 |
| Английский язык, репетитор, Репетитор английского, Репетитор английского языка, Репетитор по английскому, English, FCE, GMAT, IELTS, TOEFL, Репетитор по английскому языку, Скайп репетитор, toefl, ielts, Дипломные, курсовые, рефераты, Репетиторы английского языка, Репетиторы английского, репетиторы, Английский язык Москва |
Пример задачи, стоимость решения которой будет в 2012 году 25 тыс. руб.
Практическая работа репетитору для решенияПРОГНОЗНО-АНАЛИТИЧЕСКОЕ ИССЛЕДОВАНИЕ ПОКАЗАТЕЛЕЙ ДЕЯТЕЛЬНОСТИ ФИРМЫ
Цель работы преподавателя МФТИ - помочь студентам, у которых на решение задач времени нет.
Онлайн-репетитор - Частный учитель математики в Москве. Дистанционный репетитор по физике и математике
* закрепление теоретических знаний, связанных с проблемами моделирования сложных социально-экономических систем на основе методов факторного регрессионного анализа с использованием метода наименьших квадратов (МНК), а также аппарата корреляционного и дисперсионного анализ для обоснования и построения адекватных моделей прогнозирования развития системы;
* проведение экспериментальных расчетов по обоснованию, оценке и проведению процедуры верификации факторной регрессионной модели, приобретение начального опыта по идентификации и снижению эффектов ошибок спецификации факторных линейных моделей;
* ознакомление с базовыми возможностями статистического пакета Statgraphics в части реализации вычислительных функций в объеме модулей меню пакета File, Edit, Relate, а также отработки общей технологии расчетов по МНК.
Структура задания
Исходным материалом для проведения работы является матрица наблюдений следующего вида: ,
Где - вектор значений зависимой переменной;
- матрица значений независимых переменных;
i – индекс наблюдения;
j - индекс факторов модели.
По заданным значениям регрессоров необходимо осуществить прогноз переменной Y с указанным уровнем вероятности исполнения прогноза. Состав переменных каждого варианта определен в задании на работу.
В качестве регрессоров могут выступать три, указанные в индивидуальном задании фактора, из перечня следующих:
- объем продаж фирмы X1(в млн.ден.ед.);
- количество работников фирмы X2 (тыс.чел.);
- стоимость капитальных активов X3 (в млн.ден.ед.);
- стоимость нематериальных активов X4 (в млн.ден.ед.);
- издержки на производство X5 (в млн.ден.ед.);
- затраты на оплату труда X6 (в млн.ден.ед.);
- затраты на рекламу X7 (в млн.ден.ед.);
- затраты на НИОКР X8 (в млн.ден.ед.);
Значения вариантов генерируются индивидуально для каждого обучаемого по исходным данным о 100 компаниях. 40 значений матрицы служат для построения модели прогноза. При этом первые 37 наблюдений образуют обучающую, а оставшиеся 3 тестовую выборку для проверки прогнозных возможностей модели. Последние, 41-43-я, строки матрицы служат вектором прогноза экзогенных переменных модели.
Постановка задачи репетитору по математике для решения за студента онлайн в срок
Решение задач по уравнениям математической физики. Опытным репетитором МФТИ рассматриваются численные методы для решения уравнений в частных производных.
С целью практического закрепления материала «Прогнозирование на основе факторных регрессионных моделей» студенту предлагается:
- отработать процедуру спецификации, оценивания и верификации параметров регрессионной модели с использованием классического метода наименьших квадратов;
- отработать простейшие приемы выявления и исправления ошибок спецификации факторных регрессионных моделей;
- с помощью сравнительного анализа совокупности показателей информационной и прогностической пригодности обосновать выбор качественной модели генератора прогноза в рамках заданной предметной области;
- осуществить прогноз изменения объясняемой переменной при заданном векторе переменных-факторов модели;
- Изучить базовые возможности пакетов Excel и Statgraphics в части возможности анализа и обработки статистической информации с целью построения прогнозов с помощью специальных модулей восстановления линейных мультирегрессионных зависимостей.
