Professional Documents
Culture Documents
Лабораторна робота 4. Федорович
Лабораторна робота 4. Федорович
Лабораторна робота № 4
Виконала:
ст.гр.ЕВ-21
Федорович Д.П.
Керівник:
Васильців Н. М.
ЛЬВІВ – 2022
І. Загальні положення
Передумови застосування МНК, які складають основу класичного
регресійного аналізу, на практиці часто порушуються. В таких випадках
виникають явища гетероскедастичності та автокореляції. Ці явища призводять до
неадекватності побудованої моделі.
ІІ. Теоретичні відомості
Однією із передумов застосування МНК є стала величина дисперсії залишків
для всіх спостережень. Така властивість називається гомоскедастичністю. У
практичних дослідженнях часто порушується умова гомоскедастичності, тобто
існує явище гетероскедастичності. Якщо існує герескедастичність залишків, то це
призводить до того, що оцінки параметрів економетричної моделі, знайдені за
допомогою методу найменших квадратів, будуть незміщеними, обґрунтованими,
але неефективними.
Одним із методів перевірки припущень про наявність гетероскедастичності є
метод на основі критерію . Цей метод застосовується тоді, коли вихідна
сукупність спостережень досить велика. Розглянемо відповідний алгоритм.
Вихідні дані залежної змінної Y розбиваються на k груп відповідно до зміни
рівня величини Y. За кожною групою даних обчислюється сума квадратів
відхилень( r = 1, k ).
4
ХІД РОБОТИ
Для визначення гетероскедастичності необхідно заповнити вихідні дані
Таблиця 5.1.
Вихідні дані
( )
k n
∑ Sr 2
()
nr
k
Sr
α=∏ 2 r =1
/
r=1 nr n
Отже, параметр а = 0,0331
5
Таблиця 5.3.
Yі Xі Xі2 Yі*Xі Yі-Yc (Yі-Yc)2 Xі-Xc (Xі-Xc)2 Yі2 Yті Yті-Yc (Yті-Yc)2 Uі=Yі-Yті (Yі-Yті)2 Uі-Uі-1 (Uі-Uі-1)2
0,5 8,8 77,440 4,400 -0,327 0,107 -6,711 45,039 0,250 0,034 -0,793 0,629 0,466 0,217 0,466 0,217
0,2 8 64,000 1,600 -0,627 0,393 -7,511 56,417 0,040 -0,061 -0,888 0,788 0,261 0,068 -0,205 0,042
0,08 10 100,000 0,800 -0,747 0,558 -5,511 30,372 0,006 0,176 -0,651 0,424 -0,096 0,009 -0,096 0,009
0,2 10,6 112,360 2,120 -0,627 0,393 -4,911 24,119 0,040 0,247 -0,581 0,337 -0,047 0,002 0,049 0,002
0,24 11 121,000 2,640 -0,587 0,345 -4,511 20,350 0,058 0,294 -0,533 0,284 -0,054 0,003 -0,054 0,003
0,12 11,9 141,610 1,428 -0,707 0,500 -3,611 13,040 0,014 0,400 -0,427 0,182 -0,280 0,079 -0,226 0,051
0,55 12,7 161,290 6,985 -0,277 0,077 -2,811 7,902 0,303 0,495 -0,332 0,110 0,055 0,003 0,055 0,003
0,5 13,5 182,250 6,750 -0,327 0,107 -2,011 4,045 0,250 0,589 -0,238 0,057 -0,089 0,008 -0,145 0,021
0,43 14,3 204,490 6,149 -0,397 0,158 -1,211 1,467 0,185 0,684 -0,143 0,020 -0,254 0,065 -0,254 0,065
0,59 14,1 198,810 8,319 -0,237 0,056 -1,411 1,991 0,348 0,660 -0,167 0,028 -0,070 0,005 0,184 0,034
1,04 16,7 278,890 17,368 0,213 0,045 1,189 1,413 1,082 0,968 0,141 0,020 0,072 0,005 0,072 0,005
0,95 17,7 313,290 16,815 0,123 0,015 2,189 4,791 0,903 1,086 0,259 0,067 -0,136 0,018 -0,208 0,043
0,96 18,6 345,960 17,856 0,133 0,018 3,089 9,541 0,922 1,192 0,365 0,133 -0,232 0,054 -0,232 0,054
1,18 19,7 388,090 23,246 0,353 0,124 4,189 17,547 1,392 1,322 0,495 0,245 -0,142 0,020 0,090 0,008
1,53 21,1 445,210 32,283 0,703 0,494 5,589 31,236 2,341 1,488 0,661 0,436 0,042 0,002 0,042 0,002
1,94 22,8 519,840 44,232 1,113 1,238 7,289 53,128 3,764 1,689 0,862 0,742 0,251 0,063 0,209 0,044
1,75 23,9 571,210 41,825 0,923 0,852 8,389 70,373 3,063 1,819 0,992 0,983 -0,069 0,005 -0,069 0,005
2,13 23,8 566,440 50,694 1,303 1,697 8,289 68,706 4,537 1,807 0,980 0,960 0,323 0,104 0,392 0,154
14,89 279,200 4792,180 285,51 0,000 7,179 0,000 461,478 19,496 14,890 0,000 6,448 0,000 0,730 0,069 0,762
0 0
Залишки
6
Таблиця 4.4.
Середні значення Yі та Xі
Таблиця 4.5.
Матриця X
279,200
18
279,200 4792,180
Таблиця 4.6.
Вектор Y
14,890
285,510
Таблиця 4.7.
Обернена матриця X
0,576912335 -0,033611827
-0,033611827 0,002166952
Таблиця 4.8.
Показники a0 та a1:
a0= -1,006
a1= 0,118
Отже, отримали однофакторну модель вигляду:
ŷ = -1,006+ 0,118*х
a0 ,a 1
Знайшовши показники визначаю критерій Фішера, за формулою:
7
∑ ( ^yi − ȳ )2 / k 1
F= ,
∑ ( y i− ^yi )2 / k 2
k 1=m,
k 2 =n−m−1 ,
Таблиця 4.9.
Критерій Фішера
141,2386089
Таблиця 4.10.
Критерій Дарбіна-Уотсона
1,042853063
Ми можемо спостерігати додатну автокореляцію, адже показник є більшим за 0.
Визначимо прогнозне значення заощаджень при величині доходів 28 млн. грн.
ŷ = -1,006+ 0,118*х
ŷ = -1,006+ 0,118*28=2,265
Тобто прогнозне значення - 2,265
8
Висновок
Виконавши лабораторну роботу, я перевірила наявність гетероскедастичності згідно
з критерієм μ . Гетероскедастичність присутня у досліджуваній моделі, оскільки показник-
µ= 6,8174 є більшим за табличне значення.
Побудувала однофакторну модель та оцінила надійність моделі за допомогою критерія
Фішера. Після цього, перевірила наявність автокореляції за допомогою критерія Дарбіна-
Уотсона і виявила у моделі додатну автокореляцію, оскільки показник =1,042853063 та
знаходиться у зоні від 0-d або (0-1,16). Також за допомогою рівняння визначила прогнозне
значення заощаджень при величині доходів 28 млн. грн., яке дорівнює 2,265.