используя в качестве зависимой переменной y, а в качестве независимой
ln(x). Y=4.017ln(x)+3.197
Разделы презентаций
- Разное
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Геометрия
- Детские презентации
- Информатика
- История
- Литература
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
№ домохозяйства Среднедушевой доход домохозяйства, тыс. д.е. Объем спроса, кг в
Содержание
- 1. № домохозяйства Среднедушевой доход домохозяйства, тыс. д.е. Объем спроса, кг в
- 2. Зависимость нелинейная!
- 3. Попытка провести прямую
- 4. 1) Логарифмическая модельДля оценки такой зависимости создаем столбец с ln(x)
- 5. 1) Логарифмическая модельИспользуя сервис Анализ данных построим
- 6. 1) Логарифмическая модель
- 7. 1) Логарифмическая модельИнтерпретация коэффициента а: при увеличении
- 8. 1) Логарифмическая модельТакже как в линейной модели рассчитывается средняя относительная ошибка аппроксимацииY=4.017ln(x)+3.197
- 9. 2) Попробуем провести гиперболунаилучшим образом.
- 10. Сначала рассчитаем столбик 1/x
- 11. Слайд 11
- 12. С ростом дохода объем потребления товара стремится к 12.48 ед.
- 13. Вычисляем ошибку аппроксимации
- 14. 3) Степенная модельИнтерпретация коэффициента a – эластичность
- 15. Степенная модельСводится к линейной модели логарифмированием
- 16. Степенная модельСоздаем столбцы с логарифмами
- 17. Используя сервис Анализ данных построим модель линейной
- 18. Используя сервис Анализ данных построим модель линейной
- 19. Используя сервис Анализ данных построим модель линейной
- 20. Слайд 20
- 21. Также как в линейной модели рассчитывается средняя относительная ошибка аппроксимации
- 22. Слайд 22
- 23. Модели парной нелинейной регрессииСуществует 2 типа нелинейных моделей:модели, сводящиеся к линейным;модели, не сводящиеся к линейным.
- 24. 1 тип моделей 1) Гиперболическая модель
- 25. 1 тип моделей 3) Экспоненциальная модель
- 26. Пример применения экспоненциальной модели для моделирования оплаты
- 27. ПРИМЕР УРАВНЕНИЯ ПАРНОЙ РЕГРЕССИИZpl=-12,617+2,3651NУвеличении уровня образования на
- 28. Пример применения экспоненциальной модели для моделирования оплаты труда
- 29. Пример применения экспоненциальной модели для моделирования оплаты труда
- 30. Пример применения экспоненциальной модели для моделирования оплаты
- 31. Пример применения экспоненциальной модели для моделирования оплаты
- 32. 4) Степенная модель
- 33. 26Пример. Линейная и степенная модельРасходы на продукты
- 34. Number of obs = 869F(
- 35. 30Несоотвествие коэффициентов хорошо видно на графикеRtotalRFoodЛинейная модель
- 36. 31Степенная модельМежду логарифмически преобразованными переменные линейная зависимость кажется более адекватнойLn(RFood)Ln(Rtotal)
- 37. 32Модель высокозначима. Коэффициент эластичности расходов на товары
- 38. 37Степенная модельСопоставление линейной и степенной регрессии на
- 39. 37Полиномиальная модельПоявляются возможность исследования зависимостей, для которых существенно наличие максимумов и минимумовквадратичная модель
- 40. 37Полиномиальная модель- модель множественной регрессии.
- 41. 37Полиномиальная модельПримеры1) Пусть Q – объем выпуска продукции, MC – предельные издержки производства. a>0, b
- 42. 37Полиномиальная модельПримеры2) x – возраст работника физического труда, y – заработная плата a
- 43. 2 тип моделей (модели, не сводящиеся к линейным) Например, Логистическая модель a
- 44. 2 тип моделей (модели, не сводящиеся к
- 45. Скачать презентанцию
Зависимость нелинейная!
Слайды и текст этой презентации
Слайд 51) Логарифмическая модель
Используя сервис Анализ данных построим модель линейной регрессии,
ln(x).
Слайд 71) Логарифмическая модель
Интерпретация коэффициента а: при увеличении х на 1%
y увеличится на
а/100 единиц.
Y=4.017ln(x)+3.197
При увеличении дохода на 1%
спрос на товар увеличится на 0,0417 единиц.
Слайд 81) Логарифмическая модель
Также как в линейной модели рассчитывается средняя относительная
ошибка
аппроксимации
Y=4.017ln(x)+3.197
Слайд 143) Степенная модель
Интерпретация коэффициента a – эластичность зависимой переменной по
объясняющей переменной
a показывает, на сколько процентов возрастает y при
возрастании x на 1%. 
Слайд 17Используя сервис Анализ данных построим модель линейной регрессии,
используя в
качестве зависимой переменной ln(y), а в качестве независимой ln(x).
ln(Y)=0.701ln(x)+1.063
Слайд 18Используя сервис Анализ данных построим модель линейной регрессии,
используя в
качестве зависимой переменной ln(y), а в качестве независимой ln(x).
ln(Y)=0.701ln(x)+1.063
Слайд 19Используя сервис Анализ данных построим модель линейной регрессии,
используя в
качестве зависимой переменной ln(y), а в качестве независимой ln(x).
ln(Y)=0.701ln(x)+1.063
Слайд 22
- наилучшая функция спроса
в зависимости от
дохода.Выполнить прогноз потребления продукта
домохозяйством с доходом 4 тыс.д.е.
2) Имеется ли уровень насыщения для данного
продукта? Если да, найти его.
2)Найти предельную склонность к потреблению
продукта.
3) Найти эластичность спроса по доходу при
доходе 1000 д.е. и 10000 д.е.
Слайд 23Модели парной нелинейной регрессии
Существует 2 типа нелинейных моделей:
модели, сводящиеся к
линейным;
модели, не сводящиеся к линейным.
Слайд 26
Пример применения экспоненциальной модели для моделирования
оплаты труда
Данные 2002 г.
о часовой заработной плате ($ США) и уровне образования (лет)
по 540 респондентам из национального опроса в США.12 лет – средняя школа
13-16 лет – колледж (бакалавриат)
17-18 лет – университет ( магистратура)
19-20 лет - PhD
Слайд 27ПРИМЕР УРАВНЕНИЯ ПАРНОЙ РЕГРЕССИИ
Zpl=-12,617+2,3651N
Увеличении уровня образования на один год приведет
в среднем к увеличению почасовой заработной платы на $2.37
Слайд 30Пример применения экспоненциальной модели для моделирования
оплаты труда
Каждый дополнительный год
обучения приводит к росту заработка на 10%
Слайд 31Пример применения экспоненциальной модели для моделирования
оплаты труда
Преимущества экспоненциальной модели:
Она
не предсказывает отрицательного заработка индивидам с низким
образовательным уровнем2) Она показывает возрастание прироста заработков в расчете на 1
дополнительный год обучения при повышении образовательного уровня.
Слайд 3326
Пример. Линейная и степенная модель
Расходы на продукты питания и общие
расходы в 1995 (обе - в долларах) по данным 869
домохозяйств СШАRFood
Rtotal
Слайд 34
Number of obs = 869
F( 1, 867)
= 381.47
Prob > F = 0.0000
R-squared
= 0.3055Adj R-squared = 0.3047
Root MSE = 1549.5
------------------------------------------------------------------------------
Rtotal| Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
RFood| .0528427 .0027055 19.531 0.000 .0475325 .0581529
_cons | 1916.143 96.54591 19.847 0.000 1726.652 2105.634
------------------------------------------------------------------------------
27
Коэффициенты представляются разумными, хотя предельный эффект несколько занижен, а константа- завышена.
Линейная модель
Слайд 3631
Степенная модель
Между логарифмически преобразованными переменные линейная зависимость кажется более адекватной
Ln(RFood)
Ln(Rtotal)
Слайд 3732
Модель высокозначима. Коэффициент эластичности расходов на товары питания по совокупным
расходам положителен и меньше единицы, как и полагается для нормального
товара первой необходимостиСтепенная модель
Number of obs = 868
F( 1, 866) = 396.06
Prob > F = 0.0000
R-squared = 0.3138
Adj R-squared = 0.3130
Root MSE = .46167
------------------------------------------------------------------------------ LnRtotal | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+-------------------------------------------------------------------- LnRFood | .4800417 .0241212 19.901 0.000 .4326988 .5273846
_cons | 3.166271 .244297 12.961 0.000 2.686787 3.645754
------------------------------------------------------------------------------
Константа не имеет хорошей интерпретации. e3.16 =23.8, то есть просто некий масштабный множитель
Слайд 3837
Степенная модель
Сопоставление линейной и степенной регрессии на исходном графике четко
делает выбор в пользу последней. Хотя различие не кажется особенно
сильным, но степенная модель лучше объясняет данные при малых значениях Rtotal, более обоснована с теоретической точки зрения (постоянная эластичность) и гетероскедастичность меньше выраженаRTotal
RFood
Слайд 3937
Полиномиальная модель
Появляются возможность исследования зависимостей, для которых существенно наличие максимумов
и минимумов
квадратичная модель
Слайд 4137
Полиномиальная модель
Примеры
1) Пусть Q – объем выпуска продукции, MC –
предельные издержки производства.
a>0, b
Слайд 4237
Полиномиальная модель
Примеры
2) x – возраст работника физического труда, y –
заработная плата
a
Слайд 442 тип моделей (модели, не сводящиеся к линейным)
Для оценки
коэффициентов таких моделей используется МНК:
Задача решается численными методами.
В Excel через
поиск решения
