WEBVTT

00:00:07.198 --> 00:00:10.038
Учебная дисциплина «Эконометрическое
моделирование».

00:00:10.198 --> 00:00:14.757
Тема лекции: функциональные преобразования
в линейной регрессионные модели.

00:00:15.197 --> 00:00:20.876
Преподаватель, кандидат педагогических
наук, доцент Романова Татьяна Николаевна.

00:00:21.675 --> 00:00:24.475
Соотношение между эконометрическими
переменными

00:00:25.390 --> 00:00:28.630
Основные этапы построения эконометрической
модели.

00:00:29.150 --> 00:00:32.590
Линейная модель парной регрессии или
корреляции.

00:00:32.830 --> 00:00:36.670
Оценка значимости уравнения регрессии и её
параметров.

00:00:37.030 --> 00:00:39.990
Построение парной линейной регрессии в
эксель.

00:00:43.458 --> 00:00:48.418
Развитие экономики, усложнение
экономических процессов и повышение

00:00:48.618 --> 00:00:55.419
требований принимаемым управленческим
решениям в области макро и микроэкономики.

00:00:56.062 --> 00:01:01.107
Потребовала более тщательного и
объективного анализа реально протекающих

00:01:01.227 --> 00:01:06.311
процессов на основе привлечения
современных математических статистических

00:01:06.472 --> 00:01:11.756
методов. С другой стороны, проблема
нарушения предпосылок классических

00:01:12.077 --> 00:01:15.920
статистических методов при решении
реальных экономических задач

00:01:16.582 --> 00:01:21.547
привела к необходимости развития и
совершенствования классических методов

00:01:21.908 --> 00:01:28.154
математической статистики уточнения
постановок

00:01:28.355 --> 00:01:30.236
соответствующих задач.

00:01:31.037 --> 00:01:32.559
В результате этих процессов

00:01:33.014 --> 00:01:37.650
Осуществилось выделение и формирование
новой отрасли знания под названием

00:01:38.010 --> 00:01:43.845
эконометрика, связанная с разработкой и
применением методов количественной оценки

00:01:44.045 --> 00:01:47.962
экономических явлений, процессов и их
взаимосвязей.

00:01:52.212 --> 00:01:56.208
Основным методом исследования в
эконометрике является

00:01:57.646 --> 00:02:00.324
экономико-математическое моделирование.

00:02:01.562 --> 00:02:06.637
Правильно построенная модель должна давать
ответ на вопрос о количественной оценке

00:02:06.757 --> 00:02:09.355
величины изменения изучаемого явления.

00:02:09.682 --> 00:02:13.482
...или процессов в зависимости от
изменений внешней среды.

00:02:13.922 --> 00:02:19.762
Например, как скажется увеличение или
уменьшение уровня инвестиций на

00:02:19.882 --> 00:02:22.202
совокупность валовом продукте.

00:02:22.362 --> 00:02:26.803
Какие дополнительные ресурсы понадобятся
для запланированного увеличения выпуска

00:02:26.923 --> 00:02:28.603
продукции и тому подобное?

00:02:30.417 --> 00:02:34.258
Практическая значимость эконометрики
определяется тем, что применение её

00:02:34.458 --> 00:02:40.700
методов позволяет выявить реально
существующие связи между явлениями, дать

00:02:40.780 --> 00:02:46.742
обоснованный прогноз развития явления в
заданных условиях, проверить и численно

00:02:46.862 --> 00:02:51.103
оценить экономические последствия
принимаемых управленческих решений.

00:02:54.120 --> 00:03:00.170
Построение экономических

00:03:01.252 --> 00:03:02.815
эконометрических моделей.

00:03:03.278 --> 00:03:08.160
Приходится осуществлять в условиях, когда
нарушаются предпосылки классических

00:03:08.400 --> 00:03:14.801
статистических методов и учитывать наличие
таких явлений, как мультиколениарность

00:03:15.041 --> 00:03:19.962
объединяющих переменных, закрытость
механизма связи между переменными

00:03:20.360 --> 00:03:22.321
...в изолированной регрессии.

00:03:24.801 --> 00:03:29.522
Эффект гетерокидоксичности, то есть
отсутствие нормального распределения

00:03:29.642 --> 00:03:32.563
остатков для регрессионной функции.

00:03:32.963 --> 00:03:35.084
Авторреляция остатков.

00:03:36.044 --> 00:03:37.284
Ложная корреляция.

00:03:39.857 --> 00:03:45.785
Разработка методов, преодолевающих эти
трудности, составляет теоретическую основу

00:03:45.905 --> 00:03:47.347
эконометрики.

00:03:47.467 --> 00:03:53.474
Наряду с логически правильными формальными
применением имеющегося математического и

00:03:53.635 --> 00:03:54.395
статистического

00:03:55.230 --> 00:04:00.748
Инструментария важными составляющими
успеха эконометрического исследования

00:04:01.068 --> 00:04:05.866
являются экономически адекватная
постановка задачи и последующая

00:04:05.986 --> 00:04:09.544
экономическая интерпретация полученных
результатов.

00:04:10.384 --> 00:04:13.622
Огромный толчок развитию экономических
методов.

00:04:13.938 --> 00:04:19.536
И их широкому внедрению в практику дало
развитие средств вычислительной техники и

00:04:19.696 --> 00:04:23.814
особенно появление персональных и
портативных компьютеров.

00:04:24.054 --> 00:04:28.172
Разработка программных пакетов,
реализующих методы построения и

00:04:28.252 --> 00:04:30.491
исследования эконометрических моделей.

00:04:30.965 --> 00:04:34.399
привела к тому, что выполнение
эконометрических процедур становится

00:04:35.318 --> 00:04:38.832
доступным самому широкому кругу аналитиков

00:05:02.028 --> 00:05:03.509
Экономистов и менеджеров.

00:05:03.549 --> 00:05:10.312
В настоящее время основные усилия
прикладного исследования сводятся к

00:05:10.393 --> 00:05:15.515
подготовке качественных исходных данных, к
правильной постановке проблемы и

00:05:15.635 --> 00:05:19.918
экономически обоснованной интерпретации
результатов исследования.

00:05:20.780 --> 00:05:26.742
Вместе с тем, от исследования требуется
чёткое понимание областей

00:05:27.182 --> 00:05:32.984
применяемости используемых методов и
сложности и неочевидности процесса

00:05:33.144 --> 00:05:35.905
перенесения полученных теоретических
результатов.

00:05:36.721 --> 00:05:38.640
...на реальную действительность.

00:05:39.200 --> 00:05:45.556
Настоящие данные отражают содержание курса

00:05:45.876 --> 00:05:52.672
лекций читаемых на факультетах
бухгалтерский учёт,

00:05:52.712 --> 00:05:54.271
экономическая теория...

00:05:54.975 --> 00:05:59.421
Экономика и управление, финансы и кредит.

00:06:08.272 --> 00:06:09.874
И переходим к главе один.

00:06:11.682 --> 00:06:15.606
Эконометрика и эконометрическое
моделирование: основные понятия и

00:06:15.646 --> 00:06:16.847
определения.

00:06:16.968 --> 00:06:19.210
Предмет и методы эконометрики.

00:06:19.490 --> 00:06:24.656
Основная задача эконометрики — наполнить
эмпирическим содержанием оперорные

00:06:24.816 --> 00:06:26.738
экономические рассуждения клиента.

00:06:27.909 --> 00:06:32.029
Эконометрика — есть единство трёх
составляющих: статистики, экономической

00:06:32.149 --> 00:06:33.509
теории и математике.

00:06:33.589 --> 00:06:35.029
Фриш.

00:06:35.749 --> 00:06:40.950
Эконометрика — это наука, которая даёт
количественное выражение взаимосвязи

00:06:41.350 --> 00:06:43.310
экономических явлений в процессе.

00:06:44.413 --> 00:06:48.332
Основные задачи эконометрики — построение
количественно определённых

00:06:48.692 --> 00:06:54.171
экономико-математических моделей,
разработка методов оценка их параметров,

00:06:54.251 --> 00:06:59.610
по статистическим данным, анализ свойств
построенных моделей и прогнозирование на

00:06:59.730 --> 00:07:01.849
их основе экономических процессов.

00:07:02.813 --> 00:07:07.132
Можно выделить три основных класса
моделей, которые применяются для анализа и

00:07:07.212 --> 00:07:13.490
прогнозирования экономических процессов:
модели временных рядов, регрессионные

00:07:13.610 --> 00:07:17.728
модели с одним уравнением, системы
одновременных уравнений.

00:07:22.668 --> 00:07:27.625
При этом все переменные любой
эконометрической модели по способу их

00:07:27.865 --> 00:07:34.381
вхождения в эту модель можно разбить на
объясняемые зависимые, исследуемые

00:07:34.741 --> 00:07:39.818
переменные и объясняющие предопределённые
факторные переменные.

00:07:41.322 --> 00:07:45.847
Например, если мы будем решать задачу
прогнозирования продаж мороженого в

00:07:45.927 --> 00:07:50.732
определённый день каким-либо торговым
предприятием, то объясняемой переменной

00:07:50.893 --> 00:07:52.214
будет объём продаж.

00:07:52.975 --> 00:07:56.499
Объясняющими переменными могут выступать
температура воздуха

00:07:58.368 --> 00:08:03.526
торговая наценка, среднедушевой доход
населения и другое.

00:08:04.286 --> 00:08:10.804
Необходимым условием использования той или
иной переменной при построении модели

00:08:11.244 --> 00:08:16.082
является наличие ряда данных наблюдений,
измерений, величины или переменной.

00:08:16.907 --> 00:08:21.224
либо получение ряда знаний с
использованием дополнительных вычислений

00:08:22.224 --> 00:08:27.501
на основе наблюдений о показателях,
объясняющих интересующую нас переменную.

00:08:27.941 --> 00:08:32.579
Например, определение достоверных значений
среднедушевом

00:08:34.766 --> 00:08:41.729
дохода непосредственно по результатам
спросов и бухгалтерской отчётности

00:08:42.250 --> 00:08:48.452
Может оказаться сложнее оценки изменения
дохода на основе информации об изменении

00:08:48.652 --> 00:08:51.013
розничного оборота товаров и услуг.

00:08:51.482 --> 00:08:55.403
А также изменение общей суммы банковских
вкладов населения.

00:08:56.244 --> 00:08:59.045
Экономит выделяет три этапа данных.

00:08:59.885 --> 00:09:05.527
Кросс-секционные и перекрёстные данные
представляют ситуацию в группе переменных

00:09:06.048 --> 00:09:07.928
в отдельный момент времени.

00:09:08.627 --> 00:09:14.713
Таковыми, например, является публикуемые в
деловых разделах газет, списки цен на

00:09:14.873 --> 00:09:20.480
различные акции, процентные ставки по
разным видам вкладов и обменные курсы

00:09:21.000 --> 00:09:25.325
разных валют. Другим примером может
служить информация о продажах

00:09:34.302 --> 00:09:40.109
Пространственные данные характеризуют
ситуацию по конкретной переменной или

00:09:40.349 --> 00:09:45.074
набору переменных, относящихся к
пространственно разделённым однотипным

00:09:45.234 --> 00:09:49.519
объектам в один момент времени, например,
данные о курсах валют.

00:09:49.854 --> 00:09:55.010
В один день по разным обменным пунктам
города или продажи мороженого в различных

00:09:55.090 --> 00:09:56.889
киосках в один день.

00:09:57.568 --> 00:10:02.484
Временные ряды отражают изменение и
динамику какой-либо переменной на

00:10:02.604 --> 00:10:03.683
промежутке времени.

00:10:04.225 --> 00:10:09.503
Например, данные об обменном курсе валюты
за каждый день в конкретном обменном

00:10:09.663 --> 00:10:14.621
пункте. Или данные о продажах мороженого в
данном киоске за каждый день будут

00:10:14.661 --> 00:10:17.700
являться ежедневным временным рядом.

00:10:18.867 --> 00:10:24.231
Практическая значимость эконометрики
определяется тем, что применение её

00:10:24.511 --> 00:10:29.756
методов позволяет выявить реально
существующие связи между явлениями.

00:10:30.556 --> 00:10:33.639
Дать обоснованный прогноз развития явления
в данной

00:10:34.189 --> 00:10:40.149
В заданных условиях проверить и численно
оценить экономические последствия

00:10:40.269 --> 00:10:42.868
применяемых управленческих решений.

00:10:45.868 --> 00:10:49.668
Экономические явления взаимосвязаны и
взаимообусловлены.

00:10:50.879 --> 00:10:55.683
Следствием этого является то, что значение
соответствующих экономических показателей

00:10:55.803 --> 00:10:58.806
изменяется во времени с учётом их
взаимосвязи.

00:10:59.407 --> 00:11:05.292
Так, например, известно, что совокупный
спрос зависит от уровня цен потребления,

00:11:05.372 --> 00:11:09.777
от располагаемого дохода, инвестиции, от
процентной ставки и так далее.

00:11:11.369 --> 00:11:16.004
Перед исследованием стоит задача выявления
таких связей, их количественной оценки и

00:11:16.084 --> 00:11:21.079
изучения возможности использования
выявления связи в экономическом анализе и

00:11:21.199 --> 00:11:26.353
прогнозировании, разработкой
соответствующего инструментария и его

00:11:26.673 --> 00:11:27.512
применением.

00:11:29.944 --> 00:11:33.950
для решения конкретных практических
экономических задач

00:11:38.601 --> 00:11:41.722
Как раз и занимается этим эконометрика.

00:11:41.882 --> 00:11:45.524
В основе любого эконометрического
исследования лежит построение

00:11:46.284 --> 00:11:51.527
экономико-математической модели, адекватно
изучаемой реальным экономическим явлениям

00:11:51.567 --> 00:11:56.089
и процессам. Процесс построения
эконометрических моделей начинается с

00:11:56.169 --> 00:11:57.930
качественного исследования проблемы

00:11:58.644 --> 00:12:00.686
Методами экономической теории.

00:12:00.926 --> 00:12:07.532
Далее формулируются цели исследования,
выделяются факторы, влияющие на

00:12:07.812 --> 00:12:13.057
изучаемый показатель, и формулируются
предположение о характере предполагаемой

00:12:13.177 --> 00:12:13.817
зависимости.

00:12:15.079 --> 00:12:19.642
На этой основе изучаемые зависимости
выражаются в виде математических формул и

00:12:19.762 --> 00:12:25.888
соотношений. Следует отметить, что ввиду
невозможности одновременно учесть большое

00:12:26.008 --> 00:12:31.813
количество факторов, влияющих на изучаемый
показатель, предполагаемые зависимости

00:12:32.479 --> 00:12:37.202
Между переменными будут выполняться не
точно, а с определённой погрешностью.

00:12:38.003 --> 00:12:42.687
Кроме того, экономическими явлениями

00:12:45.729 --> 00:12:50.813
присуща внутренняя неопределённость,
связанная с целенаправленной деятельностью

00:12:51.134 --> 00:12:52.495
субъектов экономики.

00:12:53.300 --> 00:12:58.184
Вышесказанное обусловливает применение
статистических методов, с помощью которых

00:12:58.584 --> 00:13:01.467
осуществляется отбор значимых факторов.

00:13:01.787 --> 00:13:08.152
Определяется наличие и степень тесноты
связи между изучаемыми показателями,

00:13:08.272 --> 00:13:11.074
даётся количественная оценка параметров.

00:13:11.700 --> 00:13:17.341
предполагаемых зависимостей и исследуется
степень их соответствия реальной

00:13:17.421 --> 00:13:23.703
действительности. Основным инструментом в
математической статистике, используемым

00:13:23.823 --> 00:13:29.224
для построения эконометрических моделей,
являются методы корреляционного и

00:13:29.304 --> 00:13:30.784
регрессионного анализа.

00:13:32.113 --> 00:13:37.711
Корреляционный анализ ставит связь своей
целью проверку наличия и значимости

00:13:37.990 --> 00:13:44.308
линейной зависимости между переменными без
распределения переменных на зависимые и

00:13:44.388 --> 00:13:50.026
объясняющие. Ответ на эти вопросы даётся с
помощью вычисления показателей

00:13:50.146 --> 00:13:50.905
коэффициента.

00:13:53.016 --> 00:13:59.490
Корреляции. Регрессионный анализ направлен
на выражение изучаемой

00:13:59.609 --> 00:14:06.162
зависимости в виде аналитической формулы с
предварительным выделением зависимых и

00:14:06.282 --> 00:14:08.000
объединяющих переменных.

00:14:09.079 --> 00:14:10.877
Регрессионный анализ призван

00:14:11.877 --> 00:14:17.880
Выявить переменные, которые определяют
поведение других величин и, следовательно,

00:14:18.120 --> 00:14:21.402
могут использоваться как объясняющие
переменные.

00:14:22.322 --> 00:14:28.125
Определить формулу зависимостей и
экономический смысл.

00:14:28.859 --> 00:14:35.743
её коэффициентов Результатом проведения
регрессионного анализа является

00:14:36.224 --> 00:14:39.786
построение так называемого уравнения
регрессии.

00:14:40.226 --> 00:14:44.669
После построения уравнения регрессии
осуществляется проверка его

00:14:44.909 --> 00:14:47.310
статистического качества, включающая

00:14:48.063 --> 00:14:52.504
Проверку статистической значимости
коэффициентов уравнений регрессии.

00:14:52.664 --> 00:14:55.985
Проверку общего качества уравнений
регрессии.

00:14:56.505 --> 00:15:03.066
Проверку наличия данных, предполагающихся
при оценивании уравнений регрессии.

00:15:05.507 --> 00:15:08.828
Соотношение между экономическими
переменными.

00:15:10.011 --> 00:15:16.494
Одна из наиболее общих в экономических
исследованиях состоит в оценении степени

00:15:16.654 --> 00:15:22.736
зависимости изучаемой величины Y от одной
из нескольких случайных или неслучайных

00:15:22.896 --> 00:15:24.857
величин X, называемых

00:15:25.352 --> 00:15:31.111
факторами. Зависимость может быть
функциональной, статистической либо

00:15:31.231 --> 00:15:32.790
отсутствовать вовсе.

00:15:33.830 --> 00:15:39.628
Строгая функциональная зависимость между
экономическими показателями в наличии

00:15:39.788 --> 00:15:43.107
всегда выполняется равенство грек, равное
F от X.

00:15:43.930 --> 00:15:48.967
Реализуются редко, так как они подвержены
влиянию случайных факторов.

00:15:49.767 --> 00:15:54.844
При статистической зависимости изменение
одной из величин влечёт изменение

00:15:55.044 --> 00:15:56.563
распределения другой.

00:15:57.003 --> 00:15:59.002
В частности, среднего значения.

00:15:59.556 --> 00:16:04.033
В этом случае статистическую зависимость
называют корреляционной.

00:16:06.031 --> 00:16:11.787
Причём всегда есть несколько величин,
которые определяют главные тенденции

00:16:12.107 --> 00:16:15.225
изменения рассматриваемой величины.

00:16:15.667 --> 00:16:21.228
И в экономической теории, и в практике
ограничиваются тем или иным кругом таких

00:16:21.349 --> 00:16:24.029
величин объясняющих переменные.

00:16:26.151 --> 00:16:31.633
Однако всегда существует и воздействие
большего числа других, менее важных или

00:16:31.913 --> 00:16:36.914
трудно идентифицируемых факторов,
приводящих к отклонению значений

00:16:37.114 --> 00:16:43.116
объясняемой зависимой переменной от
конкретной формулы её связи с объясняющими

00:16:43.236 --> 00:16:46.237
переменными, сколь бы точной эта формула
ни была.

00:16:47.667 --> 00:16:53.506
Нахождение, оценка и анализ таких связей,
идентификации объясняющих переменных,

00:16:53.586 --> 00:16:58.786
построение формул зависимостей, оценка их
параметров и составляют предмет

00:16:58.946 --> 00:17:01.745
корреляционно-регрессивного анализа.

00:17:02.745 --> 00:17:08.545
При этом корреляционный анализ занимается
исследованием взаимосвязи случайных

00:17:08.665 --> 00:17:09.225
величин и

00:17:09.729 --> 00:17:14.731
Тогда, когда регрессионный анализ на базе
выборочных данных исследует зависимость

00:17:15.092 --> 00:17:21.936
случайной величины от ряда неслучайных и
случайных величин.

00:17:23.537 --> 00:17:28.139
Примерами корреляционно, но
нефункционально связанных величин являются

00:17:28.380 --> 00:17:29.700
объёмы производства.

00:17:30.095 --> 00:17:36.739
...и себестоимость продукции, объёмы
продаж и прибыль урожая зерна и количество

00:17:36.899 --> 00:17:38.460
внесённых удобрений.

00:17:40.021 --> 00:17:45.184
Действительно, в последнем примере с
одинаковых по площади участков земли при

00:17:45.385 --> 00:17:49.427
равных количествах внесённых удобрений
снимают различный урожай.

00:17:50.205 --> 00:17:56.770
То есть отсутствует функциональная связь
объясняется влиянием случайных

00:17:56.890 --> 00:18:01.414
факторов: осадки, температура, качество
семян и другое.

00:18:01.694 --> 00:18:06.818
Вместе с тем, как показывает опыт, средний
урожай меняется с изменением количества

00:18:06.978 --> 00:18:07.618
удобрений.

00:18:08.278 --> 00:18:12.238
То есть прослеживается корреляционная
зависимость.

00:18:13.757 --> 00:18:18.036
Рассмотрим сначала однофакторную
регрессионную модель.

00:18:19.996 --> 00:18:26.074
В этом случае имеется Нпар наблюдений X
итое и грек-итое, где

00:18:26.554 --> 00:18:29.114
изменяется от единицы до

00:18:30.290 --> 00:18:36.450
Над некоторыми случайными величинами X
принадлежащие множеству X X- игрек

00:18:36.570 --> 00:18:42.090
множеству X IT, эти наблюдения можно
представить точками на плоскости с

00:18:42.130 --> 00:18:47.450
координатами X-грек, получая так
называемую диаграмму рассеяния.

