РОБОЧИЙ ФАЙЛ ДЛЯ ВИКОНАННЯ ЛАБОРАТОРНОЇ РОБОТИ №4

ЗМІСТ

ЗАВДАННЯ ДЛЯ ВИКОНАННЯ ЛАБОРАТОРНОЇ РОБОТИ №4 ................ 2

ВАРІАНТИ ДО ВИКОНАННЯ ЛАБОРАТОРНОЇ РОБОТИ СТУДЕНТОМ
(СТУДЕНТ ОБИРАЄ ВАРІАНТ ЗА НОМЕРОМ ПО СПИСКУ) .............................. 3
МЕТОДИЧНІ ВКАЗІВКИ ДЛЯ ПОБУДОВИ ЕКОНОМЕТРИЧНИХ
МОДЕЛЕЙ ЗА ДОПОМОГОЮ ПЕОМ .................................................................... 19
ІНСТРУКЦІЮ ПО ВИКОНАННЮ ЛАБОРАТОРНОЇ РОБОТИ №4 В MS
EXCEL ....................................................................................................................... 23
ПРИКЛАД ОФОРМЛЕННЯ ЗВІТУ З ЛАБОРАТОРНОЇ РОБОТИ В MS
WORD ....................................................................................................................... 38
 ЗАВДАННЯ ДЛЯ ВИКОНАННЯ ЛАБОРАТОРНОЇ РОБОТИ №4

Економічна постановка завдання. Для отримання прибутку в плановому

періоді фірма поклала за мету дослідити кількісний зв’язок між прибутком та
основними ресурсами, що на нього впливають.
На основі статистичної інформації завдання, необхідно побудувати
економетричну модель з автокорельованими залишками.

Прибуток Інвестиції ОВФ ФРЧ

Місяць
Y X1 Х2 Х3
1 49 72 37 107
2 51 75 40 112
3 52 67 32 102
4 52 76 42 117
5 54 79 42 119
6 49 68 35 113
7 56 82 47 112
8 55 80 45 118
9 58 85 49 117
10 61 87 50 113
11 59 87 48 127
12 64 92 52 122
13 65 90 2 123
14 67 95 54 132
15 66 93 53 135
16 64 91 51 134
17 69 97 55 127
18 71 101 57 137
19 72 105 58 139
20 74 107 57 142

Структура роботи:
1. Дослідити наявність автокореляції на основі критерії.
2. Побудувати матриці S та S-1.
3. Оцінити параметри методом Ейткена.
4. Оцінити параметри моделі на основі перетворення вихідної інформації.
Для цього побудувати матрицю Т.
5. Виконати точковий та інтервальний прогноз.
6. Зробити порівняльний аналіз кількісних характеристик взаємозв’язку
отриманих методом 1МНК та методом Ейткена при гетероскедастичності та
автокореляції.

2
 ВАРІАНТИ ДО ВИКОНАННЯ ЛАБОРАТОРНОЇ РОБОТИ СТУДЕНТОМ
(СТУДЕНТ ОБИРАЄ ВАРІАНТ ЗА НОМЕРОМ ПО СПИСКУ)

Варіант 1 Варіант 2
Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ
Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 50 73 38 108 1 51 74 39 109
2 52 76 41 113 2 53 77 42 114
3 53 68 33 103 3 54 69 34 104
4 53 77 43 118 4 54 78 44 119
5 55 80 43 120 5 56 81 44 121
6 50 69 36 114 6 51 70 37 115
7 57 83 48 113 7 58 84 49 114
8 56 81 46 119 8 57 82 47 120
9 59 86 50 118 9 60 87 51 119
10 62 88 51 114 10 63 89 52 115
11 60 88 49 128 11 61 89 50 129
12 65 93 53 123 12 66 94 54 124
13 66 91 3 124 13 67 92 4 125
14 68 96 55 133 14 69 97 56 134
15 67 94 54 136 15 68 95 55 137
16 65 92 52 135 16 66 93 53 136
17 70 98 56 128 17 71 99 57 129
18 72 102 58 138 18 73 103 59 139
19 73 106 59 140 19 74 107 60 141
20 75 108 58 143 20 76 109 59 144

3
 Варіант 3 Варіант 4

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 52 75 40 110 1 53 76 41 111
2 54 78 43 115 2 55 79 44 116
3 55 70 35 105 3 56 71 36 106
4 55 79 45 120 4 56 80 46 121
5 57 82 45 122 5 58 83 46 123
6 52 71 38 116 6 53 72 39 117
7 59 85 50 115 7 60 86 51 116
8 58 83 48 121 8 59 84 49 122
9 61 88 52 120 9 62 89 53 121
10 64 90 53 116 10 65 91 54 117
11 62 90 51 130 11 63 91 52 131
12 67 95 55 125 12 68 96 56 126
13 68 93 5 126 13 69 94 6 127
14 70 98 57 135 14 71 99 58 136
15 69 96 56 138 15 70 97 57 139
16 67 94 54 137 16 68 95 55 138
17 72 100 58 130 17 73 101 59 131
18 74 104 60 140 18 75 105 61 141
19 75 108 61 142 19 76 109 62 143
20 77 110 60 145 20 78 111 61 146

4
 Варіант 5 Варіант 6

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 54 77 42 112 1 55 78 43 113
2 56 80 45 117 2 57 81 46 118
3 57 72 37 107 3 58 73 38 108
4 57 81 47 122 4 58 82 48 123
5 59 84 47 124 5 60 85 48 125
6 54 73 40 118 6 55 74 41 119
7 61 87 52 117 7 62 88 53 118
8 60 85 50 123 8 61 86 51 124
9 63 90 54 122 9 64 91 55 123
10 66 92 55 118 10 67 93 56 119
11 64 92 53 132 11 65 93 54 133
12 69 97 57 127 12 70 98 58 128
13 70 95 7 128 13 71 96 8 129
14 72 100 59 137 14 73 101 60 138
15 71 98 58 140 15 72 99 59 141
16 69 96 56 139 16 70 97 57 140
17 74 102 60 132 17 75 103 61 133
18 76 106 62 142 18 77 107 63 143
19 77 110 63 144 19 78 111 64 145
20 79 112 62 147 20 80 113 63 148

5
 Варіант 7 Варіант 8

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 56 79 44 114 1 57 80 45 115
2 58 82 47 119 2 59 83 48 120
3 59 74 39 109 3 60 75 40 110
4 59 83 49 124 4 60 84 50 125
5 61 86 49 126 5 62 87 50 127
6 56 75 42 120 6 57 76 43 121
7 63 89 54 119 7 64 90 55 120
8 62 87 52 125 8 63 88 53 126
9 65 92 56 124 9 66 93 57 125
10 68 94 57 120 10 69 95 58 121
11 66 94 55 134 11 67 95 56 135
12 71 99 59 129 12 72 100 60 130
13 72 97 9 130 13 73 98 10 131
14 74 102 61 139 14 75 103 62 140
15 73 100 60 142 15 74 101 61 143
16 71 98 58 141 16 72 99 59 142
17 76 104 62 134 17 77 105 63 135
18 78 108 64 144 18 79 109 65 145
19 79 112 65 146 19 80 113 66 147
20 81 114 64 149 20 82 115 65 150

6
 Варіант 9 Варіант 10

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 58 81 46 116 1 59 82 47 117
2 60 84 49 121 2 61 85 50 122
3 61 76 41 111 3 62 77 42 112
4 61 85 51 126 4 62 86 52 127
5 63 88 51 128 5 64 89 52 129
6 58 77 44 122 6 59 78 45 123
7 65 91 56 121 7 66 92 57 122
8 64 89 54 127 8 65 90 55 128
9 67 94 58 126 9 68 95 59 127
10 70 96 59 122 10 71 97 60 123
11 68 96 57 136 11 69 97 58 137
12 73 101 61 131 12 74 102 62 132
13 74 99 11 132 13 75 100 12 133
14 76 104 63 141 14 77 105 64 142
15 75 102 62 144 15 76 103 63 145
16 73 100 60 143 16 74 101 61 144
17 78 106 64 136 17 79 107 65 137
18 80 110 66 146 18 81 111 67 147
19 81 114 67 148 19 82 115 68 149
20 83 116 66 151 20 84 117 67 152

7
 Варіант 11 Варіант 12

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 60 83 48 118 1 61 84 49 119
2 62 86 51 123 2 63 87 52 124
3 63 78 43 113 3 64 79 44 114
4 63 87 53 128 4 64 88 54 129
5 65 90 53 130 5 66 91 54 131
6 60 79 46 124 6 61 80 47 125
7 67 93 58 123 7 68 94 59 124
8 66 91 56 129 8 67 92 57 130
9 69 96 60 128 9 70 97 61 129
10 72 98 61 124 10 73 99 62 125
11 70 98 59 138 11 71 99 60 139
12 75 103 63 133 12 76 104 64 134
13 76 101 13 134 13 77 102 14 135
14 78 106 65 143 14 79 107 66 144
15 77 104 64 146 15 78 105 65 147
16 75 102 62 145 16 76 103 63 146
17 80 108 66 138 17 81 109 67 139
18 82 112 68 148 18 83 113 69 149
19 83 116 69 150 19 84 117 70 151
20 85 118 68 153 20 86 119 69 154

