Эконометрика лекции
Результаты расчетов
Результаты расчетов по последней модели, по нашему мнению, практически не могут быть улучшены, так как средняя абсолютная ошибка находится в пределах ошибки сбора данных. Уравнение полностью адекватно исходным данным.
Мы рассмотрели модели с фиктивными переменными, в которых фиктивные переменные были объясняющими переменными, то есть факторами. Однако может возникнуть необходимость строить модели, в которых качественный признак играет роль результирующей переменной. Подобные задачи возникают при обработке данных социологических опросов, прогнозировании подъемов и спадов (например, урожайностей сельскохозяйственных культур). Кроме того, если результирующий признак является некоторой вероятностью (например, вероятностью наступления некоторого события), то результирующая переменная должна принимать значения хотя и в непрерывном, но в ограниченном отрезком [0; 1] диапазоне значений.
Таблица 3.12
Регрессионная модель с учетом глобального прогноза для оперативного прогноза урожайности зерновых в России по данным на 12-14 сентября
Модель с учетом глобального прогнозаY = 5,7374 + 0,6153Y1 + 0,524Y2 |
|||
Сумма квадратов, объясняемая уравнением регрессии = 34,54Сумма квадратов остатков = 1,9. Общая сумма квадратов = 36,45 |
|||
|
Годы |
Исходные данные урожайности |
Расчетные значения |
Остатки |
|
1992 |
19,7 |
19,61 |
0,09 |
|
1993 |
19,4 |
19,24 |
0,16 |
|
1994 |
17,3 |
18,07 |
- 0,77 |
|
1995 |
14.6 |
14,13 |
0,47 |
|
1996 |
16,3 |
16,53 |
- 0,24 |
|
1997 |
19,4 |
18,62 |
0,77 |
|
1998 |
14,1 |
13,95 |
0,15 |
|
1999 |
15,3 |
15,92 |
- 0,62 |
Сумма модулей ошибок равна 3,27; Средняя абсолютная ошибка равна 0,41;R2 =0,948; R=0,973; F(2,5)=45,32; p < 0,00062; Критерий Стьюдента для свободного члена = 4,523; p =0,0063; Критерий Стьюдента для коэффициента при Y1 = 9,024; p = 0,0047 Критерий Стьюдента для коэффициента при Y2 = 2,4; p = 0,062. |
|||
Такие модели часто применимы к социологическим задачам, задачам маркетинга для обработки результатов опросов. Для оценки параметров таких моделей применяются методы логистической регрессии, Logit-, Probit-, Tobit-анализа.
назад далееПараграфы
- Сущность и история возникновения эконометрики
- </b>Парный регрессионный анализ
- Множественная регрессия
- Гетероскедастичность моделей, ее обнаружение и методы устранения гетероскедастичности
- прогнозирование временных рядов
- Сглаживание Временных рядов
- ОДНОВРЕМЕННЫЕ УРАВНЕНИЯ. МЕТОДЫ ИДЕНТИФИКАЦИИ
- Моделирование структурными уравнениями
- РАЗНОСТНЫЕ УРАВНЕНИЯ И ИХ РЕШЕНИЕ
- Стационарные временные ряды авторегрессии-скользящего среднего
- Временные ряды с высокой изменчивостью
- Ложная регрессия, коинтеграция и модели корректировки ошибок
- Элементы линейной алгебры
- Элементы теории вероятностей и математической статистики
- метод наименьших квадратов