Автор работы: Пользователь скрыл имя, 13 Декабря 2013 в 15:31, курсовая работа
Основной целью курсовой работы является закрепление, углубление и обобщение знаний по дисциплине «Многомерные регрессионные методы анализа экономических объектов».
Для достижения указанной цели в курсовой работе предполагается решение следующих задач:
-графический и аналитический анализ динамики;
-построение автокорреляционной функции для выявления структуры ряда;
-выявление наличия тенденций в развитии исследуемого показателя;
-оценка сезонности несколькими способами, построение сезонной волны;
-оценка качества построенных моделей;
Введение
4
1. Общая характеристика рыбной продукции (консервов)
5
1.1 Технологическая классификация рыбной продукции
5
1.2 Рыбные консервы, пресервы, полуфабрикаты
6
1.3 Импортёры рыбной продукции в Беларуси
8
2. Изучение динамики социально-экономических явлений
10
2.1 Показатели динамики
10
2.2 Автокорреляционная функция
12
2.3 Проверка гипотез о наличии тренда
13
2.4 Построение аддитивной и мультипликативной модели
14
2.5 Ряд Фурье
18
2.6 Экспоненциальное сглаживание
20
2.7 Гетероскедастичность
21
2.8 Проверка адекватности модели
23
2.9 Проверка условия независимости уровней ряда остатков
25
2.10 Построение точечного и интервального прогноза. Построение прогноза на основе показателей динамики
25
3. Анализ динамики потребления рыбной продукции (консервов)
28
Заключение
45
Список использованной литературы
Интервальные прогнозы строятся на основе точечных прогнозов. Доверительным интервалом называется такой интервал, относительно которого можно с заранее выбранной вероятностью утверждать, что он содержит значение прогнозируемого показателя. Ширина интервала зависит от качества модели, т.е. степени ее близости к фактическим данным, числа наблюдений, горизонта прогнозирования и выбранного пользователем уровня вероятности.
При построении доверительного интервала прогноза рассчитывается величина U(k), которая для линейной модели имеет вид:
где
стандартная ошибка (среднеквадратическое отклонение от модели), m – количество факторов в модели, для линейной модели m = 1.
Коэффициент является табличным значением t-статистики Стьюдента при заданном уровне значимости и числе наблюдений. Для других моделей величина U(k) рассчитывается аналогичным образом, но имеет более громоздкий вид. Как видно, величина U зависит прямо пропорционально от точности модели, коэффициента доверительной вероятности степени углубления в будущее на k шагов вперед, т.е. на момент t = n+k, и обратно пропорциональна объему наблюдений. Доверительный интервал прогноза будет иметь следующие границы:
– верхняя граница прогноза – Yпрогноз(n+k) + U(k);
– нижняя граница прогноза – Yпрогноз(n+k) – U(k).
Если
построенная модель адекватна, то с
выбранной пользователем
Также строим
прогноз с помощью средних
относительных показателей
Также необходимо рассчитать прогноз с помощью абсолютных показателей динамики. Для этого мы находим средний абсолютный цепной прирост. После чего мы строим наш прогноз на следующий месяц, путём прибавления среднего прироста к объёму потребления предыдущего периода. Аналогичным образом рассчитаем прогноз на весь прогнозируемый период времени.
3. Анализ динамики потребления рыбной продукции (консервов)
Одной из наиболее актуальных задач,
решаемых статистикой как наукой,
является выявление зависимостей между
анализируемыми признаками для прогнозирования
развития социально-экономических
процессов и выработки
На первом этапе выполнения работы мы определяем значения основных показателей динамики (абсолютных и относительных, средних), пользуясь формулами 1-9. Расчёты представлены в таблице 1-2.
Таблица 1 – Показатели динамики по месяцам
Месяц |
Произвед. |
Абсол прирост баз |
Абсол прирост цеп |
Темп роста б % |
Темп роста цеп % |
Темп прир б % |
Темп прир цеп% |
Ai % |
Январь |
1019323,45 |
- |
- |
- |
- |
- |
- |
- |
Февраль |
1366514,27 |
347190,82 |
347190,82 |
134,06 |
134,06 |
34,06 |
34,06 |
10193,23 |
Март |
1727822,22 |
708498,77 |
361307,95 |
169,51 |
126,44 |
69,51 |
26,44 |
13665,14 |
Апрель |
1496985,83 |
477662,38 |
-230836,39 |
146,86 |
86,64 |
46,86 |
-13,36 |
17278,22 |
Май |
1224214,30 |
204890,85 |
-272771,53 |
120,10 |
81,78 |
20,10 |
-18,22 |
14969,86 |
Июнь |
1270591,94 |
251268,49 |
46377,64 |
124,65 |
103,79 |
24,65 |
3,79 |
12242,14 |
Июль |
1712282,35 |
692958,90 |
441690,41 |
167,98 |
134,76 |
67,98 |
34,76 |
12705,92 |
Август |
2000051,21 |
980727,76 |
287768,86 |
196,21 |
116,81 |
96,21 |
16,81 |
17122,82 |
Сентябрь |
1759017,64 |
739694,19 |
-241033,57 |
172,57 |
87,95 |
72,57 |
-12,05 |
20000,51 |
Октябрь |
1667030,31 |
647706,86 |
-91987,33 |
163,54 |
94,77 |
63,54 |
-5,23 |
17590,18 |
Ноябрь |
1448503,66 |
429180,21 |
-218526,65 |
142,10 |
86,89 |
42,10 |
-13,11 |
16670,30 |
Декабрь |
1552063,24 |
532739,79 |
103559,58 |
152,26 |
107,15 |
52,26 |
7,15 |
14485,04 |
Из таблицы 1 видно что на протяжении всего рассматриваемого периода происходило возрастание показателя на небольшую величину по каждому месяцу, что свидетельствует о тенденции увеличения.
Таблица 2 – Показатели динамики за год
Год |
Произведено |
Абсолют. прирост базисный |
Абсолют. прирост цепной |
Темп роста базисный % |
Темп роста цепной % |
Темп прироста базисный % |
Темп прироста цепной % |
Ai % |
2005 |
3377766,75 |
- |
- |
- |
- |
- |
- |
- |
2006 |
3464668,06 |
86901,31 |
86901,31 |
102,57 |
102,57 |
2,57 |
2,57 |
33777,67 |
2007 |
3788972,42 |
411205,67 |
324304,36 |
112,17 |
109,36 |
12,17 |
9,36 |
34646,68 |
2008 |
3717882,69 |
340115,94 |
-71089,73 |
110,07 |
98,12 |
10,07 |
-1,88 |
37889,72 |
2009 |
3895110,5 |
517343,75 |
177227,81 |
115,32 |
104,77 |
15,32 |
4,77 |
37178,83 |
Средний абсолютный цепной прирост равен 129335,9375, а цепной коэффициент роста 1,05.
Из таблицы 2 видно что на протяжении всего рассматриваемого периода происходило возрастание показателя на небольшую величину за каждый год, что свидетельствует о тенденции увеличения.
Также построим график отражающий характеристику потребления рыбной продукции, он представлении на рисунке 2.
Рисунок 2 – Динамика потребления рыбной продукции
Из рисунка видно что на протяжении всего рассматриваемого периода происходило возрастание показателя на небольшую величину, что свидетельствует о тенденции увеличения. Также на рисунке видно , что на протяжении рассматриваемого периода в марте и августе каждого года наблюдается увеличение показателя, а в январе, мае и сентябре – октябре - уменьшение, что свидетельствует о наличии сезонности в ряду.
Для характеристики динамики изменения экономических показателей часто используется понятие автокорреляции, которая характеризует не только взаимозависимость уровней одного и того же ряда, относящихся к разным моментам наблюдений, но и степень устойчивости развития процесса во времени, величину оптимального периода прогнозирования и т.п.
Таблица 3 - Коэффициенты автокорреляции
Auto- |
Std.Err. |
Box & |
p | |
1 |
0,384772 |
0,125937 |
9,33463 |
0,002250 |
2 |
-0,160614 |
0,124866 |
10,98920 |
0,004113 |
3 |
-0,214868 |
0,123784 |
14,00228 |
0,002906 |
4 |
0,069209 |
0,122694 |
14,32046 |
0,006347 |
5 |
0,104995 |
0,121593 |
15,06608 |
0,010095 |
6 |
-0,034784 |
0,120483 |
15,14944 |
0,019145 |
7 |
-0,075294 |
0,119362 |
15,54734 |
0,029617 |
8 |
-0,124377 |
0,118231 |
16,65402 |
0,033953 |
9 |
-0,217168 |
0,117088 |
20,09405 |
0,017365 |
10 |
-0,033855 |
0,115935 |
20,17932 |
0,027636 |
11 |
0,321927 |
0,114770 |
28,04729 |
0,003193 |
12 |
0,638169 |
0,113592 |
59,60991 |
0,000000 |
13 |
0,181092 |
0,112403 |
62,20555 |
0,000000 |
14 |
-0,178933 |
0,111201 |
64,79476 |
0,000000 |
15 |
-0,178136 |
0,109985 |
67,41798 |
0,000000 |
Рисунок 3 – Коррелограмма потребления рыбной продукции
Анализ автокорреляционной функции и коррелограммы показал, что наиболее высоким оказался коэффициент автокорреляции двенадцатого порядка, следовательно, исследуемый ряд содержит циклические колебания с периодичностью в 12 месяцев. Т.к. вероятность нулевой гипотезы для всех коэффициентов автокорреляции меньше 0,05, то все коэффициенты являются значимыми.
Процедура проверки наличия или отсутствия неслучайной (и зависящей от времени t) составляющей, по существу, состоит в статистической проверке гипотезы о неизменности среднего значения временного ряда. Вначале проверяем гипотезу о равенстве дисперсий обеих частей ряда с помощью пакета анализа в Excel. Результаты проверки представлены в таблице 4.
Таблица 4 – Проверка гипотезы о равенстве дисперсий
Переменная 1 |
Переменная 2 | |
Среднее |
282045,719 |
326100,945 |
Дисперсия |
2961126256 |
3159652600 |
Наблюдения |
30 |
30 |
df |
29 |
29 |
F(расчётное) |
0,9371683 |
|
P(F<=f) одностороннее (критическое) |
0,431241779 |
|
F критическое одностороннее |
0,537399965 |
Т.к. Fкр < Fрасч, то c вероятностью 95% отвергаем нулевую гипотезу, т.е. исправленные выборочные дисперсии (S и S ) существенно различаются.
Далее мы проверяем основную гипотезу о не равенстве средних с использованием t – критерия Стьюдента, при помощи пакета анализа Excel. Результаты проверки представлены в таблице 5.
Таблица 5 – Проверка гипотезы о равенстве средних
Переменная 1 |
Переменная 2 | |
Среднее |
282045,719 |
326100,945 |
Дисперсия |
2961126256 |
3159652600 |
Наблюдения |
30 |
30 |
Гипотетическая разность средних |
0 |
|
df |
58 |
|
t-статистика (расчётное) |
-3,084286525 |
|
P(T<=t) одностороннее |
0,001561587 |
|
t критическое одностороннее |
1,671552763 |
|
P(T<=t) двухстороннее |
0,003123174 |
|
t критическое двухстороннее |
2,001717468 |
Информация о работе Анализ динамики потребления рыбной продукции (консервов)