Стандартные погрешности

Установите флажок, чтобы включить в выходной диапазон столбец стандартных погрешностей. Снимите флажок, чтобы получить выходной диапазон в виде одного столбца без значений стандартных погрешностей.

Результат прогноза объемов жилищного строительства методом скользящего среднего представлен на рис.3.17

Рис.3.17 – Прогноз методом скользящего среднего

Многофакторные модели позволяют одновременно учитывать воздействие нескольких факторов на уровень прогнозируемого показателя. Данные модели используются при прогнозировании макроэкономических показателей, показателей спроса на продукцию, себестоимости, цен, прибыли и др.

Применение уравнений регрессии в прогнозировании связано, как правило, с предположением о том, что тенденции, сложившиеся в прошлом, в основном сохранятся и в будущем. Поскольку такой гарантии нет, к таким моделям следует относиться с большой осторожностью. Однако любые исследования, обращенные в будущее, исходят из информации о прошлом и настоящем.

Приведем пример построения прогноза оценки комплексного состояния региона (города) на основе данных статистики по регионам России на примере Центрального федерального округа. Исходные данные приведены в Приложении 4. Там же приведены исходные данные по вариантам для выполнения практического задания.

Результаты обработки исходных данных приведены в таблице 3.6.

Таблица 3.6 – Значения коэффициентов парной корреляции

Проведя статистический анализ данных Центрального федерального округа, можно сказать, что основными факторами, влияющими на комплексную оценку, являются валовой региональный продукт, объем инвестиций на душу населения, уровень безработицы, основные фонды на душу населения, общий объем розничного товарооборота, коэффициент плотности автодорог, обеспеченность социальной инфраструктурой. Остальные факторы обладают достаточной степенью корреляционной зависимости от вышеперечисленных, поэтому исключаются из рассмотрения.

Анализ формы взаимосвязи между факторами проводится с помощью функции «Регрессия» пункта меню «Сервис», «Анализ данных». Результаты обработки исходных данных приведены на рисунке 3.18.

Рис.3.18 - Результаты регрессионного анализа

Проведя регрессионный анализ влияющих на комплексную оценку факторов, можно получить уравнение для определения зависимости комплексной оценки социально-экономического развития региона от характеристик региона (города).

, (3.33)

где К – комплексная оценка, баллы;

В – валовой региональный продукт (с учетом паритета покупательной способности) на душу населения, тыс.руб.;

И – объем инвестиций в основной капитал на душу населения, тыс.руб.;

У - уровень регистрируемой безработицы, % к экономически активному населению;

Т - общий объем розничного товарооборота и платных услуг (с учетом паритета покупательной способности) на душу населения, тыс.руб.;

Ф - основные фонды отраслей экономики (по полной балансовой стоимости, с учетом степени удорожания капитальных затрат) на душу населения, тыс.руб.;

P – плотность дорожной сети (коэффициент Энгеля);

С - сводный показатель уровня социального развития города (региона).

Значимость и достоверность полученной регрессионной модели обеспечивается расчетным значением F-критерия Фишера, равным 4, 84, что больше необходимого табличного значения.

Отдельными расчетами (или взаимосвязанными с помощью системы уравнений) на прогнозируемый период определяются значения В, И, У, Т, Ф, Р и С.

Тогда уравнение регрессии позволяет дать на тот же период прогноз величины комплексной оценки.

Вопросы для самопроверки:

1. Охарактеризуйте понятие и виды производственных функций.

2. Какими свойствами обладает функция Кобба-Дугласа?

3. Опишите механизм использования производственных функций в прогнозировании.