3582319482

J ekonometria, laboratoria VI - zarządzanie, studia stacjonarne I stopnia, rok li

Temat: regresja liniowa wielu zmiennych cz. 2 - pełna weryfikacja modelu ostatecznego

Cele:

-    Poznanie możliwości zastosowania metody analizy regresji w odniesieniu do badania zjawisk ekonomicznych, gospodarczych i demograficznych.

-    Zapoznanie się z zasadami doboru danych do modelu regresji oraz podstawowymi źródłami ich pozyskiwania.

-    Zdobycie umiejętności modelowania zależności miedzy zjawiskami - zapisanie modelu regresji w pełnej postaci, weryfikacja modelu i interpretacja oszacowanej zależności.

-    Zdobycie umiejętności tworzenia prognoz na podstawie modelu - założenia, które muszą być spełnione przy prognozowaniu; tworzenie prognoz punktowych i przedziałowych.

-    Zdobycie umiejętności praktycznego wykorzystania metody analizy regresji w badaniach oraz interpretacji otrzymanych wyników językiem „menedżerskim".

Materiały:

-    skrypt: „Statystyka i ekonometria" pod redakcją prof. Z. Łuckiego, Uczelniane Wydawnictwa Naukowo-Dydaktyczne AGH, Kraków 2008,

-    wykłady,

-    zadania i materiały zawarte w instrukcji.

PRZEBIEG LABORATORIÓW

Badanie wyrazistości modelu

Dla modelu oblicza się współczynnik wyrazistości dany wzorem:

W^-^100 %

y

Współczynnik informuje, jaki procent średniej arytmetycznej zmiennej objaśnianej modelu (Y) stanowi błąd resztowy (s(y) - odchylenie standardowe reszt).

Im mniejszą wartość przyjmuje współczynnik, tym bardziej „wyraźnie" kształt smugi punktów, którą tworzy wykres danych empirycznych („scatterplot"), przypomina kształt teoretycznej linii regresji (w przypadku regresji dwóch zmiennych). W związku z tym im mniejsze wartości przyjmuje współczynnik W, tym model jest lepiej dopasowany do danych empirycznych.

Procedura badania wyrazistości modelu:

-    określenie się maksymalną wartość W*, po której przekroczeniu uznajemy model za mało wyrazisty - przyjmujemy krytyczna wartość współczynnika W*=30%,

-    wyznaczenie na podstawie danych empirycznych wartość współczynnika zmienności W zgodnie ze wzorem podanym powyżej,

-    gdy zachodzi nierówność: W < W*, to model uznajemy za wyrazisty - dostatecznie dobrze dopasowany do danych empirycznych,

-    gdy zachodzi nierówność: W > W*, model uznajemy za mało wyrazisty - dopasowanie modelu do danych empirycznych jest zbyt słabe.