Студопедия

Главная страница Случайная страница

КАТЕГОРИИ:

АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника






Статистические данные






1.Определяем объём производства/потребления риса от влияющих факторов:

y- объём производства/потребления риса, в тоннах

Х1 – площади, занятые под выращивание риса, га

Х2– осадки за год, мм

Х3– технологическая оснащенность стран

Х4– цена

а0, а1, а2, а3, а4 -искомые коэффициенты уравнения

В качестве характеристики технологической оснащённости был выбран показатель TAI (Technology Achievement Index), в качестве ценовой характеристики- цена производителя, зафиксированная в 2004 году по данным сайта foastat.org.

2. Статистическая информация по переменным (объём производства и потребления риса, площади, занятые под производство риса, осадки, TAI, цена производителей) для 23 стран по производству риса и 15 стран по потребления риса представлена в таблицах 3.2.1. и 3.2.2.

Таблица 3.2.1. Анализ объёмов производства риса за 2004г.

номер Страны производство риса в тоннах Площади, занятые под выращивание риса, га осадки TAI Index цена производителя, в долл за тонну
# 1 India: 88280000, 00 42400000, 00 1083, 00 0, 20 207, 7
# 2 China: 112460000, 00 26510000, 00 645, 00 0, 30 314, 1
# 3 Indonesia: 35020000, 00 11900000, 00 2702, 00 0, 21 176, 1
# 4 Bangladesh: 26150000, 00 10900000, 00 2666, 00   113, 1
# 5 Thailand: 18010000, 00 10320000, 00 1622, 00 0, 34 165, 5
# 6 Vietnam: 22080000, 00 7470000, 00 1821, 00   144, 4
# 7 Burma: 10730000, 00 6300000, 00      
# 8 Philippines: 9200000, 00 4090000, 00 2348, 00 0, 30 168, 6
# 9 Brazil: 8710000, 00 3730000, 00 1782, 00 0, 31 217, 2
# 10 Pakistan: 4850000, 00 2460000, 00 494, 00 0, 17  
# 11 Cambodia: 2960000, 00 2240000, 00 1904, 00   133, 5
# 12 Nigeria: 2200000, 00 1800000, 00 1, 15 0, 34 347, 5
# 13 Japan: 7090000, 00 1670000, 00 1668, 00 0, 70 2292, 0
# 14 United States: 6420000, 00 1210000, 00 715, 00 0, 73 162, 0
# 15 Korea, South: 4450000, 00 1020000, 00 1274, 00 0, 67  
# 16 Egypt: 3900000, 00 630000, 00 51, 00 0, 24 165, 4
# 17 Iran: 2180000, 00 560000, 00 228, 00 0, 26 476, 5
# 18 Taiwan: 1160000, 00 270000, 00      
# 19 Italy: 830000, 00 220000, 00 832, 00 0, 47 230, 9
# 20 Russia: 290000, 00 160000, 00 460, 00    
# 21 Spain: 600000, 00 120000, 00 636, 00 0, 48 258, 6
# 22 Australia: 380000, 00 70000, 00 534, 00 0, 59 239, 4
# 23 Greece: 120000, 00 20000, 00 652, 00 0, 44 271, 7

 

https://www.nationmaster.com/graph/agr_are_ric-agriculture-area-rice

https://faostat.fao.org/site/682/DesktopDefault.aspx? PageID=682#ancor

data.worldbank.org/indicator

 

Таблица 3.2.2. Анализ объёмов потребления риса за 2004г.

номер Страны потребление Площади, занятые под выращивание риса, га осадки TAI Index цена производителя, в долл за тонну
# 1 India:   42400000, 00 1083, 00 0, 20 207, 7
# 2 China: 1, 35E+08 26510000, 00 645, 00 0, 30 314, 1
# 3 Indonesia:   11900000, 00 2702, 00 0, 21 176, 1
# 4 Bangladesh:   10900000, 00 2666, 00   113, 1
# 5 Thailand:   10320000, 00 1622, 00 0, 34 165, 5
# 6 Vietnam:   7470000, 00 1821, 00   144, 4
# 7 Burma:   6300000, 00      
# 8 Philippines:   4090000, 00 2348, 00 0, 30 168, 6
# 9 Brazil:   3730000, 00 1782, 00 0, 31 217, 2
# 10 Japan:   1670000, 00 1668, 00 0, 70 2292, 0
# 11 United States:   1210000, 00 715, 00 0, 73 162, 0
# 12 Korea, South:   1020000, 00 1274, 00 0, 67  
# 13 Egypt:   630000, 00 51, 00 0, 24 165, 4
# 14 Iran:   560000, 00 228, 00 0, 26 476, 5
# 15 Taiwan:   270000, 00      

https://www.nationmaster.com/graph/agr_are_ric-agriculture-area-rice

https://faostat.fao.org/site/682/DesktopDefault.aspx? PageID=682#ancor

data.worldbank.org/indicator


Расчет

Проведен анализ зависимости производства риса от влияющих факторов, представленных в таблице 3.2.1. Получили следующие данные на выходе:

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
  , 924a , 853 , 795 1, 553E7
a. Predictors: (Constant), цена производителя, в долл за тонну, осадки, Площади, занятые под выращивание риса, га, TAI Index b. All requested variables entered.

R2 равен 0, 853, что говорит о том что модель довольно хорошо описывает действительность, если брать только этот коэффициент детерминации R2. На 85% объем производства риса объясняется набором выбранных переменных.

 

ANOVAb
Model Sum of Squares df Mean Square F Sig.
  Regression 1, 404E16   3, 510E15 14, 551 , 000a
Residual 2, 412E15   2, 412E14    
Total 1, 645E16        
a. Predictors: (Constant), цена производителя, в долл за тонну, осадки, Площади, занятые под выращивание риса, га, TAI Index
b. Dependent Variable: производство риса в тоннах

Однако, добавление в область рассмотрения коэффициента Фишера (F) даёт понять, что вероятность ошибки по критерию Фишера много больше, то есть полученное уравнение регрессии описывает реальную картину с неудовлетворяющей нас погрешностью.

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
  (Constant) 1688026, 853 1, 477E7   , 114 , 911
Площади, га 2, 665 , 393 , 941 6, 788 , 000
осадки -2276, 562 5282, 151 -, 054 -, 431 , 676
TAI Index 2348820, 895 3, 165E7 , 012 , 074 , 942
цена произв-теля, в долл за тонн 1930, 109 9037, 960 , 030 , 214 , 835
a. Dependent Variable: производство риса в тоннах

 

Далее проведен анализ зависимости потребления риса от влияющих факторов, представленных в таблице 3.2.2. Получили следующие данные на выходе:

Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
  , 853a , 727 , 508 3, 135E7
a. Predictors: (Constant), цена производителя, в долл за тонну, осадки, Площади, занятые под выращивание риса, га, TAI Index b. a. All requested variables entered.

R2 равен 0, 853, что говорит о том, что модель хорошо описывает действительность, если брать только этот коэффициент детерминации R2. На 73% объем производства риса объясняется набором выбранных переменных.

ANOVAb
Model Sum of Squares df Mean Square F Sig.
  Regression 1, 307E16   3, 267E15 3, 325 , 110a
Residual 4, 913E15   9, 826E14    
Total 1, 798E16        
a. Predictors: (Constant), цена производителя, в долл за тонну, осадки, Площади, занятые под выращивание риса, га, TAI Index
b. Dependent Variable: потребление

Однако, добавление в область рассмотрения коэффициента Фишера (F) даёт понять, что вероятность ошибки по критерию Фишера много больше, то есть полученное уравнение регрессии описывает реальную картину с неудовлетворяющей нас погрешностью.

Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig.
B Std. Error Beta
  (Constant) 8010877, 639 3, 332E7   , 240 , 820
Площади, га 2, 759 , 828 , 854 3, 333 , 021
осадки -5700, 853 11914, 317 -, 113 -, 478 , 652
TAI Index -883970, 050 7, 203E7 -, 004 -, 012 , 991
цена произв-теля, в долл за тонну 3722, 077 19738, 065 , 055 , 189 , 858
a. Dependent Variable: потребление

 

Усугубляют выводы значения вероятностей ошибки для t-статистики Стьюдента, описывающей значимость коэффициентов регрессии. Проверка на вероятность ошибки по критерию показала, что ни один из коэффициентов не удовлетворяет заданной точности, равной 0, 05

Таким образом, можно сделать вывод, что использование множественной регрессии для данной выборки не даёт положительного результата и при данном наборе факторов нецелесообразно. (Если мы оставляем один коэффициент для использовнаия в модели, то получим уравнение парной регрессии).

Это могло произойти по нескольким причинам:

1. недостаточный размер выборки;

2. неподходящие переменные или их набор;

3. недостаточное количество переменных;

4. ошибочный вид функциональной зависимости;

5. прочие неучтённые обстоятельства

Также к специфическим чертам процесса потребления продукта следует отнести:

1. сугубая зависимость объёма потребления продукта от цен не только производителей своей страны, но и цен других участников мирового производства продукта:

2. Потребление мало зависит от количества осадков;

3. Потребление невысокотехнологичного продукта в гораздо меньшей степени зависит от уровня технологической оснащенности страны, чем производство такого продукта.

5 первые лауреаты Нобелевской премии по экономике – Рагнар Фриш и Ян Тинберген обосновывали необходимость внедрения в практику исследования моделей множественной регрессии. В их работах можно найти косвенные комментарии к п.4 данного анализа, где были приведены возможные причины несостоятельности модели, составленной в пункте 3.2.:

1. Недостаточный размер выборки, с одной стороны. Может указывать на ограниченность доступной статистической информации, с другой стороны, на то, что линейные модели лучше описывают именно массовые явления- с увеличением числа объектов точность модели также увеличивается.

2. С проблемой подбора переменных для анализа сталкивается любой эконометрик, и в этом состоит искусство исследования- путём множества итераций найти наиболее адекватный набор переменных

3. Борьба с недостаточным количеством переменных – это одна из целей эконометрического анализа. Потребность идти от общего к более подробному, преодолевая вероятность перегрузить модель, являет собой одно из противоречий моделирования.

4. Отметим, что влияние неучтённых факторов может заметно повлиять, если они отражают влияние форс-мажора, кризиса и т.п. Также существуют явления, не поддающиеся количественному анализу.

 


Поделиться с друзьями:

mylektsii.su - Мои Лекции - 2015-2024 год. (0.01 сек.)Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав Пожаловаться на материал