Таблица 7
Расчет внутригрупповой дисперсии
|
№ |
G2g |
Fi |
G2g*Fi |
|
|
|
1 |
8 |
9 |
72 |
G2g=147/18=8 ед2 |
|
|
2 |
7 |
6 |
42 |
|
|
|
3 |
11 |
3 |
33 |
|
|
|
|
|
18 |
147 |
|
|
Sy2=0,07+8=7,58(приближенно равно)
На основе правила сложения дисперсий делаем вывод о том, что расчеты правильные.
Вывод: таким образом, примерно 30 % вариации
результативного показателя объясняется прочими влияющими факторами
Глава 3. Статистическое изучение динамики денежного
обращения
.1 Расчет основных характеристик рядов динамики
в изучении показателей денежного обращения в России
Таблица 1
Динамика денежной массы в некоторых действующих кредитных организациях
|
Годы |
Млрд. руб.; (в фактически действовавших ценах) |
|
|
|
|
2008 |
15754,2 |
|
2009 |
25350,6 |
|
2010 |
34293,1 |
|
2011 |
46528,2 |
|
2012 |
38998,1 |
|
2013 |
44206,4 |
Рассмотрим динамику продаж мебели в кредит с 2008 по 2013 г.г. используя данные выше показатели.
Ряд динамики характеризуют следующие показатели:
1. Абсолютный прирост (с переменной базой и с постоянной базой);
2. Темп роста (с переменной базой и с постоянной базой);
. Темп прироста (с переменной базой и с постоянной базой);
. Абсолютное значение одного процента прироста.
Расчет показателей рядов динамики приведен в таблице 2.
Денежная масса в кредитных организациях ежегодно возрастает. Отрицательное значение прироста (-12%) было отмечено только в 2012 году, это объясняется экономическим кризисом.
Таблица 2
Показатели рядов динамики
|
Показатели |
Объем выполненных работ, млрд. руб. |
||||||
|
|
2008г. |
2009г. |
2010г. |
2011г. |
2012г. |
2013г. |
|
|
|
15754 |
25350 |
34293 |
46528 |
38998 |
44206 |
|
|
Абсолютный прирост Δ, ед. |
Переменная база yi-yi-1 |
- |
596,4 |
942,5 |
1234,8 |
-529,8 |
207,8 |
|
|
Постоянная база yi-y1 |
- |
596,4 |
1538,9 |
2773,7 |
2243,9 |
2451,7 |
|
Коэффициент роста, Кр |
Переменная база, yi/yi-1 |
- |
1,34 |
1,4 |
1,37 |
0,88 |
1,05 |
|
|
Постоянная база, yi/y1 |
- |
1,34 |
1,88 |
2,58 |
2,28 |
2,4 |
|
Темп роста, Тр = Кр*100% |
Переменная база |
- |
134 |
140 |
137 |
88 |
105 |
|
|
Постоянная база |
- |
134 |
188 |
258 |
228 |
240 |
|
Темп прироста, Тп=Тр-100% |
Переменная база |
- |
34 |
40 |
37 |
-12 |
5 |
|
|
Постоянная база |
- |
34 |
88 |
158 |
128 |
140 |
|
Абсолютное значение 1% прироста А, ед. |
Переменная база А=Δi/Ti |
- |
17,544 |
23,508 |
32,933 |
45,281 |
39,983 |
Задача сортировки является наряду с вопросами поиска фундаментальной в сфере разработки алгоритмов и программировании. Связано это с тем, что перегруппированные объекты - залог сокращения времени и ресурсов при работе программы, что, разумеется, носит исключительно положительный характер. Применение в программировании нашла сортировка вставками и с помощью ключа. Один из наиболее изящных методов сортировки - с применением специального ключа, т.е. раздела данных, который однозначно определяет порядок элементов, но при этом не хранит в себе полные значения элемента структуры. Проиллюстрировать метод можно с помощью почтового индекса. Индекс не предоставляет полных сведений, но при этом однозначно определяет месторасположение почтового отделения, а, следовательно, первичное перемещение письма. В случае массивов значения элемента и ключа совпадают.
Задача сортировки является наряду с вопросами поиска фундаментальной в сфере разработки алгоритмов и программировании. Связано это с тем, что перегруппированные объекты - залог сокращения времени и ресурсов при работе программы, что, разумеется, носит исключительно положительный характер. Применение в программировании нашла сортировка вставками и с помощью ключа. Один из наиболее изящных методов сортировки - с применением специального ключа, т.е. раздела данных, который однозначно определяет порядок элементов, но при этом не хранит в себе полные значения элемента структуры. Проиллюстрировать метод можно с помощью почтового индекса. Индекс не предоставляет полных сведений, но при этом однозначно определяет месторасположение почтового отделения, а, следовательно, первичное перемещение письма. В случае массивов значения элемента и ключа совпадают.