00:18:48.796 --> 00:18:53.044
Задача построения регрессионной модели
заключается в том, что необходимо

00:18:53.525 --> 00:18:55.408
подобрать некоторую кривую.

00:19:21.965 --> 00:19:26.527
В противном случае осуществить выбор
кривой довольно трудно.

00:19:27.407 --> 00:19:32.208
Иногда точки на диаграмме рассеяния
располагаются таким образом, что не

00:19:32.328 --> 00:19:37.970
наблюдается никакого их группирования, и,
соответственно, нет никаких

00:19:40.034 --> 00:19:44.914
Оснований предполагать наличие в
наблюдениях какой-либо взаимосвязи.

00:19:47.234 --> 00:19:53.715
Таким образом, результатом исследования
статистической взаимосвязи на основе

00:19:53.835 --> 00:19:59.595
выборочных данных является построение
уравнений регрессия вида игрек равная

00:20:02.742 --> 00:20:06.383
Основные этапы построения эконометрической
модели.

00:20:07.223 --> 00:20:10.824
Эконометрическое моделирование состоит из
следующих этапов.

00:20:11.424 --> 00:20:16.425
Постановочный этап формулируются конечной
цели моделирования.

00:20:16.990 --> 00:20:23.072
Определяются наборы возможных исследуемых
объясняемых переменных X и

00:20:23.432 --> 00:20:28.953
факторных объясняющих переменных X.

00:20:30.737 --> 00:20:35.295
Предварительный этап — осуществляется
предварительный анализ экономической сути

00:20:35.535 --> 00:20:41.013
изучаемого явления, возможности сбора и
обработки статистических данных.

00:20:42.772 --> 00:20:45.011
Этап — параметризации.

00:20:45.451 --> 00:20:50.888
Производится выбор общего вида медмодели,
в том числе состава и формы, входящих в

00:20:50.968 --> 00:20:51.728
неё связей.

00:20:52.607 --> 00:20:57.404
Например, может быть выбрана модель с
одной объясняющей и одной объясняемой

00:20:57.604 --> 00:21:00.242
переменными — модель парной регрессии.

00:21:00.882 --> 00:21:06.678
Если объясняющих факторных переменных
используется две или более, то говорят об

00:21:06.798 --> 00:21:09.396
использовании модели множественной
регрессии.

00:21:10.421 --> 00:21:13.625
При этом в качестве вариантов могут быть
выбраны линейная

00:21:16.268 --> 00:21:21.233
экспоненциальная, гиперболическая,
показательная и другие виды функций,

00:21:21.273 --> 00:21:23.316
связывающих эти переменные.

00:21:24.717 --> 00:21:26.159
Информационные этапы.

00:21:26.965 --> 00:21:33.123
Сбор информации, проведение наблюдений,

00:21:33.443 --> 00:21:36.842
использование материалов отчётности и так
далее.

00:21:37.162 --> 00:21:42.161
И предварительный анализ данных, проверка
аномальных значений, показателей.

00:21:42.642 --> 00:21:47.759
Сглаживание, тестирование на наличие
тенденции исследуемых показателей к

00:21:47.839 --> 00:21:52.837
изменениям. Идентификация модели.

00:21:53.477 --> 00:21:58.154
Определение неизвестных параметров
коэффициентов модели с использованием

00:21:58.274 --> 00:21:59.953
имеющегося набора данных.

00:22:00.883 --> 00:22:05.119
Наибольшее распространение для оценки
параметров получил метод наименьших

00:22:05.199 --> 00:22:11.712
квадратов. Проверка верификации модели и
прогнозирования

00:22:12.591 --> 00:22:16.067
предполагает сопоставление реальных

00:22:16.649 --> 00:22:21.444
...и модельных данных, проверку
адекватности модели, оценку точности

00:22:21.684 --> 00:22:27.677
модельных данных. Если модель адекватная
имеет приемлемую точность, то на её основе

00:22:27.757 --> 00:22:30.714
строится прогноз точечный интервальный.

00:22:33.431 --> 00:22:34.670
Контрольные вопросы.

00:22:36.095 --> 00:22:38.974
Охарактеризуйте предмет эконометрики.

00:22:39.334 --> 00:22:44.972
Укажите основные этапы эконометрического
исследования, какие задачи решает

00:22:45.052 --> 00:22:51.129
корреляционный и регрессионный анализовы
особенности причинно-следственных

00:22:51.249 --> 00:22:53.768
отношений в социально-экономических
явлениях.

00:22:54.822 --> 00:22:58.059
Какие зависимости называют
страхастическими?

00:22:58.698 --> 00:23:02.534
Какие типы данных используются в
эконометрическом исследовании?

00:23:03.253 --> 00:23:08.208
Опишите основные этапы построения
эконометрической модели.

00:23:09.767 --> 00:23:12.124
Какие виды аналитических зависимостей

00:23:12.767 --> 00:23:16.170
Наиболее часто используется при построении
моделей.

00:23:16.850 --> 00:23:19.893
Какие методы используются для отбора
факторов?

00:23:20.413 --> 00:23:24.096
Какие методы используются для оценки
параметров модели?

00:23:24.537 --> 00:23:27.980
Какими свойствами характеризуется качество
оценок?

00:23:28.285 --> 00:23:34.803
Параметров. Парная регрессия

00:23:35.523 --> 00:23:36.802
и корреляция.

00:23:37.642 --> 00:23:43.640
Парная регрессия характеризует регрессию
между двумя изучаемыми наблюдениями: Y.

00:23:43.929 --> 00:23:49.812
Иначе говоря, это модель вида грек, равная
F от X, где лек объясняемая

00:23:50.372 --> 00:23:55.896
эндогенная переменная или же
результативный признак Xъясняющая

00:23:57.137 --> 00:24:01.139
экзогенная или зависимая переменная, иначе
признак — фактор.

00:24:02.265 --> 00:24:08.065
Обозначение галочки говорит о том, что
между наблюдениями X и игрек нет строгой

00:24:08.105 --> 00:24:13.144
функциональной зависимости, а значит,
почти в каждом отдельном случае значение

00:24:25.752 --> 00:24:31.635
Результативного признака Y с индексом X
теоретически полученные значения

00:24:31.995 --> 00:24:37.878
результативного признака, которое получено
исходя из уравнения регрессии.

00:24:37.999 --> 00:24:41.080
Эксиум, наблюдаемая величина, которая
характер

00:24:41.217 --> 00:24:47.176
Характеризует отклонение фактических
данных результативного признака от

00:24:47.496 --> 00:24:51.215
теоретически полученных из уравнения
регрессий.

00:24:54.015 --> 00:24:58.014
Также случайную величину эпсилум называют
возмущением.

00:24:58.254 --> 00:25:00.614
Она содержит влияние факторов, которые

00:25:01.981 --> 00:25:06.738
В модели случайных ошибок и особенностей,
связанных с измерениями.

00:25:07.378 --> 00:25:14.094
Её присутствие в модели может быть связано
с тремя факторами: спецификацией моделей,

00:25:14.174 --> 00:25:19.051
выборочным характером исходных данных,
особенностями измерения переменных.

00:25:20.835 --> 00:25:25.630
От правильно подобранной спецификации
модели будет зависеть влияние случайных

00:25:25.789 --> 00:25:27.947
ошибок на построенную модель.

00:25:28.186 --> 00:25:32.941
Чем ближе теоретически расположенные
значения Xрек с индексом X к значениям

00:25:33.061 --> 00:25:37.455
фактических данных Игрек, тем меньше
влияние случайных ошибок.

00:25:38.757 --> 00:25:44.159
Также к ошибкам спецификации можно отнести
неправильный выбор математической функции

00:25:44.319 --> 00:25:50.121
для Yeк от X и недоучёт в уравнении
регрессии какого-либо

00:25:50.481 --> 00:25:52.762
существенного фактора.

00:25:54.123 --> 00:25:57.644
То есть использование парной регрессии
вместо множественной.

00:25:58.494 --> 00:26:02.738
Помимо ошибок в спецификации на модель
могут быть оказывать влияние ошибки

00:26:02.898 --> 00:26:09.503
выборки, которые появляются в случае
неоднородности данных в

00:26:09.583 --> 00:26:14.627
исходной статистической совокупности, что
обычно бывает при анализе эконометрических

00:26:14.707 --> 00:26:15.228
процессов.

00:26:16.128 --> 00:26:20.369
В случае неоднородности изучаемой
совокупности в построенном уравнении

00:26:20.569 --> 00:26:24.009
регрессии отсутствует всякий практический
смысл.

00:26:24.129 --> 00:26:30.009
Чтобы получить хороший результат, чаще
всего исключают из совокупности единицы с

00:26:30.089 --> 00:26:32.609
аномальными значениями исследуемых
признаков.

00:26:33.638 --> 00:26:37.761
В таком случае результаты построенной
модели регрессии будут представлять из

00:26:37.881 --> 00:26:40.043
себя выборочные характеристики.

00:26:41.484 --> 00:26:46.207
Использование временной информации также
представляет собой выборку из всего

00:26:46.287 --> 00:26:48.488
множества хронологических дат.

00:26:48.928 --> 00:26:52.971
Изменив временной интервал, можно получить
другие результаты регрессии.

00:26:55.183 --> 00:26:59.659
Наибольшую опасность опасения трудностей в
практическом применении регрессионных

00:26:59.818 --> 00:27:02.775
методов будут представлять ошибки
измерения.

00:27:03.414 --> 00:27:09.048
Если ошибки спецификации можно снизить,
изменив формулу модели, вид математической

00:27:09.208 --> 00:27:11.526
формулы, ошибки выборки

00:27:13.499 --> 00:27:19.467
Увеличив объём выборки, то ошибки
измерения практически сводятся, сводят всё

00:27:19.587 --> 00:27:26.395
к нулю расчёты связанные с количественной
оценкой связи между

00:27:26.756 --> 00:27:28.358
изучаемыми признаками.

00:27:30.064 --> 00:27:36.021
Особенно велико наличие ошибок измерения в
случае исследования на макроуровне.

00:27:36.101 --> 00:27:40.978
Так, при анализе спроса и потребления в
качестве объясняющей переменной широко

00:27:41.098 --> 00:27:43.497
применяется доход на душу населения.

00:27:43.777 --> 00:27:48.694
Вместе с тем статистическое измерение
величины дохода сопряжено с рядом

00:27:48.814 --> 00:27:50.973
трудностей и не лишено возможных

00:27:51.263 --> 00:27:54.946
...ошибок, например, в результате наличия
скрытых доходов.

00:27:56.266 --> 00:28:01.350
Предположив, что ошибки измерения были
сведены к минимуму, основной упор в

00:28:01.430 --> 00:28:06.833
эконометрических исследованиях делается на
устранении ошибок спецификации модели.

00:28:07.909 --> 00:28:13.636
При наличии парной регрессии общий вид
математической функции gрек равной F от X,

00:28:13.756 --> 00:28:16.639
можно определить тремя методами.

00:28:20.084 --> 00:28:22.807
Это у нас графический метод.

00:28:24.385 --> 00:28:28.950
Аналитический метод, то есть опираясь на
теорию изучаемой взаимосвязи.

