Ekonometrijos kursinis


Ekonomikos kursinis darbas. Įvadas. Regresinio modelio sudarymas ir įvertinimas. Multikolinearumo pašalinimas. Išskirtys. Regresija. Modelio lygtis. Adekvatumas. Prognozė. Vidutinė santykinė absoliutinė paklaida. Išvados. Literatūra.


Regresijos analizė -  tai ekonominių veiksnių sąryšio analizės priemonė. Regresinės analizės paskirtis yra numatyti priklausomojo kintamojo reikšmę mažiausiai vieno nepriklausomojo kintamojo pagrindu bei paaiškinti, kaip nepriklausomo kintamojo pokyčiai veikia priklausomą kintamąjį. Priklausomas kintamasis (Y) – tai regresijos lygties kairėje pusėje esantis kintamasis, kurio vidutinių reikšmių pokyčius stengiamasi paaiškinti kitų – dešinėje esančių – kintamųjų pokyčiais. Nepriklausomas kintamasis (X) – tai dešinėje lygties pusėje esantis kintamasis, kurio pokyčiai tikėtina, kad daro įtaką priklausom kintamajam.

Mano pasirinkti rodikliai yra importas; Tiesioginės užsienio investicijos; Didmeninė prekyba; Pramonė; Pirminės pajamos užsieniui; BVP to meto kainomis; Lietuvos tiesioginės investicijos užsienyje.

Pasirinkti mėnesinio arba ketvirtinio dažnumo ekonominį kintamąjį (ne trumpesnį nei 5 metai) iš bet kurios statistikos srities ir sudaryti regresinį modelį šiam kintamajam:

Atrinkti 5 reikšmingus aiškinamuosius kintamuosius (pirmame etape įvertinti koreliacinę matricą). Paaiškinti, kodėl nusprendžiau į modelį įtraukti būtent tuos regresorius.

Įvertinti modelio parametrus bei jų reikšmingumą. Užrašyti modelio lygtį.

Apskaičiuoti vidutinę santykinę absoliutinę modelio paklaidą.

Pirmiausiai iš Lietuvos Statistikos departamento puslapio išsirinkau 7 rodiklius. Savo pagrindiniu rodikliu (Y) pasirinkau importą. Regresinio modelio pirminiai duomenys pateikti kursinio darbo priede. Šiems duomenims padariau koreliaciją, t.y. įvertinau statistinį ryšį tarp kintamųjų.

Atlikus koreliacija paaiškėjo, jog vienas rodiklis iš pirmojo stulpelio yra mažesnis negu 0.75, todėl jį reikėjo pašalinti.

Pašalinus tą rodiklį liko 6 rodikliai. Ir pakartojus koreliacija visi rodikliai pirmame stulpelyje buvo didesni negu 0.75.

Atlikus multikolenearumą pasirodė, kad visi rodikliai yra mažesni negu 0.9 kas yra labai gerai. Todėl jokių kitų rodiklių daugiau šalinti nereikia. Tačiau reikia sužinoti ar nėra išskirčių. Tam reikia grafiko.

Iš grafiko matyti, kad išskirtys gali būti ties mažiausia ir didžiausia riba. Todėl reikia surasti mažiausia reikšmę ir didžiausią reikšmę ir patikrinti regresiją įvedus naują rodiklį, kuris pavadintas fiktyviu kintamuoji, ties mažiausia reikšme įrašius 1, o visi kiti kintamieji yra 0. Regresija atliekama Data- Data analysis – Regression. Pirmame langelyje pažymime pagrindinį rodiklį importą (Y), o antrame langelyje žymime fiktyvųjį kintamąjį ir tikriname ar nėra išskirčių.

Gavus lentelę tikriname ar nėra išskirčių. P-value reikšmė turi būti didesnė negu 0.05. Kadangi P-value reikšmė yra didesnė negu 0.05 reiškia čia išskirčių nėra. Tada reikia reikia tikrinti didžiausią reikšmę. Viską darant taip pačiai, tik 1 įrašant prie didžiausios reikšmės.

Gavę tokius regresijos duomenis turime atsižvelgti į P-value arba į t stat. Stjudento kriterijus (P-value) skirtas koeficientų reikšmingumui patikrinti. P-value turi būti <0,05, o t stat turi būti daugiau už 1,98. T statistika taip pat skirta koeficientų reikšmingumui patikrinti. Aš atmetinėsiu nepriklausomus kintamuosius naudodamasi P-value. Taigi pirmiausia pašaliname tą kintamąjį, kurio P-value yra >0,05 ir taip pat jo reikšmė yra didžiausia iš visų kitų nepriklausomų kintamųjų P-value reikšmių. Didžiausia P-value reikšmė yra darbo sąnaudų indekso statyboje 0,6362>0,05, todėl šį kintamąjį pašaliname. Darome regresiją dar kartą.

Dabar didžiausia reikšmė yra 5taško fiktyviojo kintamojo 0,3301>0,05, todėl šį kintamąjį pašaliname. Darome regresiją dar kartą.

Ekonometrijos kursinis. (2015 m. Spalio 09 d.). http://www.mokslobaze.lt/ekonometrijos-kursinis.html Peržiūrėta 2016 m. Gruodžio 03 d. 00:30