Линейные регрессионные модели

2,67 3,03 4


d=2,057Линейные регрессионные моделиIII, IV. Значит нет оснований отклонить предположение об отсутствии автокорреляции соседних остатков по d-критерию с уровнем значимости Линейные регрессионные модели. Следующее необходимое условие: остатки должны иметь распределение Гаусса. можно ограничиться критерием размахов (RS - критерий).


Линейные регрессионные модели.


Линейные регрессионные модели-стандартная ошибка модели

Линейные регрессионные модели=1,263784889.

Линейные регрессионные моделинаходится в Microsoft Excel при помощи функции "МАКС".

Линейные регрессионные модели=.2,280183127

Линейные регрессионные модели находится в Microsoft Excel при помощи функции "МИН".

Линейные регрессионные модели=-1,790955196

RS=3,22138

Критерий размахов, RS - критерий: n=12, α =0,05, a=2,8, b=3,91.

Если a <RS < b, то остатки имеют нормальный закон распределения с уровнем α =0,05.


2,8 <3,22138 < 3,91.

Вывод: Все предпосылки регрессионного анализа выполняются с уровнем α =0,05. Значит модель успешно прошла проверку оценки ее качества.


3. Предложить модели тренда изучаемого показателя. Оценить качество моделей


Линейный тренд у показателя связан с ситуацией, когда наибольшим является коэффициент автокорреляции первого порядка.

Линейные регрессионные модели>0,7, при это Линейные регрессионные модели, где a,bЛинейные регрессионные моделиR.

При выборе модели тренда нельзя выбирать функцию тренда с числом параметров при факторе время больше шестой части n, то есть m>Линейные регрессионные модели.

Существует несколько видов тренда (линейный, полиномиальный, степенной, логарифмический, гиперболический). Из них необходимо выбрать наилучший вид тренда.

Построим графики основных типов тренда. Для выявления наилучшего уравнения тренда определим параметры трендов. Результаты расчетов представим в таблице 9. Согласно, данным этой таблицы наилучшей моделью тренда является полиномиальный тренд, для которого значение коэффициента детерминации наиболее высокое.


График 3. Линейный тренд.

Линейные регрессионные модели


График 4. Полиномиальный тренд.

Линейные регрессионные модели


График 5. Степенной тренд.

Линейные регрессионные модели

График 6. Экспоненциальный тренд.

Линейные регрессионные модели


Таблица 9.

Тип тренда Уравнение

Линейные регрессионные модели

Линейный

Линейные регрессионные моделиЛинейные регрессионные модели

0,0016
Полиномиальный

Линейные регрессионные модели

0,1371
Степенной

Линейные регрессионные модели

0,0125
Экспоненциальный

Линейные регрессионные модели

0,0016

Итак, рассмотрим модель трендаЛинейные регрессионные модели. Но у показателя Y явно нет никакой тенденции (тренда), так как для Линейные регрессионные модели Линейные регрессионные модели=0.1371<0,3. Модель неудачна.

4. Используя значимые в целом и по параметрам модели (с приемлемым уровнем значимости), для которых выполняются все предпосылки метода наименьших квадратов (свойств остатков), получит прогнозы изучаемого показателя на два следующих месяца.

Модели Линейные регрессионные модели, Линейные регрессионные модели значимы в целом и по параметрам и для них выполняются все предпосылки МНК. По этим моделям можно строить прогнозы изучаемого показателя. Различают точечный и доверительный прогнозы показателя. Точечный прогноз получают путем подстановки в уравнение регрессии значения фактора x, и он имеет нулевую вероятность. Этот прогноз полезен при формировании доверительного прогноза.

Пусть в модели Линейные регрессионные модели Х5 в последующих два будет увеличиваться на столько на сколько и в прошлом месяце 1,7% (в% к предыдущему периоду). Значит Х5 в следующем периоде уменьшится на 1%.


Линейные регрессионные модели1,017*101,69Линейные регрессионные модели103,41

Линейные регрессионные модели55,68+0,453*103,41=102,52.


Доверительная вероятность равна 95%


Линейные регрессионные модели

где Линейные регрессионные модели

Линейные регрессионные модели

Линейные регрессионные модели=1,59, Линейные регрессионные модели=0,55, тогда

102,52-5,12*0,55≤Линейные регрессионные модели≤102,52+5,12*0,55

99,704≤Линейные регрессионные модели≤105,33.

4. Сравнить полученные прогнозы показателей с фактическими данными


Получили, что в последующих двух месяцах изучаемый показатель будет колебаться в интервале от 99,704 до 105,33.


В июле Линейные регрессионные модели0,99*101,69Линейные регрессионные модели100,67

Линейные регрессионные модели55,68+0,453*100,67=101Линейные регрессионные модели100,9 (как и фактические данные).

В августеЛинейные регрессионные модели0,98*101,69Линейные регрессионные модели99,65

Линейные регрессионные модели55,68+0,453*99,65Линейные регрессионные модели100,82 (как и фактические данные)

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: