ВАРИАНТ 1

 

Задача 1.

По предприятиям легкой промышленности региона получена информация, характеризующая зависимость объема выпуска продукции (, млн. руб.) от объема капиталовложений (, млн. руб.)

Требуется:

1.     Найти параметры уравнения линейной регрессии, дать экономическую интерпретацию коэффициента регрессии.

2.     Вычислить остатки; найти остаточную сумму квадратов; оценить дисперсию остатков ; построить график остатков.

3.     Проверить выполнение предпосылок МНК.

4.     Осуществить проверку значимости параметров уравнения регрессии с помощью t-критерия Стьюдента

5.     Вычислить коэффициент детерминации, проверить значимость уравнения регрессии с помощью - критерия Фишера , найти среднюю относительную ошибку аппроксимации. Сделать вывод о качестве модели.

6.     Осуществить прогнозирование среднего значения показателя  при уровне значимости  ,  если прогнозное значения фактора Х составит 80% от его максимального значения.

7.     Представить графически: фактические и модельные значения  точки прогноза.

8.     Составить уравнения нелинейной регрессии:

·        гиперболической;

·        степенной;

·        показательной.

Привести графики построенных уравнений регрессии.

9.     Для указанных моделей найти коэффициенты детерминации и средние относительные ошибки аппроксимации. Сравнить модели по этим характеристикам и сделать вывод. 

66

58

73

82

81

84

55

67

81

59

133

107

145

162

163

170

104

132

159

116

 

1.     Найдем параметры уравнения линейной регрессии, дадим экономическую интерпретацию коэффициента регрессии.

Уравнение линейной регрессии имеет вид:

Значения параметров а и b линейной модели определим, используя данные таблицы 1.1.

Уравнение линейной регрессии имеет вид: =-15,78+2,19*x.

С увеличением объема капиталовложений на 1 млн. руб. объем выпускаемой продукции увеличиться в среднем на 2,19 млн. руб. Это свидетельствует об эффективности работы предприятия.

2.     Вычислим остатки; найдем остаточную сумму квадратов; оценим дисперсию остатков ; построим график остатков.

Остатки см табл 1.1 столбец

Остаточная сумма квадратов =59,51

Дисперсия остатков  59.51/8=7.44

График остатков

 

 

3.     Проверим выполнение предпосылок МНК.

Проверка выполнения предпосылок МНК выполняется на основе анализа остаточной компоненты.

  • случайный характер остатков
  • нулевая средняя величина остатков, не зависящая от от xi
  • гомоскедастичность – дисперсия каждого отклонения ei одинакова для всех значений x
  • отсутствие автокорреляции остатков
  • остатки подчиняются нормальному распределению

случайный характер остатков

с этой целью строится график зависимости остатков ei от теоретических значений результативного признака

На графике получена горизонтальная полоса, значит остатки ei представляют собой случайные величины и МНК оправдан

нулевая средняя величина остатков, не зависящая от xi

с этой целью строится график зависимости остатков ei от факторов, включенных в регрессию xi.

Остатки на графике расположены в виде горизонтальной полосы, значит они не зависимы от xi.

Проверка равенства математического ожидания уровней ряда остатков нулю осуществляется в ходе проверки соответствующей нулевой гипотезы H0: . С этой целью строится t-статистика , где .

 гипотеза принимается.

t-статистика

1,748E-14

t крит 0,05

2,228

t

ei=yi-yi^

(ei-ei cp)^2

1

3,991292

15,93041

2

-4,45864

19,879432

3

0,634978

0,4031974

4

-2,10885

4,4472627

5

1,084906

1,1770203

6

1,503628

2,2608985

7

-0,87736

0,7697579

8

0,797533

0,6360583

9

-2,91509

8,497775

10

2,347605

5,5112503

Сумма

-1,4E-13

59,513062

Среднее

-1,4E-14

гомоскедастичность – дисперсия каждого отклонения ei одинакова для всех значений x

Коэфф. Спирмена  где

t-статистика это меньше t Крит, следовательно гипотеза об отсутствии гетероскедастичности при пятипроцентном уровне значимости принимается

К проверке предпосылки МНК №3 по тесту Спирмена

r(x)

r(e)

r(x)-r(e)

(r(x)-r(e))^2

4

9

-5

25

2

10

-8

64

6

1

5

25

9

6

3

9

7

4

3

9

10

5

5

25

1

3

-2

4

5

2

3

9

7

8

-1

1

3

7

-4

16

Сумма

187

Коэфф. Спирмена

-0,1333

t-статистика

-0,3805

t крит 0,05

2,306

Гомоскедастичность присутствует

Независимость остатков проверяется с помощью критерия Дарбина – Уотсона.

