| |||||
МЕНЮ
| Практикум по предмету Математические методы и моделиПрактикум по предмету Математические методы и моделиМинистерство образования Российской Федерации Южно-Уральский государственный университет Кафедра «Экономика и инвестиции» _ _ Габрин К.Э. МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ Семестровое задание и методические указания к решению задач Челябинск Издательство ЮУрГУ 2000 УДК ББК Габрин К.Э., Математические методы и модели: Семестровое задание и методические рекомендации к решению задач. – Челябинск: Издательство ЮУрГУ, 2000. – 39 с. Приведены задачи семестрового задания, методические указания к их решению, примеры вычислений, рекомендуемая литература и приложения. Пособие предназначено для студентов специальностей 060811, 061101, 061120. Табл. 12, прилож. 4, список лит. – 13 назв. Одобрено учебно-методической комиссией факультета «Экономика и управление». Рецензент: Никифоров К.В. Задача 1 Многофакторный регрессионный и корреляционный анализ Варианты задач с 1 по 25 с указанием результативного y и факторных x1, x2 признаков приведены в табл. 1. По выборочным данным, представленным в табл. 2 и табл. 3, исследовать на основе линейной регрессионной модели зависимость результативного признака от показателей производственно-хозяйственной деятельности предприятий. Таблица 1 Варианты задач |№ вар.|Результативный |Факторные |№ |Результативный |Факторные | | |признак |признаки |вар. |признак |признаки | |1 |y1 |x1,x3 |14 |y3 |x1,x14 | |2 |y2 |x1,x5 |15 |y2 |x5,x9 | |3 |y2 |x1,x7 |16 |y3 |x8,x10 | |4 |y2 |x1,x11 |17 |y3 |x7,x14 | |5 |y2 |x1,x10 |18 |y3 |x3,x6 | |6 |y1 |x3,x4 |19 |y3 |x1,x14 | |7 |y2 |x3,x11 |20 |y1 |x2,x6 | |8 |y2 |x11,x5 |21 |y1 |x3,x7 | |9 |y1 |x3,x5 |22 |y2 |x5,x8 | |10 |y2 |x11,x6 |23 |y2 |x9,x10 | |11 |y2 |x1,x6 |24 |y3 |x4,x11 | |12 |y2 |x1,x12 |25 |y3 |x1,x12 | |13 |y2 |x1,x2 | | | | Таблица 2 Обозначения и наименование показателей производственно-хозяйственной деятельности предприятий |Обозначение |Наименование показателя | |показателя | | |y1 |Производительность труда, тыс.руб./чел. | |y2 |Индекс снижения себестоимости продукции | |y3 |Рентабельность | |x1 |Трудоемкость единицы продукции | |x2 |Удельный вес рабочих в составе ППР | |x3 |Удельный вес покупных изделий | |x4 |Коэффициент сменности оборудования, смен | |x5 |Премии и вознаграждения на одного работника ППР, тыс.руб. | |x6 |Удельный вес потерь от брака,% | |x7 |Фондоотдача активной части ОПФ, руб./руб. | |x8 |Среднегодовая численность ППР, чел. | |x9 |Среднегодовая стоимость ОПФ, млн.руб. | |x10 |Среднегодовой фонд заработной платы ППР | |x11 |Фондовооруженность труда, тыс.руб./чел. | |x12 |Оборачиваемость нормируемых оборотных средств, дн. | |x13 |Оборачиваемость ненормируемых оборотных средств, дн. | |x14 |Непроизводительные расходы, тыс.