3.3. 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
1	,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.
1	Regression	1,404E16	4	3,510E15	14,551	,000a
	Residual	2,412E15	10	2,412E14
	Total	1,645E16	14
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
1	(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
1	,853a	,727	,508	3,135E7
Predictors: (Constant), цена производителя,в долл за тонну, осадки, Площади, занятые под выращивание риса, га, TAI Index 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.
1	Regression	1,307E16	4	3,267E15	3,325	,110a
	Residual	4,913E15	5	9,826E14
	Total	1,798E16	9
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
1	(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.