Статистические показатели деятельности предприятия
Задание 1
По 8 сельскохозяйственным
предприятиям имеются данные о прибыли (y) и производстве валовой продукции (x).
Таблица 1. Исходные данные
№ по порядку
|
Прибыль
|
Производство валовой продукции
|
1
|
22,5
|
26,2
|
2
|
23,3
|
29
|
3
|
24,9
|
30,8
|
4
|
27,1
|
32,8
|
5
|
30,6
|
34,5
|
6
|
33,4
|
36,9
|
7
|
34,6
|
36,6
|
8
|
35,9
|
37,4
|
Требуется:
1. Построить линейное уравнение
парной регрессии.
2. Рассчитать линейный
коэффициент парной корреляции и среднюю ошибку аппроксимации.
. Определить коэффициент
эластичности.
. Оценить статистическую значимость
параметров регрессии (использовать t-критерий Стъюдента для вероятности
р=0,95).
. Построить прогноз прибыли
при прогнозном значении произведенной валовой продукции, составляющей 105% от
среднего значения.
. Оценить точность прогноза,
рассчитав ошибку прогноза и его доверительный интервал.
Решение
1. Построение уравнения регрессии
сводится к оценке ее параметров. Для оценки параметров линейной регрессии
используют метод наименьших квадратов (МНК). Это самый распространенный и
теоретически обоснованный метод, вычисления в нем наиболее простые.
Для нахождения параметров регрессии
решается система уравнений:
,
где
- количество измерений;
- сумма всех факторов;
- сумма всех
результативных признаков;
- сумма квадратов всех
факторов;
- сумма произведений
факторов и соответствующих им признаков.
Расчеты приводятся во
вспомогательной таблице.
Таблица 1.1 Расчет параметров
уравнения регрессии
№ изм.
|
|
|
|
|
|
1
|
26,2
|
22,5
|
686,44
|
589,50
|
506,25
|
2
|
29
|
23,3
|
841,00
|
675,70
|
542,89
|
3
|
30,8
|
24,9
|
948,64
|
766,92
|
620,01
|
4
|
32,8
|
27,1
|
1075,84
|
888,88
|
734,41
|
5
|
34,5
|
30,6
|
1190,25
|
1055,70
|
936,36
|
6
|
36,9
|
33,4
|
1361,61
|
1232,46
|
1115,56
|
7
|
36,6
|
34,6
|
1339,56
|
1266,36
|
1197,16
|
8
|
37,4
|
35,9
|
1398,76
|
1342,66
|
1288,81
|
Сумма
|
264,2
|
232,3
|
8842,10
|
7818,18
|
6941,45
|
Сред.
|
33,025
|
29,038
|
1105,263
|
977,273
|
867,681
|
Уравнение парной
регрессии имеет вид:
. Рассчитывается
линейный коэффициент парной корреляции:
Величина коэффициента
близка к единице, значит, между фактором и результатом существует прямая тесная
связь.
По уравнению парной
регрессии рассчитываются теоретические значения и отклонения реальных от
рассчитанных.
и так далее для каждого
измерения.
Для расчета средней
ошибки аппроксимации составляется таблица:
Таблица 1.2 Расчет ошибки
аппроксимации
№ изм.
|
|
|
|
|
|
1
|
26,2
|
22,5
|
20,486
|
0,090
|
0,090
|
2
|
29
|
23,3
|
23,994
|
-0,030
|
0,030
|
3
|
30,8
|
24,9
|
26,250
|
-0,054
|
0,054
|
4
|
32,8
|
27,1
|
28,756
|
-0,061
|
0,061
|
5
|
34,5
|
30,6
|
30,886
|
-0,009
|
0,009
|
6
|
36,9
|
33,4
|
33,893
|
-0,015
|
0,015
|
7
|
36,6
|
34,6
|
33,517
|
0,031
|
0,031
|
8
|
37,4
|
35,9
|
34,519
|
0,038
|
0,038
|
Сумма
|
|
|
|
|
0,328
|
Средняя ошибка аппроксимации
рассчитывается как
.
Ошибка менее 5%, что
говорит о высокой точности модели.
3. Коэффициент эластичности
определяется по формуле
Это значит, что при
увеличении валовой продукции на единицу от своего среднего значения прибыль
изменится на 1,425.
. Оценивается
статистическая значимость параметров регрессии. Для этого вначале выдвигаем
гипотезу о
случайной природе показателей, то есть, предполагаем, что они близки к нулю.
Для проверки этой гипотезы используется статистика, которая имеет распределение
Стьюдента с числом степеней свободы , где -
объем выборки. По приложению А выбирается t-критерий Стъюдента для вероятности
р=0,95 и .
Для расчета ошибок
параметров регрессии выполняются дополнительные расчеты.
|
|
|
|
|
|
|
1
|
-6,83
|
46,581
|
-6,54
|
42,739
|
2,014
|
4,058
|
2
|
-4,03
|
16,201
|
-5,74
|
32,919
|
-0,694
|
0,482
|
3
|
-2,23
|
4,951
|
-4,14
|
17,119
|
-1,350
|
1,821
|
4
|
-0,23
|
0,051
|
-1,94
|
3,754
|
-1,656
|
2,741
|
5
|
1,48
|
2,176
|
1,56
|
2,441
|
-0,286
|
0,082
|
6
|
3,88
|
15,016
|
4,36
|
19,031
|
-0,493
|
0,243
|
7
|
3,58
|
12,781
|
5,56
|
30,941
|
1,083
|
1,173
|
8
|
4,38
|
19,141
|
6,86
|
47,094
|
1,381
|
1,906
|
Сумма
|
0,00
|
116,895
|
0,00
|
196,04
|
0,00
|
12,505
|
Стандартные ошибки параметров
линейной регрессии:
Расчетные значения
t-критерия Стъюдента:
Полученные значения
больше табличных, поэтому гипотеза о случайной природе
показателей отвергается. Параметры модели признаются связанными между собой и
статистически значимыми.
Доверительные интервалы:
5. Строится прогноз прибыли при
прогнозном значении произведенной валовой продукции, составляющей 105% от
среднего значения.
Из уравнения регрессии
При объеме валовой
продукции 34,676 величина прибыли составит 31,11.
6. Рассчитываем среднюю
стандартную ошибку прогноза по формуле
Для этого составляется
вспомогательная таблица.
|
|
|
|
|
|
1
|
-6,83
|
-6,54
|
46,581
|
42,739
|
44,618
|
2
|
-4,03
|
-5,74
|
16,201
|
32,919
|
23,093
|
3
|
-2,23
|
-4,14
|
4,951
|
17,119
|
9,206
|
4
|
-0,23
|
-1,94
|
0,051
|
3,754
|
0,436
|
5
|
1,48
|
1,56
|
2,176
|
2,441
|
2,305
|
6
|
3,88
|
4,36
|
15,016
|
19,031
|
16,905
|
7
|
3,58
|
5,56
|
12,781
|
30,941
|
19,886
|
8
|
4,38
|
6,86
|
19,141
|
47,094
|
30,023
|
Сумма
|
|
|
116,895
|
196,039
|
146,473
|
Ошибка прогноза
Доверительный интервал
прогноза:
Задание 2
По четырем предприятиям региона
изучается зависимость выработки продукции на одного работника y (тыс.руб.), от
ввода в действие новых основных фондов x2 (%) и от удельного веса
рабочих высокой квалификации к рабочим низкой квалификации x1 (%).
Таблица 2. Исходные данные
№ по порядку
|
x1
|
x2
|
y
|
1
|
3
|
2
|
10
|
2
|
4
|
6
|
11
|
3
|
6
|
8
|
14
|
7
|
9
|
15
|
Требуется написать уравнение
множественной регрессии. Рассчитать коэффициент линейной множественной
корреляции и провести статистическую оценку параметров уравнения регрессии
(использовать F-критерий Фишера для вероятности р=0,95).
Решение.
Число факторов модели равно двум: x1
и x2.
Предполагаем, что
зависимость описывается
уравнением
Для нахождения параметров регрессии
решается система уравнений:
Расчеты приводятся во
вспомогательной таблице.
