Ряды: yt – исходный ряд из лабораторной работы №1 (п.3.2.2) xt – ряд «Счёт операций с капиталом и финансовых операций» (кредит). Модели: 1) Статическая регрессия: yt?0+ ?1*xt. Dependent Variable: Y. Method

исходный ряд из лабораторной работы №1 (п.3.2.2)
xt – ряд «Счёт операций с капиталом и финансовых операций» (кредит)

Модели:
1) Статическая регрессия: yt=
·0+
·1*xt

Dependent Variable: Y



Method: Least Squares



Date: 11/13/08 Time: 22:43
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·atson stat
1.948201













Данная модель характеризуется невысокой степенью адекватности ввиду относительно небольших значений R2 и DW-статистики (DW-статистика меньше 2 может указывать на положительную автокорреляцию), однако обе константы значимы

2) Авторегрессия: yt=
·0+
·1*yt-1

Dependent Variable: Y



Method: Least Squares



Date: 11/13/08 Time: 22:23



Sample (adjusted): 1996Q2 2007Q1


Included observations: 44 after adjustments


Y=C(1)+C(2)*Y(-1)
















Coefficient
Std. Error
t
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·Данная модель характеризуется низкой адекватности ввиду очень низкого R2 и незначимости первой константы(DW-статистика больше 2 может указывать на отрицательную автокорреляцию)

3) Модель опережающего показателя: yt=
·0+
·1*xt-1

Dependent Variable: Y



M
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·sid
2636202.
    Schwarz criterion
14.01055

Log likelihood
-304.4478
    Durbin-Watson stat
1.956092













Адекватность этой модели также очень низка, что следует из низкого R2 (DW-статистика меньше 2 может указывать на положительную автокорреляцию), а также незначимости первой константы

4) Модель скорости роста:
·yt=
·0+
·1*
·xt

Dependent Variable: D(Y)



Method: Least Squares



Date: 11/13/08 Time: 22:32



Sample (adjusted): 1996Q2 2007Q1


Included observations: 44 after adjustments


D(Y)=C
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·Здесь справедливы выводы, сделанные по предыдущей модели – за исключением того, что DW в данном случае ощутимо выше, а не ниже нормы (отрицательная автокорреляция?)

5) Модель распределённых запаздываний: yt=
·0+
·1*xt+
·2*xt-1

Dependent Variable: Y



Meth
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·aike info criterion
12.86060

Sum squared resid
865051.5
    Schwarz criterion
12.98224

Log likelihood
-279.9331
    Durbin-Watson stat
1.944988













По степени своей адекватности эта модель сравнима с моделью статической регрессии (R2 недостаточно близок к 1, а DW-статистика меньше 2 может предполагать положительную автокорреляцию), однако здесь также незначима третья константа при лаге X.

6) Модель частичной корректировки: yt=
·0+
·1*yt-1+
·2*xt

Dependent Variable: Y



Method: Least Squares



D
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·.86001

Sum squared resid
864546.2
    Schwarz criterion
12.98166

Log likelihood
-279.9202
    Durbin-Watson stat
1.989428













Данная модель по качеству сравнима с предыдущей, но DW-статистика здесь ближе к 2, а незначимой является константа при лаге Y.

7) Фальстарт (приведённая форма): yt=
·0+
·2*yt-1+
·1*xt-1

Dependent Variable: Y



Method: Least Squares



Date: 11/13/08 Time: 22:42



Sample (adjusted): 1996Q2 2007Q1


Included observations: 44 after adjustments


Y=C(1)+C(2)*Y(-1)+C(3)*X(-1)
















Coefficient
Std. Error
t-Statistic
Prob.  













C(1)
6.655327
73.86628
0.090100
0.9286

C(2)
0.483340
0.264464
1.827624
0.0749

C(3)
0.174439
0.141729
1.230793
0.2254













R-squared
0.512436
    Mean dependent var
255.3341

Adjusted R-squared
0.488652
    S.D. dependent var
340.9827

S.E. of regression
243.8319
    Akaike info criterion
13.89658

Sum squared resid
2437613.
    Schwarz criterion
14.01823

Log likelihood
-302.7248
    Durbin-Watson stat
2.285212













Из всех моделей, построенных мной в данной работе, именно эта модель характеризуется самым низким общим качеством. Все константы незначимы, а значение коэффициента детерминации крайне невелико (приблизительно 0,5). Также может иметь место отрицательная автокорреляция.

8) Авторегрессионные ошибки: yt=
·0+
·1*yt-1+
·2*xt+
·3*xt-1
ИЛИ: yt=
·0+
·1*yt-1+
·2*xt+
·1*
·2*xt-1 (из лекций по эконометрике)

Dependent Variable: Y



Method: Least Squares



Date: 11/13/08 Time: 22:46



Sample (adjusted): 1996Q2 2007Q1


Included observations: 44 after adjustments


Y=C(1)+C(2)*Y(-1)+C(3)*X+C(4)*X(-1)















Coefficient
Std. Error
t-Statistic
Prob.  













C(1)
-154.6446
48.38360
-3.196220
0.0027

C(2)
0.026065
0.168222
0.154946
0.8776

C(3)
0.483894
0.056720
8.531292
0.0000

C(4)
-0.002208
0.087926
-0.025115
0.9801













R-squared
0.827079
    Mean dependent var
255.3341

Adjusted R-squared
0.814110
    S.D. dependent var
340.9827

S.E. of regression
147.0147
    Akaike info criterion
12.90545

Sum squared resid
864532.6
    Schwarz criterion
13.06765

Log likelihood
-279.9199
    Durbin-Watson stat
1.996394













О степени адекватности данной модели сложно судить однозначно – коэффициент детерминации здесь не очень высок (прибл. 82,7%), но и не слишком низок. Значение статистики Дарбина-Уотсона приближено к 2, что, вероятно, означает отсутствие астокорреляции. Однако незначимыми являются сразу две константы (при лагах Y и X соответственно), что не позволяет говорить о высоком качестве модели.
15

Приложенные файлы

  • doc 7103913
    Размер файла: 169 kB Загрузок: 0

Добавить комментарий