Помогите пожалуйстас с решением задачи по эконометрике, очень нужно, срочно. Заранее спасибо!!!

Для упрощения заменим переменные: x1=Xa [насыщенность рынка] ; & x2=Xb [фактор цен]
Наверняка неизвестна форма зависимостей и веса факторов, а так-же полный-ли список переменных.
Во первых насыщенность рынка близко к практически линейной функции во времени Xa=ƒ[t], т. е. прогноз для упрощения по нему будет линeйная функция.
Во вторых фактор цен тоже является практически линейным во времени Xb=ƒ[t], т. е. прогноз по нему будет тоже линeйная функция.

Результаты парных частных линейных регрессий без фильтрации эффектов









Базы для прогнозов:
Xa = 80.1333 + 1.8 t
Xb = 15.9667 + 0.428571 t
Y[Xa;Xb] = 0.344311Xa+1.48714Xb-9.3686
Следовательно через замены: Y→ƒ[Xa;Xb]→ƒ[t] : Y[t] = 41.9267 + 1.26857 t
Можно напрямую регрессию Y[t] сделать: Y[t] = 1.268t + 41.92
Или при трёх переменных если у функции основной тренд по времени и на неё влияют переменные Xa и Xb:
Y[t;Xa;Xb]=63.7433+2.015t+0.458333Xa-3.66667Xb

По адекватности, если заранее неизвестна форма зависимости и вес влияния каждого фактора то тут проблема в том что у Xb по времени малая дисперсия, и это не позволяет полноценно оценить влияние отклонения фактора (из набора эмпирических данных) на целевую функцию, с одной стороны большая волатильность плохо, а с другой её отсувствие тоже ничего хорошего не даёт, это именно второй случай, отсувствие отклонений. .
Однако стабильность фактора цен Xb позволяет более достоверно определить влияние колебаний фактора Xa на выход/результат, т. е. нет проблем с фильтрацией данных. Видно что фактор Xa осциллирует вокруг тренда и так-же наблюдается синхронная реакция целевой функции без заметных временных лагов.
Отсюда можно предположить что достоверность влияния фактора Xb в конечном результате (регрессированой функции) довольно низка, а достоверность влияния изменения фактора Xa на конечный результат более высока.

Ещё по графикам абсолютных отклонений эмпирических данных от их линейных трендов видно что у результирующей функции и параметра Xa под конец однонаправленно тяжелеют хвосты (гетероскендантичность) , следовательно может изменится отклонение и распределение. . хотя лучше о явлении продолжительность знать, может явление сезонное и как следствие циклическое, т. е. дан полный цикл и всё вернётся обратно.


SSE[Xa(t)] ≈ 1.65333334
SSE[Xb(t)] ≈ 0.019047625
SSE[Y(t)] ≈ 0.311047624

В конце-концов приведение к упрощённой линейной форме является лишь предположением, если-бы была дана теоретическая форма зависимости (Log, мультипликативная модель или другая. . ) - было-бы намного проще.

В общем прогноз при прочих равных для последующих периодов будет по модели:
Y[t] = 41.9267 + 1.26857 t
Y[7] ≈ 50.80669
Y[8] ≈ 52.07526
Y[9] ≈ 53.34383
Y[10] ≈ 54.6124

Можно к функции достроить доверительные интервалы .. с расходящимися тунелями, естественно с удалением от периода t=6 точность прогноза падает.

Вот в трёхмерные проекции для красоты: