Развитие автомобильного рынка Российской Федерации

курсовая работа

3.1 Построение прогнозной модели

Особенностью экономических явлений является то, что они определяются большим числом взаимодействующих факторов, поэтому, для определения связи между одной зависимой переменной и несколькими независимыми переменными, применяется множественный регрессионный анализ.

В нем анализу подвергается зависимость одного признака (результирующего) от набора независимых (факторных) признаков. Разделение признаков на результирующий и факторные осуществляется исследователем на основе содержательных представлений об изучаемом явлении (процессе).

Цель регрессионного анализа состоит в определении общего вида уравнения регрессии, построении оценок неизвестных параметров, входящих в уравнение регрессии, и проверке статистических гипотез о регрессии [14].

Для корректного использования регрессионного анализа требуется выполнение определенных условий.

Факторные признаки должны быть некоррелированы (отсутствие мультиколлинеарности), они предполагаются замеренными точно и в их измерениях нет автокорреляции, т.е. значения признаков у одного объекта не должны зависеть от значений признаков у других объектов. Для этого оценивается коэффициент корреляции, который не должен быть больше 0,6.

При построении регрессионных моделей необходимо выбрать вид функциональной зависимости, характеризующей взаимосвязи между результативным признаком и несколькими признаками-факторами.

В данной работе используется линейная регрессия, т.е. зависимость вида:

Y (t) = a0+a1x1 (t) +a2x2 (t) (3.1)

где Y (t) - результативный признак,

x1 (t), x2 (t) - факторные признаки;

a1, a2 - коэффициенты регрессии, показывающие степень влияния соответствующего фактора на прогнозируемый показатель при фиксированном значении остальных факторов,

a0 - свободный член уравнения.

Полученная модель представляет собой производственную функцию, то есть экономико-математическую модель, которая позволяет учесть влияние факторных признаков на исследуемый зависимый параметр.

Модель имеет аддитивный характер, так как рассматриваемые факторы не взаимодействуют друг с другом, следовательно, при построении модели используется сумма факторов, а не их произведение.

Для оценки факторов обычно используют коэффициент корреляции - R и коэффициент детерминации - R-квадрат. Коэффициентом корреляции R определяет степень тесноты связи результирующего признака Y со всем набором факторных признаков, он может принимать значения в диапазоне от - 1 до +1, причём если значение находится ближе к 1, то это означает наличие сильной связи между переменными, а если ближе к 0, то слабой. Коэффициент детерминации R-квадрат имеет простой смысл - это показатель того, насколько изменения зависимого признака объясняются изменениями независимого. Чем ближе R-квадрат к единице, тем точнее уравнение регрессии описывает эмпирические данные.

Полученные коэффициенты представлены в таблице:

Таблица 3.1

Коэффициенты уравнения множественной регрессии

B

Уровень значимости

Константа

-15,366325

0, 190097

Экономически активное население

1,0271

0,000007

0,000517

Уровень инфляции

0,0339

0,279710

0,630120

Коэффициент детерминации и коэффициент корреляции, равные соответственно R2 = 0,9983, R = 0,9966 характеризуются хорошими показателями.

После этого окончательная производственная функция будет иметь вид:

Y (t) = - 15,3663+0,000007x1+0,2797x2 (3.2)

При построении прогнозной модели необходимо рассмотреть следующие параметры прогноза: период основания, период упреждения.

Период основания прогноза, то есть промежуток от настоящего момента в прошлое, на данных которого строится прогноз, равен 6 годам. Период упреждения (период времени от настоящего времени в будущее, для которого составляется прогноз) в данной модели равен 1 году.

Делись добром ;)