Đề tài Tin học Excel cẳn bản ứng dụng trong tin học văn phòng
Một số bài tập Excel có hướng dẫn giải và cách làm Có thêm một số bài tập tự giải .ứng dụng phù hợp cho các nhân viên văn phòng ứng dụng vào công việc văn phòng
Bạn đang xem nội dung tài liệu Đề tài Tin học Excel cẳn bản ứng dụng trong tin học văn phòng, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
Dependent Variable: Y
Method: Least Squares
Date: 07/28/11 Time: 10:29
Sample: 2000 2010
Included observations: 11
Variable
Coefficient
Std. Error
t-Statistic
Prob.
X1
-0.167235
0.114741
-1.457496
0.1952
X2
-0.251892
0.252725
-0.996702
0.3574
X3
1.460036
0.623486
2.341730
0.0577
X4
1.465456
0.273693
5.354382
0.0017
C
3.368863
3.722567
0.904984
0.4004
R-squared
0.997174
Mean dependent var
43.72727
Adjusted R-squared
0.995290
S.D. dependent var
25.86152
S.E. of regression
1.774832
Akaike info criterion
4.288243
Sum squared resid
18.90016
Schwarz criterion
4.469105
Log likelihood
-18.58534
F-statistic
529.3035
Durbin-Watson stat
1.323951
Prob(F-statistic)
0.000000
- Mô hình (1) hồi quy Y theo các biến X1;X2;X3 và X4
Năm
Tỷ giá USD/VND
Tổng GDP danh nghĩa
Tiêu dùng
Vốn đầu tư FDI
Xuất khẩu
Nhập khẩu
2000
13362
31
16.465
2.4
14
15
2001
13257
32
18.481
2.4
15
16
2002
13464
35
20.796
2.5
16
19
2003
13610
39
24.467
2.6
20
25
2004
14426
45
26.965
2.8
26
31
2005
15124
52
31.738
3.3
32
36
2006
15729
60
37.892
4.1
39
44
2007
17013
70
43.849
8
48
62
2008
20379
89
49.512
11.5
62
80
2009
21137
91
56.631
10
57
69
2010
19200
101
81.302
11
71
84
IV. ĐA CỘNG TUYẾN
1. KN: Đa cộng tuyến là hiện tượng các biến giải thích trong mô hình có quan hệ tuyến tính với nhau
2. Phât hiện ra sự tồn tại của đa cộng tuyến
Để xem mô hình ban đầu có hiện tượng đa cộng tuyến hay không ta xem xét mối tương quan giữa các biến thông qua biểu mẫu sau:
Tổng GDP(Y)
Tiêu dùng(X1)
Vốn đầu tư(X2)
Xuất khẩu(X3)
Nhập khẩu(X4)
Tổng GDP(Y)
1
Tiêu dùng(X1)
0.961063
1
Vốn đâu tư FDI(X2)
0.964902
0.896582
1
Xuất khẩu(X3)
0.99491
0.958964
0.95987
1
Nhập khẩu(X4)
0.989107
0.937552
0.972909
0.995471
1
Ta thấy hệ số tương quan cặp giữa các biến giải thích cao: r2ij >= 0.8
r212=0.896582 , r213=0.958964 , r214=0.937552
Do đó, khả năng mô hình ban đầu có hiện tượng đa cộng tuyến
3. Kiểm định đa cộng tuyến
Tiến hành hồi quy biến X1 theo các biến X2, X3, X4 ta được kết quả như sau:
Dependent Variable: X1
Method: Least Squares
Date: 07/28/11 Time: 09:03
Sample: 2000 2010
Included observations: 11
Variable
Coefficient
Std. Error
t-Statistic
Prob.
X2
1.026640
1.987091
0.516655
0.6213
X3
2.908205
0.894181
3.252368
0.0140
X4
-1.725169
0.858594
-2.009295
0.0845
C
1.127856
3.562779
0.316566
0.7608
R-squared
0.953622
Mean dependent var
37.09970
Adjusted R-squared
0.933746
S.D. dependent var
19.65923
S.E. of regression
5.060243
Akaike info criterion
6.355994
Sum squared resid
179.2424
Schwarz criterion
6.500683
Log likelihood
-30.95797
F-statistic
47.97837
Durbin-Watson stat
1.512722
Prob(F-statistic)
0.000049
- Mô hình (2) Hồi quy X1 theo các biến X2, X3, X4
Dựa trên mô hình trên ta có: R2i = 0.953622
Kiểm định đa cộng tuyến:
Giả thiết H0: R2i=0 ( Mô hình ban đẩu không có hiện tượng đa cộng tuyến)
Đối thiết H1: R2i#0 ( Mô hình ban đầu có hiện tượng đa cộng tuyến)
Dựa trên FKD
FKD= R2i(n-k-1)/(1- R2i)(k-2) = 0.953622(11-4-1)/(1-0.953622)(4-2) = 61.68584
Được so sánh với FTB= Fa(k-2;n-k-1)=F0.05(2;6)=5.14
Vậy: FKD > FTB, do đó bác bỏ giả thiết H0 chấp nhận đối thiết H1 điều đó có nghĩa, mô hình ban đầu có hiện tượng đa cộng tuyến
4. Khắc phục hiện tượng đa cộng tuyến
Cách thực hiện đó là bỏ biến
Mô hình:(SRF) X1^ = 1.127856 + 1.026640X2 + 2.908205X3 – 1.725169X4
Trước tiên ta cần kiểm định xem biến X1 phụ thuộc vào biến nào
Giả thiết Ho: Bj=0 (j=2;3;4)
Đối thiết H1 : Bj #0
Từ mô hình (2) ở trên ta thấy:
Hệ số: Prob( X2) = 0.6213 > a= 0.05; chấp nhận giả thiết H0 bác bỏ đối thiết H1, hay X1 không phụ thuộc vào X2
Hệ số: Prob( X3) = 0.0140 < a = 0.05; chấp nhận đối thiết H1 bác bỏ giả thiết H0, hay X1 phụ thuộc vào X3
Hệ số: Prob( X4) = 0.0845 > a=0.05; chấp nhận giả thiết H0 bác bỏ đổi thiết H1, hay X1 không phụ thuộc vào X4
Vậy ta có thể bỏ biến X1
Mô hình khi bỏ biến X1
Dependent Variable: Y
Method: Least Squares
Date: 07/28/11 Time: 10:27
Sample: 2000 2010
Included observations: 11
Variable
Coefficient
Std. Error
t-Statistic
Prob.
X2
-0.396166
0.250512
-1.581426
0.1578
X3
1.846646
0.607873
3.037883
0.0189
X4
1.422131
0.293110
4.851870
0.0019
C
5.069774
3.808222
1.331270
0.2248
R-squared
0.996174
Mean dependent var
43.72727
Adjusted R-squared
0.994534
S.D. dependent var
25.86152
S.E. of regression
1.912058
Akaike info criterion
4.409525
Sum squared resid
25.59175
Schwarz criterion
4.554214
Log likelihood
-20.25238
F-statistic
607.4631
Durbin-Watson stat
0.986632
Prob(F-statistic)
0.000000
Ta cần kiểm đinh sự phù hợp của hàm hồi quy
Giả thiết H0 : Mô hình (2) là mô hình đúng
Đối thiết H1 : Mô hình (1) là mô hình đúng
FKD = (R2UR – RR2)(n-k)/(1- R2UR)*m = (0.997174 – 0.996174)(11 – 5)/(1- 0.997174)*1
FKD = 2.123142
FTB = Fa(m;n-k) = F0.05(1;6) = 5.99
Vậy: FKD < FTB ; chấp nhận giả thiết H0 bác bỏ đối thiết H1, điều đó có ý nghĩa mô hình (2) là mô hình đúng việc bỏ biến là hợp lý
Các file đính kèm theo tài liệu này:
- khongvanhien.doc