1. Случайный характер остатков (критерий поворотных точек, критерий пиков):
,
где n- количество наблюдений;
m – количество поворотных точек (пиков).
Точка считается поворотной, если она больше предшествующей и последующей (или меньше).
является поворотной точкой
является поворотной точкой
не является поворотной точкой
не является поворотной точкой
не является поворотной точкой
является поворотной точкой
не является поворотной точкой
является поворотной точкой.
m=4
m=4>2, следовательно неравенство выполняется, свойство выполняется.
2. Независимость значений остатков (отсутствие автокорреляции). Критерий Дарбина-Уотсона.
x | y | ||||
17 | 26 | 24,718 | 1,282 | 1,6435 | * |
22 | 27 | 28,523 | -1,523 | 2,3195 | 7,8680 |
10 | 22 | 19,391 | 2,609 | 6,8069 | 17,0734 |
7 | 19 | 17,108 | 1,892 | 3,5797 | 0,5141 |
12 | 21 | 20,913 | 0,087 | 0,0076 | 3,2580 |
21 | 26 | 27,762 | -1,762 | 3,1046 | 3,4188 |
14 | 20 | 22,435 | -2,435 | 5,9292 | 0,4529 |
7 | 15 | 17,108 | -2,108 | 4,4437 | 0,1069 |
20 | 30 | 27,001 | 2,999 | 8,9940 | 26,0814 |
3 | 13 | 14,064 | -1,064 | 1,1321 | 16,5080 |
133 | 219 | * | -0,023 | 37,9608 | 75,2816 |
|
|
сравниваем с двумя табличными:
, следовательно, свойство выполняется, остатки независимы.
3. Подчинение остатков нормальному закону (R/S критерий).
Расчётный критерий сравниваем с двумя табличными, если расчётный критерий попадает внутрь табличного интервала, то свойство выполняется.
(2,67;3,57)
1,216 < 2,67, следовательно, свойство не выполняется, остатки не подчинены нормальному закону.
4. Проверка равенства М(Е)=0, средняя величина остатков равна 0 (критерий Стьюдента).
Если < , то свойство выполняется.
2,2281
, следовательно, свойство выполняется.
5. Гомоскедастичность остатков, то есть дисперсия остатков () одинаково для каждого значения (остатки имеют постоянную дисперсию).
Если дисперсия остатков неодинакова, то имеет место гетероскедастичность.
Если предпосылки не выполняются, то модель нужно уточнять. Применяем тест Голдфельд-Квандта:
1) упорядочить (ранжировать) наблюдения по мере возрастания фактора «Х».
2) исключить d-средних наблюдений.
,
где n – количество наблюдений.
2) разделить совокупность на две группы: с малыми и большими значениями «Х» и для каждой из частей найти уравнение регрессии.
3) найти остаточную сумму квадратов отклонений () для каждого уравнения регрессии.
4) применяют критерий Фишера:
Если , то гетероскедастичность имеет место, то есть пятая предпосылка не выполняется.
X | Y |
17 | 22 |
22 | 27 |
10 | 22 |
7 | 19 |
12 | 21 |
21 | 26 |
14 | 20 |
7 | 15 |
20 | 30 |
3 | 13 |
Упорядочим наблюдениям по мере возрастания переменной Х:
|
|
X | Y |
3 | 13 |
7 | 19 |
7 | 15 |
10 | 22 |
12 | 21 |
14 | 20 |
17 | 22 |
20 | 30 |
21 | 26 |
22 | 27 |
X5=12; Y5=21 и Х6=14; Y6=20 исключаем.
; n=10
x | y | ||||
3 | 13 | 9 | 12,517 | 0,483 | 0,2333 |
7 | 19 | 49 | 17,569 | 1,431 | 2,0478 |
7 | 15 | 49 | 17,569 | -2,569 | 6,5998 |
10 | 22 | 100 | 21,358 | 0,642 | 0,4122 |
27 | 69 | 207 | * | -0,013 | 9,2930 |
n=4
x | y | ||||
17 | 22 | 289 | 23,25 | -1,25 | 1,5625 |
20 | 30 | 400 | 26,25 | 3,75 | 14,0625 |
21 | 26 | 441 | 27,25 | -1,25 | 1,5625 |
22 | 27 | 484 | 28,25 | -1,25 | 4,5625 |
80 | 105 | 1614 | * | 0 | 18,75 |
n=4
, так как
, значит, пятая предпосылка выполняется, следовательно, модель нужно адекватна.
4. Осуществить проверку значимости параметров уравнения регрессии с помощью t-критерия Стьюдента (α=0,05).
