- •М. Переяслав-Хмельницький
- •Порядок виконання роботи
- •Рішення
- •Завдання 2
- •Рішення
- •1) При 0 | | 0,3 слабкий зв’язок;
- •Задача 3
- •Рішення
- •Задача . 4
- •Рішення
- •Змістовний модуль іі. Узагальнені економетричні методи і моделі Завдання5
- •Рішення
- •Завдання 6
- •Рішення
- •Завдання 7.
- •Рішення
- •Завдання 8.
- •Рішення
- •Завдання контрольної роботи Завдання 1
- •Завдання №2
- •Прогноз
- •Прогноз
- •Завдання 3
- •Завдання 4
- •Завдання5
- •Завдання 6
- •Завдання 7.
- •Завдання 8.
Рішення
1. Канонічний аналіз
Для канонічного аналізу скористуємось вбудованою програмою табличного процесора Excel Пакет Аналізу. Для цього в меню Сервіс виконаємо наступну послідовність дій: Сервіс - Аналіз Даних – Кореляція і виділимо всі стопці вхідних даних. В результаті отримаємо таблицю парних коефіцієнтів кореляції для вхідних стовпців.
Таблиця 3
Матриця парних коефіцієнтів кореляції завдання
Показники |
логістичні витрати |
виробничі |
волочильне відділення |
дільниця випалу |
дільниця обміднення |
дільниця пакування |
товарні запаси |
логістичні витрати |
1 |
|
|
|
|
|
|
виробничі |
0,61383236 |
1 |
|
|
|
|
|
волочильне відділення |
0,72924435 |
0,43824498 |
1 |
|
|
|
|
дільниця випалу |
0,76716434 |
0,50748806 |
0,660817446 |
1 |
|
|
|
дільниця обміднення |
0,36964965 |
0,40283843 |
0,353587493 |
0,3820764 |
1 |
|
|
дільниця пакування |
0,66112864 |
0,77496759 |
0,638337026 |
0,66427369 |
0,118881 |
1 |
|
товарні запаси |
0,50707378 |
0,09327439 |
0,202636042 |
0,70808275 |
-0,16057 |
0,340684 |
1 |
Аналіз парних коефіцієнтів кореляції дозволить обрати серед факторів майбутньої моделі найбільш суттєві.
Коефіцієнт парної кореляції тлумачиться наступним чином:
1) При 0 | | 0,3 слабкий зв’язок;
2) при 0,3 < | | 0,7 середній зв’язок;
3) при 0,7 < | | 1 тісний зв’язок.
Крім матеріальних запасів на дільниці обміднення необхідно перевірити гіпотезу про значущість даних коефіцієнтів кореляції. Табличне значення t – критерію дорівнює (для ймовірності 95%) 1,77. Фактичне значення значущості коефіцієнт розраховуємо за формулою:
Беремо тільки парні коефіцієнти кореляції для стовпця «Логістичні витрати». Розрахунки представлені у таблиці 4
Таблиця 14
Фактичні значення для t – критерію для парних коефіццєнтів кореляції
Витрати |
Логістичні витрати |
Виробничі запаси катанки |
2,45885335 |
волочильне відділення |
3,37020349 |
дільниця випалу |
3,78203191 |
дільниця оміднення |
1,25804032 |
дільниця пакування |
2,78655041 |
товарні запаси |
1,86042832 |
Аналізуючи дані таблиць 10.2 та 10.3 можна зробити висновок, що значущими коефіцієнтами парної кореляції є коефіцієнти між логістичними витратами та виробничими, волочильного відділення, дільниці випалу та дільниці пакування. Враховуючи, що серед цих пар всі коефіцієнти більше 0,6 то в майбутній регресії залишаться змінні:
— логістичні витрати, тис. грн.;
— виробничі запаси катанки, тис. грн.;
— запаси незавершеного виробництва волочильного відділення, тис. грн.;
— запаси незавершеного виробництва дільниці випалу, тис. грн.;
— запаси незавершеного виробництва дільниці пакування, тис. грн.;
2. Регресійний та дисперсійний аналіз.
В загальному регресійна модель буде мати вигляд:
,
Розглянемо розрахунок коефіцієнтів множинної лінійної регресії за даними, що характеризують залежність величини логістичних витрат від рівня матеріальних запасів.
В межах теорії регресійного аналізу зі застосуванням редактора Excel можна запропонувати метод побудови рівняння регресії на основі вбудованого блока Пакет Аналізу. Для цього виконуються команди:
«Сервіс» — «Надстройки» — активізувати «Пакет аналізу» (в меню «Сервіс» з’являється опція «Аналіз даних») і знову «Сервіс» — «Аналіз даних» — «Регресія» — «ОК». В електронній таблиці виникає діалогове вікно, в якому вказуються вихідні дані: адреса комірок ;адреса комірок ( ); рівень надійності (95%); вивід результатів на новий робочий лист (активізувати). Після команди «ОК» на новому робочому листі книги Excel з’являється розрахункова таблиця 5
Таблиця 5
Результати регресійного дисперсійного аналізу моделі
Регресійна статистика |
||||||
Множинний R |
0,852 |
|
|
|
|
|
R-квадрат |
0,726 |
|
|
|
|
|
Нормований R-квадрат |
0,570 |
|
|
|
|
|
Стандартна помилка |
54,136 |
|
|
|
|
|
Спостереження |
12,000 |
|
|
|
|
|
Дисперсійний аналіз |
||||||
|
df |
SS |
MS |
F |
Значущість F |
|
Регресія |
4,000 |
54412,448 |
13603,112 |
4,641 |
0,038 |
|
Остаток |
7,000 |
20515,321 |
2930,760 |
|
|
|
Усього |
11,000 |
74927,769 |
|
|
|
|
|
Коефіцієнти |
Стандартна помилка |
t-статистика |
P-Значення |
Нижня межа 95% |
Верхня межа 95% |
Y-перетин |
60,543 |
49,673 |
1,219 |
0,262 |
-56,916 |
178,002 |
Змінна X 1 |
0,012 |
0,012 |
0,999 |
0,351 |
-0,016 |
0,040 |
Змінна X 2 |
0,330 |
0,249 |
1,324 |
0,227 |
-0,260 |
0,920 |
Змінна X 3 |
0,225 |
0,151 |
1,487 |
0,181 |
-0,133 |
0,582 |
Змінна X 5 |
-0,041 |
0,145 |
-0,286 |
0,783 |
-0,384 |
0,301 |
Аналіз залишків |
||||||
Спостереження |
Розрахункове Y |
Остатки |
Стандартні остатки |
|
|
|
1 |
245,146 |
22,254 |
0,515 |
|
|
|
2 |
239,051 |
36,949 |
0,856 |
|
|
|
3 |
324,252 |
38,748 |
0,897 |
|
|
|
4 |
315,699 |
36,301 |
0,841 |
|
|
|
5 |
299,856 |
-23,056 |
-0,534 |
|
|
|
6 |
304,555 |
-80,655 |
-1,868 |
|
|
|
7 |
236,871 |
47,929 |
1,110 |
|
|
|
8 |
265,454 |
-54,954 |
-1,272 |
|
|
|
9 |
228,851 |
-22,351 |
-0,518 |
|
|
|
10 |
112,432 |
-20,432 |
-0,473 |
|
|
|
11 |
135,958 |
-24,858 |
-0,576 |
|
|
|
12 |
162,976 |
44,124 |
1,022 |
|
|
|
Регресійний аналіз побудованої у ході КРА множинної регресійної моделі здійснюється за допомогою наступних показників:
тісноти кореляційного зв’язку; точності; надійності;
Тіснота кореляційного зв’язку. Статистичний аналіз побудованої у ході КРА множинної регресійної моделі показує, що спостерігається досить тісний кореляційний зв’язок між результативною та чинниковими ознаками, оскільки коефіцієнт множинної кореляції близький до одиниці (R=0,85).
Точність. Абсолютною мірою точності побудованої парної моделі служить середня квадратична (стандартна) помилка регресії ( ).
Для нашого рівняння вона розраховується автоматично в процесі знаходження коефіцієнтів регресії =54,13 — табл.5, рядок «Стандартна помилка»). Можна дати таку рекомендацію по тлумаченню величини ( ): для одних і тих же вихідних даних менша стандартна помилка відповідає більш точній моделі. Середня квадратична (стандартна) помилка регресії (1) не дуже велика, тобто отримана модель є точною.
Для парної лінійної моделі ( = ), тобто коефіцієнт детермінації дорівнює квадрату коефіцієнта парної кореляції і показує частку варіації результативної ознаки ( ), що пояснюється чинником ( ). Для рівняння регресії коефіцієнт детермінації теж розраховується автоматично в процесі знаходження коефіцієнтів регресії ( =0,726 — табл.5., рядок «R-квадрат». Він показує, що 72,6% варіації логістичних витрат пояснюється зміною матеріальних запасів ( . На долю чинників, які не увійшли до рівняння (10.1), приходиться 22,8% варіації результативної ознаки ( ).
Для малих вибірок (N<20) при побудові будь-яких регресійних моделей знаходиться також нормований коефіцієнт детермінації ( ). Він завжди нижче за ( ) і враховує співвідношення числа спостережень (N) і кількості коефіцієнтів рівняння регресії (m). Для рівняння нашої регресії вибірка дійсно мала (N=12), тому доцільно розглянути нормований коефіцієнт детермінації. Його величина знаходиться автоматично в процесі знаходження коефіцієнтів регресії ( =0,57 — (табл. 5), рядок «Нормований R-квадрат»). Величина ( ) показує, що, не зважаючи на малу вибірку, регресійна модель (1) є досить точною: з урахуванням співвідношення (N і m) більше 58% варіації логістичних витрат пояснюється зміною величини трьох видів матеріальних запасів.
Надійність. Надійність побудованої моделі визначається надійністю множинних кореляційних зв’язків та надійністю окремих коефіцієнтів регресії.
Перевірка надійності окремих коефіцієнтів регресії проводилася в процесі виключення незначущих чинників по t-критерію Стьюдента при канонічному аналізі, тому всі змінні, що увійшли до рівняння, є надійними, суттєво відмінними від нуля.
Перевірка F критерію (стовпці «F критерій», значущість F). Фактичне значення цього критерію дорівнюватиме 4,6 . Адекватність моделі підтверджується двома фактами:
Перше, це значення менше ніж табличне 3,1, по-друге значущість по таблиці дорівнює 0, 038, що менше ніж 0,05 (95% ймовірність), отже модель адекватна статистичним даним.
Далі розраховуються %-ві нижні та верхні довірчі інтервали коефіцієнтів регресії ( ). Звичайно розглядаються 95%-ві довірчі інтервали коефіцієнтів, які наводяться у стовпчиках «Нижні 95%» і «Верхні 95%» (табл.5.
Після побудови рівняння регресії, що адекватно описує економічний об’єкт дослідження, перейдемо до його економічного аналізу.
Економічний аналіз
1) Оскільки значення ( , тобто нульові матеріальні запаси) в сучасних економічних умовах явище практично неможливе, тобто не входить в область визначення чинників, то величина коефіцієнта економічного змісту не має. Вона може тлумачитися тільки геометрично — це точка перетину гіперплощини регресії з віссю ОY.
2) Коефіцієнти регресії ( ) показують, як зі зміною відповідних матеріальних запасів на одну тисячу гривень змінюються в середньому логістичні витрати (у, тис. грн.). Так, ріст виробничих запасів катанки на 1 тис. грн. призводить до підвищення логістичних витрат в середньому на 12 грн., зростання запасів незавершеного виробництва волочильного відділення на 1 тис. грн. призводить до підвищення логістичних витрат в середньому на 300 грн., зміна товарних запасів дільниці випалу на 1 тис. грн. призводить до зміни логістичних витрат в середньому на 22,5грн, зміна товарних запасів дільниці незавершеного виробництва на 1 тис. грн. призводить до зменшення логістичних витрат в середньому на 41 грн. Тобто максимальний абсолютний вплив на величину логістичних витрат має розмір запасів незавершеного виробництва волочильного відділення.
3) Коефіцієнт еластичності показує, на скільки відсотків у середньому змінюється результативна ознака ( ) зі зміною чинника ( ) на один відсоток (у 1,01 рази). Розрахуємо коефіцієнти еластичності моделі:
100%=9,82%; 100%=31,68%
(2)
100%=38,44%; 100%=-5,250%.
Знайдені коефіцієнти еластичності показують, що зі зміною запасів катанки на 1% логістичні витрати змінюються в середньому на 9,8%, зростання запасів незавершеного виробництва волочильного відділення на 1% призводить до підвищення логістичних витрат в середньому на 31,68%, зміна товарних запасів дільниці випалу на 1% веде до зміни логістичних витрат в середньому на 38,44%, зміна товарних запасів товарів на 1% веде до зміни логістичних витрат в середньому на -5,25%. Тобто максимальний відносний вплив на величину логістичних витрат має розмір товарних запасів дільник випалу.
4) Щоб визначити середній вплив чинника ( ) на результативну ознаку ( ) з урахуванням ступеню коливання змінної ( ) розраховують бета-коефіцієнт ( ). Він показує, на скільки середніх квадратичних відхилень в середньому змінюється результативна ознака ( ) зі зміною чинника ( ) на одне своє середнє квадратичне відхилення.
Розрахуємо бета-коефіцієнти моделі :
(13)
Знайдені бета-коефіцієнти показують, що зі зміною запасів катанки на одне своє середньоквадратичне відхилення логістичні витрати змінюються в середньому на 0,315 своїх середньоквадратичних відхилень. Зростання запасів незавершеного виробництва волочильного відділення на одне своє середньоквадратичне відхилення призводить до підвищення логістичних витрат в середньому на 0,37 своїх середньоквадратичних відхилень. Зміна товарних запасів дільниці випалу на одне своє середньоквадратичне відхилення веде до зміни логістичних витрат в середньому на 0,43 своїх середньоквадратичних відхилень. Зміна товарних запасів дільниці незавершеного виробництва на одне своє середньоквадратичне відхилення веде до зміни логістичних витрат в середньому на -0,01 своїх середньоквадратичних відхилень Це означає, що на «Стальканаті» існують певні резерви зниження логістичних витрат за рахунок чинників, котрі моделюються. Причому максимальний резерв зниження величини логістичних витрат прихований у матеріальних запасів дільниці випалу.