 8 1,014 0,941 0,852 0,839 0,838 0,890 0,896 0,885 0,936 0,917 0,871 1,049 10,927 (E' ) 2 (Yt (T S))2 9 7,572 294,963 3552,634 2116,305 2308,402 1988,402 3027,552 1791,998 568,507 1764,714 7300,406 455,367 25176,823 30 Шаг 4. Определим компоненту T в мультипликативной модели. Для этого рассчитаем параметры линейного тренда, используя уровни (T E ) . Уравнение тренда имеет следующий вид: Т 450,92 49,385t , R 2 0,9777 . Подставляя в это уравнение значения t = 1, ..., 16, найдем уровни T для каждого момента времени (графа 5 таблицы 13). График уравнения тренда приведен на рисунке 5. 1300 1200 Объем выпуска товаров 1100 1000 900 800 700 600 500 400 300 200 100 0 1 2 3 4 5 6 7 8 Время, квартал фактические значения тренд Т 9 10 11 12 значения (Т*S) Рисунок 5 - Объем выпуска товаров фирмой (фактические и выравненные по мультипликативной модели значния уровней ряда) Шаг 5. Найдем уровни ряда по мультипликативной модели, умножив уровни T на значения сезонной компоненты для соответствующих кварталов. Графически значения T S представлены на рисунке 5. Шаг 6. Расчет ошибки в мультипликативной модели производится по формуле: Е Yt (T S ) , Численные значения ошибки приведены в графе 7 таблицы 13. Для сравнения мультипликативной модели с другими моделями временного ряда можно использовать величину абсолютной ошибки: Е Yt (T S ) , Следовательно, ошибка ε мультипликативной модели составит: ( Е ) (Y Y ) 2 t 2 t 25176,823 0,0426 . 590473 Таким образом, доля объясненной дисперсии уровней ряда в мультипликативной модели составит 95,74%100 0,0426 100 . Прогнозирование Для прогнозирования из двух рассмотренных моделей необходимо выбрать ту, у которой ошибка ε наименьшая. Следовательно, при прогнозировании будет использоваться аддитивная модель, так как 0,0209 . Таким образом, прогнозное значение Ft уровня временного ряда в аддитивной модели есть сумма трендовой и сезонной компонент. Объем товаров, выпущенного фирмой в течение первого полугодия ближайшего следующего, т. е. четвертого года, рассчитывается как сумма объемов выпущенных товаров в I и во II кварталах четвертого года, соответственно F13 и F14 . Для определения трендовой компоненты воспользуемся уравнением тренда: 31 T 423,4 48,258 t . Получим: T13 423,4 48,258 13 1050,754 ; T14 423,4 48,258 14 1099,012 . Значения сезонной компоненты равны: Таким образом, S1 133,59 (I квартал); S 2 43,59 (II квартал). F13 T13 S1 1050,754 (133,59) 917,164 ; F14 T14 S2 1099,012 43,59 1142,602 . Прогноз объема выпуска товаров фирмой на первое полугодие 2006 года составит: 917,164 1142,602 2059,766 усл.ед. Следует отметить, что для осуществления прогноза по мультипликативной модели, прогнозные значения F определяются как: Fi Ti S1 . 32 5 КОНТРОЛЬНЫЕ ЗАДАНИЯ ПО КУРСУ Задание № 1. На основе данных, приведенных в таблице 1 Приложения А и соответствующих Вашему варианту (таблица 2 Приложение А), требуется: 1. Построить уравнение линейной парной регрессии одного признака от другого. Один из признаков, соответствующих Вашему варианту, будет играть роль факторного , другой - результативного . Причинно-следственные связи между признаками установить самим на основе экономического анализа. Пояснить смысл параметров уравнения. 2. Рассчитать линейный коэффициент парной корреляции и коэффициент детерминации. Сделать выводы. 3. Оценить статистическую значимость параметров регрессии и коэффициента корреляции с уровнем значимости 0,05. 4. Выполнить прогноз ожидаемого значения признака-результата Y при прогнозном значении признакафактора X, составляющим 105% от среднего уровня X. Оценить точность прогноза, рассчитав ошибку прогноза и его доверительный интервал с вероятностью 0,95. 5. Дать оценку полученного уравнения с помощью общего F-критерия Фишера. Задание № 2. На основе данных, приведенных в таблице 1 Приложении и соответствующих Вашему варианту (таблица 2 Приложение А), требуется: 1. Построить уравнение множественной регрессии. Для этого, оставив признак-результат тем же выбрать несколько признаков-факторов из таблицы 1 Приложения А (границы их наблюдения должны совпадать с границами наблюдения признака-результата, соответствующих Вашему варианту). При выборе факторов нужно руководствоваться как экономическим содержанием, так и формальными подходами (например, матрица парных коэффициентов корреляции). Пояснить смысл параметров уравнения. 2. Рассчитать частные коэффициенты эластичности. 3. Определить стандартизованные коэффициенты регрессии (β-коэффициенты). 4. На основе полученных результатов сделать вывод о силе связи результата с каждым из факторов. 5. Определить парные и частные коэффициенты корреляции, а также множественный коэффициент корреляции; сделать выводы. 6. Дать оценку полученного уравнения с помощью общего F-критерия Фишера. Задание № 3. На основе данных, приведенных в таблице 1 Приложения Б и соответствующих Вашему варианту (таблица 2 Приложение Б) провести идентификацию модели с помощью необходимого и достаточного условия идентификации. Эконометрическая модель содержит три уравнения. Количество эндогенных переменных , экзогенных переменных и вид уравнения определяются вариантом контрольной работы (таблицы 1 и 2 Приложения Б). Например, для варианта №1 (зачетная книжка заканчивается на 01) формируется система уравнений, содержащая уравнения Y11 (1-ый вариант, соответствующий уравнению Y1), Y21 (1-ый вариант, соответствующий уравнению Y2), Y32 (2-ой вариант, соответствующий уравнению Y3) (см. таблицу 3). Коэффициенты при переменных берутся из таблицы 1: Error! Not a valid link. Таким образом, окончательно система уравнений, соответствующая варианту 01 , примет вид: Y1 a11 X 1 a 21 X 2 a31 X 3 Y2 b12 Y1 b32 Y3 a32 X 3 Y3 b13 Y1 a 23 X 2 a33 X 3 Задание № 4. Па основе данных, приведенных в таблице 1 Приложения В и соответствующих Вашему варианту (таблица 2 Приложение В), требуется: 1. Проанализировать автокорреляцию уровней временного ряда, выявить и охарактеризовать его структуру. 2. Построить аддитивную и мультипликативную модель временного ряда, характеризующую зависимость уровней ряда от времени. 3. На основе лучшей модели сделать прогноз на следующие два квартала с учетом выявленной сезонности. 33 БИБЛИОГРАФИЧЕСКИЙ СПИСОК Основная: 1. Айвазян С.А., Мхитарян В.И. Прикладная статистика и эконометрика: Учебник для вузов. М.: ЮНИТИ, 1998. 2. Доугерти К. Введение в эконометрику: Пер.с англ. -М: ИНФРА-М, 2000. 3. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс: Учеб. – 5-е изд., испр. –М.: Дело, 2001. 4. Практикум по эконометрике. / Под ред. чл.-кор. РАН И.И. Елисеевой. М: Финансы и статистика, 2008. 34 5. Эконометрика: учебник / И.И. Елисеева, С.В. Курышева, Т.В. Костеева и др.; под ред. И.И. Елисеевой. – 2-е изд., перераб. И доп. - М: Финансы и статистика, 2008. Дополнительная: 1. Джонстон Дж. Эконометрические методы. М.: Статистика, 1980. 2. Ланге О. Введение в эконометрику. М.: Прогресс, 1964. 3. Лизер С. Эконометрические методы и задачи. М.: Статистика, 1971. 4. Маленво Э. Статистические методы в эконометрии. М.: Статистика, 1976. ПРИЛОЖЕНИЯ Приложение А Таблица 1 – Показатели деятельности производственных предприятий за 2005 год 35 № наблюдения А 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 Собственные оборотные средства, млн. руб. 1 1011 799 995 1243 1507 947 1015 1169 1051 1372 1463 684 1251 1376 1193 1386 1631 1735 1181 922 1281 1333 1632 635 949 788 1728 1773 1679 1085 1214 1422 523 1025 1083 1466 1642 387 704 1177 1792 2072 Балансовая прибыль, млн. руб. 2 107 102 107 122 108 108 97 109 101 116 113 112 106 111 113 122 118 119 102 100 103 113 124 95 102 112 124 116 118 100 99 107 87 109 106 113 123 82 104 112 116 106 Дебиторская Дивиденды, Курсовая цена задолженность по начисленные по акции, руб. результатам результатам деятельности, деятельности, млн.3 руб. млн.4 руб. 5 37 20,33 92 64 20,04 83 71 19,87 95 26 20,48 124 51 20,13 96 41 20,26 106 78 19,89 70 43 19,92 97 68 19,78 76 34 20,23 112 49 20,46 113 40 20,07 109 56 20,23 91 45 20,26 95 44 20,28 115 40 20,52 114 47 20,28 133 47 19,97 116 49 19,97 85 65 19,57 91 54 19,94 82 59 20,29 105 36 20,83 124 70 19,59 70 64 19,76 84 48 20,19 106 30 20,66 128 58 19,95 105 48 20,61 121 69 20,03 79 58 19,78 82 49 20,22 80 76 19,78 37 59 20,09 101 74 20,13 98 54 20,56 98 36 20,51 134 75 19,71 39 51 20,1 88 35 20,32 108 47 20,37 112 33 20,03 80 Продолжение таблицы 1. 36 А 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 1 1178 1304 1308 1416 1185 1220 1311 1288 918 809 1188 1394 1435 1514 1577 1579 1210 1448 1468 1661 989 1007 1030 1099 1197 1386 1498 1672 484 1060 1612 1120 947 1102 1302 1477 820 1231 1311 1843 1215 1284 1336 1412 1447 1593 1663 1114 863 2 120 105 114 107 115 96 104 108 102 102 120 106 114 112 112 122 122 108 114 113 108 102 112 113 110 107 117 120 93 89 118 103 98 95 106 123 110 104 103 122 114 112 115 109 108 114 107 98 104 3 28 58 32 58 44 68 64 25 54 70 19 28 54 48 44 39 26 58 28 47 58 62 62 42 67 72 45 35 69 62 36 42 52 56 66 32 68 47 59 29 36 57 54 60 45 54 49 81 61 4 20,65 20,19 20,24 20,27 20,69 19,85 19,87 20,2 20,33 20,2 20,46 20,17 20,62 19,79 20,34 20,51 20,04 20,39 20,27 20,06 20,39 19,94 19,95 20,23 20,49 20,61 20,56 20,42 19,73 19,42 20,17 19,87 20,26 20,04 20,34 20,63 20,32 20,06 20,04 20,62 20,53 20,18 20,4 20,26 19,79 20,33 20,24 19,83 19,97 5 120 88 104 94 107 82 84 101 98 89 118 90 123 107 97 126 147 88 111 121 104 63 99 114 99 94 124 117 64 52 114 78 85 57 98 119 94 94 83 118 116 96 117 93 81 103 86 79 92 37 Окончание таблицы 1. А 92 93 94 95 96 97 98 99 1 932 978 1621 1199 999 935 1494 817 2 107 105 123 119 95 93 120 98 3 49 68 53 39 49 76 48 72 4 20,1 20,01 20,21 20,4 19,66 19,37 20,25 19,82 5 85 89 121 125 69 61 116 82 Таблица 2. Номер Номер Номер Номер Номер Номер Номер Номер вариант начального конечного призна-ков вариант началь-ного конечного призна-ков а наблюдения наблюдения из таблицы 1 а наблюдения наблюдения из таблицы 1 Приложения Приложения А А 1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 2 3 4 5 6 7 8 9 10 11 12 3 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 80 81 82 83 84 85 86 87 88 89 90 91 4 1,2 1,3 1,4 1,5 2,3 2,4 2,5 3,4 3,5 4,5 1,2 1,3 1,4 1,5 2,3 2,4 2,5 3,4 3,5 4,5 1,2 1,3 1,4 1,5 2,3 2,4 2,5 3,4 3,5 4,5 1,2 1,3 5 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 6 11 12 13 14 15 16 17 18 19 20 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 2 7 90 91 92 93 94 95 96 97 98 99 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 80 81 8 1,2 1,3 1,4 1,5 2,3 2,4 2,5 3,4 3,5 4,5 1,2 1,3 1,4 1,5 2,3 2,4 2,5 3,4 3,5 4,5 1,2 1,3 1,4 1,5 2,3 2,4 2,5 3,4 3,5 4,5 1,2 1,3 38 Окончание таблицы 2. 1 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 2 13 14 15 16 17 18 19 20 1 2 3 4 5 6 7 8 9 10 3 92 93 94 95 96 97 98 99 80 81 82 83 84 85 86 87 88 89 4 1,4 1,5 2,3 2,4 2,5 3,4 3,5 4,5 1,2 1,3 1,4 1,5 2,3 2,4 2,5 3,4 3,5 4,5 5 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 6 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 7 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 8 1,4 1,5 2,3 2,4 2,5 3,4 3,5 4,5 1,2 1,3 1,4 1,5 2,3 2,4 2,5 3,4 3,5 4,5 Приложение Б 39 Таблица 1. Вариант Уравнение уравнения 1 y1 y2 y3 Таблица 2. Коэффициенты перед регрессорами y2 y3 x1 x2 x3 0 0 а21 а31 2 0 b31 а11 0 а21 3 0 b31 а11 4 0 b31 5 b21 b31 а11 а11 а21 0 а31 0 y1 y3 1 b12 2 а31 0 а31 x1 x2 x3 b32 0 0 а32 b12 0 а12 а22 0 3 0 b32 а12 а22 а32 4 b12 b32 а12 а22 0 5 b12 b32 0 а22 а32 y1 y2 x1 x2 x3 1 b13 b23 а13 0 0 2 b13 0 0 а23 а33 3 b13 0 а13 0 а33 4 b13 0 а13 а23 а33 40 Error! Not a valid link. Окончание таблицы 2 41 1 21 2 y12 3 y21 4 y32 5 71 6 y14 7 y23 8 y34 22 y12 y21 y33 72 y14 y24 y31 23 y12 y21 y34 73 y14 y24 y32 24 y12 y22 y31 74 y14 y24 y33 25 y12 y22 y32 75 y14 y24 y34 26 y12 y22 y33 76 y14 y25 y31 27 y12 y22 y34 77 y14 y25 y32 28 y12 y23 y31 78 y14 y25 y33 29 y12 y23 y32 79 y14 y25 y34 30 y12 y23 y33 80 y15 y21 y31 31 y12 y23 y34 81 y15 y21 y32 32 y12 y24 y31 82 y15 y21 y33 33 y12 y24 y32 83 y15 y21 y34 34 y12 y24 y33 84 y15 y22 y31 35 y12 y24 y34 85 y15 y22 y32 36 y12 y25 y31 86 y15 y22 y33 37 y12 y25 y32 87 y15 y22 y34 38 y12 y25 y33 88 y15 y23 y31 39 y12 y25 y34 89 y15 y23 y32 40 y13 y21 y31 90 y15 y23 y33 41 y13 y21 y32 91 y15 y23 y34 42 y13 y21 y33 92 y15 y24 y31 43 y13 y21 y34 93 y15 y24 y32 44 y13 y22 y31 94 y15 y24 y33 45 y13 y22 y32 95 y15 y24 y34 46 y13 y22 y33 96 y15 y25 y31 47 y13 y22 y34 97 y15 y25 y32 48 y13 y23 y31 98 y15 y25 y33 49 y13 y23 y32 99 y15 y25 y34 Приложение В 42 Таблица 1. Основные показатели развития производственной фирмы за период с 2000 по 2005 год (по сопоставимой оценке) 2003 2002 2001 2000 2 2005 2004 1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 Квартал Год № наблюдения Таблица 2. 3 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 Объем Стоимость произосновных водства производпродук- ственных ции, млн. фондов на руб. конец квартала 4 5 1065 1062 851 682 531 726 922 1153 1095 1213 986 898 822 794 1137 1441 1301 1600 1038 967 780 1246 1435 1458 1593 1412 1658 891 1363 1061 1737 1287 1719 1635 1521 1166 1049 1230 1790 1514 2016 1642 ЧисленДебиСтоимоБаланЧистая ность торская сть оборот- совая прибыль, ППП, задолженных прибыль, млн. руб. чел., на ность, млн. средств на млн. руб конец руб. конец квартала квартала, млн. руб. 6 7 8 9 10 713 25 837 94 36 507 27 685 78 27 361 34 837 87 22 557 44 1161 75 29 607 42 1151 84 34 598 39 822 63 28 368 48 1383 86 30 646 60 884 82 35 693 63 1309 78 40 718 40 1028 72 33 363 48 1771 84 33 639 71 1310 102 40 708 87 1372 112 36 614 65 1272 92 27 348 67 1821 99 30 636 76 1571 113 36 825 101 1758 95 36 622 84 1505 79 28 514 73 2109 112 28 703 93 1787 116 28 797 96 2197 90 39 43 Номер Номер Номер Номер Номер Номер Номер варианта началь- конеч- показа- варианта началь- конечног ного ного теля из ного о наблюде наблюде табл.4 наблюде наблюде ния ния ния ния 1 1 2 3 2 1 2 3 3 12 13 14 4 1 1 1 5 51 52 53 6 1 2 3 7 12 13 14 Номер показателя из табл. 4 8 6 6 6 Окончание таблицы 2. Error! Not a valid link. Приложение Г Таблица значений t Стьюдента для =0,05 и 0,01. 44 Число степеней свободы α=0,05 α= 0,01 63,655 22 2,074 2,818 4,303 9,925 23 2,069 2,807 3 3,182 5,841 24 2,064 2,796 4 2,776 4,604 25 2,06 2,787 5 2,571 4,032 26 2,056 2,778 6 2,447 3,707 27 2,052 2,771 7 2,365 3,499 28 2,048 2,764 8 2,306 3,355 29 2,045 2,757 9 2,262 3,25 30 2,042 2,75 10 2,228 3,169 32 2,037 2,739 11 2,201 3,106 34 2,032 2,728 12 2,179 3,055 36 2,027 2,718 13 2,16 3,12 38 2,025 2,711 14 2,145 2,977 40 2,021 2,704 15 2,131 2,947 42 2,017 2,696 16 2,12 2,921 44 2,015 2,691 17 2,11 2,898 46 2,012 2,685 18 2,101 2,878 48 2,01 2,681 19 2,093 2,861 50 2,007 2,678 20 2,086 2,845 55 2,005 2,668 21 2,08 2,831 60 2 2,66 ~ 1,96 2,576 Число степеней свободы α=0,05 1 12,706 2 α= 0,01 Приложение Д Таблица 5% уровня распределения F. К2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 1 161 18,51 10,13 7,71 6,61 5,99 5,59 5,32 5,12 4,96 4,84 4,75 4,67 4,6 4,54 4,49 4,45 4,41 4,38 4,35 4,32 4,3 4,28 4,26 4,24 4,22 4,21 4,2 4,18 4,17 2 200 19 9,55 6,94 5,79 5,14 4,74 4,46 4,26 4,1 3,98 3,88 3,8 3,74 3,68 3,63 3,59 3,55 3,52 3,49 3,47 3,44 3,42 3,4 3,38 3,37 3,35 3,34 3,33 3,32 3 4 216 225 19,16 19,25 9,28 9,12 6,59 6,39 5,41 5,19 4,76 4,53 4,35 4,12 4,07 3,84 3,86 3,63 3,71 3,48 3,59 3,36 3,49 3,26 3,41 3,18 3,34 3,11 3,29 3,06 3,24 3,01 3,2 2,96 3,16 2,93 3,13 2,9 3,1 2,87 3,07 2,84 3,05 2,82 3,03 2,80, 3,01 2,78 2,99 2,76 2,98 2,74 2,96 2,73 2,95 2,71 2,93 2,7 2,92 2,69 5 230 19,3 9,01 6,26 5,05 4,39 3,97 3,69 3,48 3,33 3,2 3,11 3,02 2,96 2,9 2,85 2,81 2,77 2,74 2,71 2,68 2,66 2,64 2,62 2,6 2,59 2,57 2,56 2,54, 2,53 К1 - степени свободы (для большего среднего квадрата) 6 7 8 9 10 11 12 14 16 20 30 40 50 100 234 237 239 241 242 243 244 245 246 248 250 251 252 253 19,33 19,36 19,37 19,38 19,39 19,4 19,41 19,42 19,43 19,44 19,46 19,47 19,47 19,49 9,84 8,88 8,84 8,81 8,78 8,76 8,74 8,71 8,69 8,66 8,62 8,6 8,58 8,56 6,16 6,09 6,04 6 5,96 5,93 5,91 5,87 5,84 5,8 5,74 5,71 5,7 5,66 4,95 4,88 4,82 4,78 4,74 4,7 4,68 4,64 4,6 4,56 4,5 4,46 4,44 4,4 4,28 4,21 4,15 4,1 4,06 4,03 4 3,96 3,92 3,87 3,81 3,77 3,75 3,71 3,87 3,79 3,73 3,68 3,63 3,6 3,57 3,52 3,49 3,44 3,38 3,34 3,32 3,28 3,58 3,5 3,44 3,39 3,34 3,31 3,28 3,23 3,2 3,15 3,08 3,05 3,03 2,98 3,37 3,29 3,23 3,18 3,13 3,1 3,07 3,02 2,98 2,93 2,86 2,82 2,8 2,76 3,22 3,14 3,07 3,02 2,97 2,94 2,91 2,86 2,82 2,77 2,7 2,67 2,64 2,59 3,09 3,01 2,95 2,9 2,86 2,82 2,79 2,74 2,7 2,65 2,57 2,53 2,5 2,45 3 2,92 2,85 2,8 2,76 2,72 2,69 2,64 2,6 2,54 2,46 2,42 2,4 2,35 2,92 2,84 2,77 2,72 2,67 2,63 2,6 2,55 2,51 2,46 2,38 2,34 2,32 2,26 2,85 2,77 2,7 2,65 2,6 2,56 2,53 2,48 2,44 2,39 2,31 2,27 2,24 2,19 2,79 2,7 2,64 2,59 2,55 2,51 2,48 2,43 2,39 2,33 2,25 2,21 2,18 2,12 2,74 2,66 2,59 2,54 2,49 2,45 2,42 2,37 2,33 2,28 2,2 2,16 2,13 2,07 2,7 2,62 2,55 2,5 2,45 2,41 2,38 2,33 2,29 2,23 2,15 2,11 2,08 2,02 2,66 2,58 2,51 2,46 2,41 2,37 2,34 2,29 2,25 2,19 2,11 2,07 2,04 1,98 2,63 2,55 2,48 2,43 2,38 2,34 2,31 2,26 2,21 2,15 2,07 2,02 2 1,94 2,6 2,52 2,45 2,4 2,35 2,31 2,28 2,23 2,18 2,12 2,04 1,99 1,96 1,9 2,57 2,49 2,42 2,37 2,32 2,28 2,25 2,2 2,15 2,09 2 1,96 1,93 1,87 2,55 2,47 2,4 2,35 2,3 2,26 2,23 2,18 2,13 2,07 1,98 1,93 1,91 1,84 2,53 2,45 2,38 2,32 2,28 2,24 2,2 2,14 2,1 2,04 1,96 1,91 1,88 1,82 2,51 2,43 2,36 2,3 2,26 2,22 2,18 2,13 2,09 2,02 1,94 1,89 1,86 1,8 2,49 2,41 2,34 2,28 2,24 2,2 2,16 2,11 2,06 2 1,9 1,87 1,84 1,77 2,47 2,39 2,32 2,27 2,22 2,18 2,15 2,1 2,05 1,99 1,9 1,85 1,82 1,76 2,46 2,37 2,3 2,25 2,2 2,16 2,13 2,08 2,03 1,97 1,88 1,84 1,8 1,74 2,44 2,36 2,29 2,24 2,19 2,15 2,12 2,06 2,02 1,96 1,87 1,81 1,78 1,72 2,43 2,35 2,28 2,22 2,18 2,14 2,1 2,05 2 1,94 1,85 1,8 1,77 1,71 2,42 2,34 2,27 2,21 2,16 2,12 2,09 2,04 1,99 1,93 1,84 1,79 1,76 1,69 254 19,5 8,53 5,63 4,36 3,67 3,23 2,93 2,71 2,54 2,4 2,3 2,21 2,13 2,07 2,01 1,96 1,92 1,88 1,84 1,81 1,78 1,76 1,73 1,71 1,69 1,67 1,65 1,64 1,62