руб. | Таблица 3 Исходные данные для расчета |№ |y1 |y2 |y3 |x1 |x2 |x3 |x4 |x5 |x6 |x7 |x8 |x9 |x10 |x11 |x12 |x13 |x14 | |1 |9,4 |62 |10,6|0,23 |0,62 |0,4 |1,35 |0,88|0,15 |1,91|7394 |39,53|14257 |5,35 |173,9|11,88|28,13 | |2 |9,9 |53,1|9,1 |0,43 |0,76 |0,19 |1,39 |0,57|0,34 |1,68|11586 |40,41|22661 |3,9 |162,3|12,6 |17,55 | |3 |9,1 |56,5|23,4|0,26 |0,71 |0,44 |1,27 |0,7 |0,09 |1,89|7801 |37,02|14903 |4,88 |101,2|8,28 |19,52 | |4 |5,5 |30,1|9,7 |0,43 |0,74 |0,25 |1,1 |0,84|0,05 |1,02|6371 |41,08|12973 |5,65 |177,8|17,28|18,13 | |5 |6,6 |18,1|9,1 |0,38 |0,72 |0,02 |1,23 |1,04|0,48 |0,88|4210 |42,39|6920 |8,85 |93,2 |13,32|21,21 | |6 |4,3 |13,6|5,4 |0,42 |0,68 |0,06 |1,39 |0,66|0,41 |0,62|3557 |37,39|5736 |8,52 |126,7|17,28|22,97 | |7 |7,4 |89,8|9,9 |0,30 |0,77 |0,15 |1,38 |0,86|0,62 |1,09|14148 |101,7|26705 |7,19 |91,8 |9,72 |16,38 | |8 |6,6 |76,6|19,1|0,37 |0,77 |0,24 |1,35 |1,27|0,5 |1,32|15118 |81,32|28025 |5,38 |70,6 |8,64 |16,16 | |9 |5,5 |32,3|6,6 |0,34 |0,72 |0,11 |1,24 |0,68|1,2 |0,68|6462 |59,92|11049 |9,27 |97,2 |9,0 |20,09 | |10 |9,4 |199 |14,2|0,23 |0,79 |0,47 |1,4 |0,86|0,21 |2,3 |24628 |107,3|45893 |4,36 |80,3 |14,76|15,98 | |11 |5,7 |90,8|8 |0,41 |0,71 |0,2 |1,28 |0,45|0,66 |1,43|1948 |80,83|36813 |4,16 |128,5|10,44|22,76 | |12 |5,2 |82,1|17,5|0,41 |0,79 |0,24 |1,33 |0,74|0,74 |1,82|18963 |59,42|33956 |3,13 |94,7 |14,76|15,41 | |13 |10,0|76,2|17,2|0,22 |0,76 |0,54 |1,22 |1,03|0,32 |2,62|9185 |36,96|17016 |4,02 |85,3 |20,52|19,35 | |14 |6,7 |37,1|12,9|0,31 |0,79 |0,29 |1,35 |0,96|0,39 |1,24|6391 |37,21|11688 |5,82 |85,3 |7,92 |14,63 | |15 |9,4 |51,6|13,2|0,24 |0,70 |0,56 |1,2 |0,98|0,28 |2,03|6555 |32,87|12243 |5,01 |116,6|18,72|22,62 | Методические указания к решению задачи 1 Множественный корреляционный анализ состоит в оценке корреляционной матрицы генеральной совокупности по выборке и определении на ее основе оценок частных и множественных коэффициентов корреляции и детерминации. Парный и частный коэффициенты корреляции характеризуют тесноту линейной зависимости между двумя переменными соответственно на фоне действия и при исключении влияния всех остальных показателей, входящих в модель. Диапазон изменения этих коэффициентов [-1;1]. Множественный коэффициент корреляции характеризует тесноту связи между одной переменной (результативной) и остальными, входящими в модель. Диапазон изменения этого коэффициента [0;1]. Квадрат множественного коэффициента корреляции называется множественным коэффициентом детерминации; он характеризует долю дисперсии одной переменной (результативной), обусловленной влиянием остальных, входящих в модель. Дополнительная задача корреляционного анализа (основная – в регрессионном) – оценка уравнения регрессии. Исходной для анализа является матрица X размерности (n(k), которая представляет собой n наблюдений для каждого из k факторов. Оцениваются: вектор средних Xср, вектор среднеквадратических отклонений S и корреляционная матрица R: Xср=(x1ср, x2ср,…, xjср,…, xkср); S=(s1, s2, …, sj, …, sk); | |1 |r12|… |r1k| |R= |r21|1 |… |r2k| | |… |… |… |… | | |rk1|rk2|… |1 | где rjl=[((xij-xjср)(xil-xlср)]/(nsjsl), j,l=1,2,…,k; sj=([((xij - xjср)2]/n)0,5, i=1…n; xil – значение i-того наблюдения j-того фактора. Кроме того, находятся оценки частных и множественных коэффициентов корреляции любого порядка. Например, частный коэффициент корреляции порядка k-2 между факторами X1 и X2 равен r12/3,4,…,k=-R12/(R11R22)0,5, где Rjl – алгебраическое дополнение элемента r12 матрицы R. Множественный коэффициент корреляции порядка k-1 фактора X1 (результативного признака) определяется по формуле r1/2,3,…,k= r1=((R12(/R11)0,5, где (R12( – определитель матрицы R. Значимость парных и частных коэффициентов корреляции проверяется по t- критерию Стьюдента. Наблюдаемое значение критерия находится по формуле tнабл=(n-l-2)0,5r/(1-r2)0,5, где r – оценка коэффициента, l – порядок коэффициента корреляции (число фиксируемых факторов). Коэффициент корреляции считается значимым (т.