WEBVTT

00:00:10.759 --> 00:00:13.401
Учебная дисциплина «Финансовая
математика».

00:00:13.761 --> 00:00:19.364
Тема практического занятия: предметы и
методы эконометрики финансовой математики.

00:00:19.725 --> 00:00:25.288
Преподаватель, кандидат педагогических
наук, доцент Романова Татьяна Николаевна.

00:00:27.049 --> 00:00:27.930
План занятия.

00:00:28.556 --> 00:00:33.680
Соотношение между экономическими
переменными основные этапы построения

00:00:33.880 --> 00:00:35.681
эконометрической модели.

00:00:37.523 --> 00:00:42.607
Линейная модель парной регрессии и
корреляции, оценки значимости уравнения

00:00:42.767 --> 00:00:44.328
регрессии и его параметров.

00:00:45.083 --> 00:00:48.401
Построение парной линейной регрессии в XL.

00:00:55.197 --> 00:01:00.074
Развитие экономики, усложнение
экономических процессов и повышение

00:01:00.314 --> 00:01:03.992
требований к принимаемым управленческим
решениям.

00:01:04.411 --> 00:01:09.896
В области макро и микроэкономики
потребовала более тщательного и

00:01:10.096 --> 00:01:15.180
объективного анализа реально протекающих
процессов на основе привлечения

00:01:15.421 --> 00:01:18.904
современных математических, статистических
методов.

00:01:19.504 --> 00:01:21.386
С другой стороны, проблема нарушения

00:01:22.041 --> 00:01:27.283
Предпосылок классических статистических
методов при решении реальных экономических

00:01:27.403 --> 00:01:33.245
задач привела к необходимости развития и
совершенствования классических методов

00:01:33.605 --> 00:01:39.807
математической статистики, уточнения
постановок

00:01:40.087 --> 00:01:41.528
соответствующих задач.

00:01:42.873 --> 00:01:48.035
В результате этих процессов осуществилось
выделение и формирование новой отрасли

00:01:48.155 --> 00:01:53.317
знания под названием эконометрика,
связанная с разработкой и применением

00:01:53.437 --> 00:01:58.438
методов количественной оценки
экономических явлений, процессов и их

00:01:58.518 --> 00:01:59.438
взаимосвязи.

00:02:03.967 --> 00:02:07.966
Основным методом исследования в
эконометрике является

00:02:09.366 --> 00:02:12.085
экономико-математическое моделирование.

00:02:13.245 --> 00:02:18.364
Правильно построенная модель должна давать
ответ на вопрос о количественной оценке

00:02:18.484 --> 00:02:24.042
величины изменения изучаемого явления или
процессов в зависимости от изменений

00:02:24.162 --> 00:02:25.082
внешней среды.

00:02:25.715 --> 00:02:31.435
Например, как скажется увеличение или
уменьшение уровня инвестиций на

00:02:31.555 --> 00:02:33.875
совокупность валовом продукте?

00:02:34.075 --> 00:02:38.475
Какие дополнительные ресурсы понадобятся
для запланированного увеличения выпуска

00:02:38.635 --> 00:02:40.515
продукции и тому подобное?

00:02:41.915 --> 00:02:46.515
Практическая значимость этой метрики
определяется тем, что применение методов

00:02:46.635 --> 00:02:47.035
позволяет

00:02:47.669 --> 00:02:53.553
Выяснить реально существующие связи между
явлениями, дать обоснованный прогноз

00:02:53.713 --> 00:02:59.918
развития явления в заданных условиях,
проверить и численно оценить экономические

00:03:00.078 --> 00:03:02.680
последствия принимаемых управленческих
решений.

00:03:05.837 --> 00:03:11.755
Построением экономических

00:03:13.189 --> 00:03:17.794
Конометрических моделей приходится
осуществлять в условиях, когда нарушаются

00:03:18.034 --> 00:03:23.961
предпосылки классических статистических
методов и учитывать наличие таких явлений,

00:03:24.001 --> 00:03:28.205
как мультиколениарность объясняющих
переменных.

00:03:28.631 --> 00:03:34.034
Закрытость механизма связи между
переменными в изолированной регрессии.

00:03:36.516 --> 00:03:41.199
Эффект гетерокидоксичности, то есть
отсутствие нормального распределения

00:03:41.359 --> 00:03:44.040
остатков для регрессионной функции.

00:03:45.135 --> 00:03:46.815
Корреляция остатков.

00:03:47.775 --> 00:03:49.296
Ложная корреляция.

00:03:51.496 --> 00:03:57.457
Разработка методов, преодолевающих эти
трудности, составляет теоретическую основу

00:03:57.537 --> 00:04:01.738
эконометрики наряду с логически
правильными формальными

00:04:02.526 --> 00:04:08.760
Применением имеющегося математического и
статистического инструментария важными

00:04:08.920 --> 00:04:13.955
составляющими успеха эконометрического
исследования являются экономически

00:04:14.314 --> 00:04:20.069
адекватная постановка задачи и последующая
экономическая интерпретация полученных

00:04:20.228 --> 00:04:20.868
результатов.

00:04:22.173 --> 00:04:27.691
Огромный толчок развитию экономических
методов и их широкому внедрению в практику

00:04:27.851 --> 00:04:33.169
дало развитие средств вычислительной
техники и особенно появление персональных

00:04:33.289 --> 00:04:35.569
и портативных компьютеров.

00:04:35.729 --> 00:04:37.368
Разработка программных пакетов

00:04:38.008 --> 00:04:42.169
Реализующих методы построения и
исследования эконометрических моделей

00:04:42.569 --> 00:04:46.130
привела к тому, что выполнение
эконометрических процедур становится

00:04:47.010 --> 00:04:50.570
доступным самому широкому кругу аналитиков

00:05:13.682 --> 00:05:15.162
Экономистов и менеджеров.

00:05:15.242 --> 00:05:22.000
В настоящее время основные усилия
прикладного исследования сводятся к

00:05:22.080 --> 00:05:27.239
подготовке качественных исходных данных, к
правильной постановке проблемы и

00:05:27.359 --> 00:05:28.799
экономически обоснованной

00:05:29.236 --> 00:05:31.834
Интерпретации результатов исследования.

00:05:32.314 --> 00:05:38.389
Вместе с тем, от исследования требуется
чёткое понимание областей

00:05:38.869 --> 00:05:44.625
применяемости используемых методов и
сложности и неочевидности процесса

00:05:44.824 --> 00:05:47.582
перенесения полученных теоретических
результатов.

00:05:48.365 --> 00:05:50.323
...на реальную действительность.

00:05:50.882 --> 00:05:57.237
Настоящие данные отражают содержание курса

00:05:57.636 --> 00:06:04.350
лекций, читаемых на факультетах
бухгалтерский учёт,

00:06:04.430 --> 00:06:05.948
экономическая теория...

00:06:06.647 --> 00:06:11.127
Экономика и управление, финансы и кредит.

00:06:20.008 --> 00:06:21.568
И переходим к главе один.

00:06:23.353 --> 00:06:27.315
Эконометрика и эконометрическое
моделирование: основные понятия и

00:06:27.395 --> 00:06:30.876
определения. Предмет и методы
эконометрики.

00:06:31.196 --> 00:06:36.358
Основная задача эконометрики — наполнить
эмпирическим содержанием априорные

00:06:36.518 --> 00:06:38.399
экономические рассуждения клие.

00:06:39.610 --> 00:06:43.733
Эконометрика — есть единство трёх
составляющих: статистики, экономической

00:06:43.893 --> 00:06:45.254
теории и математики.

00:06:45.334 --> 00:06:46.775
Фриш.

00:06:47.455 --> 00:06:52.659
Эконометрика — это наука, которая даёт
количественное выражение взаимосвязи

00:06:53.060 --> 00:06:55.021
экономических явлений в процессе.

00:06:56.090 --> 00:07:00.011
Основные задачи эконометрики — построение
количественно определённых

00:07:00.411 --> 00:07:02.691
экономико-математических моделей.

00:07:02.931 --> 00:07:08.611
Разработка методов оценка их параметров,
по статистическим данным, анализ свойств

00:07:08.651 --> 00:07:11.411
построенных моделей и прогнозирование на
их

00:07:11.588 --> 00:07:16.909
На основе экономических процессов можно
выделить три основных класса моделей,

00:07:16.989 --> 00:07:21.830
которые применяются для анализа и
прогнозирования экономических процессов:

00:07:22.150 --> 00:07:27.751
модели временных рядов, регрессионные
модели с одним уравнением, системы

00:07:27.911 --> 00:07:29.271
одновременных уравнений.

00:07:34.352 --> 00:07:39.310
При этом все переменные любой
экономической модели по способу их

00:07:39.590 --> 00:07:46.108
вхождения в эту модель можно разбить на
объясняемые зависимые, исследуемые

00:07:46.428 --> 00:07:51.506
переменные и объясняющие предопределённые
факторные переменные.

00:07:53.033 --> 00:07:57.556
Например, если мы будем решать задачу
прогнозирования продаж мороженого в

00:07:57.636 --> 00:08:02.400
определённый день каким-либо торговым
предприятием, то объясняемой переменной

00:08:02.600 --> 00:08:03.881
будет объём продаж.

00:08:04.641 --> 00:08:08.244
Объясняющими переменными могут выступать
температура воздуха

00:08:10.078 --> 00:08:15.194
торговая наценка, среднедушевой доход
населения и другое.

00:08:15.953 --> 00:08:22.507
Необходимым условием использования той или
иной переменной при построении модели

00:08:22.947 --> 00:08:27.783
является наличие ряда данных наблюдений,
измерений, величины или переменной.

00:08:28.628 --> 00:08:32.948
либо получение ряда знаний с
использованием дополнительных вычислений

00:08:33.908 --> 00:08:39.188
на основе наблюдений о показателях,
объясняющих интересующую нас переменную.

00:08:39.668 --> 00:08:44.308
Например, определение достоверных значений
среднедушевом

00:08:46.454 --> 00:08:53.420
Дохода непосредственно по результатам
спросов и бухгалтерской отчётности

00:08:53.941 --> 00:09:00.146
Может оказаться сложнее оценки изменения
дохода на основе информации об изменении

00:09:00.386 --> 00:09:02.708
розничного оборота товаров и услуг.

00:09:03.193 --> 00:09:07.110
А также изменение общей суммы банковских
вкладов населения.

00:09:07.989 --> 00:09:10.947
Эконометри выделяет три этапа данных.

00:09:11.627 --> 00:09:17.223
Кросс-секционные, перекрёстные данные
представляют ситуацию в группе переменных

00:09:17.702 --> 00:09:19.701
в отдельный момент времени.

00:09:20.338 --> 00:09:26.418
Таковыми, например, являются публикуемые в
деловых разделах газет, списки цен на

00:09:26.538 --> 00:09:32.139
различные акции, процентные ставки по
разным видам вкладов и обменные курсы

00:09:32.699 --> 00:09:37.819
разных валют. Другим примером может
служить информация о продажах торговых

00:09:38.500 --> 00:09:40.700
предприятий в определённый день товаров.

00:09:41.100 --> 00:09:47.457
различных групп: пищевых, хозяйственных и
так далее Пространственные данные

00:09:47.857 --> 00:09:53.254
характеризуют ситуацию по конкретной
переменной или набору переменных,

00:09:53.334 --> 00:09:57.212
относящихся к пространственно разделённым
однотипным объектам

00:09:57.912 --> 00:09:59.232
...в один момент времени.

00:09:59.312 --> 00:10:04.791
Например, данные о курсах валют в один
день по разным обменным пунктам города или

00:10:05.031 --> 00:10:08.591
продажи мороженого в различных киосках в
один день.

00:10:09.270 --> 00:10:13.870
Временные ряды отражают изменения и
динамику какой-либо переменной.

00:10:14.209 --> 00:10:15.568
На промежутке времени.

00:10:15.888 --> 00:10:21.203
Например, данные об обменном курсе валюты
за каждый день в конкретном обменном

00:10:21.323 --> 00:10:26.319
пункте или данные о продажах мороженого в
данном киоске за каждый день будут

00:10:26.359 --> 00:10:29.317
являться ежедневным временным.

00:10:30.544 --> 00:10:35.939
Практическая значимость эконометрики
определяется тем, что применение её

00:10:36.178 --> 00:10:41.453
методов позволяет выявить реально
существующие связи между явлениями.