8
 Варіант 13 Варіант 14

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 62 85 50 120 1 63 86 51 121
2 64 88 53 125 2 65 89 54 126
3 65 80 45 115 3 66 81 46 116
4 65 89 55 130 4 66 90 56 131
5 67 92 55 132 5 68 93 56 133
6 62 81 48 126 6 63 82 49 127
7 69 95 60 125 7 70 96 61 126
8 68 93 58 131 8 69 94 59 132
9 71 98 62 130 9 72 99 63 131
10 74 100 63 126 10 75 101 64 127
11 72 100 61 140 11 73 101 62 141
12 77 105 65 135 12 78 106 66 136
13 78 103 15 136 13 79 104 16 137
14 80 108 67 145 14 81 109 68 146
15 79 106 66 148 15 80 107 67 149
16 77 104 64 147 16 78 105 65 148
17 82 110 68 140 17 83 111 69 141
18 84 114 70 150 18 85 115 71 151
19 85 118 71 152 19 86 119 72 153
20 87 120 70 155 20 88 121 71 156

9
 Варіант 15 Варіант 16

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 64 87 52 122 1 65 88 53 123
2 66 90 55 127 2 67 91 56 128
3 67 82 47 117 3 68 83 48 118
4 67 91 57 132 4 68 92 58 133
5 69 94 57 134 5 70 95 58 135
6 64 83 50 128 6 65 84 51 129
7 71 97 62 127 7 72 98 63 128
8 70 95 60 133 8 71 96 61 134
9 73 100 64 132 9 74 101 65 133
10 76 102 65 128 10 77 103 66 129
11 74 102 63 142 11 75 103 64 143
12 79 107 67 137 12 80 108 68 138
13 80 105 17 138 13 81 106 18 139
14 82 110 69 147 14 83 111 70 148
15 81 108 68 150 15 82 109 69 151
16 79 106 66 149 16 80 107 67 150
17 84 112 70 142 17 85 113 71 143
18 86 116 72 152 18 87 117 73 153
19 87 120 73 154 19 88 121 74 155
20 89 122 72 157 20 90 123 73 158

10
 Варіант 17 Варіант 18

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 66 89 54 124 1 48 71 36 106
2 68 92 57 129 2 50 74 39 111
3 69 84 49 119 3 51 66 31 101
4 69 93 59 134 4 51 75 41 116
5 71 96 59 136 5 53 78 41 118
6 66 85 52 130 6 48 67 34 112
7 73 99 64 129 7 55 81 46 111
8 72 97 62 135 8 54 79 44 117
9 75 102 66 134 9 57 84 48 116
10 78 104 67 130 10 60 86 49 112
11 76 104 65 144 11 58 86 47 126
12 81 109 69 139 12 63 91 51 121
13 82 107 19 140 13 64 89 1 122
14 84 112 71 149 14 66 94 53 131
15 83 110 70 152 15 65 92 52 134
16 81 108 68 151 16 63 90 50 133
17 86 114 72 144 17 68 96 54 126
18 88 118 74 154 18 70 100 56 136
19 89 122 75 156 19 71 104 57 138
20 91 124 74 159 20 73 106 56 141

11
 Варіант 19 Варіант 20

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 47 70 35 105 1 46 69 34 104
2 49 73 38 110 2 48 72 37 109
3 50 65 30 100 3 49 64 29 99
4 50 74 40 115 4 49 73 39 114
5 52 77 40 117 5 51 76 39 116
6 47 66 33 111 6 46 65 32 110
7 54 80 45 110 7 53 79 44 109
8 53 78 43 116 8 52 77 42 115
9 56 83 47 115 9 55 82 46 114
10 59 85 48 111 10 58 84 47 110
11 57 85 46 125 11 56 84 45 124
12 62 90 50 120 12 61 89 49 119
13 63 88 0 121 13 62 87 -1 120
14 65 93 52 130 14 64 92 51 129
15 64 91 51 133 15 63 90 50 132
16 62 89 49 132 16 61 88 48 131
17 67 95 53 125 17 66 94 52 124
18 69 99 55 135 18 68 98 54 134
19 70 103 56 137 19 69 102 55 136
20 72 105 55 140 20 71 104 54 139

12
 Варіант 21 Варіант 22

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 45 68 33 103 1 44 67 32 102
2 47 71 36 108 2 46 70 35 107
3 48 63 28 98 3 47 62 27 97
4 48 72 38 113 4 47 71 37 112
5 50 75 38 115 5 49 74 37 114
6 45 64 31 109 6 44 63 30 108
7 52 78 43 108 7 51 77 42 107
8 51 76 41 114 8 50 75 40 113
9 54 81 45 113 9 53 80 44 112
10 57 83 46 109 10 56 82 45 108
11 55 83 44 123 11 54 82 43 122
12 60 88 48 118 12 59 87 47 117
13 61 86 -2 119 13 60 85 -3 118
14 63 91 50 128 14 62 90 49 127
15 62 89 49 131 15 61 88 48 130
16 60 87 47 130 16 59 86 46 129
17 65 93 51 123 17 64 92 50 122
18 67 97 53 133 18 66 96 52 132
19 68 101 54 135 19 67 100 53 134
20 70 103 53 138 20 69 102 52 137

13
 Варіант 21 Варіант 22

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 45 68 33 103 1 44 67 32 102
2 47 71 36 108 2 46 70 35 107
3 48 63 28 98 3 47 62 27 97
4 48 72 38 113 4 47 71 37 112
5 50 75 38 115 5 49 74 37 114
6 45 64 31 109 6 44 63 30 108
7 52 78 43 108 7 51 77 42 107
8 51 76 41 114 8 50 75 40 113
9 54 81 45 113 9 53 80 44 112
10 57 83 46 109 10 56 82 45 108
11 55 83 44 123 11 54 82 43 122
12 60 88 48 118 12 59 87 47 117
13 61 86 -2 119 13 60 85 -3 118
14 63 91 50 128 14 62 90 49 127
15 62 89 49 131 15 61 88 48 130
16 60 87 47 130 16 59 86 46 129
17 65 93 51 123 17 64 92 50 122
18 67 97 53 133 18 66 96 52 132
19 68 101 54 135 19 67 100 53 134
20 70 103 53 138 20 69 102 52 137

14
 Варіант 23 Варіант 24

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 43 66 31 101 1 42 65 30 100
2 45 69 34 106 2 44 68 33 105
3 46 61 26 96 3 45 60 25 95
4 46 70 36 111 4 45 69 35 110
5 48 73 36 113 5 47 72 35 112
6 43 62 29 107 6 42 61 28 106
7 50 76 41 106 7 49 75 40 105
8 49 74 39 112 8 48 73 38 111
9 52 79 43 111 9 51 78 42 110
10 55 81 44 107 10 54 80 43 106
11 53 81 42 121 11 52 80 41 120
12 58 86 46 116 12 57 85 45 115
13 59 84 -4 117 13 58 83 -5 116
14 61 89 48 126 14 60 88 47 125
15 60 87 47 129 15 59 86 46 128
16 58 85 45 128 16 57 84 44 127
17 63 91 49 121 17 62 90 48 120
18 65 95 51 131 18 64 94 50 130
19 66 99 52 133 19 65 98 51 132
20 68 101 51 136 20 67 100 50 135

15
 Варіант 25 Варіант 26

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 41 64 29 99 1 40 63 28 98
2 43 67 32 104 2 42 66 31 103
3 44 59 24 94 3 43 58 23 93
4 44 68 34 109 4 43 67 33 108
5 46 71 34 111 5 45 70 33 110
6 41 60 27 105 6 40 59 26 104
7 48 74 39 104 7 47 73 38 103
8 47 72 37 110 8 46 71 36 109
9 50 77 41 109 9 49 76 40 108
10 53 79 42 105 10 52 78 41 104
11 51 79 40 119 11 50 78 39 118
12 56 84 44 114 12 55 83 43 113
13 57 82 -6 115 13 56 81 -7 114
14 59 87 46 124 14 58 86 45 123
15 58 85 45 127 15 57 84 44 126
16 56 83 43 126 16 55 82 42 125
17 61 89 47 119 17 60 88 46 118
18 63 93 49 129 18 62 92 48 128
19 64 97 50 131 19 63 96 49 130
20 66 99 49 134 20 65 98 48 133

16
 Варіант 27 Варіант 28

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 39 62 27 97 1 38 61 26 96
2 41 65 30 102 2 40 64 29 101
3 42 57 22 92 3 41 56 21 91
4 42 66 32 107 4 41 65 31 106
5 44 69 32 109 5 43 68 31 108
6 39 58 25 103 6 38 57 24 102
7 46 72 37 102 7 45 71 36 101
8 45 70 35 108 8 44 69 34 107
9 48 75 39 107 9 47 74 38 106
10 51 77 40 103 10 50 76 39 102
11 49 77 38 117 11 48 76 37 116
12 54 82 42 112 12 53 81 41 111
13 55 80 -8 113 13 54 79 -9 112
14 57 85 44 122 14 56 84 43 121
15 56 83 43 125 15 55 82 42 124
16 54 81 41 124 16 53 80 40 123
17 59 87 45 117 17 58 86 44 116
18 61 91 47 127 18 60 90 46 126
19 62 95 48 129 19 61 94 47 128
20 64 97 47 132 20 63 96 46 131

17
 Варіант 29 Варіант 30

Прибуток Інвестиції ОВФ ФРЧ Прибуток Інвестиції ОВФ ФРЧ

Місяць Місяць
Y X1 Х2 Х3 Y X1 Х2 Х3
1 37 60 25 95 1 36 59 24 94
2 39 63 28 100 2 38 62 27 99
3 40 55 20 90 3 39 54 19 89
4 40 64 30 105 4 39 63 29 104
5 42 67 30 107 5 41 66 29 106
6 37 56 23 101 6 36 55 22 100
7 44 70 35 100 7 43 69 34 99
8 43 68 33 106 8 42 67 32 105
9 46 73 37 105 9 45 72 36 104
10 49 75 38 101 10 48 74 37 100
11 47 75 36 115 11 46 74 35 114
12 52 80 40 110 12 51 79 39 109
13 53 78 -10 111 13 52 77 -11 110
14 55 83 42 120 14 54 82 41 119
15 54 81 41 123 15 53 80 40 122
16 52 79 39 122 16 51 78 38 121
17 57 85 43 115 17 56 84 42 114
18 59 89 45 125 18 58 88 44 124
19 60 93 46 127 19 59 92 45 126
20 62 95 45 130 20 61 94 44 129

18
 МЕТОДИЧНІ ВКАЗІВКИ ДЛЯ ПОБУДОВИ ЕКОНОМЕТРИЧНИХ
МОДЕЛЕЙ ЗА ДОПОМОГОЮ ПЕОМ

Усі лабораторні та практичні завдання курсу «Економетрія» можуть

розв’язуватися за допомогою персонального комп’ютера (ПК). Однією з найбільш
орієнтованих під економічні розрахунки є програма MS EXCEL, яку взято за базову
для проведення практичних та лабораторних занять із застосуванням ПК.
Функції для роботи з матрицями
MS EXCEL надає кілька функцій для роботи з матрицями. Вони належать до
категорії «Повний алфавітний перелік», «Математичні».

МУМНОЖ (масив 1; масив 2) – повертає добуток матриць, які містяться в

масивах. Результат – це масив з такими самим числом рядків, як і масив 1, та таким
самим числом стовпців, як і масив 2.
ТРАНСП (масив) – повертає транспонований масив. Транспонування полягає
в тому, що перший рядок вихідного масиву стає першим стовпцем нового масиву, а
другий рядок – другим його стовпцем і т.д.
МОПРЕД (масив) – повертає визначник матриці. Матриця записується у
масиві.
МОБР (масив) – повертає обернену матрицю.
Статистичні функції
Розглянемо застосування деяких статистичних функцій програми MS EXCEL.
СРЗНАЧ (число 1; число 2;…) (AVERAGE) – це функція обчислення
середнього арифметичного.
ДИСП (число 1; число 2;…) (VAR) – ця функція обчислює дисперсію
випадково взятих n чисел, причому їх кількість не може перевищувати 30. Функція
ДИСП передбачає, що аргументи є вибіркою з генеральної сукупності. Якщо дані
являють собою більшу сукупність, потрібно використовувати функцію ДИСПР.
ДОВЕРИТ (альфа; станд_відхил; розмір) – ця функція обчислює довірчий
інтервал для середнього генеральної сукупності. Довірчий інтервал – окіл
середнього вибірки (цей інтервал містить значення середнього вибірки, що
рівновіддалене від його кінців). Наприклад, якщо товар був замовлений поштою, то
з певним рівнем надійності можна визначити найбільш ранню та найпізнішу дату
прибуття товару.
«Альфа» – це рівень значущості, застосований для обчислення рівня
надійності. Він дорівнює 100 ⋅ (1 − α ) . «Альфа», що дорівнює 0,05 , означає що 95%-
19
й рівень надійності.
«Станд_відхил» – це стандартне відхилення генеральної сукупності для
інтервалу даних (передбачається відомим).
«Розмір» – це розмір вибірки.
КВАДРОТКЛ (число 1; число 2;…) – це сума квадратів відхилень точок
даних від їх середнього. Кількість аргументів має не перевищувати 30. Можна
використовувати масив чи посилання на масив замість аргументів, що відокремлені
крапкою з комою.
КВПИРСОН (відомі_значення_y; відомі_значення_х) – обчислює квадрат
коефіцієнта кореляції Пірсона для точок даних в аргументах «відомі_значення_х» та
«відомі_значення_y». Значення г-квадрат модна інтерпретувати як відношення
дисперсії y до дисперсії х.
«Відомі_значення_y» – це масив чи інтервал точок даних y. Те саме – для х.
КОВАР (масив 1; масив 2) – обчислює коваріацію (середній добуток
відхилень для кожної пари точок даних).
КОРРЕЛ (масив 1; масив 2) – коефіцієнт кореляції між інтервалами клітинок
«масив 1» та «масив 2». Застосовується для визначення щільності лінійного зв’язку
між двома показниками.
ЛИНЕЙН (відомі_значення_y; відомі_значення_х; конст; статистика) – ця
функція застосовує метод найменших квадратів, щоб визначити оцінки параметрів
β лінійної регресії:
Y = β 0 + β1 X 1 + β 2 X 2 +...+ β m X m
де значення y (залежні) є функції значення х (незалежного).
«Відомі_значення_y» – множина значень у. Якщо масив у має один стовпець
то кожен стовпець масиву «відомі_значення_х» інтерпретуються як окрема змінна.
Якщо масив «відомі_значення_у» має один рядок, то кожен рядок
«відомі_значення_х» інтерпретуються як окрема змінна.
«Відомі_значення_х» – множина значень х, що враховує або одну (парна
регресія), або кілька змінних (множинна регресія). Якщо «відомі_значення_х»
пропустила, то вважається, що це масив { 1; 2; 3;…} такого розміру, як і n
«відомих_значення_y».
«Конст» – логічне значення. Якщо «конст» має значення «ложь», то β 0 беруть
таким, що дорівнює нулю: значення β добирають так, щоб виконувалась рівність
Y = β 1 X 1 + β 2 X 2 + ...+ β m X m (модель без вільного члена). Якщо «конст» має значення
«истина», то β 0 обчислюється традиційно (модель з вільним членом).
«Статистика» – логічне значення, яке вказує, чи потрібно обчислювати
додаткову статистику за регресією. Якщо «статистика» має значення «истина», то
функція ЛИНЕЙН обчислює додаткову регресійну статистика у вигляді масиву.
β 3* β 2* β 1* β 0*
S S S S
β 3* β 2* β1* β 0*

R2 σε
F n − m −1
∑ ( yi* − y ) 2 ∑ ei2
β *j – оцінка параметра β j , j = 1, k ;
20
 β 0* – оцінка вільного члена регресії;
S – стандартна похибка оцінки параметра;
β *j