Таблица 2.1 Расчет параметров
множественной регрессии
№ изм.
|
|
|
|
|
|
|
|
|
1
|
3
|
2
|
10
|
30
|
20
|
9
|
4
|
6
|
2
|
4
|
6
|
11
|
44
|
66
|
16
|
36
|
24
|
3
|
6
|
8
|
14
|
84
|
112
|
36
|
64
|
48
|
4
|
7
|
9
|
15
|
105
|
135
|
49
|
81
|
63
|
Сумма
|
20
|
25
|
50
|
263
|
333
|
110
|
185
|
141
|
На основе построенной таблицы
составляем систему уравнений.
Система решается по
методу Крамера. Главный определитель системы:
Находим частные
определители.
Решение исходной
системы:
, ,
.
Уравнение регрессии
имеет вид:
Показатель или
коэффициент множественной корреляции определяется по формуле
,
где
- сумма квадратов
разности измеренного и вычисленного значений признаков,
- сумма квадратов
разности измеренного и среднего значений признаков.
Таблица 2.2 Расчет
коэффициента множественной корреляции
|
|
|
|
|
|
|
|
|
1
|
3
|
2
|
10
|
-2,5
|
6,25
|
10,00
|
0,00
|
0,0000
|
2
|
4
|
6
|
11
|
-1,5
|
2,25
|
11,07
|
-0,07
|
0,0051
|
3
|
6
|
8
|
14
|
1,5
|
2,25
|
13,79
|
0,21
|
0,0459
|
4
|
7
|
9
|
15
|
2,5
|
6,25
|
15,14
|
-0,14
|
0,0204
|
Сумма
|
20
|
25
|
50
|
0,00
|
17,00
|
50,00
|
0,00
|
0,0714
|
Величина коэффициента
множественной корреляции очень близка к 1, это означает очень тесную связь
между результатом и набором признаков.
Оцениваем статистическую
значимость параметров по F-критерию Фишера.
,
где
- показатель
множественной корреляции,- число наблюдений,- число факторов (переменных).
Табличное значение
F-критерия при уровне значимости равно ,
при уровне значимости равно
.
Параметры уравнения
статистически значимы для вероятности .
Задание 3
Имеются данные об уровне
среднегодовых цен на какао-бобы из Бразилии (цена в тыс.руб за тонну).
Номер квартала
|
Уровень цены
|
1
|
17,3
|
2
|
16,2
|
3
|
16,6
|
4
|
18,4
|
5
|
17,8
|
6
|
16,5
|
7
|
17,0
|
8
|
19,4
|
9
|
18,0
|
10
|
16,6
|
11
|
17,2
|
12
|
19,8
|
13
|
18,4
|
14
|
17,5
|
15
|
17,6
|
16
|
19,6
|
Требуется построить
мультипликативную модель тренда. Сделать прогноз цены на четыре года вперед.
Решение.
Исходный временной ряд выравнивается
методом скользящего окна. Интервал (шаг) для расчета скользящей средней
принимается равным 4 кварталам.
и т.д.
статистический прогноз регрессия
Шаг скользящей средней выбран
четным, поэтому полученные значения необходимо центрировать, то есть снова
рассчитать скользящие с шагом 2.
и т.д.
Оценка сезонной
компоненты есть частное от деления фактических значений цены на центрированные
скользящие средние.
На основе проведенных
расчетов заполняется таблица.
Таблица 3.1 Сглаживание
исходного ряда методом скользящей средней и расчет сезонной компоненты
Квартал
|
Цена
|
Сред.скользящая за 4 квартала
|
Центрированная скольз.средняя
|
Оценка сезонной компоненты
|
1
|
17,3
|
-
|
-
|
-
|
2
|
16,2
|
-
|
-
|
-
|
3
|
16,6
|
17,125
|
17,1875
|
0,9658
|
4
|
18,4
|
17,25
|
17,2875
|
1,0644
|
5
|
17,8
|
17,325
|
17,375
|
1,0245
|
6
|
16,5
|
17,425
|
17,55
|
0,9402
|
7
|
17,0
|
17,675
|
17,7
|
0,9605
|
8
|
19,4
|
17,725
|
17,7375
|
1,0937
|
9
|
18,0
|
17,75
|
17,775
|
1,0127
|
10
|
16,6
|
17,8
|
17,85
|
0,9300
|
11
|
17,2
|
17,9
|
17,95
|
0,9582
|
12
|
19,8
|
18
|
18,1125
|
1,0932
|
13
|
18,4
|
18,225
|
18,275
|
1,0068
|
14
|
17,5
|
18,325
|
18,3
|
0,9563
|
15
|
17,6
|
18,275
|
-
|
-
|
16
|
19,6
|
-
|
-
|
-
|
За каждый квартал определяется
средняя оценка сезонной компоненты. Так как кварталов 16, получается 4 года по
4 квартала. В моделях с сезонной компонентой предполагается, что сезонные
воздействия за период взаимопоглощаются, то есть сумма значений сезонных
компонент каждого квартала должна быть равна 4.
Таблица 3.2 Корректирование сезонной
компоненты
Показатели
|
Номер года
|
Номер квартала
|
|
|
1
|
2
|
3
|
4
|
|
1
|
-
|
-
|
0,9658
|
1,0644
|
|
2
|
1,0245
|
0,9402
|
0,9605
|
1,0937
|
|
3
|
1,0127
|
0,9300
|
0,9582
|
1,0932
|
|
4
|
1,0068
|
0,9563
|
-
|
-
|
Средняя за квартал
|
|
1,01465
|
0,94214
|
0,96150
|
1,08375
|
Скорректированная
|
|
1,01413
|
0,94166
|
0,96101
|
1,08320
|
Вычисляем корректировочный
коэффициент:
Путем деления на
корректировочный коэффициент вычисляются скорректированные значения средних
оценок сезонной компоненты.
Проверяем условие
равенства суммы четырем:
Получено верное
тождество, расчеты верны.
Для устранения влияния
сезонной компоненты каждый уровень исходного временного ряда делится на среднюю
оценку соответствующего квартала.
Таблица 3.3 Устранение
влияния сезонной компоненты
Квартал
|
Цена
|
|
|
1
|
17,3
|
1,0141
|
17,059
|
2
|
16,2
|
0,9417
|
17,204
|
3
|
16,6
|
0,9610
|
17,274
|
4
|
18,4
|
1,0832
|
16,987
|
5
|
17,8
|
1,0141
|
17,552
|
6
|
16,5
|
0,9417
|
17,522
|
7
|
0,9610
|
17,690
|
8
|
19,4
|
1,0832
|
17,910
|
9
|
18,0
|
1,0141
|
17,749
|
10
|
16,6
|
0,9417
|
17,628
|
11
|
17,2
|
0,9610
|
17,898
|
12
|
19,8
|
1,0832
|
18,279
|
13
|
18,4
|
1,0141
|
18,144
|
14
|
17,5
|
0,9417
|
18,584
|
15
|
17,6
|
0,9610
|
18,314
|
16
|
19,6
|
1,0832
|
18,095
|
Для получения уравнения тренда
проводятся такие же вычисления, как при нахождении уравнения парной регрессии.
Все вспомогательные вычисления
сводятся в таблицу.
Таблица 3.4 Построение уравнения
тренда
|
Квартал, Выравненная
цена,
|
|
|
|
|
|
1
|
17,059
|
1
|
291,0048
|
17,0589
|
|
2
|
17,204
|
4
|
295,9647
|
34,4073
|
|
3
|
17,274
|
9
|
298,3763
|
51,8207
|
|
4
|
16,987
|
16
|
288,5498
|
67,9470
|
|
5
|
17,552
|
25
|
308,0690
|
87,7595
|
|
6
|
17,522
|
36
|
307,0279
|
105,1333
|
|
7
|
17,690
|
49
|
312,9292
|
123,8286
|
|
8
|
17,910
|
64
|
320,7662
|
143,2796
|
|
9
|
17,749
|
81
|
315,0308
|
159,7420
|
|
10
|
17,628
|
100
|
310,7607
|
176,2841
|
|
11
|
17,898
|
121
|
320,3355
|
196,8771
|
|
12
|
18,279
|
144
|
334,1301
|
219,3507
|
|
13
|
18,144
|
169
|
329,1877
|
235,8659
|
|
14
|
18,584
|
196
|
345,3711
|
260,1783
|
|
15
|
18,314
|
225
|
335,4081
|
274,7122
|
|
16
|
18,095
|
256
|
327,4140
|
289,5134
|
Сумма
|
136
|
283,888
|
1496
|
80592,2615
|
2443,7585
|
Среднее
|
8,5
|
17,743
|
|
|
|
Уравнение тренда имеет
вид:
Подставляя в это
уравнение значения времени t, получаем расчетные уровни цен для каждого момента
времени. Затем, умножая на соответствующие значения ,
получаем значения уровней ряда по мультипликативной модели.
