Действительно, проверка временных последовательностей показала, что наблюдению 5, соответствующему Минску в 1998 г., присущ самое низкое значение уровня рентабельности, а наблюдению 17, соответствующему Гомельской области в 2000 г., - повышение уровня рентабельности, что находится в противоречии с общей тенденцией снижения рентабельности регионов Белоруссии в этот период. Следовательно, необходимо «отремонтировать» выборку, исключив эти наблюдения из анализа.
14. В результате повторения цикла процедур регрессионного анализа в [1] получена регрессионная модель (3), включающая те же предикторы — временную переменную t, измеренную в годах, и соотношение начисленной номинальной среднемесячной заработной платы и минимального потребительского бюджета, % (х6):
у = 0,226 - 1,205t + 0,04326х6. (3)
Модель (3) объясняет 76,3% общей дисперсии и характеризуется стандартной ошибкой аппроксимации 0,70%. Коэффициент корреляции между переменной t и соотношением начисленной номинальной среднемесячной заработной платы и минимального потребительского бюджета хотя и значим статистически, но его значение 0,500 меньше критического 0,7-0,8, что позволяет удержать оба предиктора в модели.
15. Визуальный просмотр графиков «Наблюдения - предсказанные значения» и «Остатки - предсказанные значения» показал адекватность модели, что позволяет так интерпретировать коэффициенты регрессии:
а) значимый фактор, определяющий снижение рентабельности регионов Белоруссии в 1998-2001 гг., - фактор t; значение бета-коэффициента при временной переменной -0,995 превышает его значение при предикторе «соотношение начисленной номинальной среднемесячной заработной платы и минимального потребительского бюджета», равное 0,642;
б) экономический смысл коэффициента регрессии при факторе t - среднегодовой темп прироста уровня рентабельности по регионам Белоруссии, составляющий -1,205%;
в) экономический смысл коэффициента регрессии при предикторе «соотношение начисленной номинальной среднемесячной заработной платы и минимального потребительского бюджета» - средний абсолютный прирост уровня рентабельности при увеличении этого соотношения на 1 % (например, повышение благосостояния населения регионов республики на 10% сопровождается повышением уровня рентабельности в среднем на 0,43%);
г) наблюдаемому размаху соотношения начисленной номинальной среднемесячной заработной платы и минимального потребительского бюджета в 84,4% (от 103,2 до 187,6%) отвечает расчетное изменение уровня рентабельности на 3,65% в сторону его роста, в то время как временные изменения составляют 3,62% в сторону снижения уровня рентабельности.
Можно предположить, что, несмотря на ухудшение общего состояния производства в регионах Белоруссии в анализируемый период, адекватная социальная политика будет способствовать улучшению этого важного макроэкономического показателя.
16. Выполненный анализ отнюдь не является полным. Опыт показывает, что одному и тому же явлению или процессу могут отвечать несколько конкурирующих эконометрических моделей [7-9].
В нашем случае эффективной может оказаться модель смешанной регрессии, объединяющая авторегрессию с «обычной» регрессией [5].
Улучшения прогностических характеристик модели можно достичь и обоснованным преобразованием переменных. Однако уже представленный выше материал убедительно показывает, что мало иметь хороший программный продукт анализа данных, а более важно – проводить тщательный анализ выборочных данных, особенно в ситуациях с малыми выборками, и устанавливать рациональную спецификацию модели.
Простое формальное применение современного инструментария не гарантирует успеха эконометрического моделирования: оно может порождать иллюзии и приводить к необоснованным выводам. Реальность, как правило, достаточно проста, но непросто выразить ее в адекватной экономико-математической модели.
Литература
1. Шуметов В.Г, Сельскова Т. Эконометрические модели уровня рентабельности региона // Инвестиции в России. - 2005, № 3.
2. БююльА., Цёфель П. SPSS: Искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. - СПб.: ООО «ДиаСофтЮП», 2002.
3. Герасенко В. П. Методы многомерного анализа в исследовании региональной дифференциации // Вопросы статистики. 2004. № 11.- С. 48-57.
4. Доугерти К. Введение в эконометрику. - М.: Инфра-М, 1997.
5. Тюрин Ю. Н., Макаров А. А. Анализ данных на компьютере: Учеб. пособие по курсу «Прикладная статистика» / Под ред. В. Э. Фигурнова. — М.: Инфра-М, Финансы и статистика, 1995.
6. Фурсов В. А., Чудилин А. Г., Ханунов А. И. Применение согласованных оценок для прогноза развития промышленности города по малым объемам данных // Вопросы статистики. 2004. № 11. С. 57-62.
7. Шуметов В. Г. Анализ данных в управлении: Курс лекций. Т. 1. Введение в анализ данных. - Орел: ОРАГС, 2004.
8. Шуметов В. Г. Кластерный анализ в региональном управлении. - Орел: ОРАГС, 2001.
9. Шуметов В. Г., Гайдамакина И. В. Эконометрика: курс лекций для студентов экономических специальностей. - Изд. 2-е, исправл. и доп. - Ч. 1, 2. - М.: Открытый институт МГУДТ, 2004.
10. «SPSS Base 8.0» для «Windows». Руководство пользователя. - М.: «СПСС Русь», 1998.
Контрольные вопросы
1. Как вы оцениваете рассмотренную ситуацию? Какова роль эконометрических исследований, и в чем их суть?
2. Что такое мультиколлинеарность, и как следует поступать при ее обнаружении?
3. Что характеризуют бета-коэффициент, дельта-коээфициент и коэффициент эластичности?
4. Проведите эконометрический анализ аналогичной ситуации по Тульскому региону за 1992-2006 гг. Получите модель с учетом мультиколлинеарности, оцените ее адекватность, точность и надежность.
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.