Professional Documents
Culture Documents
Робочий файл для виконання Лабораторної роботи №4
Робочий файл для виконання Лабораторної роботи №4
ЗМІСТ
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
4
Варіант 5 Варіант 6
5
Варіант 7 Варіант 8
6
Варіант 9 Варіант 10
7
Варіант 11 Варіант 12
8
Варіант 13 Варіант 14
9
Варіант 15 Варіант 16
10
Варіант 17 Варіант 18
11
Варіант 19 Варіант 20
12
Варіант 21 Варіант 22
13
Варіант 21 Варіант 22
14
Варіант 23 Варіант 24
15
Варіант 25 Варіант 26
16
Варіант 27 Варіант 28
17
Варіант 29 Варіант 30
18
МЕТОДИЧНІ ВКАЗІВКИ ДЛЯ ПОБУДОВИ ЕКОНОМЕТРИЧНИХ
МОДЕЛЕЙ ЗА ДОПОМОГОЮ ПЕОМ
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
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:
i =1
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.
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:
27
Запишемо матрицю пояснювальних змінних і вектор залежної змінної:
28
З всіх функцій вибираєте функцію ТРАНСП:
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:
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
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):
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:
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
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:
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
41
Побудовані матриці S та S , які коригують інформацію за наявності
–1
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
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.
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
однакові.
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 ) ,
(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
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