;
x | y | |||||
17 | 26 | 289 | 24,718 | 1,282 | 1,6435 | 13,69 |
22 | 27 | 484 | 28,523 | -1,523 | 2,3195 | 75,69 |
10 | 22 | 100 | 19,391 | 2,609 | 6,8069 | 1,89 |
7 | 19 | 49 | 17,108 | 1,892 | 3,5797 | 39,9 |
12 | 21 | 144 | 20,913 | 0,087 | 0,0076 | 1,69 |
21 | 26 | 441 | 27,762 | -1,762 | 3,1046 | 59,29 |
14 | 20 | 196 | 22,435 | -2,435 | 5,9292 | 0,49 |
7 | 15 | 49 | 17,108 | -2,108 | 4,4437 | 39,69 |
20 | 30 | 400 | 27,001 | 2,999 | 8,9940 | 44,89 |
3 | 13 | 9 | 14,064 | -1,064 | 1,1321 | 106,09 |
133 | 219 | 2161 | * | -0,023 | 37,9608 | 392,1 |
, следовательно, параметр значим.
, следовательно, коэффициент регрессии значим.
Интервальная оценка:
а0: 11,781 2,31*1,617
а0: 11,781 3,735
Нижняя граница: 11,781-3,735=8,046
Верхняя граница: 11,781+3,735=15,516
а0: (8,046 15,516), следовательно, параметр а0 значим, так как в эти границы не попадает 0.
а1: 0,761 2,31*0,11
а1: 0,761 0,2541
Нижняя граница: 0,761-0,254=0,507
Верхняя граница: 0,761+0,254=1,015
а1: (0,507 1,015), следовательно, коэффициент регрессии а1 значим, так как в эти границы не попадает 0.
5. Вычислить коэффициент детерминации, проверить значимость уравнения регрессии с помощью F-критерия Фишера (α=0,05), найти среднюю относительную ошибку аппроксимации. Сделать вывод о качестве модели.
Для нахождения коэффициента детерминации найдём коэффициент парной корреляции:
Проверяем значимость по критерию Стьюдента:
, следовательно, значим.
=0,926, то есть связь между переменными y и x очень тесная (то есть близко к 1) и прямая (так как больше 0).
Находим коэффициент детерминации:
, то есть 85,8% - изменение объёма выпуска продукции (зависимой переменной «y») происходит под влиянием объёма капиталовложений (фактора «х», включённого в модель).
Значимость уравнения регрессии по критерию Фишера:
, следовательно, уравнение регрессии значимо, модель адекватна.
Средняя относительная ошибка аппроксимации:
x | y | |||
17 | 26 | 24,718 | 1,282 | 0,0493 |
22 | 27 | 28,523 | -1,523 | 0,0564 |
10 | 22 | 19,391 | 2,609 | 0,1186 |
7 | 19 | 17,108 | 1,892 | 0,0996 |
12 | 21 | 20,913 | 0,087 | 0,0041 |
21 | 26 | 27,762 | -1,762 | 0,0678 |
14 | 20 | 22,435 | -2,435 | 0,1218 |
7 | 15 | 17,108 | -2,108 | 0,1405 |
20 | 30 | 27,001 | 2,999 | 0,1000 |
3 | 13 | 14,064 | -1,064 | 0,0818 |
133 | 219 | * | -0,023 | 0,7332 |
Так как , значит модель не достаточно точная.
F-критерий намного больше табличного значения, коэффициент детерминации очень близок к 1, а относительная ошибка аппроксимации составляет 7,33%. На основании рассчитанных критериев можно сделать вывод о хорошем качестве модели.
6. Осуществить прогнозирование среднего значения показателя Y при уровне значимости α=0,1, если прогнозное значение фактора X составляет 80% от его максимального значения.
-прогноз факторного признака (объема капиталовложений).
- точечный прогноз.
(17,6; 25,2) – точка должна лежать на графике модели.
Интервальный прогноз:
25,2 1,86 1,81
25,2 3,37
Нижняя граница: 25,2-3,37=21,83
Верхняя граница: 25,2+3,37=28,57
То есть при уровне значимости =0,1, если прогнозное значение фактора «Х» составит 80% от его максимального значения или 17,6, точечный прогноз среднего значения «Y» по линейной модели составит 25,2. Доверительный интервал: 21,83 28,57.
Представить графически фактические и модельные значения Y точки прогноза рис. 3.
|
|
Рис. 3
8. Составить уравнения нелинейной регрессии:
· Гиперболической;
· Степенной;
· Показательной.