R 2 – коефіцієнт детермінації;
σ ε – стандартна похибка залишків;
F – F -критерій;
n − m − 1 – ступінь свободи, де n – кількість спостережень, m – кількість
пояснювальних змінних у моделі; це значення необхідне для визначення табличного
значення F -критерію;
∑ ( yi* − y ) 2 – сума квадратів відхилення, що пояснюється регресією;
∑ ei2(або ∑ ( y i − y i* ) 2 ) – сума квадратів відхилення, що пояснюється
похибкою ε . Якщо статистика має значення «ложь» чи її пропустили, то функція
ЛИНЕЙН обчислює лише коефіцієнти β *j та константу β 0* .
FРАСПОБР (ймовірність; ступені свободи_1; ступені свободи_2) – ця
функція визначає табличне значення F -критерію.
«Ймовірність» – це рівень значущості, застосований для обчислення рівня
надійності. Він дорівнює 100 ⋅ (1 − α ) . «Альфа», що дорівнює 0,05 , означає що 95%-
й рівень надійності.
«Ступені свободи_1» – ступінь свободи n − m − 1 , де n – кількість
спостережень, m – кількість пояснювальних змінних у моделі.
«Ступені свободи_2» – m – кількість пояснювальних змінних у моделі.
FРАСП (х; ступені свободи_1; ступені свободи_2) – ця функція F -розподілу
ймовірності може бути використана для визначення розбіжностей розподілу двох
множин даних.
СТЬЮДРАСПОБР (ймовірність; ступені свободи) – ця функція визначає
табличне значення t -критерію.
«Ймовірність» – це рівень значущості, застосований для обчислення рівня
надійності. Він дорівнює 100 ⋅ (1 − α ) . «Альфа», що дорівнює 0,05 , означає що 95%-
й рівень надійності.
«Ступені свободи» – ступінь свободи n − m − 1 , де n – кількість спостережень,
m – кількість пояснювальних змінних у моделі.
НОРМАЛИЗАЦИЯ (х; середні; стандартне_відхилення) – ця функція
обчислює нормалізоване значення для розподілу, що характеризується середнім та
стандартним відхиленням Х-значення, що нормалізуються. Для нього задаються
середні арифметичні та стандартне відхилення розподілу. У дужках мають бути
числа чи назви, масиви чи посилання, що складається з чисел. MS EXCEL перевіряє
всі числа, які є в масивами чи посиланнями. Якщо масив містить порожні клітинки,
текстові чи логічні значення, то такі значення ігноруються, але клітинки, що містять
нульові значення, враховуються.
ПРЕДСКАЗ (х; відомі_значення_y; відомі_значення_х) – розраховує значення
функції в точці х, що прогнозуються на основі лінійної регресії для масивів значень
х та y або інтервалів значень. Y – масив залежної змінної. «Відомі_значення_х» –
масив незалежних змінних.
Якщо «Відомі_значення_у» та «відомі_значення_х» порожні чи містять різну
кількість точок даних, то функція ПРЕДСКАЗ повертає значення помилки.
21
 РОСТ (відомі_значення_y; відомі_значення_х; нові_значення_х; конст) – ця
функція апроксимує експериментальну криву «відомі_значення_y» та
«відомі_значення_х» і визначає відповідні цій кривій значення для чисел у, що
визначаються «новими_значення_х».
«Відомі_значення_у» – це множинам значень у, що визначаються
відношенням:
y = β 0 β 1x1 β 2x2 ... або y = β0β x.
Якщо масив «відомі_значення_у» має один стовпець, то кожний стовпець
масиву «відомі_значення_х» інтерпретуються як окрема змінна. Якщо масив
«відомі_значення_у» має тільки один рядок, то кожний рядок масиву
«відомі_значення_х» інтерпретується як окрема змінна. Якщо якісь числа в масиві
«відомі_значення_у» дорівнюють нулю чи від’ємні, то функція РОСТ видає
значення помитки #ЧИСЛО!.
«Відомі_значення_х» – цей масив може містити одну чи кілька змінних. Якщо
використовується лише одна змінна, то «відомі_значення_у» та
«відомі_значення_х» можуть мати будь-яку форму, але неодмінно при цьому –
однакову розмірність. Якщо використовується більш як одна змінна, то
«відомі_значення_у» має бути вектором (стовпцем або рядком). Якщо
«відомі_значення_х» пропустили, то це передбачає, що масив { 1, 2, 3…} такого
самого розміру, як і «відомі_значення_у».
«Нові_значення_х» – значення х, для яких РОСТ розраховує відповідні
значення у.
ТЕНДЕНЦИЯ (відомі_значення_y; відомі_значення_х; нові_значення_х;
конст) (TREND) – ця функція передбачає, що тенденція зміни залежної змінної у,
яка була виявлена за «відомі_значення_х», буде збережена.
СРОТКЛ (число 1; число 2;…) – обчислює середні абсолютних значень
відхилень точок даних від середнього. СРОТКЛ є мірою розсіяння множини даних.
Замість «число 1; число 2;…» можна використовувати масив чи посилання на масив.
Кількість чисел у масиві має не перевищувати 30.
СТАНДОТКЛОН (число 1; число 2;…) (STDEV) – оцінює стандартне
відхилення за вибіркою та характеризує розкид точок відносно їх середнього.
«Число 1; число 2;…» – це від одного до тридцяти числових аргументів, що
відповідають вибірці з генеральної сукупності. Можна використовувати масив чи
посилання на масив замість аргументів, що відокремлені крапкою з комою.
СТАНДОТКЛОН передбачає, що аргументи є лише вибіркою з генеральної
сукупності. Якщо дані являють собою всю генеральну сукупність, то стандартне
відхилення потрібно обчислювати за допомогою функції СТАНДОТКЛОН.Г
(число 1; число 2;…) (STDEVР).
ХИ2.ОБР.ПХ (ймовірність; ступені свободи) – ця функція визначає табличне
значення χ -критерію.
2

«Ймовірність» – це рівень значущості, застосований для обчислення рівня

надійності. Він дорівнює 100 ⋅ (1 − α ) . «Альфа», що дорівнює 0,05 , означає що 95%-
й рівень надійності.
1
«Ступені свободи» – ступінь свободи k = m(m − 1) , де m – кількість
2
пояснювальних змінних у моделі.
22
ІНСТРУКЦІЮ ПО ВИКОНАННЮ ЛАБОРАТОРНОЇ РОБОТИ №4 В MS
EXCEL

Розрахунок Лабораторної роботи №4 починається з 1 пункту.

1. Дослідити наявність автокореляції на основі критерії

Дано початковий масив (дані беруться з Лабораторної роботи №1):

Перевіряємо масив на автокореляції за такими критеріями:

• Критерій Дарбіна-Уотсона:
n
∑ (ε i − ε i −1 )2
DW = i=2
n
;
∑ε i
2

i =1

• фон Неймана:
n
Q = DW ;
n −1
• циклічний коефіцієнт автокореляції:
n
∑ ε i ⋅ ε i −1
r= i=2
n
;
∑ε t
2

i =1

23
 n m
ρ=
⋅r + .
n −1 n
Для знаходження автокореляції за заданими критеріями знайдемо залишки
заданого масиву. Різниця залишків ( ε i − ε i −1 ) і добуток залишків  ∑ ε i ⋅ ε i −1  , які
n

 i=2 
знаходяться починаючи з другого періоду:

Підставляючи значення в зазначені формули знаходимо значення критеріїв.

1.1. Критерій Дарбіна-Уотсона:
Критерій Дарбіна-Уотсона (DW):
n
∑ (ε i − ε i −1 )2
DW = i=2
n
= 2,21 ,
∑ε i
2

i =1

який може набувати значень із проміжку [0, 4]: DW ∈ [0,4] .

Критерій Дарбіна-Уотсона (DW) перевіряється з табличним значенням за
такою схемою:
ρ>0 ρ<0

DW1 DW2 2 4-DW2 4-DW1 4

0
Існує додатна Невизначе- Автокореляція Невизначе- Існує
автокореляція ність щодо відсутня ність щодо від’ємна
автокореляції автокореляції автокореляція

24
 DW1 та DW2 шукаються за табличним значенням (Примітка: спеціальної
функції в Ms Excel немає): де k ′ = m ; n – кількість спостережень; d L = DW1 ;
dU = DW2 .
Тоді,
DW1 DW2
α1 = 1 % 0,77 1,41
α2 = 5 % 1,00 1,68
Для додатної автокореляції залишків ці значення є межами п’яти інтервалів, за
якими можна дійти таких висновків:
1) 0 ≤ DW ≤ 0,77 – нульова гіпотеза відхиляється як з 1 %-м, так і за 5 %-м
рівнями значущості;
2) 0,77 ≤ DW ≤ 1,00 – нульова гіпотеза відхиляється з 5 %-м рівнем значущості;
для 1 %-го рівня значущості певних висновків зробити не можна;
3) 1,00 ≤ DW ≤ 1,41 – критерій не дає певних результатів як для одного, так і
для другого рівня значущості;
4) 1,41 ≤ DW ≤ 1,68 – нульова гіпотеза не відхиляється з 1 %-м рівнем
значущості, для 5 %-го рівня значущості певних висновків зробити не можна;
5) 1,68 ≤ DW ≤ 2,00 – нульова гіпотеза не відхиляється для обох рівнів
значущості.
Висновок робиться за схемою.
1.2. Критерій фон Неймана:
Критерій фон Неймана (Q):
n
Q = DW = 2,32 .
n −1
Критерій фон Неймана (Q) перевіряється з табличним значенням вибраного
рівня значущості ( α ) і заданої кількості спостережень – n (Примітка: спеціальної
функції в Ms Excel немає).
Додатна Від’ємна
Число
автокореляція (Q) автокореляція (Q)
спостережень ( n )
α1 = 5 % α2 = 1 % α1 = 5 % α2 = 1 %
20 1,37 1,10 3,12 2,84
Якщо Q < Q табл ( Q розр знаходиться в межах від 0 до 2), то існує додатна
автокореляція, у протилежному випадку – вона відсутня. Якщо Q > Qтабл ( Q розр
знаходиться в межах від 2 до 4), то існує від’ємна автокореляція, у протилежному
випадку – вона відсутня.
1.3. Циклічний коефіцієнт автокореляції:
Циклічний коефіцієнт автокореляції (r):
n
∑ ε i ⋅ ε i −1
r= i=2
n
= −0,135
∑ε t
2

i =1

n m
ρ= ⋅ r + = 0,00797
n −1 n
25
 Циклічний коефіцієнт автокореляції (r) перевіряється з табличним значенням
вибраного рівня значущості ( α ) і заданої кількості спостережень – n (Примітка:
спеціальної функції в Ms Excel немає).
Додатна Від’ємна
Число
автокореляція (r) автокореляція (r)
спостережень ( n )
α1 = 5 % α2 = 1 % α1 = 5 % α2 = 1 %
20 0,299 0,432 0,399 0,597
Якщо r ≤ 0,3 , то автокореляцією можна знехтувати, тобто це свідчить про
відсутність автокореляції залишків. Якщо r > 0,3 то можна стверджувати про
існування автокореляція залишків.