00:28:29.231 --> 00:28:30.833
Экспериментальный метод.

00:28:31.554 --> 00:28:35.679
Применение графического метода даёт
наглядное представление относительно

00:28:35.999 --> 00:28:38.642
зависимости между изучаемыми признаками.

00:28:40.039 --> 00:28:44.602
При изучении зависимости между двумя
признаками графический метод подбора вида

00:28:44.722 --> 00:28:47.645
уравнений регрессии достаточно нагляден.

00:28:49.206 --> 00:28:54.851
Он базируется на анализе поля корреляции
основные типы кривых, используемых при

00:28:55.011 --> 00:28:57.053
количественной оценке связи.

00:29:00.801 --> 00:29:04.640
Представлены на рисунке линии регрессии.

00:29:05.800 --> 00:29:11.918
Основные типы кривых, используемые при
количественной оценке связи между двумя

00:29:12.038 --> 00:29:16.557
переменным. Итак, в первом случае это у
нас прямая

00:29:17.653 --> 00:29:20.172
Функция Yeк, равная A + B.

00:29:20.612 --> 00:29:27.249
Далее, кривая либо часть параболы,
которая, веточка

00:29:27.489 --> 00:29:32.767
которой направлена вниз, grek, равная A +
Besce + Cudrat.

00:29:35.688 --> 00:29:41.042
Далее кривая уравнения грек равная B
разделить на X.

00:29:42.641 --> 00:29:49.034
Следующая кривая уравнения грек равно A+ B
X + Cudrat + Ax куб.

00:30:05.714 --> 00:30:10.229
Особый интерес при выборе типа уравнения
регрессии для нас будет представлять

00:30:10.349 --> 00:30:11.867
аналитический метод.

00:30:12.186 --> 00:30:16.861
Он базируется на изучении материальной
природы, связи исследуемых признаков.

00:30:17.795 --> 00:30:23.517
В случае анализа информации, основанном на
использовании программных продуктов, вид

00:30:23.797 --> 00:30:27.839
уравнения регрессии выбирается
экспериментальным методом.

00:30:30.039 --> 00:30:34.521
При обработке информации на компьютере
выбора вида уравнения регрессии

00:30:35.155 --> 00:30:40.509
Обычно осуществляется экспериментальным
методом, то есть иначе сравнивают величины

00:30:40.709 --> 00:30:47.542
остаточной дисперсии, полученных из
различных моделей

00:30:47.701 --> 00:30:50.658
регрессии. Если уравнение

00:31:02.069 --> 00:31:08.746
Если от X равно F от Xечение
результативного признака совпадает с

00:31:08.826 --> 00:31:12.504
теоретическим: gрек равно игрек с индексом
X.

00:31:12.704 --> 00:31:17.181
То есть они полностью обусловлены влиянием
фактора X.

00:31:17.501 --> 00:31:21.739
В этом случае остаточная дисперсия будет
равна нулю.

00:31:24.142 --> 00:31:28.665
В практических исследованиях, как правило,
имеет место некоторое рассеяние точек

00:31:28.785 --> 00:31:31.187
относительно линии регрессии.

00:31:32.828 --> 00:31:38.672
Оно обусловлено влиянием прочих
неучитываемых в уравнении регрессии

00:31:38.792 --> 00:31:39.272
факторов.

00:31:40.017 --> 00:31:45.011
То есть имеет место отклонение реальных
данных от теоретически полученных грек

00:31:45.091 --> 00:31:50.685
минус и с индексом X величина разности
фактических и теоретических данных

00:31:51.044 --> 00:31:56.319
является основой для расчёта остаточной
дисперсии, которая равна

00:31:57.252 --> 00:32:03.616
Единиц на икс умножить на сумму квадрата
разности игрек минус игрек с индексом

00:32:03.736 --> 00:32:09.259
икс. Отсюда можно сделать вывод, что для
нас условием получения адекватных

00:32:09.379 --> 00:32:14.622
результатов анализа является близость
остаточной дисперсии к нулю.

00:32:14.903 --> 00:32:18.545
Ибо чем меньше остаточная дисперсия, тем
больше качество

00:32:19.006 --> 00:32:24.289
построенного уравнения регрессии и
соответственно меньше влияние факторов, не

00:32:24.409 --> 00:32:26.250
включённых в наше уравнение

00:32:32.294 --> 00:32:37.217
Считается, что число наблюдения должно в
семь-восемь раз превышать число

00:32:37.337 --> 00:32:38.698
рассчитываемых параметров

00:32:39.372 --> 00:32:40.811
при переменной X.

00:32:41.011 --> 00:32:46.487
Иначе говоря, строить модель линейной

00:32:47.286 --> 00:32:52.882
регрессии при менее чем семь наблюдаемых
не имеет практического смысла.

00:32:53.441 --> 00:32:58.397
Если же вид парной линейной функции не
подходит для анализа, её необходимо

00:32:58.557 --> 00:32:59.157
усложнить

00:32:59.639 --> 00:33:04.083
Тогда для анализа нам потребуется
увеличить объём наблюдений, поскольку

00:33:04.243 --> 00:33:09.648
параметры X и T должны быть рассчитаны
хотя бы по семи наблюдениям.

00:33:11.650 --> 00:33:18.456
То есть в случае выбора параболы второй
степени в качестве вида модели Youe A +

00:33:19.569 --> 00:33:25.651
Ц X квадрат следует, что информация должна
быть уже не менее 14

00:33:26.251 --> 00:33:27.531
наблюдений.

00:33:32.293 --> 00:33:35.254
Линейная модель парной регрессии и
корреляции.

00:33:36.859 --> 00:33:41.343
Рассмотрим самый простой вид модели парной
регрессии — линейную регрессию.

00:33:41.824 --> 00:33:46.788
Линейная регрессия широко применяется в
эконометрике ввиду того, что имеет чёткую

00:33:46.868 --> 00:33:49.750
экономическую интерпретацию её параметров.

00:33:50.271 --> 00:33:52.193
Построение модели линейной

00:33:53.070 --> 00:33:59.591
Сводится к нахождению уравнения вида: grex
от X равно A+ B X или игрек равно

00:34:00.071 --> 00:34:02.831
A+ B умноженное на X + эпсю

00:34:13.607 --> 00:34:18.052
Весь процесс построения регрессии сводится
к нахождению оценок коэффициентов

00:34:18.132 --> 00:34:20.334
регрессии A и B.

00:34:24.018 --> 00:34:29.785
Наиболее популярным методом оценки
параметров регрессии является метод

00:34:29.865 --> 00:34:31.066
наименьших квадратов.

00:34:31.427 --> 00:34:33.186
Аббревиатура МНК.

00:34:33.545 --> 00:34:38.622
Применив метод наименьших квадратов, мы
получим оценки параметров A и B, которые

00:34:38.942 --> 00:34:43.539
минимизируют сумму квадратов отклонений
фактических значений результативного

00:34:43.699 --> 00:34:47.097
признака Игрек от теоретических Игрек с
индексом X.

00:34:48.257 --> 00:34:55.019
Сумма и от единицы до N квадрата разности
игрек и - игрек с индексом

00:34:55.099 --> 00:34:59.260
X it равна сумме от единицы до N эпсилу и

00:35:08.855 --> 00:35:13.379
Расстояние по вертикали между точками и
эта линия была бы минимальной.

00:35:13.659 --> 00:35:19.585
Обратим внимание на рисунок, где
представлена линия регрессии и минимальной

00:35:19.665 --> 00:35:21.666
дисперсии остатков.

00:35:27.391 --> 00:35:28.032
Мы знаем, что

00:35:29.196 --> 00:35:34.182
По второй теореме Верштраса функция
достигает своего максимума или минимума в

00:35:34.301 --> 00:35:35.378
точке, в которой

00:36:00.171 --> 00:36:06.890
Равно сумме квадрата уравнения игрек минус
A минус Б умноженное на X.

00:36:07.649 --> 00:36:13.887
Частная производная по параметру a будет
равна минус две

00:36:14.247 --> 00:36:14.807
суммы.

00:36:17.037 --> 00:36:21.521
Уравнение: X - A - B умножить на икс,
равное нулю.

00:36:22.361 --> 00:36:28.887
Вторая частная производная по параметру B
равно минус два суммы

00:36:31.209 --> 00:36:38.055
произведение в скобочках уравнение: игрек
минус A - B умноженное на икс и умножить

00:36:38.135 --> 00:36:38.455
на X.

00:36:38.812 --> 00:36:44.493
Равно нулю. Далее раскрываем скобки,
приравниваем к

00:36:44.613 --> 00:36:45.973
нулю.

00:36:46.173 --> 00:36:52.895
Получаем уравнение минус две суммы от Y
суммы от параметра A + две

00:36:53.095 --> 00:36:56.016
суммы произведения B на X приравниваем к
нулю.

00:36:56.973 --> 00:37:01.530
Второе уравнение — минус две суммы
произведения игрек на икс, плюс две суммы

00:37:01.690 --> 00:37:06.407
произведения A на X, плюс две суммы B на X
в квадрате.

00:37:09.845 --> 00:37:12.004
Далее, в результате преобразования

00:37:12.787 --> 00:37:15.746
Делим каждое уравнение на два.

00:37:16.866 --> 00:37:21.504
То есть, в результате упрощения получаем
минус сумма от игрек плюс сумма от

00:37:21.664 --> 00:37:24.823
параметра A плюс сумма от произведения B.

00:37:25.222 --> 00:37:30.700
Далее — минус сумма игрек от икс, плюс
сумма Aкс плюс сумма на B X в квадрате.

00:37:31.337 --> 00:37:33.617
Оба уравнения приравниваем к нулю.

00:37:34.217 --> 00:37:41.015
И далее получим систему линейных
уравнений.

00:37:41.135 --> 00:37:46.934
В конце концов: сумма от A плюс сумма B
умноженная на X равна сумме от игрек.

00:37:48.138 --> 00:37:54.576
И второе уравнение: сумма Aкс плюс сумма
на B X в квадрате равна сумма грек-кс.

00:37:56.455 --> 00:38:01.533
Получили следующую систему линейных
уравнений для оценки параметров A и B.

00:38:05.092 --> 00:38:08.770
B умноженное на сумму от X равно сумме от
игрек.

00:38:19.503 --> 00:38:24.028
Из их уравнениями мы получим интересующие
нас коэффициенты A и B.

00:38:24.348 --> 00:38:28.993
Систему уравнений решим либо путём
последовательного исключения переменных,

00:38:29.194 --> 00:38:34.680
либо методом краммера методом
определителей, где параметр A мы найдём

00:38:34.800 --> 00:38:37.002
как отношение дельта А на дельта.

00:38:37.521 --> 00:38:40.161
А Б будет равно дельта Б разделить на

00:38:40.281 --> 00:38:48.962
дельтаждения

00:38:49.042 --> 00:38:54.243
параметров регрессии можно использовать
следующие формулы: игрек равно игрек с

00:38:54.283 --> 00:38:56.603
чертой минус Б умноженное на ic с чертой

00:38:57.130 --> 00:39:02.006
Где Б равно коварианции X geк и разделить
на

00:39:04.924 --> 00:39:07.602
дельта от X в квадрате.

00:39:08.122 --> 00:39:12.838
Формула для отыскания параметра A
называется путём деления членов первого

00:39:12.918 --> 00:39:14.357
уравнения нашей системы.

00:39:14.821 --> 00:39:16.660
Системы на N.

00:39:22.456 --> 00:39:23.256
X iк

00:39:23.336 --> 00:39:30.851
равнок

00:39:30.931 --> 00:39:35.248
умножить на X с чертой минус игрек с
чертой умножить на X с чертой.

00:39:40.971 --> 00:39:47.644
И дельта в квадрате от X равна X чертой в
квадрате, минус X с чертой в

00:39:47.764 --> 00:39:50.921
квадрате — минус дисперсия признаков X.

00:39:53.519 --> 00:39:58.634
Выборочное средняя икс равна единице на N
сумма от X.

00:39:58.714 --> 00:40:00.432
Выборочное среднее от игрек.

00:40:01.092 --> 00:40:03.652
Это единица на n сумма от игрек.

00:40:04.172 --> 00:40:10.973
Произведение выборочных средних будет
равно единице на Н игрек умножить на

00:40:11.093 --> 00:40:17.493
икс. И среднее от X в квадрате будет равно
единице на n суммы икс квадрат.

00:40:18.501 --> 00:40:22.982
Ковариации числовой числовая
характеристика совместного распределения

00:40:23.142 --> 00:40:27.943
двух случайных величин, которая равна
математическому ожиданию произведения

00:40:28.103 --> 00:40:32.944
отклонения этих случайных величин от
математического ожидания.

00:40:33.504 --> 00:40:36.505
Дисперсия — это характеристика случайной
величины.

00:40:37.346 --> 00:40:42.271
которая определяется как математическое
ожидание квадрата отклонения случайной

00:40:42.431 --> 00:40:45.354
величины от её математического ожидания.

00:40:45.794 --> 00:40:50.639
Математическое ожидание представляет собой
сумму произведений значений случайной

00:40:50.759 --> 00:40:53.641
величины на соответствующие вероятности

00:40:59.322 --> 00:41:05.520
Параметр B называют коэффициентом
регрессии или же регрессоро характеризует

00:41:05.600 --> 00:41:10.359
среднее изменение gрек при изменении X на
единицу своего времени.

00:41:10.719 --> 00:41:14.918
Иначе говоря, отображает числовую
зависимость переменной igreк от X.

00:41:16.635 --> 00:41:21.200
Предположим, что функция спроса Yau
выражена следующим образом.

00:41:21.401 --> 00:41:28.248
Yeк равно 278 -1,4, где X — это

00:41:28.328 --> 00:41:30.330
цена на товар 1 000 ₽.

00:41:31.612 --> 00:41:33.574
Значит, с увеличением цены на товар

00:41:35.417 --> 00:41:41.099
На единицу стоимости спроса на этот товар
будет снижаться в среднем на 1,4

00:41:41.980 --> 00:41:48.862
₽. Благодаря тому, что коэффициент

00:41:49.022 --> 00:41:54.144
регрессии Б имеет чёткую экономическую
интерпретацию, линейное уравнение

00:41:54.304 --> 00:41:54.945
регрессии является

00:41:59.470 --> 00:42:04.905
Метр A характеризует значение функции в
точке, в которой переменная X равна нулю.

00:42:05.225 --> 00:42:09.860
Поскольку переменная X не может быть равна
нулю, это значит, что A не может

00:42:10.100 --> 00:42:14.336
применяться для трактовки и описания
экономических явлений.

00:42:15.455 --> 00:42:16.574
Рассмотрим пример.

00:42:21.747 --> 00:42:27.024
На минеральные удобрения X 000 ₽ приведены
в таблице 1.1.

00:42:27.263 --> 00:42:31.940
Построить модель, описывающих зависимость
игрек от X.

00:42:33.299 --> 00:42:38.416
Итак, дан номер по порядку значение gрек и
X.

00:42:40.633 --> 00:42:46.637
В данной таблице представлено восемь
значений

00:42:47.278 --> 00:42:49.640
8 значений X.

00:42:50.080 --> 00:42:55.484
Для того чтоб построить модель, найдём все
необходимые для системы значения.

00:42:56.765 --> 00:42:58.206
Первоначальная таблица.

00:42:58.953 --> 00:43:01.233
В таблице была дана игрек от X.

00:43:01.313 --> 00:43:08.114
Дальше мы добавляем столбики, в которых
э-э мы должны посчитать произведение грек

00:43:08.194 --> 00:43:10.235
на икс и столбик X квадрат.

00:43:10.475 --> 00:43:14.155
Произведение грек на икс каким образом
считается?

00:43:15.381 --> 00:43:22.024
10 на пять пятьдесят, 12 на 6, 72, 15 на
8, 120, 16 на 9,

00:43:22.144 --> 00:43:23.624
144 и так далее.

00:43:23.904 --> 00:43:27.425
Икс квадрат. Каждую величину X возводим в
квадрат.

00:43:36.067 --> 00:43:41.345
И в результате мы получим систему
нормальных уравнений.

00:43:43.464 --> 00:43:49.861
8a + 79 B равно 142, 79a +

00:43:50.020 --> 00:43:51.420
89 B равно

00:43:51.987 --> 00:43:53.708
1 549.

00:43:54.028 --> 00:44:00.072
Для того чтоб найти параметры A и B, решим
данную систему методом крамера.

00:44:00.272 --> 00:44:05.315
Сначала выпишем основной определитель, в
который входят коэффициенты при

00:44:05.475 --> 00:44:06.756
неизвестных.

00:44:07.276 --> 00:44:07.636
Это у нас

00:44:09.020 --> 00:44:12.940
Первая строка — восемь девять, вторая — 79
87.

00:44:13.820 --> 00:44:20.261
Решаем крест-накрест: произведение чисел
главной диагонали: 8 умножить на 879 минус

00:44:20.341 --> 00:44:22.501
произведение вспомогательной 79.

00:44:31.075 --> 00:44:32.035
Девителей дельта.

00:44:54.340 --> 00:45:01.294
Вычисляем также определитель второго
порядка и вычисляем, получаем 2 447.

00:45:01.814 --> 00:45:06.170
Второй дополнительный определитель, первый
столбик у нас остаётся без изменений —

00:45:06.330 --> 00:45:07.729
8,79.

00:45:08.248 --> 00:45:10.806
А второй столбик у нас меняется, так как

00:45:11.225 --> 00:45:16.744
Во втором столбике параметр B мы меняем на
числа, стоящие после знака равно 142

00:45:17.304 --> 00:45:18.904
549.

00:45:19.024 --> 00:45:25.583
Вычисляем, получаем 1 174 Далее по
формулам

00:45:26.263 --> 00:45:28.182
находим значение A и B.

00:45:28.382 --> 00:45:33.022
A — это дельта A разделить на дельта 2
447.

00:45:33.867 --> 00:45:39.023
Разделить на 791, округляем до сотых,
будет 3,9.

00:45:39.622 --> 00:45:45.418
Б равно дельта Б разделить на дельта равно
174 разделить на основной определитель

00:45:45.697 --> 00:45:47.656
791.

00:45:47.936 --> 00:45:50.014
Опять же округляем до сотых, получаем 1

00:45:52.265 --> 00:45:59.070
148 в уравнение регрессии, получим игрек

00:45:59.150 --> 00:46:04.915
равно 3,9 + 1,48 X.

00:46:05.595 --> 00:46:11.119
Подставив в уравнение регрессии значение
икс, получим теоретические значения игрек.

00:46:11.751 --> 00:46:18.386
Мы подставили сначала вместо переменной X5
и получили 10 515 000,

00:46:18.546 --> 00:46:21.503
затем 6 11 990.

00:46:34.617 --> 00:46:38.179
Икс-кс и находим значение игрека.

00:46:44.383 --> 00:46:49.626
Но для того чтоб найти более точное
значение игрека

00:46:54.547 --> 00:47:00.582
Мы найдём сумму игрека и уравнения прямой.

00:47:00.982 --> 00:47:02.341
Увидим отличие.

00:47:02.501 --> 00:47:06.818
Если подставим вместо переменной X все
точки, заданные в таблице.

00:47:07.657 --> 00:47:09.976
Но в результате, обратите внимание, сумма
будет

00:47:10.730 --> 00:47:11.769
Одинаково.

00:47:17.684 --> 00:47:24.518
Полученные теоретические значения Y близки
к реальным значениям результата

00:47:24.678 --> 00:47:29.353
Yeк. Это даёт нам возможность надеяться на
то, что прогнозы, проведённые по данной

00:47:29.433 --> 00:47:31.512
модели, дадут хороший результат.

00:47:33.633 --> 00:47:35.113
Коэффициент корреляции.

00:47:35.553 --> 00:47:41.510
Коэффициент корреляции R является
показателем тесноты связи построения

00:47:41.750 --> 00:47:48.427
уравнений, регрессии обычно дополняет им в

00:47:48.547 --> 00:47:49.147
случае, если мы

00:48:07.008 --> 00:48:11.847
Ковариант X iк разделить на дельта икс
умножить на дельта игрек.

00:48:12.247 --> 00:48:18.047
В числителе берётся произведение
произведение среднее произведение игрек на

00:48:18.127 --> 00:48:22.166
икс минус средний игрек умножить на
средний икс.

00:48:22.206 --> 00:48:25.126
В знаменателе под корнем квадратным
произведение

00:48:27.598 --> 00:48:34.361
Игрек квадрат грек среднее в квадрате
умножить на икс квадрат

00:48:34.481 --> 00:48:36.402
минус икс среднее в квадрате.

00:48:36.762 --> 00:48:41.644
Линейный коэффициент корреляции меняется в
пределах от -1 до 1.

00:48:42.205 --> 00:48:44.526
Чем ближе значение коэффициента корреляции

00:48:44.907 --> 00:48:50.223
Чем плюс-минус единицы, тем теснее связь
между изучаемыми факторами.

00:48:51.621 --> 00:48:56.257
Если коэффициент корреляции равен
плюс-минус единице, будем иметь строгую

00:48:56.377 --> 00:48:58.016
функциональную зависимость.

00:48:58.336 --> 00:49:02.692
Чем ближе значение коэффициента корреляции
к нулю, тем связь между факторами

00:49:06.494 --> 00:49:11.212
Однако близость абсолютной величины
линейного коэффициента корреляции ещё не

00:49:11.332 --> 00:49:16.130
значит, что связь отсутствует вовсе,
поскольку при этой нелинейной специфике

00:49:23.890 --> 00:49:27.329
...данными для расчёта коэффициента
корреляции.

00:49:30.968 --> 00:49:33.208
Мы с вами рассматривали эту таблицу.

00:49:53.652 --> 00:49:58.728
В данном случае можно говорить о наличии
функциональной связи.

00:50:00.726 --> 00:50:03.524
Коэффициент детерминации.

00:50:05.522 --> 00:50:08.599
Коэффициент детерминации позволяет оценить
качество

00:50:08.924 --> 00:50:13.127
По подобранной линейной функции его
рассчитывают как квадрат линейного

00:50:13.248 --> 00:50:15.129
коэффициента корреляции.

00:50:15.690 --> 00:50:21.696
Коэффициент детерминации характеризует
долю дисперсии результативного признака Y,

00:50:21.816 --> 00:50:25.499
объясняемую регрессией в общей дисперсии
результативного признака.

00:50:47.320 --> 00:50:53.568
Равно единице на N в сумме квадрата
равности игрек минус игрек среднее.

00:50:54.649 --> 00:51:00.937
И это можно всё просчитать при помощи
таблицы, используя

00:51:02.138 --> 00:51:03.620
заданное значение игрек.

00:51:04.290 --> 00:51:09.651
Игрек среднее, которое мы вывели с помощью
уравнения прямой линейной регрессии.

00:51:17.532 --> 00:51:20.293
Ну, в результате у нас

00:51:20.800 --> 00:51:26.914
Получаем коэффициент детерминации из
заданной таблицы будет равен 0,98.

00:51:27.194 --> 00:51:31.150
Полученный результат коэффициента
детерминации говорит о том, что изменение

00:51:31.350 --> 00:51:37.144
результата Y на 98% зависит от фактора X.

00:51:38.304 --> 00:51:43.306
В случае наличия линейной связи между gрек
и X, коэффициент детерминации можно найти

00:51:43.426 --> 00:51:47.388
путём возведения в квадрат коэффициента
корреляции.

00:51:54.591 --> 00:51:57.112
Отсюда следует, что величина единица минус

00:51:59.050 --> 00:52:05.892
С индексом X-грек будет характеризовать
долю дисперсию, обусловленную влиянием

00:52:06.012 --> 00:52:09.213
факторов, которые не были включены в
модель.

00:52:16.135 --> 00:52:19.015
После того, как найдено уравнение линейной
регрессии

00:52:20.342 --> 00:52:24.663
Проводится оценка зависимости как
уравнения в целом, так и отдельных его

00:52:24.863 --> 00:52:29.824
параметров. Проверить значимость уравнения
регрессии — значит установить,

00:52:29.905 --> 00:52:34.666
соответствует ли математическая модель,
выражающая зависимость между переменными

00:52:35.306 --> 00:52:36.747
экспериментальным данным.

00:52:37.289 --> 00:52:42.172
И достаточно ли включённых уравнения,
объясняющих переменных одной или

00:52:42.372 --> 00:52:46.094
нескольких для описания зависимостей
переменных?

00:52:49.496 --> 00:52:54.700
Ошибки апросимиакции иметь

00:52:55.412 --> 00:52:59.814
Представление относительно качества
построенной модели из относительных

00:52:59.934 --> 00:53:06.576
отклонений по каждому наблюдению
определяют среднюю ошибку апросимиакции.

00:53:06.776 --> 00:53:09.777
А с чертой равна единице на N сумма.

00:53:24.482 --> 00:53:30.316
Интересует разницу между фактическими и
теоретическими наблюдениями, выраженными в

00:53:30.395 --> 00:53:37.029
процентах. Опять же предполагаем, что мы
это всё можем выполнить при помощи

00:53:37.189 --> 00:53:41.944
таблицы, в которой даны

00:53:42.892 --> 00:53:47.497
Мы берём заданное значение Yek, затем iк с
чертой

00:53:49.979 --> 00:53:56.786
и рассматриваем, насколько у нас есть
отличия данных значений при помощи ошибки

00:53:56.986 --> 00:53:58.067
атсимиакции.

00:54:01.849 --> 00:54:06.132
Средняя ошибка просимиакции не должна
превышать 8—10%.

00:54:06.212 --> 00:54:09.254
В нашем случае это 2,48%.

00:54:09.774 --> 00:54:14.057
Полученный результат не превышает
допустимых пределов, что говорит о хорошем

00:54:14.177 --> 00:54:15.698
качестве построенной модели.

00:54:15.738 --> 00:54:19.180
И, соответственно, данная модель применима
для прогноза и анализа

00:54:19.905 --> 00:54:23.747
По ней поведение исследуемого показателя
Y.

00:54:24.668 --> 00:54:28.910
Оценка значимости уравнения регрессии и
его параметров.

00:54:29.230 --> 00:54:32.031
Оценка значимости уравнения регрессии.

00:54:32.631 --> 00:54:36.993
Один из наиболее популярных вариантов
оценки значимости уравнения регрессии

00:54:37.114 --> 00:54:38.314
заключается в следующем.

00:54:39.272 --> 00:54:43.228
Для построенного уравнения регрессии
рассчитывается F-статистика, которая

00:54:43.468 --> 00:54:46.226
характеризует точность уравнения
регрессии.

00:54:46.625 --> 00:54:52.260
Данная статистика является отношением той
части дисперсии, объясняемой переменной,

00:54:52.340 --> 00:54:57.855
которая объясняется уравнением регрессии к
необъяснённой остаточной части дисперсии.

00:54:58.948 --> 00:55:04.189
Обычный дисперсионный анализ является
предшествующим шагом к оценке значимости

00:55:04.349 --> 00:55:05.869
уравнения регрессии.

00:55:06.869 --> 00:55:11.469
В математической статистике дисперсионный
анализ рассматривается как самостоятельный

00:55:11.549 --> 00:55:13.870
инструмент статистического анализа.

00:55:14.355 --> 00:55:18.519
В эконометрике он применяется как
вспомогательное средство для изучения

00:55:18.720 --> 00:55:21.603
качества рекрессионной модели.

00:55:26.969 --> 00:55:31.814
В дисперсионном анализе сумма квадратов
разности, объясняемой переменной gк.

00:55:32.242 --> 00:55:38.197
От его среднего значения игрек с чертой
можно разложить как две составляющие сумму

00:55:38.356 --> 00:55:44.031
квадратов разности, объяснение регрессии и
остаточную сумму квадратов разности.

00:55:44.311 --> 00:55:47.508
Итак, сумма квадратов разности игрек минус
игрек среднего.

00:56:01.404 --> 00:56:06.369
Первая — сумма — общая сумма квадратов
разностей; вторая — сумма квадратов

00:56:06.569 --> 00:56:09.212
разностей, объяснённая регрессией.

00:56:09.972 --> 00:56:16.539
И третья — остаточная сумма квадратов
разности, которая характеризует влияние

00:56:16.739 --> 00:56:18.180
неучтённых методов.

00:56:18.785 --> 00:56:20.504
Модели факторов.

00:56:22.184 --> 00:56:28.661
Схема дисперсионного анализа имеет вид,
представленный в таблице

00:56:28.900 --> 00:56:34.778
1.2, где N — число наблюдений, N- число
параметров при переменной X.

00:56:35.217 --> 00:56:36.817
Выделены следующие столбцы.

00:56:37.168 --> 00:56:43.406
Компоненты дисперсии — сумма квадратов,
число степеней свободы, дисперсия на одну

00:56:43.486 --> 00:56:44.846
степень свободу.

00:56:45.646 --> 00:56:51.644
И компоненты дисперсии: общая дисперсия,
факторная и

00:56:51.884 --> 00:56:52.683
остаточная.

00:56:57.417 --> 00:57:04.011
Определение дисперсии на одну степень
свободы приводит дисперсии к

00:57:04.051 --> 00:57:05.370
сравнимому виду.

00:57:05.649 --> 00:57:10.885
Сопоставляя факторную и остаточную
дисперсию в качестве на одну степень

00:57:11.045 --> 00:57:13.722
свободы, получим величину F — критерий.

00:57:17.044 --> 00:57:23.639
Критерий фишера будет равен отношению в
данном случае

00:57:29.235 --> 00:57:31.553
факторной дисперсии и остаточной.

00:57:33.607 --> 00:57:39.245
Фактическое значение F — критерия Фишера
сравнивается с табличным значением

00:57:40.725 --> 00:57:47.283
F табличное Alfa K1 K2 при уровне
значимости Alfa и степенях свободы K1

00:57:47.602 --> 00:57:51.961
равное M и K2 равное N -1.

00:57:52.743 --> 00:57:59.660
При этом, если фактическое значение F-
критерия больше табличного, то

00:57:59.780 --> 00:58:03.498
признаётся статистическая значимость
уравнения в целом.

00:58:04.218 --> 00:58:09.135
Для парной линейной регрессии M равно
единице, поэтому справедливо следующее

00:58:09.255 --> 00:58:09.775
равенство.

00:58:10.502 --> 00:58:16.585
Ф равно отношению факторной и остаточной
дисперсии.

00:58:16.985 --> 00:58:23.228
В числителе сумма квадратов разности от X
- игрек среднее; в знаменателе квадрат

00:58:23.388 --> 00:58:25.468
сумма квадрата разности.

00:58:45.412 --> 00:58:51.218
Минус в знаменателе единица минус
коэффициент детерминации умножить на N

00:58:51.538 --> 00:58:52.740
-2.

00:58:56.063 --> 00:58:59.426
Оценки значимости коэффициента
детерминации.

00:58:59.546 --> 00:59:00.227
Помимо оценки

00:59:09.660 --> 00:59:13.818
Оценка значимости производится по Т
статистике Стюдента.

00:59:14.257 --> 00:59:19.335
С этой целью по каждому из параметров
определяется его стандартная ошибка M с

00:59:19.375 --> 00:59:21.734
индексом B и с индексом A.

00:59:22.293 --> 00:59:25.892
Стандартная ошибка коэффициента регрессии
определяется по формуле.

00:59:26.446 --> 00:59:31.683
M с индексом B равно корень квадратный
отношение остаточной дисперсия разделить

00:59:31.763 --> 00:59:35.122
на сумму квадрата разности X -x среднее
или

00:59:39.160 --> 00:59:43.838
среднее квадратическое отклонение
остаточное умножить на дельта X на корень

00:59:43.957 --> 00:59:44.517
из N.

00:59:46.348 --> 00:59:52.946
Где S квадрат остаточная дисперсия на одну
степень свободу.

00:59:53.386 --> 00:59:58.504
Величина стандартной ошибки связана с Т
распределением стюдента при N минус два в

00:59:58.544 --> 01:00:03.063
степенях свободы, применяется для проверки
стюндента.

01:00:04.987 --> 01:00:10.269
...и сущности коэффициента регрессии, а
также для расчёта его доверительного

01:00:10.429 --> 01:00:17.111
интервала. Оценку значимости коэффициента
регрессии проводят путём сравнения его

01:00:17.271 --> 01:00:22.233
величины со стандартной ошибкой, иначе
говоря, определяют фактическое значение

01:00:22.433 --> 01:00:23.954
Т-критерия Стюлинга.

01:00:24.905 --> 01:00:29.185
Т с индексом Б равно B разделить на M с
индексом Б.

01:00:29.945 --> 01:00:35.585
Фактическое значение Т-критерия сравнивать
с табличным значением Т-таблично при

01:00:35.745 --> 01:00:37.465
определённом уровне значимости.

01:00:49.743 --> 01:00:56.063
Стандартная ошибка равна корню квадратному
из суммы разности квадратов i минус

01:00:56.743 --> 01:01:02.623
игрек и T с чертой в квадрате разделить на
число степеней свободы

01:01:03.903 --> 01:01:06.943
и в знаменателе сумма квадратов разности
икс

01:01:07.512 --> 01:01:09.674
Ита минус X среднее.

01:01:10.235 --> 01:01:10.275
Где

01:01:18.763 --> 01:01:20.604
фактическое значение стюду

01:01:31.956 --> 01:01:36.154
H-1 от значимости коэффициента регрессии.

01:01:36.473 --> 01:01:43.349
Если наоборот, меньше, то принимается
гипотеза H- нулевое от незначимости

01:01:43.509 --> 01:01:45.148
коэффициента регрессии.

01:01:45.628 --> 01:01:45.988
Стандарт

01:01:57.454 --> 01:02:03.499
Процедура оценки значимости параметра А
совпадает с рассмотренный выше для

01:02:03.699 --> 01:02:08.223
коэффициента регрессии T — критерий для
оценки значимости A.

01:02:08.623 --> 01:02:12.666
Полученный результат сравниваем с
табличным значением при том же уровне

01:02:12.786 --> 01:02:15.548
значимости и степени свободы минус два.

01:02:16.434 --> 01:02:22.708
Если Т с индексом A больше табличного
T-критерия, то принимается H1 о значимости

01:02:22.828 --> 01:02:24.306
коэффициента регрессии.

01:02:24.666 --> 01:02:30.500
Если Т с индексом A меньше табличного
критерия, то принимается гипотеза H.0 о

01:02:30.580 --> 01:02:32.738
незначимости коэффициента регрессии.

01:02:33.550 --> 01:02:39.917
Оценим значимость коэффициента регрессии
при уровне значимости альфа, равной 0,5%.

01:02:40.117 --> 01:02:46.204
Дополним таблицу необходимыми расчётами,
чтоб найти стандартные ошибки для A и B.

01:02:47.525 --> 01:02:50.528
Опять же возвращаемся в таблиу таблицу.

01:02:52.129 --> 01:02:55.165
Выполняем расчёты и находим сумму.

01:03:24.067 --> 01:03:26.830
Принимается гипотеза H1.

01:03:31.034 --> 01:03:37.599
Заверительный интервал для коэффициента
регрессии определяется как B+ -T табличное

01:03:37.760 --> 01:03:40.042
умножить на M с индексом B.

01:03:40.594 --> 01:03:45.548
Поскольку знак коэффициента регрессии
указывает на рост результативного признака

01:03:45.668 --> 01:03:51.981
Y при увеличении признака фактора X B
больше, уменьшение результативного

01:03:52.181 --> 01:03:55.577
признака при увеличении признака фактора B
меньше нуля.

01:03:56.176 --> 01:04:00.693
Или его независимость от независимой
переменной B, равной нулю.

01:04:02.172 --> 01:04:06.929
По границы доверительного интервала для
коэффициента регрессии не должны содержать

01:04:07.248 --> 01:04:08.967
противоречивых результатов.

01:04:09.087 --> 01:04:14.443
Например, B должно изменяться от цех до
0,8.

01:04:15.060 --> 01:04:19.338
Такого рода запись указывает, что истинное
значение коэффициента регрессии

01:04:19.458 --> 01:04:24.735
одновременно содержит положительные и
отрицательные величины и даже ноль, чего

01:04:24.975 --> 01:04:31.572
не может быть. Нашему вниманию

01:04:37.778 --> 01:04:44.621
Б больше у нас прямая идёт вверх Б меньше
нуля вниз и

01:04:45.101 --> 01:04:51.704
параллельно оси абцисс Б равная нулю
значимости

01:04:51.904 --> 01:04:53.425
коэффициента корреляции.

01:04:56.812 --> 01:05:00.776
Проводится по Т распределению.

01:05:01.336 --> 01:05:05.460
С этой целью вычисляется Т фактическое по
формуле.

01:05:05.540 --> 01:05:10.385
Т равно R умножить на корень квадратный
разности N минус два разделить на корень

01:05:10.505 --> 01:05:13.107
квадратный 1 минус R квадрат.

01:05:14.145 --> 01:05:20.665
Если Т больше табличного критерия,
принимается

01:05:20.785 --> 01:05:25.745
гипотеза H1 о значимости коэффициента
корреляции R не равно нулю.

01:05:27.585 --> 01:05:32.305
Если Т меньше табличного критерия,
принимается гипотеза Hнулевое.

01:05:32.712 --> 01:05:37.351
О незначимости коэффициента коррец
корреляции, который равен нулю.

01:05:40.630 --> 01:05:44.270
Для нашего примера Т равно 17,15

01:05:47.909 --> 01:05:50.269
фактическое больше, чем Т табличное.

01:05:50.349 --> 01:05:54.428
Соответственно, делаем вывод о значимости
коэффициента корреляции.

01:05:55.155 --> 01:06:00.399
Существует связь между T-критерием
Стюдента и F-критерием Фишера.

01:06:01.680 --> 01:06:06.764
Т с индексом B равно Т с индексом A равно
корню квадратному из F.

01:06:07.725 --> 01:06:10.286
Точечный и интервальный прогноз.

01:06:10.647 --> 01:06:13.689
В случае прогнозирования по уравнению
регрессии вычисляется

01:06:14.849 --> 01:06:21.333
Предсказуемое X с индексом p, значение как
точечный прогноз грек с индексом X.

01:06:21.453 --> 01:06:25.376
При этом X с индексом p равн икс индексом
K.

01:06:25.576 --> 01:06:29.579
То есть путём подстановки в уравнении
регрессии игрек, равное A плюс Б

01:06:29.819 --> 01:06:33.301
умноженное на X соответствующего значению
X.

01:06:33.421 --> 01:06:37.864
Иначе говоря, суть точечного прогноза
заключается в подстановке полученной

01:06:37.944 --> 01:06:39.425
модели регрессии требуемого

01:06:40.477 --> 01:06:42.359
прогнозного значения X.

01:06:42.599 --> 01:06:48.485
Однако ввиду того, что в парной линейной
регрессии присутствует лишь один фактор X,

01:06:48.685 --> 01:06:52.969
точно определить будущее поведение
изучаемого процесса не представляется

01:06:53.209 --> 01:06:56.612
возможным, поэтому точечный прогноз явно
нереальный.

01:06:57.481 --> 01:07:01.918
Поэтому его дополняют интервальным
прогнозом, основанным на расчёте

01:07:02.038 --> 01:07:05.636
стандартной ошибки Y с индексом p.

01:07:06.356 --> 01:07:12.272
И, соответственно, интервальной оценке
прогнозного значения ik с индексом p.

01:07:14.883 --> 01:07:19.724
То есть игрек с индексом Б будет больше
либо равен разности игрек с индексом p

01:07:19.804 --> 01:07:25.204
минус дельта от игрек с индексом p и
меньше либо равен игрек с индексом ble

01:07:25.884 --> 01:07:28.164
дельта игрек с индексом p.

01:07:28.604 --> 01:07:32.645
Где дельта игрек с индексом p равен M с
индексом p умножить

01:07:34.899 --> 01:07:41.575
M с индексом gрек — средняя ошибка
прогнозируемого индивидуального

01:07:41.735 --> 01:07:48.611
значения. Представлена формула расчёта
средней ошибки прогнозируемого

01:07:48.931 --> 01:07:50.410
индивидуального значения.

01:07:51.822 --> 01:07:52.610
Ты наглядно стираешь.

01:08:10.505 --> 01:08:11.985
Питание грук тысяч руб.

01:08:12.145 --> 01:08:14.505
и доходы семьи X 000 ₽.

01:08:15.105 --> 01:08:19.865
Сделаем предположение о линейном характере
связи между доходом семьи и расходом на

01:08:19.985 --> 01:08:25.385
продукты питания, построим поле корреляции
и убедимся в верности нашего

01:08:26.465 --> 01:08:29.345
предположения. Каким образом строится поле
корреляции?

01:08:29.425 --> 01:08:29.705
Берутся

01:08:43.194 --> 01:08:48.469
Последняя точка — X равен 18,7, Y.

01:08:49.308 --> 01:08:52.186
18,7 3,8.

01:08:53.265 --> 01:08:55.303
По графику видно, что точки выстраиваются

01:09:06.748 --> 01:09:08.507
В данном случае 1 и

01:09:08.706 --> 01:09:15.419
3, затем,

01:09:15.699 --> 01:09:18.057
как в предыдущем примере, находим
произведение

01:09:36.943 --> 01:09:40.823
В результате и последняя строчка — это у
нас сумма.

01:09:43.702 --> 01:09:47.821
Затем определяем среднее значение дельта и
дельта в квадрате.

01:09:48.221 --> 01:09:52.140
Рассчитаем параметры линейного уравнения
парной регрессии игрек-рав

01:10:11.841 --> 01:10:15.041
Имеем модель прямой.

01:10:15.281 --> 01:10:18.440
Игрек от X равен 0,859 тыс.

01:10:18.800 --> 01:10:22.960
+ 0,177 умножить на X.

01:10:23.400 --> 01:10:28.959
Делаем вывод, что при увеличении доходов
семьи на 1 000 ₽ расходы на питание при

01:10:29.079 --> 01:10:30.239
этом увеличатся в среднем.

01:10:32.094 --> 01:10:33.333
Семь рублей.

01:10:41.846 --> 01:10:45.882
Как нами было отмечено ранее, уравнение
линейной регрессии всегда дополняет

01:10:46.002 --> 01:10:49.679
коэффициент корреляции, который
характеризуется частотой связи.

01:10:50.086 --> 01:10:54.891
Между изучаемыми явлениями R от X g.

01:10:55.852 --> 01:11:01.337
И подставляя данные табличные значения из
таблицы, коэффициент корреляции будет

01:11:01.497 --> 01:11:04.540
равен 99.

01:11:05.100 --> 01:11:08.984
Что говорит о близости коэффициента
корреляции к единицу?

01:11:09.338 --> 01:11:12.698
...и указывает на тесную линейную связь
между признаками.

01:11:13.378 --> 01:11:18.697
В результате коэффициент детерминации R-
квадрат будет равен 98.

01:11:18.977 --> 01:11:23.656
Коэффициент детерминации показывает, что
построенное уравнение регрессии объясняет

01:11:24.136 --> 01:11:29.295
98,4% дисперсии результативного признака.

01:11:29.972 --> 01:11:36.970
Соответственно, 1,6% приходится на долю
случайных и неучтённых в модели

01:11:37.250 --> 01:11:44.128
факторов. Для оценки качества построенной
модели

01:11:44.408 --> 01:11:49.846
в целом воспользуемся F-критерием Фишера,
вычислим значение F-критерия для данного

01:11:49.966 --> 01:11:51.205
уравнения — регрессия.

01:11:51.910 --> 01:11:58.038
Опять же, данные из таблицы подставим в
формулу и получим значение, равное

01:11:58.279 --> 01:12:00.722
371,2 000.

01:12:00.922 --> 01:12:02.765
Табличное значение — ка.

01:12:21.374 --> 01:12:23.014
Статистически значима.

