ВВЕДЕНИЕ 3
ГЛАВА 1. ИССЛЕДОВАНИЕ МЕТОДОМ АДДИТИВНОЙ МОДЕЛИ С ФИКТИВНЫМИ ПЕРЕМЕННЫМИ 9
ГЛАВА 2. ИССЛЕДОВАНИЕ МЕТОДОМ СКОЛЬЗЯЩЕГО СРЕДНЕГО ... 24
ГЛАВА 3. ИССЛЕДОВАНИЕ ЗАВИСИМОСТИ ПРИ ИСКЛЮЧЕНИИ ФАКТОРА ВРЕМЕНИ 32
3.1. Метод включения фактора времени в уравнение регрессии 38
3.2. Метод последовательных разностей 51
3.3. Метод отклонения от тренда 64
ЗАКЛЮЧЕНИЕ 72
СПИСОК ЛИТЕРАТУРЫ 74
ПРИЛОЖЕНИЕ
Купить

Эконометрика - научная дисциплина, объединяющая совокупность теоретических результатов, приемов, методов и моделей, предназначенных для того, чтобы на базе
1. экономической теории;
2. экономической статистики;
3. математико-статистического инструментария
придавать конкретное количественное выражение общим (качественным) закономерностям, обусловленным экономической теорией [1].
Иными словами, эконометрика позволяет на базе положений экономической теории и исходных данных экономической статистики, используя необходимый математико-статистический инструментарий, придавать конкретное количественное выражение общим (качественным) закономерностям [5].
В современной эконометрике существуют два основных направления: теоретическое и прикладное. Целью теоретической эконометрики является развитие методов оценки количественных и качественных экономических взаимосвязей. Прикладная эконометрика занимается применением статистического инструментария для анализа экономических проблем различного уровня.
Основной инструмент анализа - описательная модель. Изучение механизма формирования выделенного явления сводится к построению описательной модели этого явления и статистическому оцениванию параметров созданной модели с последующими формулировками выводов по данной модели. Описательная модель - это уравнение (или система уравнений), при-
ближенным способом, представляющее основные количественные зависимости между рассматриваемыми моделями.
Переменную, процесс формирования значений которой нас интересует, будем обозначать у и называть зависимой или объясняемой. Переменные, которые, как мы предполагаем, оказывают влияние на переменную у, будем обозначать и называть независимыми или объясняющими.
Описательную модель, представляющую зависимость переменной у от переменных х±) х2 ,.. ., хп, можно записать в общем виде как:
у = f (хъх2 ,...,хп, s'),
где f- означает аналитическую форму функции объясняющих переменных, которая определяется в процессе построения модели; s - случайные отклонения модели. Функция f - регрессионная функция, линия, которую эта функция описывает в пространстве - линия регрессии.
Если зависимость объясняемой переменной у от объясняющих переменных имеет линейный характер, то мы имеем дело с описа
тельной моделью вида
У — fio + Piх1 + Р 2х2 " 1" Рпхп + s ■
После отбрасывания случайных отклонений получаем уравнение
У — р0 + р1 х1 + Р 2х2 " " Рпхп>
в котором у означает ожидаемое значение объясняемой переменной у, то есть прогноз.
Под прогнозом понимается научно обоснованное описание возможных состояний объектов в будущем, а также альтернативных путей и сроков достижения этого состояния. Процесс разработки прогнозов называется прогнозированием.
Прогнозирование - это вид познавательной деятельности человека, направленной на формирование прогнозов развития объекта, на основе анализа тенденций его развития.
Прогнозирование должно отвечать на два вопроса:
1. что вероятнее всего можно ожидать в будущем?
2. Каким образом нужно изменить условия, чтобы достигнуть заданного состояния?
Прогнозирование является важным связующим звеном между теорией и практикой во всех областях жизни общества. В зависимости от характера воздействия на ход исследуемых процессов и от степени конкретности различают три формы предвидения: гипотезу, прогноз и план. Эти формы предвидения тесно связаны в своих проявлениях друг с другом и с исследуемым объектом в системе управления и планирования, представляют собой последовательные ступени познания поведения объекта в будущем.
Прогнозы можно подразделять в зависимости от целей, задач, объектов, времени упреждения, методов организации прогнозирования, источников информации и т.д.