         

dw=165,20/59,51=2,77  dw’=4-2.77=1.23

 Верхние (d2=1.32) и нижние (d1=0.88) критические значения, позволяющие принять или отвергнуть гипотезу об отсутствии автокорреляции, зависят от количества уровней динамического ряда и числа независимых переменных модели.

Если 0<d<d1, то уровни автокоррелированы, то есть зависимы, модель неадекватна.

Если d1<d<d2, то критерий Дарбина-Уотсона не дает ответа на вопрос о независимости уровней ряда остатков. В таком случае необ­ходимо воспользоваться другими критериями (например, проверить независимость уровней по первому коэффициенту автокорреляции).

Если d2<d<2 , то уровни ряда остатков являются независимыми.

  В нашем случае d1 < dw <d2 критерий Дарбина-Уотсона не дает ответа на вопрос о независимости уровней ряда остатков. Проверим независимость уровней по первому коэффициенту автокорреляции

=-33,81/59,51= -0,568

Если модуль рассчитанного значения первого коэффициента авто­корреляции меньше критического значения |r(1)|<rтаб, то уровни ряда остатков независимы. Для нашей задачи критический уровень rтаб = 0,36. Имеем: |r(1)| =0.56> rтаб = 0,36 - значит уровни зависимы.

нормальности распределения остаточной компоненты по R/S-критерию с критическими уровнями 2.67-3.685;

Рассчитаем значение RS:                RS = (Emax - Emin)/ S,

где Emin - максимальное значение уровней ряда остатков E(t);

Emax  - минимальное значение уровней ряда остатков E(t)

S - среднее квадратическое отклонение.

Emax=

3,99

Emin=

-4,46

Emax-Emin=

8,45

S=

2,57149

RS=

3,286004

Так как  2,67<3,28<3.685, полученное значение RS попало в за­данный интервал. Значит, уровни ряда остатков подчиняются нор­мальному распределению.

Таким образом предпосылки МНК не выполняются.

 

4.     Осуществим проверку значимости параметров уравнения регрессии с помощью t-критерия Стьюдента

Проверка значимости отдельных коэффициентов регрессии связана с определением расчетных значений t-критерия (t–статистики) для соответствующих коэффициентов регрессии:

                         

Затем расчетные значения сравниваются с табличными tтабл=2,3060. Табличное значение критерия определяется при (n-2) степенях свободы (n - число наблюдений) и соответствующем уровне значимости a (0,05)

Если расчетное значение t-критерия с (n - 2) степенями сво­боды превосходит его табличное значение при заданном уровне зна­чимости, коэффициент регрессии считается значимым.

В нашем случае коэффициенты регрессии значимы.

 

5.     Вычислим коэффициент детерминации, проверить значимость уравнения регрессии с помощью - критерия Фишера , найти среднюю относительную ошибку аппроксимации. Сделать вывод о качестве модели.

 

Определим линейный коэффициент парной корреляции по формуле

=0,994

Рассчитаем коэффициент детерминации:

0.9942 =0,989

Вариация результата Y (объема выпуска продукции) на 98,9 % объясняется вариацией фактора X (объемом капиталов­ложений).

Оценку значимости уравнения регрессии проведем с помо­щью F-критерия Фишера:

 713,173

F>Fтабл.=5.32 для α=0,05;  k1=m=1;    k2=n-m-1=8

Уравнение      регрессии       с вероятностью 0,95    в целом   статис­тически    значимое, т. к. F  >  Fтабл.

Определим среднюю относительную ошибку:

1,57%

В среднем расчетные значения у для линейной модели от­личаются от фактических значений на 1,57%

 

6.     Осуществим прогнозирование среднего значения показателя  при уровне значимости  ,  если прогнозное значения фактора Х составит 80% от его максимального значения.

Прогнозное значение показателя, если прогнозное значение фактора составит 80% от его максимального значения 0,8*84=67,20  составит

=-15,78+2,19*67,20=131,64

Интервальный прогноз:

 для  степеней свободы и уровня значимости 0,1 равно 1,8595.

Тогда

7.     Представим графически: фактические и модельные значения  точки прогноза.

 

 

Таблица 1.1.

n

y

x

1

133

66

8778

4356

-6,10

37,21

-4,60

21,16

129,01

3,99

15,93

-

-

3,00

28,06

2

107

58

6206

3364

-32,10

1030,41

-12,60

158,76

111,46

-4,46

19,88

71,40

-17,80

4,17

404,46

3

145

73

10585

5329

5,90

34,81

2,40

5,76

144,37

0,63

0,40

25,94

-2,83

0,44

14,16

4

162

82

13284

6724

22,90

524,41

11,40

129,96

164,11

-2,11

4,45

7,53

-1,34

1,30

261,06

5

163

81

13203

6561

23,90

571,21

10,40

108,16

161,92

1,08

1,18

10,20

-2,29

0,67

248,56

6

170

84

14280

7056

30,90

954,81

13,40

179,56

168,50

1,50

2,26

0,18

1,63

0,88

414,06

7

104

55

5720

3025

-35,10

1232,01

-15,60

243,36

104,88

-0,88

0,77

5,67

-1,32

0,84

547,56

8

132

67

8844

4489

-7,10

50,41

-3,60

12,96

131,20

0,80

0,64

2,81

-0,70

0,60

25,56

9

159

81

12879

6561

19,90

396,01

10,40

108,16

161,92

-2,92

8,50

13,78

-2,32

1,83

206,96

10

116

59

6844

3481

-23,10

533,61

-11,60

134,56

113,65

2,35

5,51

27,70

-6,84

2,02

267,96

итого

1391,00

706,00

100623,00

50946,00

0,00000

5364,90

0,00

1102,40

 

0,00

59,51

165,20

-33,81

15,76

2418,40

ср. знач

139,10

70,60

10062,30

5094,60

 

 

 

 

 

 

 

 

1,58

 

диспер

624,24

120,49

 

 

 

 

 

 

 

6,61

 

 

 

 

8.     Составим уравнения нелинейной регрессии:

·        гиперболической;

·        степенной;

·        показательной.

Приведем графики построенных уравнений регрессии.

9.     Для указанных моделей найдем коэффициенты детерминации и средние относительные ошибки аппроксимации. Сравним модели по этим характеристикам и сделаем вывод. 

Построение степенной модели парной регрессии

Уравнение степенной модели имеет вид:.

Для построения этой модели необходимо произвести ли­неаризацию переменных. Для этого произведем логарифмирова­ние обеих частей уравнения: lg  = lg a + b lg x.

 

Факт Y(t)

lg(Y)

Переменная X(t)

lg(X)

1

133

2,124

66

1,820

2

107

2,029

58

1,763

3

145

2,161

73

1,863

4

162

2,210

82

1,914

5

163

2,212

81

1,908

6

170

2,230

84

1,924

7

104

2,017

55

1,740

8

132

2,121

67

1,826

9

159

2,201

81

1,908

10

116

2,064

59

1,771

итого

1391,00

21,370

706,00

18,439

сред знач

139,10

2,137

70,60

1,844

Обозначим . Тогда уравнение примет вид: Y=А + b X — линейное урав­нение регрессии.

Рассчитаем его параметры, используя данные таблицы 1.2.

1,1276

3.9453-1.1276*1.8439=

0,0579

Уравнение регрессии будет иметь вид :  Y=0,0579+1,1276X.

 Перейдем к исходным переменным ли у, выполнив потен­цирование данного уравнения.

 

Получим уравнение степенной модели регрессии:

 .

 Определим индекс корреляции: 0,994

Связь между показателем у и фактором х  достаточно сильная.

Коэффициент детерминации равен 0,988

Вариация результата Y (объема выпуска продукции) на 98,8% объясняется вариацией фактора X (объемом капиталовло­жений).

Рассчитаем F-критерий Фишера: 671,55

F>F табл  =5.32 Уравнение регрессии с  вероятностью 0,95  в  целом  статистически   значимое .

Средняя относительная ошибка 1.62%

В среднем расчетные значения  для степенной модели отличаются от фактических значений на 1.62%.

Таблица 1.2.

 

y

Y

x

X

YX

X^2

y

Ei

E1/y*x*100%

Ei2

1

133

2,1239

66

1,8195

3,86

3,31

128,7057

4,294

3,229

18,441

2

107

2,0294

58

1,7634

3,58

3,11

111,2556

-4,256

3,977

18,110

3

145

2,1614

73

1,8633

4,03

3,47

144,1991

0,801

0,552

0,641

4

162

2,2095

82

1,9138

4,23

3,66

164,3977

-2,398

1,480

5,749

5

163

2,2122

81

1,9085

4,22

3,64

162,1388

0,861

0,528

0,742

6

170

2,2304

84

1,9243

4,29

3,70

168,9260

1,074

0,632

1,154

7

104

2,0170

55

1,7404

3,51

3,03

104,7885

-0,789

0,758

0,622

8

132

2,1206

67

1,8261

3,87

3,33

130,9067

1,093

0,828

1,195

9

159

2,2014

81

1,9085

4,20

3,64

162,1388

-3,139

1,974

9,852

10

116

2,0645

59

1,7709

3,66

3,14

113,4209

2,579

2,223

6,652

Итого

1391,00

21,3702

706,00

18,4386

39,45285

34,04188

 

0,12212

16,18241

63,15749

Сред знач

139,1000

2,1370

70,6000

1,8439

3,9453

3,4042

 

 

1,6182

 

Построение показательной функции

Уравнение показательной кривой: у =abx . Для построения этой модели необходимо произвести линеаризацию переменных. Для этого осуществим логарифмиро­вание обеих частей уравнения:

lg  = lg a + х lg b. Обозначим: Y = lg , В = lg b, A = lg a. Получим линейное уравнение регрессии:

Y = А + В х. Рассчитаем его параметры, используя данные таблицы 1.3

Уравнение будет иметь вид:  Y=1.639+0.007X  Перейдем к исходным переменным х и у, выполнив потенцирование данного уравнения:

 Определим индекс корреляции:

0.99

Связь между показателем у и фактором x:  сильная.

Коэффициент детерминации: R2 =0.992 =0.981.

Вариация результата Y (объема выпуска продукции) на 98,1% объясняется вариацией фактора X(объемом капиталовло­жений).

Рассчитаем F-критерий Фишера:

415,49

F >F табл Уравнение     регрессии с   вероятностью  0,95  в  целом  статистически значимое, .

Средняя относительная ошибка

2,15

В среднем расчетные значения  для показательной модели отличаются от фактических значений на

 2,15%.

таблица 1.3

t

y

Y

x

Yx

x^2

Y-Y

(Y-Y)2

x-x

(x-x)2

y

(y-y)2

Ei

E1/y*x*100%

1

133

2,1239

66

140,17

4356,00

-0,0132

0,0002

-4,6000

21,1600

127,2237

33,3656

5,776

4,343

2

107

2,0294

58

117,70

3364,00

-0,1076

0,0116

-12,6000

158,7600

111,7189

22,2684

-4,719

4,410

3

145

2,1614

73

157,78

5329,00

0,0243

0,0006

2,4000

5,7600

142,5457

6,0236

2,454

1,693

4

162

2,2095

82

181,18

6724,00

0,0725

0,0053

11,4000

129,9600

164,9873

8,9238

-2,987

1,844

5

163

2,2122

81

179,19

6561,00

0,0752

0,0056

10,4000

108,1600

162,3287

0,4506

0,671

0,412

6

170

2,2304

84

187,36

7056,00

0,0934

0,0087

13,4000

179,5600

170,4358

0,1899

-0,436

0,256

7

104

2,0170

55

110,94

3025,00

-0,1200

0,0144

-15,6000

243,3600

106,4048

5,7832

-2,405

2,312

8

132

2,1206

67

142,08

4489,00

-0,0164

0,0003

-3,6000

12,9600

129,3073

7,2504

2,693

2,040

9

159

2,2014

81

178,31

6561,00

0,0644

0,0041

10,4000

108,1600

162,3287

11,0802

-3,329

2,094

10

116

2,0645

59

121,80

3481,00

-0,0726

0,0053

-11,6000

134,5600

113,5487

6,0091

2,451

2,113

Итого

1391,00

21,3702

706,00

1516,51494

50946,00000

 

0,0561

 

1102,4000

1390,8296

101,3450

0,17037

21,51710

Сред знач

139,1000

2,1370

70,6000

151,6515

5094,6000

 

 

 

 

 

 

 

2,1517

Построение гиперболической функции

Уравнение гиперболической функции: у = а + b/х . Произведем линеаризацию модели путем замены Х= 1/х. В результате получим  линейное уравнение у = а + b X. Рассчитаем его параметры

 Получим следующее уравнение гиперболической модели:  288,8262-10330,3/x

Определим индекс корреляции:

Связь между показателем у и фактором х сильная.

Коэффициент детерминации равен 0,987

Вариация результата Y (объема выпуска продукции) на 98,7% объясняется вариацией фактора X (объемом капиталовло­жений).

Рассчитаем F-критерий Фишера:

396,0048

Уравнение     регрессии с   вероятностью  0,95  в  целом   статистически    значимое, т.к. F>F табл  .

Средняя относительная ошибка

1,788%

таблицы 1.4.

t

y

x

X

yX

X^2

y-y

(y-y)2

y

Ei

(y-y)2

E1/y*x*100%

1

133

66

0,0152

2,02

0,0002296

-6,1000

37,2100

132,3068

0,693

0,4806

0,521

2

107

58

0,0172

1,84

0,0002973

-32,1000

1030,4100

110,7179

-3,718

13,8226

3,475

3

145

73

0,0137

1,99

0,0001877

5,9000

34,8100

147,3155

-2,315

5,3614

1,597

4

162

82

0,0122

1,98

0,0001487

22,9000

524,4100

162,8471

-0,847

0,7176

0,523

5

163

81

0,0123

2,01

0,0001524

23,9000

571,2100

161,2918

1,708

2,9178

1,048

6

170

84

0,0119

2,02

0,0001417

30,9000

954,8100

165,8466

4,153

17,2504

2,443

7

104

55

0,0182

1,89

0,0003306

-35,1000

1232,0100

101,0029

2,997

8,9827

2,882

8

132

67

0,0149

1,97

0,0002228

-7,1000

50,4100

134,6429

-2,643

6,9848

2,002

9

159

81

0,0123

1,96

0,0001524

19,9000

396,0100

161,2918

-2,292

5,2525

1,441

10

116

59

0,0169

1,97

0,0002873

-23,1000

533,6100

113,7367

2,263

5,1227

1,951

Итого

1391,00

706,00

0,14

19,64817

0,0021504

 

5364,9000

1391,0000

0,00000

66,8932

17,88337

Сред знач

139,1000

70,6000

0,0145

1,9648

0,0002150

 

 

 

 

 

1,7883

Для выбора лучшей модели построим сводную таблицу результатов.

Таблица 3.9

Параметры

Модель

Коэффициент

 детермина­ции R2

F-критерий Фишера

Индекс корреляции

 

Средняя относитель­ная ошибка Eотн

Линейная

0,989

713,173

0,994

1,576267

Степенная

0,988228

671,5583

0,994096

1,618241

Показательная

0,98111

415,4958

0,99051

2,15171

Гиперболическая

0,987531

396,0048

0,993746

1,788337

Все модели имеют примерно одинаковые характеристики, но большее значение коэффициента детерминации R2 и меньшее значение относительной ошибка Eотн имеет линейная модель. Ее можно взять в качестве лучшей для построения прогноза

Задача 2.

 

Задача 2а и 2б. Для каждого варианта даны по две СФМ, которые заданы в виде матриц коэффициентов модели. Необходимо записать системы одновременных уравнений и проверить обе системы на идентифицируемость.

Номер варианта

Номер уравнения

Задача  2а

переменные

у1

у2

у3

х1

х2

х3

x4

1

1

-1

b12

b13

0

0

a13

a14

2

0

-1

b23

a21

a22

a23

0

3

0

b32

-1

a31

0

a33

a34

Задача 2а

запишем системы одновременных уравнений

y1= b12 y2 + b13 y3                            +a13 x3 + a14 x4

y2=              b23 y3 +a21 x1 + a22 x2 + a23 x3

y3= b32y2                      + a31 x1                  +a33 x3  +   a34 x4

Проверим каждое уравнение системы на выполнение неоходимого и достаточного условия идентификации.

В этих уравнениях присутствуют переменных следующих типов:

-эндогенные, зависимые переменные y, определяемые внутри системы;

-экзогенные, независимые переменные x, значения которых задаются извне, они являются управляемыми, планируемыми;

-предопределенные переменные, включающие в себя как экзогенные переменные за текущий период времени, так и лаговые  переменные (т.е. экзогенные и эндогенные переменные за предыдущие периоды времени).

Для того, чтобы СФМ была идентифицируема, необходимо чтобы  каждое  уравнение  системы было идентифицируемо. В этом случае число параметров СФМ равно числу параметров приведенной формы.

Если хотя бы одно уравнение СФМ неидентифицируемо, то вся модель считается неидентифицируемой. В этом случае число коэффициентов приведенной формы модели меньше, чем число коэффициентов СФМ.

Модель сверхидентифицируема, если число приведенных коэффициентов больше числа структурных коэффициентов. В этом случае можно получить два и более значений одного структурного коэффициента на основе коэффициентов приведенной формы модели. В сверхидентифицируемой модели хотя бы одно уравнение сверхидентифицируемо, а остальные уравнения идентифицируемы.

Если обозначить число эндогенных переменных  в i-том уравнении СФМ через Н, а число предопределенных переменных, которые содержатся в системе, но не входят в данное уравнение через D, то условие идентифицируемости модели может быть записано в виде следующего счетного правила:

если        D+1 < H          уравнение неидентифицируемо;

если        D+1 = H          уравнение идентифицируемо;

если        D+1 > H          уравнение сверхидентифицируемо;

Счетное правило является необходимым, но не достаточным условием идентификации. Кроме этого правила для идентифицируемости уравнения должно выполняться дополнительное условие.

Отметим в системе эндогенные и экзогенные переменные, отсутствующие в рассматриваемом уравнении, но присутствующие в системе. Из коэффициентов при этих переменных в других уравнениях составим матрицу. При этом если переменная стоит в левой части уравнения, то коэффициент надо брать с обратным знаком. Если  определитель полученной матрицы не равен нулю, а ранг не меньше, чем количество эндогенных переменных в системе без одного, то достаточное условие индетификации для данного уравнения выполнено.

В первом уравнении три эндогенных переменных: y1 ,y2 и y3 (H=3). В нем отсутствуют экзогенные переменные x1 и x2 (D=2). Необходимое условие идентификации D+1=H выполнено.

Для проверки на достаточное условие составим матрицу из коэффициентов при переменных x1 и x2 (см. таблицу 2.1). В первом столбце таблицы показано, что коэффициенты при экзогенных переменных x1 и x2 взяты из уравнений 2 и 3 системы. Во втором уравнении эти переменные присутствуют и коэффициенты при них равны a21  и a22 соответственно. Определитель представленной в таблице 2.1 матрицы не равен нулю, а ранг матрицы равен 2.  Значит, достаточное условие  выполнено, и первое уравнение идентифицируемо.

Таблица 2.1    

Уравнения, из которых взяты коэффициенты при переменных

Переменные

x1

x2

2

a21

a22

3

a31

0

Во втором уравнении две эндогенные переменные: y2 и y3  (H=2). В нем отсутствует экзогенная переменная x4  (D=1). Необходимое условие идентификации D+1=H выполнено.

Для проверки на достаточное условие составим матрицу из коэффициентов при переменных y1 и x4 , которые отсутствуют во втором уравнении (см. таблицу 2.2).

Таблица 2.2

Уравнения, из которых взяты коэффициенты при переменных

Переменные

y1

x4

1

-1

a14

3

0

a34

  Определитель представленной в таблице 2.2 матрицы не равен нулю, а ранг матрицы равен 2.  Значит, достаточное условие  выполнено, и второе уравнение идентифицируемо.

В третьем уравнении две эндогенные переменные: ,y2  и y3 (H=2). В нем отсутствует экзогенные переменные x2 (D=1).  Необходимое условие идентификации D+1=H выполнено.

Для проверки на достаточное условие составим матрицу из коэффициентов при переменных y1 и x2 , которые отсутствуют в третьем уравнении (см. таблицу 2.3).

Определитель представленной в таблице 2.3 матрицы не равен нулю, а ранг матрицы равен 2.  Значит, достаточное условие  выполнено, и третье уравнение идентифицируемо.