01:12:23.334 --> 01:12:27.895
Чтобы проверить статистическую значимость
коэффициентов регрессии по T-критерию

01:12:28.015 --> 01:12:31.895
Стюдента, найдём их стандартные ошибки MA
и MB.

01:12:32.135 --> 01:12:37.335
M с индексом B — 9 000, с индексом AM —
это 94.

01:12:49.909 --> 01:12:56.542
Целых 26. При уровне значимости альфа пять
сотых и числе степеней свободы равных N

01:12:56.741 --> 01:12:59.459
минус 2, равное шесть, получим табличное
значение

01:13:17.004 --> 01:13:19.237
Регрессии статистически значимы.

01:13:19.356 --> 01:13:21.031
Рассчитаем коэффициент регрессии.

01:13:43.413 --> 01:13:45.613
91 000.

01:13:46.653 --> 01:13:50.332
Оценим статистическую значимость
коэффициента корреляции по Т.

01:13:50.412 --> 01:13:51.771
Критерию Стюбинг.

01:13:51.891 --> 01:13:55.170
Т равно 19,26.

01:13:55.490 --> 01:14:00.809
Так как Т-критерия больше табличного,
делаем вывод о статистической значимости

01:14:00.969 --> 01:14:02.368
коэффициента корреляции.

01:14:02.809 --> 01:14:06.167
Найдём среднюю ошибку апросими акций,
найдём

01:14:06.446 --> 01:14:12.442
её, опираясь на расчёты в

01:14:12.522 --> 01:14:17.519
таблице, где A будет равно 4,56

01:14:19.109 --> 01:14:25.387
Сотых. Четыре целых пятьдесят шесть сотых
процента отклонение фактических наблюдений

01:14:25.547 --> 01:14:32.024
от теоретических составляет в среднем
4,56%, что говорит о хорошем качестве

01:14:32.184 --> 01:14:34.664
уравнения реверсии, то и свидетельствует о

01:14:35.040 --> 01:14:37.400
хорошем подборе моделей к исходным данным.

01:14:37.680 --> 01:14:41.439
Данная модель адекватна и применима для
прогноза по ней.

01:14:41.639 --> 01:14:42.759
Спрогнозируем расходы

01:15:11.750 --> 01:15:17.506
будет составлять 2 601 601000 ₽.

01:15:17.705 --> 01:15:23.182
Следует помнить, что линейная модель имеет
средний приближённый характер и,

01:15:23.222 --> 01:15:27.818
соответственно, опирается на один лишь
точечный прогноз.

01:15:28.778 --> 01:15:32.895
Дополним наш прогноз интервальным, то есть
найдём возможные интервалы

01:15:33.698 --> 01:15:34.978
Варьирование прогноза.

01:15:35.058 --> 01:15:38.257
Для начала отыщем стандартную ошибку
прогноза.

01:15:38.537 --> 01:15:42.737
Она будет равна 0,138 000.

01:15:43.977 --> 01:15:48.817
Далее сравним значение Yek с индексом B
будет из

01:16:01.535 --> 01:16:06.494
На одном графике изобразим исходные данные
линии регрессии.

01:16:13.811 --> 01:16:16.170
Обратим внимание на рисунок 1.5.

01:16:22.207 --> 01:16:27.651
Построение парной ликде в Эксель имеются
данные в таблице, в которой приведены

01:16:27.811 --> 01:16:32.895
ежегодные значения денежной массы и
национального дохода некоторой

01:16:33.135 --> 01:16:34.617
гипотетической страны.

01:16:34.737 --> 01:16:37.979
Все величины выражены в миллиардах.

01:16:38.504 --> 01:16:40.424
Название национальной валюты.

01:16:41.505 --> 01:16:48.386
Итак, первый столбик — количество данных,
затем , денежная масса и

01:16:48.586 --> 01:16:50.426
X — национальный доход.

01:16:50.907 --> 01:16:55.507
Необходимо построить модели регрессии,
характеризующую зависимость денежной массы

01:16:55.707 --> 01:16:57.468
от уровня национального дохода.

01:16:58.933 --> 01:17:02.255
Данные значения заносим в таблицу Excel.

01:17:09.057 --> 01:17:12.218
Итак, значит, номер по порядку игрек.

01:17:25.168 --> 01:17:30.163
Расчёт X квадрат для первого наблюдения
осуществляется путём ячейку D3

01:17:38.594 --> 01:17:41.311
S4 в квадрате.

01:17:44.084 --> 01:17:44.413
следующий

01:18:12.346 --> 01:18:14.748
Протягиваем до ячейки E1.

01:18:15.188 --> 01:18:19.591
Расчёт сумм соответствующих столбцов можно
выполнить различными способами.

01:18:19.671 --> 01:18:22.433
Мы пойдём по лёгкому пути.

01:18:22.513 --> 01:18:24.914
Щёлкнём ячейки столбца B12

01:18:29.477 --> 01:18:31.919
и щёлкнём на значке автосуммы.

01:18:34.075 --> 01:18:37.996
Сразу будет выделен столбец B4, B11.

01:18:38.076 --> 01:18:39.517
Нажмём Enter.

01:18:41.998 --> 01:18:45.599
В выделенной ячейке появится значение
суммы столбца.

01:18:45.719 --> 01:18:50.161
Тем же протягиванием найдём суммы для
столбцов X X квадрат.

01:18:50.477 --> 01:18:56.839
Произведение X Y квадрат решаем систему
методом

01:18:56.919 --> 01:19:02.280
Крамера, запишем сумма

01:19:05.881 --> 01:19:07.722
и значения из системы.

01:19:08.780 --> 01:19:12.626
Аналогично найдём дельта А и дельта Б.

01:19:13.387 --> 01:19:16.471
Рассчитаем значения параметров A и B.

01:19:16.871 --> 01:19:22.358
В выделенные ячейки записываем в расчёт
параметров A и параметр Б.

01:19:40.343 --> 01:19:46.266
Для этого выделим и вызовем контекстное
меню, далее: формат ячеек, числовое, число

01:19:46.386 --> 01:19:50.228
десятичных знаков 2—okay.

01:19:50.428 --> 01:19:52.109
Соответственно, имеем модель.

01:19:59.860 --> 01:20:04.416
...значения игрек для каждого имеющегося в
таблице значения, объединяющего переменные

01:20:04.536 --> 01:20:10.930
X. Для этого введём в расчётной таблице
дополнительный столбец J, озаглавим его

01:20:11.090 --> 01:20:16.445
Yek от T. Так как уравнение регрессии уже
получилось, осталось лишь для каждого

01:20:16.725 --> 01:20:19.322
этого значения X рассчитать в столбце J.

01:20:19.876 --> 01:20:22.514
Соответствующее прогнозное значение gek.

01:20:22.674 --> 01:20:26.710
Для этого в ячейке Ж4 введём формулу

01:20:31.346 --> 01:20:35.022
протянем по диапазону ячеек Ж4, Ж11.

01:20:40.620 --> 01:20:44.937
Найдём сумму квадратов отклонений между
теоретическими и фактическими

01:20:45.096 --> 01:20:51.691
наблюдениями, добавим столбец в таблицу и
запишем в

01:20:51.731 --> 01:20:53.089
ячейку формулу.

01:20:53.369 --> 01:20:54.968
Заполним столбец.

01:20:59.284 --> 01:21:01.123
Для расчёта коэффициента корреляции

01:21:03.418 --> 01:21:09.978
По формулам R от X Yo формулы легко
рассчитать в Excel.

01:21:10.338 --> 01:21:14.538
В случае с первым подходом необходимо
найти среднее арифметическое значение для

01:21:14.697 --> 01:21:20.937
следующих столбцов X-грекс-грек
произведение X квадрат-грек квадрат

01:21:21.697 --> 01:21:25.017
в меню формулы статистическое среднее
значение.

01:21:29.349 --> 01:21:34.108
Вводим значение столбца YoК, найдём
среднее, аналогичное для остальных

01:21:34.268 --> 01:21:36.947
столбцов. Сумма средняя.

01:21:37.267 --> 01:21:41.306
Далее получим результат, подставив в
формулу соответствующие значения.

01:21:41.826 --> 01:21:45.385
По второй формуле найдём значение суммы
квадратов разностей.

01:21:49.993 --> 01:21:51.913
Случайной величины и средней.

01:21:52.113 --> 01:21:57.591
Добавим столбец в таблицу, обозначим его
через Q, вводим в ячейку.

01:22:01.229 --> 01:22:07.987
Как показано на рисунке, обратите внимание
впишем ячейку F15, комментарий РНО.

01:22:08.832 --> 01:22:15.666
Ячейку G15 формула A равно корень 1 - HD
делное на

01:22:15.866 --> 01:22:17.265
i 12.

01:22:17.704 --> 01:22:20.982
Коэффициент корреляции равен 99.

01:22:21.301 --> 01:22:25.338
Коэффициент корреляции очень близок к
единице, здесь можно говорить о прямой

01:22:25.458 --> 01:22:26.617
функциональной связи.

01:22:27.350 --> 01:22:31.465
Связь очень тесная, прямая,
соответственно, крайне сильная зависимость

01:22:31.625 --> 01:22:34.341
денежной массы от национального дохода.

01:22:35.460 --> 01:22:40.214
Далее вычисляем коэффициент детерминации
как квадрат коэффициента корреляции, пишем

01:22:40.254 --> 01:22:42.850
в ячейку F16 комментарий.

01:22:44.506 --> 01:22:51.190
Р квадрат минус равно в ячейку Ж16 формулу
равну Ж15

01:22:51.510 --> 01:22:58.033
в квадрате Получаем коэффициент
детерминации равен 98%

01:22:58.433 --> 01:23:02.115
дисперсия игрек объяснено дисперсии игрек.

01:23:14.740 --> 01:23:16.381
Задание для самостоятельной работы.

01:23:16.541 --> 01:23:20.825
Самостоятельная работа обучающихся
является одной из важнейших составляющих

01:23:20.906 --> 01:23:26.150
образовательного процесса, независимо от
направления подготовки и характера работы,

01:23:26.271 --> 01:23:30.314
любой начинающий специалист должен
обладать фундаментальными знаниями,

01:23:30.394 --> 01:23:33.237
профессиональными умениями, навыками
деятельности.

01:23:33.684 --> 01:23:38.080
...своего профиля опытом творческой,
исследовательской деятельности по решению

01:23:38.280 --> 01:23:40.158
новых проблем.

01:23:40.477 --> 01:23:44.833
Самостоятельная работа определяется как
индивидуальная или коллективная учебная

01:23:44.993 --> 01:23:50.628
деятельность, осуществляемая обучающимися
самостоятельно по заданиям преподавателей

01:23:50.708 --> 01:23:51.627
под его контролем.

01:23:52.803 --> 01:23:57.844
В данном случае для выполнения
самостоятельной работы вам необходимо

01:23:57.964 --> 01:24:04.405
ответить на вопросы, которые были выделены
в результате нашей лекции.

01:24:05.886 --> 01:24:12.647
Также вам предлагается перечень основной
дополнительной учебной литературы.

01:24:13.214 --> 01:24:18.183
необходимы для освоения дисциплины и для
выполнения самостоятельной работы

