Разделы презентаций


Разбор задачи 3.33 (Катышев, Магнус - Сборник задач по начальному курсу

Содержание

Формулировка задачи 3.33Рассматривается информация о стоимости коттеджей в Московской области по Киевскому направлению (по данным строительной компании «Стройсервис», осень 1997 г.)Данные находятся в файле villa.xls. Переменные описаны в таблице 3.28.Подберите функциональную

Слайды и текст этой презентации

Слайд 1Разбор задачи 3.33 (Катышев, Магнус - Сборник задач по начальному

курсу эконометрики
Подготовила презентацию Поповская Наталья, НБ-401

Разбор задачи 3.33 (Катышев, Магнус - Сборник задач по начальному курсу эконометрики Подготовила презентацию Поповская Наталья, НБ-401

Слайд 2Формулировка задачи 3.33
Рассматривается информация о стоимости коттеджей в Московской области

по Киевскому направлению (по данным строительной компании «Стройсервис», осень 1997

г.)
Данные находятся в файле villa.xls. Переменные описаны в таблице 3.28.
Подберите функциональную форму зависимости цены коттеджа от его параметров, учитывая такие факторы, как t-статистика и коэффициент детерминации R^2

Формулировка задачи 3.33Рассматривается информация о стоимости коттеджей в Московской области по Киевскому направлению (по данным строительной компании

Слайд 3Открытие файла villa.wf1 в Eviews

Открытие файла villa.wf1 в Eviews

Слайд 4Построение описательной статистики [1]

Построение описательной статистики [1]

Слайд 5Построение описательной статистики [2]

Построение описательной статистики [2]

Слайд 6Построение описательной статистики [3]

Построение описательной статистики [3]

Слайд 7Построение описательной статистики [4]

Построение описательной статистики [4]

Слайд 8Сохранение через Freeze->Name [1]

Сохранение через Freeze->Name [1]

Слайд 9Сохранение через Freeze->Name [2]

Сохранение через Freeze->Name [2]

Слайд 10Сохранение через Freeze->Name [3]

Сохранение через Freeze->Name [3]

Слайд 11Сохранение через Freeze->Name [4]

Сохранение через Freeze->Name [4]

Слайд 12Построение корреляционной матрицы [1]

Построение корреляционной матрицы [1]

Слайд 13Построение корреляционной матрицы [2]

Построение корреляционной матрицы [2]

Слайд 14Построение корреляционной матрицы [3]

Построение корреляционной матрицы [3]

Слайд 15Построение корреляционной матрицы [4]

Построение корреляционной матрицы [4]

Слайд 16Построение корреляционной матрицы [5]

Построение корреляционной матрицы [5]

Слайд 17Построение диаграммы рассеяния [1, house-price]

Построение диаграммы рассеяния [1, house-price]

Слайд 18Построение диаграммы рассеяния [2, house-price]

Построение диаграммы рассеяния [2, house-price]

Слайд 19Построение диаграммы рассеяния [3, house-price]

Построение диаграммы рассеяния [3, house-price]

Слайд 20Построение диаграммы рассеяния [4, house-price]

Построение диаграммы рассеяния [4, house-price]

Слайд 21Построение диаграммы рассеяния [5, house-price]

Построение диаграммы рассеяния [5, house-price]

Слайд 22Создание lnprice и lnhouse в командной строке командой genr lnprice=log(price)

и genr lnhouse=log(house)

Создание lnprice и lnhouse в командной строке командой genr lnprice=log(price) и genr lnhouse=log(house)

Слайд 23Диаграмма рассеяния lnhouse-price

Диаграмма рассеяния lnhouse-price

Слайд 24Диаграмма рассеяния house-lnprice

Диаграмма рассеяния house-lnprice

Слайд 25Диаграмма рассеяния lnhouse-lnprice

Диаграмма рассеяния lnhouse-lnprice

Слайд 26
Проанализировав диаграммы рассеяния, мы приходим к выводу, что самой

хорошей функциональной формой будет логарифмическая функция( 4-я диаграмма рассеяния lnhouse-lnprice)


Перейдем к построению моделей
Проанализировав диаграммы рассеяния, мы приходим к выводу, что самой хорошей функциональной формой будет логарифмическая функция( 4-я

Слайд 271. Линейная модель. Построение [1]

1. Линейная модель. Построение [1]

Слайд 281. Линейная модель. Построение [2]

1. Линейная модель. Построение [2]

Слайд 291. Линейная модель. Построение [3]
В линейную модель включаем переменные без

