АКАДЕМИЯ УПРАВЛЕНИЯ «ТИСБИ»

А.К. Шалабанов, Д.А. Роганов

ПРАКТИКУМ ПО ЭКОНОМЕТРИКЕ

С ПРИМЕНЕНИЕМ MS EXCEL

Линейные модели парной и множественной

Составители: Шалабанов А.К., Роганов Д.А.

Рецензенты: К.ф-м.н, доц. кафедры теоретической кибернетики Казанского государственного университета Нурмеев Н.Н.

К.т.н. доцент кафедры математики Академии управления

«ТИСБИ» Печеный Е.А.

Практикум по эконометрики содержит основные понятия и формулы эконометрики из разделов по парной и множественной регрессии и корреляции. Предназначено для студентов дневного и дистанционного отделения Академии управления «ТИСБИ». Подробно разобраны типовые задачи. Продемонстрирована возможность реализации решения задач в MS Excel. Представлены варианты индивидуальных контрольных заданий.

Введение

Успешная работа современного экономиста в любой области экономики тесным образом связана с использованием математических методов и средств вычислительной техники. При решении задач из различных областей человеческой деятельности часто приходится использовать методы, основанные на эконометрических моделях.

Эконометрика – одна из базовых дисциплин экономического образования во всем мире, но в России данный предмет только начал входить в учебные планы обучения будущих экономистов, так как прежде в СССР в условиях централизованной плановой экономике эконометрика была попросту не нужна.

Практикум по эконометрики предназначен для студентов дневного и дистанционного отделения Академии управления «ТИСБИ» и содержит в себе подробные примеры решения типовых задач и варианты контрольных заданий. Предлагаемый материал должен способствовать формированию у студентов практических навыков использования эконометрических методов при решении конкретных задач.

Предполагается, что студенты ознакомлены с курсами линейной алгебры,

математического анализа, теории вероятностей и математической статистики.

Для самостоятельного решения студентам предлагается две задачи.

Для большего понимания перед их решением желательно изучить теоретический материал по учебникам, которые приведены в списке литературы, хотя необходимые формулы и методы приведены в методических указаниях. Так же, предлагаемые задачи могут быть решены

(частично или полностью) на компьютере с помощью различных пакетов прикладных программ (ППП). В данном пособии приведены примеры

решения в MS Excel, т.к. данная программа присутствует в подавляющем большинстве персональных компьютеров.

При решении без использования компьютера рекомендуется производить промежуточные вычисления с точностью до пяти– шести знаков после запятой.

1. Определение эконометрики

Эконометрика – быстроразвивающаяся отрасль науки, цель которой состоит в том, чтобы придать количественные меры экономическим отношениям.

Термин «эконометрика» был впервые введен бухгалтером П. Цьемпой (Австро-Венгрия, 1910 г.). Цьемпа считал, что если к данным бухгалтерского учета применить методы алгебры и геометрии, то будет получено новое, более глубокое представление о результатах хозяйственной деятельности. Это употребление термина, как и сама концепция, не прижилось, но название «эконометрика» оказалось весьма удачным для определения нового направления в экономической науке,

которое выделилось в 1930 г.

Слово «эконометрика» представляет собой комбинацию двух слов: «экономика» и «метрика» (от греч. «метрон»). Таким образом, сам термин подчеркивает специфику, содержание эконометрики как науки:

количественное выражение тех связей и соотношений, которые раскрыты и обоснованы экономической теорией. И. Шумпетер (1883–1950), один из первых сторонников выделения этой новой дисциплины, полагал, что в соответствии со своим назначением эта дисциплина должна называться

«экономометрика». Советский ученый А.Л. Вайнштейн (1892–1970)

считал, что название настоящей науки основывается на греческом слове

метрия (геометрия, планиметрия и т.д.), соответственно по аналогии – эконометрия. Однако в мировой науке общеупотребимым стал термин

«эконометрика». В любом случае, какой бы мы термин ни выбрали,

эконометрика является наукой об измерении и анализе экономических явлений.

Зарождение эконометрики является следствием междисциплинарного подхода к изучению экономики. Эта наука возникла

в результате взаимодействия и объединения в особый «сплав» трех компонент: экономической теории, статистических и математических методов. Впоследствии к ним присоединилось развитие вычислительной техники как условие развития эконометрики.

В журнале «Эконометрика», основанном в 1933 г. Р. Фришем (1895– 1973), он дал следующее определение эконометрики: «Эконометрика – это не то же самое, что экономическая статистика. Она не идентична и тому,

что мы называем экономической теорией, хотя значительная часть этой теории носит количественный характер. Эконометрика не является синонимом приложений математики к экономике. Как показывает опыт,

каждая из трех отправных точек – статистика, экономическая теория и математика – необходимое, но не достаточное условие для понимания количественных соотношений в современной экономической жизни. Это – единство всех трех составляющих. И это единство образует эконометрику».

Таким образом, эконометрика – это наука, которая дает количественное выражение взаимосвязей экономических явлений и процессов.

2. Парная регрессия и корреляция

2.1. Теоретическая справка

Парная (простая) линейная регрессия представляет собой модель,

где среднее значение зависимой (объясняемой) переменной рассматривается как функция одной независимой (объясняющей)

переменной x , т.е. это модель вида:

теоретическое значение результативного признака, найденное исходя из

уравнения регрессии; ε – случайная величина, характеризующая

отклонения реального значения результативного признака от

теоретического, найденного по уравнению регрессии.

Случайная величина ε называется также возмущением. Она

включает влияние не учтенных в модели факторов, случайных ошибок и особенностей измерения. Ее присутствие в модели порождено тремя источниками: спецификацией модели, выборочным характером исходных данных, особенностями измерения переменных.

Различают линейные инелинейные регрессии.

линейные по оцениваемым параметрам, и регрессии, нелинейные по оцениваемым параметрам. Например:

регрессии, нелинейные по объясняющим переменным:

регрессии, нелинейные по оцениваемым параметрам:

степеннаяy = a × x b × ε ;

Показательная y = a × b x × ε ;

Экспоненциальная y = e a + bx +ε .

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

(Ковариация – числовая характеристика совместного распределения

двух случайных величин, равная математическому ожиданию произведения отклонений этих случайных величин от их математических

ожиданий. Дисперсия – характеристика случайной величины,

определяемая как математическое ожидание квадрата отклонения случайной величины от ее математического ожидания. Математическое

регрессии), а также средняя ошибка аппроксимации.

Практикум по эконометрике. Елисеева И.И. и др.

М.: 2005. - 192 с.

Предлагаемый практикум по эконометрике является дополнением к учебнику «Эконометрика», подготовленному тем же коллективом авторов. Практикум охватывает основные темы курса. Главное внимание уделяется построению эконометрических моделей на основе пространственных данных и временных рядов. Все разделы практикума имеют идентичную структуру: краткие методические положения, включающие основные понятия, определения, формулы; решение типовых задач; указания по реализации типовой задачи на компьютере с помощью пакетов прикладных программ (ППП) Excel, Statgraphics или Statistica; задачи, предлагаемые студентам для тренировки и для контроля. писание реализации на компьютере с помощью популярных прикладных программ Excel, Statgraphics. Для преподавателей, аспирантов, студентов экономических вузов.

