Название: Вычисление статистических показателей с помощью пакета "Excel"
Вид работы: контрольная работа
Рубрика: Экономика
Размер файла: 66.08 Kb
Скачать файл: referat.me-382577.docx
Краткое описание работы: Диаграмма рассеивания и подтверждение гипотезы о линейной зависимости, криволинейной связи по заданным статистическим данным с помощью пакета "Excel". Построение корреляционного поля, матрицы, определение параметров линейной связи. Модель Кобба-Дугласа.
Вычисление статистических показателей с помощью пакета "Excel"
Министерство образования и науки Украины
кафедра прикладной математики
КОНТРОЛЬНАЯ РАБОТА
по дисциплине "Эконометрия"
Харьков, 2008 г.
Задание № 1.
По заданным статистическим данным с помощью пакета "Excel":
построить диаграмму рассеивания и подтвердить гипотезу о линейной зависимости
Y = b0 + b1 * X;
определить параметры b0 и b1 ;
вычислить коэффициенты детерминации R2 и коэффициент корреляции r;
сделать прогноз Y в указанной точке Xр .
Решение:
1. Набираем исходные данные в таблицу 1:
Таблица 1
X |
Y |
3.11 |
10.65 |
3.15 |
11.87 |
3.85 |
12.69 |
4.84 |
13.40 |
4.62 |
15.12 |
4.87 |
16.03 |
6.09 |
16.29 |
7.06 |
18.07 |
6.23 |
18.40 |
6.83 |
19.53 |
8.01 |
20.48 |
8.26 |
21.72 |
9.37 |
23.17 |
9.02 |
23.57 |
9.76 |
24.41 |
2. На основе данных таблицы1 строим диаграмму рассеивания.
Визуально можно предположить, что между данными существует линейная зависимость, то есть их можно аппроксимировать линией.
Y = b0 + b1 X
3. Найдем параметры b0 и b1 .
Опишем полученный результат:
в первой строке находятся оценки параметров регрессии b1 , b0 ;
во второй строке находятся средние квадратичные отклонения sb1 , sb0 .
в третьей строке в первой ячейке находится коэффициент детерминации R2 , а во второй ячейке оценка среднего квадратичного отклонения показателя sе .
в четвертой строке в первой ячейке находится расчетное значение F - статистики, во второй ячейке находится k - число степеней свободы;
в пятой строке в первой ячейке находится сумма квадратов отклонений расчетных значений показателя от его среднего значения, а во второй ячейке - сумма квадратов остатков.
Полученные результаты заносим в таблицу 2.
Таблица 2.
Результаты расчетов |
|
1,958977 |
5,277335 |
0,10027 |
0,671183 |
0,967063 |
0,836194 |
381,6981 |
13 |
266,8909 |
9,089857 |
По данным таблицы 2 можем записать модель:
Y = 5,277335 + 1,958977Х
Коэффициент детерминации R2 = 0,967063 - близок к 1, следовательно, модель адекватна.
4. Найдем прогноз в заданной точке Xp = 10,1. Для этого подставим Xp в модель. Получим
Yp = 5,277335 + 1,958977 * 10,1 = 25,063.
Все полученные результаты запишем в таблицу 3.
Таблица 3.
X |
Y |
3.11 |
10.65 |
3.15 |
11.87 |
3.85 |
12.69 |
4.84 |
13.40 |
4.62 |
15.12 |
4.87 |
16.03 |
6.09 |
16.29 |
7.06 |
18.07 |
6.23 |
18.40 |
6.83 |
19.53 |
8.01 |
20.48 |
8.26 |
21.72 |
9.37 |
23.17 |
9.02 |
23.57 |
9.76 |
24.41 |
10,1 |
25,063 |
![]() |
5. Диаграмма примет вид:
6. Вычислим коэффициент корреляции r. В результате расчета получим коэффициент корреляции r = 0,9834.
r = = √0,967063 = 0.9834
Задание № 2.
По заданным статистическим данным с помощью пакета "Excel":
построить диаграмму рассеивания и подтвердить гипотезу о криволинейной связи между Х и Y;
произвести линеаризацию;
определить параметры a и b;
сделать прогноз в указанной точке;
Решение:
Набираем исходные данные в таблицу 1:
Таблица 1.
X |
Y |
1,03 |
0,44 |
1,63 |
0,33 |
2,16 |
0,25 |
2,71 |
0, 20 |
3,26 |
0,16 |
3,77 |
0,12 |
4,35 |
0,10 |
4,91 |
0,07 |
5,50 |
0,05 |
6,01 |
0,04 |
На основе данных таблицы 1 строим диаграмму рассеивания.
|
![]() |
Визуально можно предположить, что зависимость не линейная. Исходная модель имеет вид Y = beax . Делаем линеаризующую подстановку: V = Y, U = lnX.
