Автор работы: Пользователь скрыл имя, 02 Октября 2011 в 15:08, реферат
Данный курсовой проект включает в себя информацию о методе наименьших квадратов и его разновидностях. В работе приведена информация по классическому методу наименьших квадратов, подробно описан взвешенный МНК, дана краткая информация о двухшаговом и трёхшаговым методах наименьших квадратов.
При построении нелинейных уравнений более остро, чем в линейном случае, стоит проблема правильной оценки формы зависимости между переменными. Неточности при выборе формы оцениваемой функции существенно сказываются на качестве отдельных параметров уравнений регрессии и, соответственно, на адекватности всей модели в целом.[1]
Важной
проблемой при оценивании регрессии
является автокорреляция остатков е, которая
говорит об отсутствии первоначально
предполагавшейся их взаимной независимости.
Автокорреляция остатков первого порядка,
выявляемая с помощью статистики
Дарбина-Уотсона, говорит о неверной
спецификации уравнения либо о наличии
неучтенных факторов. Естественно, для
её устранения нужно попытаться выбрать
более адекватную формулу зависимости,
отыскать и включить важные неучтенные
факторы или уточнить период оценивания
регрессии. В некоторых случаях,
однако, это не даст результата, а
отклонения еi просто связаны авторегрессионной
зависимостью. Если это авторегрессия
первого порядка, то её формула имеет вид
еi=rei-1
+ ui(r
- коэффициент авторегрессии, |r|<1), и мы предполагаем,
что остатки ui в этой формуле обладают
нужными свойствами, в частности - взаимно
независимы. Оценив r, введем новые переменные
у'i=уi -ryi-1;
x'i=xi -rxi-1;^,.(это
преобразование называется авторегрессионным
(AR), или преобразованием Бокса-Дженкинса).
Пусть мы оцениваем первоначально формулу
линейной регрессии уi= а + bxi + еi. Тогда
Если величины ui.действительно обладают нужными свойствами, то в линейной регрессионной зависимости у'i= а1 + bx'i + ui автокорреляции остатков ui уже не будет, и статистика DW окажется близкой к двум. Коэффициент b этой формулы принимается для исходной формулы у = а+bх+е непосредственно, а коэффициент а, рассчитывается по формуле .
Оценки коэффициентов а и b нужно сравнить с первоначальными оценками, полученными для расчета отклонений еi Если эти оценки совпадают, то процесс заканчивается; если нет - то при новых значениях а и b вновь рассчитываются отклонения е до тех пор, пока оценки а и b на двух соседних итерациях не совпадут с требуемой точностью.
В
случае, когда остатки «также автокоррелированы,
авторегрессионное
О целесообразности применения авторегрессионного преобразования говорит некоррелированность полученных отклонений ui,. Однако даже в этом случае истинной причиной первоначальной автокорреляции остатков может быть нелинейность формулы или неучтенный фактор. Мы же, вместо поиска этой причины, ликвидируем её бросающееся в глаза следствие. В этом - основной недостаток метода AR и содержательное ограничение для его применения.
Кроме
авторегрессионного преобразования, для
устранения автокорреляции остатков и
уточнения формулы
(5.1)
Это формула для преобразования МА q-го порядка, или MA(q); МА(1), например, имеет вид еi = єi + q1єi-1. Параметры qi, как и в случае авторегрессионного преобразования, могут оцениваться итерационными методами.
Во многих случаях сочетание методов AR и МА позволяет решить проблему автокорреляции остатков даже при небольших s и q. Еще раз повторим, что адекватным такое решение проблемы является лишь в том случае, если автокорреляция остатков имеет собственные внутренние причины, а не вызвана наличием неучтенных (одного или нескольких) факторов.
Методы
AR и МА могут использоваться в
сочетании с переходом от объемных
величин в модели к приростным,
для которых статистическая взаимосвязь
может быть более точной и явной.
Модель, сочетающая все эти подходы,
называется моделью/1/?/Л/А (Aiitoreg-- ressive Integrated
Moving Averages). В общем виде ее формулу
можно записать так:
(5.2)
где
{rр^}
и {q9^}
- неизвестные параметры, и е - независимые,
одинаково нормально распределенные СВ
с нулевым средним. Величины у* представляют
собой конечные разности порядка d величин
у, а модель обозначается как АRIМА(р,d,q).
Применение МНК
в экономике
Порядок
применения шкалы регрессии ставок
единого социального налога налогоплательщиками,
указанными в подпункте 1 пункта 1 статьи
235 Налогового кодекса Российской Федерации
(т.е. налогоплательщиками-
В
соответствии с пунктом 2 статьи 241 и
статьи 245 Налогового кодекса Российской
Федерации шкала регрессии
При этом у налогоплательщиков с численностью работников свыше 30 человек не учитываются выплаты 10 процентам работников, имеющих наибольшие по размеру выплаты, у налогоплательщиков с численностью работников до 30 человек (включительно) – выплаты 30 процентам работников, имеющих наибольшие по размеру выплаты.
Широкое
применение линейной регрессии обусловлено
тем, что достаточно большое количество
реальных процессов в экономике
и бизнесе можно с достаточной
Информация,
представленная в настоящем курсовом
проекте, может стать основой
для дальнейшей проработки и усовершенствования
приведенных статистических методов.
По каждому из описанных методов
может быть предложена задача построения
соответствующих алгоритмов. По разработанным
алгоритмам в дальнейшем возможна разработка
программных продуктов для
Наиболее
полная информация приведена по применению
скользящих средних. В работе описывается
лишь малая часть имеющихся в
настоящее время методов для
исследования и обработки различных
видов статистической информации. Здесь
представлен краткий и