Таблица 2.3

Уравнения, из которых взяты коэффициенты при переменных

Переменные

y1

x2

1

-1

0

2

0

a22

Каждое  уравнение  системы идентифицируемо, значит СФМ  идентифицируема

 

Задача 2б

Номер варианта

Номер уравнения

Задача  2б

переменные

у1

у2

у3

х1

х2

х3

x4

1

1

-1

b12

b13

0

a12

a13

0

2

0

-1

b23

a21

a22

0

a24

3

b31

b32

-1

0

a32

a33

0

запишем системы одновременных уравнений

y1=              b12 y2 + b13 y3              + a12 x2 +a13 x3

y2=                           b23 y3 +a21 x1 + a22 x2                     + a24 x4

y3= b31y1 +  b32y2                      + a31 x1  +  a32 x2 +a33 x3

Проверим каждое уравнение системы на выполнение неоходимого и достаточного условия идентификации.

В первом уравнении три эндогенных переменных: y1 ,y2 и y3 (H=3). В нем отсутствуют экзогенные переменные x1 и x4 (D=2). Необходимое условие идентификации D+1=H выполнено.

Для проверки на достаточное условие составим матрицу из коэффициентов при переменных x1 и x4 (см. таблицу 2.4). Определитель представленной в таблице 2.1 матрицы равен нулю, а ранг матрицы равен 1.  Значит, достаточное условие  не выполнено, и первое уравнение неидентифицируемо.

Таблица 2.4   

Уравнения, из которых взяты коэффициенты при переменных

Переменные

x1

x4

2

a21

a24

3

0

0

Во втором уравнении две эндогенные переменные: y2 и y3  (H=2). В нем отсутствует экзогенная переменная x4  (D=1). Необходимое условие идентификации D+1=H выполнено.

Для проверки на достаточное условие составим матрицу из коэффициентов при переменных y1 и x3 , которые отсутствуют во втором уравнении (см. таблицу 2.5).

Таблица 2.5

Уравнения, из которых взяты коэффициенты при переменных

Переменные

y1

x3

1

-1

a13

3

b31

a33

  Определитель представленной в таблице 2.5 матрицы не равен нулю, а ранг матрицы равен 2.  Значит, достаточное условие  выполнено, и второе уравнение идентифицируемо.

В третьем уравнении три эндогенные переменные: y1, y2  и y3 (H=3). В нем отсутствует экзогенные переменные x1 и x4 (D=2).  Необходимое условие идентификации D+1=H выполнено.

Для проверки на достаточное условие составим матрицу из коэффициентов при переменных x1 и x4 , которые отсутствуют в третьем уравнении (см. таблицу 2.6).

Определитель представленной в таблице 2.6 матрицы равен нулю, а ранг матрицы равен 1.  Значит, достаточное условие не выполнено, и второе уравнение неидентифицируемо.

Таблица 2.6

Уравнения, из которых взяты коэффициенты при переменных

Переменные

x1

x4

1

0

0

2

a21

a24

Так как 1 и 3  уравнение  системы неидентифицируемо, значит СФМ  неидентифицируема

Задача 2в

            По данным таблицы для своего варианта, используя косвенный метод наименьших квадратов, построить структурную форму модели вида 

y1= a01  + b12 y2 +  a11 x1 + e1                                                                                                   

y2= a02  + b21 y1 + a22 x2 + e2

Рассмотрим косвенный метод наименьших квадратов (КМНК) , который применяется в случае точно идентифицируемой структурной модели. Рассмотрим идентифицируемая модель, содержит две эндогенные и две экзогенные переменные:

y1= b12 y2 +  a11 x1 + e1                                                                                                   

y2= b21 y1 + a22 x2 + e2

Для построения модели мы располагаем информацией, представленной в таблице

Таблица 2.7.

n

у1

у2

х1

х2

1

76,7

35,4

5

7

2

94,1

37,9

7

7

3

88,2

40,8

6

9

4

126,9

47,3

10

10

5

111,0

61,5

7

18

6

50,1

26,6

3

4

средн

91,167

41,583

6,333

9,167

Структурную модель преобразуем в приведенную форму модели.

 y1= d11 x1 +  d12 x2 + u1                                                                                                       

 y2= d21 x1 + d22 x2 + u2

u1  и u1 – случайные ошибки.

Для каждого уравнения приведенной формы при расчете коэффициентов d можно применить  МНК.

