Автор работы: Пользователь скрыл имя, 13 Октября 2017 в 18:52, контрольная работа
1. Постройте прогноз численности наличного населения города А на 2010-2011 гг., используя методы: скользящей средней, экспоненциального сглаживания, наименьших квадратов.
2. Постройте график фактического и расчетных показателей.
3. Рассчитайте ошибки полученных прогнозов при использовании каждого метода.
4. Сравните полученные результаты, сделайте вывод.
Отрицательная автокорреляция фактически означает, что за положительным отклонением следует отрицательное и наоборот. Такая ситуация может иметь место, если ту же зависимость между спросом на прохладительные напитки и доходами рассматривать по сезонным данным (зима-лето).
Среди основных причин, вызывающих автокорреляцию, можно выделить следующие:
1. Ошибки спецификации. Неучет в модели какой-либо важной объясняющей переменной либо неправильный выбор формы зависимости обычно приводят к системным отклонениям точек наблюдения от линии регрессии, что может обусловить автокорреляцию.
2. Инерция. Многие
экономические показатели (инфляция,
безработица, ВНП и т.д.) обладают
определенной цикличностью, связанной
с волнообразностью деловой
3. Эффект паутины.
Во многих производственных и
других сферах экономические
показатели реагируют на
4. Сглаживание данных. Зачастую данные по некоторому продолжительному временному периоду получают усреднением данных по составляющим его интервалам. Это может привести к определенному сглаживанию колебаний, которые имелись внутри рассматриваемого периода, что в свою очередь может служить причиной автокорреляции.
Последствия автокорреляции схожи с последствиями гетероскедастичности: выводы по t- и F-статистикам, определяющие значимость коэффициента регрессии и коэффициента детерминации, возможно, будут неверными.
Обнаружение автокорреляции
1. Графический метод
Есть ряд вариантов графического определения автокорреляции. Один из них увязывает отклонения εi с моментами их получения i. При этом по оси абсцисс откладывают либо время получения статистических данных, либо порядковый номер наблюдения, а по оси ординат – отклонения εi (либо оценки отклонений).
Естественно предположить, что если имеется определенная связь между отклонениями, то автокорреляция имеет место. Отсутствие зависимости скорее всего будет свидетельствовать об отсутствии автокорреляции.
Автокорреляция становится более наглядной, если построить график зависимости εi от εi-1
2. Коэффициент автокорреляции.
Если коэффициент автокорреляции rei < 0.5, то есть основания утверждать, что автокорреляция отсутствует.
3. Критерий Дарбина-Уотсона.
Этот критерий является наиболее известным для обнаружения автокорреляции.
При статистическом анализе уравнения регрессии на начальном этапе часто проверяют выполнимость одной предпосылки: условия статистической независимости отклонений между собой. При этом проверяется некоррелированность соседних величин ei.
Таблица 4
y |
y(x) |
ei = y-y(x) |
e2 |
(ei - ei-1)2 |
119 |
119.39 |
-0.39 |
0.15 |
0 |
120 |
119.15 |
0.85 |
0.73 |
1.53 |
119 |
118.91 |
0.09 |
0.0081 |
0.58 |
118 |
118.67 |
-0.67 |
0.45 |
0.58 |
118.6 |
118.43 |
0.17 |
0.0278 |
0.7 |
118 |
118.2 |
-0.2 |
0.038 |
0.13 |
117.9 |
117.96 |
-0.0567 |
0.0032 |
0.0191 |
117.7 |
117.72 |
-0.0183 |
0.0003 |
0.0015 |
117.7 |
117.48 |
0.22 |
0.0484 |
0.0568 |
|
|
|
1.45 |
3.6 |
Для анализа коррелированности отклонений используют статистику Дарбина-Уотсона:
Критические значения d1 и d2 определяются на основе специальных таблиц для требуемого уровня значимости α, числа наблюдений n = 9 и количества объясняющих переменных m=1.
Автокорреляция отсутствует, если выполняется следующее условие:
d1 < DW и d2 < DW < 4 - d2.
Не обращаясь к таблицам, можно пользоваться приблизительным правилом и считать, что автокорреляция остатков отсутствует, если 1.5 < DW < 2.5. Поскольку 1.5 < 2.48 < 2.5, то автокорреляция остатков отсутствует.
Для более надежного вывода целесообразно обращаться к табличным значениям.
По таблице Дарбина-Уотсона для n=9 и k=1 (уровень значимости 5%) находим: d1 = 1.08; d2 = 1.36.
Поскольку 1.08 < 2.48 и 1.36 < 2.48 < 4 - 1.36, то автокорреляция остатков отсутствует.
Проверка наличия гетероскедастичности.
1) Методом графического анализа остатков.
В этом случае по оси абсцисс откладываются значения объясняющей переменной X, а по оси ординат либо отклонения ei, либо их квадраты e2i.
Если имеется определенная связь между отклонениями, то гетероскедастичность имеет место. Отсутствие зависимости, скорее всего будет свидетельствовать об отсутствии гетероскедастичности.
2) При помощи теста ранговой корреляции Спирмена.
Коэффициент ранговой корреляции Спирмена.
Присвоим ранги признаку ei и фактору X. Найдем сумму разности квадратов d2.
По формуле вычислим коэффициент ранговой корреляции Спирмена.
Таблица 5
X |
ei |
ранг X, dx |
ранг ei, dy |
(dx - dy)2 |
1 |
0.39 |
1 |
8 |
49 |
2 |
-0.85 |
2 |
1 |
1 |
3 |
-0.09 |
3 |
4 |
1 |
4 |
0.67 |
4 |
9 |
25 |
5 |
-0.17 |
5 |
3 |
4 |
6 |
0.2 |
6 |
7 |
1 |
7 |
0.0567 |
7 |
6 |
1 |
8 |
0.0183 |
8 |
5 |
9 |
9 |
-0.22 |
9 |
2 |
49 |
|
|
|
|
140 |
Связь между признаком ei и фактором X слабая и обратная
Оценка коэффициента ранговой корреляции Спирмена.
Значимость коэффициента ранговой корреляции Спирмена
По таблице Стьюдента находим tтабл:
tтабл (n-m-1;α/2) = (7;0.05/2) = 2.365
Поскольку Tнабл < tтабл , то принимаем гипотезу о равенстве 0 коэффициента ранговой корреляции. Другими словами, коэффициент ранговой корреляции статистически - не значим.
Интервальная оценка для коэффициента корреляции (доверительный интервал).
Доверительный интервал для коэффициента ранговой корреляции
r(-0.9331;0.5998)
Проверим гипотезу H0: гетероскедастичность отсутсвует.
Поскольку 2.365 > 0.45, то гипотеза об отсутствии гетероскедастичности принимается.
Проведем прогноз на 2010 и 2011 год.
Год |
Фактические данные и прогноз |
2001 |
119 |
2002 |
120 |
2003 |
119 |
2004 |
118 |
2005 |
118.6 |
2006 |
118 |
2007 |
117.9 |
2008 |
117.7 |
2009 |
117.7 |
Прогноз | |
2010 |
117,23 |
2011 |
116,99 |
Теперь проведем сравнение результатов прогноза показателей проведенный тремя методами и который из них является самым точным методом прогнозирования.
Метод |
Средняя относительная ошибка |
Скользящих средних |
0,05% |
Экспоненциальное сглаживание |
1 способ = 0,13%. 2 способ – 0,36% |
Наименьших квадратов. |
0,25% |
Таким образом, наиболее точным методом прогнозирования численности наличного населения города А является метод скользящего среднего, у которого наблюдается наименьшая средняя относительная ошибка прогноза 0,05%, и который даст наиболее точный прогноз, чем остальные методы прогнозирования.
Объем продажи плодоовощных консервов в городе
за 2006-2009 гг. (тыс.тонн)
Квартал |
2006 |
2007 |
2008 |
2009 |
1-й |
11,9 |
11,8 |
13,1 |
14,6 |
2-й |
13,6 |
13,6 |
14,7 |
16,6 |
3-й |
5,8 |
6,6 |
7,9 |
7,2 |
4-й |
12,3 |
12,0 |
15,0 |
15,5 |
1. Постройте
график исходных данных и
2. Постройте
прогноз объема продажи
3. Рассчитайте
ошибку и доверительный
Решение
I 1 = 110,2
I 2 = 109,1
I 3 = 122,2
I 4 = 55,9
У = 0,190х+10,39
Прогноз 2010 года
У1=15,01
У2=15,08
У3=17,1
У4=7,9
Прогноз 2011 года
У1=15,85
У2=15,9
У3=18
У4=8,4
Средняя относительная ошибка: 161/16=10,06%
Год |
Квартал |
Объем продажи плодоовощных консервов в городе Уф |
Показатели сезонности | ||||||||
4-квартальные суммы |
обозначение времени |
Объем продажи плодоовощных консервов в городе | |||||||||
4-квартальные средние |
Х^2 |
Уф*Х |
Ур | ||||||||
Центрированные средние |
Показатели сезонности |
Х | |||||||||
2006 |
1 |
11,9 |
1 |
1 |
11,9 |
10,58 |
11,092437 | ||||
2 |
13,6 |
2 |
4 |
27,2 |
10,77 |
20,8088235 | |||||
3 |
5,8 |
10,9 |
3 |
9 |
17,4 |
10,96 |
-88,9655172 | ||||
4 |
12,3 |
43,6 |
10,875 |
10,8875 |
53,272101 |
4 |
16 |
49,2 |
11,15 |
9,3495935 | |
2007 |
1 |
11,8 |
43,5 |
10,875 |
10,875 |
113,103448 |
5 |
25 |
59 |
11,34 |
3,89830508 |
2 |
13,6 |
43,5 |
11,075 |
10,975 |
107,517084 |
6 |
36 |
81,6 |
11,53 |
15,2205882 | |
3 |
6,6 |
44,3 |
11 |
11,0375 |
123,216308 |
7 |
49 |
46,2 |
11,72 |
-77,5757576 | |
4 |
12,0 |
44 |
11,325 |
11,1625 |
59,1265398 |
8 |
64 |
96 |
11,91 |
0,75 | |
2008 |
1 |
13,1 |
45,3 |
11,6 |
11,4625 |
104,689204 |
9 |
81 |
117,9 |
12,1 |
7,63358779 |
2 |
14,7 |
46,4 |
11,925 |
11,7625 |
111,370882 |
10 |
100 |
147 |
12,29 |
16,3945578 | |
3 |
7,9 |
47,7 |
12,675 |
12,3 |
119,512195 |
11 |
121 |
86,9 |
12,48 |
-57,9746835 | |
4 |
15,0 |
50,7 |
13,05 |
12,8625 |
61,4188533 |
12 |
144 |
180 |
12,67 |
15,5333333 | |
2009 |
1 |
14,6 |
52,2 |
13,525 |
13,2875 |
112,888053 |
13 |
169 |
189,8 |
12,86 |
11,9178082 |
2 |
16,6 |
54,1 |
13,35 |
13,4375 |
108,651163 |
14 |
196 |
232,4 |
13,05 |
21,3855422 | |
3 |
7,2 |
53,4 |
13,475 |
13,4125 |
123,765144 |
15 |
225 |
108 |
13,24 |
-83,8888889 | |
15,5 |
53,9 |
15,5 |
14,4875 |
49,6980155 |
16 |
256 |
248 |
13,43 |
13,3548387 |