-
Построим трендовую модель изменения цен.
Модель будет иметь вид: Jt = at + b
|
Номер года |
Индекс цен в %, Jt =у |
t=x |
|
1 |
122,9 |
1 |
|
2 |
134,9 |
2 |
|
3 |
149,9 |
3 |
|
4 |
161,9 |
4 |
|
5 |
178,9 |
5 |
|
6 |
187,9 |
6 |
|
7 |
199,9 |
7 |
|
8 |
206,9 |
8 |
|
9 |
213,9 |
9 |
|
10 |
218,9 |
10 |
|
Сумма |
1776 |
55 |
|
Средняя |
177,6 |
5,5 |
Найдем коэффициент корреляции:
ryx = Cov(x,y) /
x-xcp |
y-ycp |
(x-xcp)^2 |
(y-ycp)^2 |
(x-xcp)*(y-ycp) |
-4,5 |
-54,7 |
20,25000000 |
2992,09000000 |
246,15000000 |
-3,5 |
-42,7 |
12,25000000 |
1823,29000000 |
149,45000000 |
-2,5 |
-27,7 |
6,25000000 |
767,29000000 |
69,25000000 |
-1,5 |
-15,7 |
2,25000000 |
246,49000000 |
23,55000000 |
-0,5 |
1,3 |
0,25000000 |
1,69000000 |
-0,65000000 |
0,5 |
10,3 |
0,25000000 |
106,09000000 |
5,15000000 |
1,5 |
22,3 |
2,25000000 |
497,29000000 |
33,45000000 |
2,5 |
29,3 |
6,25000000 |
858,49000000 |
73,25000000 |
3,5 |
36,3 |
12,25000000 |
1317,69000000 |
127,05000000 |
4,5 |
41,3 |
20,25000000 |
1705,69000000 |
185,85000000 |
0,000000 |
0,00000000 |
82,50000000 |
10316,10000000 |
912,50000000 |
0,000000 |
0,00000000 |
8,25000000 |
1031,61000000 |
91,25000000 |
|
|
var(x) |
var(y) |
cov(x,y) |
ryx = 91,25 / 8,25*1031,61 = 0,98911805
То есть зависимость индекса цен от года сильная.
R2 = ryx 2 = 0,98911805 2 = 0,978354517, то есть 97% вариации индекса цен объясняется изменением года.
Найдем коэффициенты a и b по формулам:
а = Cov(x,y)/Var(x) = 91,25/ 8,25 = 11,06060606
b = Ycp – aXcp = 116,7666667
Получим уравнение yp = 11,06060606*x +116,7666667
.
Оценим статистическую значимость уравнения с помощью критериев Фишера и Стьюдента:
Fфакт = (n-2) = *8 = 361,5921181
Fтабл = 5,32. Fфакт= 361,5921181> Fтабл = 5,32, следовательно, гипотеза Но о статистической незначимости уравнения регрессии в целом и показателя тесноты связи коэффициента корреляции отвергается. Уравнение регрессии статистически значимо и надежно.
ta = a/ma
tb = b/mb
tr = r/mr
Yp |
E=y-Yp |
E^2 |
|E/y| |
x^2 |
127,82727273 |
-4,92727273 |
24,27801653 |
0,040091723 |
1 |
138,88787879 |
-3,98787879 |
15,90317723 |
0,02956174 |
4 |
149,94848485 |
-0,04848485 |
0,00235078 |
0,000323448 |
9 |
161,00909091 |
0,89090909 |
0,79371901 |
0,005502836 |
16 |
172,06969697 |
6,83030303 |
46,65303949 |
0,038179447 |
25 |
183,13030303 |
4,76969697 |
22,75000918 |
0,025384231 |
36 |
194,19090909 |
5,70909091 |
32,59371901 |
0,028559734 |
49 |
205,25151515 |
1,64848485 |
2,71750230 |
0,007967544 |
64 |
216,31212121 |
-2,41212121 |
5,81832874 |
0,011276864 |
81 |
227,37272727 |
-8,47272727 |
71,78710744 |
0,038705926 |
100 |
1776,00000000 |
0,00000000 |
223,29696970 |
0,22555349 |
385,00000000 |
177,60000000 |
0,00000000 |
22,32969697 |
0,02255535 |
38,50000000 |
ma = = = 0,581660332
mb = = 3,609107447
mr = = = 0,052016203
Получим:
ta = 11,06060606/ 0,581660332 = 19,01557567
tb = 116,7666667/ 3,609107447= 32,35333621
tr = 0,98911805 / 0,052016203= 19,01557567
tтабл = 2,3060
ta , tb , tr > tтабл = 2,3060, гипотеза Н0 о незначимом отличии коэффициентов а, в и r от 0 отвергается. Коэффициенты а, в и r статистически значимы и сформировались под влиянием объективно действующих факторов.
