117250

117250



Posiać empiryczna tego modehi. po oszacowaniu go metodą najmniejszych kwadratów, wygląda następująco: 3.2 Model empiryczny

(szczegółowe dane znajdują się w załączniku nr 3)

A

PRODl = 2397.3 + 0.1156 PRODt-1 ♦ 9.3206 WAGEt + 1.5969 EXPCt +

(± 428.263)    (±0.093948)    (±20845)    (±0.22318)

gdzie:

WAGĘ - płaca przeciętna w sektorze przedsiębiorstw.

EXPC - wielkość eksportu w min złotych.

3.3.    Ocena parametrów.

Ocena parametrów stochastycznych modelu:

R2 = 0.98337 tp2 = 0.01663 V = 3.388%

hD = 22245 prób [0.026]

Wartości statystyk l - studenta dla parametrów stiukturaliiydi

(10    :    5.5978    Prób    = [0.000]

pl    :    1.2304    Prób    =[0.224]

p2    :    4.4714    Prób    =[0.000]

p3    :    7.1552    Prób    = [0.000]

3.4.    Wnioski.

Dzięki zmianom dokonanym w modelu zwiększył się parametr R2 co oznacza, że już 98.34% zmienności zmiennej endogenicznej jest wyjaśniane przez skonstruowany model. Niestety zmienna PRODt-1 okazała się w tym przypadku nieistotna statystycznie (prób [0.224]), mimo. iż łącznie użyte zmienne pozostały nadal istotne statystycznie.

Pozytywną cechą jest zmtuejszenie się współczynnika zmienności losowej do 3.388%.Pojawiła się jednocześnie autokorelacja, co wywnioskować możemy z wielkości statystyki h-Dutbina. która jest większa od krytycznej wielkości tej statystyki.

Z wykresu wartości rzeczywistych i oszacowanych, a także z wykresu reszt można wywnioskować, że na wielkość zmiennej endogenicznej mogą mieć znaczący wpływ okresy obserwacji

4. Model finalny

4.1. Model teoretyczny

Po przeprowadzeniu sezonowania okazało się, że po wyeliminowaniu miesięcy, w których zmiany nie wpłynęły w sposób statystycznie istotny na wartość zmiennej objaśnianej, model teoretyczny W7g]ąda w następujący sposób:

PRODt = p0+ pl PRODt-1* p2 WAGEt + p3 EXPCt + y3Q3 + y9Q9 + y10Q10 + *t

gdzie:

Q3. Q9. Q10 - Zmienne sezonowe odpowiadające za dodatkowe zmiany zmiennej objaśnianej w miesiącach: marcu, wrześniu i październiku. W miesiącach tych przyjmują wartość 1. a w pozostałych 0.

4.2 Model empiryczny

(szczegółowe dane znajdują się w załączniku nr 4)

Po oszacowaniu pow7ższego modelu metodą najmniejszych kwadratów otrzymano następującą postać rzeczywistą modelu:

A

PRODt =    1843    + 0.20953 PRODt-1 + 10.5834 WAGEt + 1.0681 EXPCt + 946.6844 Q3 + 1256.2

Q9 + 839.2765 Q10 + *t

(±410.3519) (±0.092408)    (±20433)    (±0.24409)    (±361.2713)

(±376.4562)    (±4027186)



Wyszukiwarka

Podobne podstrony:
Zadanie 4. Metodą najmniejszych kwadratów oszacowanonastępującą zależność1:Ay, =Sy,_x +p+e,.t =
o 118% (regresja przekrojowa metoda najmniejszych kwadratów) lub o 309% (regresja przekrojowa, metod
IMG01 (9) Model procesowy młynaII wibracyjnego -1 Model procesowy młyna opracowano metodą nąjmniejs
Wagi cech rynkowych metodą najmniejszych kwadratów (MNK) wraz z przedziałem ufności wag przy a =
Trend roczny metodą najmniejszych kwadratów (MNK)Trend=7,95±9,65 [%/rok]
parametrów a.b.c przeprowadzimy metodą najmniejszych kwadratów zgodnie z zależnością; x = —(A7
Uzyskane metodą najmniejszych kwadratów parametry regresji y względem x wyrażają się następującymi
62 (245) 62 czyli wówczas ocena wartości oczekiwanej E(l) zostanie podana zgodnie z metodą najmniejs
Biotechnologia 2sem biofizyka ksero METODA NAJMNIEJSZYCH KWADRATÓW Na podstawie współczynnika korel
ZADANIE 2.3. Wyznaczenie funkcji linearyzującej wyniki pomiarów metodą najmniejszych kwadratów w sta
Metoda najmniejszych kwadratów jako zasada wyrównania obserwacji Metoda ta pozwala w sposób jednozna
Cedro L., Janecki D. IDENTYFIKACJA MANIPULATORA Z NAPĘDEM ELEKTRYCZNYM METODĄ NAJMNIEJSZYCH KWADRATÓ
Wprowadzenie Model ekonometryczny Metoda najmniejszych kwadratów Wstęp do gretlLiniowy mod

więcej podobnych podstron