Формат: pdf

Размер: 2,4 Мб

Смотреть, скачать: yandex.disk

СОДЕРЖАНИЕ
ПРЕДИСЛОВИЕ 3
I раздел ПАРНАЯ РЕГРЕССИЯ И КОРРЕЛЯЦИЯ 5
1.1. МЕТОДИЧЕСКИЕ УКАЗАНИЯ 5
1.2. РЕШЕНИЕ ТИПОВЫХ ЗАДАЧ 10
1.3. РЕАЛИЗАЦИЯ ТИПОВЫХ ЗАДАЧ НА КОМПЬЮТЕРЕ 22
1.4. КОНТРОЛЬНЫЕ ЗАДАНИЯ 29
II раздел МНОЖЕСТВЕННАЯ РЕГРЕССИЯ И КОРРЕЛЯЦИЯ 49
2.1. МЕТОДИЧЕСКИЕ УКАЗАНИЯ 48
2.2. РЕШЕНИЕ ТИПОВЫХ ЗАДАЧ 56
2.3. РЕАЛИЗАЦИЯ ТИПОВЫХ ЗАДАЧ НА КОМПЬЮТЕРЕ 66
2.4. КОНТРОЛЬНЫЕ ЗАДАНИЯ 79
III раздел СИСТЕМА ЭКОНОМЕТРИЧЕСКИХ УРАВНЕНИЙ 106
3.1. МЕТОДИЧЕСКИЕ УКАЗАНИЯ 106
3.2. РЕШЕНИЕ ТИПОВЫХ ЗАДАЧ 108
3.3. КОНТРОЛЬНЫЕ ЗАДАНИЯ 121
IV раздел ВРЕМЕННЫЕ РЯДЫ В ЭКОНОМЕТРИЧЕСКИХ ИССЛЕДОВАНИЯХ 137
4.1. МЕТОДИЧЕСКИЕ УКАЗАНИЯ 137
4.2. РЕШЕНИЕ ТИПОВЫХ ЗАДАЧ 142
4.3. РЕАЛИЗАЦИЯ ТИПОВЫХ ЗАДАЧ НА КОМПЬЮТЕРЕ 151
4.4. КОНТРОЛЬНЫЕ ЗАДАНИЯ 163
ПРИЛОЖЕНИЯ.
СТАТИСТИКО-МАТЕМАТИЧЕСКИЕ ТАБЛИЦЫ 187
1. Таблица значений F-критерия Фишера при уровне значимости а = 0,05 187
2. Критические значения f-критерия Стьюдента при уровне значимости 0,10, 0,05, 0,01 (двухсторонний) 188
3. Критические значения корреляции для уровневой значимости 0,05 и 0,01 189
4. Значения статистик Дарбина - Уотсона d d при 5%-ном уровне значимости 189

Ниже приведено условие задачи и текстовая часть решения. Все решение полностью, в архиве rar, вы можете скачать. Некоторые символы могут не отображаться на странице, но в архиве в формате doc все отображается.Закачка решения начнется автоматически через 10 секунд. Если закачка не началась, кликните . Еще п римеры решения задач по эконометрике можно посмотреть

Видеоурок по решению этой задачи в Excel вы можете посмотреть

Задание 1.

По предложенным вам экспериментальным данным, представляющим собою макроэкономические показатели или показатели финансовой (денежно-кредитной) системы некоторой страны, т.е. случайной выборке объема n - построить математическую модель зависимости случайной величины Y от случайных величин X1 и X2. Построение и оценку качества экономико-математической (эконометрической) модели вести в следующей последовательности:
.Построить корреляционную матрицу для случайных величин и оценить статистическую значимость корреляции между ними.
.Исходя из наличия между эндогенной переменной и экзогенными переменными, линейной зависимости, оценить параметры регрессионной модели по методу наименьших квадратов. Вычислите вектора регрессионных значений эндогенной переменной и случайных отклонений.
.Найдите средние квадратические ошибки коэффициентов регрессии. Используя критерий Стьюдента проверьте статистическую значимость параметров модели. Здесь и далее принять уровень значимости 0,05(т. е. надежность 95%).
.Вычислите эмпирический коэффициент детерминации и скорректированный коэффициент детерминации. Проверьте, используя критерий Фишера, адекватность линейной модели.
.Установите наличие (отсутствие) автокорреляции случайных отклонений модели. Используйте для этого метод графического анализа, статистику Дарбина-Уотсона и критерий Бреуша-Годфри.
.Установите наличие (отсутствие) гетероскедастичности случайных отклонений модели. Используйте для этого графический анализ, тест Вайта и тест Парка для вариантов с добавочным индексом А (графический метод, тест Глейзера и тест Бреуша-Пагана для вариантов с добавочным индексом В).
.Обобщите результаты оценивания параметров модели и результаты проверки модели на адекватность.

В таблице 1.1. приведены ежеквартальные данные о валовом внутреннем продукте (млн. евро); экспорта товаров и услуг (млн. евро); эффективный обменный курс евро к национальной волюте для Испании на период с 2000 по 2007 годы.

Таблица 1.1.

Ежеквартальные данные о валовом внутреннем продукте, экспорте товаров и услуг, эффективном обменном курсе евро к национальной валюте для Исландии на период с 2000 по 2007 годы

Создадим файл с исходными данными в среде Microsoft Excel.

Исследуем степень корреляционной зависимости между переменными. Для этого построим корреляционную матрицу, используя средства «Анализа данных». Корреляционная матрица приведена в таблице 1.2.

Таблица 1.2.

Из корреляционной матрицы следует, что на валовой внутренний продукт оказывает влияние оба регрессанта, т. е. экспорт товаров и услуг и обменный курс национальной валюты имеют корреляционную связь с валовым внутренним продуктом. Так же можем отметить наличие корреляционной зависимости между объясняющими (экзогенными) переменными, это может свидетельствовать о наличии в модели явления мультиколлениарности. .

Построим многофакторную регрессионную модель, в которой зависимая переменная - Y валовой внутренний продукт.

Определим коэффициенты уравнения регрессии.

Y = b 0 + b 1 ∙X1 + b 2 ∙X2

Результаты множественной регрессии в численном виде представлены в табл. 1.3.

Таблица 1.3

Как следует из данных, полученных с помощью Excel методом наименьших квадратов, полученная многофакторная модель будет иметь вид:

Y = -1046,49 + 2,0334∙X1 + 1828,83∙X2 (1.1)

(t ) (-2,311) (6,181) (3,265)

Уравнение (1.1) выражает зависимость валового внутреннего продукта (Y) от экспорта товаров и услуг (Х1), обменного курса евро к национальной валюте (Х2). Коэффициенты уравнения показывают количественное воздействие каждого фактора на результативный показатель при неизменности других. В нашем случае валовой внутренний продукт увеличивается на 2,033 ед. при увеличении экспорта товаров и услуг на 1 ед. при неизменности показателя обменного курса евро к национальной валюте; валовой внутренний продукт увеличивается на 18,288 ед. при увеличении обменного курса евро к национальной валюте на 1 ед. при неизменности показателя экспорта товаров и услуг. Случайное отклонение для коэффициента при переменной Х1 составляет 0,329; при переменной Х2 - 5,601; для свободного члена -452,86. .

v = n - m - 1 = 29; t кр. = t 0,025;29 = 2,364.

Сравнивая расчетную t-статистику коэффициентов уравнения с табличным значением, заключаем, что все коэффициенты уравнения регрессии будут значимы, за исключением свободного члена в уравнении регрессии.

Коэффициент детерминации R 2 = 0,8099;

Скорректированный на поте-рю степеней свободы коэффициент множественной детерминации AR 2 = 0,7968;

Критерий Фишера F = 61,766;

Уровень значимости модели р < 0,0000;

Согласно критерию Фишера данная модель адекватна. Так как уровень значимости модели меньше 0,00001.

Проверим остатки на наличие автокорреляции. Для этого найдем значение статистики Дарбина-Уотсона.

Промежуточные расчеты поместим в таблицу 1.4.

Таблица 1.4.

По таблице приложения 4 определяем значащие точки d L и d U для 5% уровня значимости.

Для m = 2 и n = 32: d L = 1,28; d U = 1,57.

Так как DW < d L (1,1576<1,28), то нулевую гипотезу об отсутствии автокорреляции мы не можем принять. Следовательно, в модели присутствует автокорреляция остатков случайных отклонений.

Проверим наличие автокорреляции, используя тест Бреуша-Годфри. Тест основан на следующей идее: если имеется корреляция между соседними наблюдения-ми, то естественно ожидать, что в уравнении

(где e t — остатки регрессии, полученные обычным методом наи-меньших квадратов), коэффициент ρ окажется значимо отли-чающимся от нуля.

Значение коэффициента ρ представлено в таблице 1.5.

Таблица 1.5.

Проверим значимость коэффициента корреляции, находим наблюдаемое значение по формуле:

T>t кр, следовательно коэффициент корреляции значим, и в модели присутствует автокорреляция остатков случайных отклонений.

Проведем графический анализ гетероскедастичность. Построим график, где по оси абсцисс будем откладывать расчетные значения Y, полученные из эмперического уравнения регрессии, а по оси ординат квадраты остатков уравнения е 2 . График представлен на рисунке 1.1.

