- •Задача 6
- •Задача 15
- •Дискретный ряд распределения предприятий по стоимости оборотных активов, млн. Руб.
- •Интервальный ряд распределения предприятий по стоимости оборотных активов, млн. Руб.
- •Задача 26
- •Динамика производства текстиля, млн. Т
- •Показатели анализа ряда динамики
- •Среднегодовые показатели ряда динамики
- •Уровень производства текстиля
- •Задача 38
- •Данные о продукции машиностроительного завода
- •Задача 43
- •Задача 54
- •Список литературы
Задача 38
Вычислить агрегатные индексы физического объема, цен и выручки реализации продукции за апрель (база – март).
Таблица
Данные о продукции машиностроительного завода
Виды продукции |
Выпущено единиц продукции |
Цена реализации, тыс. у.е. | |||
март |
апрель |
март |
апрель | ||
Погрузочная машина |
242 |
245 |
2,5 |
2,2 | |
Врубовая машина |
150 |
145 |
43,3 |
45,1 | |
Конвейерный грузчик |
187 |
190 |
53,2 |
55,1 |
а) общий индекс товарооборота
∆Z = ∑q1• p1- ∑q0• p0
∆Z = 17547.5 - 17048.4 = 499.1
За счет всех факторов общий товарооборот увеличился на 2.93% или на 499.1.
б) общий индекс цен (метод Пааше)
∆Zp= ∑q1• p1- ∑q1• p0
∆Zp= 17547.5 - 16999 = 548.5
За счет изменения цен сводный товарооборот возросли на 3.23% или на 548.5.
в) общий индекс физического объема продукции (индекс Ласпейреса)
∆Zq= ∑q1• p0- ∑q0• p0
∆Zq= 16999 - 17048.4 = -49.4
За счет изменения объема выработанной продукции, товарооборот снизились на 0.29% или на 49.4.
Покажем взаимосвязь индексов
I = Iq • Ip = 1 • 1.03 = 1.03
Задача 43
Имеются следующие данные о численности рабочих и объеме основных фондов:
Номер завода |
Средняя списочная численность рабочих, чел. |
Объем основных фондов на начало отчетного периода, млн.руб. |
|
350 |
6 |
|
810 |
14 |
|
470 |
8 |
|
510 |
8 |
|
400 |
9 |
|
650 |
10 |
|
660 |
9 |
|
700 |
11 |
|
750 |
12 |
|
400 |
3 |
|
380 |
5 |
|
800 |
13 |
|
740 |
12 |
|
460 |
6 |
|
500 |
10 |
|
490 |
11 |
|
640 |
9 |
Для расчета параметров регрессии построим расчетную таблицу:
x |
y |
x2 |
y2 |
x • y |
350 |
6 |
122500 |
36 |
2100 |
810 |
14 |
656100 |
196 |
11340 |
470 |
8 |
220900 |
64 |
3760 |
510 |
8 |
260100 |
64 |
4080 |
400 |
9 |
160000 |
81 |
3600 |
650 |
10 |
422500 |
100 |
6500 |
660 |
9 |
435600 |
81 |
5940 |
700 |
11 |
490000 |
121 |
7700 |
750 |
12 |
562500 |
144 |
9000 |
400 |
3 |
160000 |
9 |
1200 |
380 |
5 |
144400 |
25 |
1900 |
800 |
13 |
640000 |
169 |
10400 |
740 |
12 |
547600 |
144 |
8880 |
460 |
6 |
211600 |
36 |
2760 |
500 |
10 |
250000 |
100 |
5000 |
490 |
11 |
240100 |
121 |
5390 |
640 |
9 |
409600 |
81 |
5760 |
9710 |
156 |
5933500 |
1572 |
95310 |
Система нормальных уравнений.
a•n + b∑x = ∑y
a∑x + b∑x2= ∑y•x
Для наших данных система уравнений имеет вид:
17a + 9710 b = 156
9710 a + 5933500 b = 95310
Из первого уравнения выражаем аи подставим во второе уравнение:
Получаем эмпирические коэффициенты регрессии: b = 0.01602, a = 0.0252
Уравнение регрессии (эмпирическое уравнение регрессии):
y = 0.01602 x + 0.0252
Графический метод применяют для наглядного изображения формы связи между изучаемыми экономическими показателями. Для этого в прямоугольной системе координат строят график, по оси ординат откладывают индивидуальные значения результативного признака Y, а по оси абсцисс - индивидуальные значения факторного признака X. Совокупность точек результативного и факторного признаков называется полем корреляции.
Рисунок 1 – Поле корреляции
Выборочные средние.
Выборочные дисперсии:
Среднеквадратическое отклонение
Коэффициент корреляции
Ковариация.
Рассчитываем показатель тесноты связи. Таким показателем является выборочный линейный коэффициент корреляции, который рассчитывается по формуле:
Линейный коэффициент корреляции принимает значения от –1 до +1.
Связи между признаками могут быть слабыми и сильными (тесными). Их критерии оцениваются по шкале Чеддока:
0.1 < rxy< 0.3: слабая;
0.3 < rxy< 0.5: умеренная;
0.5 < rxy< 0.7: заметная;
0.7 < rxy< 0.9: высокая;
0.9 < rxy< 1: весьма высокая;
В нашем примере связь между признаком Y фактором X высокая и прямая.
Кроме того, коэффициент линейной парной корреляции может быть определен через коэффициент регрессии b:
Квадрат (множественного) коэффициента корреляции называется коэффициентом детерминации, который показывает долю вариации результативного признака, объясненную вариацией факторного признака.
Чаще всего, давая интерпретацию коэффициента детерминации, его выражают в процентах.
R2= 0.842= 0.7079
т.е. в 70.79 % случаев изменения х приводят к изменению y. Другими словами - точность подбора уравнения регрессии - высокая. Остальные 29.21 % изменения Y объясняются факторами, не учтенными в модели (а также ошибками спецификации).
Для оценки качества параметров регрессии построим расчетную таблицу:
x |
y |
y(x) |
(yi-ycp)2 |
(y-y(x))2 |
(xi-xcp)2 |
|y - yx|:y |
350 |
6 |
5.63 |
10.09 |
0.13 |
48919.03 |
0.0612 |
810 |
14 |
13 |
23.27 |
0.99 |
57036.68 |
0.0712 |
470 |
8 |
7.56 |
1.38 |
0.2 |
10236.68 |
0.0556 |
510 |
8 |
8.2 |
1.38 |
0.0385 |
3742.56 |
0.0245 |
400 |
9 |
6.43 |
0.0311 |
6.58 |
29301.38 |
0.29 |
650 |
10 |
10.44 |
0.68 |
0.19 |
6213.15 |
0.0439 |
660 |
9 |
10.6 |
0.0311 |
2.56 |
7889.62 |
0.18 |
700 |
11 |
11.24 |
3.33 |
0.0578 |
16595.5 |
0.0219 |
750 |
12 |
12.04 |
7.97 |
0.00173 |
31977.85 |
0.00346 |
400 |
3 |
6.43 |
38.15 |
11.79 |
29301.38 |
1.14 |
380 |
5 |
6.11 |
17.44 |
1.24 |
36548.44 |
0.22 |
800 |
13 |
12.84 |
14.62 |
0.0248 |
52360.21 |
0.0121 |
740 |
12 |
11.88 |
7.97 |
0.0141 |
28501.38 |
0.00989 |
460 |
6 |
7.4 |
10.09 |
1.95 |
12360.21 |
0.23 |
500 |
10 |
8.04 |
0.68 |
3.86 |
5066.09 |
0.2 |
490 |
11 |
7.88 |
3.33 |
9.76 |
6589.62 |
0.28 |
640 |
9 |
10.28 |
0.0311 |
1.64 |
4736.68 |
0.14 |
9710 |
156 |
156 |
140.47 |
41.03 |
387376.47 |
2.99 |
Несмещенной оценкой дисперсии возмущений является величина:
S2y= 2.74 - необъясненная дисперсия (мера разброса зависимой переменной вокруг линии регрессии).
Sy= 1.65 - стандартная ошибка оценки (стандартная ошибка регрессии).
Sa- стандартное отклонение случайной величины a.
Sb- стандартное отклонение случайной величины b.
Оценим качество уравнения регрессии с помощью ошибки абсолютной аппроксимации. Средняя ошибка аппроксимации - среднее отклонение расчетных значений от фактических:
Ошибка аппроксимации в пределах 5%-7% свидетельствует о хорошем подборе уравнения регрессии к исходным данным.
Поскольку ошибка больше 7%, то данное уравнение не желательно использовать в качестве регрессии.