Проведем анализ рядов динамики с использованием метода аналитического выравнивания. Суть этого метода заключается в нахождении такого уровня плавного движения ряда, который, приближаясь к первоначальному (эмпирическому ряду), будет наиболее полно характеризовать основную тенденцию динамики. Для этого уровни ряд у условно рассматриваются как функция времени t, а фактические уровни ряда заменяются такими теоретическими, которые наименее отклоняются от эмпирических. Выравнивание происходит по методу наименьших квадратов.
В зависимости от года t объем выполненных работ по строительству изменяется по закону:Yтеор. = a0+a1t,где a0, a1 - параметры уравнения регрессии.
Найдем параметры уравнения регрессии, решив
систему уравнений, составленную по методу наименьших квадратов:
Промежуточные значения расчетов приведены в
таблице 3.
Таблица 3
Промежуточные значения расчетов
|
год |
№ |
Объем работ, млрд. руб. |
t2 |
t*y |
|
|
2008 |
1 |
15754,2 |
1 |
15754,2 |
20038,32381 |
|
2009 |
2 |
25350,6 |
4 |
114701,6 |
20565,06095 |
|
2010 |
3 |
34293,1 |
9 |
901879,9 |
30091,7981 |
|
2011 |
4 |
46528,2 |
16 |
1518112,4 |
30618,53524 |
|
2012 |
5 |
38998,1 |
25 |
45619991,5 |
40145,27238 |
|
2013 |
6 |
44206,4 |
36 |
67825236,6 |
40672,00952 |
|
Итог |
21 |
202135,4 |
91 |
78979676,4 |
200131 |
По проведенным расчетам мы получили следующее
уравнение:
y= 1511,6 +526,7t
Рис. 1. График тренда объема продаж мебели в
кредит с 2008 по 2013 год
По рисунку 1 видна тенденция к постоянному увеличению объема продаж.
3.2 Выявление тенденций показателей денежного
обращения на основе метода аналитического выравнивания и прогнозирования
Для построения краткосрочных прогнозов на последующие периоды применяется метод аналитического выравнивания, который предполагает представление уровня данного ряда динамики в виде функции времени.
Как правило для построения прогнозов
используются основные функции (линии, параболы, гиперболы).
Таблица 4
Финансовые результаты деятельности кредитных организаций за исследуемый 2013 год
|
|
2005 |
2006 |
2007 |
2008 |
2009 |
2010 |
2011 |
2012 |
2013 |
2014 |
|
На начало года, млн.руб. |
380,5 |
444,4 |
566,5 |
731,7 |
881,4 |
1244,4 |
1186,2 |
1214,3 |
1341,4 |
1463,9 |
Для построения функции введем условный фактор времени (t) с таким расчетом, чтобы сумма его значений сводилась к нулю. В статистической практике применяется упрощенный расчет параметров уравнений, который заключается в переносе начала координат в середину ряда динамики.
Если ряд четный, то шаг времени t = 2. Если нечетный, то t = 1.
Оценка параметров линейной модели производится
на основе линейных уравнений:
![]()
; ![]()
;
Для нахождения неизвестных уравнений, нам необходимо провести вычисления.
Таблица 4.1
Вычислительная таблица
|
Год |
Y, млн.руб. |
t |
t^2 |
t^4 |
Y*t |
y*t^2 |
|
2005 |
380,5 |
-9 |
6561 |
-3424,5 |
30820,5 |
|
|
2006 |
444,4 |
-7 |
49 |
2401 |
-3110,8 |
21775,6 |
|
2007 |
566,5 |
-5 |
25 |
625 |
-2832,5 |
14162,5 |
|
2008 |
731,7 |
-3 |
9 |
81 |
-2195,1 |
6585,3 |
|
2009 |
881,4 |
-1 |
1 |
1 |
-881,4 |
881,4 |
|
2010 |
1244,4 |
1 |
1 |
1 |
1244,4 |
1244,4 |
|
2011 |
1186,2 |
3 |
9 |
81 |
3558,6 |
10675,8 |
|
2012 |
1214,3 |
5 |
25 |
625 |
6071,5 |
30357,5 |
|
2013 |
1341,4 |
7 |
49 |
2401 |
9389,8 |
65728,6 |
|
2014 |
1463,9 |
9 |
81 |
6561 |
13175,1 |
118575,9 |
|
Сумма |
9454,7 |
0 |
330 |
19338 |
20995,1 |
3120051 |
Оценка параметров линейной модели производится на основе сисемы линейных уравнений.
Линейная:
![]()
![]()
; ![]()
;
Параболическая:

Решение линейной системы:
![]()
; ![]()
;
Решение параболы: ![]()
; ![]()
;
Таким образом линейное уравнение будет иметь вид: Ŷ = 945,47 + 63,62t
Уравнение параболы будет иметь вид: Ŷ = -10023,73 + 63,62t + 332,4t^2
Произведем расчет для нахождения
наиболее адекватной модели.
Таблица 5
Расчет адекватной модели
|
у(л) |
у(п) |
(у-у(л))^2 |
(у-у(п))^2 |
|
372,89 |
16328,09 |
57,9121 |
254325626,8 |
|
500,13 |
5818,53 |
3105,8329 |
28881273,26 |
|
627,37 |
-2031,83 |
3705,1569 |
6751318,789 |
|
754,61 |
-7222,99 |
524,8681 |
63277093 |
|
881,85 |
-9754,95 |
0,2025 |
113131941,3 |
|
1009,09 |
-9627,71 |
55370,796 |
118202775,9 |
|
1136,33 |
-6841,27 |
2487,0169 |
64440274,6 |
|
1263,57 |
-1395,63 |
2427,5329 |
6811734,605 |
|
1390,81 |
6709,21 |
2441,3481 |
28813384,2 |
|
1518,05 |
17473,25 |
2932,2225 |
256299287,4 |
Рис. 2
По произведенным расчетам и по построенному графику видно, что наиболее адекватной моделью является линейная модель, дающая количественное описание динамики показателя ВВП за исследуемый год. Именно линию мы используем для построения краткосрочного прогноза на 2015 и 2016 год.
Получили прогнозные данные (1645,29 и 1772,53).
Таким образом, прогнозируется рост изучаемого
показателя. Отразим прогнозные значения на графике.
Рис. 3
3.3 Построение динамических регрессионных
моделей для исследования закономерностей денежного обращения в России
Таблица 6
Основные статистические показатели, имеющие значение в экономических приложениях
|
Название параметра |
Обозначение |
Что характеризует параметр и для чего применяется |
Оптимальное значение параметра |
|
1.Объем выборки |
m |
Объем данных по фактору (размер матрицы по вертикали). Применяется для установления тенденций изменения фактора |
Не менее чем в 3-5 раз больше числа факторов (nxi). С увеличением числа факторов кратность должна увеличиваться |
|
2.Коэффициент вариации |
Vi |
Уровень отклонения значений факторов то средней анализируемой совокупности |
Меньше 33% |
|
3.Коэффициент парной корреляции |
rxy |
Тесноту связи между i-м фактором и функцией. Применяется для отбора факторов |
Больше 0,1 |
|
4.Коэффициент частной корреляции |
rxx |
Тесноту связи между факторами. Применяется для отбора факторов |
Чем меньше, тем лучше модель |
|
5.Коэффициент множественной корреляции |
R |
Тесноту связи одновременно между всеми факторами и функцией. Применяется для выбора модели |
Больше 0,7 |
|
6. Коэффициент множественной детерминации |
D |
Долю влияния на функцию включенных в модель факторов. Равен квадрату коэффициента множественной корреляции |
Больше 0,5 |
|
7.Коэффициент асимметрии |
A |
Степень отклонения фактического распределения случайных наблюдений от нормального (по центру) распределения. Применяется для проверки нормальности распределения |
Метод наименьших квадратов может применяться при А<3 |
|
8.Коэффициент эксцесса |
E |
Плосковершинность распределения случайных наблюдений от нормального (по центру) распределения. Применяется для проверки нормальности распределения |
Меньше трех |
|
9.Критерий Фишера |
F |
Математический критерий, характеризующий значимость уравнения регрессии. Применяется для выбора модели |
Больше табличного значения, установленного для различных размеров матрицы и вероятностей |
|
10.Критерий Стьюдента |
t |
Существенность факторов, входящих в модель. |
Больше двух (при вероятности равной 0,95) |
|
11.Средне-квадратическая ошибка коэффициентов регрессии |
Δai |
Точность полученных коэффициентов регрессии. Применяется для оценки коэффициентов регрессии |
В два и более раза меньше соответствующего коэффициента регрессии |
|
12.Ошибка аппроксимации |
E |
Допуск прогноза или степень несоответствия эмпирической зависимости теоретической. Применяется для оценки адекватности (точности) модели |
Меньше (точнее) ±15% |
|
13.Коэффициент эластичности |
Эi |
Показывает, на сколько процентов изменяется функция при изменении соответствующего фактора на 1%. Применяется для ранжирования факторов по их значимости |
Больше 0,01 |