Найдем ошибку аппроксимации:
А = *100% = 2,255534931% < 10%, точность модели хорошая.
Найдем для этой модели коэффициент автокорреляции в таблице:
|
t |
у(t) |
Yt-1 |
(Yt-1)-y1cp |
(Yt-1)-y2cp |
((Yt-1)-y1cp)*((Yt-1)-y2cp) |
((Yt-1)-y1cp)^2 |
((Yt-1)-y2cp)^2 |
|
1 |
122,9 |
- |
- |
- |
- |
- |
- |
|
2 |
134,9 |
122,9 |
-48,77777778 |
-50,11111111 |
2444,30864198 |
2379,27160494 |
2511,123457 |
|
3 |
149,9 |
134,9 |
-33,77777778 |
-38,11111111 |
1287,30864198 |
1140,93827160 |
1452,45679 |
|
4 |
161,9 |
149,9 |
-21,77777778 |
-23,11111111 |
503,30864198 |
474,27160494 |
534,1234568 |
|
5 |
178,9 |
161,9 |
-4,777777778 |
-11,11111111 |
53,08641975 |
22,82716049 |
123,4567901 |
|
6 |
187,9 |
178,9 |
4,222222222 |
5,888888889 |
24,86419753 |
17,82716049 |
34,67901235 |
|
7 |
199,9 |
187,9 |
16,22222222 |
14,88888889 |
241,53086420 |
263,16049383 |
221,6790123 |
|
8 |
206,9 |
199,9 |
23,22222222 |
26,88888889 |
624,41975309 |
539,27160494 |
723,0123457 |
|
9 |
213,9 |
206,9 |
30,22222222 |
33,88888889 |
1024,19753086 |
913,38271605 |
1148,45679 |
|
10 |
218,9 |
213,9 |
35,22222222 |
40,88888889 |
1440,19753086 |
1240,60493827 |
1671,901235 |
|
Сумма |
1776 |
1557,1 |
0,00000000 |
0,00000000 |
7643,22222222 |
6991,55555556 |
8420,88888889 |
|
Ср. |
177,6 |
155,71 |
0,00000000 |
0,00000000 |
764,32222222 |
699,15555556 |
842,08888889 |
Где y1cp = /(n-1) = 183,6777778
y2cp = /(n-1) = 173,0111111
Коэффициент автокорреляции первого порядка вычислим по формуле:
r1 = = = 0,996117596.
Связь между индексом цен текущего года и предшествующего тесная, то есть на индекс цен имеется сильная линейная тенденция.
-
Осуществим прогноз спроса на овощи на следующие два года.
D11 = a*11+b = 49,62
D12 = a*12 + b = 53,190909
J11 = a*11 + b = 238,4333333
J12 = a*12 + b = 249,4939394
Pt = a1*Dt + a2*Jt + b
P11 = 84,146656
P12 = 85,50059345
В 11 году среднемесячный доход на душу населения составит 49,62 рублей, индекс цен составит 238,43%, а среднедушевое потребление овощей составит 84,146 кг в месяц.
В 12 году среднемесячный доход на душу населения 53,19 рубля, индекс цен составит 249,49 %, а среднедушевое потребление овощей составит 85,50 кг в месяц.
-
Рассчитаем коэффициенты эластичности спроса на овощи в зависимости от дохода и уровня цен для 11 года.
Эластичность спроса на овощи в зависимости от уровня дохода:
EPD = :
dP/dD = a1 = 0,067908517
EPD = 0,067908517, то есть при увеличении среднемесячного дохода на душу населения на 1% среднедушевое потребление овощей увеличится на 0,067%.
Эластичность спроса на овощи в зависимости от уровня дохода:
EPJ = :
dP/dJ = a2= 0,241506512
EPJ =0,241506512,то есть при увеличении индекса цен на 1% среднедушевое потребление овощей уменьшится на 0,241%.