Проблема прогнозирования является актуальной темой, так как любая целенаправленная последовательность действий, которую хотелось бы осуществить, требует использования прогноза. Например, в своей деятельности любая организация должна ориентироваться не только на свое состояние в данный момент времени, но и уметь рационально оценить свое состояние в будущем. Это необходимо ей для оценки и предотвращения рисков в будущей деятельности, также для достижения конкурентных преимуществ в соперничестве с другими компаниями. Поэтому прогнозирование связано с двумя важными факторами такими, как целенаправленность и планирование.
При планировании необходимо объективно оценивать: реальную полезность прогнозирования, т.е. как может быть использован прогноз в дан-
ных условиях; реальные возможности разработки прогноза, т.е. какими способами в данных условиях может быть получен прогноз.
Статистические методы прогнозирования - научная и учебная дисциплина, к основным задачам которой относятся разработка, изучение и применение современных математико-статистических методов прогнозирования на основе объективных данных.
Процесс прогнозирования, опирающийся на статистические методы, распадается на два этапа:
1. Индуктивный этап заключается в обобщении данных, наблюдаемых за некоторый период времени, и в представлении соответствующих статистических закономерностей в виде модели. Статистическую модель получают в виде аналитически выраженной тенденции развития или в виде уравнения зависимости от одного или нескольких факторов - аргументов.
2. Прогноз, является дедуктивным. На этом этапе на основе найденных статистических закономерностей определяют ожидаемое значение прогнозируемого признака.
Найденные с помощью статистических методов прогностические оценки являются важным материалом.
Работа посвящена исследованию количества отдыхающих в санатории «Кленовая гора» Республики Марий Эл за 7 лет в период с 2011 по 2017 года и их прогнозированию на следующий год, также исследованию числа процедур за 17 лет в период с 2001 по 2017 года статистическими методами.
В первой главе мы исследуем данные по количеству отдыхающих за семь лет с 2011-2017 гг. и строим помесячный прогноз на следующий 2018 год методом аддитивной модели с фиктивными переменными.
Во второй главе, используя те же самые данные по числу отдыхающих за семь лет, исследуем и строим помесячный прогноз на следующие два года, то есть на 2018 и 2019 гг. методом скользящего среднего.
В третьей главе используются данные по количеству принятых процедур за семнадцать лет в период с 2001 по 2017 гг. Она посвящена исследованию взаимосвязей по временным рядам.
Модели, построенные по данным, характеризующим один объект за ряд последовательных периодов, называются моделями временных рядов. Временной ряд - это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов [6].
В общем случае каждый уровень временного ряда содержит три основные компоненты: тенденцию (Т), циклические или сезонные колебания (S) и случайную компоненту (E). Если рассматриваемые временные ряды имеют тенденцию, коэффициент корреляции по абсолютной величине будет высоким, что в данном случае есть результат того, что х и у зависят от времени, или содержат тенденцию.
Исследование зависимости при исключении фактора времени проводится тремя методами:
1) включение фактора времени в уравнение регрессии;
2) последовательные разности;
3) отклонение от тренда.
Сущность всех методов исключения фактора времени из уравнения регрессии заключается в том, чтобы устранить или зафиксировать воздействие тенденции на формирование уровней ряда.
С данными для исследования можно ознакомиться в 1-ой главе (Таблица 1) и в 3-ей главе (Таблица 8), которые были собраны из архивных документов санатория «Кленовая гора» Республики Марий Эл.
Цель работы:
• используя данные по количеству отдыхающих с 2011 по 2017 гг., дать помесячный прогноз методом аддитивной модели с фиктивными переменными на 2018 год и методом скользящего среднего на 2018 и 2019 гг.;
• выбрать наилучший метод для прогноза;
• исследовать зависимость данных по количеству принятых отдыхающими процедур за 2001 по 2017 гг. при исключении фактора времени методом включения фактора времени в уравнение регрессии, методом последовательных разностей и методом отклонения от тренда.
Методы исследования.
В работе используются классические методы эконометрики на основе математической статистики, такие как метод наименьших квадратов, использование различных статистических тестов, проверки гипотез.
Теоретическая и практическая значимость.
Результаты дипломной работы носят прикладной характер. Особенностью представленных в дипломе результатов является применение статистических методов исследования к данным экономического характера.
Апробация работы.
Результат метода аддитивной модели с фиктивными переменными был представлен на итоговой студенческой научной конференции КФУ в апреле 2018 года.

Купить