Контрольная работа по предмету "Экономико-математическое моделирование"


Парная регрессия


27

Смысл регрессионного анализа - построение функциональных зависимостей между двумя группами переменных величин Х1, Х2, … Хр и Y. При этом речь идет о влиянии переменных Х (это будут аргументы функций) на значения переменной Y (значение функции). Переменные Х мы будем называть факторами, а Y - откликом.

Наиболее простой случай - установление зависимости одного отклика y от одного фактора х. Такой случай называется парной (простой) регрессией.

Парная регрессия - уравнение связи двух переменных у и x:

,

где у - зависимая переменная (результативный признак);

х - независимая, объясняющая переменная (признак-фактор).

Различают линейные и нелинейные регрессии.

Линейная регрессия:.

Нелинейные регрессии делятся на два класса: регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам, и регрессии, нелинейные по оцениваемым параметрам.

Регрессии, нелинейные по объясняющим переменным:

* полиномы разных степеней

*равносторонняя гипербола

Регрессии, нелинейные по оцениваемым параметрам:

степенная ;

показательная

экспоненциальная

Построение уравнения регрессии сводится к оценке ее параметров. Для оценки параметров регрессий, линейных по параметрам, используют метод наименьших квадратов (МНК). МНК позволяет получить такие оценки параметров, при которых сумма квадратов отклонений фактических значений результативного признака у от теоретических минимальна, т.е.

Для линейных и нелинейных уравнений, приводимых к линейным, решается следующая система относительно а и b:

Можно воспользоваться готовыми формулами, которые вытекают из этой системы:

Тесноту связи изучаемых явлений оценивает линейный коэффициент парной корреляции для линейной регрессии

и индекс корреляции - для нелинейной регрессии ():

Оценку качества построенной модели даст коэффициент (индекс) детерминации, а также средняя ошибка аппроксимации.

Средняя ошибка аппроксимации - среднее отклонение расчетных значений от фактических:

Допустимый предел значений - не более 8 - 10%.

Средний коэффициент эластичности показывает, на сколько процентов в среднем по совокупности изменится результат у от своей средней величины при изменении фактора x на 1% от своего среднего значения:

Задача дисперсионного анализа состоит в анализе дисперсии зависимой переменной:

где - общая сумма квадратов отклонений;

- сумма квадратов отклонений, обусловленная регрессией («объясненная» или «факторная»);

- остаточная сумма квадратов отклонений.

Долю дисперсии, объясняемую регрессией, в общей дисперсии результативного признака у характеризует коэффициент (индекс) детерминации R2:

Коэффициент детерминации - квадрат коэффициента или индекса корреляции.

F-тест - оценивание качества уравнения регрессии - состоит в проверке гипотезы Но о статистической незначимости уравнения регрессии и показателя тесноты связи. Для этого выполняется сравнение фактического Fфакт и критического (табличного) Fтабл значений F-критерия Фишера. Fфакт определяется из соотношения значений факторной и остаточной дисперсий, рассчитанных на одну степень свободы:

п - число единиц совокупности;

т - число параметров при переменных х.

Fтабл - это максимально возможное значение критерия под влиянием случайных факторов при данных степенях свободы и уровне значимости а. Уровень значимости а - вероятность отвергнуть правильную гипотезу при условии, что она верна. Обычно а принимается равной 0,05 или 0,01.

Если Fтабл < Fфакт, то H0 - гипотеза о случайной природе оцениваемых характеристик отклоняется и признается их статистическая значимость и надежность. Если Fтабл > Fфакт, то гипотеза Н0 не отклоняется и признается статистическая незначимость, ненадежность уравнения регрессии.

Для оценки статистической значимости коэффициентов регрессии и корреляции рассчитываются t-критерий Стьюдента и доверительные интервалы каждого из показателей. Выдвигается гипотеза Н0 о случайной природе показателей, т.е. о незначимом их отличии от нуля. Оценка значимости коэффициентов регрессии и корреляции с помощью f-критерия Стьюдента проводится путем сопоставления их значений с величиной случайной ошибки:

Случайные ошибки параметров линейной регрессии и коэффициента корреляции определяются по формулам:

Сравнивая фактическое и критическое (табличное) значения t-статистики - tтабл и tфакт - принимаем или отвергаем гипотезу Hо.

Связь между F-критерием Фишера и t-статистикой Стьюдента выражается равенством

Если tтабл < tфакт, то Hо отклоняется, т.е. а, b и не случайно отличаются от нуля и сформировались под влиянием систематически действующего фактора х. Если tтабл > tфакт, то гипотеза Но не отклоняется и признается случайная природа формирования a, b или .

Для расчета доверительного интервала определяем предельную ошибку ? для каждого показателя:

Формулы для расчета доверительных интервалов имеют следующий вид:

Если в границы доверительного интервала попадает ноль, т.е. нижняя граница отрицательна, а верхняя положительна, то оцениваемый параметр принимается нулевым, так как он не может одновременно принимать и положительное, и отрицательное значения.

Прогнозное значение определяется путем подстановки в уравнение регрессии соответствующего (прогнозного) значения . Вычисляется средняя стандартная ошибка прогноза :

где

и строится доверительный интервал прогноза:

где

Задача:

По 22 регионам страны изучается зависимость розничной продажи телевизоров, y от среднедушевых денежных доходов в месяц, x (табл. 1):

№ региона

X

Y

1,000

2,800

28,000

2,000

2,400

21,300

3,000

2,100

21,000

4,000

2,600

23,300

5,000

1,700

15,800

6,000

2,500

21,900

7,000

2,400

20,000

8,000

2,600

22,000

9,000

2,800

23,900

10,000

2,600

26,000

11,000

2,600

24,600

12,000

2,500

21,000

13,000

2,900

27,000

14,000

2,600

21,000

15,000

2,200

24,000

16,000

2,600

34,000

17,000

3,300

31,900

19,000

3,900

33,000

20,000

4,600

35,400

21,000

3,700

34,000

22,000

3,400

31,000

Задание

1. Постройте поле корреляции и сформулируйте гипотезу о форме связи.

2. Рассчитайте параметры уравнений линейной, степенной, экспоненциальной, полулогарифмической, обратной, гиперболической парной регрессий.

3. Оцените тесноту связи с помощью показателей корреляции и детерминации.

4. С помощью среднего (общего) коэффициента эластичности дайте сравнительную оценку силы связи фактора с результатом.

5. Качество уравнений оцените с помощью средней ошибки аппроксимации.

6. С помощью F-критерия Фишера определите статистическую надежность результатов регрессионного моделирования. Выберите лучшее уравнение регрессии и дайте его обоснование.

7. Рассчитайте прогнозное значение результата по линейному уравнению регрессии, если прогнозное значение фактора увеличится на 7% от его среднего уровня. Определите доверительный интервал прогноза для уровня значимости ?=0,05.

8. Оцените полученные результаты, выводы оформите в аналитической записке.

1. Поле корреляции для:

· Линейной регрессии y=a+b*x:

·

Гипотеза о форме связи: чем больше размер среднедушевого денежного дохода в месяц (факторный признак), тем больше при прочих равных условиях розничная продажа телевизоров (результативный признак). В данной модели параметр b называется коэффициентом регрессии и показывает, насколько в среднем отклоняется величина результативного признака у при отклонении величины факторного признаках на одну единицу.

· Степенной регрессии :

Гипотеза о форме связи: степенная функция имеет вид Y=axb.

Параметр b степенного уравнения называется показателем эластичности и указывает, на сколько процентов изменится у при возрастании х на 1%. При х = 1 a = Y.

· Экспоненциальная регрессия :

· Равносторонняя гипербола :

Гипотеза о форме связи: В ряде случаев обратная связь между факторным и результативным признаками может быть выражена уравнением гиперболы: Y=a+b/x.

· Обратная гипербола :

· Полулогарифмическая регрессия :

2. Рассчитайте параметры уравнений линейной, степенной, экспоненциальной, полулогарифмической, обратной, гиперболической парной регрессий.

· Рассчитаем параметры уравнений линейной парной регрессии. Для расчета параметров a и b линейной регрессии y=a+b*x решаем систему нормальных уравнений относительно a и b:

По исходным данным рассчитываем ?y, ?x, ?yx, ?x2, ?y2 (табл. 2):

№ региона

X

Y

XY

X^2

Y^2

Y^cp

Y-Y^cp

Ai

1

2,800

28,000

78,400

7,840

784,000

25,719

2,281

0,081

2

2,400

21,300

51,120

5,760

453,690

22,870

-1,570

0,074

3

2,100

21,000

44,100

4,410

441,000

20,734

0,266

0,013

4

2,600

23,300

60,580

6,760

542,890

24,295

-0,995

0,043

5

1,700

15,800

26,860

2,890

249,640

17,885

-2,085

0,132

6

2,500

21,900

54,750

6,250

479,610

23,582

-1,682

0,077

7

2,400

20,000

48,000

5,760

400,000

22,870

-2,870

0,144

8

2,600

22,000

57,200

6,760

484,000

24,295

-2,295

0,104

9

2,800

23,900

66,920

7,840

571,210

25,719

-1,819

0,076

10

2,600

26,000

67,600

6,760

676,000

24,295

1,705

0,066

11

2,600

24,600

63,960

6,760

605,160

24,295

0,305

0,012

12

2,500

21,000

52,500

6,250

441,000

23,582

-2,582

0,123

13

2,900

27,000

78,300

8,410

729,000

26,431

0,569

0,021

14

2,600

21,000

54,600

6,760

441,000

24,295

-3,295

0,157

15

2,200

24,000

52,800

4,840

576,000

21,446

2,554

0,106

16

2,600

34,000

88,400

6,760

1156,000

24,295

9,705

0,285

17

3,300

31,900

105,270

10,890

1017,610

29,280

2,620

0,082

19

3,900

33,000

128,700

15,210

1089,000

33,553

-0,553

0,017

20

4,600

35,400

162,840

21,160

1253,160

38,539

-3,139

0,089

21

3,700

34,000

125,800

13,690

1156,000

32,129

1,871

0,055

22

3,400

31,000

105,400

11,560

961,000

29,992

1,008

0,033

Итого

58,800

540,100

1574,100

173,320

14506,970

540,100

0,000

сред значение

2,800

25,719

74,957

8,253

690,808

0,085

станд. откл

0,643

5,417

Система нормальных уравнений составит:

Ур-ие регрессии: = 5,777+7,122•x. Данное уравнение показывает, что с увеличением среднедушевого денежного дохода в месяц на 1 тыс. руб. доля розничных продаж телевизоров повышается в среднем на 7,12%.

· Рассчитаем параметры уравнений степенной парной регрессии. Построению степенной модели предшествует процедура линеаризации переменных. В примере линеаризация производится путем логарифмирования обеих частей уравнения:

где

Для расчетов используем данные табл. 3:

