Adam Czech Sprawozdanie

Politechnika Opolska

Wydział Elektrotechniki, Automatyki i Informatyki






Ekonometria





Kierunek studiów: Informatyka Prowadzący:

Rok akademicki: 2014/2015 dr inż. Arkadiusz Gardecki

Rok studiów: I Wykonał:

Semestr: I Adam Czech




  1. Cel projektu

Celem projektu jest stworzenie programu, który z podanych danych statycznych wspomoże budowę jednorównaniowego modelu ekonometrycznego. Program ten ma w łatwy i przystępny, z punku widzenia użytkownika, realizować obliczenia z danych zawartych w pliku tekstowym.


  1. Dane statystyczne

Dane statyczne umieszczone w pliku tekstowym:

Tabela 1 Dane statystyczne wykorzystane w modelu

Lp.

Rok

Liczba emigracji

(w tys.)

Bezrobocie

(w tys.)

Zarobki

(w PLN)

Populacji

(w tys.)

PKB

(w mln.)

Y

X1

X2

X3

X4

1

2003

786

3176

800

38191

103,4

2

2004

1000

3000

824

38174

105,1

3

2005

1450

2773

849

38157

103,5

4

2006

1950

2309

899

38125

106,2

5

2007

2270

1747

934

38116

107,2

6

2008

2210

1474

1126

38136

103,9

7

2009

2100

1893

1276

38167

102,6

8

2010

2000

1955

1317

38530

103,7

9

2011

2060

1983

1386

38538

104,8

10

2012

2130

2137

1500

38533

101,8


11

2013

2196

2158

1600

38496

101,7



Gdzie:

Y – Ilość ludzi na emigracji w tysiącach,
X1 - Ilość zarejestrowanych bezrobotnych w tysiącach,
X2 – Średnie wynagrodzenie brutto w złotówkach,
X3 – Ilość mieszkańców w kraju,
X4 - PKB (Przychód Krajowy Brutto) w milionach.



  1. Współczynniki korelacji

Liczba określająca w jakim stopniu zmienne  współzależne. Jest to miara korelacji 

Między zmienną objaśnianą Y i zmiennymi objaśniającymi Xi. Ocena ta została wykonan przy pomocy wzoru na ri. Do obliczenia wykorzystano wzór:


Po obliczeniu poszczególnych współczynników korelacji otrzymano R:


R0

-0,9502

0,6572

0,2549

0,0913

W następnej kolejności obliczone zostały współczynniki korelacji między potencjalnymi zmiennymi objaśniającymi. Aby tego dokonać wykorzystano wzór:


Po podstawieniu odpowiednich elementów do wzoru otrzymano macierz współczynników korelacji R:


R

1

-0,6135

-0,1838

-0,0919

-0,6135

1

0,7995

-0,4987

-0,1838

0,7995

1

-0,4003

-0,0919

-0,4987

-0,4003

1



  1. Wybór zmiennych objaśniających

Do wyboru zmiennych wyjaśniających posłuży metoda współczynników korelacji wielorakiej dla poziomu istotności α=0,1.

Metoda Z. Pawłowskiego jest to metoda doboru zmiennych objaśniających do modelu statystycznego w szczególności modelu ekonometrycznego.

Aby dokonać wyboru zmiennych w pierwszej kolejności budujemy tzw. macierz rozszerzoną W:


gdzie:

W – pełną macierzą korelacji

Macierze R oraz W wykorzystujemy do budowy współczynnika korelacji wielorakiej Ci, który jest miarą liniowej zależności między zmienną objaśnianą a liniową kombinacją zmiennych objaśniających.

Obliczony jest ze wzoru:




  1. Oszacowanie parametrów strukturalnych modelu

Stosując Metodę Najmniejszych Kwadratów oszacowano parametry strukturalne modelu, oszacowanie to odbyło się po wybraniu zmiennych objaśniających.

Wzór ogólny tego modelu to:

Wyznaczenie parametrów ai, było możliwe dzięki wzorowi:



Aby skorzystać z wzoru potrzebne było wyznaczenie macierzy X oraz Y. Macierz X sprowadza się do wybrania kolumn reprezentujących wartości zmiennych X1, X2 z tabeli z danymi oraz dopisanie do niej kolumny jednostkowej, czyli kolumny samych jedynek. Macierz Y to tak naprawdę wartości zmiennej Y z tabeli danych statystycznych:


Y =


786




1000




1450




1950




2270




2210




2100




2000




2060




2130












X =

3176

800

1


3000

824

1


2773

849

1


2309

899

1


1747

934

1


1474

1126

1


1893

1276

1


1955

1317

1


1983

1386

1


2137

1500

1





Posiadając już macierz Y i X wyznaczono współczynniki a1, a2 i a3. Następnym etapem jest wyznaczenie macierzy transponowanej X­­T:

XT=

786

1000

1450

1950

2270

2210

2100

2000

2060

2130

3176

3000

2773

2309

1747

1474

1893

1955

1983

2137

1

1

1

1

1

1

1

1

1

1


Otrzymaną macierz XT pomnożono przez macierz X w wyniku czego otrzymano macierz XTX:


XTX =

53237203

23678431

22447

23678431

12521871

10911

22447

10911

10



Otrzymaną macierz odwrócono i pomnożono przez iloczyn macierzy XT i Y :


(XTX)-1=

0

0

-0,002

0

0

-0,005

-0,002

-0,005

9,663



XTY=

0

0

-0,0021

0

0

-0,0045

-0,0021

-0,0045

9,6627







Po wykonaniu wszystkich tych operacji otrzymujemy macierz a:

a=

0

0

-0.0193254

0

0

-0.0483135

-0.0202923

0.0434835

93.3706968



Gdy otrzymaną macierz a podstawimy do ogólnego wzoru opisującego model otrzymujemy:



  1. Weryfikacja modelu

Aby dokonać weryfikację modelu wybrane zostały współczynniki i hipotezy.

Na początku została wyznaczona wariancja składnika resztowego , wyznaczony został przy pomocy wzoru:

Kolejnym krokiem było określenie błędów średnich szacunku parametrów:



D(a1) = 0,0249,

D(a2) = 0,1152,

D(a3) = 428148,1011


Do wyznaczenia współczynnika zbieżności wykorzystany został wzór:


Współczynnik determinacji określony wzorem:

Ostatnim wyznaczonym współczynnikiem jest współczynnik zmienności losowej V:



Zweryfikowany wzór modelu:

(0,0249) (0,1152) (428148,1011)


  1. Statystyka t-Studenta

Statystyka t-Studenta została wykorzystana w celu sprawdzenia.

Hipoteza zerowa w postaci:

oraz hipotezę alternatywną w postaci:

Dla statystyki testowej danej wzorem:

otrzymano następujące wartości:

t1 = -33,044

t2 = 2,08442


Dla poziomu istotności =0,1 oraz n=7 (liczba stopni swobody) z tablic testu t-Studenta została odczytana wartość 1,8946.

Dla poziomu istotności =0,1 dokonano następujących porównań:

, bo 33,044 > 1,8946

,, bo 2,08442 > 1,8946.

Z wykonanych porównań wynika, że należy odrzucić hipotezę H0 i za słuszną uznać hipotezę alternatywną.




5. Statystyka F rozkładu Fischera Snedecora

Po wykonaniu sprawdzenia przy pomocy statystki t-Studenta wykonano sprawdzenia, czy dopasowanie oszacowanego modelu do danych empirycznych jest wystarczające. Wykorzystano w tym celu statystykę F rozkładu Fischera Snedecora. Na początku zostały określone hipotezy:

ʌ ʌ

v v

Korzystając ze statystyki określonej wzorem:

gdzie

R2=1- = 1-0,500 = 0,500

otrzymano

F = 8

Następnie z tablic Fischera Snedecora odczytano wartość krytyczną statystyki dla poziomu istotności α = 0,1 oraz stopni swobody m1=1 i m2=8 równą Fα = 3,46. Kolejnym krokiem było wykonanie porównania:

F>Fα , bo 8>3,46

Z wykonanego porównania wynika, że należy przyjąć hipotezę H1.



6. Graficzna prezentacja wyników

Dla otrzymanego wzoru określającego model ekonometryczny wykonano porównanie rzeczywistego przebiegu zmiennej objaśnianej z symulacyjnym przebiegiem tej zmiennej. Otrzymane wyniki przedstawiono w poniższej tabeli. Dodatkowo zaprezentowano wartość otrzymaną w kolejnym kroku (okresie) funkcji predykcyjnej dla danych z 2000 roku.


Rok

Rzeczywisty Y

Symulacyjny Y

2003

786

959,4538

2004

1000

1110,029

2005

1450

1302,807

2006

1950

1696,591

2007

2270

2167,408

2008

2210

2438,132

2009

2100

2129,394

2010

2000

2088,224

2011

2060

2081,753

2012

2130

1982,413

2003

786

959,4538


Graficzne porównanie rzeczywistego Y z symulacyjnym:


Wykres przedstawia średnią liczbę emigracji z Polski w latach 2003 – 2012. Wykres został sporządzony dokładnie z instrukcjami, które zostały podane na zajęciach.

7. Wnioski

Dzięki przeprowadzonym statystyką t-studenta i F rozkładu Fischera Snedecora, można stwierdzić, że zmienne objaśniające wpływają na zmienną endogeniczną. W oby przypadkach prawidłowe okazały się hipotezy H1 .

Dzięki graficznemu przedstawieniu modelu, również można potwierdzić poprawność sporządzonego modelu. Jak można zaobserwować przebiegi zmiennej objaśniającej i symulacyjnej są podobne. Oczywiście występują w nich drobne różnice, jednak wartości predykcyjne są bardzo bliskie realnym.


Opole 2015


Wyszukiwarka

Podobne podstrony:

więcej podobnych podstron