Содержание работы
Работа включает в себя выполнение пяти этапов.
1) Спецификация факторной регрессионной модели. Обоснование выбора метода идентификации параметров линейной регрессии.
2) Оценка коэффициентов конкурирующих моделей.
3) Верификация моделей и идентификация ошибок спецификации.
4) Обоснование выбора базовой модели генератора прогноза.
5) Прогнозирование на основе факторной регрессионной модели.
6) Оформление отчета и защита лабораторной работы.
Указания к выполнению этапов практической работы
На начало выполнения работы студенту представляется индивидуальный вариант исходных данных. Основной инструмент вычислений выбирается по желанию обучаемого. Это могут быть любые пакеты обработки статистической информации. В качестве базовых предлагается использовать ППП Statgraphics либо возможности статистических приложений Excel.
Э т а п 1 «Спецификация факторной регрессионной модели. Обоснование выбора метода идентификации параметров линейной регрессии»
Основная задача этапа исходной спецификации модели, заключается в подтверждении выбора состава переменных модели и определении исходного класса функций f(x), подлежащих последующему оцениванию.
На основе исходной статистики следует решить следующие проблемы:
- логический анализ возможности и характера взаимосвязи объясняемой и объясняющих переменных с точки зрения экономической теории и практики и обоснование характера возможных взаимосвязей между результирующей переменной и переменными факторами;
- исходное тестирование экзогенных переменных, проведение корреляционного анализа данных;
- выбор исходных форм уравнения регрессии факторной модели;
- обоснование возможных трансформаций представления исходных данных.
Результатом выполнения этапа является перечень функции, подлежащих оцениванию на 2-м этапе, а также выводы по результатам корреляционного анализа состава переменных и возможные предложения по модификации представления исходных данных.
Для выполнения исходного тестирования экзогенных переменных на независимость можно использовать пункт Describe главного меню пакета Statgraphics, выбрав в нем раздел Numeric Data и далее модуль Multiple-Variable Analysis. Он используется для определения связи между несколькими числовыми переменными и позволяет вычислять различные статистики, включая корреляцию, ковариацию и частные корреляции, а также содержит ряд многомерных графиков. В режиме Tabular options рабочего окна возможно выбирать различные опции для проведения анализа в появляющемся диалоговом окне. Среди них, в том числе и Correlations (корреляции). Она выдает матрицу коэффициентов корреляции Пирсона исследуемых переменных.
На сайте скайп-репетитор.рф можно заказать у репетитора решение задач по математике, физике и экономике.
Э т а п 2 «Оценка коэффициентов конкурирующих моделей»
Основная задача этапа, используя возможности пакетов статистической обработки данных, получить численные значения параметров зависимостей специфицированных на этапе 1. Идентификация осуществляется на базе обучающей выборки исходного статистического массива данных.
Результаты оценивания конкурирующих моделей рекомендуется представить в форме таблицы 1.
Таблица 1. Результаты оценки параметров уравнений регрессии
Вид оцененных моделей.
Информационные характеристики модели регрессии
F-статистика
DW-статистика
(t-статистика)
Кроме того, предлагается запомнить в пакетах информацию об остаточных компонентах по соответствующим регрессионным моделям, а также их графическое представление.
Оценивание параметров факторной модели в ППП Statgraphics может быть осуществлено в режимах: Simple Regression Analysis (12 типовых функций), Polynomial Regression (8 – предельная степень полинома) или Multiple Regression меню Relate. В них возможно построение как линейных, так и мультипликативных мультифакторных зависимостей. В общем случае рекомендуется использовать последний режим.
Результаты моделирования выводятся с помощью процедуры Analysis Summary. Она включает в себя прежде всего значения параметров модели, а также основные характеристики регрессионной модели, такие как стандартная ошибка модели (standard error), t- статистику (t-statistic ) и р-значение (p-value) для каждого параметра регрессии. t-статистика применяется для оценки значимости параметра регрессии. р-значение позволяет оценить вероятность того, что данный параметр регрессии будет равен 0 (проверка гипотезы о равенстве параметра регрессии нулю). Если р-значение для данного параметра регрессии больше чем заданный уровень значимости ? (например, 0,05), следовательно, с вероятностью 1- ? (95%) можно утверждать, что коэффициент регрессии не значим. Кроме того, анализ - резюме включает в себя дисперсионный анализ для модели (ANOVA).
Модуля Multiple Regression содержит дополнительные статистики, такие как:
Adjusted R-Squared statistic – скорректированный коэффициент детерминации (R2), представляет собой скорректированный относительно числа коэффициентов в модели стандартный коэффициент детерминации.
Standard error of estimation – стандартная ошибка оценки. Представляет собой оцененное стандартное отклонение остатков вокруг эмпирической линии.
Durbin-Watson statistic – коэффициент Дарбина Уотсона, позволяющий судить о наличии в остатках автокорреляции 1-го порядка.
Модуль Multiple Regression помимо стандартного анализа - резюме содержит следующие дополнительные табличные опции:
Conditional Sums of Squares (условные суммы квадратов),
Confidence Intervals (доверительные интервалы),
Correlation Matrix (корреляционная матрица, составленная из коэффициентов корреляции между факторами модели),
Reports (отчеты),
Unusual Residuals (необычные остатки),
Influential Points (влияющие точки).
Э т а п 3 «Верификация моделей и идентификация ошибок спецификации»
3.1. На основании результатов выполнения 2-го этапа работы, представленных в таблице 1, а также сохраненных в виде графиков распределения остатков моделей, студентам следует провести содержательно-логический анализ регрессий на предмет обнаружения очевидных содержательных несоответствий требованиям, постулируемым в качестве результата 1-го этапа работы.
Анализируются критерии информационной пригодности моделей, а также осуществляется тестирование остатков моделей на предмет обнаружения степени соответствия их распределения классическим требованиям Гаусса-Маркова. На основании выполнения данных сопоставлений все множество проверяемых моделей следует разбить на два подмножества: к первому отнести все функции с удовлетворительными информационными характеристиками и остатками, удовлетворяющими условиям Гаусса-Маркова, ко второму - все оставшиеся.
3.2. Идентифицировать ошибки спецификации класса функции второго вида и предложить способы их избежания либо нивелировки.
3.3. Осуществить возможные процедуры коррекции моделей второго класса с последующим проведением анализа новых результатов оценивания по образцу п.3.2. По результатам проделанной работы дополнить множество моделей с хорошими характеристиками верификации, т.е. первого типа.
3.4. На статистике тестовой выборки оценить прогностические возможности моделей, отнесенных в первую группу, с помощью известных коэффициентов несоответствия Тейла, а также абсолютных и относительных ошибок прогноза. Результаты оценивания прогностических способностей конкурирующих моделей рекомендуется представить в форме таблицы 2.
Таблица 2 Сопоставление результатов оценки прогностической пригодности регрессионных моделей
Вид оцененных моделей
Характеристики прогностической пригодности модели AE, ME
Письменная интерпретация и выводы по п.3.4.
На данном этапе работ рекомендуется воспользоваться в ППП Statgraphics может быть осуществлено в режимах:
Заметим, что общая коррекция структуры факторной модели может проводиться с помощью меню установок Analysis Options. Оно дает возможность воспользоваться полезными алгоритмами итеративного контроля качества построения модели. Для этого в меню предусмотрены следующие установки.
- All Variables – алгоритм единовременного включения всех задаваемых факторов в модель.
- Forward Selection – алгоритм последовательного увеличения группы переменных, т.е. построение модели осуществляется в несколько этапов: на каждом этапе в модель включается по одному новому фактору.
