На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Работа № 90265


Наименование:


Лабораторка Линейная регрессия. В данной работе проводится анализ зависимости накладных расходов от различных факторов.

Информация:

Тип работы: Лабораторка. Предмет: Финансовый анализ. Добавлен: 17.07.2015. Сдан: 2015. Страниц: 13. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Кафедра экономики

Лабораторная работа №1 по эконометрике


Линейная регрессия


2015
1. Постановка задачи
В данной работе проводится анализ зависимости накладных расходов от различных факторов. Исследование проводится по 30 компаниям России. Данные представлены в виде таблицы.


Требуется на основе приведенных данных проанализировать влияние факторов (X1,X2,X3) на накладные расходы (Y).
Для решения данной задачи воспользуемся программой Statistica. Для начала введем наши данные из табл. 1 в программу в следующем порядке: по строкам — объекты по столбцам — параметры X1,X2,X3 (), и так как наши данные предоставлены именно в том виде, к котором требуется (по строкам— объекты, по столбцам — параметры), то вид базы данных в Statistica не будет отличаться от данной таблицы.


2. Исследование корреляции исходных данных.
Для характеристики степени линейной связи между переменными используется коэффициент корреляции . Используя программу, получим матрицу коэффициентов корреляции и ее графическое представление.




C помощью Graph получаем графическое представление матрицы корреляции.








Результаты вычислений показывают положительную корреляцию накладными расходами и влияющими факторами, что свидетельствует о наличии связи между
Y и X1, Y и X2, Y и X3.
Корреляция же показателей X1 (0,8428) ,X2 (0,885) ,X3 (0,8839) меньше, то есть связь X1,X2,X3 меньше. Поэтому наилучшей, с математической точки зрения, моделью будет .
Незначительная корреляция между объясняющими переменными (в данном случае X1,X2,X3) важна для получения хорошего качества регрессии, т.к. позволяет избавиться от явления мультиколлинеарности.


3.Построение и анализ регрессии
Выберем переменные для построения регрессии. Поскольку , то X1,X2,X3 — независимые переменные, y — зависимая переменная. В меню Statistics выбираем Multiple Regression. Результаты множественной регрессии:



Как видно из рисунка, сумма квадратов , а коэфициэнт детерминации



При проведении вычислений данные предварительно центрируются и нормируются. Для таких данных Intercept (свободный член) равен нулю.
Также из рис можно увидеть что коэффициент линейной регрессии X1 beta=0,082,
X2 beta=0,454, C beta= 0,366 для центрированных и нормированных данных. Таким образом, уравнение линейной регрессии для центрированных и нормированных данных имеет вид:
.
Результаты оценки регрессии для нецентрированных и ненормированных данных можно получить в диалоговом окне Regression Summary .



В столбце «В» даны параметры регрессии для исходных (нецентрированных и ненормированных) данных.
Уравнение регрессии для исходных данных имеет вид:

Проведем статистический анализ полученных результатов.
1) Проверка значимости коэффициентов линейной регрессии.
Значимость оцененного коэффициента регрессии может быть проверена с помощью анализа его отношения к своему стандартному отклонению
.
В данном случае проверяется гипотеза . Из табл. видим, что расчетная статистика , , а р-уровень соответственно равен 0,749
0,249 и 0,395, то есть коэффициенты линейной регрессии значимо отличны от нуля.
Для константы Intercept значение t-статистики равно 4,052 и p-уровень равен 0,0004, то есть она не является значимой для анализа регрессии.

2) Проверка общего качества регрессии.
Для определении я статистической значимости коэффициента проверяется нулевая гипотеза с помощью F-статистики:
,
где n — число объектов, m — число объясняющих переменных, — число степеней свободы.
В нашем случае , а p-значение равно 0,0001, P<0,0001 то есть коэффициент является значимым.
4.Построение прогнозных значений
Спрогнозируем накладные расходы для компании, имеющей объем работы 18,1 млн. руб.б численность рабочих 750 чел, выпалаты з/п рабочим 7,98 млн. руб. Для этого в Multiple Regression Results выберем Predict dependent var. и введем и получим прогнозные значения.



Далее получаем:

Y=0,014 *18,1+0,001*750+0,146*7,98 + 1,155 = 4,058
Для функции найдем полный дифференциал:
,
или в конечных приращениях
,
где
Для двух произвольных пар значений и найдем:



Пусть объем работ возрос на 10 млн. руб., в то время как численность рабочих и з/п не изменилась( )не изменилась. Спрогнозируем, как в этом случае возрастут накладные расходы . С помощью Predict dependent var. получаем:
при ;
при
Тогда изменения накладных расходов млн. руб.





Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть похожие работы

* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.