Используя
вспомогательную таблицу, рассчитываем среднюю ошибку аппроксимации.
И так далее для каждого
квартала.
Таблица 3.5 Расчет
средней ошибки аппроксимации
Квартал,
|
|
|
|
|
|
1
|
17,0663
|
1,0141
|
17,3075
|
17,3
|
0,000434
|
2
|
17,1566
|
0,9417
|
16,1557
|
16,2
|
0,002733
|
3
|
17,2469
|
0,9610
|
16,5744
|
16,6
|
0,001542
|
4
|
17,3373
|
1,0832
|
18,7797
|
18,4
|
0,020634
|
5
|
17,4276
|
1,0141
|
17,6739
|
17,8
|
0,007082
|
6
|
17,5179
|
0,9417
|
16,4960
|
16,5
|
0,000245
|
7
|
17,6083
|
0,9610
|
16,9216
|
17,0
|
0,004610
|
8
|
17,6986
|
1,0832
|
19,1711
|
19,4
|
0,011801
|
9
|
17,7889
|
1,0141
|
18,0404
|
18,0
|
0,002243
|
10
|
17,8792
|
0,9417
|
16,8362
|
16,6
|
0,014229
|
11
|
17,9696
|
0,9610
|
17,2689
|
17,2
|
0,004004
|
12
|
18,0599
|
1,0832
|
19,5624
|
19,8
|
0,011998
|
13
|
18,1502
|
1,0141
|
18,4068
|
18,4
|
0,000370
|
14
|
18,2406
|
0,9417
|
17,1765
|
17,5
|
0,018489
|
15
|
18,3309
|
0,9610
|
17,6161
|
17,6
|
0,000915
|
16
|
18,4212
|
1,0832
|
19,9538
|
19,6
|
0,018052
|
Сумма
|
|
|
|
|
0,119381
|
Среднее
|
|
|
|
|
0,007461
|
Средняя ошибка
аппроксимации незначительна, что говорит о высокой точности построенной
мультипликативной модели.
Прогнозные значения
уровней временного ряда мультипликативной модели определяются как произведение
трендовой и сезонной компонент:
Прогнозное значение для
17 квартала (1-й квартал пятого года):
Прогнозное значение для
18 квартала (2-й квартал пятого года):
Таким образом заполняем
таблицу на следующие 4 года, то есть на 16 кварталов.
Таблица 3.6 Прогноз
уровней цены на 4 года вперед
Номер квартала
|
Сезонная компонента
|
Трендовая компонента
|
Прогноз цены
|
17
|
1,0141
|
18,512
|
18,773
|
18
|
0,9417
|
18,602
|
17,517
|
19
|
0,9610
|
18,692
|
17,963
|
20
|
1,0832
|
18,783
|
20,345
|
21
|
1,0141
|
18,873
|
19,140
|
22
|
0,9417
|
18,963
|
17,857
|
23
|
0,9610
|
19,054
|
18,311
|
24
|
1,0832
|
19,144
|
20,737
|
25
|
1,0141
|
19,234
|
19,506
|
26
|
0,9417
|
19,325
|
18,197
|
27
|
0,9610
|
19,415
|
18,658
|
28
|
1,0832
|
19,505
|
21,128
|
29
|
1,0141
|
19,596
|
19,873
|
30
|
0,9417
|
19,686
|
18,537
|
31
|
0,9610
|
19,776
|
19,005
|
32
|
1,0832
|
19,867
|
21,519
|