е. гипотеза H0: (=0 отвергается с вероятностью ошибки (), если (tнабл(>tкр, определяемого по таблицам t-распределения (Приложение 1) для заданного ( и (=n-l-2. Значимость множественного коэффициента корреляции (или его квадрата – коэффициента детерминации) определяется по F-критерию. Наблюдаемое значение, например, для (21/2,…k, находится по формуле Fнабл= [r21/2,…k/(k-1)]/[(1-r21/2,…k)/(n-k)]. Множественный коэффициент корреляции считется значимым, если Fнабл>Fкр((, k-1, n-k), где Fкр определяется по таблице F-распределения (Приложение 1) для заданных (, (1=k-1 и (2=n-k. Множественный регрессионный анализ – это статистический метод исследования зависимости случайной величины y от переменных xj, рассматриваемых как неслучайные величины независимо от истинного закона распределения xj. Предполагается, что y имеет нормальный закон распределения с условным мат. ожиданием y=((x1,x2,…,xk), являющимся функцией от аргументов xj, и с постоянной, не зависящей от аргументов дисперсией (2. Наиболее часто встречаются линейные уравнения регрессии вида y=(0+(1x1+(2x2+…+(jxj+…+(kxk, линейные относительно неизвестных параметров (j (j=0,1,…,k) и аргументов xj. Коэффициент регрессии (j показывает, на какую величину в среднем изменится результативный признак y, если переменную xj увеличить на единицу ее измерения, т.е. является нормативным коэффициентом. В матричной форме регрессионная модель имеет вид Y=X(+(, где Y – случайный вектор-столбец размерности [n(1] наблюдаемых значений результативного признака (y1,y2,…,yn); X – матрица размерности [n( (k+1)] наблюдаемых значений аргументов. Элемент матрицы xij рассматривается как неслучайная величина (i=1,2,…,n; j=0,1,2,…,k; xоi=1); ( – вектор-столбец размерности [(k+1)(1] неизвестных коэффициентов регрессии модели; ( – случайный вектор-столбец размерности [n(1] ошибок наблюдений (остатков). Компоненты вектора независимы между собой, имеют нормальный закон распределения с нулевым мат. ожиданием и неизвестной дисперсией. На практике рекомендуется, чтобы n превышало k как минимум в три раза. Находится оценка уравнения регрессии вида y*=b0+b1x1+b2x2+…+bjxj+…+bkxk. Cогласно методу наименьших квадратов вектор оценок коэффициентов регрессии определяется по формуле b=(XTX)-1XTY, где | |1 |x11|… |x1k| |y1 | |b0 | | |. |. | |. | |. | |. | | |. |. | |. | |. | |. | |X= |1 |xi1|… |xik|Y= |yi |b= |bj | | |. |. | |. | |. | |. | | |. |. | |. | |. | |. | | |1 |xn1|… |xnk| |yn | |bk | XT – транспонированная матрица X; (XTX)–1 – матрица, обратная к матрице XTX. Оценка ковариационной матрицы коэффициентов регрессии вектора b определяется из выражения S*(b)=S*2(XTX)–1, где S*2=(Y-Xb)T(Y-Xb)/(n-k-1). Учитывая, что на главной диагонали ковариационной матрицы находятся дисперсии коэффициентов регрессии, имеем S*2b(j–1)= S*2[(XTX)–1]jj для j=1,2,…,k, k+1. Значимость уравнения регрессии, т.е. гипотеза H0: (=0 ((0=(1=…=(k=0), проверяется по F-критерию, наблюдаемое значение которого определяется по формуле Fнабл=(QR/(k+1))/(Qост/(n-k-1)), где QR=(Xb)T(Xb), Qост=(Y-Xb)T(Y-Xb). По таблице F-распределения (Приложение 1) для заданных (, (1=k+1, (2=n-k-1 находят Fкр. Гипотеза H0 отклоняется с вероятностью (, если Fнабл>Fкр. Из этого следует, что уравнение является значимым, т.е. хотя бы один из коэффициентов регрессии отличен от нуля. Для проверки значимости отдельных коэффициентов регрессии, т.е. гипотез H0: (j=0, где j=1,2,…,k, используют t-критерий и вычисляют tнабл(bj)=bj/S*bj. По таблице t-распределения (Приложение 1) для заданных (, (=n-k-1 находят tкр. Гипотеза H0 отвергается с вероятностью ошибки (, если (tнабл (>tкр. Из этого следует, что соответствующий коэффициент регрессии (j значим, т.е. (j ( 0. В противном случае коэффициент регрессии незначим и соответствующая переменная в модель не включается. После этого реализуется алгоритм пошагового регрессионного анализа, состоящий в том, что исключается одна из незначимых переменных, которой соответствует минимальное по абсолютной величине значение tнабл. После этого вновь проводят регрессионный анализ с числом факторов, уменьшенным на единицу. Алгоритм заканчивается получением уравнения регрессии со значимыми коэффициентами. Для решения задачи требуется: 1. Найти оценку уравнения регрессии вида y=b0+b1x1+b2x2. 2. Проверить значимость уравнения регрессии при (=0,05 или (=0,01. 3. Проверить значимость коэффициентов регрессии. 4. Дать экономическую интерпретацию коэффициентам регрессии и оценить адекватность полученной модели по величине абсолютных ei и относительных (i отклонений. 5. При необходимости перейти к алгоритму пошагового регрессионного анализа, отбросив один из незначительных коэффициентов регрессии. 6. Построить матрицы парных и частных коэффициентов корреляции. 7. Найти множественные коэффициенты корреляции и детерминации. 8. Проверить значимость частных и множественных коэффициентов корреляции. 9. Провести содержательный экономический анализ полученных результатов. Пример решения задачи 1 По данным годовых отчетов десяти (n=10) предприятий (табл.4) провести анализ зависимости себестоимости товарной продукции y (млн. р.) от объема валовой продукции x1 (млн. р.) и производительности труда x2 (тыс. р. на чел.). Таблица 4 Исходная информация для анализа и результаты расчета | |Исходная |Результаты расчета | | |информация | | |№ |xi1 |xi2 |yi |y*i |(y*i)2 |ei=yi-y*i|(ei)2 |(i= ei / | | | | | | | | | |y*i | |1 |3 |1,8 |2,1 |2,31572 |5,36255 |-0,21572 |0,04653 |-0,09315 | |2 |4 |1,5 |2,8 |3,48755 |12,16300 |-0,68755 |0,47273 |-0,19714 | |3 |5 |1,4 |3,2 |4,35777 |18,99015 |-1,15777 |1,34043 |-0,26568 | |4 |5 |1,3 |4,5 |4,50907 |20,33171 |-0,00907 |0,00008 |-0,00201 | |5 |5 |1,3 |4,8 |4,50907 |20,33171 |0,29093 |0,08464 |0,064521 | |6 |5 |1,5 |4,9 |4,20647 |17,69439 |0,69353 |0,48098 |0,164872 | |7 |6 |1,6 |5,5 |4,77408 |22,79184 |0,72592 |0,52696 |0,152054 | Окончание табл. 4 | |Исходная |Результаты расчета | | |информация | | |№ |xi1 |xi2 |yi |y*i |(y*i)2 |ei=yi-y*i|(ei)2 |(i= ei / | | | | | | | | | |y*i | |8 |7 |1,2 |6,5 |6,09821 |37,18816 |0,40179 |0,16144 |0,065887 | |9 |15 |1,3 |12,1 |11,6982 |136,84905 |0,40175 |0,16140 |0,034343 | |10 |20 |1,2 |15,0 |15,4441 |238,52177 |-0,44415 |0,19727 |-0,02876 | | |Сред. знач. |(= |530,22437 |(= |3,47247 | | | |7,5 |1,41 |6,14 | | | | | | |y*i – значения, вычисленные по уравнению регрессии | |ei – абсолютные ошибки аппроксимации | |(i – относительные ошибки аппроксимации | Решение 1. Определение вектора b оценок коэффициентов уравнения регрессии Расчет оценок коэффициентов уравнения регрессии y*=b0+b1x1+b2x2 производится по уравнению b=(XTX)–1XTY: | |n |(xi1 |(xi2 | |10 |75 |14,1 | |XTX = |(xi1|(x2i1 |(xi1xi|= |75 |835 |100,4 | | | | |2 | | | | | | |(xi2|(xi1xi|(x2i2 | |14,1 |100,4 |20,21 | | | |2 | | | | | | | |(yi | |61,4 | |b0 | |2,88142 | |XTY = |(xi1yi|= |664,5 |b = |b1 |= |0,71892 | | |(xi2yi| |82,23 | |b2 | |-1,51303 | Таким образом, оценка уравнения регрессии примет вид y*=2,88142+0,71892x1-1,51303x2. 2. Проверка значимости уравнения y*=2,88142+0,71892x1-1,51303x2. а) QR=(Xb)T(Xb)=(y*i =530,224365; б) Qост=(Y-Xb)T(Y-Xb)= (e2i =3,472465; в) несмещенная оценка остаточной дисперсии: S*2= Qост/(n-3)=3,472465 / 7 = 0,496066; г) оценка среднеквадратичного отклонения: S*= 0,7043195; д) проверяем на уровне (=0,05 значимость уравнения регрессии, т.е. гипотезу H0: (=0 ((0=(1=(2=0). Для этого вычисляем Fнабл=(QR/(k+1))/(Qост/(n-k-1))=(530,224365 / 3))/(3,472465 / 7))=356,32776. Далее по таблице F-распределения для (=0,05, (1=k+1=3, (2=n-k-1=7 находим Fкр=4,35. Так как Fнабл>Fкр (356,32776>4,35), то гипотеза H0 отвергается с вероятностью ошибки 0,05. Т.о. уравнение является значимым. 3. Проверка значимости отдельных коэффициентов регрессии а) Найдем оценку ковариационной матрицы вектора b: | |5,52259 |-0,08136 |-3,44878 | |S*(b)=S*2(XTX)–1=0,496066(XTX)–1= |-0,08136 |0,00267 |0,04348 | | |-3,44878 |0,04348 |2,21466 | Так как на главной диагонали ковариационной матрицы находятся дисперсии коэффициентов уравнения регрессии, то получим следующие несмещенные оценки этих дисперсий: S*2b0=5,52259; S*2b1=0,00267; S*2b0=2,21466; S*b0=2,35002; S*b1=0,05171; S*b2=1,48818. Найдем оценку корреляционной матрицы вектора b. Элементы этой матрицы определяются по формуле: rj-1l-1=cov*(bj-1,bl-1)/(S*bj-1S*bl-1), где cov*(bj-1,bl-1) – элементы матрицы S*(b), стоящие на пересечении j-той строки и l -того столбца ( j,l =1,2,3). Корреляционная матрица вектора b имеет вид: | |1 |-0,66955 |-0,98614 | |R*(b)= |-0,66955 |1 |0,56504 | | |-0,98614 |0,56504 |1 | Далее, для проверки значимости отдельных коэффициентов регрессии, т.е. гипотез H0: (m=0 (m=1,2), по таблицам t-распределения для (=0,05, (=7 находим tкр=2,365. Вычисляем tнабл для каждого из коэффициентов регрессии по формуле tнабл(bj)=bj/S*bj: tнабл(b1)=b1/S*b1=0,71892/0,05171=13,903 tнабл(b2)=b2/S*b2=1,51303/1,48818=1,01667. Так как tнабл(b1) > tкр (13,903 > 2,365), tнабл(b2) < tкр (1,01667< 2,365), то коэффициент регрессии (1(0, а коэффициент регрессии (2=0. Следовательно переходим к алгоритму пошагового регрессионного анализа. 4. Пошаговый регрессионный анализ Будем рассматривать оценку нового уравнения регрессии вида y*=b’0+b’1x1. Вектор оценок b’ определим по формуле b=(XT(X()–1XT(Y, где | |n |(xi1 | |10 |75 | |XT(X( =|(xi1|(x2i1|= |75 |835 | | |(yi | |61,4 | |b’0| |0,52534 | |XT(Y( =|(xiyi |= |664,5 |b( = |b’1|= |0,74861 | Таким образом, оценка уравнения регрессии примет вид: y*=0,52534+0,74861x1. |
ИНТЕРЕСНОЕ | |||
|