Рисунок 1.1.

Анализируя график, можем предположить непостоянство дисперсий. Т. е. наличие гетероскедастичности в модели.

Проверим наличие гетероскедастичности, используя тест Вайта.

Строим регрессию:

ε 2 = a + b 1 x 1 + b 11 x 1 2 + b 2 x 2 + b 22 x 2 2 + b 12 ∙x 1 ∙x 2

Результаты теста представлены в таблице 1.6.

Таблица 1.5.

Результаты теста Уайта показывают отсутствие гетероскедастичности, так как при 5% уровне значимости F факт

Для проверки наличия гетероскедастичности воспользуемся тестом Парка. В Excel рассчитаем логарифмы значений e 2 , X1 и X2 (см. табл. 1.7).

Таблица 1.7.

Построим для каждой объясняющей переменной зависимости.

Результаты в таблицах 1.8- 1.9.

Таблица 1.8.

Таблица 1.9.

В таблицах 1.8 - 1.9 рассчитана t-статистика для каждого коэффициента b.

Определяем статистическую значимость полученных коэффициентов b. По таблице приложения 2 находим табличное значение коэффициента Стьюдента для уровня значимости a = 0,05 и числа степеней свободы v = n - 2 = 29. t a /2; v = t 0,025; 29 = 2,364.

Сравнивая рассчитанную t-статистику с табличной, получаем, что ни один коэффициент не является статистически значимым. Это говорит о отсутствии в модели гетероскедастичности.

Результаты теста Парка, подтвердили результаты теста Уайта.

Вывод:

Построенное уравнение регрессии (1.1), хотя и адекватно экспериментальным данным (имеет высокий коэффициент детерминации и значимую F-статистику, все коэффициенты регрессии статистически значимы), не может быть использовано в практических целях, так как оно имеет следующие недостатки: присутствует автокорреляция остатков случайных отклонений, имеется мультиколлинеарность.

Перечисленные недостатки могут привести к ненадежности оценок, выводы по t- и F- статистикам, определяющим значимость коэффициентов регрессии и детерминации, возможно, неверны.

Задание 2.

Используя данные из задания 1, сформулируйте и проверьте гипотезу о наличии на исследуемом временном интервале точки разрыва (имеется сдвиг свободного члена или коэффициента наклона). В случае, если предварительный графический анализ не подтверждает наличия разрыва на временном интервале, примите, что точка разрыва находится посередине.

На рисунке 2.1 представлен график зависимости величины валового внутреннего продукта от времени.

Предварительный графический анализ не подтверждает наличие разрыва на рассматриваемом временном интервале, предположим, что точка разрыва находится посередине рассматриваемого интервала.

Найдем зависимости валового внутреннего продукта от времени на каждом из двух интервалов времени, т. е. с 2000 года по 2003 год и с 2004 года по 2007 год. Так же найдем зависимость ВВП от времени на протяжении всего временного интервала.

Y1 - показатель ВВП с 2000 года по 2003 год; Y2 - показатель ВВП с 2004 года по 2007 год; Y - показатель ВВП с 2000 года по 2007 год. Найдем зависимости уравнения регрессии:

Y(t) = a + b∙t, Y1(t) = a 1 + b 1 (t); Y2(t) = a 2 + b 2 (t),

Где t - показатель времени.

Результаты моделирования в Eviews представлены в таблицах 2.1- 2.3 соответственно.

Рисунок 2.1.

Таблица 2.1.

Характеристики уравнения Y (t ).

Таблица 2.2.

Характеристики уравнения Y 1(t ).

Таблица 2.3

Характеристики уравнения Y 2(t ).

Проведем тест Чоу, для оценки структурной стабильности тенденции изучаемого временного ряда.

Введем гипотезу Н 0: тенденция изучаемого ряда структурно стабильна.

Остаточная сумма квадратов по кусочно-линейной модели:

С кл ост = С 1 ост + С 2 ост = 158432 + 483329 = 641761.

Сокращение остаточной дисперсии при переходе от единого уравнения тренда к кусочно-линейной модели:

∆С ост = С ост - С кл ост = 1440584 - 641761 = 798823.

