- •Курсовая работа
- •Глава 1. Теоретические основы статистического исследования денежного обращения
- •1.1. Понятие и задачи статистического изучения денежного обращения
- •1.2. Методы изучения статистики денежного обращения
- •Глава 2. Статискический анализ показателей денежного обращения в россии
- •Определение границы группы
- •Вспомогательная таблица
- •2.2. Анализ вариации статистического распределения показателей денежного обращения в России
- •2.3. Корреляционно-регрессионный анализ показателей денежного обращения
- •Статистические показатели денежного обращения по Российской Федерации
- •Несмещенная ошибка
- •Глава 3. Определение динамики и прогнозирование денежного обращения в России
- •3.1. Определение динамики денежного обращения в России
- •Цепные показатели ряда динамики
- •Базисные показатели ряда динамики
- •Заключение
- •Список библиографических источников
- •Приложение а Вклады (депозиты) физических лиц на рублевых счетах в Сбербанке по субъектам Российской Федерации за 2014 год (миллионов рублей)
- •Приложение б Графическое изображение статистического распределения вкладов населения Российской федерации за 2014 г.
2.3. Корреляционно-регрессионный анализ показателей денежного обращения
Корреляционно-регрессионный анализ — классический метод стохастического моделирования хозяйственной деятельности. Он изучает взаимосвязи показателей хозяйственной деятельности, когда зависимость между ними не является строго функциональной и искажена влиянием посторонних, случайных факторов [8].
В качестве материала для проведения анализа были взяты некоторые статистические показатели по Российской Федерации. Данные получены с сайта Федеральной службы государственной статистики [26].
Исходные данные представлены в таблице.
Эмпирическое уравнение множественной регрессии представим в виде:
Y = b0 + b1X1 + b1X1 + ... + bmXm + e
Здесь b0, b1, ..., bm - оценки теоретических значений β0, β1, β2, ..., βm коэффициентов регрессии (эмпирические коэффициенты регрессии); e - оценка отклонения ε.
Статистические показатели денежного обращения по Российской Федерации
Год |
Денежная база, млрд. руб. |
Наличные деньги M0, млрд. руб. |
Безналичные средства, млрд. руб. |
|
(У) |
(Х1) |
(Х2) |
2004 |
4082,7 |
1682,9 |
2183,5 |
2005 |
4767,3 |
2246,2 |
4311,1 |
2006 |
5451,9 |
2809,5 |
6438,7 |
2007 |
6136,5 |
3372,8 |
8566,3 |
2008 |
6821,1 |
3936,1 |
10693,9 |
2009 |
7505,7 |
4499,4 |
12821,5 |
2010 |
8190,3 |
5062,7 |
14949,1 |
2011 |
8644,1 |
5938,6 |
18544,6 |
2012 |
9852,8 |
6430,1 |
20975,3 |
2013 |
10503,9 |
6985,6 |
24419,1 |
2014 |
11198,1 |
7557,9 |
26546,7 |
Для оценки параметров уравнения множественной регрессии применяем МНК. Определим вектор оценок коэффициентов регрессии. Согласно методу наименьших квадратов, вектор s получается из выражения:
s = (XTX)-1XTY
Умножаем матрицы, (XTX):
В матрице, (XTX) число 11, лежащее на пересечении 1-й строки и 1-го столбца, получено как сумма произведений элементов 1-й строки матрицы XT и 1-го столбца матрицы X.
Умножаем матрицы, (XTY):
Находим обратную матрицу (XTX)-1:
10.484 |
-0.00782 |
0.00187 |
-0.00782 |
6.0E-6 |
-1.0E-6 |
0.00187 |
-1.0E-6 |
0 |
Вектор оценок коэффициентов регрессии равен:
Уравнение регрессии (оценка уравнения регрессии):
Y = 2805.81 + 0.63X1 + 0.14X2.
Находим матрицу парных коэффициентов корреляции R.
Число наблюдений n = 11. Число независимых переменных в модели равно 2, а число регрессоров с учетом единичного вектора равно числу неизвестных коэффициентов. С учетом признака Y, размерность матрицы становится равной 4. Матрица, независимых переменных Х имеет размерность (11 х 4).
Матрица ATA:
11 |
83154.4 |
50521.8 |
150449.8 |
83154.4 |
684246877.7 |
428376600.81 |
1329488436.99 |
50521.8 |
428376600.81 |
271048667.54 |
852025881.7 |
150449.8 |
1329488436.99 |
852025881.7 |
2725302684.06 |
Полученная матрица имеет следующее соответствие:
∑n |
∑y |
∑x1 |
∑x2 |
∑y |
∑y2 |
∑x1 y |
∑x2 y |
∑x1 |
∑yx1 |
∑x1 2 |
∑x2 x1 |
∑x2 |
∑yx2 |
∑x1 x2 |
∑x2 2 |
Найдем парные коэффициенты корреляции:
Признаки x и y |
∑xi |
|
∑yi |
|
∑xiyi |
|
Для y и x1 |
50521.8 |
4592.891 |
83154.4 |
7559.491 |
428376600.81 |
38943327.346 |
Для y и x2 |
150449.8 |
13677.255 |
83154.4 |
7559.491 |
1329488436.99 |
120862585.181 |
Для x1 и x2 |
150449.8 |
13677.255 |
50521.8 |
4592.891 |
852025881.7 |
77456898.336 |
Признаки x и y |
|
|
|
|
Для y и x1 |
3546141.055 |
5058358.804 |
1883.12 |
2249.08 |
Для y и x2 |
60687497.559 |
5058358.804 |
7790.218 |
2249.08 |
Для x1 и x2 |
60687497.559 |
3546141.055 |
7790.218 |
1883.12 |
Матрица парных коэффициентов корреляции R:
- |
y |
x1 |
x2 |
y |
1 |
0.997 |
0.997 |
x1 |
0.997 |
1 |
0.998 |
x2 |
0.997 |
0.998 |
1 |
Проверим значимость полученных парных коэффициентов корреляции с помощью t-критерия Стьюдента. Коэффициенты, для которых значения t-статистики по модулю больше найденного критического значения, считаются значимыми.
Рассчитаем наблюдаемые значения t-статистики для ryx1 по формуле:
где m = 1 - количество факторов в уравнении регрессии.
По таблице Стьюдента находим Tтабл:
tкрит(n-m-1;α/2) = (9;0.025) = 2.262.
Поскольку tнабл > tкрит, то отклоняем гипотезу о равенстве 0 коэффициента корреляции. Другими словами, коэффициент корреляции статистически – значим.
Рассчитаем наблюдаемые значения t-статистики для ryx2 по формуле:
Поскольку tнабл > tкрит, то отклоняем гипотезу о равенстве 0 коэффициента корреляции. Другими словами, коэффициент корреляции статистически - значим.
Таким образом, связь между (y и xx1 ), (y и xx2 ) является существенной.
Наибольшее влияние на результативный признак оказывает фактор x2 (r = 1), значит, при построении модели он войдет в регрессионное уравнение первым.
Для несмещенной оценки дисперсии проделаем следующие вычисления. Несмещенная ошибка ε = Y - Y(x) = Y - X*s (абсолютная ошибка аппроксимации) (таблица 2.5).
Средняя ошибка аппроксимации:
Оценка дисперсии равна:
se2 = (Y - X*Y(X))T(Y - X*Y(X)) = 259706.31