№ рег

X

Y

XY

X^2

Y^2

Yp^cp

y^cp

1

1,030

3,332

3,431

1,060

11,104

3,245

25,67072

2

0,875

3,059

2,678

0,766

9,356

3,116

22,56102

3

0,742

3,045

2,259

0,550

9,269

3,004

20,17348

4

0,956

3,148

3,008

0,913

9,913

3,183

24,12559

5

0,531

2,760

1,465

0,282

7,618

2,827

16,90081

6

0,916

3,086

2,828

0,840

9,526

3,150

23,34585

7

0,875

2,996

2,623

0,766

8,974

3,116

22,56102

8

0,956

3,091

2,954

0,913

9,555

3,183

24,12559

9

1,030

3,174

3,268

1,060

10,074

3,245

25,67072

10

0,956

3,258

3,113

0,913

10,615

3,183

24,12559

11

0,956

3,203

3,060

0,913

10,258

3,183

24,12559

12

0,916

3,045

2,790

0,840

9,269

3,150

23,34585

13

1,065

3,296

3,509

1,134

10,863

3,275

26,4365

14

0,956

3,045

2,909

0,913

9,269

3,183

24,12559

15

0,788

3,178

2,506

0,622

10,100

3,043

20,97512

16

0,956

3,526

3,369

0,913

12,435

3,183

24,12559

17

1,194

3,463

4,134

1,425

11,990

3,383

29,4585

19

1,361

3,497

4,759

1,852

12,226

3,523

33,88317

20

1,526

3,567

5,443

2,329

12,721

3,661

38,90802

21

1,308

3,526

4,614

1,712

12,435

3,479

32,42145

22

1,224

3,434

4,202

1,498

11,792

3,408

30,20445

итого

21,115

67,727

68,921

22,214

219,361

67,727

537,270

сред зн

1,005

3,225

3,282

1,058

10,446

3,225

стан откл

0,216

0,211

Рассчитаем С и b:

Получим линейное уравнение: . Выполнив его потенцирование, получим:

Подставляя в данное уравнение фактические значения х, получаем теоретические значения результата y.

· Рассчитаем параметры уравнений экспоненциальной парной регрессии. Построению экспоненциальной модели предшествует процедура линеаризации переменных. В примере линеаризация производится путем логарифмирования обеих частей уравнения:

где

Для расчетов используем данные табл. 4:

№ региона

X

Y

XY

X^2

Y^2

Yp

y^cp

1

2,800

3,332

9,330

7,840

11,104

3,225

25,156

2

2,400

3,059

7,341

5,760

9,356

3,116

22,552

3

2,100

3,045

6,393

4,410

9,269

3,034

20,777

4

2,600

3,148

8,186

6,760

9,913

3,170

23,818

5

1,700

2,760

4,692

2,890

7,618

2,925

18,625

6

2,500

3,086

7,716

6,250

9,526

3,143

23,176

7

2,400

2,996

7,190

5,760

8,974

3,116

22,552

8

2,600

3,091

8,037

6,760

9,555

3,170

23,818

9

2,800

3,174

8,887

7,840

10,074

3,225

25,156

10

2,600

3,258

8,471

6,760

10,615

3,170

23,818

11

2,600

3,203

8,327

6,760

10,258

3,170

23,818

12

2,500

3,045

7,611

6,250

9,269

3,143

23,176

13

2,900

3,296

9,558

8,410

10,863

3,252

25,853

14

2,600

3,045

7,916

6,760

9,269

3,170

23,818

15

2,200

3,178

6,992

4,840

10,100

3,061

21,352

16

2,600

3,526

9,169

6,760

12,435

3,170

23,818

17

3,300

3,463

11,427

10,890

11,990

3,362

28,839

19

3,900

3,497

13,636

15,210

12,226

3,526

33,978

20

4,600

3,567

16,407

21,160

12,721

3,717

41,140

21

3,700

3,526

13,048

13,690

12,435

3,471

32,170

22

3,400

3,434

11,676

11,560

11,792

3,389

29,638

Итого

58,800

67,727

192,008

173,320

219,361

67,727

537,053

сред зн

2,800

3,225

9,143

8,253

10,446

стан откл

0,643

0,211

Рассчитаем С и b:

Получим линейное уравнение: . Выполнив его потенцирование, получим:

Для расчета теоретических значений y подставим в уравнение значения x.

· Рассчитаем параметры уравнений полулогарифмической парной регрессии. Построению полулогарифмической модели предшествует процедура линеаризации переменных. В примере линеаризация производится путем замены:

где

Для расчетов используем данные табл. 5:

№ региона

X

Y

XY

X^2

Y^2

y^cp

1

1,030

28,000

28,829

1,060

784,000

26,238

2

0,875

21,300

18,647

0,766

453,690

22,928

3

0,742

21,000

15,581

0,550

441,000

20,062

4

0,956

23,300

22,263

0,913

542,890

24,647

5

0,531

15,800

8,384

0,282

249,640

15,525

6

0,916

21,900

20,067

0,840

479,610

23,805

7

0,875

20,000

17,509

0,766

400,000

22,928

8

0,956

22,000

21,021

0,913

484,000

24,647

9

1,030

23,900

24,608

1,060

571,210

26,238

10

0,956

26,000

24,843

0,913

676,000

24,647

11

0,956

24,600

23,506

0,913

605,160

24,647

12

0,916

21,000

19,242

0,840

441,000

23,805

13

1,065

27,000

28,747

1,134

729,000

26,991

14

0,956

21,000

20,066

0,913

441,000

24,647

15

0,788

24,000

18,923

0,622

576,000

21,060

16

0,956

34,000

32,487

0,913

1156,000

24,647

17

1,194

31,900

38,086

1,425

1017,610

29,765

19

1,361

33,000

44,912

1,852

1089,000

33,351

20

1,526

35,400

54,022

2,329

1253,160

36,895

21

1,308

34,000

44,483

1,712

1156,000

32,221

22

1,224

31,000

37,937

1,498

961,000

30,406

Итого

21,115

540,100

564,166

22,214

14506,970

540,100

сред зн

1,005

25,719

26,865

1,058

690,808

стан откл

0,216

5,417

Рассчитаем a и b:

Получим линейное уравнение: .

· Рассчитаем параметры уравнений обратной парной регрессии. Для оценки параметров приведем обратную модель к линейному виду, заменив , тогда

Для расчетов используем данные табл. 6:

№ региона

X

Y

XY

X^2

Y^2

Y^cp

1

2,800

0,036

0,100

7,840

0,001

24,605

2

2,400

0,047

0,113

5,760

0,002

22,230

3

2,100

0,048

0,100

4,410

0,002

20,729

4

2,600

0,043< /p>

0,112

6,760

0,002

23,357

5

1,700

0,063

0,108

2,890

0,004

19,017

6

2,500

0,046

0,114

6,250

0,002

22,780

7

2,400

0,050

0,120

5,760

0,003

22,230

8

2,600

0,045

0,118

6,760

0,002

23,357

9

2,800

0,042

0,117

7,840

0,002

24,605

10

2,600

0,038

0,100

6,760

0,001

23,357

11

2,600

0,041

0,106

6,760

0,002

23,357

12

2,500

0,048

0,119

6,250

0,002

22,780

13

2,900

0,037

0,107

8,410

0,001

25,280

14

2,600

0,048

0,124

6,760

0,002

23,357

15

2,200

0,042

0,092

4,840

0,002

21,206

16

2,600

0,029

0,076

6,760

0,001

23,357

17

3,300

0,031

0,103

10,890

0,001

28,398

19

3,900

0,030

0,118

15,210

0,001

34,844

20

4,600

0,028

0,130

21,160

0,001

47,393

21

3,700

0,029

0,109

13,690

0,001

32,393

22

3,400

0,032

0,110

11,560

0,001

29,301

Итого

58,800

0,853

2,296

173,320

0,036

537,933

сред знач

2,800

0,041

0,109

8,253

0,002

стан отклон

0,643

0,009

Рассчитаем a и b:

Получим линейное уравнение: . Выполнив его потенцирование, получим:

Для расчета теоретических значений y подставим в уравнение значения x.

· Рассчитаем параметры уравнений равносторонней гиперболы парной регрессии. Для оценки параметров приведем модель равносторонней гиперболы к линейному виду, заменив , тогда

Для расчетов используем данные табл. 7:

№ региона

X=1/z

Y

XY

X^2

Y^2

Y^cp

1

0,357

28,000

10,000

0,128

784,000

26,715

2

0,417

21,300

8,875

0,174

453,690

23,259

3

0,476

21,000

10,000

0,227

441,000

19,804

4

0,385

23,300

8,962

0,148

542,890

25,120

5

0,588

15,800

9,294

0,346

249,640

13,298

6

0,400

21,900

8,760

0,160

479,610

24,227

7

0,417

20,000

8,333

0,174

400,000

23,259

8

0,385

22,000

8,462

0,148

484,000

25,120

9

0,357

23,900

8,536

0,128

571,210

26,715

10

0,385

26,000

10,000

0,148

676,000

25,120

11

0,385

24,600

9,462

0,148

605,160

25,120

12

0,400

21,000

8,400

0,160

441,000

24,227

13

0,345

27,000

9,310

0,119

729,000

27,430

14

0,385

21,000

8,077

0,148

441,000

25,120

15

0,455

24,000

10,909

0,207

576,000

21,060

16

0,385

34,000

13,077

0,148

1156,000

25,120

17

0,303

31,900

9,667

0,092

1017,610

29,857

19

0,256

33,000

8,462

0,066

1089,000

32,564

20

0,217

35,400

7,696

0,047

1253,160

34,829

21

0,270

34,000

9,189

0,073

1156,000

31,759

22

0,294

31,000

9,118

0,087

961,000

30,374

Итого

7,860

540,100

194,587

3,073

14506,970

540,100

сред знач

0,374

25,719

9,266

0,146

1318,815

стан отклон

0,079

25,639

Рассчитаем a и b:

Получим линейное уравнение: . Получим уравнение регрессии: .

3. Оценка тесноты связи с помощью показателей корреляции и детерминации:

· Линейная модель. Тесноту линейной связи оценит коэффициент корреляции. Был получен следующий коэффициент корреляции rxy=b=7,122*, что говорит о прямой сильной связи фактора и результата. Коэффициент детерминации r?xy=(0,845)?=0,715. Это означает, что 71,5% вариации результативного признака (розничная продажа телевизоров, у) объясняется вариацией фактора х - среднедушевой денежный доход в месяц.

· Степенная модель. Тесноту нелинейной связи оценит индекс корреляции. Был получен следующий индекс корреляции =, что говорит о очень сильной тесной связи, но немного больше чем в линейной модели. Коэффициент детерминации r?xy=0,7175. Это означает, что 71,75% вариации результативного признака (розничная продажа телевизоров, у) объясняется вариацией фактора х - среднедушевой денежный доход в месяц.

· Экспоненциальная модель. Был получен следующий индекс корреляции ?xy=0,8124, что говорит о том, что связь прямая и очень сильная, но немного слабее, чем в линейной и степенной моделях. Коэффициент детерминации r?xy=0,66. Это означает, что 66% вариации результативного признака (розничная продажа телевизоров, у) объясняется вариацией фактора х - среднедушевой денежный доход в месяц.

· Полулогарифмическая модель. Был получен следующий индекс корреляции ?xy=0,8578, что говорит о том, что связь прямая и очень сильная, но немного больше чем в предыдущих моделях. Коэффициент детерминации r?xy=0,7358. Это означает, что 73,58% вариации результативного признака (розничная продажа телевизоров, у) объясняется вариацией фактора х - среднедушевой денежный доход в месяц.

· Гиперболическая модель. Был получен следующий индекс корреляции ?xy=0,8448 и коэффициент корреляции rxy=-0,1784 что говорит о том, что связь обратная очень сильная. Коэффициент детерминации r?xy=0,7358. Это означает, что 73,5% вариации результативного признака (розничная продажа телевизоров, у) объясняется вариацией фактора х - среднедушевой денежный доход в месяц.

· Обратная модель. Был получен следующий индекс корреляции ?xy=0,8114 и коэффициент корреляции rxy=-0,8120, что говорит о том, что связь обратная очень сильная. Коэффициент детерминации r?xy=0,6584. Это означает, что 65,84% вариации результативного признака (розничная продажа телевизоров, у) объясняется вариацией фактора х - среднедушевой денежный доход в месяц.

Вывод: по полулогарифмическому уравнению получена наибольшая оценка тесноты связи: ?xy=0,8578 (по сравнению с линейной, степенной, экспоненциальной, гиперболической, обратной регрессиями).

4. С помощью среднего (общего) коэффициента эластичности дайте сравнительную оценку силы связи фактора с результатом.

Рассчитаем коэффициент эластичности для линейной модели:

· Для уравнения прямой: y = 5,777+7,122•x

· Для уравнения степенной модели :

· Для уравнения экспоненциальной модели:

Для уравнения полулогарифмической модели :

· Для уравнения обратной гиперболической модели :

· Для уравнения равносторонней гиперболической модели :

Сравнивая значения , характеризуем оценку силы связи фактора с результатом:

·

·

·

·

·

·

Известно, что коэффициент эластичности показывает связь между фактором и результатом, т.е. на сколько% изменится результат y от своей средней величины при изменении фактора х на 1% от своего среднего значения. В данном примере получилось, что самая большая сила связи между фактором и результатом в полулогарифмической модели, слабая сила связи в обратной гиперболической модели.

5. Оценка качества уравнений с помощью средней ошибки аппроксимации.

Подставляя в уравнение регрессии фактические значения х, определим теоретические (расчетные) значения . Найдем величину средней ошибки аппроксимации :

В среднем расчетные значения отклоняются от фактических на:

· Линейная регрессия. = *100%= 8,5%, что говорит о повышенной ошибке аппроксимации, но в допустимых пределах.

Качество построенной модели оценивается как хорошее, так как не превышает 8 -10%.

· Степенная регрессия. =*100%= 8,2%, что говорит о повышенной ошибке аппроксимации, но в допустимых пределах.

Качество построенной модели оценивается как хорошее, так как не превышает 8 -10%.

· Экспоненциальная регрессия. =*100%= 9%, что говорит о повышенной ошибке аппроксимации, но в допустимых пределах.

Качество построенной модели оценивается как хорошее, так как не превышает 8 -10%.

· Полулогарифмическая регрессия. =*100%= 7,9 что говорит о повышенной ошибке аппроксимации, но в допустимых пределах.

Качество построенной модели оценивается как хорошее, так как не превышает 8 -10%.

· Гиперболическая регрессия. =*100%= 9,3 что говорит о повышенной ошибке аппроксимации, но в допустимых пределах.

Качество построенной модели оценивается как хорошее, так как не превышает 8 -10%.

· Обратная регрессия. =*100%= 9,9 3 что говорит о повышенной ошибке аппроксимации, но в допустимых пределах.

Качество построенной модели оценивается как хорошее, так как не превышает 8 -10%.

6. Рассчитаем F-критерий:

· Линейная регрессия. = *19= 47,579

где =4,38<

· Степенная регрессия. =*19= 48,257

где =4,38<

· Экспоненциальная регрессия. =*19= 36,878

где =4,38<

· Полулогарифмическая регрессия. =*19= 52,9232

где =4,38<

· Гиперболическая регрессия. =*19= 47,357

где =4,38<

· Обратная регрессия. =*19= 36,627

где =4,38<

Для всех регрессий =4,38< , из чего следует, что уравнения регрессии статистически значимы.

Вывод: остается на допустимом уровне для всех уравнений регрессий.

А

R^2

Fфакт

Линейная модель

8,5

0,714

47,500

Степенная модель

8,2

0,718

48,250

Полулогарифмическая модель

7,9

0,736

52,920

Экспоненциальная модель

9,0

0,660

36,870

Равносторонняя гипербола

9,3

0,714

47,350

Обратная гипербола

9,9

0,453

15,700

Все уравнения регрессии достаточно хорошо описывают исходные данные. Некоторое предпочтение можно отдать полулогарифмической функции, для которой значение R^2 наибольшее, а ошибка аппроксимации - наименьшая

7. Рассчитаем прогнозное значение результата по линейному уравнению регрессии, если прогнозное значение фактора увеличится на 7% от его среднего уровня. Определим доверительный интервал прогноза для уровня значимости ?=0,05:

Прогнозное значение определяется путем подстановки в уравнение регрессии соответствующего (прогнозного) значения .
5,777+7,122*2,996=27,114

где = =2,8*1,07=2,996

Средняя стандартная ошибка прогноза :

==3,12

где = =0,697886

Предельная ошибка прогноза:

Доверительный интервал прогноза

где

=27,116,53;

27,11-6,53 = 20,58

27,11+6,53 = 33,64

Выполненный прогноз среднедушевых денежных доходов в месяц, x оказался надежным (р = 1 - ? = 1 - 0,05 = 0,95), но неточным, так как диапазон верхней и нижней границ доверительного интервала составляет 2,09 раза:

= = =1,63



Не сдавайте скачаную работу преподавателю!
Данную контрольную работу Вы можете использовать для выполнения своих заданий.

Поделись с друзьями, за репост + 100 мильонов к студенческой карме :