Для упрощения расчетов  можно работать с отклонениями от средних уровней y=y-ycp и x=x-xcp (ycp и xcp –средние значения). Преобразованные таким образом данные таблицы 2.7 сведены в таблицу 2.8. Здесь же показаны промежуточные расчеты, необходимые для определения коэффициентов dik. Переменные, означающие отклонение от средних значений изображаются далее жирным шрифтом и курсивом.

Для нахождения коэффициентов  d1k первого  приведенного уравнения можно использовать следующую систему нормальных уравнений:

Σ y1 x1= d11 Σ x12     +  d12 Σ x1 x2                     

Σ y1 x2= d11 Σ x1 x2 + d12 Σ x22

Таблица 2.8

Преобразованные данные для построения приведенной формы модели

n

у1

у2

х1

х2

у11

х12

х12

у12

у21

у22

х22

1

-14,467

-6,183

-1,333

-2,167

19,289

1,778

2,889

31,344

8,244

13,397

4,694

2

2,933

-3,683

0,667

-2,167

1,956

0,444

-1,444

-6,356

-2,456

7,981

4,694

3

-2,967

-0,783

-0,333

-0,167

0,989

0,111

0,056

0,494

0,261

0,131

0,028

4

35,733

5,717

3,667

0,833

131,022

13,444

3,056

29,778

20,961

4,764

0,694

5

19,833

19,917

0,667

8,833

13,222

0,444

5,889

175,194

13,278

175,931

78,028

6

-41,067

-14,983

-3,333

-5,167

136,889

11,111

17,222

212,178

49,944

77,414

26,694

Сумма

0,00000

  0,0000  

0,00000

0,00000

303,367

27,333

27,667

442,633

90,233

279,617

114,833

 

Подставляя рассчитанные в таблице 5.5 значения сумм, получим

303,367

=

27,333

d11

+

27,667

d12

442,633

=

27,667

d11

+

114,833

d12

   Решение этих уравнений дает значения 

  Первое уравнение приведенной формы модели примет вид

y1= 9,518 x1 + 1,561 x2 + u1

Для нахождения коэффициентов d2k второго  приведенного уравнения можно использовать следующую систему нормальных уравнений:

Σ y2 x1= d21 Σ x12     +  d22 Σ x1 x2

Σ y2 x2= d21 Σ x1 x2 + d22 Σ x22

Подставляя рассчитанные в таблице 2.8 значения сумм, получим

90,233

=

27,333

d21

+

27,667

d22

279,617

=

27,667

d21

+

114,833

d22

Решение этих уравнений дает значения 

Второе уравнение приведенной формы модели примет вид

y2=  1,106x1  + 2,168 x2 + u2

Для  перехода от приведенной формы к структурной форме модели найдем x2 из второго уравнения приведенной формы модели

x2 =

(y2  -

1,106

x1 ) /

2,168

 

Подставим это выражение в первое уравнение приведенной модели, найдем структурное уравнение

y1=

9,518

x1

+

1,561

(y2  -

1,106

x1 ) /

2,168

=

=

9,518

x1

+

0,720

y2

-0,79659

x1

=

=

0,720

y2

+

8,722

x1

Таким образом,  b12 = 0,720;  a11 = 8,722.

Найдем x1 из первого уравнения приведенной формы модели

x1 =

 (y1  -

1,561

x2 ) /

9,518

 Подставим это выражение во второе уравнение приведенной модели, найдем структурное уравнение

y2=

1,106

(y1  -

1,561

x2 ) /

9,518

+

2,168

x2

=

=

0,1162

y1

-0,18147

x2

+

2,168

x2

=

=

0,1162

y1

+

1,987

x2

Таким образом,  b21 = 0,116;  a22 =  1,987.

            Свободные члены структурной формы  находим из уравнений

А01= y1,cp -  b12 y2,cp -  a11 x1,cp   =  91.167-0.720*41.583-8.722*6.333=5.988

А02= y2,cp -  b21 y1,cp -  a22 x2,cp = 41.583-0.116*91.167-1.987*9.167=12,773

Окончательный вид структурной модели

y1= a01+ b12 y2 +  a11 x1 + e1=

5,988

+

0,720

y2

+

8,722

x1 + e1

y2= a02+ b21 y1 + a22 x2 + e2

12,773

+

0,116

y1

+

1,987

x2  + e2