о за допомогою узагальненого методу моментів
Оцінимо статистичну значущість прогнозного рівняння. На рис 18 представлені необхідні показники. br/>В
Рис. 18. Показники рівняння на основі узагальненого методу моментів. br/>
Коефіцієнт детермінації R 2 = 0,367362 <0,7 говорить про те, що частка впливу незалежних змінних на залежну незначна (37%).
Значимість оцінок регресії можна перевірити за допомогою критерію Стьюдента та ймовірності Prob. Висувається нульова гіпотеза H 0 про статистичної незначущості коефіцієнта лінійного рівняння регресії (b i = 0). На відміну від критерію Фішера, кожен коефіцієнт перевіряється окремо. Якщо Prob> a = 0,05, то H 0 приймаємо. Так як всі коефіцієнти більше ? = 0.05, то гіпотеза про незначущості для цих коефіцієнтів відхиляється.
S.E. of regression - стандартна помилка регресії в результаті рішення рівняння. Тобто різниця між фактичним і прогнозованим значенням y t -? t = 3,54.
Standart error - стандартні помилки коефіцієнтів рівняння. Стандартні помилки показують статистичну надійність коефіцієнта.
Durbin-Watson Stat - статистика Дарбіна-Уотсона. Використовується для виявлення автокореляції. Durbin-Watson Stat = 0.51
3) авторегресійного модель умовної гетероскедастичності - Autoregressive Conditional Heteroskedasticity
На рис.19 представлено діалогове вікно, в якому перераховані залежна змінна (на першому місці), вибрані залежні змінні і вектор коефіцієнтів С.
В
Рис. 19. Побудова рівняння регресії
Зробивши перетворення, одержимо рівняння регресії за допомогою авторегресійної моделі умовної гетероскедастичності (рис 20).
В
Рис. 20. Рівняння регресії за допомогою авторегресійної моделі умовної гетероскедастичності
Рівняння регресії має вигляд:
= -0.0004240363821 * X1 - 0.01657459704 * X2 + 0.01168692309 * X3 + 0,06046920822 * X4 + 4.903568552е-05 * X5 + 21.43326387
Рівняння регресії дозволяє зрозуміти, як формується розглянута екон...
