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

doc4 trang | Chia sẻ: tlsuongmuoi | Lượt xem: 2297 | Lượt tải: 1download
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:

  • dockhongvanhien.doc
Tài liệu liên quan