Так как число параметров в уравнениях Y(t), Y1(t) и Y2(t) одинаково и равно k, то фактическое значение F - критерия находим по формуле:

F факт = (798823/2)/(641761/(32 - 2∙2)) = 17,426.

Критическое (табличное) значение критерия Фишера для доверительной вероятности g = 0,95 и числа степеней свободы v 1 = k = 2 и v 2 = n - 2∙k = 32 - 2∙2 = 28: F кр . = F 0,05; 2; 2 8 = 3,34. .

F факт > F табл - уравнения Y1(t) и Y2(t) описывают не одну и ту же тенденцию, а различия численных оценок их параметров а 1 и а 2 , а так же b 1 и b 2 соответственно статистически значимы. Следовательно, можно утверждать, что в середине рассматриваемого временного интервала ряд имеет точку разрыва.

Задание 3.

Введите в эконометрическую модель, построенную в задании 1 сезонные фиктивные переменные и с помощью соответствующей модели исследуйте наличие или отсутствие сезонных колебаний.

Так как в уравнении (1.1) задачи 1 переменные Х1 и Х2 является статистически значимыми, то для дальнейшего анализа воспользуемся моделью, полученную нами в задании 1:

Y = -1046,49 + 2,0334∙X1 + 1828,83∙X2 (3.1)

(t ) (-2,311) (6,181) (3,265)

Значимость коэффициентов уравнения (3.1) высокая. На рисунках 3.1 и 3.3 представлены графики переменных Y, Х1 и Х2 соответственно.

Рисунок 3.1.

Рисунок 3.2.

Рисунок 3.3.

Визуальный анализ графиков переменных Y, Х1 и Х2 позволил выявить некую закономерность - повторения из года в год изменения показателей в определенные промежутки времени, т. е. сезонные колебания.

Обозначим фиктивные квартальные переменные: Qi t = 1, если наблюдение t относится к i-му кварталу, Qi t = 0 в противном случае (i = 1, 2, 3, 4). Фиктивную переменную Q4 не будем включать в уравнение регрессии, что бы избежать «ловушки».

Данные для экспорта в Eviews представлены в таблице 3.1.

Таблица 3. 1 .

Данные для экспорта в Eviews .

Уравнение регрессии будем искать в виде:

Y = b 0 + b 1 ∙X1+ b 2 ∙X2 + d 1 ∙Q1 + d 2 ∙Q2 + d 3 ∙Q3 (3.2)

Результаты моделирования данного уравнения в Eviews представлены в таблице 3.2.

Таблица3. 2

Получим следующее уравнение регрессии:

Y = -966,21 + 2,1738∙X1 +16,7079∙X2 + 4,9673∙Q1 - 77,526 ∙Q2 - 134,37∙Q3

(t) (-2,025) (6,037) (2,835) (0,039) (-0,619) (-1,047)

Табличное значение критерия Стьюдента, соответствующее доверительной вероятности g = 0,95 и числу степеней свободы v = n - m - 1 = 26; t кр. = t 0,025;26 = 2,3788.

Ни одна из квартальных переменных, входящих в уравнение (3.3) не является статистически значимой. Следовательно, можно отметить отсутствие влияния квартальных колебаний на рассматриваемые показатели.

Список использованных источников.

1. Практикум по эконометрике. Под редакцией И. И. Елисеевой - М.: Финансы и статистика., 2007. - 343 с.

2. Эконометрика. Под редакцией И. И. Елисеевой - М.: Финансы и статистика., 2007. - 575 с.

3. Доугерти К. Введение в эконометрику. - М.: МГУ, 1999. - 402 с.

4. Орлов А.И. Эконометрика. - М.: Экзамен, 2002.

5. Валентинов В.А. Эконометрика. - М.: «Дашков и К о », 2006.

6. Тихомиров Н.П., Дорохина Е.Ю. Эконометрика. - М.: Экзамен, 2003.

7. Крамер Н. Ш., Путко Б. А. Эконометрика. - М.: ЮНИТИ-ДАНА, 2005.

Если закачивание файла не начнется через 10 сек, кликните