Полученные данные заносим в таблицу 2.
Таблица 2.
X |
Y |
V |
U |
1,03 |
0,44 |
0,44 |
0.02956 |
1,63 |
0,33 |
0,33 |
0.48858 |
2,16 |
0,25 |
0,25 |
0.77011 |
2,71 |
0, 20 |
0, 20 |
0.99695 |
3,26 |
0,16 |
0,16 |
1.18173 |
3,77 |
0,12 |
0,12 |
1.32708 |
4,35 |
0,10 |
0,10 |
1.47018 |
4,91 |
0,07 |
0,07 |
1.59127 |
5,50 |
0,05 |
0,05 |
1.70475 |
6,01 |
0,04 |
0,04 |
1.79342 |
Строим корреляционное поле:
![]() |
Визуально можно предположить, что между данными существует линейная зависимость, то есть их можно аппроксимировать линией
Y = b1 X + b0
Диаграмма примет вид:
3. Найдем параметры b0 и b1 .
![]() |
Полученные результаты заносим в таблицу 3.
Таблица 3.
Результаты расчета |
|
-0,2297 |
0,436791 |
0,005542 |
0,006967 |
0,995364 |
0,009454 |
1717,627 |
8 |
0,153525 |
0,000715 |
Параметры модели b0 = 0,436791, b1 = - 0,2297. Коэффициент детерминации R2 = 0,995364 - близок к 1, следовательно, модель адекватна.
Находим параметры исходной нелинейной модели:
а = еb1 = e-0,2297 = 0,79477
b = eb 0 = e0,436791 = 1,54773
Исходная нелинейная модель примет вид: Y = 1,54773e0,79477 X
5. Вычислим прогнозируемое Yp в то Xp = 6,5:
Yp = 1,54773e 0,79477*6,5 = 271,18
Задание № 3
По заданным статистическим данным с помощью пакета "Excel":
построить корреляционную матрицу;
по корреляционной матрице проверить факторы X1 , X2 , X3 на мультиколинеарность, и, если она есть, устранить ее, исключив один из факторов;
проверить гипотезу о наличии линейной связи между показателем Y и оставшимися факторами;
определить параметры линейной связи;
вычислить коэффициент детерминации;
сделать прогноз в указанной точке.
Решение:
Набираем исходные данные в таблицу 1:
Таблица 1.
X1 |
X2 |
X3 |
Y |
2,61 |
10,35 |
6,61 |
7,72 |
4,89 |
11,78 |
7,94 |
10,77 |
6,24 |
14,09 |
8,62 |
11,86 |
9,01 |
14,64 |
8,83 |
13,73 |
10,79 |
15,17 |
10,68 |
17,04 |
13,53 |
17,42 |
10,66 |
18,8 |
16,32 |
19,24 |
11,78 |
21,28 |
18,6 |
20,6 |
13,78 |
23,7 |
21,48 |
22,04 |
13,74 |
27,63 |
23,02 |
22,69 |
14,56 |
27,45 |
25,17 |
22,65 |
14,09 |
29,71 |
26,4 |
24,83 |
16,66 |
32,8 |
27,62 |
24,82 |
15,12 |
31,81 |
30, 19 |
25,17 |
15,42 |
25,22 |
32,25 |
26,22 |
15,77 |
37,26 |
33,76 |
27,72 |
17,4 |
39,2 |
35,97 |
29,15 |
17,77 |
2. По исходным данным строим корреляционную матрицу (таблица 2):
Таблица 2.
X1 |
X2 |
X3 |
Y |
|
X1 |
1 |
0,9921671 |
0,9741853 |
0,9656738 |
X2 |
0,9921671 |
1 |
0,9864174 |
0,9700431 |
X3 |
0,9741853 |
0,9864174 |
1 |
0,96548 |
Y |
0,9656738 |
0,9700431 |
0,96548 |
1 |
Визуально можно предположить, что между данными X2 и X3 и X1 и X3 есть зависимость, значит, фактор X3 исключаем из модели, так как между ним и Y связь меньше, чем между Y и X2 (0,96548 < 0,9700431). Модель будет иметь вид:
Y = b0 + b1 X1 + b2 X2 ;
3. Строим график зависимости между X1 , X2 и Y: визуально можно предположить, что зависимость между X1 , X2 и Y линейная, коэффициент детерминации R2 = 0,9416518 - близок к 1, следовательно, модель адекватна.
4. Найдем параметры b0 , b1 и b2 . Полученные результаты заносим в таблицу 3:
Таблица 3.
Результаты расчета |
||
1,344552 |
0, 1954415 |
-7,0318824 |
0,9429349 |
0,5065553 |
9,4389862 |
0,9416518 |
2,4854573 |
--- |
104,90023 |
13 |
--- |
1296,0419 |
80,307473 |
--- |
5. По данным таблицы можем записать модель:
Y = - 7,0318824 + 0, 1954415X1 + 1,344552X2 ;
Коэффициент детерминации R2 = 0,9416518 - близок к 1, следовательно, модель адекватна.
6. Найдем прогноз в заданной точке. Для этого достаточно подставить Xp в модель.
Yp = - 7,0318824 + 0, 1954415 * 35,97 + 1,344552 * 29,15 = 39, 19
Задание №4.
Предположим, что между показателем Y - объем выпущенной продукции и факторами X1 - трудовые затраты, X2 - объем основных фондов, существует зависимость типа
Y = AX × X
(производная функция Кобба-Дугласа). По приведенным статистическим данным с помощью пакета "Excel":
определить коэффициенты А, б1 , б 2 ;
вычислить прогноз в указанной точке;
определить коэффициент эластичности по каждому из факторов в точке прогноза.
Решение:
1. Набираем исходные данные в таблицу 1:
Таблица 1.
X1 |
X2 |
Y |
54,2 |
33,6 |
75,4 |
56,8 |
39,1 |
85,4 |
59,7 |
40,4 |
88,5 |
61,4 |
42,9 |
92,7 |
63,5 |
44 |
95,2 |
64,7 |
46,8 |
99,5 |
64,8 |
51,9 |
106,2 |
67,4 |
56,3 |
113,2 |
69 |
56,6 |
114,5 |
70,7 |
58,7 |
118,1 |
71,3 |
59,6 |
118,7 |
73,7 |
62,4 |
123 |
75,9 |
63,9 |
127,4 |
77,5 |
67,2 |
? |
Так как модель не линейная, перейдем к линейной с помощью замены:
V = lnY, U1 = lnX1 , U2 = lnX2 , b0 = lnA, b1 = б1
получим линейную модель:
V = b0 + b1 U1 + b2 U2
Полученные результаты заносим в таблицу 2.
Таблица 2.
X1 |
X2 |
Y |
V |
U1 |
U2 |
54,2 |
33,6 |
75,4 |
4,3228 |
3,9927 |
3,5145 |
56,8 |
39,1 |
85,4 |
4,4473 |
4,0395 |
3,6661 |
59,7 |
40,4 |
88,5 |
4,4830 |
4,0893 |
3,6988 |
61,4 |
42,9 |
92,7 |
4,5294 |
4,1174 |
3,7589 |
63,5 |
44 |
95,2 |
4,5560 |
4,1510 |
3,7842 |
64,7 |
46,8 |
99,5 |
4,6002 |
4,1698 |
3,8459 |
64,8 |
51,9 |
106,2 |
4,6653 |
4,1713 |
3,9493 |
67,4 |
56,3 |
113,2 |
4,7292 |
4,2106 |
4,0307 |
69 |
56,6 |
114,5 |
4,74057 |
4,2341 |
4,0360 |
70,7 |
58,7 |
118,1 |
4,7715 |
4,2584 |
4,0724 |
71,3 |
59,6 |
118,7 |
4,7766 |
4,2669 |
4,0877 |
73,7 |
62,4 |
123 |
4,8122 |
4,3000 |
4,1336 |
75,9 |
63,9 |
127,4 |
4,8473 |
4,3294 |
4,1573 |
77,5 |
67,2 |
4,3503 |
4, 2077 |
2. Найдем параметры b0 , b1 и b2 . Полученные результаты заносим в таблицу 3:
Таблица 3.
Результаты расчета |
||
1,296429 |
0,5234561 |
4,655595 |
0,09192 |
0,1394437 |
4,694014 |
0,998782 |
0,6193063 |
--- |
4101,677 |
10 |
--- |
3146,317 |
3,8354032 |
--- |
3. По данным таблицы можем записать модель:
V = 4,6556 + 0,5235U1 + 1,2964U2
4. Найдем параметры исходной модели:
А = ebo = e4.655595 = 105.1723; a1 = b1 = 0,5234561; a2 = b2 = 1,296429.
Исходная модель имеет вид:
Y = 105.1723 * X1 0.5235 * X2 1.2964
5. Найдем прогноз в заданной точке:
Y = 105.1723 * 77.50.5235 * 67.21.2964 = 239856.97;
Вычислим коэффициент эластичности, который показывает, на сколько% увеличится (если Ех > 0) или уменьшится (если Ех < 0) показатель Y, если фактор X изменится на 1%.
EX1 = (X1 * ∂y) / (y * ∂x1 ) = (X1/ (105.1723 * X1 0.5235 * X2 1.2964 )) * ( (∂ (105.1723 * X1 0.5235 * X2 1.2964 )) / ∂x1 ) = (X1/ (105.1723 * X1 0.5235 * X2 1.2964 )) * (105.1723 * X2 1.2964 * (∂ (X1 0.5235 )) / ∂x1 ) = (X1/ X1 0.5 ) * 0.5X1 -0.5 = 0.5X1 1-0.5-0.5 = 0.5X1 0 = 0.5
Вывод
Для модели Кобба-Дугласа коэффициент эластичности - это показатели степени a1 и a2 , при чем a1 = 0.5235 - коэффициент эластичности по трудозатратам, а a2 = 1.2964 - коэффициент эластичности по объему основных фондов.
Литература
1. Лук`яненко І.Г., Краснікова Л.І. Економетрика. Підручник. - К. Товариство “Знання”. - 1998. - 494 с.
2. Грубер Й. Эконометрия: учебное пособие для студентов экономических специальностей. - К. 1996. - 400 с.
3. Методические указания и контрольные задания по дисциплине "Эконометрия" для студентов экономического направления заочного факультета. / Сост. В.Н. Черномаз, Т.В. Шевцова, - Харьков: 2006 г. - 32 с.
4. Конспект лекций по курсу "Эконометрия"
Похожие работы
-
Финансово-экономические расчеты в Excel
Расчет суммы прибыли по депозиту при известной годовой ставке аналитическим, графическим методом с помощью программы Microsoft Excel. Определение валового выпуска по матрице прямых затрат. Планирование работы предприятия по разным технологическим схемам.
-
Статистический анализ глобального потепления на примере Санкт-Петербурга
Тенденции глобального потепления климата планеты. Методы статистического анализа и наблюдения за изменением климата на примере Санкт-Петербурга за последние сто лет. Вычисление среднегодовой сезонной температуры, построение графика ее общего изменения.
-
Моделирование экономических показателей
Экономические показатели ( факторы ). Выбор формы представления факторов. Анализ аномальных явлений. Анализ матрицы коэффициентов парных корреляций для абсолютных величин.
-
Множественная регрессия и корреляция 3
МНОЖЕСТВЕННАЯ РЕГРЕССИЯ И КОРРЕЛЯЦИЯ Ввести данные в таблицу: 13,0 37,0 21,5 16,5 60,0 27,0 22,4 21,0 53,0 26,0 16,0 12,0 32,2 18,0 14,2 35,0 19,0 22,5 48,0
-
Метод наименьших квадратов для однофакторной линейной регрессии
Сущность и применение метода наименьших квадратов для однофакторной линейной регрессии. Нахождение коэффициента эластичности для указанной модели в заданной точке X и его экономический анализ. Прогноз убыточности на основании линейной регрессии.
-
Линейный множественный регрессионный анализ
Основы линейного регрессионного анализа. Особенности использования функции Кобба-Дугласа. Применение множественной линейной регрессии. Сущность метода наименьших квадратов. Пути избегания ложной корреляции. Проверка значимости коэффициентов регрессии.
-
Линейное уравнение регрессии
Составление матрицы парных коэффициентов корреляции переменных. Построение линейного уравнения регрессии, характеризирующее зависимость цены от факторов. Оценка статистической значимости параметров в регрессионной модели с помощью t-критерия Стьюдента.
-
Анализ данных в линейной регрессионной модели
Построение диаграммы рассеивания (корреляционного поля). Группировка данных и построение корреляционной таблицы. Оценка числовых характеристик для негруппированных и группированных данных. Выборочное значение статистики. Параметры линейной регрессии.
-
Побудова моделі для аналізу та прогнозу поквартального випуску продукції компанії
Аналіз значених квартальних обсягів випуску продукції на основі моделі з адитивною компонентою. Розрахунок середнього абсолютного відхилення (MAD) і середньоквадратичної помилки (MSE) для цієї моделі. Здійснення прогноз на найближчі три квартали.
-
Эконометрика 10
Эконометрия – наука, изучающая количественные взаимосвязи экономических объектов и процессов при помощи математических и статистических методов и моделей. Основная задача эконометрии – построение количественно определенных экономико-математических моделей, разработка методов определения их параметров по статистическим данным и анализ их свойств.