Анализ статистических данных Японии

Рисунок 18. Частная АФК (ряд: индекс тов. цен)

 

 

Рисунок 18. AFC (индекс пром. цен)

 

 

Рисунок 19. Частная АФК (ряд: индекс пром. цен)

 

 

Рисунок 20. AFC (ряд: индекс услуг. цен)

 

 

Рисунок 21. Частная АФК (ряд: индекс услуг. цен)

 

 

Рисунок 22. AFC (ряд: финансовые активы)

 

 

Рисунок 23. Частная АФК (ряд: финансовые активы)

 

 

Рисунок 24. AFC (ряд: гос. цен. бумаги)

 

Рисунок 25. Частная АФК (ряд: гос. цен. бумаги)

 

 

Рисунок 26. AFC (ряд: кредиты)

 

 

 

Рисунок 27. Частные АФК (ряд: кредиты)

 

 

Рисунок 28. AFC (ряд: ин. валют. активы)

 

 

Рисунок 29. Частная АФК (ряд: ин. валют. активы)

 

 

По результатам анализа временных рядов можно сделать выводы, что ряды не однородны, и сложно спрогнозировать их дальнейшую динамику.

 

2.5. Факторный анализ

 

Целью факторного анализа является выявление из всех показателей новых переменных, разбитых по факторам.

 

Таблица 18. 
Матрица компонент

		Компонента
		1	2	3
X1	Кол.корпораций	,894	,305	,126
X2	Общ.активы	-,855	,216	,417
X3	Об.активы	-,876	,200	,375
X4	Ден.оборот	-,811	,149	,376
X5	Инд.потреб.цен	,962	-,087	,243
X6	Инд.тов.цен	,953	-,031	,176
X7	Инд.пром.цен	,789	-,433	,379
X8	Инд.услуг.цен	,768	-,436	,382
X9	Фин.активы	,789	,519	,007
X10	Гос.цен.бумаги	,737	,596	,018
X11	Кредиты	,022	-,781	-,369
X12	Ин.валют.активы	,323	,518	-,395

 

На основании факторного анализа можно сделать вывод, что в фактор 1 попадают показатели: x1, x2, x3, в фактор 2 – x11, в фактор 3 – x12.

 

2.6. Дисперсионный анализ

 

Целью дисперсионного анализа является оценка эффектов влияния независимых переменных на зависимые.

Анализ проводится для всех показателей с целью измерения факторов и проверки значимости на основе полной дисперсии

.

Таблица 19.

Проведение дисперсионного анализа

Tests of Between-Subjects Effects
Source	Dependent Variable	Type III Sum of Squares	df	Mean Square	F	Sig.
Corrected Model	Кол.корпораций	6,268E12a	30	2,089E11	.	.
	Инд.потреб.цен	2304,774a	30	76,826	.	.
	Фин.активы	7,166E12a	30	2,389E11	.	.
Intercept	Кол.корпораций	1,162E14	1	1,162E14	.	.
	Инд.потреб.цен	214771,051	1	214771,051	.	.
	Фин.активы	7,791E12	1	7,791E12	.	.
Total	Кол.корпораций	1,699E14	31
	Инд.потреб.цен	278104,000	31
	Фин.активы	2,211E13	31
Corrected Total	Кол.корпораций	6,268E12	30
	Инд.потреб.цен	2304,774	30
	Фин.активы	7,166E12	30

 

При проведении дисперсионного анализ можно сделать вывод, что влияние фактора  несущественное, этот фактор можно исключить из дальнейшей обработки.

 

2.7. Кластерный анализ

Целью кластерного анализа является классификация показателей в однородные группы (схожие между собой), кластеры.

Проводится для всех анализируемых данных с целью выявления принадлежности к одному виду кластерного ряда.

 

Таблица 20.

Начальные центры кластеров

Показатель	Кластер
	1	2
Кол.корпораций	1874121,00	1830568,00
Общ.активы	747675,00	7035660,00
Об.активы	44637,00	4237390,00
Ден.оборот	114012,00	999164,00
Инд.потреб.цен	88,00	88,00
Инд.тов.цен	88,00	88,00
Инд.пром.цен	98,00	99,00
Инд.услуг.цен	99,00	99,00
Фин.активы	325672,00	311207,00
Гос.цен.бумаги	172397,00	172786,00
Кредиты	63249,00	42585,00
Ин.валют.активы	32498,00	3428,00

 

 

Таблица 21.

История итерацийa

Итерация	Изменения центров кластеров
	1	2
1	1106624,142	1478513,127
2	,000	,000
a. Сходимость достигнута по критерию  малой величины или отсутствия  изменений в положении центров кластеров. Максимальное абсолютное изменение координаты любого кластера составляет ,000. Текущая итерация 2. Минимальное расстояние между начальными центрами 7609520,712.

 

 

 

Таблица 22. 
Конечные центры кластеров

	Кластер
	1	2
Кол.корпораций	2468388,50	1712374,00
Общ.активы	1210302,83	5749546,29
Об.активы	565019,79	3596406,57
Ден.оборот	121604,42	713945,00
Инд.потреб.цен	98,21	81,00
Инд.тов.цен	98,21	82,57
Инд.пром.цен	102,13	92,00
Инд.услуг.цен	102,13	92,29
Фин.активы	851539,58	154801,29
Гос.цен.бумаги	503262,92	151813,86
Кредиты	39585,50	21046,14
Ин.валют.активы	28784,38	22575,43

 

 

Таблица 23. 
Число наблюдений в каждом кластере

Кластер	Число наблюдений
	1	24,000
	2	7,000
Валидные		31,000
Пропущенные значения		,000

 

На основании кластерного анализа можно сделать вывод, что оптимальное число групп 2.

 

 

2.8. Дискриминантный анализ

 

Дискриминантный анализ – это комплекс методов многомерного статистического анализа, используемых в определенной последовательности. Дискриминантный анализ позволяет построить дискриминантные функции, которые наилучшим образом характеризуют различия между качественно разнородными априорно заданными группами объектов.

Таблица .24 
Сводка результатов обработки наблюдений

Невзвешенные наблюдения		N	Процент
Валидные		0	,0
Исключенные	Пропущенные или лежащие вне диапазона коды группирующей переменной	31	100,0
	По крайней мере одна пропущенная дискриминантная переменная	0	,0
	Оба групповых кода пропущены или лежат вне диапазона, и отсутствует по крайней мере одна дискриминантная переменная.	0	,0
	Итого искл.	31	100,0
Всего набл.		31	100,0

 

В результате проведения дискриминантного анализа получилось, что все данные находятся в одой группе, а писать уравнение для одной группы не имеет смысла, так как для 31 показателя оценить влияние на один зависимый невозможно.

 

2.9. Регрессионный анализ

 

Целью регрессионного анализа является выявление формы распределения, составлении уравнения регрессии, графическое представление регрессии, осуществление прогноза на основе уравнения регрессии.

Анализ проводится для всех показателей финансового сектора экономики Японии, так как между ними существует линейная зависимость.

 

Таблица 25. 
Введенные или удаленные переменныеa

Модель	Включенные переменные	Исключенные переменные	Метод
1	Общ.активыb	.	Принудительное включение
a. Зависимая переменная: Кол.корпораций
b. Включены все запрошенные переменные

 

 

Таблица 26. 
Сводка для модели

Модель	R	R-квадрат	Скорректированный R-квадрат	Стд. ошибка оценки
1	,634a	,402	,381	359663,83916
a. Предикторы: (конст) Общ.активы

 

 

Таблица 27. 
Дисперсионный анализa

Модель		Сумма квадратов	ст.св.	Средний квадрат	F	Знч.
1	Регрессия	2516633208868,859	1	2516633208868,859	19,455	,000b
	Остаток	3751384238748,820	29	129358077198,235
	Всего	6268017447617,679	30
a. Зависимая переменная: Кол.корпораций
b. Предикторы: (конст) Общ.активы

 

 

 

Таблица 28. 
Коэффициенты

Коэффициентыa
Модель		Нестандартизованные коэффициенты		Стандартизованные коэффициенты	t	Знч.
		B	Стд. Ошибка	Бета
1	(Константа)	2626354,705	98619,050		26,631	,000
	Общ.активы	-,147	,033	-,634	-4,411	,000
a. Зависимая переменная: Кол.корпораций

 

Рисунок 30. Регрессионная модель для показателя

 

 

Уравнение регрессии выглядит следующим образом:

Кол.корпораций = -0,147 - Общ.активы + 2626354,705

2516633208868,859/6268017447617,679=0,041

Эта величина характеризует качество регрессионной прямой, то есть степень соответствия между регрессионной моделью и исходными данными. 

 

 

                                           Вывод

Япония — развитая страна с очень высоким уровнем жизни (двенадцатое место по индексу развития человеческого потенциала). В Японии одна из самых высоких ожидаемых продолжительностей жизни и один из самых низких уровней младенческой смертности. Япония входит в число стран-членов Большой восьмёрки и АТЭС, а также регулярно избирается непостоянным членом Совета безопасности ООН. Хотя Япония официально отказалась от своего права объявлять войну, она имеет большую, современную армию, которая используется в целях самообороны и в миротворческих операциях.

Курсовой проект заключался в анализе статистических данных Японии. Данные, для статистического анализа, использовались за период с 1997 года по 2009 год. В процессе анализа различными способами и методами были получены следующие данные:

При проведении базового анализа, были рассчитаны следующие статистические показатели: среднее значение, стандартная ошибка, мода, медиана, дисперсия выборки, стандартное отклонение, эксцесс, асимметричность.

В результате проведения корреляционного анализа с помощью пакета SPSS было установлено, что зависимость между показателями довольно слабая.

На основании регрессионного анализа можно сделать вывод, что линейная модель неадекватна. За данными проведения регрессионного анализа нельзя спрогнозировать  значение зависимой переменной, поскольку данные для исходного анализа не имеют поступального анализа, вариативный ряд – дифференцирований, а поэтому мы не можем точно предсказать дальнейшее развитие финансового сектора экономики Японии.

При проведении дисперсионного анализ можно сделать вывод, что влияние фактора  несущественное, этот фактор можно исключить из дальнейшей обработки.

При проведении кластерного анализа было выявлено, что кластерной зависимости между элементами структуры не выявлено, поскольку каждый из них является самостоятельной экономической единицей.

В результате проведения дискриминантного анализа получилось, что все данные находятся в одой группе, а писать уравнение для одной группы не имеет смысла, так как для 31 показателя оценить влияние на один зависимый невозможно.

 

 

Список используемой литературы

 

Периодическая печать: