Автор работы: Пользователь скрыл имя, 25 Сентября 2013 в 13:28, курсовая работа
Целью проекта является построение и анализ эконометрической модели, показывающей влияние различных факторов на цену автомобиля. Проанализируем 6 факторов на основе выборки содержащей 40 наблюдений. В качестве переменных использовались следующие показатели: объем двигателя, мощность, максимальная скорость, тип привода (dummy-переменная, где 0 – передний привод, 1 – задний), полная масса и время разгона до 100 км/ч (сек.).
Уравнение регрессии имеет
вид:
LOG(PRICE) = -1.04473309226 + 0.803067734844*LOG(MAKS_SPEED) + 1.05074405665*LOG(MASSA) + 0.168584676633*LOG(MOCHNOST) + 0.260562769751*LOG(OB) + 0.2225264115*PRIVOD - 0.0982327645031*LOG(RAZGON)
Если максимальная скорость вырастет на 1 % , то цена вырастет на 0.803067734844 %, при прочих равных условиях. При увеличении объема двигателя на 1%, цена увеличится в среднем на 0.260562%, при прочих равных условиях. При увеличении времени разгона до 100 км/ч на 1 %, цена снизится на 0.0982%, при прочих равных условиях.
Проведем тест
на значимость регрессии
H0: с(2)=с(3)=с(4)=с(5)=с(6)=с(7)
Wald Test: |
|||
Equation: Untitled |
|||
Test Statistic |
Value |
df |
Probability |
F-statistic |
12.22137 |
(6, 33) |
0.0000 |
Chi-square |
73.32820 |
6 |
0.0000 |
Отвергаем гипотезу, регрессия значима
|
С(3)=0 Wald Test: |
|||
Equation: Untitled |
|||
Test Statistic |
Value |
df |
Probability |
t-statistic |
2.197539 |
33 |
0.0351 |
F-statistic |
4.829178 |
(1, 33) |
0.0351 |
Chi-square |
4.829178 |
1 |
0.0280 |
Probability < 0,05, следовательно мы отвергаем
гипотезу.
Correlogram
Date: 12/31/12 Time: 00:09 |
||||||
Sample: 1 40 |
||||||
Included observations: 40 |
||||||
Autocorrelation |
Partial Correlation |
AC |
PAC |
Q-Stat |
Prob | |
. |** | |
. |** | |
1 |
0.221 |
0.221 |
2.1107 |
0.146 |
. |*. | |
. |*. | |
2 |
0.177 |
0.134 |
3.4892 |
0.175 |
.*| . | |
**| . | |
3 |
-0.196 |
-0.278 |
5.2296 |
0.156 |
**| . | |
**| . | |
4 |
-0.305 |
-0.269 |
9.5766 |
0.048 |
.*| . | |
. |*. | |
5 |
-0.116 |
0.094 |
10.222 |
0.069 |
**| . | |
**| . | |
6 |
-0.272 |
-0.239 |
13.867 |
0.031 |
. |*. | |
. |*. | |
7 |
0.115 |
0.116 |
14.537 |
0.042 |
. |*. | |
. |*. | |
8 |
0.147 |
0.166 |
15.668 |
0.047 |
. |** | |
. | . | |
9 |
0.231 |
0.027 |
18.549 |
0.029 |
. |** | |
. | . | |
10 |
0.218 |
0.056 |
21.220 |
0.020 |
. | . | |
. |*. | |
11 |
0.054 |
0.100 |
21.389 |
0.030 |
. | . | |
.*| . | |
12 |
-0.057 |
-0.119 |
21.586 |
0.042 |
.*| . | |
. | . | |
13 |
-0.179 |
-0.025 |
23.577 |
0.035 |
**| . | |
.*| . | |
14 |
-0.326 |
-0.196 |
30.423 |
0.007 |
.*| . | |
. | . | |
15 |
-0.154 |
-0.029 |
32.011 |
0.006 |
**| . | |
.*| . | |
16 |
-0.213 |
-0.201 |
35.199 |
0.004 |
. | . | |
. | . | |
17 |
0.022 |
-0.062 |
35.233 |
0.006 |
. |*. | |
. | . | |
18 |
0.147 |
0.044 |
36.873 |
0.005 |
. |** | |
. |*. | |
19 |
0.218 |
0.100 |
40.687 |
0.003 |
. |*. | |
.*| . | |
20 |
0.184 |
-0.092 |
43.545 |
0.002 |
Проводим тест на гетероскедастичность White
Heteroskedasticity Test: White |
||||
F-statistic |
0.526193 |
Prob. F(25,14) |
0.9217 | |
Obs*R-squared |
19.37751 |
Prob. Chi-Square(25) |
0.7787 | |
Scaled explained SS |
28.06802 |
Prob. Chi-Square(25) |
0.3047 | |
Как следует из приведенной таблицы, вероятность ошибки первого рода равна 92.17%. Следовательно, нулевую гипотезу (об отсутствии гетероскедастичности) нельзя отклонить
Наибольшей объясняющей способностью обладает линейная скорректированная модель (Коэффициент детерминации =0.706).
Информация о работе Факторы, влияющие на цену импортных автомобилей