183804 (641194), страница 2
Текст из файла (страница 2)
LS INTUSERS C GNI PC URBAN RURAL
Estimation Equation:
=====================
INTUSERS = C(1) + C(2)*GNI + C(3)*PC + C(4)*URBAN + C(5)*RURAL
Substituted Coefficients:
=====================
INTUSERS = -354918.2484 + 618.1577906*GNI + 0.7188117239*PC + 0.09058209539*URBAN + 0.005474726438*RURAL
Согласно статистике Durbin-Watson stat ( =2.087552, статистика близка к 2) автокорреляция в модели отсутствует.
Выполним тест на гетероскедастичность:
| White Heteroskedasticity Test: | ||||
| F-statistic | 7.466570 | Probability | 0.000000 | |
| Obs*R-squared | 43.14884 | Probability | 0.000001 | |
| Test Equation: | ||||
| Dependent Variable: RESID^2 | ||||
| Method: Least Squares | ||||
| Date: 02/27/08 Time: 02:18 | ||||
| Sample: 4 172 | ||||
| Included observations: 132 | ||||
| Excluded observations: 37 | ||||
| Variable | Coefficient | Std. Error | t-Statistic | Prob. |
| C | -1.19E+12 | 1.87E+12 | -0.639594 | 0.5236 |
| GNI | 2.10E+09 | 3.83E+09 | 0.548274 | 0.5845 |
| GNI^2 | -403321.1 | 1132324. | -0.356189 | 0.7223 |
| PC | 445574.9 | 228912.2 | 1.946488 | 0.0539 |
| PC^2 | -0.002393 | 0.000829 | -2.885490 | 0.0046 |
| RURAL | 74276.26 | 84150.65 | 0.882658 | 0.3791 |
| RURAL^2 | -9.97E-05 | 0.000103 | -0.965351 | 0.3363 |
| URBAN | 163878.1 | 87839.00 | 1.865665 | 0.0645 |
| URBAN^2 | -0.000216 | 0.000157 | -1.372084 | 0.1725 |
| R-squared | 0.326885 | Mean dependent var | 4.13E+12 | |
| Adjusted R-squared | 0.283105 | S.D. dependent var | 1.35E+13 | |
| S.E. of regression | 1.14E+13 | Akaike info criterion | 63.03441 | |
| Sum squared resid | 1.60E+28 | Schwarz criterion | 63.23096 | |
| Log likelihood | -4151.271 | F-statistic | 7.466570 | |
| Durbin-Watson stat | 1.436753 | Prob(F-statistic) | 0.000000 | |
В описываемой модели присутствует гетероскедастичность, т.к. вероятность ошибиться, отвергая гипотезу об отсутствии гетероскедастичности, практически ровна нулю. Но это можно объяснить тем, что выборка большая по размеру и неоднородна по значениям. Если сократить объем данных, то получится избавиться от гетероскедастичности.
Проведем тест Вальда:
Здесь, в данном тесте нам нужно определить, объясняют ли выбранные нами регрессоры регрессант лучше, чем константа. В тесте Вальда предположим все коэффициенты равными 0, т.е. C(1)=0, C(2)=0, C(3)=0, C(4)=0, C(5)=0. Получим, что:
| Wald Test: | ||||
| Equation: Untitled | ||||
| Null Hypothesis: | C(1)=0 | |||
| C(2)=0 | ||||
| C(3)=0 | ||||
| C(4)=0 | ||||
| C(5)=0 | ||||
| F-statistic | 2544.353 | Probability | 0.000000 | |
| Chi-square | 12721.76 | Probability | 0.000000 | |
В результате данного теста, мы получили, что Probability равный 0.000000, т.е. вероятность ошибиться, отклонив гипотезу, что все коэффициенты объясняют регрессию хуже, чем константа ровна нулю, значит, объясняющие переменные хорошо объясняют зависимую.
Выводы:
-
Полученная модель позволяет дать ответ на вопрос о зависимости численности Интернет пользователей от экономических показателей;
-
Согласно этой модели, наибольшее влияние на число пользователей оказывают национальный доход на душу населения, степень урбанизации населения и количество персональных компьютеров;
-
Хотя выявлены определенные закономерности, определяющие численность пользователей Интернет, разброс значений достаточно большой. На это указывает достаточно большая величина стандартного отклонения. Это обусловлено тем, что каждая страна уникальна. Население одной может при высоком доходе совсем не тратить средства на электронные устройства и, соответственно, общение через Интернет, а люди другой – наоборот, покупают всевозможные новинки и жить не могут, если они не на пике популярности технологий. Всех этих факторов учесть невозможно, но это и не было моей задачей. Я искала общие закономерности, и мне их удалось найти. Это главное достижение моей работы.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
