Статистическое изучение основных фондов

Таблица 2.5. Линейный коэффициент корреляции признаков

	Столбец 1	Столбец 2
Столбец 1	1
Столбец 2	0.946358973	1

Сравним значения η и r и сделаем вывод о возможности линейной связи между признаками Х и Y: так как они располагаются в диапазоне 0,9-0,99, то связь весьма тесная (по шкале Чэддока).

3. Построить однофакторную линейную регрессионную модель связи признаков Х и Y, используя инструмент Регрессия надстройки Пакет анализ.

1.  Сервис => Анализ данных => Регрессия => ОК;

2.  Входной интервал Y С4:С29;

3.  Входной интервал X В4:В29;

4.  Метки в первой строке/Метки в первом столбце – не активизировать;

5.  Уровень надежности <= 68,3;

6.  Константа–ноль – не активизировать;

7.  Выходной интервал А81;

8.  Новый рабочий лист и Новая рабочая книга – не активизировать;

9.  Остатки – активизировать;

10.  Стандартизованные остатки – не активизировать;

11.  График остатков – не активизировать;

12.  График подбора – активизировать;

13.  График нормальной вероятности – не активизировать;

14.  ОК.

В результате указанных действий осуществляется вывод в заданный диапазон рабочего файла четырех выходных таблиц и одного графика, начиная с ячейки, указанной в поле Выходной интервал:

Регрессионная статистика

 

 

Регрессионная статистика
Множественный R		0.946358973
R-квадрат		0.895595305
Нормированный R-квадрат		0.891245109
Стандартная ошибка		506.3202843
Наблюдения		26
Дисперсионный анализ
	df	SS	MS	F	Значимость F
Регрессия	1	52778090.51	52778090.51	205.8747195	2.84426E-13
Остаток	24	6152645.527	256360.2303
Итого	25	58930736.04

 

	Коэффициенты	Стандартная ошибка	t-статистика	P-Значение
Y-пересечение	-32.80047442	198.6470804	-0.165119338	0.870232989
Переменная X 1	2.292113652	0.159747709	14.34833508	2.84426E-13

Нижние 95%	Верхние 95%	Нижние 68.3%	Верхние 68.3%
-442.7878952	377.1869463	-235.8061414	170.2051925
1.962410588	2.621816716	2.128860862	2.455366443

 

Наблюдение	Предсказанное Y	Остатки
1	124.3009953	24.69900469
2	464.3589768	981.6410232
3	848.9985688	-101.9985688
4	853.3306636	211.6693364
5	1512.267496	-198.2674963
6	1573.375246	-43.37524631
7	1647.410517	222.5894827
8	1704.644595	214.3554048
9	1796.008245	0.991754634
10	1833.965647	-191.9656474
11	1884.804728	-29.80472826
12	2028.176437	-123.1764372
13	2047.086375	-17.08637484
14	2152.86742	-636.8674199
15	2234.856325	178.1436748
16	2471.333691	123.6663092
17	2485.292663	833.7073371
18	2509.42862	-776.4286197
19	2706.940053	-376.9400531
20	3087.362156	-803.362156
21	3095.865898	-465.8658976
22	3358.679649	-176.679649
23	4484.955534	-104.9555343
24	4937.258321	1347.741679
25	5493.554305	-449.5543048
26	5993.876873	357.1231272

4. Оценить адекватность и практическую пригодность построенной линейной регрессионной модели, указав:

а) доверительные интервалы коэффициентов а0, а1;

а0: (-442.7878952; 377.1869463): для уровня надежности Р=0,95;а0: (-235.8061414; 170.2051925): для уровня надежности Р=0,683. а1: (1.962410588; 2.621816716): для уровня надежности Р=0,95; а1: (2.128860862; 2.455366443): для уровня надежности Р=0,683.

б) степень тесноты связи между признаками Х и Y;

Её можно определить по коэффициенту детерминации (см. табл. Регрессионная статистика): R-квадрат = 0.895595305. Это означает высокую степень тесноты связи признаков в уравнении регрессии, так как удовлетворяет условию R>0,7.

С помощью F - критерия Фишера можно определить значимость коэффициента детерминации R2.

FR = R2/(1- R2)*(n-m)/(m-1), где m – число групп областей. FR = (0,896/0,104)*6=51,69, что больше Fтабл=5,77 (к1=m-1, к2=n-m). Следовательно, коэффициент детерминации R2 значим, то есть зависимость между признаками X и Y регрессионной модели является статистически существенной, а значит, построенная модель в целом адекватна исследуемому процессу.

5. Дать экономическую интерпретацию:

а) коэффициента регрессии а1;

В нашей задаче коэффициент а1=2,292113652 (см. таблицы Регрессионная статистика) показывает, что результативный признак при изменении факторного увеличивается на данную величину.

б) коэффициента эластичности Кэ;

Данный коэффициент показывает, на сколько процентов изменяется в среднем результативный признак при изменении факторного на 1%. Кэ= а1*( / ) = 2,292*(1077,00/2435,81)=1,0134%. То есть результативный признак изменяется на 1,0134%.

в) остаточных величин  i.

Значения остатков имеют как положительные, так и отрицательные отклонения от ожидаемого уровня анализируемого показателя. Экономический интерес представляют области России: Архангельская, Курская, поскольку в них степень износа отличается наибольшими положительными отклонениями. То есть в данных областях стоимость основных фондов в отрасли – строительство наибольшая. А также Орловская и Костромская, то есть области, требующие особого внимания (наибольшие отрицательные остатки).

6. Найти наиболее адекватное  уравнение регрессии с помощью  средств инструмента Мастер диаграмм. Построить для этого уравнения теоретическую линию регрессии.

Построение регрессионных моделей осуществляется непосредственно на диаграмме рассеяния.

1.Выделить мышью диаграмму  рассеяния, расположенную начиная  с ячейки Е4.

2.Диаграмма => Добавить линию тренда;

3.Выбрать вкладку Тип, задать вид регрессионной модели – полином 2-го порядка;

4.Выбрать вкладку Параметры и выполнить действия:

1.Переключатель Название аппроксимирующей кривой: автоматическое/другое – установить в положение автоматическое;

2.Поле Прогноз вперед на – не активизировать;

3.Поле Прогноз назад на – не активизировать;

4.Флажок Пересечение кривой с осью Y в точке – не активировать;

5.Флажок Показывать уравнение на диаграмме – активизировать;

6.Флажок Поместить на диаграмму величину достоверности аппроксимации R2 – активизировать;

7.ОК;

8.Установить курсор на  линию регрессии и щелкнуть  правой клавишей мыши;

9.В появившемся диалоговом  окне Формат линии тренда выбрать тип, цвет и толщину линии;

10.ОК;

11.Вынести уравнение и коэффициент R2 за корреляционное поле.

5.Действия 3 – 4 (в п.4 –шаги 1–11) выполнить поочередно для  следующих видов регрессионных  моделей: полином 3-го порядка, степенная, экспоненциальная.

Уравнения регрессии и их графики

1.Теперь выберем наиболее  адекватную регрессионную модель, то есть ту где больше коэффициент  детерминации. В нашем случае  это R2=0,9096.

2.Выделить диаграмму рассеяния, расположенную с ячейки Е20;

3.Диаграмма => Добавить линию тренда;

4.Выбрать вкладку Тип и задать вид: полином 3-го порядка;

5.Выбрать вкладку Параметры:

1.Переключатель Название аппроксимирующей кривой: автоматическое/другое – установить в положение автоматическое;

2.Поле Прогноз вперед на – не активизировать;

3.Поле Прогноз назад на – не активизировать;

4.Флажок Пересечение кривой с осью Y в точке – не активировать;

5.Флажок Показывать уравнение на диаграмме – активизировать;

6.Флажок Поместить на диаграмму величину достоверности аппроксимации R2 – активизировать;

7.ОК.

Наиболее адекватное уравнение регрессии и его график

 

Заключение

В данной курсовой работе я рассмотрела тему «Статистика основных фондов», изучив предмет и методы данного раздела статистики, указав его показатели, а также статистические методы и их применение в изучении основных фондов. Всё это содержится в первой главе работы. Также я выполнила несколько расчётных задач, закрепив полученные данные. В аналитической части курсовой работы я освоила методики корреляционно-регрессионного анализа взаимосвязи социально-экономических явлений с применением компьютерных средств, так как изучение взаимосвязей явлений и процессов – одна из важнейших задач статистических исследований.

Данный метод позволяет:

·  выявить наличие корреляционной связи признаков (показателей) и оценить ее тесноту;

·  найти аналитическое выражение связи в виде уравнения регрессии;

·  оценить качество найденной модели связи.

Для этого я использовала табличный процессор Microsoft Excel и его надстройку Пакет анализа, которые предоставляют ряд программных средств для автоматизированного решения вышеперечисленных задач.

 

Список использованной литературы

1. Гусаров В.М. Статистика: Учебное пособие для вузов. –  М.: ЮНИТИ – ДАНА,2001. с.340 – 348.

2. Практикум по статистике: Учебное пособие для вузов / Под  ред. проф. В.М. Симчеры. – Москва, ЗАО  «Финстатинфом», 1999. с. 6 - 12.

3. Практикум по статистике: Учебное пособие для вузов / Под ред. Я.С. Мелкумова, 2004. с. 60 - 63

4. Социально – экономические  показатели регионов России, 2006. с.369, 375.

5. Статистика: Учебник / Под  ред. доктора экономических наук, профессора, члена – корреспондента  РАН, Академика Международной Академии Наук высшей школы И.И. Елисеевой. – Москва, 2004. с. 244 – 253.