2. Побудувати матриці S та S-1

Побудова матриць S та S-1 здійснюються за формулами:

1 ρ ρ2 ρ3 ρ4 ρ5 ρ6 ρ7 ρ8ρ9 
 
ρ 1 ρ ρ2 ρ3 ρ4 ρ5 ρ6 ρ7ρ 
8

 2 
ρ ρ 1 ρ ρ2 ρ3 ρ4 ρ5 ρ6ρ7 
 ρ3 ρ2 ρ 1 ρ ρ2 ρ3 ρ4 ρ5ρ6 
 4 
ρ ρ3 ρ2 ρ ρ ρ2 ρ3 ρ4ρ5 
S = 5
1
ρ ρ4 ρ3 ρ2 ρ 1 ρ ρ2 ρ3ρ4 
 6 
ρ ρ5 ρ4 ρ3 ρ2 ρ 1 ρ ρ2ρ3 
 ρ7 ρ6 ρ5 ρ4 ρ3 ρ2 ρ 1 ρ ρ2 
 
 ρ8 ρ7 ρ6 ρ5 ρ4 ρ3 ρ2 ρ 1 ρ
 9 
ρ ρ8 ρ7 ρ6 ρ5 ρ4 ρ3 ρ2 ρ 1

 1 −ρ 0 0 0 0 0 0 0 0 
 
 − ρ 1 + ρ − ρ2 0
2
0 0 0 0 0 0 
 0 − ρ 1+ ρ − ρ 0 0 0 0 0 0 
 0 0 − ρ 1 + ρ2 − ρ 0 0 0 0 0 
 
−1 1  0 0 0 − ρ 1 + ρ2 − ρ 0 0 0 0 
S =
1 − ρ2  0 0 0 − ρ 1+ ρ − ρ 0 0 
2
0 0
 0 0 0 0 0 − ρ 1 + ρ2 − ρ 0 0 
 
 0 0 0 0 0 0 − ρ 1 + ρ2 − ρ 0 
 0 0 0 0 0 0 0 − ρ 1 + ρ2 − ρ
 0 0 0 −ρ 1 
 0 0 0 0 0
26
 Побудова матриць здійснюється за вище наведеними формулами, функції MS
Excel не використовуються.
Тоді:

3. Оцінити параметри моделі на основі оператора Ейткена, використавши

матриці S-1
Оператор оцінювання запишеться у такому вигляді:

β = (X ′S −1 X ) X ′S −1Y .
−1

27
 Запишемо матрицю пояснювальних змінних і вектор залежної змінної:

3.1. Для отримання X ′ використовуємо в MS Excel функцію ТРАНСП.

Спочатку Ви виокремлюєте пустий масив (4*20):

Ставимо знак «=» (Примітка: масив у вас залишається виокремленим):

28
 З всіх функцій вибираєте функцію ТРАНСП:

У Вас повинна з‘явитися таблиця:

В цю таблицю Ви виокремлюєте масив матриці X , де в перший стовбець

матриці записуються одиниці:

Щоб матриця заповнилася значеннями одночасно натискаємо

CTRL+SHIFT+ENTER. Тоді заповнена матриця X ′ буде мати вигляд:

29
 3.2. Наступним кроком є визначення матриці X ′S −1 . Для перемноження
матриць та векторів використовується функція МУМНОЖ. Матриця X ′S −1
знаходиться так само як і X ′ :
• Спочатку Ви виокремлюєте пустий масив (4*20), де m = 20;
• Ставимо знак «=» (Примітка: масив у вас залишається виокремленим);
• З всіх функцій вибираєте функцію МУМНОЖ:
• У Вас повинна з‘явитися таблиця:

В Массив 1 виокремлюєте матрицю X ′ , в Массив 2 – S −1 . (Примітка: Не

переплутайте матриці місцями!!!!)
• Щоб матриця заповнилася значеннями одночасно натискаємо
CTRL+SHIFT+ENTER. Тоді заповнена матриця X ′S −1 буде мати вигляд:

3.3. Далі визначається матриця X ′S −1 X . Для перемноження матриць та

векторів використовується функція МУМНОЖ. Матриця X ′S −1 X знаходиться так
само як і X ′S −1 :
19,85657 1716,649 899,5298 2430,478
X ′S X 1716,649
−1
150955,3 79228,91 212372,4
899,5298 79228,91 43836,64 111486,3
2430,478 212372,4 111486,3 299924,3
3.4. Для того щоб знайти матрицю ( X ′S −1 X ) −1 необхідно:
• Виокремити пустий масив (4*4);
• Поставити знак «=» (Примітка: масив у вас залишається
виокремленим);
• З всіх функцій вибираєте функцію МОБР;

30
 • Щоб матриця заповнилася значеннями одночасно натискаємо
CTRL+SHIFT+ENTER. Тоді заповнена матриця ( X ′S −1 X ) −1 буде мати
вигляд:
7,882916 0,056214 0,006149 -0,10597
( X ′S X )
−1 −1
0,056214 0,002243 -0,00018 -0,00198
0,006149 -0,00018 0,000449 -9,1E-05
-0,10597 -0,00198 -9,1E-05 0,002297

3.5. Для того щоб знайти вектор X ′S −1Y необхідно:

• Виокремити пустий масив (4*1):

• Поставити знак «=» (Примітка: масив у вас залишається

виокремленим);
З всіх функцій вибираєте функцію МУМНОЖ: В Массив 1 виокремлюєте
матрицю X ′S −1 , в Массив 2 – Y . (Примітка: Не переплутайте місцями матрицю
та вектор, тому що результат може бути не вірний!!!!)
• Щоб вектор заповнився значеннями одночасно натискаємо
CTRL+SHIFT+ENTER:
1199,354
X ′S Y 105403,5
−1

55196,04
148313,9

3.6. Для знаходження вектору β використовується формула

β = ( X ′S −1 X ) −1 X ′S −1Y :
• Виокремлюєте пустий масив (4*1);
• Ставимо знак «=» (Примітка: масив у вас залишається виокремленим);
З всіх функцій вибираєте функцію МУМНОЖ: В Массив 1 виокремлюєте
матрицю ( X ′S −1 X ) −1 , в Массив 2 – вектор X ′ S −1Y . (Примітка: Не переплутайте
місцями матрицю та вектор!!!!)

• Щоб вектор β заповнилася значеннями одночасно натискаємо

CTRL+SHIFT+ENTER. Тоді вектор β буде мати вигляд:
2,080319 β0
 0,708348 β1
β β2
-0,05408
-0,00382 β3
Для завершення цього пункту Ви повинні записати функцію регресії, а саме
31
замість β 0 , β 1 , β 2 та β 3 в функцію ( Y = β 0 + β1 X 1 + β 2 X 2 + ... + β m X m ) підставити
значення:
Yi * = 2,08 + 0,708 X 1 − 0,054 X 2 − 0,0038 X 3 .
4. Оцінити параметри моделі на основі перетворення вихідної інформації.
Для цього побудувати матрицю Т
Випадок, коли залишки задовольняють регресійну модель першого порядку,
допускає альтернативний підхід до пошуку оцінок параметрів моделі за
допомогою двокрокової процедури:
1) перетворення вихідної інформації із застосуванням для цього параметра ρ;
2) застосування 1МНК для оцінювання параметрів на основі перетворених
даних.
Для цього треба знайти матрицю перетворення T, щоб модель
 1− ρ2
 0 0 0 ... 0 
 −ρ 1 0 0 ... 0
T1 =  0 −ρ 1 0 ... 0
 0 0 − ρ 1 ... 0.
 ... ... ... ... ... ... 
 0
 0 0 0 ... 1 
Перемноживши матрицю T1 на вектор Y та матрицю Х отримаємо
перетворення даних в T1Y та T1 X , а це означає, що можна застосувати 1МНК до
перетворених даних:

 1 − ρ 2 y1 
 
 y 2 − ρ y1 
T1Y =  y3 − ρ y 2 
 y 4 − ρ y3  ;
 ... 
y − ρy 
 n n −1 

 1− ρ2
 1 − ρ 2 x11 ... 1 − ρ 2 x1m 
T1 X =  1 − ρ x12 − ρx11 ... x2m − ρx1m 
 ... ... ... ... .
 1− ρ
 xn − ρx1n −1
1
... xnm − ρxnm−1 
Перетворимо змінні Y* та X* на основі матриці T1:
Для цього перемножимо отриману матрицю (T1) за формулою на матрицю

32
пояснювальних змінних (X) і вектор залежної змінної (Y) (функція МУМНОЖ):

Після запису новоутвореного масиву (Y* та X*) розраховуємо оцінки

параметрів моделі, які знаходимо за функцією ЛИНЕЙН

Yi * = 2,08 + 0,708 X 1 − 0,054 X 2 − 0,0038 X 3 .

5. Виконати точковий та інтервальний прогноз
Знаходження точкового прогнозу відбувається

за формулою:
y p = X ′p ⋅ β + ρ ⋅ ε i ,
де X p – це прогнозоване (очікуване) значення незалежної змінної, яке задається;
ρ – скорегований циклічний коефіцієнт (0,007968); ε i – останній елемент залишків,
здобутих методом 1МНК (-0,25906).
X ′p – його транспоноване значення (функція ТРАНСП).
33
 Вектор X p Ви задаєте самостійно (Примітка: перший елемент вектора X p
повинен = 1). Наприклад:
1
Xp 140
210
150
Для знаходження y p використовується функція МУМНОЖ: В Массив 1

виокремлюєте вектор X ′p , в Массив 2 – β ( Y – початкові дані задачі). (Примітка:
Не переплутайте місцями матрицю та вектор!!!!). Потім до знайденого масиву

X ′p β додається ρ ⋅ ε i .
y p = 89,31649
Для знаходження інтервального прогнозу використовується така формула:
y p − tα S y p ≤ y p ≤ y p + tα S y p ,

де S y р = σ ε2 X ′р (X ′S −1 X ) X р , σ ε2 =
−1 1
⋅ ε ′S −1ε , tα – табличне значення t табл .
n−m
Далі розраховується σ ε2 :
• за функцією МУМНОЖ знаходиться число ε ′S −1ε :

• розраховується σ ε2 за формулою:

Потім перемножуєте через функцію МУМНОЖ X ′p ( X ′S −1 X ) −1 X p , а потім

берете КОРЕНЬ з σ ε2 X ′p ( X ′S −1 X ) −1 X p . В кінці знайдені значення S y p та y p ( y p ,
який Ви знайшли в точковому прогнозі) підставляєте в:
y p − tα S y p ≤ y p ≤ y p + tα S y p .

В результаті ви отримаєте:

34
 6. Зробити порівняльний аналіз кількісних характеристик взаємозв’язку
отриманих методом найменших квадратів (1МНК) та методом Ейткена

Цей пункт порівнюється з β , R 2 , F , tβ j , Yp та з пунктом 7 Лабораторної
роботи №1.

За методом Ейткена знаходяться β та визначаються за формулами R 2 , F , tβ j .

35
 Додатково Вам потрібно розрахувати такі показники:
Середня ефективність показує, як у середньому зміниться Y, якщо
відповідний X j чинник зміниться на одиницю, при цьому решта m–1 є сталими:
Y
Пj = .
Xj
Гранична ефективність характеризує граничну зміну Y чинників залежно від
зміни певного чинника на одиницю за умови, що решта чинників не змінюються:
∂Y *
µi = = β *j .
∂xi
Коефіцієнт еластичності характеризує на скільки процентів зміниться Y,
якщо X j зміниться на 1%:
Y
EY / Xj = β *j : .
Xj
Примітка: скільки у Вас Х стільки у Вас буде розраховано П j , µ j , E Y / X j (де
Y – середнє значення Y , X j – середні значення X j ).
Гранична норма заміщення показує, на скільки слід збільшити чинник X j ,
щоб зі зменшенням Xk на одиницю Y залишався без змін:
∂Y * ∂Y * β k*
hkj = − : =− * .
∂X j ∂X k βj
де β j та β k – параметр вибіркового рівняння регресії при пояснюючій змінній X j та
Xk.
36
 Загальна еластичність (сумарна) показує, що коли всі враховані нами
чинники збільшуються на 1%, то Y зменшується або збільшується на відповідний %.
m
A = ∑ EY / X j .
j =1

37
 ПРИКЛАД ОФОРМЛЕННЯ ЗВІТУ З ЛАБОРАТОРНОЇ РОБОТИ В MS
WORD

Економічна постановка завдання. Для отримання прибутку в плановому періоді

фірма поклала за мету дослідити кількісний зв’язок між прибутком та основними
ресурсами, що на нього впливають.
На основі статистичної інформації завдання, необхідно побудувати
економетричну модель з автокорельованими залишками.

Прибуток Інвестиції ОВФ ФРЧ

Місяць
Y X1 Х2 Х3
1 49 72 37 107
2 51 75 40 112
3 52 67 32 102
4 52 76 42 117
5 54 79 42 119
6 49 68 35 113
7 56 82 47 112
8 55 80 45 118
9 58 85 49 117
10 61 87 50 113
11 59 87 48 127
12 64 92 52 122
13 65 90 2 123
14 67 95 54 132
15 66 93 53 135
16 64 91 51 134
17 69 97 55 127
18 71 101 57 137
19 72 105 58 139
20 74 107 57 142

Структура роботи:
1. Дослідити наявність автокореляції на основі критерії.
2. Побудувати матриці S та S-1.
3. Оцінити параметри методом Ейткена.
4. Оцінити параметри моделі на основі перетворення вихідної інформації.
Для цього побудувати матрицю Т.
5. Виконати точковий та інтервальний прогноз.
6. Зробити порівняльний аналіз кількісних характеристик взаємозв’язку
отриманих методом 1МНК та методом Ейткена при гетероскедастичності та
автокореляції.
38
 Опис роботи:

1. Дослідити наявність автокореляції на основі критерії

Перевіряємо масив на автокореляції за такими критеріями:
• Критерій Дарбіна-Уотсона:
n
∑ (ε i − ε i −1 )2
DW = i=2
n
;
∑ε i
2

i =1

• фон Неймана:
n
Q = DW ;
n −1
• циклічний коефіцієнт автокореляції:
n
∑ ε i ⋅ ε i −1 n m
r= i=2
; ρ= ⋅r + .
n
n −1 n
∑ ε t2
i =1
Для знаходження автокореляції за заданими критеріями знайдемо залишки
заданого масиву. Різниця залишків ( ε i − ε i −1 ) і добуток залишків  ∑ ε i ⋅ ε i −1  , які
n

 i=2 
знаходяться починаючи з другого періоду:

39
 Підставляючи значення в зазначені формули знаходимо значення критеріїв.
1.1. Критерій Дарбіна-Уотсона:
Критерій Дарбіна-Уотсона (DW):
n
∑ (ε i − ε i −1 )2
DW = i=2
n
= 2,21 .
∑ε i
2

i =1
Отже, DW < 2 і менше 4 − DW 2 , тому за цим критеріям автокореляція
відсутня.
1.2. Критерій фон Неймана:
Критерій фон Неймана (Q):
n
Q = DW
= 2,32 .
n −1
Фактичне розрахункове значення Q порівнюєте Qтабл за n = 20 і при α = 0,05 :
Додатна Від’ємна
Число
автокореляція (Q) автокореляція (Q)
спостережень ( n )
α1 = 5 % α2 = 1 % α1 = 5 % α2 = 1 %
20 1,37 1,10 3,12 2,84
Оскільки Q > Q табл , то автокореляція відсутня.
1.3. Циклічний коефіцієнт автокореляції:
Циклічний коефіцієнт автокореляції (r):
n
∑ ε i ⋅ ε i −1 n m
r= i=2
= −0,135 ; ρ = ⋅ r + = 0,00797
n
n −1 n
∑ ε t2
i =1
Фактичне розрахункове значення r порівнюєте r табл за n = 20 і при α = 0,05 :
Додатна Від’ємна
Число
автокореляція (r) автокореляція (r)
спостережень ( n )
α1 = 5 % α2 = 1 % α1 = 5 % α2 = 1 %
20 0,299 0,432 0,399 0,597
Отже, в нашому випадку r ≤ 0,299 , то автокореляцією можна знехтувати,
тобто це свідчить про відсутність автокореляції залишків.
2. Побудувати матриці S та S-1
Побудуємо матрицю , яка має вигляд:
 1 −ρ 0 0 0 0 0 0 0 0 
 
 − ρ 1 + ρ 2
− ρ 0 0 0 0 0 0 0 
 0 − ρ 1 + ρ2 − ρ 0 0 0 0 0 0 
 0 0 − ρ 1 + ρ2 − ρ 0 0 0 0 0 ,
 
−1 1  0 0 0 − ρ 1 + ρ2 − ρ 0 0 0 0 
S =
1 − ρ2  0 0 0 0 − ρ 1 + ρ2 − ρ 0 0 0 
 0 0 0 0 0 − ρ 1 + ρ2 − ρ 0 0 
 
 0 0 0 0 0 0 − ρ 1 + ρ2 − ρ 0 
 0 0 0 0 0 0 0 − ρ 1 + ρ2 − ρ
 0 0 0 −ρ 1 
 0 0 0 0 0

40
 1 ρ ρ 2 ρ 3 ρ 4 ρ 5 ρ 6 ρ 7 ρ8 ρ 9 
 
ρ 1 ρ ρ 2 ρ 3 ρ 4 ρ 5 ρ 6 ρ 7 ρ8 
 2 
ρ ρ 1 ρ ρ 2 ρ3 ρ 4 ρ5 ρ 6 ρ 7 
 ρ3 ρ 2 ρ 1 ρ ρ 2 ρ3 ρ 4 ρ5 ρ 6 
 4 
ρ ρ3 ρ 2 ρ 1 ρ ρ 2 ρ3 ρ 4 ρ5 
S = 5
ρ ρ 4 ρ3 ρ 2 ρ 1 ρ ρ 2 ρ3 ρ 4 
 6 
ρ ρ5 ρ 4 ρ3 ρ 2 ρ 1 ρ ρ 2 ρ3 
 ρ7 ρ 6 ρ5 ρ 4 ρ3 ρ 2 ρ 1 ρ ρ 2 
 
 ρ8 ρ ρ ρ ρ ρ ρ ρ 1 ρ
7 6 5 4 3 2

 9 
ρ ρ8 ρ 7 ρ 6 ρ 5 ρ 4 ρ 3 ρ 2 ρ 1 
Тоді, матриця S-1:
1,00803 -0,00803 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 
 - 0,00803 1,00809 -0,00803 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 
0 -0,00803 1,00809 -0,00803 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 -0,00803 1,00809 -0,00803 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 
0 0 0 -0,00803 1,00809 -0,00803 0 0 0 0 0 0 0 0 0 0 0 0 0 0 
0 0 0 0 -0,00803 1,00809 -0,00803 0 0 0 0 0 0 0 0 0 0 0 0 0 
0 0 0 0 0 -0,00803 1,00809 -0,00803 0 0 0 0 0 0 0 0 0 0 0 0 
0
 0 0 0 0 0 -0,00803 1,00809 -0,00803 0 0 0 0 0 0 0 0 0 0 0 
 0 0 0 0 0 0 0 -0,00803 1,00809 -0,00803 0 0 0 0 0 0 0 0 0 0 
S −1 = 0 0 0 0 0 0 0 0 -0,00803 1,00809 -0,00803 0 0 0 0 0 0 0 0 0 
0 0 0 0 0 0 0 0 0 -0,00803 1,00809 -0,00803 0 0 0 0 0 0 0 0 
0 0 0 0 0 0 0 0 0 0 -0,00803 1,00809 -0,00803 0 0 0 0 0 0 0 
0 0 0 0 0 0 0 0 0 0 0 -0,00803 1,00809 - 0,00803 0 0 0 0 0 0 
0 0 0 0 0 0 0 0 0 0 0 0 -0,00803 1,00809 -0,00803 0 0 0 0 0 
0 0 0 0 0 0 0 0 0 0 0 0 0 -0,00803 1,00809 -0,00803 0 0 0 0 
0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0,00803 1,00809 -0,00803 0 0 0 
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0,00803 1,00809 -0,00803 0 0 
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0,00803 1,00809 -0,00803 0 
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0,00803 1,00809 -0,00803
0 
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0,00803 1,00809 

Матриця S має вигляд:

41
 Побудовані матриці S та S , які коригують інформацію за наявності
–1

автокореляції, свідчать про необхідність врахувати можливу зміну залишків для

кожного спостереження.

3. Оцінити параметри моделі на основі оператора Ейткена, використавши

матриці S-1

Оператор оцінювання запишеться у такому вигляді: β = (X ′S −1 X ) X ′S −1Y .
−1

Запишемо матрицю пояснювальних змінних і вектор залежної змінної:

1 72 37 107   49 
1 75 40 112   51 
1 67 32 102   52 
1 76 42 117   52 
1 79 42 119   54 
1 68 35 113   49 
1 82 47 112   56 
1 80 45 118   55 
  58 
1 85 49 117 
X = 11 87 50 113  Y 61 
=  59 
 87 48 127 
 64 
1 92 52 122   65 
1 90 2 123   67 
1 95 54 132   66 
1 93 53 135   64 
1 91 51 134   69 
1 97 55 127   71 
1 101 57 137   72 
1 105 58 139   74 
1 142 
 107 57
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ;
 107 
X ′ =  72 75 67 76 79 68 82 80 85 87 87 92 90 95 93 91 97 101 105
37 40 32 42 42 35 47 45 49 50 48 52 2 54 53 51 55 57 58 57 
107 142 
 112 102 117 119 113 112 118 117 113 127 122 123 132 135 134 127 137 139

1 0,9920 0,9920 0,9920 0,9920 0,9920 0,9920 0,9920 0,9920 0,9920


X ′S −1 =  71,9759 74,4907 66,3296 75,4426 78,4830 67,2574 81,4751 79,3063 84,3468 86,3228
36,9759 39,7696 31,6004 41,7457 41,7216 34,5685 46,7379 44,5932 48,6337 49,6257
106,9598 111,2280 100,9864 116,1721 118,1160 112,0594 111,0513 117,1160 116,0918 111,9550

0,9920 0,9920 0,9920 0,9920 0,9920 0,9920 0,9920 0,9920 0,9920 1 
86,2666 91,3231 89,2266 94,2992 92,2590 90,2106 96,2431 100,1952 104,1794 107,01611 ;
47,5693 52,0194 1,1648 53,9954 52,5857 50,5454 54,5778 56,5538 57,5539 56,9920 
126,1406 120,9797 121,9556 130,9964 133,9564 132,9804 125,8515 135,9726 137,8844 142,024 

 19,85657 1716,65 899,53 2430,48 

 1716,649 150955 79228,9 212372 
X ′S −1 X =  ;
 899,5297 79228,9 43836,6 111486 
 2430,477 212372 111486 299924 

42
  7,88291569 0,05621 0,00615 - 0,10597 
 0,05621446 0,00224 - 0,00018 - 0,00198 
(X ′S −1
X)
−1
= ;
 0,00614921 - 0,00018 0,00045 - 9,1E - 05 
 - 0,10597076 - 0,00198 - 9,1E - 05 0,0023 
 1199,354 
105403,455 
X ′S −1Y =  .
 55196,036 
148313,929 

Запишемо оцінки параметрів моделі за методом Ейткена:

 2,080319 
  0,708348 
β = ,
 - 0,054081 
 - 0,003822 
Yi * = 2,08 + 0,708 X 1 − 0,054 X 2 − 0,038 X 3 .
Одночасно нагадаємо, що оцінки параметрів моделі за 1МНК та методом
Ейткена (за гетероскедастичності) дорівнюють:

1,98378603   9,136209 
     
β =  0,70764333 β =  0,691006
- 0,07797  .
- 0,0542305  ;
 - 0,0024747   - 0,04392 
   
Як бачимо, оцінки параметрів моделі, що оцінені методом Ейткена і 1МНК,
значно відрізняються. Якщо існує автокореляція в моделі, то метод Ейткена
уточнює кількісні характеристики зв’язку.

4. Перетворити вихідну інформацію за допомогою інформації матриці T та

за допомогою стандартної функції „ЛИНЕЙН" побудувати економетричну
модель
Для цього треба знайти матрицю перетворення T:

 1− ρ2
 0 0 0 ... 0 
 −ρ 1 0 0 ... 0
T1 =  0 −ρ 1 0 ... 0
 0 0 − ρ 1 ... 0
 ... ... ... ... ... ... 
 0 1 
 0 0 0 ...

43
  0,999 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 
 - 0,0079 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 -0,0079 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 -0,0079 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 -0,0079 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 -0,0079 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 -0,0079 1 0 0 0 0 0 0 0 0 0 0 0 0 0
0
 0 0 0 0 0 -0,0079 1 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 -0,0079 1 0 0 0 0 0 0 0 0 0 0 0
T1 =  0 0 0 0 0 0 0 0 -0,0079 1 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 -0,0079 1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 -0,0079 1 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 -0,0079 1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 -0,0079 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 -0,0079 1 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0,0079 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0,0079 1 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0,0079 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0,0079 1 0
0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0,0079 1 

Тоді, новоутвореного масиву (Y* та X*) буде мати вигляд:

Y* Х0* Х1* Х2* Х3*
48,99844439 0,999968253 71,99771 36,99883 106,9966
50,60955547 0,992031744 74,42629 39,70517 111,1474
51,59361896 0,992031744 66,40238 31,68127 101,1076
51,5856507 0,992031744 75,46613 41,74502 116,1872
53,5856507 0,992031744 78,39441 41,66533 118,0677
48,56971419 0,992031744 67,37051 34,66533 112,0518
55,60955547 0,992031744 81,45816 46,72111 111,0996
54,55377768 0,992031744 79,3466 44,62549 117,1076
57,56174593 0,992031744 84,36254 48,64143 116,0597
60,53784116 0,992031744 86,3227 49,60956 112,0677
58,5139364 0,992031744 86,30676 47,60159 126,0996
63,52987291 0,992031744 91,30676 51,61752 120,988
64,49003163 0,992031744 89,26692 1,585651 122,0279
66,48206337 0,992031744 94,28286 53,98406 131,0199
65,46612686 0,992031744 92,24302 52,56971 133,9482
63,47409512 0,992031744 90,25895 50,57768 132,9243
68,49003163 0,992031744 96,27489 54,59362 125,9323
70,45019035 0,992031744 100,2271 56,56175 135,988
71,43425384 0,992031744 104,1952 57,54581 137,9083
73,42628558 0,992031744 106,1633 56,53784 140,8924
Після запису новоутвореного масиву (Y* та X*) розраховуємо оцінки
параметрів моделі, які знаходимо за функцією ЛИНЕЙН:

Yi * = 2,08 + 0,708 X 1 − 0,054 X 2 − 0,038 X 3 .

44
 Оцінки параметрів моделі, розраховані методом Ейткена з використанням
матриці S і визначені через матрицю Т (перетворення вихідної інформації),
–1

однакові.

5. Виконати точковий та інтервальний прогноз

Знаходження точкового прогнозу відбувається

за формулою:
y p = X ′p ⋅ β + ρ ⋅ ε i ,
де X p – це прогнозоване (очікуване) значення незалежної змінної, яке задається;
ρ – скорегований циклічний коефіцієнт (0,007968); ε i – останній елемент залишків,
здобутих методом 1МНК (-0,25906); X ′p – його транспоноване значення.
Запишемо вектор X p прогнозованих пояснювальних:
1
Xp 140
210
150
Тоді прогнозне значення прибутку буде таким: y p = 89,32 .
Для того, щоб знайти інтервальний прогноз прибутку, необхідно обчислити
стандартну похибку прогнозу. Вона визначається за формулою:

S y р = σ ε2 X ′р (X ′S −1 X ) X р
−1
,

1
σ ε2 = ⋅ ε ′S −1ε ,
n−m
σ ε2 = 2,66 .
σ ε2 X p′ = (7,29611 1021,456 1532,183 1094,42 ) ,

4,915687 0,0248306 0,002858954 -0,060194511

(X ′S −1
⋅X) =
−1 0,024831 0,001156364 -0,000146625 -0,000949691
0,002859 -0,00014662 0,000343037 -4,64429E-05
-0,06019 -0,00094969 -4,64429E-05 0,001183213
σ ε2 X ′р (X ′S −1 X ) X р = 8,77 ,
−1

S y р = 2,96
Для знаходження інтервального прогнозу використовується така формула:
y p − tα S y p ≤ y p ≤ y p − tα S y p ,
де tα – табличне значення tтабл = 2,11 .
Отже, прогнозне значення прибутку змінюватиметься в інтервалі:
83,039 ≤ y p ≤ 95,59 .

45
 6. Зробити порівняльний аналіз кількісних характеристик взаємозв’язку
отриманих методом найменших квадратів (1МНК) та методом Ейткена

Для порівняння значень побудуємо таку таблицю:

Кількісні метод Ейткена метод Ейткена

характеристики 1МНК при при
взаємозв’язку гетероскедастичності автокореляції
Оцінки 1,98378603   9,136209   2,080319 
     0,691006    0,708348 
параметрів β =  0,70764333
- 0,0542305 
β =  - 0,07797  β =  - 0,05408 
моделі  - 0,0024747   - 0,04392   - 0,00382 
     
R2 R = 0,963
2
R = 0,948
2
R = 0,963
2

F F = 137,7 F = 97,99 F = 137,7

 0,42   2,082   0,44 
 8,84   10,26   8,89 
tβ j tβ j   tβ j   tβ j  
 1,51   2,137   1,52 
 0,031  0,645   0,047 
Yp Y p = 89,29 Y p = 82,82 Y p = 89,32
П1 = 0,698669751 П1 = 0,698669751 П1 = 0,698669751
Середня
П2 = 1,333333333 П2 = 1,333333333 П2 = 1,333333333
ефективність
П3 = 0,493464052 П3 = 0,493464052 П3 = 0,493464052
μ 1 = 0,707643331 μ 1 = 0,691006022 μ 1 = 0,708348064
Гранична
μ 2 = -0,0542305 μ 2 = -0,07797371 μ 2 = -0,054081394
ефективність
μ 3 = -0,00247476 μ 3 = -0,04392304 μ 3 = -0,003822658
Е 1 = 1,012843807 Е 1 = 0,989030971 Е 1 = 1,013852485
Коефіцієнт
Е 2 = -0,04067288 Е 2 = -0,05848028 Е 2 = -0,040561045
еластичності
Е 3 = -0,00501507 Е 3 = -0,0890096 Е 3 = -0,007746578
h12 = 0,077 h12 = 0,113 h12 = 0,0763
h13 = 0,0035 h13 = 0,064 h13 = 0,0054
Норма
h21 = 13,049 h21 = 8,862 h21 = 13,098
заміщення
h23 = -0,046 h23 = -0,563 h23 = -0,0707
чинників
h31 = 285,94 h31 = 15,732 h31 = 185,302
h32 = -21,91 h32 = -1,775 h32 = -14,147
Сумарна
(загальна) А = 0,96715586 А = 0,841541089 А = 0,965544862
еластичність
Висновки:
Порівнюючи оцінки параметрів моделі, здобутих за допомогою 1МНК і
методом Ейткена при автокореляції, доходимо висновку, що загальна тенденція
впливу чинників на прибуток не змінилась, проте рівень оцінок став дещо іншим. Ці
зміни є незначними. Деякі параметри збільшилися, деякі – зменшились. Такі зміни
зумовлені сутністю методу Ейткена, який уточнює параметри моделі за наявності
незначних взаємозв’язків залишків.

46
 Як бачимо з наведених даних, усі характеристики дисперсійного аналізу ( R 2 ,
F , tβ j ) за методом Ейткена та за методом 1МНК практично однакові, оскільки за
обраними критеріями автокореляція відсутня.
Очікуваний рівень залежної змінної на основі економетричної моделі,
побудованої за методом Ейткена та за методом 1МНК практично однакові, оскільки
автокореляція в моделі відсутня.
І нарешті
• Середня ефективність:
Показник отриманий методом найменших квадратів (1МНК) та методом
Ейткена однаковий. Отже, можна зробити висновок, що при змінні інвестицій на 1
гр.од., прибуток зміниться в середньому на 0,699 гр.од., якщо всі інші чинники
будуть константами. Так само при змінні ОВФ на 1 гр.од. прибуток збільшиться на
1,33 гр.од., якщо решта чинників – константами; при зміні ФРЧ на 1 тис.л/год.
прибуток зміниться на 0,493 гр.од. за умови сталості всіх інших чинників.
• Гранична ефективність:
Значення граничної ефективності дещо відрізняються. Для моделі за методом
Ейткена: якщо інвестиції на 1 гр.од.,то прибуток гранично зросте на 0,708 гр.од. за
умови, що інші чинники будуть сталими. Аналогічно, якщо на 1 гр.од. збільшиться
ОВФ та на 1 тис. л/год. – ФРЧ, то прибуток зменшиться на 0,054 та відповідно 0,004
гр.од. за умови незмінності всіх інших чинників
• Коефіцієнт еластичності:
Значення граничної ефективності теж дещо відрізняються: якщо інвестиції
збільшуються на 1%, то прибутковість підвищується на 1,013% за умови, що решта
чинників сталі. Якщо ж ОВФ та ФРЧ збільшуються на 1%, то прибуток спаде
відповідно на 0,041% та 0,008% за умови сталості інших чинників.
• Норма заміщення чинників:
Обчислені показники свідчать, що в разі збільшення інвестицій на 1 гр.од.
коефіцієнт ОВФ збільшиться на 0,0763 (за умови, що решта не зміняться) за
незмінного прибутку. Аналогічно за цих самих умов у разі зміни рівня інвестицій
необхідно збільшити ФРЧ на 0,0054 тис. л/год.
Аналогічно розраховуються всі інші hkj .
Якщо коефіцієнт ОВФ збільшити на 1 гр.од., то за умови незмінності інших
чинників і прибутку, інвестиції збільшаться на 13,098 гр.од., а ФРЧ зменшиться на
0,071 тис. л/год.
Зі збільшенням ФРЧ (фонд робочого часу) на 1 тис. л/год. інвестиції
збільшаться на 185,302 гр.од., а ОВФ зменшаться на 14,147 гр.од. за умови
незмінності інших факторів і прибутку.
• Сумарна (загальна) еластичність:
Для сумарної еластичністі, здобутої методом Ейткена якщо всі враховані
нами чинники збільшиться на 1%, то прибуток зросте на 0,965%.
Загальний висновок. За наявності автокореляції метод Ейткена дає
обґрунтовані та незміщені оцінки параметрів моделі. Це зумовлюється тим, що метод
Ейткена вимагає включення системної складової залишків.

47