00:10:42.292 --> 00:10:46.888
Дать обоснованный прогноз развития явления
в данных заданных условиях.

00:10:47.453 --> 00:10:53.495
Проверить и численно оценить экономические
последствия применяемых управленческих

00:10:53.775 --> 00:10:54.975
решений.

00:10:57.616 --> 00:11:01.897
Экономические явления взаимосвязаны и
взаимообусловлены.

00:11:02.537 --> 00:11:06.378
Следствием этого является то, что значение
соответствующих экономических

00:11:06.887 --> 00:11:10.447
Показатели изменяются во времени с учётом
их взаимосвязи.

00:11:11.047 --> 00:11:16.967
Так, например, известно, что совокупный
спрос зависит от уровня цен потребления,

00:11:17.047 --> 00:11:21.488
от располагаемого дохода, инвестиции, от
процентной ставки и так далее.

00:11:23.097 --> 00:11:27.702
Перед исследованием стоит задача выявления
таких связей, их количественной оценки и

00:11:27.782 --> 00:11:32.787
изучения возможности использования
выявления связи в экономическом анализе и

00:11:32.907 --> 00:11:38.073
прогнозировании, разработкой
соответствующего инструментария и его

00:11:38.433 --> 00:11:39.274
применением.

00:11:41.622 --> 00:11:45.744
для решения конкретных практических
экономических задач

00:11:50.267 --> 00:11:53.469
как раз и занимается этим эконометрика.

00:11:53.589 --> 00:11:57.151
В основе любого эконометрического
исследования лежит построение

00:11:58.030 --> 00:12:03.194
Экономика математической модели, адекватно
изучаемым реальным экономическим явлениям

00:12:03.274 --> 00:12:07.796
и процессам. Процесс построения
эконометрических моделей начинается с

00:12:07.916 --> 00:12:12.399
качественного исследования проблем
методами экономической теории.

00:12:12.639 --> 00:12:16.602
Далее формулируются цели исследования,
выделяются факторы.

00:12:16.979 --> 00:12:23.813
...влияющие на изучаемый показатель и
формулируются предположение о характере

00:12:23.933 --> 00:12:25.851
предполагаемой зависимости.

00:12:26.650 --> 00:12:31.286
На этой основе изучаемые зависимости
выражаются в виде математических формул и

00:12:31.406 --> 00:12:32.245
соотношений.

00:12:33.506 --> 00:12:38.064
Следует отметить, что ввиду невозможности
одновременно учесть большое количество

00:12:38.303 --> 00:12:43.581
факторов, влияющих на изучаемый
показатель, предполагаемые зависимости

00:12:44.060 --> 00:12:48.698
между переменными будут выполняться не
точно, а с определённой погрешностью.

00:12:49.915 --> 00:12:54.397
Кроме того, экономическими явлениями

00:12:57.439 --> 00:13:02.521
присуща внутренняя неопределённость,
связанная с целенаправленной деятельностью

00:13:02.801 --> 00:13:04.482
субъектов экономики.

00:13:04.922 --> 00:13:08.684
Вышесказанное обусловливает применение
статистических методов.

00:13:09.078 --> 00:13:14.801
С помощью которых осуществляется отбор
значимых факторов, определяется наличие и

00:13:14.921 --> 00:13:19.803
степень тесноты связи между изучаемыми
показателями.

00:13:19.963 --> 00:13:25.125
Даётся количественная оценка параметров
предполагаемых зависимостей.

00:13:25.667 --> 00:13:30.190
И исследуется степень их соответствия
реальной действительности.

00:13:30.950 --> 00:13:36.314
Основным инструментом в математической
статистике, используемым для построения

00:13:36.594 --> 00:13:42.478
эконометрических моделей, являются методы
корреляционного и регрессионного анализа.

00:13:43.767 --> 00:13:49.408
Корреляционный анализ ставит связь своей
целью проверку наличия и значимости

00:13:49.729 --> 00:13:56.050
линейной зависимости между переменными без
распределения переменных на зависимые и

00:13:56.130 --> 00:14:00.531
объясняющие. Ответ на эти вопросы даётся с
помощью вычисления

00:14:01.134 --> 00:14:05.778
Показателей коэффициента корреляции.

00:14:07.740 --> 00:14:12.424
Регрессионный анализ направлен на
выражение изучаемой зависимости в виде

00:14:12.584 --> 00:14:18.670
аналитической формулы с предварительным
выделением зависимых и объединяющих

00:14:18.870 --> 00:14:19.390
переменных.

00:14:20.848 --> 00:14:26.366
Регрессионный анализ призван выявить
переменные, которые определяют поведение

00:14:26.726 --> 00:14:33.084
других величин и, следовательно, могут
использоваться как объясняющие переменные.

00:14:34.043 --> 00:14:37.282
Определить форму зависимостей.

00:14:38.062 --> 00:14:44.900
И экономический смысл её коэффициент
результатом

00:14:45.020 --> 00:14:50.338
проведения регрессионного анализа является
построение так называемого уравнения

00:14:50.498 --> 00:14:56.336
регрессии. После построения уравнения
регрессии осуществляется проверка его

00:14:56.576 --> 00:14:59.015
статистического качества, включающая

00:14:59.814 --> 00:15:04.173
Проверку статистической значимости
коэффициентов уравнений регрессии.

00:15:04.373 --> 00:15:07.572
Проверку общего качества уравнений
регрессии.

00:15:08.172 --> 00:15:14.770
Проверку наличия данных, предполагающихся
при оценивании уравнений регрессии.

00:15:17.169 --> 00:15:20.528
Соотношение между экономическими
переменными.

00:15:21.935 --> 00:15:26.932
Одна из наиболее общих задач в
экономических исследованиях состоит в

00:15:27.012 --> 00:15:32.329
оценении степени зависимости изучаемой
величины Y от одной из нескольких

00:15:32.449 --> 00:15:37.606
случайных или неслучайных величин X,
называемых факторами.

00:15:38.800 --> 00:15:44.483
Зависимость может быть функциональной,
статистической либо отсутствовать вовсе.

00:15:45.523 --> 00:15:51.366
Строгая функциональная зависимость между
экономическими показателями в наличии

00:15:51.526 --> 00:15:54.608
всегда выполняется равенство грек, равное
F от X

00:15:55.624 --> 00:16:00.661
Реализуются редко, так как они подвержены
влиянию случайных факторов.

00:16:01.461 --> 00:16:06.538
При статистической зависимости изменение
одной из величин влечёт изменение

00:16:06.738 --> 00:16:08.257
распределения другой.

00:16:08.697 --> 00:16:10.696
В частности, среднего значения.

00:16:11.250 --> 00:16:15.804
В этом случае статистическую зависимость
называют корреляционной.

00:16:17.762 --> 00:16:23.475
Причём всегда есть несколько величин,
которые определяют главные тенденции

00:16:23.754 --> 00:16:26.790
изменения рассматриваемой величины.

00:16:27.444 --> 00:16:32.881
И в экономической теории, и в практике
ограничиваются тем или иным кругом таких

00:16:33.080 --> 00:16:36.318
величин объясняющих перемен.

00:16:37.717 --> 00:16:42.674
Однако всегда существует и воздействие
большего числа других, менее важных

00:16:43.368 --> 00:16:48.647
...или трудно идентифицируемых факторов,
приводящих к отклонению значений

00:16:48.846 --> 00:16:54.805
объясняемой зависимой переменной от
конкретной формулы её связи с объясняющими

00:16:54.965 --> 00:16:58.884
переменными, сколь бы точной эта формула
ни была.

00:16:59.204 --> 00:17:00.483
Нахождение оценка.

00:17:00.823 --> 00:17:06.304
И анализ таких связей, идентификация,
объясняющих переменные, построение формул

00:17:06.504 --> 00:17:10.505
зависимостей и оценка их параметров и
составляет предмет

00:17:10.665 --> 00:17:13.466
корреляционно-регрессивного анализа.

00:17:14.426 --> 00:17:17.987
При этом корреляционный анализ занимается
исследованием

00:17:18.396 --> 00:17:24.759
Взаимосвязи случайных величин тогда, когда
регрессионный анализ на базе выборочных

00:17:24.840 --> 00:17:30.843
данных исследует зависимость случайной
величины от ряда неслучайных и

00:17:31.923 --> 00:17:33.244
случайных величин.

00:17:35.389 --> 00:17:39.866
Примерами корреляционных, но
нефункционально связанных величин являются

00:17:40.065 --> 00:17:46.500
объёмы производства и себестоимость
продукции, объёмы продаж и прибыль

00:17:46.700 --> 00:17:50.218
урожая зерна и количество внесённых
удобрений.

00:17:51.696 --> 00:17:54.414
Действительно, в последнем примере с
одинаковых

00:17:55.008 --> 00:17:59.964
А площади участков земли при равных
количествах внесённых удобрений снимают

00:18:00.203 --> 00:18:01.562
различный урожай.

00:18:01.722 --> 00:18:08.435
То есть отсутствует функциональная связь
объясняется влиянием случайных

00:18:08.555 --> 00:18:12.911
факторов: осадки, температура, качество
семян и другое.

00:18:13.436 --> 00:18:18.510
Вместе с тем, как показывает опыт, средний
урожай меняется с изменением количества

00:18:18.670 --> 00:18:23.705
удобрений. То есть прослеживается
корреляционная зависимость.

00:18:25.463 --> 00:18:29.258
Рассмотрим сначала однофакторную
регрессионную модель.

00:18:31.779 --> 00:18:37.783
В этом случае имеется N наблюдений X итое
и грек итое, где

00:18:38.264 --> 00:18:41.626
изменяется от единицы до N.

00:18:41.947 --> 00:18:45.269
На некоторыми случайными величинами X
принадлежащит

00:18:50.624 --> 00:18:56.699
Наблюдение можно представить точками на
плоскости с координатами X-грек, получая

00:18:56.939 --> 00:18:59.577
так называемую диаграмму рассеяний.

00:19:00.336 --> 00:19:04.732
Задача построения регрессионной модели
заключается в том, что необходимо

00:19:05.212 --> 00:19:07.130
подобрать некоторую кривую.

00:19:07.860 --> 00:19:13.177
График соответствующей функции таким
образом, чтобы она располагалась как можно

00:19:13.417 --> 00:19:15.256
ближе к этим точкам.

00:19:15.896 --> 00:19:21.653
Такого рода кривую называют эмпирической
или аппроксимирующей кривой.

00:19:22.213 --> 00:19:23.212
Весьма часто типа

00:19:23.771 --> 00:19:28.608
Эмпирической кривой определяется
экспериментальными или теоретическими

00:19:28.768 --> 00:19:33.046
соображениями, исходя из законов
экономической теории.

00:19:33.485 --> 00:19:38.243
В противном случае осуществить выбор
кривой довольно трудно.

00:19:39.082 --> 00:19:41.761
Иногда точки на диаграмме рассеяния
располагаются

00:19:42.255 --> 00:19:49.017
Таким образом, что не наблюдается никакого
их группирования, и, соответственно, нет

00:19:49.337 --> 00:19:55.178
никаких оснований предполагать наличие в
наблюдении какой-либо

00:19:55.338 --> 00:19:56.578
взаимосвязи.

00:19:58.938 --> 00:19:59.858
Таким образом,

00:20:00.801 --> 00:20:06.596
Результатом исследования статистической
взаимосвязи на основе выборочных данных

00:20:06.796 --> 00:20:13.231
является построение уравнений регрессия
вида grek, равная F от X.

00:20:14.470 --> 00:20:17.708
Основные этапы построения экнометрической
модели.

00:20:19.172 --> 00:20:22.489
Конометрическое моделирование состоит из
следующих этапов.

00:20:23.129 --> 00:20:30.004
Постановочный этап формулируются конечное
цели моделирования, определяются наборы

00:20:30.124 --> 00:20:35.761
возможных исследуемых, объясняемых
переменных gek и факторных

00:20:38.837 --> 00:20:41.115
объединяющих переменных X.

00:20:42.274 --> 00:20:46.990
Предварительный этап осуществляется
предварительный анализ экономической сути

00:20:47.230 --> 00:20:52.826
изучаемого явления, возможности сбора и
обработки статистических данных.

00:20:55.408 --> 00:21:01.806
Параметризации производится выбор общего
вида модели, в том числе состава и формы

00:21:01.926 --> 00:21:03.646
входящих в неё связей.

00:21:04.205 --> 00:21:09.124
Например, может быть выбрана модель с
одной объясняющей и одной объясняемой

00:21:09.324 --> 00:21:11.843
переменными — модель парной регрессии.

00:21:12.627 --> 00:21:18.384
Если объясняющих факторных переменных
используется две или более, то говорят об

00:21:18.504 --> 00:21:21.422
использовании модели множественной
регрессии.

00:21:21.982 --> 00:21:26.539
При этом в качестве вариантов могут быть
выбраны линейные экспланционные

00:21:28.055 --> 00:21:32.894
Экспоненциальная, гиперболическая,
показательная и другие виды функций,

00:21:32.934 --> 00:21:35.173
связывающих эти переменные.

00:21:36.373 --> 00:21:42.211
Информационный этап сбор информации,
проведение

00:21:43.730 --> 00:21:44.490
наблюдений.

00:21:45.207 --> 00:21:48.446
Использование материалов отчётности и так
далее.

00:21:48.966 --> 00:21:54.045
И предварительный анализ данных, проверка
аномальных значений, показателей,

00:21:54.285 --> 00:21:59.484
сглаживание, тестирование на наличие
тенденций исследуемых показателей к

00:21:59.524 --> 00:22:03.683
изменениям. Идентификация модели.

00:22:05.288 --> 00:22:09.851
Определение неизвестных параметров
коэффициентов модели с использованием

00:22:09.971 --> 00:22:12.012
имеющегося набора данных.

00:22:12.453 --> 00:22:16.816
Наибольшее распространение для оценки
параметров получил метод наименьших

00:22:16.936 --> 00:22:23.500
квадратов. Проверка верификации модели и
прогнозирования.

00:22:24.447 --> 00:22:31.011
Предполагает сопоставление реальных и
модельных данных, проверку адекватности

00:22:31.252 --> 00:22:34.534
модели, оценку точности модельных данных.

00:22:34.854 --> 00:22:40.538
Если модель адекватная, имеет приемлемую
точность, то на её основе строится прогноз

00:22:40.738 --> 00:22:41.938
точечного интервальной

00:22:45.326 --> 00:22:46.647
Контрольные вопросы.

00:22:47.728 --> 00:22:50.731
Охарактеризуйте предмет эконометрики.

00:22:51.011 --> 00:22:54.975
Укажите основные этапы эконометрического
исследования.

00:22:55.535 --> 00:23:01.461
Какие задачи решает корреляционный и
регрессионный анализовы особенности

00:23:01.741 --> 00:23:05.344
причинно-следственных отношений
социально-экономических явлений.

00:23:06.544 --> 00:23:09.824
Какие зависимости называют
страхастическими?

00:23:10.464 --> 00:23:14.224
Какие типы данных используются в
эконометрическом исследовании?

00:23:14.944 --> 00:23:19.905
Опишите основные этапы построения
эконометрической модели.

00:23:21.465 --> 00:23:23.825
Какие виды аналитических зависимостей

00:23:24.505 --> 00:23:27.905
Наиболее часто используется при построении
моделей.

00:23:28.545 --> 00:23:31.585
Какие методы используются для отбора
факторов?

00:23:32.105 --> 00:23:35.785
Какие методы используются для оценки
параметров модели?

00:23:36.225 --> 00:23:40.265
Какими свойствами характеризуется качество
оценок?

00:23:45.306 --> 00:23:48.424
Парная регрессия и корреляция.

00:23:49.343 --> 00:23:55.500
Парная регрессия характеризует регрессию
между двумя изучаемыми наблюдениями: Y.

00:23:55.660 --> 00:23:59.697
Иначе говоря, это модель вида geck, равная
F от X.

00:24:00.777 --> 00:24:01.456
Объясняемая

00:24:02.141 --> 00:24:07.545
Эндогенная переменная или же
результативный признак X объясняющая

00:24:08.906 --> 00:24:13.189
экзогенная или зависимая переменная, иначе
признак — фактор.

00:24:13.829 --> 00:24:15.831
Обозначение галочки.

00:24:16.329 --> 00:24:20.450
Говорит о том, что между наблюдениями X и
игрек нет строгой функциональной

00:24:20.611 --> 00:24:26.093
зависимости, а значит, почти в каждом
отдельном случае значение игрек есть сумма

00:24:26.173 --> 00:24:31.936
двух других слагаемых: gek равное игрек от
X + apsel.

00:24:33.822 --> 00:24:40.699
Где игрек фактическое признака, iгрек с
индексом X

00:24:41.139 --> 00:24:46.617
теоретически полученные значения
результативного признака, которое получено

00:24:46.777 --> 00:24:49.536
исходя из уравнения регрессии.

00:24:50.730 --> 00:24:54.967
Наблюдаемая величина, которая
характеризует отклонение фактических

00:24:55.167 --> 00:25:01.522
данных результативного признака от
теоретически полученных из уравнения

00:25:01.842 --> 00:25:08.277
регрессий. Также случайную величину
эпсилум называют

00:25:08.732 --> 00:25:14.009
Возмущением. Она содержит влияние
факторов, которые не учтены в модели

00:25:14.209 --> 00:25:18.408
случайных ошибок и особенности, связанных
с измерениями.

00:25:19.087 --> 00:25:22.646
Её присутствие в модели может быть связано
с тремя факторами.

00:25:23.965 --> 00:25:25.565
Спецификации модели.

00:25:25.955 --> 00:25:31.080
Выборочным характером исходных данных,
особенностями измерения переменных.

00:25:32.401 --> 00:25:37.325
От правильно подобранной спецификации
модели будет зависеть влияние случайных

00:25:37.526 --> 00:25:39.688
ошибок на построенную модель.

00:25:39.888 --> 00:25:44.652
Чем ближе теоретически расположенные
значения игрек с индексом X к значениям

00:25:44.772 --> 00:25:46.454
фактических данных igrek

00:25:46.897 --> 00:25:49.417
Тем меньше влияние случайных ошибок.

00:25:50.258 --> 00:25:55.859
Также к ошибкам спецификации можно отнести
неправильный выбор математической функции

00:25:56.019 --> 00:26:01.741
для Y и недоучёт в уравнении, регрессии
какого-либо

00:26:02.253 --> 00:26:05.134
существенного фактора.

00:26:05.815 --> 00:26:09.617
То есть использование парной регрессии
вместо множественной.

00:26:10.057 --> 00:26:14.459
Помимо ошибок в спецификации на модель
могут быть оказывать влияние ошибки

00:26:14.659 --> 00:26:17.621
выборки, которые появляются в случае

00:26:19.438 --> 00:26:24.163
неоднородности данных в исходной
статистической совокупности, что обычно

00:26:24.283 --> 00:26:29.088
бывает при анализе эконометрических
процессов В случае неоднородности,

00:26:29.128 --> 00:26:33.893
изучаемой в совокупности в построенном
уравнении регрессии отсутствует всякий

00:26:34.013 --> 00:26:34.974
практический смысл

00:26:35.997 --> 00:26:41.715
Чтобы получить хороший результат, чаще
всего исключают из совокупности единицы с

00:26:41.795 --> 00:26:44.794
аномальными значениями исследуемых
признаков.

00:26:45.234 --> 00:26:49.473
В таком случае результаты построенной
модели регрессии будут представлять из

00:26:49.593 --> 00:26:51.273
себя выборочные характеристики.

00:26:53.304 --> 00:26:57.863
Использование временной информации также
представляет собой выборку из всего

00:26:57.983 --> 00:27:00.142
множества хронологических дат.

00:27:00.582 --> 00:27:05.061
Изменив временной интервал, можно получить
другие результаты регрессии.

00:27:06.740 --> 00:27:11.379
Наибольшую опасность опасения трудностей в
практическом применении регрессионных

00:27:11.499 --> 00:27:14.098
методов будут представлять ошибки
измерения.

00:27:15.231 --> 00:27:20.750
Если ошибки спецификации можно снизить,
изменив формулу модели, вид математической

00:27:20.910 --> 00:27:27.709
формулы, ошибки выборки, увеличив объём
выборки, то ошибки

00:27:28.229 --> 00:27:30.189
измерения практически сводятся

00:27:30.688 --> 00:27:37.330
Сводит всё к нулю расчёты связанные с
количественной оценкой

00:27:37.490 --> 00:27:40.530
связи между изучаемыми признаками.

00:27:41.611 --> 00:27:45.972
Особенно велико наличие ошибок измерения в
случае исследования на

00:27:46.895 --> 00:27:51.296
Макроуровне. Так при анализе спроса и
потребления в качестве объясняющей

00:27:51.376 --> 00:27:55.257
переменной широко применяется доход на
душу населения.

00:27:55.537 --> 00:28:00.378
Вместе с тем статистическое измерение
величины дохода сопряжено с рядом

00:28:00.498 --> 00:28:05.739
трудностей и не лишено возможных ошибок,
например, в результате наличия скрытых

00:28:05.859 --> 00:28:06.299
доходов.

00:28:08.151 --> 00:28:13.035
Предположив, что ошибки измерения были
сведены к минимуму, основной упор в

00:28:13.115 --> 00:28:18.760
эконометрических исследованиях делается на
устранении ошибок спецификации модели.

00:28:19.440 --> 00:28:24.845
При наличии парной регрессии общий вид
математической функции grek равной Fat X.

00:28:25.483 --> 00:28:28.323
Можно определить тремя методами.

00:28:31.763 --> 00:28:38.603
Это у нас графический метод, аналитический
метод, то есть опираясь на теорию

00:28:38.723 --> 00:28:40.363
изучаемой взаимосвязи.

00:28:40.950 --> 00:28:42.588
Экспериментальный метод.

00:28:43.227 --> 00:28:47.343
Применение графического метода даёт
наглядное представление относительно

00:28:47.663 --> 00:28:50.580
зависимости между изучаемыми признаками.

00:28:51.539 --> 00:28:56.295
При изучении зависимости между двумя
признаками графический метод подбора вида

00:28:56.415 --> 00:28:58.892
уравнения регрессии достаточно нагляден.

00:29:00.997 --> 00:29:06.556
Он базируется на анализе поля корреляции,
основные типы кривых, используемых при

00:29:06.716 --> 00:29:13.515
количественной оценке связи на

00:29:13.715 --> 00:29:16.554
рисунке линии регрессии.

00:29:17.474 --> 00:29:18.714
Основные типы кривых.

00:29:20.309 --> 00:29:24.714
используемые при количественной оценке
связи между двумя переменными.

00:29:25.315 --> 00:29:32.083
Итак, в первом случае это у нас прямая
функция грек равная A + B X.

00:29:32.243 --> 00:29:33.165
Далее кривая

00:29:36.711 --> 00:29:42.385
Либо часть параболы, которая, веточка
которой направлена вниз, Yek равная A + B

00:29:47.220 --> 00:29:51.895
Далее кривая уравнения грек равная B
разделить на X

00:29:54.531 --> 00:30:01.404
Следующая кривая уравнения игрек равно A
плю B X + Cudrat + Ax в кубе.

00:30:02.324 --> 00:30:04.042
Кубическая кривая.

00:30:05.521 --> 00:30:10.476
Следующая кривая игрек, равная A умножить
на X в степени B.

00:30:10.664 --> 00:30:14.467
И игрек равный A умножить на B в степени
икс.

00:30:17.430 --> 00:30:21.955
Особый интерес при выборе типа уравнений
регрессии для нас будет представлять

00:30:22.075 --> 00:30:23.597
аналитический метод.

00:30:23.917 --> 00:30:28.522
Он базируется на изучении материальной
природы, связи, исследуемых признаков.

00:30:29.450 --> 00:30:34.892
В случае анализа информации, основанного
на использовании программных продуктов,

00:30:35.212 --> 00:30:39.533
вид уравнения регрессии выбирается
экспериментальным методом.

00:30:41.774 --> 00:30:46.215
При обработке информации на компьютере
выбор вида уравнения регрессии

00:30:46.883 --> 00:30:52.244
Обычно осуществляется экспериментальным
методом, то есть иначе сравнивают величины

00:30:52.444 --> 00:30:59.245
остаточной дисперсии, полученных из
различных моделей

00:30:59.445 --> 00:31:05.486
регрессии. Если уравнение регрессии
проходит через все точки корреляционного

00:31:05.886 --> 00:31:06.166
поля

00:31:06.632 --> 00:31:11.872
Это возможно только при функциональной
связи, когда все точки лежат на линии

00:31:12.032 --> 00:31:15.873
регрессии: X X равно F от икс.

00:31:16.513 --> 00:31:22.033
То фактическое значение результативного
признака совпадает с теоретическим: gрек

00:31:22.113 --> 00:31:23.753
равное игрек с индексом X.

00:31:24.559 --> 00:31:28.878
То есть они полностью обусловлены влиянием
фактора X.

00:31:29.238 --> 00:31:33.836
В этом случае остаточная дисперсия будет
равна нулю.

00:31:35.636 --> 00:31:40.315
В практических исследованиях, как правило,
имеет место некоторое рассеяние точек

00:31:40.515 --> 00:31:42.434
относительно линии регрессии.

00:31:44.623 --> 00:31:50.380
Оно обусловлено влиянием прочих
неучитываемых в уравнении регрессии

00:31:50.540 --> 00:31:55.298
факторов. То есть имеет место отклонение
реальных данных от теоретически

00:31:55.618 --> 00:32:01.894
полученных: gek - с индексом X величина
разности фактических и теоретических

00:32:02.014 --> 00:32:02.374
данных.

00:32:02.720 --> 00:32:09.684
Является основой для расчёта остаточной
дисперсии, которая равна единице на X

00:32:09.844 --> 00:32:16.087
умножить на сумму квадрата разности игрек
минус игрек с индексом X.

00:32:16.528 --> 00:32:21.570
Отсюда можно сделать вывод, что для нас
условием получения адекватных результатов

00:32:21.811 --> 00:32:22.211
анализа

00:32:22.885 --> 00:32:26.284
Является близость остаточной дисперсии к
нулю.

00:32:26.604 --> 00:32:31.883
Ибо чем меньше остаточная дисперсия, тем
больше качество построенного уравнения

00:32:32.043 --> 00:32:37.162
регрессии и, соответственно, меньше
влияние факторов, не включённых в наше

00:32:37.362 --> 00:32:38.082
уравнение.

00:32:44.108 --> 00:32:48.913
Считается, что число наблюдений должно в
семь-восемь раз превышать число

00:32:49.034 --> 00:32:52.518
рассчитываемых параметров при переменной
X.

00:32:52.718 --> 00:32:59.606
Иначе говоря, строить модель линейной
регрессии

00:33:00.656 --> 00:33:04.620
Применее чем семь наблюдаемых не имеет
практического смысла.

00:33:05.181 --> 00:33:10.146
Если же вид парной линейной функции не
подходит для анализа, её необходимо

00:33:10.306 --> 00:33:15.352
усложнить, тогда для анализа нам
потребуется увеличить объём наблюдений,

00:33:15.392 --> 00:33:16.713
поскольку параметры X

00:33:17.862 --> 00:33:21.139
...должны быть рассчитаны хотя бы по семи
наблюдений.

00:33:23.297 --> 00:33:29.650
То есть, в случае выбора параболы второй
степени в качестве вида модели gрек-равное

00:33:29.770 --> 00:33:35.204
A + B X + Cudrat, следует, что информация
должна быть уже по

00:33:36.454 --> 00:33:39.171
По не менее четырнадцати наблюдений.

00:33:43.966 --> 00:33:47.282
Линейная модель парной регрессии и
корреляции.

00:33:48.441 --> 00:33:52.956
Рассмотрим самый простой вид модели парной
регрессии — линейную регрессию.

00:33:53.593 --> 00:33:58.431
Линейная регрессия широко применяется в
эконометрике ввиду того, что имеет чёткую

00:33:58.591 --> 00:34:01.470
экономическую интерпретацию её параметров.

00:34:01.950 --> 00:34:07.988
Построение модели линейной регрессии
сводится к нахождению уравнения вида: g X

00:34:08.108 --> 00:34:09.027
равно.

00:34:09.481 --> 00:34:14.731
Б икс или игрек равно A+ B умножить на X +
плюс эксилум.

00:34:25.335 --> 00:34:29.732
Весь процесс построения регрессии сводится
к нахождению оценок коэффициентов

00:34:29.811 --> 00:34:31.970
регрессии A и B.

00:34:35.727 --> 00:34:41.443
Наиболее популярным методом оценения
параметров регрессии является метод

00:34:41.523 --> 00:34:42.642
наименьших квадратов.

00:34:43.267 --> 00:34:44.905
Аббревиатура МНК.

00:34:45.224 --> 00:34:50.298
Применив метод наименьших квадратов, мы
получим оценки параметров A и B, которые

00:34:50.618 --> 00:34:55.252
минимизируют сумму квадратов отклонений
фактических значений результативного

00:34:55.372 --> 00:34:58.488
признака igrek от теоретических Y с
индексом.

00:35:00.019 --> 00:35:06.705
Сумма и от единицы до N квадрата разности
игрек и Тигрек с индексом

00:35:06.825 --> 00:35:13.071
икс и сумме от единицы до N эпсилум и в
квадрате, который стремится к

00:35:13.151 --> 00:35:17.795
минимуму. То есть из всего множества
линий, линии регрессии на графике

00:35:18.447 --> 00:35:22.928
Выбирается так, что сумма квадратов
расстояний по вертикали между точками и

00:35:23.048 --> 00:35:25.049
этой линией была бы минимальной.

00:35:25.329 --> 00:35:31.292
Обратим внимание на рисунок, где
представлена линия регрессии и минимальной

00:35:31.372 --> 00:35:33.293
дисперсии остатков.

00:35:39.055 --> 00:35:39.775
Мы знаем, что

00:35:40.867 --> 00:35:45.952
По второй теореме Бертрасса функция
достигает своего максимума или минимума в

00:35:46.032 --> 00:35:49.475
точке, в которой её производная равна
нулю.

00:35:49.875 --> 00:35:56.241
Значит, чтоб найти A и B, нужно найти их
частные производные и

00:35:56.481 --> 00:35:58.443
приравнять к нулю, обозначив

00:35:59.077 --> 00:36:02.917
Сумму эпсилу и в квадрате через S.

00:36:03.037 --> 00:36:08.758
Получим S равно сумме квадратов разности
игрек и минус

00:36:09.638 --> 00:36:16.598
среднее игрек и Т в квадрате равна сумме
квадрата уравнения игрек минус A минус

00:36:16.678 --> 00:36:17.518
Б умноженное на

00:36:19.500 --> 00:36:26.379
Частная производная по параметру a будет
равна минус две суммы

00:36:28.579 --> 00:36:33.298
уравнении X минус A минус B умножить на X,
равная нулю.

00:36:34.018 --> 00:36:35.498
Вторая частная производная

00:36:36.889 --> 00:36:43.763
По параметру B равно минус 2 суммы
произведение

00:36:44.602 --> 00:36:50.716
в скобочках уравнение: Y - A минус Б
умноженное на X и умножить на X равно

00:36:50.836 --> 00:36:54.592
нулю. Далее раскрываем скобки.

00:36:55.377 --> 00:36:57.016
Приравниваем к нулю.

00:36:57.896 --> 00:37:03.493
Получаем уравнение: минус две суммы от
грекрек, плюс две суммы от параметра a +

00:37:04.573 --> 00:37:07.971
две суммы произведения B на икс,
приравниваем к нулю.

00:37:08.491 --> 00:37:13.209
Второе уравнение — минус две суммы
произведения игрек на икс, плюс две суммы

00:37:13.369 --> 00:37:14.809
произведения A на икс.

00:37:15.390 --> 00:37:18.188
Плюс две суммы B на X в квадрате.

00:37:21.505 --> 00:37:27.620
Далее, в результате преобразования делим
каждое уравнение на два.

00:37:28.539 --> 00:37:31.696
То есть, в результате упрощения получаем
минус сумма.

00:37:32.316 --> 00:37:36.600
Игрек плюс сумма параметров A плюс сумма
от произведения B.

00:37:36.960 --> 00:37:42.685
Далее — минус сумма игрек от X + сумма Aкс
плюс сумма на B X в квадрате.

00:37:42.925 --> 00:37:45.327
Оба уравнения приравниваем к нулю.

00:37:45.927 --> 00:37:48.770
И далее получим

00:37:51.239 --> 00:37:57.115
Система линейных уравнений, в конце концов
сумма от A плюс сумма B умноженная на X

00:37:57.354 --> 00:37:58.993
равна сумме от игрек.

00:37:59.753 --> 00:38:06.188
И второе уравнение — сумма Ax плюс сумма
на B X в квадрате равна сумма игрек-кс.

00:38:08.146 --> 00:38:12.983
Получили следующую систему линейных
уравнений для оценки параметров A и B.

00:38:15.765 --> 00:38:20.887
N A плюс B умноженное на сумму от X равно
сумме от лек.

00:38:21.688 --> 00:38:27.370
Второе уравнение — A умноженное на сумму
от X + B на сумму от X в квадрате плюс

00:38:27.530 --> 00:38:29.171
сумма грек-кс.

00:38:29.851 --> 00:38:35.094
Решив систему нормальных уравнений, мы
получим интересующие нас коэффициенты A и

00:38:36.110 --> 00:38:40.715
Систему уравнений решим либо путём
последовательного исключения переменных,

00:38:40.916 --> 00:38:46.402
либо методом крамера, методом
определителей, где параметр A мы найдём

00:38:46.522 --> 00:38:52.409
как отношение дельта A на дельта будет
равно дельта Б разделить на дельта.

00:38:59.840 --> 00:39:04.839
Так, для нахождения параметров регрессии
можно использовать следующие формулы: X

00:39:05.119 --> 00:39:10.957
равно игрек с чертой минус Б умноженное на
ix с чертой, где Б равно ковареляции X

00:39:16.755 --> 00:39:19.156
Дельта от X в квадрате.

00:39:19.796 --> 00:39:24.557
Формула для отыскания параметра A
называется путём деления членов первого

00:39:24.637 --> 00:39:28.518
уравнения нашей системы на N.

00:39:42.110 --> 00:39:47.110
Игрек умножить на X с чертой, минус игрек
с чертой умножить на X с чертой.

00:39:47.430 --> 00:39:53.910
Ковариация признаков, где X и grek и
дельта

00:39:54.526 --> 00:40:00.164
В квадрате от икс равно икс с чертой в
квадрате, минус X с чертой в квадрате —

00:40:00.284 --> 00:40:02.643
минус дисперсия признаков X.

00:40:05.243 --> 00:40:10.321
Выборочное среднее от X равна единице на N
сумма от X.

00:40:10.441 --> 00:40:12.160
Выборочное среднее от игрек.

00:40:12.871 --> 00:40:15.354
Это единица на n сумма от игрек.

00:40:15.835 --> 00:40:22.643
Произведение выборочных средних будет
равно единице на N grek умножить на

00:40:22.803 --> 00:40:29.170
икс. И среднее от X в квадрате будет равно
единице на n суммы икс в квадрате.

00:40:30.179 --> 00:40:34.702
Ковариации числовой числовая
характеристика совместного распределения

00:40:34.862 --> 00:40:39.626
двух случайных величин, которая равна
математическому ожиданию произведения

00:40:39.826 --> 00:40:44.630
отклонения этих случайных величин от
математического ожидания.

00:40:45.190 --> 00:40:48.233
Дисперсия — это характеристика случайной
величины.

00:40:49.017 --> 00:40:53.974
которая определяется как математическое
ожидание, квадрат отклонений случайной

00:40:54.134 --> 00:40:57.012
величины от её математического ожидания.

00:40:57.531 --> 00:41:02.288
Математическое ожидание представляет собой
сумму произведений значений случайной

00:41:02.408 --> 00:41:05.766
величины на соответствующие вероятности.

00:41:11.010 --> 00:41:15.411
Параметр Б называют коэффициентом
регрессии или же регрессоро.

00:41:15.731 --> 00:41:20.892
Его величина характеризует среднее
изменение grek при изменении X на единицу

00:41:21.012 --> 00:41:26.613
своего времени. Иначе говоря, отображает
числовую зависимость переменной Y от X.

00:41:28.363 --> 00:41:32.881
Предположим, что функция спроса Ya00 ₽
выражена следующим образом.

00:41:33.121 --> 00:41:39.918
Yeк равно 278 -1,4, где X — это

00:41:39.997 --> 00:41:42.076
цена на товар 1 000 ₽.

00:41:43.316 --> 00:41:45.235
Значит, с увеличением цены на товар

00:41:47.061 --> 00:41:52.817
На единицу стоимости спроса на этот товар
будет снижаться в среднем на 1,4

00:41:53.696 --> 00:42:00.531
₽. Благодаря тому, что коэффициент

00:42:00.651 --> 00:42:02.329
регрессии Б имеет чёткую

00:42:02.856 --> 00:42:06.698
Экономическую интерпретацию линейное
уравнение регрессии является

00:42:07.498 --> 00:42:10.420
распространённым в экономических
исследованиях.

00:42:10.700 --> 00:42:15.902
Параметр A характеризует значение функции
в точке, в которой переменная X равна

00:42:16.022 --> 00:42:19.704
нулю. Поскольку переменная X не может быть
равна нулю

00:42:20.300 --> 00:42:25.100
Это значит, что A не может применяться для
трактовки и описания экономических

00:42:25.260 --> 00:42:28.739
явлений. Рассмотрим пример.

00:42:29.739 --> 00:42:36.139
По данным урожайности Y и затрат на
минеральные удобрения X 000 ₽

00:42:36.419 --> 00:42:38.099
приведены в таблице 1.

00:42:39.087 --> 00:42:43.642
Построить модель, описывающих зависимость
игрек от икс.

00:42:44.961 --> 00:42:50.676
Итак, номер по порядку значение игрек и
икс.

00:42:52.194 --> 00:42:54.072
В данной таблице представлено

00:42:57.459 --> 00:43:01.301
Восемь значений игрек и восемь значений X.

00:43:01.741 --> 00:43:07.103
Для того чтобы построить модель, найдём
все необходимые для системы значения.

00:43:08.423 --> 00:43:13.265
Первоначальная таблица, таблица была дана
Yeк от X, дальше

00:43:14.187 --> 00:43:21.108
Мы добавляем столбики, в которых мы должны
посчитать произведение X на X и столбик X

00:43:21.308 --> 00:43:25.948
квадрат. Произведение грек на икс каким
образом считается?

00:43:27.069 --> 00:43:33.710
10 на пять пятьдесят, 12 на 6, 72, 15 на
8, 120, 16 на 9,

00:43:33.790 --> 00:43:35.110
144 и так далее.

00:43:35.753 --> 00:43:42.387
Икс квадрат, каждую величину Xводим в
квадрат: 5 в квадрате 25, 6 в квадрате 36,

00:43:42.667 --> 00:43:45.025
восемь, 64 и так далее.

00:43:47.542 --> 00:43:52.778
И в результате мы получим систему
нормальных уравнений.

00:43:55.338 --> 00:44:02.261
8А +7 B равно 142, 79a + 89

00:44:02.581 --> 00:44:05.422
Б равно 1 549.

00:44:05.702 --> 00:44:11.465
Для того чтоб найти параметры A и B, решим
данную систему методом крамера.

00:44:12.017 --> 00:44:17.020
Сначала выпишем основной определитель, в
который входят коэффициенты при

00:44:17.180 --> 00:44:23.223
неизвестных. Это у нас первая строка — 89,
вторая — 79

00:44:23.544 --> 00:44:29.747
87. Решаем крест-накрест: произведение
чисел главной диагонали: 8 умножить на

00:44:29.787 --> 00:44:31.388
879.

00:44:31.615 --> 00:44:35.456
Минус произведение вспомогательной 79 на
79.

00:44:35.616 --> 00:44:39.057
В результате вычисления получаем 791.

00:44:39.977 --> 00:44:45.177
Далее находим два дополнительных
определителя: Дельта A и Дельта Б.

00:44:47.738 --> 00:44:51.338
Дельта А определители меняется первый
столбик, потому что в первом

00:44:51.526 --> 00:44:53.765
В столбике у нас стоит параметр A.

00:44:53.885 --> 00:45:00.043
Вместо него мы пишем числа, стоящие после
знака "равно 142 549.

00:45:00.203 --> 00:45:05.761
Второй столбик при параметре Б остаётся
без изменений: 79 879.

00:45:05.881 --> 00:45:12.799
Вычисляем также определитель второго
порядка и вычисляем, получаем 2 447.

00:45:13.689 --> 00:45:15.369
Второй дополнительный определитель.

00:45:15.449 --> 00:45:19.448
Первый столбик у нас остаётся без
изменений — 8,79.

00:45:19.968 --> 00:45:25.846
А второй столбик у нас меняется, так как
во втором столбике параметр Б мы меняем на

00:45:26.006 --> 00:45:30.085
числа, стоящие после знака равно 142 549.

00:45:30.840 --> 00:45:33.842
Вычисляем, получаем 1 174.

00:45:36.124 --> 00:45:39.926
Далее по формулам находим значение A и B.

00:45:40.127 --> 00:45:46.011
A — это дельта A разделить на дельта 2 447
разделить на

00:45:46.091 --> 00:45:50.453
791, округляем до сотых, будет 3,9.

00:45:51.417 --> 00:45:57.140
Б равно дельта Б разделить на дельта равно
174 разделить на основной определитель

00:45:57.380 --> 00:45:59.421
791.

00:45:59.621 --> 00:46:01.582
Опять же округляем до сотых, получаем

00:46:01.742 --> 00:46:07.825
148.

00:46:08.025 --> 00:46:11.067
Подставим в уравнении регрессии и получим
равно

00:46:12.380 --> 00:46:16.536
3,9 + 1,48 X.

00:46:17.295 --> 00:46:23.008
Подставив в уравнении регрессии значение
X, получим теоретические значения игрек.

00:46:23.368 --> 00:46:29.361
Мы подставили сначала вместо переменной X5
и получили 10,515 000.

00:46:30.348 --> 00:46:33.946
Затем 6 11 99.

00:46:33.986 --> 00:46:38.343
В данном случае вы можете вместо X
подставить любые значения.

00:46:38.623 --> 00:46:42.220
Мы знаем, для того чтоб построить прямую,
достаточно двух точек.

00:46:42.340 --> 00:46:47.297
То есть подставляем два значения любых
вместо переменной X X

00:46:47.639 --> 00:46:49.800
И находим значение игрек.

00:46:56.003 --> 00:47:01.366
Но для того, чтоб найти более точное
значение игрека

00:47:06.049 --> 00:47:07.330
мы найдём сумму.

00:47:09.099 --> 00:47:13.906
Игрека и уравнения прямой увидим отличие.

00:47:14.066 --> 00:47:18.752
Если подставим вместо переменной X все
точки, заданные в таблице.

00:47:19.233 --> 00:47:22.878
Но в результате обратите внимание, сумма
будет одинаковая.

00:47:29.600 --> 00:47:35.524
Полученные теоретические значения игрек
штрих близки к реальным значениям

00:47:35.604 --> 00:47:36.885
результата Yek.

00:47:37.045 --> 00:47:40.888
Это даёт нам возможность надеяться на то,
что прогнозы, проведённые по данной

00:47:40.968 --> 00:47:43.610
модели, дадут хороший результат.

00:47:44.971 --> 00:47:46.052
Коэффициент корреляции

00:47:47.218 --> 00:47:53.065
Коэффициент корреляции Р является
показателем тесноты связи построения

00:47:53.265 --> 00:47:56.549
уравнений регрессии обычно дополняют им.

00:47:59.913 --> 00:48:03.076
В случае, если мы пользуемся линейной
регрессией для анализа

00:48:03.806 --> 00:48:08.374
Тогда в качестве показателя тесноты связи
будет выступать линейный коэффициент

00:48:08.494 --> 00:48:13.222
корреляции R с индексом Y, который

00:48:23.921 --> 00:48:30.565
В числителе берётся произведение среднее
произведение игрек на икс минус

00:48:31.246 --> 00:48:33.727
среднее игрек умножить на среднее икс.

00:48:33.767 --> 00:48:40.132
В знаменателе под корнем квадратным
произведение игрек квадрат.

00:48:40.416 --> 00:48:47.099
Минус игрек среднее в квадрате умножить на
X квадрат минус икс среднее в

00:48:47.179 --> 00:48:53.102
квадрате. Линейный коэффициент корреляции
меняется в пределах от -1 до единицы.

00:48:53.703 --> 00:48:57.064
Чем ближе значение коэффициента корреляции
к +1

00:48:58.059 --> 00:49:01.658
Тем теснее связь между изучаемыми
факторами.

00:49:03.098 --> 00:49:07.697
Если коэффициент корреляции равен
плюс-минус единице, будем иметь строгую

00:49:07.857 --> 00:49:09.496
функциональную зависимость.

00:49:09.776 --> 00:49:15.175
Чем ближе значение коэффициента корреляции
к нулю, тем связь между факторами слабее.

00:49:18.113 --> 00:49:22.632
Однако близость абсолютной величины
линейного коэффициента корреляции ещё не

00:49:22.791 --> 00:49:27.990
значит, что связь отсутствует вовсе,
поскольку при этой нелинейной спецификации

00:49:28.270 --> 00:49:33.028
модели возможно, что связь между
признаками окажется достаточно тесной.

00:49:33.969 --> 00:49:38.772
Воспользуемся табличными данными для
расчёта коэффициента корреляции.

00:49:42.534 --> 00:49:45.095
Мы с вами рассматривали эту таблицу.

00:49:46.056 --> 00:49:51.579
Далее подставим э-э в нашу формулу все
значения и получим, что коэффициент

00:49:51.699 --> 00:49:55.141
корреляции у нас будет равен 0,99.

00:49:57.668 --> 00:50:03.104
Это показывает, что связь очень тесная,
что говорит о сильной зависимости фактора

00:50:03.184 --> 00:50:04.622
gрек от X.

00:50:05.102 --> 00:50:10.018
В данном случае можно говорить о наличии
функциональной связи.

00:50:12.177 --> 00:50:12.816
Коэффициент

00:50:13.682 --> 00:50:14.924
Детерминации.

00:50:16.966 --> 00:50:22.692
Коэффициент детерминации позволяет оценить
качество подобранной линейной функции, его

00:50:22.932 --> 00:50:26.535
рассчитывают как квадрат линейного
коэффициента корреляции.

00:50:27.136 --> 00:50:29.378
Коэффициент детерминации характеризует

00:50:38.708 --> 00:50:43.510
Итак, детерминация равна единице минус
дельта квадрат остаточный на

00:50:43.630 --> 00:50:45.951
дельта-квадрат с индексом игрек.

00:50:46.271 --> 00:50:50.994
Где дельта квадрат остаточное
рассчитывается по формуле: единица на N

00:50:51.274 --> 00:50:54.275
умножить на сумму квадратов игрек минус
игрек от IX

00:50:56.808 --> 00:51:02.324
Дельта в квадрате от игрек будет равна
единице на N в сумме квадрата разности

00:51:02.643 --> 00:51:05.161
игрек минус игрек средние.

00:51:06.000 --> 00:51:12.155
И это можно всё просчитать при помощи
таблицы, используя

00:51:13.572 --> 00:51:18.732
Заданное значение грек-грек среднее,
которое мы вывели с помощи уравнений

00:51:18.972 --> 00:51:21.132
прямой линейной регрессии.

00:51:29.093 --> 00:51:31.533
В результате-то у нас

00:51:32.185 --> 00:51:38.231
Получаем коэффициент детерминации из
заданной таблицы будет равен 0,98.

00:51:38.551 --> 00:51:42.516
Полученный результат коэффициента
детерминации говорит о том, что изменение

00:51:42.716 --> 00:51:48.322
результата Y на 98% зависит от фактора X.

00:51:49.728 --> 00:51:54.608
В случае наличия линейной связи между X и
X, коэффициент детерминации можно найти

00:51:54.768 --> 00:51:59.448
путём возведения в квадрат коэффициента
корреляции.

00:52:05.808 --> 00:52:09.888
Отсюда следует, что величина 1 R в
квадрате.

00:52:10.356 --> 00:52:17.151
С индексом X-грек будет характеризовать
долю дисперсии, обусловленную влиянием

00:52:17.271 --> 00:52:20.468
факторов, которые не были включены в
модель.

00:52:27.383 --> 00:52:30.220
После того, как найдено уравнение линейной
регрессии

00:52:31.523 --> 00:52:35.920
Производится оценка зависимости как
уравнения в целом, так и отдельных его

00:52:36.160 --> 00:52:41.117
параметров. Проверить значимость уравнения
регрессии — значит установить,

00:52:41.197 --> 00:52:45.913
соответствует ли математическая модель,
выражающая зависимость между переменными

00:52:46.473 --> 00:52:47.232
эксперимента.

00:52:48.848 --> 00:52:53.449
Достаточно ли включённых уравнения,
объединяющих переменные одной или

00:52:53.649 --> 00:52:57.370
нескольких для описания зависимостей
переменной?

00:53:00.731 --> 00:53:05.972
Ошибки апроссимиакции, чтобы иметь

00:53:06.702 --> 00:53:11.064
Представление относительно качества
построенной модели из относительных

00:53:11.224 --> 00:53:17.227
отклонений по каждому наблюдению
определяют среднюю ошибку апросимиакции

00:53:18.067 --> 00:53:21.869
Aртой равна единице на N сумма модуля Y

00:53:23.655 --> 00:53:26.537
Разделить на игрек и умножить на 100%.

00:53:27.457 --> 00:53:33.582
Где модуль умноженное на 100% — это
относительная ошибка

00:53:33.742 --> 00:53:38.425
просимиакции, которая характеризует
разницу между фактическими и

00:53:38.625 --> 00:53:40.427
теоретическими наблюдениями.

00:53:40.793 --> 00:53:42.752
...выраженную в процентах.

00:53:44.390 --> 00:53:48.266
Опять же, предполагаем, что мы это всё
можем выполнить при помощи

00:53:48.426 --> 00:53:55.339
таблицы, в которой даны, мы берём заданное
значение

00:53:55.579 --> 00:53:56.498
игрек, затем...

00:53:57.753 --> 00:54:04.158
Игрек с чертой и рассматриваем, насколько
у нас есть

00:54:04.478 --> 00:54:09.363
отличия данных значений при помощи ошибки
атросимиакции.

00:54:13.105 --> 00:54:17.342
Средняя ошибка просими акций не должна
превышать 8—10%.

00:54:17.422 --> 00:54:20.500
В нашем случае это 2,48%.

00:54:20.980 --> 00:54:25.258
Полученный результат не превышает
допустимых пределов, что говорит о хорошем

00:54:25.378 --> 00:54:26.937
качестве построенной модели.

00:54:26.977 --> 00:54:30.335
И, соответственно, данная модель,
применима для прогноза и анализа

00:54:31.121 --> 00:54:34.801
По ней поведение исследуемого показателя.

00:54:35.920 --> 00:54:40.200
Оценка значимости уравнения регрессии и
его параметров.

00:54:40.440 --> 00:54:43.240
Оценка значимости уравнения регрессии.

00:54:43.840 --> 00:54:48.199
Один из наиболее популярных вариантов
оценки значимости уравнения регрессии

00:54:48.319 --> 00:54:49.519
заключается в следующем.

00:54:50.493 --> 00:54:54.411
Для построенного уравнения регрессии
рассчитывается F-статистика, которая

00:54:54.731 --> 00:54:57.449
характеризует точность уравнения
регрессии.

00:54:57.849 --> 00:55:03.485
Данная статистика является отношением той
части дисперсии, объясняемой переменной,

00:55:03.565 --> 00:55:05.803
которая объясняется уравнением регрессии.

00:55:06.251 --> 00:55:11.899
необъяснённой остаточной части дисперсии
Обычный дисперсионный анализ является

00:55:12.941 --> 00:55:15.264
предшествующим шагом к оценке значимости

00:55:25.638 --> 00:55:29.761
В эконометрике он применяется как
вспомогательное средство для изучения

00:55:29.922 --> 00:55:32.764
качества рекрессионной модели.

00:55:38.209 --> 00:55:43.053
В дисперсионном анализе сумма квадратов
разностей, объясняемой переменной Xрек.

00:55:43.437 --> 00:55:49.399
От его среднего значения игрек с чертой
можно разложить как две составляющие сумму

00:55:49.600 --> 00:55:55.282
квадратов разности, объяснение регрессии и
остаточную сумму квадратов разности.

00:55:55.562 --> 00:55:59.044
Это сумма квадратов разности игрек минус
игрек среднее.

00:55:59.637 --> 00:56:06.037
равна сумме квадрата игрек от X X

00:56:06.717 --> 00:56:11.918
geк среднее плюс сумме квадрата разности
игрек минус игрек с индексом X.

00:56:12.198 --> 00:56:15.878
Где первая сумма — общая сумма квадратов
разности.

00:56:15.998 --> 00:56:16.198
Вторая

00:56:17.035 --> 00:56:20.598
Сумма квадратов разности, объяснённая
регрессией.

00:56:21.158 --> 00:56:27.724
И третье — остаточная сумма квадратов
разности, которая характеризует влияние

00:56:27.964 --> 00:56:31.647
неучтённых методов модели факторов.

00:56:33.449 --> 00:56:36.091
Схема дисперсионного анализа имеет вид

00:56:36.588 --> 00:56:43.509
Представлены таблицы 1—2, где N — число
наблюдений, Н — число

00:56:43.629 --> 00:56:45.910
параметров при переменной X.

00:56:46.350 --> 00:56:51.390
Выделены следующие столбцы: компоненты
дисперсии, сумма квадратов.

00:56:51.787 --> 00:56:56.103
Число степеней свободы, дисперсия на одну
степень свободу.

00:56:56.823 --> 00:57:02.818
И компоненты дисперсии: общая дисперсия,
факторная и

00:57:03.018 --> 00:57:09.893
остаточная. Определение дисперсии на

00:57:10.013 --> 00:57:11.812
одну степень свободы приводит

00:57:14.534 --> 00:57:16.615
Дисперсии к сравнимому виду.

00:57:16.815 --> 00:57:22.057
Сопоставляя факторную и остаточную
дисперсии в качестве на одну степень

00:57:22.217 --> 00:57:25.739
свободы, получим величину F — критерий
фишера.

00:57:28.220 --> 00:57:30.541
Критерий фишера будет равен отношению

00:57:34.289 --> 00:57:41.055
В данном случае факторной

00:57:41.135 --> 00:57:43.337
дисперсии и остаточной.

00:57:44.698 --> 00:57:50.463
Фактическое значение F-критерия фишера
сравнивается с табличным значением.

00:57:52.361 --> 00:57:59.352
табличное альфа K1 при уровне значимости
Alfa и степенях свободы K1 равное N

00:58:00.032 --> 00:58:03.547
и K2 равное Н-1.

00:58:03.787 --> 00:58:07.223
При этом, если фактическое значение
F-критерия

00:58:09.739 --> 00:58:13.943
Больше табличного, то признаётся
статистическая значимость уравнения в

00:58:14.063 --> 00:58:19.549
целом. Для парной линейной регрессии M
равно единице, поэтому справедливо

00:58:19.749 --> 00:58:26.556
следующее равенство: F равно отношению
факторной и остаточной

00:58:26.676 --> 00:58:27.477
дисперсии.

00:58:28.293 --> 00:58:33.137
В числителе сумма квадратов разности игрек
от X gрек среднее.

00:58:33.177 --> 00:58:38.661
В знаменателе квадрат сумма квадрата
разностик минус игрек с индексом икс

00:58:38.781 --> 00:58:41.543
умножить на разность N -2.

00:58:42.264 --> 00:58:44.145
Величина F-критерии связана с

00:58:44.628 --> 00:58:48.546
Коэффициентом детерминации R в квадрате от
X- игрек.

00:58:48.746 --> 00:58:51.864
Её можно рассчитать по следующей формуле.

00:58:53.703 --> 00:59:00.419
F равно R квадрат X Yeк минус в
знаменателе единицы минус коэффициент

00:59:00.579 --> 00:59:03.258
детерминации умножить на N -2.

00:59:07.388 --> 00:59:10.551
Оценки значимости коэффициента
детерминации.

00:59:10.672 --> 00:59:16.918
Помимо оценки значимости уравнения
регрессии в целом также на значимость в

00:59:16.998 --> 00:59:20.042
отдельности оцениваются его параметры.

00:59:20.602 --> 00:59:24.487
Оценка значимости производится по
Т-статистике стюдента.

00:59:25.505 --> 00:59:30.419
С этой целью по каждому из параметров
определяется его стандартная ошибка: M с

00:59:30.499 --> 00:59:32.896
индексом B и с индексом A.

00:59:33.376 --> 00:59:38.369
Стандартная ошибка коэффициента регрессии
определяется по формуле: M с индексом B

00:59:38.529 --> 00:59:40.647
равно корень квадратное отношение.

00:59:41.245 --> 00:59:46.285
Остаточная дисперсия разделить на сумму
квадрата разности X минус X среднее или

00:59:50.245 --> 00:59:54.964
среднее-квадратическое отклонение
остаточное умножить от дельта X на корень

00:59:55.084 --> 00:59:57.364
из N. Где

00:59:59.087 --> 01:00:03.732
С квадрат остаточная дисперсия на одну
степень свободу.

01:00:04.453 --> 01:00:09.578
Величина стандартной ошибки связана с
распределением стютента при N минус два в

01:00:09.618 --> 01:00:14.183
степенях свободы, применяется для проверки
съюнтента.

01:00:16.040 --> 01:00:21.325
...и сущности коэффициента регрессии, а
также для расчёта его доверительного

01:00:21.525 --> 01:00:28.211
интервала. Оценку значимости коэффициента
регрессии проводят путём сравнения его

01:00:28.412 --> 01:00:30.453
величины со стандартной ошибкой.

01:00:30.694 --> 01:00:35.058
Иначе говоря, определяют фактическое
значение Т-критерия скьюрингта.

01:00:35.992 --> 01:00:40.237
Т с индексом B равно B разделить на M с
индексом B.

01:00:41.078 --> 01:00:46.684
Фактическое значение Т-критерия сравнивать
с табличным значением Т — табличное при

01:00:46.804 --> 01:00:52.810
определённом уровне значимости альфа и
числе степеней свободы n -2.

01:00:53.717 --> 01:00:58.161
M с синдексом B — стандартная ошибка
репрессии, которая определяется по

01:00:58.321 --> 01:00:59.802
следующей формуле.

01:01:00.243 --> 01:01:06.488
Итак, стандартная ошибка равна корню
квадратному из суммы разности квадратов и

01:01:06.728 --> 01:01:13.173
минус игрек и T с чертой в квадрате
разделить на число степеней

01:01:13.253 --> 01:01:13.813
свободы.

01:01:15.243 --> 01:01:20.766
И в знаменателе сумма квадратов разности X
и T минус икс среднее.

01:01:21.287 --> 01:01:21.327
Где

01:01:29.731 --> 01:01:30.972
фактическое значение

01:01:34.095 --> 01:01:41.048
Если фактическое значение Т-критерия
больше табличного,

01:01:41.128 --> 01:01:47.003
то принимается гипотеза Hedis о значимости
коэффициентах регрессии.

01:01:47.362 --> 01:01:49.640
Если наоборот меньше, то

01:01:51.267 --> 01:01:56.111
Принимается гипотеза HD от незначимости
коэффициента регрессии.

01:01:56.551 --> 01:02:01.595
Стандартную ошибку параметра Aделяем по
формуле M с индекса A.

01:02:01.716 --> 01:02:04.037
Формула 11.

01:02:08.201 --> 01:02:11.043
Процедура оценки значимости параметра A.

01:02:11.347 --> 01:02:16.783
Совпадает с рассмотренный выше для
коэффициента регрессии T — критерий для

01:02:16.903 --> 01:02:23.018
оценки значимости Aлученный результат
сравнивают с табличным значением при том

01:02:23.098 --> 01:02:26.376
же уровне значимости и степени свободы Н
минус 2.

01:02:27.352 --> 01:02:33.586
Если Т с индексом A больше табличного
T-критерия, то принимается H1 о значимости

01:02:33.706 --> 01:02:35.184
коэффициента регрессии.

01:02:35.584 --> 01:02:41.338
Если Т с индексом A меньше табличного
критерия, то принимается гипотеза H.0e о

01:02:41.458 --> 01:02:43.656
незначимости коэффициента регрессии.

01:02:44.512 --> 01:02:50.745
Оценим значимость коэффициента регрессии
при уровне значимости альфа, равной 0,5%.

01:02:51.025 --> 01:02:57.018
Дополним таблицу необходимыми расчётами,
чтоб найти стандартные ошибки для A и B.

01:02:59.016 --> 01:03:01.453
Возвращаемся в нашу таблицу.

01:03:03.013 --> 01:03:06.493
Выполняем расчёты и находим сумму.

01:03:08.813 --> 01:03:15.493
Тогда M от A будет равно 83, M от B 78
000.

01:03:16.933 --> 01:03:20.213
Критерий от A будет равен 3,74.

01:03:21.088 --> 01:03:26.043
Ряд B будет равен 1,18,81.

01:03:26.842 --> 01:03:30.838
Табличное значение 2,45-критерия.

01:03:30.918 --> 01:03:34.035
Значит, оба параметра в регрессии A и B
значимы.

01:03:34.115 --> 01:03:37.072
По ним принимается гипотеза H1.

01:03:41.944 --> 01:03:47.338
Заверительный интервал для коэффициента
регрессии определяется как Блюс минус

01:03:47.618 --> 01:03:50.974
Ттабличное умножить на M с индексом B.

01:03:51.294 --> 01:03:56.369
Поскольку знак коэффициента регрессии
указывает на рост результативного признака

01:03:56.529 --> 01:04:00.604
Y при увеличении признака фактора X B
больше нуля

01:04:01.374 --> 01:04:06.019
уменьшение результативного признака
преувеличение — признак фактора Б меньше

01:04:06.179 --> 01:04:11.945
нуля или его независимость от независимой
переменной B, равной нулю.

01:04:13.026 --> 01:04:17.631
По границы доверительного интервала для
коэффициента регрессии не должны содержать

01:04:18.276 --> 01:04:19.834
противоречивых результатов.

01:04:19.914 --> 01:04:25.548
Например, B должно изменяться от 0,5 до
0,8.

01:04:25.907 --> 01:04:30.143
Такого рода запись указывает, что истинное
значение коэффициента регрессии

01:04:30.263 --> 01:04:33.979
одновременно содержит положительные и
отрицательные величины.

01:04:34.345 --> 01:04:36.907
...и даже ноль, чего не может быть.

01:04:41.591 --> 01:04:46.796
Нашему вниманию представлен рисунок наклон
линии регрессии в зависимости от значения

01:04:46.956 --> 01:04:49.398
параметра B. Boo.

01:04:50.136 --> 01:04:56.933
У нас прямая идёт вверх, Б меньше нуля
вниз и параллельно оси апции

01:04:57.213 --> 01:05:03.211
B, равная нулю значимости коэффициента

01:05:03.291 --> 01:05:04.730
корреляции.

01:05:07.249 --> 01:05:07.769
Проводится

01:05:08.633 --> 01:05:10.992
Т по распределению студента.

01:05:11.632 --> 01:05:15.712
С этой целью вычисляется Т фактическое по
формуле.

01:05:15.792 --> 01:05:20.591
Т равно R умножить на корень квадратный
разности N минус два разделить на корень

01:05:20.711 --> 01:05:23.911
квадратный 1 минус R квадрат.

01:05:24.311 --> 01:05:25.030
Если Т больше

01:05:26.154 --> 01:05:32.600
Э-э табличного критерия принимается
гипотеза H1 о значимости

01:05:32.720 --> 01:05:35.643
коэффициента корреляции R не равно нулю.

01:05:37.205 --> 01:05:41.890
Если Т меньше табличного критерия,
принимается гипотеза Hnue.

01:05:42.364 --> 01:05:46.926
О незначимости коэффициента корреляций
корреляции, который равен нулю.

01:05:50.248 --> 01:05:53.810
Для нашего примера Т равно 17,15

01:05:57.371 --> 01:05:59.733
фактическое больше, чем Т табличное.

01:05:59.853 --> 01:06:03.895
Соответственно, делаем вывод о значимости
коэффициента корреляции.

01:06:04.690 --> 01:06:11.571
Существует связь между T-критерием
Стюдента и F-критерием Фишера Т с

01:06:11.651 --> 01:06:16.252
индексом B равно Т с индексом R равно
корню квадратному из F.

01:06:17.212 --> 01:06:19.772
Точечный и интервальный прогноз.

01:06:20.092 --> 01:06:23.213
В случае прогнозирования по уравнению
регрессии вычисляется

01:06:24.410 --> 01:06:30.898
Предсказуемое X с индексом p, значение как
точечный прогноз gрек с индексом X.

01:06:31.018 --> 01:06:34.862
При этом X с индексом p равн равен икс с
индексом K.

01:06:35.063 --> 01:06:39.788
То есть путём подстановки в уравнении
регрессии: игрек равное a + B умноженное

01:06:39.828 --> 01:06:40.148
на X.

01:06:46.950 --> 01:06:51.870
полученной модели регрессии требуемого
прогнозного значения X.

01:06:52.110 --> 01:06:57.989
Однако ввиду того, что в парной линейной
регрессии присутствует лишь один фактор X,

01:06:58.149 --> 01:07:02.469
точно определить будущее поведение
изучаемого процесса не представляется

01:07:02.709 --> 01:07:06.068
возможным, поэтому точечный прогноз явно
нерелен.

01:07:06.958 --> 01:07:11.399
Поэтому его дополняют интервальным
прогнозом, основанным на расчёте

01:07:11.559 --> 01:07:15.120
стандартной ошибки Yex с индексом Б.

01:07:15.800 --> 01:07:22.161
И, соответственно, интервальная оценкой
прогнозного значения Y с индексом Б.

01:07:24.202 --> 01:07:25.882
То есть игрек с индексом Б будет

01:07:26.820 --> 01:07:30.776
Больше либо равен разности игрек с
индексом p минус дельта от игрек с

01:07:30.816 --> 01:07:37.610
индексом p и меньше либо равен игрек с
индексом pelta игрек с индексом p.

01:07:38.009 --> 01:07:43.124
Где дельта игрек с индексом p равен M с
индексом p умножить на Т табличное

01:07:45.222 --> 01:07:51.949
С индексом gрек — средняя ошибка
прогнозируемого индивидуального значения.

01:07:53.111 --> 01:07:59.118
Представлена формула расчёта средней
ошибки прогнозируемого индивидуального

01:07:59.238 --> 01:07:59.758
значения.

01:08:01.256 --> 01:08:03.695
Для наглядности рассмотрим следующий
пример.

01:08:04.015 --> 01:08:08.734
Имеются данные расходов населения на
продукты питания и уровня доходов,

01:08:08.814 --> 01:08:13.292
полученных в результате спроса,
проведённого среди восьми групп семей.

01:08:15.052 --> 01:08:18.810
Итак, в таблице 1—2 представлены расходы
на продукты.

01:08:19.753 --> 01:08:23.789
Питание X 000 ₽ и доходы семьи X 000 ₽.

01:08:24.389 --> 01:08:29.145
Сделаем предположение о линейном характере
связи между доходом семьи и расходом на

01:08:29.265 --> 01:08:34.581
продукты питания, построим поле
корреляции, убедимся в верности нашего

01:08:35.957 --> 01:08:38.679
Предположение, каким образом строится поле
корреляции?

01:08:38.799 --> 01:08:44.324
Берутся точки кс 1,2 и 09.

01:08:44.444 --> 01:08:48.607
X. Итак, первая точка, вторая точка — 312.

01:08:49.327 --> 01:08:52.290
Вот 312 и так далее.

01:08:52.490 --> 01:08:53.130
Последняя точка

01:08:54.564 --> 01:08:56.924
Икс равен 18,7, reк 3.

01:08:58.644 --> 01:09:01.004
18,7 3.8.

01:09:02.084 --> 01:09:05.845
По графику видно, что точки выстраиваются
в некоторую прямую линию.

01:09:06.005 --> 01:09:11.045
Для удобства в дальнейшем вычислений
составим таблицу.

01:09:12.964 --> 01:09:17.642
Итак, в таблице в данном случае 1.3

01:09:20.521 --> 01:09:25.959
вносим заданные значения переменных X и
игрек, затем, как в предыдущем примере,

01:09:26.039 --> 01:09:28.038
находим произведение игрек на икс.

01:09:28.989 --> 01:09:35.510
Икс квадрат, игрек квадрат, среднее
значение игрек от

01:09:35.630 --> 01:09:41.830
X, разность игрек минус игрек от X квадрат
разности этой и A с индексом их в

01:09:41.910 --> 01:09:44.071
процентах в процентах.

01:09:46.791 --> 01:09:48.151
Последняя строчка — это у нас

01:09:52.352 --> 01:09:56.467
Затем определяем среднее значение дельта и
дельта в квадрате.

01:09:56.827 --> 01:10:01.661
Рассчитаем параметры линейного уравнения
парной регрессии: игрек равное A + B

01:10:01.861 --> 01:10:03.579
умноженное на X. Для этого мы

01:10:04.062 --> 01:10:07.383
Пользуемся формулами расчёта коэффициентов
регрессии.

01:10:07.703 --> 01:10:14.306
Параметр B будет равен у нас 0,177,
параметр A

01:10:14.466 --> 01:10:18.348
равен 0,859 000.

01:10:18.428 --> 01:10:19.068
И в результате

01:10:20.009 --> 01:10:23.251
Имеем модель прямую.

01:10:23.491 --> 01:10:26.693
Игрек от X равен 0,859 тыс.

01:10:27.053 --> 01:10:31.175
+ 0,177 умножить на X.

01:10:31.656 --> 01:10:37.219
Делаем вывод, что при увеличении доходов
семьи на 1 000 ₽ расходы на питание при

01:10:37.339 --> 01:10:38.740
этом увеличатся в среднем на

01:10:39.651 --> 01:10:40.612
177 ₽

01:10:50.859 --> 01:10:54.701
отмечено ранее, уравнение линейной
регрессии всегда дополняет коэффициент

01:10:54.901 --> 01:10:57.863
корреляции, который характеризуется
частотой связи.

01:10:58.241 --> 01:11:03.237
...между изучаемыми явлениями R от X g.

01:11:04.037 --> 01:11:09.992
И подставляя данные табличных значений из
таблицы коэффициент корреляции будет равен

01:11:10.192 --> 01:11:12.391
99.

01:11:12.950 --> 01:11:16.228
Что говорит о близости коэффициента
корреляции к единице...

01:11:16.721 --> 01:11:20.194
единицы и указывает на тесную линейную
связь между признаками

01:11:42.658 --> 01:11:48.776
случайных и неучтённых в модели факторов
Для оценки

01:11:50.176 --> 01:11:54.934
качества построенной модели в целом
воспользуемся F-критерием Фишера.

01:11:54.974 --> 01:11:58.613
Вычислим значение F-критерия для данного
уравнения — регрессия.

01:11:59.345 --> 01:12:05.342
Опять же, данные из таблицы подставим в
формулу и получим значение, равное

01:12:05.542 --> 01:12:07.981
371,2 000.

01:12:08.141 --> 01:12:14.217
Табличное значение: 1, равное один, равное
единице, К2, равное шести — и

01:12:14.932 --> 01:12:19.931
— Пять сотых. Ф табличное — 5,99.

01:12:21.531 --> 01:12:26.570
Поскольку у F-факторного больше, чем Ф,
табличное, делаем вывод о том, что

01:12:26.650 --> 01:12:30.090
уравнение регрессии в целом статистически
значимо.

01:12:30.845 --> 01:12:35.128
Чтобы проверить статистическую значимость
коэффициентов регрессии по Т-критерию

01:12:35.248 --> 01:12:39.131
Стюда, найдём их стандартные ошибки MR и
MB.

01:12:39.372 --> 01:12:45.697
M с индексом B — 9 000, с индексом AM —
это 94 000.

01:12:46.057 --> 01:12:47.298
Вычислим тест статистические

01:12:47.833 --> 01:12:50.071
Статистики коэффициента A и B.

01:12:50.391 --> 01:12:54.308
Тест с индексом A у нас 9,16.

01:12:54.468 --> 01:13:01.303
Тест с индексом B 19,26; при уровне
значимости Альфа и

01:13:01.463 --> 01:13:02.222
числе степеней

01:13:06.704 --> 01:13:12.224
Значение критерия, равное 247 000.

01:13:13.064 --> 01:13:16.505
Поскольку мы сравниваем табличные значения

01:13:31.870 --> 01:13:37.428
Формулу. И получим, что параметр A
принадлежит промежутку

01:13:39.028 --> 01:13:43.866
0,597 и 1,075.

01:13:44.146 --> 01:13:49.105
Параметр Б принадлежит интервалу 0,145
тысячных.

01:13:49.535 --> 01:13:52.812
0,191 000.

01:13:53.891 --> 01:13:59.127
Оценим статистическую значимость
коэффициента корреляции по Т-критерий Т

01:13:59.367 --> 01:14:02.445
равно 19,26.

01:14:02.684 --> 01:14:08.000
Так как Т-критерия больше табличного,
делаем вывод о статистической значимости

01:14:08.160 --> 01:14:09.479
коэффициента корреляции.

01:14:10.088 --> 01:14:12.888
Найдём среднюю ошибку апорсимиации.

01:14:13.008 --> 01:14:19.648
Найдём её, опираясь на расчёты в

01:14:19.728 --> 01:14:25.527
таблице, где A будет равно 4,56%.

01:14:26.957 --> 01:14:30.195
4,56.

01:14:30.675 --> 01:14:37.670
Отклонение фактических наблюдений от
теоретических составляет в среднем 4,56%,

01:14:37.750 --> 01:14:42.347
что говорит о хорошем качестве уравнения
регрессии, что свидетельствует о хорошем

01:14:42.427 --> 01:14:43.027
подборе маг.

01:14:43.340 --> 01:14:48.539
... к исходным данным. Данная модель
адекватна и применима для прогноза по ним.

01:14:48.859 --> 01:14:54.218
Спрогнозируем расходы на питание в случае,
когда доходы семьи будут составлять 9,85

01:14:54.818 --> 01:14:59.897
₽. То есть, при условии, что признак
фактора составляет 110% от среднего

01:15:00.017 --> 01:15:02.416
уровня. Подставим эти данные.

01:15:03.120 --> 01:15:09.125
Наше уравнение прямое, которое получим в
результате значение

01:15:09.325 --> 01:15:13.008
2601 000 ₽.

01:15:13.248 --> 01:15:19.734
При доходах семьи 9845 000 ₽,
прогнозируемые расходы будут составлять 2

01:15:20.214 --> 01:15:20.814
601

01:15:22.881 --> 01:15:24.719
601 000 ₽.

01:15:24.919 --> 01:15:30.353
Следует помнить, что линейная модель имеет
средний приближённый характер и,

01:15:30.393 --> 01:15:34.988
соответственно, опирается на один лишь
точечный прогноз.

01:15:35.867 --> 01:15:39.103
Дополним наш прогноз интервальным, то есть
найдём возможные

01:15:40.634 --> 01:15:41.995
Варьирование прогноза.

01:15:42.035 --> 01:15:45.316
Для начала отыщем стандартную ошибку
прогноза.

01:15:45.556 --> 01:15:49.637
Она будет равна 0,138 000.

01:15:50.597 --> 01:15:55.478
Далее сравним значение Yek с индексом P
будет из

01:16:06.311 --> 01:16:11.353
Надёжным. Теперь на одном графике
изобразим исходные данные и линии

01:16:11.634 --> 01:16:12.874
регрессии.

01:16:20.278 --> 01:16:22.600
Обратим внимание на рисунок 1.5.

01:16:28.761 --> 01:16:31.522
Строение парной ликси в Эксель.

01:16:31.642 --> 01:16:36.403
Имеются данные в таблице, в которой
приведены ежегодные значения денежной

01:16:36.523 --> 01:16:40.644
массы и национального дохода некоторой
гипотетической страны.

01:16:40.804 --> 01:16:45.685
Все величины выражены в миллиардах квартов
— название национальной валюты.

01:16:47.317 --> 01:16:53.997
Итак, первый столбик — количество данных,
затем , денежная масса и

01:16:54.197 --> 01:16:56.117
X — национальный доход.

01:16:56.517 --> 01:17:01.117
Необходимо построить модель регрессии,
характеризующую зависимость денежной массы

01:17:01.357 --> 01:17:03.077
от уровня национального дохода.

01:17:04.587 --> 01:17:07.910
Данные значения заносим в таблицу Excel.

01:17:14.678 --> 01:17:18.482
Итак, значит по порядку X.

01:17:18.643 --> 01:17:19.724
Для выполнения системы

01:17:20.487 --> 01:17:26.559
К нормальным уравнениям добавляем столбцы:
Y квадрат, X квадрат и X gрек.

01:17:30.714 --> 01:17:36.107
Расчёт X / квадрат для первого наблюдения
осуществляется путём ячейку D3.

01:17:41.070 --> 01:17:46.587
Формулы S4 в квадрате

01:17:49.226 --> 01:17:55.822
последующее протягивание указательной мыши
за чёрную точку в правом нижнем углу

01:17:57.302 --> 01:17:59.620
ячейки D3 до ячейки D.

01:18:00.443 --> 01:18:07.242
Один. Наблюдение для Y квадрат найдём
аналогичным способом

01:18:07.402 --> 01:18:14.202
расчёт наблюдения X Y осуществляем путём
ввода E4 в формулу B

01:18:14.522 --> 01:18:15.882
умножить на Ц4.

01:18:17.098 --> 01:18:19.896
Следующим протягиваем до ячейки E1.

01:18:20.335 --> 01:18:24.691
Расчёт сумм соответствующих столбцов можно
выполнить различными способами.

01:18:24.771 --> 01:18:27.528
Мы пойдём полёгкому пути.

01:18:27.608 --> 01:18:34.601
Щёлкнём ячейки столбца B12 и

01:18:34.801 --> 01:18:36.998
щёлкнём на значке автосуммы.

01:18:39.165 --> 01:18:43.089
Сразу будет выделен столбец B4, B11.

01:18:43.169 --> 01:18:44.691
Нажмём Enter.

01:18:46.894 --> 01:18:50.378
Выделенной ячейке появится значение суммы
столбца.

01:18:50.498 --> 01:18:54.903
Тем же протягиванием найдём суммы для
столбцов X X квадрат.

01:18:55.219 --> 01:18:58.180
Произведение X квадрат.

01:18:59.901 --> 01:19:06.783
Решая систему методом Крамера, запишем
сумма

01:19:09.824 --> 01:19:11.704
и значения из системы.

01:19:12.763 --> 01:19:16.280
Аналогично найдём дельта А и Дельта Б.

01:19:17.079 --> 01:19:20.037
Рассчитаем значения параметров A и B.

01:19:20.596 --> 01:19:26.551
В выделенной ячейке записываем расчёт
параметры A и параметр B.

01:19:28.590 --> 01:19:33.186
Для удобства можно округлить содержимое
ячеек D15 и D16.

01:19:33.327 --> 01:19:38.252
...в которых у нас записаны вычисленные
значения параметров A и B.

01:19:43.738 --> 01:19:49.824
Для этого выделим и вызовем контекстное
меню, далее формат ячеек, числовое, число

01:19:49.984 --> 01:19:50.945
десятичных знаков.

01:19:56.767 --> 01:20:01.128
0,86 + 0,18 X.

01:20:01.448 --> 01:20:05.769
Рассчитаем прогнозные теоретические
значения Xрек для каждого имеющегося в

01:20:05.809 --> 01:20:08.650
таблице значения, объясняющие переменные
X.

01:20:08.810 --> 01:20:13.011
Для этого введём в расчётной таблице
дополнительный столбец.

01:20:13.559 --> 01:20:15.680
Озаглавим его Yek AT.

01:20:15.800 --> 01:20:19.402
Так как уравнение регрессии уже
получилось, осталось лишь для каждого

01:20:19.682 --> 01:20:25.405
этого значения X рассчитать в столбце J
соответствующее прогнозное значение игрек.

01:20:25.606 --> 01:20:29.728
Для этого в ячейке Ж4 введём формулу.

01:20:34.410 --> 01:20:38.649
Протянем по диапазону ячеек Ж4 и Ж11.

01:20:43.488 --> 01:20:47.847
Найдём сумму квадратов отклонений между
теоретическими и фактическими

01:20:47.967 --> 01:20:49.687
наблюдениями, добавим столбец.

01:20:50.268 --> 01:20:56.068
Таблицу и запишем в ячейку формулу.

01:20:56.308 --> 01:20:57.908
Заполним столбец.

01:21:02.148 --> 01:21:06.948
Для расчёта коэффициента корреляции по
формулам

01:21:08.065 --> 01:21:12.785
R от X Yo формулы легко рассчитать в
Excel.

01:21:12.945 --> 01:21:17.185
В случае с первым подходом необходимо
найти среднее арифметическое значение для

01:21:17.305 --> 01:21:23.384
следующих столбцов: X-грек-кс-грек
произведение X квадрат-грекрат

01:21:24.489 --> 01:21:27.330
В меню формулы статистическое среднее
значение

01:21:31.890 --> 01:21:36.691
вводим значение столбца Yo, найдём
среднее, аналогичное для остальных

01:21:36.851 --> 01:21:39.612
столбцов средняя.

01:21:39.852 --> 01:21:41.052
Далее получим результат

01:21:41.438 --> 01:21:43.960
Подставим в формулу соответствующее
значение.

01:21:44.440 --> 01:21:48.003
По второй формуле найдём значение суммы
квадратов разностей

01:21:52.447 --> 01:21:54.529
случайной величины и средней.

01:21:54.689 --> 01:21:59.813
Добавим столбец в таблицу, обозначим его
через ку, вводим ячейку.

01:22:03.938 --> 01:22:07.098
Как показано на рисунке, обратите
внимание.

01:22:07.498 --> 01:22:14.098
Впишем в ячейку Р15, комментарий Р рано
ячейку G15, формула A равно корень

01:22:14.258 --> 01:22:19.337
единица минус AH12, делённое на И-12.

01:22:20.497 --> 01:22:23.458
Коэффициент корреляции равен 99.

01:22:23.898 --> 01:22:26.459
Коэффициент корреляции очень близок к
единице.

01:22:26.579 --> 01:22:29.460
Здесь можно говорить о прямой
функциональной связи.

01:22:29.820 --> 01:22:33.981
Связь очень тесная, прямая,
соответственно, крайне сильная зависимость

01:22:34.141 --> 01:22:35.622
денежной массы от национальности

01:22:37.709 --> 01:22:39.827
Задание для самостоятельной работы.

01:22:40.186 --> 01:22:44.382
Самостоятельная работа обучающихся
является одной из важнейших составляющих

01:22:44.461 --> 01:22:49.655
образовательного процесса, независимо от
направления подготовки и характера работы.

01:22:50.197 --> 01:22:54.439
Любой начинающий специалист должен
обладать фундаментальными знаниями,

01:22:54.639 --> 01:23:00.001
профессиональными умениями и навыками
деятельности своего профиля, опытом

01:23:00.121 --> 01:23:04.043
творческой и исследовательской
деятельности по решению новых проблем.

01:23:04.403 --> 01:23:08.645
Самостоятельная работа определяется как
индивидуальная или коллективная учебная

01:23:08.765 --> 01:23:09.365
деятельность.

01:23:09.903 --> 01:23:15.426
Осуществляемые обучающимися самостоятельно
по заданиям преподавателя и под его

01:23:15.746 --> 01:23:17.066
контролем.

01:23:20.428 --> 01:23:24.750
Предлагается следующее задание для
самостоятельной работы ответить на такие

01:23:24.870 --> 01:23:28.632
вопросы: какие задачи решает
корреляционный и регрессионный анализ?

01:23:29.073 --> 01:23:33.271
Каковы особенности причинно-следственных
отношений и социально-экономических

01:23:33.391 --> 01:23:39.109
явлений? Какие зависимости называются
стахастическими, какие типы данных

01:23:39.229 --> 01:23:42.228
используются в эконометрических
исследованиях?

01:23:43.788 --> 01:23:47.346
Предлагается перечень основной
дополнительной учебной литературы,

01:23:47.426 --> 01:23:49.865
необходимой для освоения данной
дисциплины.

01:23:50.391 --> 01:23:52.920
И для выполнения самостоятельной работы.

01:23:53.322 --> 01:23:54.647
Спасибо за внимание.