- Backward Selection – алгоритм последовательного уменьшения группы переменных, т.е. происходит процесс, обратный предыдущему.
- Constant in model – опция, позволяющая включить или исключить свободный член из модели в зависимости от его значимости.
 |
| Репетитор по английскому языку рассказывает, как можно быстро запомнить английские разговорные выражения - идиомы - English Idioms |
Э т а п 4 «Обоснование выбора базовой модели генератора прогноза»
4.1. На основе результатов 2-го и 3-го этапов выбрать вид модели-генератора прогноза, обосновав возможный компромисс критериев информационной и прогностической пригодности моделей-кандидатов.
В соответствии с общими рекомендациями этапа 2 осуществить переоценку параметров выбранной модели с учетом увеличения исходной статистической базы на величину объема тестирующей выборки. Результаты оценивания модели удобно представить в форме таблицы 1.
4.2. Провести верификацию результатов оценивания модели-генератора прогноза. Особое внимание обратить на сопоставление ее характеристик на данном шаге с полученными по модели того же вида, но на этапе 2. Следует сделать вывод об устойчивости модели к изменению объема исходной статистики. Если произошло серьезное изменение в выводах о приемлемости для исследователя характеристик информационной пригодности, для дальнейшего рассмотрения стоит взять другую модель из класса допустимых. Окончательный вид модели прогноза и ее статистические характеристики, включая интервальное оценивание параметров модели, а также содержательную интерпретацию параметров, представить в виде аналитической записки.
Э т а п 5 «Прогнозирование на основе факторной регрессионной модели»
Исходные данные для проведения этого этапа являются:
- оцененная на 4-м этапе факторная регрессионная модель;
- заданные уровни переменных факторов, представленные в задании на работу.
Результатом выполнения этапа является получение прогноза объясняемой переменной модели, а также оценка доверительных интервалов ошибки прогноза. Оценивание доверительного интервала следует проводить в соответствии с известным соотношением:
Здесь используются введенные условные обозначения
- интервальная оценка прогноза объясняемой переменной;
- вектор прогнозных оценок переменных-факторов;
- уровень значимости, выбранный исследователем;
- число степеней свободы, соответствующее полученной модели.
Для получения специальной информации по результатам тестирования остатков модели, а также выводу результатов прогноза по отобранным факторным моделям следует обратиться к возможностям режима Reports (отчеты). Данная опция генерирует общий отчет по построенной модели множественной регрессии, в том числе содержит следующую информацию:
- фактические значения переменной Y;
- модельные значения переменной Y;
- модельные остатки;
- модельные остатки, сведенные к распределению Стьюдента;
- стандартная ошибка будущего прогнозного значения Y;
- прогнозные границы Y для новых наблюдений независимых переменных Х;
- доверительные границы Y для новых наблюдений независимых переменных Х.
Особенностью данного отчета является то, что при необходимости генерации прогнозов переменной Y, не выходя из модуля Multiple Regression, следует перейти на исходную электронную таблицу данных, ввести новые значения независимых переменных на будущие периоды, оставляя ячейки зависимой переменной пустыми, и вернуться в режим отчета. После чего, в него автоматически добавятся новые ряды с прогнозными значениями, при этом сама модель останется прежней.
Э т а п 6 «Оформление отчета по итогам выполнения практической работы».
Аналитический отчет по работе должен содержать:
- исходный вариант статистических данных;
- матрицы корреляционного анализа переменных задачи;
- результаты выполнения каждого из этапов работы;
- приложения, содержащие отчеты выполнения отдельных этапов работы с помощью выбранных программных продуктов.
 |
| Репетитор по английскому языку. Математика, физика в районе Марьино, Братиславская. |
Решить задачу - узнай подробнее, сейчас! Нужна Контрольная работа по финансовой математике? Репетитор решит задачи по математике.