логарифмов. Все коэффициенты значимы (Prob

^2=0.599131, модель значима
1. Линейная модель. Построение [3]В линейную модель включаем переменные без логарифмов. Все коэффициенты значимы (Prob

Слайд 301. Линейная модель Вывод уравнения [1]

1. Линейная модель Вывод уравнения [1]

Слайд 311. Линейная модель Вывод уравнения [2]. Интерпретация [1]
y= β0+β1x1+β2x2+…+βnxn
При возрастании xj

на 1 единицу (своего измерения), у возрастает на βj единиц

(своего измерения)
1. Линейная модель Вывод уравнения [2]. Интерпретация [1]y= β0+β1x1+β2x2+…+βnxnПри возрастании xj на 1 единицу (своего измерения), у

Слайд 321. Линейная модель. Интерпретация [2]
dist – при увеличении расстояния на

1 км цена коттеджа падает на 739$
house – при увеличении

площади дома на 1 кв.м цена коттеджа увеличивается на 175$
1. Линейная модель. Интерпретация [2]dist – при увеличении расстояния на 1 км цена коттеджа падает на 739$house

Слайд 331. Линейная модель. Интерпретация [3]
eco – если рядом есть реки

и озера, то цена возрастает на 42 тыс $
area –

при увеличении площади участка на 1 сотку цена увеличивается на 3462 $

1. Линейная модель. Интерпретация [3]eco – если рядом есть реки и озера, то цена возрастает на 42

Слайд 342. Полулогарифмическая модель (log(y)). Построение [1]

2. Полулогарифмическая модель (log(y)). Построение [1]

Слайд 352. Полулогарифмическая модель (log(y)). Построение [2]

2. Полулогарифмическая модель (log(y)). Построение [2]

Слайд 362. Полулогарифмическая модель (log(y)). Построение [3]
Коэффициенты значимы (Prob

заметим, что они выше, чем у линейной модели. Модель значима.

2. Полулогарифмическая модель (log(y)). Построение [3]Коэффициенты значимы (Prob

Слайд 372. Полулогарифмическая модель (log(y)). Вывод уравнения. Интерпретация [1]
ln(y)= β0+β1x1+β2x2+…+βnxn
При изменении

xj на 1 единицу, y меняется на (e^ βj -1)*100%

(при малых -0.2< βj <0.2 это примерно равно βj *100%)
2. Полулогарифмическая модель (log(y)). Вывод уравнения. Интерпретация [1]ln(y)= β0+β1x1+β2x2+…+βnxnПри изменении xj на 1 единицу, y меняется на

Слайд 382. Полулогарифмическая модель (log(y)). Интерпретация [2]
house - при изменении площади

дома на 1 кв.м цена меняется на 0.29% (т.к. -0.2

– если рядом есть реки и озера, то цена увеличивается на 55%
2. Полулогарифмическая модель (log(y)). Интерпретация [2]house - при изменении площади дома на 1 кв.м цена меняется на

Слайд 392. Полулогарифмическая модель (log(y)). Интерпретация [3]
dist – при увеличении расстояния

на 1 км цена снижается на 1.6% (т.к. -0.2

при увеличении площади участка на 1 сотку цена меняется на 3.6%
2. Полулогарифмическая модель (log(y)). Интерпретация [3]dist – при увеличении расстояния на 1 км цена снижается на 1.6%

Слайд 403. Полулогарифмическая модель (log(x)). Построение [1]

3. Полулогарифмическая модель (log(x)). Построение [1]

Слайд 413. Полулогарифмическая модель (log(x)). Построение [2]
Коэффициенты значимы (Prob

не учитываем). R^2=0.641281, adj R^2=0.609395, заметим, что R^2 ниже, чем

у полулогарифмической (log(y)) , но выше, чем у линейной. Модель значима.
3. Полулогарифмическая модель (log(x)). Построение [2]Коэффициенты значимы (Prob

Слайд 423. Полулогарифмическая модель (log(x)). Вывод уравнения. Интерпретация [1]
y= β0+β1ln(x1)+β2ln(x2)+…+βnln(xn)
При измененииxj

на 1 %, у меняется в среднем на βj/100 единиц

измерения

3. Полулогарифмическая модель (log(x)). Вывод уравнения. Интерпретация [1]y= β0+β1ln(x1)+β2ln(x2)+…+βnln(xn)При измененииxj на 1 %, у меняется в среднем

Слайд 433. Полулогарифмическая модель (log(x)). Вывод уравнения. Интерпретация [2]
house – при

увеличении площади дома на 1 кв.м цена увеличивается на 0.24

тыс $
dist – при увеличении расстояния на 1 км цена уменьшится на 0.36 тыс $
3. Полулогарифмическая модель (log(x)). Вывод уравнения. Интерпретация [2]house – при увеличении площади дома на 1 кв.м цена

Слайд 443. Полулогарифмическая модель (log(x)). Вывод уравнения. Интерпретация [3]
area – при

увеличении площади участка на 1 сотку цена увеличится на 0.6

тыс $
eco – если рядом есть реки и озера, то цена увеличивается на 40 тыс $ (у eco не стоит log, т.к. принимает значения только 0 и 1)

3. Полулогарифмическая модель (log(x)). Вывод уравнения. Интерпретация [3]area – при увеличении площади участка на 1 сотку цена

Слайд 454. Логарифмическая модель. Построение [1]

4. Логарифмическая модель. Построение [1]

Слайд 464. Логарифмическая модель. Построение [2]
Мы не взяли в модель eco,

т.к. это фиктивная переменная (принимает значения только 0 и 1)Коэффициенты

значимы (Prob<0.05, у Const не учитываем). R^2=0.821542, adjR^2=0.809904, коэффициенты выше, чем у других моделей. Модель значима.
4. Логарифмическая модель. Построение [2]Мы не взяли в модель eco, т.к. это фиктивная переменная (принимает значения только

Слайд 474. Логарифмическая модель. Интерпретация [1]
ln(y)= β0+β1ln(x1)+β2ln(x2)+…+βnln(xn)
При изменении xj на 1

%, у меняется на βj %

4. Логарифмическая модель. Интерпретация [1]ln(y)= β0+β1ln(x1)+β2ln(x2)+…+βnln(xn)При изменении xj на 1 %, у меняется на βj %

Слайд 484. Логарифмическая модель. Интерпретация [2]
house – при увеличении площади дома

на 1 % цена увеличивается на 0.79 %
dist –

при увеличении расстояния на 1 % цена уменьшается на 0.36 %
area – при увеличении площади участка на 1 % цена увеличится на 0.45 %
4. Логарифмическая модель. Интерпретация [2]house – при увеличении площади дома на 1 % цена увеличивается на 0.79

Слайд 49Проверка логарифмической модели на гетероскедастичноcть[1]

Проверка логарифмической модели на гетероскедастичноcть[1]

Слайд 50Проверка логарифмической модели на гетероскедастичноcть[2]
Выбираем проверку по White.

Проверка логарифмической модели на гетероскедастичноcть[2]Выбираем проверку по White.

Слайд 51Проверка логарифмической модели на гетероскедастичноcть[3]
Гетероскедастичность – непостоянство дисперсии остатков
H0: Остатки

гомоскедастичны, σ^2=Const
H1: Остатки гетероскедастичны σ^2 ≠ Const.
Присутствуют Prob.

гипотезу H1 (гетероскедастичность есть), смотрим коэффициент Durbin-Watson, сравниваем с 1.5( 2.239053>1.5)
Проверка логарифмической модели на гетероскедастичноcть[3]Гетероскедастичность – непостоянство дисперсии остатковH0: Остатки гомоскедастичны, σ^2=ConstH1: Остатки гетероскедастичны σ^2 ≠ Const.Присутствуют

Слайд 52Подправка [1]

Подправка [1]

Слайд 53Подправка [2]

Подправка [2]

Слайд 54Подправка [3]
Т.к. коэффициент Durbin-Watson>1.5, то берем подправку по White, в

ином случае(D-W

Подправка [3]Т.к. коэффициент Durbin-Watson>1.5, то берем подправку по White, в ином случае(D-W

Слайд 55Подправка [4]
Probability log(area) и log(dist) стали ближе к нулю, то

есть стали лучше значимости коэффициентов.

Подправка [4]Probability log(area) и log(dist) стали ближе к нулю, то есть стали лучше значимости коэффициентов.

Слайд 56Проверка на нормальность[1]

Проверка на нормальность[1]

Слайд 57Проверка на нормальность[2]
H0: нормальное распределение
H1: ненормальное распределение (Prob 0.05

-> распределение нормальное, Skewness близок к нулю, что хорошо.

Проверка на нормальность[2]H0: нормальное распределениеH1: ненормальное распределение (Prob 0.05 -> распределение нормальное, Skewness близок к нулю, что

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно  хранить и делиться своими презентациями с другими пользователями.


Для правообладателей

Яндекс.Метрика