Для эконометрической модели линейного уравнения множественной регрессии построена матрица

При построении модели множественной регрессии необходимо исключить возможность существования тесной линейной зависимости между независимыми (объясняющими) переменными, которая ведет к проблеме мультиколлинеарности. При этом осуществляют проверку коэффициентов линейной корреляции для каждой пары независимых (объясняющих) переменных. Эти значения отражены в матрице парных коэффициентов линейной корреляции. Считается, что наличие значений коэффициентов парной корреляции между объясняющими переменными, превышающих по абсолютной величине 0,7, отражает тесную связь между этими переменными (теснота связи с переменной y в данном случае не рассматривается). Такие независимые переменные называются коллинеарными. Если значение коэффициента парной корреляции между объясняющими переменными не превышает по абсолютной величине 0,7, то такие объясняющие переменные не являются коллинеарными. Рассмотрим значения парных коэффициентов межфакторной корреляции: между x (1) и x (2) значение равно 0,45; между x (1) и x (3) – равно 0,82; между x (1) и x (4) – равно 0,94; между x (2) и x (3) – равно 0,3; между x (2) и x (4) – равно 0,7; между x (3) и x (4) – равно 0,12. Таким образом, не превышают 0,7 значения , , . Следовательно, коллинеарными не являются факторы x (1) и x (2) , x (2) и x (3) , x (3) и x (4) . Из последних перечисленных пар в вариантах ответов присутствует пара x (2) и x (3) – это верный вариант ответа. Для остальных пар: x (1 и x (3) , x (1) и x (4) , x (2) и x (4) – значения парных коэффициентов межфакторной корреляции превышают 0,7, и эти факторы являются коллинеарными.

Эконометрика: учеб. / И.И. Елисеева и [др.]; под ред. И.И. Елисеевой. – 2-е изд., перераб. и доп. – М. : Финансы и статистика, 2005. – С. 110–119.

Эконометрика : учеб. / под ред. И.И. Елисеевой. – М. : Проспект, 2009. – С. 35–41.
ответ тест i-exam

Уравнение множественной регрессии

Назначение сервиса . С помощью онлайн-калькулятора можно найти следующие показатели:

• уравнение множественной регрессии, матрица парных коэффициентов корреляции, средние коэффициенты эластичности для линейной регрессии;
• множественный коэффициент детерминации, доверительные интервалы для индивидуального и среднего значения результативного признака;

Кроме этого проводится проверка на автокорреляцию остатков и гетероскедастичность.

• Шаг №1
• Шаг №2
• Видеоинструкция
• Оформление Word

Отбор факторов обычно осуществляется в два этапа:

1. теоретический анализ взаимосвязи результата и круга факторов, которые оказывают на него существенное влияние;
2. количественная оценка взаимосвязи факторов с результатом. При линейной форме связи между признаками данный этап сводится к анализу корреляционной матрицы (матрицы парных линейных коэффициентов корреляции). Научно обоснованное решение задач подобного вида также осуществляется с помощью дисперсионного анализа — однофакторного, если проверяется существенность влияния того или иного фактора на рассматриваемый признак, или многофакторного в случае изучения влияния на него комбинации факторов.

Факторы, включаемые во множественную регрессию, должны отвечать следующим требованиям:

1. Они должны быть количественно измеримы. Если необходимо включить в модель качественный фактор, не имеющий количественного измерения, то ему нужно придать количественную определенность.
2. Каждый фактор должен быть достаточно тесно связан с результатом (т.е. коэффициент парной линейной корреляции между фактором и результатом должен быть существенным).
3. Факторы не должны быть сильно коррелированы друг с другом, тем более находиться в строгой функциональной связи (т.е. они не должны быть интеркоррелированы). Разновидностью интеркоррелированности факторов является мультиколлинеарность — тесная линейная связь между факторами.

Пример . Постройте регрессионную модель с 2-мя объясняющими переменными (множественная регрессия). Определите теоретическое уравнение множественной регрессии. Оцените адекватность построенной модели.
Решение.
К исходной матрице X добавим единичный столбец, получив новую матрицу X

1	5	14.5
1	12	18
1	6	12
1	7	13
1	8	14

Матрица Y

9

13

16

14

21

Транспонируем матрицу X, получаем X T :

1	1	1	1	1
5	12	6	7	8
14.5	18	12	13	14

Умножаем матрицы, X T X =

5 38 71,5 38 318 563,5 71,5 563,5 1043,25

В матрице, (X T X) число 5, лежащее на пересечении 1-й строки и 1-го столбца, получено как сумма произведений элементов 1-й строки матрицы X T и 1-го столбца матрицы X

Умножаем матрицы, X T Y =

73 563 1032,5

Находим обратную матрицу (X T X) -1

13.99	0.64	-1.3
0.64	0.1	-0.0988
-1.3	-0.0988	0.14

Вектор оценок коэффициентов регрессии равен

(X T X) -1 X T Y = y(x) =

13,99 0,64 -1,3 0,64 0,1 -0,0988 -1,3 -0,0988 0,14

*

73 563 1032,5

=

34,66 1,97 -2,45

Получили оценку уравнения регрессии: Y = 34.66 + 1.97X₁-2.45X₂
Оценка значимости уравнения множественной регрессии осуществляется путем проверки гипотезы о равенстве нулю коэффициент детерминации рассчитанного по данным генеральной совокупности. Для ее проверки используют F-критерий Фишера.
R 2 = 1 — s 2 _e/∑(y_i — y_ср) 2 = 1 — 33.18/77.2 = 0.57
F = R 2 /(1 — R 2 )*(n — m -1)/m = 0.57/(1 — 0.57)*(5-2-1)/2 = 1.33
Табличное значение при степенях свободы k₁ = 2 и k₂ = n-m-1 = 5 — 2 -1 = 2, Fkp(2;2) = 19
Поскольку фактическое значение F = 1.33 Пример №2 . Приведены данные за 15 лет по темпам прироста заработной платы Y (%), производительности труда X₁ (%), а также по уровню инфляции X₂ (%).

Год	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15
X1	3,5	2,8	6,3	4,5	3,1	1,5	7,6	6,7	4,2	2,7	4,5	3,5	5,0	2,3	2,8
X2	4,5	3,0	3,1	3,8	3,8	1,1	2,3	3,6	7,5	8,0	3,9	4,7	6,1	6,9	3,5
Y	9,0	6,0	8,9	9,0	7,1	3,2	6,5	9,1	14,6	11,9	9,2	8,8	12,0	12,5	5,7

Решение. Подготовим данные для вставки из MS Excel (как транспонировать таблицу для сервиса см. Задание №2) .

Включаем в отчет: Проверка общего качества уравнения множественной регрессии (F-статистика. Критерий Фишера, Проверка на наличие автокорреляции),

После нажатия на кнопку Дале получаем готовое решение.
Уравнение регрессии (оценка уравнения регрессии):
Y = 0.2706 + 0.5257X₁ + 1.4798X₂
Скачать.

Качество построенного уравнения регрессии проверяется с помощью критерия Фишера (п. 6 отчета).

Пример №3 .
В таблице представлены данные о ВВП, объемах потребления и инвестициях некоторых стран.

ВВП	16331,97	16763,35	17492,22	18473,83	19187,64	20066,25	21281,78	22326,86	23125,90
Потребление в текущих ценах	771,92	814,28	735,60	788,54	853,62	900,39	999,55	1076,37	1117,51
Инвестиции в текущих ценах	176,64	173,15	151,96	171,62	192,26	198,71	227,17	259,07	259,85

Решение:
Для проверки полученных расчетов используем инструменты Microsoft Excel «Анализ данных» (см. пример).

Пример №4 . На основе данных, приведенных в Приложении и соответствующих Вашему варианту (таблица 2), требуется:

1. Построить уравнение множественной регрессии. При этом признак-результат и один из факторов остаются теми же, что и в первом задании. Выберите дополнительно еще один фактор из приложения 1 (границы наблюдения должны совпадать с границами наблюдения признака-результата, соответствующего Вашему варианту). При выборе фактора нужно руководствоваться его экономическим содержанием или другими подходами. Пояснить смысл параметров уравнения.
2. Рассчитать частные коэффициенты эластичности. Сделать вывод.
3. Определить стандартизованные коэффициенты регрессии (b-коэффициенты). Сделать вывод.
4. Определить парные и частные коэффициенты корреляции, а также множественный коэффициент корреляции; сделать выводы.
5. Оценить значимость параметров уравнения регрессии с помощью t-критерия Стьюдента, а также значимость уравнения регрессии в целом с помощью общего F-критерия Фишера. Предложить окончательную модель (уравнение регрессии). Сделать выводы.

Решение. Определим вектор оценок коэффициентов регрессии. Согласно методу наименьших квадратов, вектор получается из выражения:
s = (X T X) -1 X T Y
Матрица X

1	3.9	10
1	3.9	14
1	3.7	15
1	4	16
1	3.8	17
1	4.8	19
1	5.4	19
1	4.4	20
1	5.3	20
1	6.8	20
1	6	21
1	6.4	22
1	6.8	22
1	7.2	25
1	8	28
1	8.2	29
1	8.1	30
1	8.5	31
1	9.6	32
1	9	36

Матрица Y

7
7
7
7
7
7
8
8
8
10
9
11
9
11
12
12
12
12
14
14

Матрица X T

1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1	1
3.9	3.9	3.7	4	3.8	4.8	5.4	4.4	5.3	6.8	6	6.4	6.8	7.2	8	8.2	8.1	8.5	9.6	9
10	14	15	16	17	19	19	20	20	20	21	22	22	25	28	29	30	31	32	36

Умножаем матрицы, (X T X)

Умножаем матрицы, (X T Y)

Находим определитель det(X T X) T = 139940.08
Находим обратную матрицу (X T X) -1

Уравнение регрессии
Y = 1.8353 + 0.9459X ₁ + 0.0856X ₂
Для несмещенной оценки дисперсии проделаем следующие вычисления:
Несмещенная ошибка e = Y — X*s

0.62
0.28
0.38
0.01
0.11
-1
-0.57
0.29
-0.56
0.02
-0.31
1.23
-1.15
0.21
0.2
-0.07
-0.07
-0.53
0.34
0.57

se 2 = (Y — X*s) T (Y — X*s)
Несмещенная оценка дисперсии равна

Оценка среднеквадратичного отклонения равна

Найдем оценку ковариационной матрицы вектора k = σ*(X T X) -1

k(x) = 0.36

0,619 -0,0262 -0,0183 -0,0262 0,126 -0,0338 -0,0183 -0,0338 0,0102

=

0,222 -0,00939 -0,00654 -0,00939 0,0452 -0,0121 -0,00654 -0,0121 0,00366

Дисперсии параметров модели определяются соотношением S 2 _i = K_ii, т.е. это элементы, лежащие на главной диагонали
С целью расширения возможностей содержательного анализа модели регрессии используются частные коэффициенты эластичности, которые определяются по формуле

Тесноту совместного влияния факторов на результат оценивает индекс множественной корреляции (от 0 до 1)

Связь между признаком Y факторами X сильная
Частные коэффициенты (или индексы) корреляции, измеряющие влияние на у фактора х_i при неизменном уровне других факторов определяются по стандартной формуле линейного коэффициента корреляции — последовательно берутся пары yx1,yx2. , x1x2, x1x3.. и так далее и для каждой пары находится коэффициент корреляции

Коэффициент детерминации
R 2 = 0.97 2 = 0.95, т.е. в 95% случаев изменения х приводят к изменению y. Другими словами — точность подбора уравнения регрессии — высокая

Значимость коэффициента корреляции

По таблице Стьюдента находим Tтабл: T_табл (n-m-1;a) = (17;0.05) = 1.74
Поскольку Tнабл Fkp, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно

Построение парной регрессионной модели

Рекомендации к решению контрольной работы.

Статистические данные по экономике можно получить на странице Россия в цифрах.
После определения зависимой и объясняющих переменных можно воспользоваться сервисом Множественная регрессия. Регрессионную модель с 2-мя объясняющими переменными можно построить используя матричный метод нахождения параметров уравнения регрессии или метод Крамера для нахождения параметров уравнения регрессии.

Пример №3 . Исследуется зависимость размера дивидендов y акций группы компаний от доходности акций x₁, дохода компании x₂ и объема инвестиций в расширение и модернизацию производства x₃. Исходные данные представлены выборкой объема n=50.

Тема I. Парная линейная регрессия
Постройте парные линейные регрессии — зависимости признака y от факторов x₁, x₂, x₃ взятых по отдельности. Для каждой объясняющей переменной:

1. Постройте диаграмму рассеяния (поле корреляции). При построении выберите тип диаграммы «Точечная» (без отрезков, соединяющих точки).
2. Вычислите коэффициенты уравнения выборочной парной линейной регрессии (для вычисления коэффициентов регрессии воспользуйтесь встроенной функцией ЛИНЕЙН (функция находится в категории «Статистические») или надстройкой Пакет Анализа), коэффициент детерминации, коэффициент корреляции (функция КОРЕЛЛ), среднюю ошибку аппроксимации.
3. Запишите полученное уравнение выборочной регрессии. Дайте интерпретацию найденным в предыдущем пункте значениям.
4. Постройте на поле корреляции прямую линию выборочной регрессии по точкам .
5. Постройте диаграмму остатков.
6. Проверьте статистическую значимость коэффициентов регрессии по критерию Стьюдента (табличное значение определите с помощью функции СТЬЮДРАСПОБР) и всего уравнения в целом по критерию Фишера (табличное значение F_табл определите с помощью функции FРАСПОБР).
7. Постройте доверительные интервалы для коэффициентов регрессии. Дайте им интерпретацию.
8. Постройте прогноз для значения фактора, на 50% превышающего его среднее значение.
9. Постройте доверительный интервал прогноза. Дайте ему экономическую интерпретацию.
10. Оцените полученные результаты — сделайте выводы о качестве построенной модели, влиянии рассматриваемого фактора на показатель.

Тема II. Множественная линейная регрессия
1. Постройте выборочную множественную линейную регрессию показателя на все указанные факторы. Запишите полученное уравнение, дайте ему экономическую интерпретацию.
2. Определите коэффициент детерминации, дайте ему интерпретацию. Вычислите среднюю абсолютную ошибку аппроксимации и дайте ей интерпретацию.
3. Проверьте статистическую значимость каждого из коэффициентов и всего уравнения в целом.
4. Постройте диаграмму остатков.
5. Постройте доверительные интервалы коэффициентов. Для статистически значимых коэффициентов дайте интерпретации доверительных интервалов.
6. Постройте точечный прогноз значения показателя y при значениях факторов, на 50% превышающих их средние значения.
7. Постройте доверительный интервал прогноза, дайте ему экономическую интерпретацию.
8. Постройте матрицу коэффициентов выборочной корреляции между показателем и факторами. Сделайте вывод о наличии проблемы мультиколлинеарности.
9. Оцените полученные результаты — сделайте выводы о качестве построенной модели, влиянии рассматриваемых факторов на показатель.

V7: Система линейных одновременных уравнений

S: При выполнении предпосылок метода наименьших квадратов (МНК) оценки параметров регрессионной модели, рассчитанные с помощью МНК, обладают свойствами

-: состоятельности, смещенности и эффективности

+: состоятельности, несмещенности и эффективности

-: состоятельности, смещенности и неэффективности

-: несостоятельности, смещенности и эффективности

S: Для регрессионной модели вида построена на координатной плоскости совокупность точек с координатами , данное графическое отображение зависимости называется

S: Для обнаружения автокорреляции в остатках используется

+: статистика Дарбина – Уотсона

-: критерий Гольдфельда – Квандта

S: Величина называется

S: Строится эконометрическая модель линейного уравнения множественной регрессии вида

(y – зависимая переменная; х(j) – независимая переменная; j = 1,…, k; k – количество независимых переменных). При проверке независимых переменных на отсутствие мультиколлинеарности должно выполняться требование: для любых j и l

абсолютное значение парного коэффициента линейной корреляции

…

S: Для учета влияния на исследуемую (зависимую) переменную признаков качественного характера используются фиктивные переменные, при этом фиктивной переменной может присваиваться значение

S: В эконометрической модели линейного уравнения регрессии

коэффициентом регрессии, характеризующим среднее изменение зависимой переменной при изменении независимой переменной на 1 единицу измерения, является

S: Система эконометрических уравнений включает совокупность _________ переменных.

S: Несмещенность оценок параметров регрессии означает, что …

-: дисперсия остатков минимальная

-: точность оценок выборки увеличивается с увеличением объема выборки

+: математическое ожидание остатков равно нулю

-: дисперсия остатков не зависит от величины

S: Дана автокорреляционная функция временного ряда

Верным будет утверждение, что ряд …

-: содержит только тенденцию, и не содержит сезонной компоненты

-: не имеет ни тенденции, ни сезонной компоненты, имеет только случайную компоненту

+: имеет выраженную сезонную компоненту с лагом 4

-: имеет выраженную сезонную компоненту с лагом 6

S: Если параметр эконометрической модели является статистически значимым, то его значение признается …

+: равным коэффициенту парной корреляции

S: Для регрессионной модели вида , где рассчитаны дисперсии: ; ; . Тогда величина коэффициента детерминации рассчитывается по формуле …

-:

+:

-:

-:

S: Построена эконометрическая модель для зависимости прибыли от реализации единицы продукции (руб., у) от величины оборотных средств предприятия (тыс. р., х1): . Следовательно, средний размер прибыли от реализации, не зависящий от объема оборотных средств предприятия, составляет _____ рубля.

S: Нелинейным по объясняющим переменным, но линейным по параметрам уравнением регрессии является …

-:

-:

-:

+:

S: Примерами фиктивных переменных в эконометрической модели зависимости стоимости 1 м2 жилья не являются …

-: принадлежность тому или иному региону

-: категория жилья: первичное (новое) жилье / вторичное (неновое) жилье

+: площадь жилья (м2)

S: Среди предложенных нелинейных зависимостей нелинейной существенно (внутренне нелинейной) является …

+:

-:

-:

-:

S: При линеаризации нелинейных регрессионных моделей как один из видов преобразований используется логарифмирование уравнения. Указанным способом не может быть линеаризовано уравнение …

-:

-:

-:

+:

S: По результатам проведения исследования торговых точек было построено уравнение нелинейной регрессии , где y – спрос на продукцию, ед.; x – цена продукции, руб. Если фактическое значение t-критерия Стьюдента составляет –2,05, а критические значения для данного количества степеней свободы равны , , , то …

-: при уровне значимости можно считать, что эластичность спроса по цене составляет –0,8

-: при уровне значимости можно считать, что эластичность спроса по цене составляет –0,8

-: эластичность спроса по цене составляет –0,8

+: при уровне значимости можно считать, что эластичность спроса по цене составляет –0,8

S: По типу функциональной зависимости между переменными эконометрической модели различают _____ уравнения регрессии.

-: стохастические и вероятностные

-: линейные и парные

-: множественные и парные

+: линейные и нелинейные

S: Дана таблица исходных данных для построения эконометрической регрессионной модели:

Фиктивными переменными не являются …

-: уровень квалификации работника

S: При моделировании уравнения множественной регрессии проверку тесноты связи между независимыми переменными (объясняющими переменными, регрессорами, факторами) модели осуществляют на основе …

-: коэффициента множественной корреляции

-: показателей существенности параметров модели

+: матрицы парных коэффициентов линейной корреляции

-: системы нормальных уравнений МНК

S: Для регрессионной модели зависимости среднедушевого денежного дохода населения (руб., у) от объема валового регионального продукта (тыс. р., х₁) и уровня безработицы в субъекте (%, х₂) получено уравнение . Величина коэффициента регрессии при переменной х₂ свидетельствует о том, что при изменении уровня безработицы на 1% среднедушевой денежный доход ______ рубля при неизменной величине валового регионального продукта.

-: увеличится на 1,67

-: изменится на (-1,67)

-: изменится на 0,003

+: уменьшится на (-1,67)

S: В модели вида количество объясняющих переменных равно …

S: В модели множественной регрессии определитель матрицы парных коэффициентов корреляции между факторами , и близок к нулю. Это означает, что факторы , и …

S: В уравнении линейной множественной регрессии: , где – стоимость основных фондов (тыс. руб.); – численность занятых (тыс. чел.); y – объем промышленного производства (тыс. руб.) параметр при переменной х₁, равный 10,8, означает, что при увеличении объема основных фондов на _____ объем промышленного производства _____ при постоянной численности занятых.

-: на 1 тыс. руб. … уменьшится на 10,8 тыс. руб.

-: на 1% … увеличится на 10,8%

-: на 1 тыс. руб. … увеличится на 10,8%

+: на 1 тыс. руб. … увеличится на 10,8 тыс. руб.

S: Переменная х является нелинейной в уравнении

-:

-:

+:

-:

S: Уравнением нелинейной регрессии, отражающей полиномиальную зависимость y от x, является

-:

-:

+:

-:

S: При линеаризации нелинейных регрессионных моделей как один из видов преобразований используется способ приведения уравнения к обратному виду, то есть к переменной . Указанным способом может быть линеаризовано уравнение …

-:

-:

-:

+:

S: Для регрессионной модели парной регрессии рассчитано значение коэффициента детерминации (см. рис.).

На дисперсию зависимой переменной, объясненную построенным уравнением приходится ________ общей дисперсии зависимой переменной.

S: Пусть – оценка параметра регрессионной модели, полученная с помощью метода наименьших квадратов; – математическое ожидание оценки . В том случае если , то оценка обладает свойством

S: Степенной модельюне является регрессионная модель …

-:

+:

-:

-:

S: Нелинейным уравнением множественной регрессии является …

+:

-:

-:

-:

S: Система эконометрических уравнений может состоять из _____ уравнения (-ий) регрессии.

+: бесконечно большого количества

S: В эконометрической модели линейного уравнения регрессии ошибкой модели является …

+:

S: Для эконометрической модели линейного уравнения множественной регрессии вида построена матрица парных коэффициентов линейной корреляции (y – зависимая переменная; х (1) , х (2) , х (3) – независимые переменные):

Коллинеарными (тесносвязанными) независимыми (объясняющими) переменными являются …

S: Регрессионная модель вида является нелинейной относительно …

-: переменной

+: переменной

-: параметра

-: переменной

S: Известно, что доля остаточной дисперсии зависимой переменной в ее общей дисперсии равна 0,2. Тогда значение коэффициента детерминации составляет

-:

-:

S: Обобщенный метод наименьших квадратов применяется для оценки параметров линейных регрессионных моделей с __________ остатками.

-: гомоскедастичными и некоррелированными

+: автокоррелированными и/или гетероскедастичными

S: Метод наименьших квадратов (МНК) может применяться для оценки параметров исходной регрессионной модели в _________ форме.

S: Автокорреляцией уровней ряда называется корреляционная зависимость между …

-: факторами, формирующими уровень ряда

-: уровнями двух рядов

+: последовательными уровнями ряда

-: компонентами, образующими уровни ряда

S: Самым коротким интервалом изменения коэффициента корреляции для уравнения парной линейной регрессии является …

S: Левая часть системы эконометрических уравнений представлена совокупностью _________ переменных.

S: При расчете скорректированного коэффициента множественной детерминации пользуются формулой , где …

+: n – число наблюдений; m – число факторов, включенных в модель множественной регрессии

-: n – число параметров при независимых переменных; m – число наблюдений

-: n – число параметров при независимых переменных; m – число факторов, включенных в модель множественной регрессии

-: m – число наблюдений; n – число факторов, включенных в модель множественной регрессии

S: Для эконометрической модели вида показателем тесноты связи между переменными и является парный коэффициент линейной …

S: Ошибкой спецификации эконометрической модели уравнения регрессии является …

+: использование парной регрессии вместо множественной

-: расчет показателей качества модели

-: учет случайных факторов

-: оценка параметров при помощи МНК

S: В модели множественной регрессии определитель матрицы парных коэффициентов корреляции между факторами , и близок к единице. Это означает, что факторы , и …

S: Совокупность значений экономического показателя за несколько последовательных моментов (периодов) времени называется …

S: Автокорреляционной функцией временного ряда называется последовательность коэффициентов автокорреляции …

-: между трендовой, сезонной и случайной компонентами

+: первого, второго, третьего и последующих порядков

-: факторов, формирующих уровень ряда

-: между несколькими временными рядами

S: Уровень временного ряда (y_t) формируется под воздействием различных факторов – компонент: Т (тенденция), S (циклические и/или сезонные колебания), Е (случайные факторы). Мультипликативную модель временного ряда формируют следующие значения компонент уровня временного ряда …

-: y_t = 7; T = 6,5; S = 0; E = 0,5

-: y_t = 7; T = -3,5; S = -2; E = -1

+: y_t = 7; T = 3,5; S = 2; E = 1

-: y_t = 7; T = 3,5; S = -2; E = 1

🔍 Видео