Влияние различных факторов на валовой сбор сельскохозяйственных культур (по данным статистики Республики Казахстан)

 
 

    Посмотрев на вычисления, можно сделать вывод  о том, что темп роста за 2010 год, по сравнению с базисным годом (1995г) возрос в 3,30 раз. 

3. Темп  прироста

 

    Темп  прироста – это относительный  показатель, показывающий, на сколько  процентов данный уровень больше другого, принимаемого за базу сравнения.

    Можно рассчитать двояко:

    

                                         или  
 

    Таблица 13 – Темп прироста

 
 

    Вычисления  показали, что темп прироста в 2010 году по сравнению с 1995 годом возрос на 130%. 

    Обобщенной  характеристикой динамического  ряда может служить, прежде всего  средний уровень ряда У. он называется средней хронологической. Для разных видов рядов динамики средний  уровень рассчитывается неодинаково:

    В интервальном ряду абсолютных величин  с равными периодами средний  уровень рассчитывается как средняя  арифметическая простая из уровней  ряда.

    

    Ycp=∑Yi/n           è

     Аналогично определяется средний  уровень и в рядах средних  величин. Так не правильно. Нескольку  по другому рассчитывается средний  уровень для моментных рядов. Для моментного ряда, содержащего  n уровней с равными промежутками между моментами, средний уровень определяется по формуле:

    

    Эта средняя известна в статистике как  средняя хронологическая для  моментных рядов.

    Средний абсолютный прирост уровней рассчитывается как средняя арифметическая простая  из отдельных цепных приростов: 

4. Методы  выявления основной тенденции в рядах  динамики

 

    Методы  выявления основной тенденции в  рядах динамики уровня любого ряда – это результат взаимодействия самых разных факторов. При различных  сочетаниях зависимость уровней  ряда может принимать различные  формы. В одном случае факторы  в совокупности формируют его  возрастающую или убывающую тенденцию, а в другом подвержен циклическим  колебаниям. Иногда временные ряды не содержат тенденции и циклических  компонентов, то есть носят случайный  характер.

    В большинстве случаев реальные данные формируются под воздействием тенденции, сезонных колебаний и случайного компонента. Каждый их уровень формируется  под воздействием тенденции, сезонных колебаний и случайного компонента. Поэтому, чтобы сделать правильные выводы о закономерностях развития того или иного показателя, надо суметь отделить главную тенденцию изменения (тренд) от колебаний, вызванных случайными кратковременными причинами. Для этого ряды динамики подвергают обработке.

    Существует  несколько методов обработки  рядов динамики, а именно: метод  укрупнения интервалов, метод скользящей средней и аналитическое выравнивание. Во всех методах вместо фактических  уравнений при обработке ряда рассчитываются иные уровни, в которых  тем или иным способом взаимопогашается действие случайных факторов и тем  самым уменьшается колеблемость уровней. Последние в результате становятся как бы «выравненными», «сглаженными» по отношению к  исходным фактическим данным. Такие  методы обработки называются сглаживанием или выравниванием рядов динамики. 

1. Метод укрупнения интервалов

 

    Простейший  метод сглаживания уровней ряда – укрупнение интервалов времени, для которых определяется итоговое значение или средняя величина исследуемого показателя. Этот метод особенно эффективен, если первоначальные уровни ряда относятся к коротким промежуткам времени. Например, если имеются данные о ежесуточной или ежемесячной торговле или выпуске товаров. В таком ряду возможны значительные колебания уровней, так как чем меньше период, тем больше влияние случайных факторов. Чтобы устранить это влияние, рекомендуется укрупнить интервалы времени, например, ежедневные до 5 или 10 дней, ежемесячные на кварталы и т.д.

    В данном проекте данные даны в годах, поэтому метод укрупнения интервалов не будет использоваться в данном случае. 

2. Метод скользящей средней

 

    Здесь фактические уровни заменяются средними уровнями, рассчитанными  для последовательно подвижных укрупненных интервалов, охватывающих m уровней ряда. Например, если принять m=3, то сначала рассчитывается средняя величина из первых трех уровней, затем находится средняя величина из второго, третьего и четвертого уровней, потом из третьего, четвертого и пятого и т.д., то есть каждый раз в сумме трех уровней появляется один новый уровень, а два остаются прежними. Это и обусловливает взаимопогашение случайных колебаний в средних уровнях. Рассчитанные из m членов скользящие средние относятся к середине (центру) каждого рассматриваемого интервала.

    Рассмотрим  данный метод сглаживания на наших  данных. Здесь также сглаживания  будем осуществлять по трем уровням. Этот метод применим к фактору  У (валовой сбор).

     

3. Аналитическое выравнивание

 

    Более совершенный метод обработки  рядов динамики является выравнивание уровней ряда по аналитическим формулам. Суть аналитического выравнивания заключается  в замене фактических уровней  Yi теоретическими Yi*, который рассчитаны по определенному уравнению, принятому за математическую модель тренда, где теоретические уровни рассматриваются как функция времени: Yt=f(t).  
 
 

Заключение 

     Проведя корреляционно-регрессионный анализ над моделью, мы выявили следующее:

– Количество собранного урожая зависит от размеров посевной площади, чем больше посевная площадь, тем больше урожай. Исходя из этого  у нас: посевная площадь - это факторный признак Х, урожайность –результативный признак У.

– В ходе исследования мы выявили, что теснота связи  этих факторов тесная и положительная, так как r=0,83313.

– Далее, построив график, мы увидели, что зависимость  урожайности (У) от посевной площади (Х) характеризуется линейной функцией у=а+вх. На графике видно что урожайность  имеет тенденцию роста.

– Затем, определяем параметры модели регрессии. Они  равны: а=-62,379 и в=2,260   →   отсюда уравнение регрессии имеет  вид: у=-62,379+2,260*х. Значение параметра  b говорит о том, что при увеличении площади посева на 1 гектар, урожайность повысится на 2,260 центнеров.

– Затем мы проверили  модель регрессии на адекватность при  помощи:

1. Средней ошибки аппроксимации:   А=12,84   →  превышает 6-8%.
2. F-критерия Фишера:  F=43.114   →   Fтабл<Fфакт 
3. t-критерий Стьюдента:   t= 6,567   →    tтабл< tфакт

     Отсюда  следует, что модель регрессии надежна  и уравнение регрессии является адекватным. Т. е. полученное уравнение  достоверно описывает количественную зависимость факторов у и х.

–  Для того чтобы проверить значимость параметров модели регрессии, мы определили стандартные  ошибки:  ,      

– Нашли статистическую значимость параметров модели регрессии:

, 

– Затем нашли доверительные интервалы параметров регрессии:  -132,425<а<7,667  и 1,540<в<2,982

– Мы также составили  прогноз значений зависимой переменной у на 2 года вперед

         

     Посмотрев на прогнозные значения, можно сделать  вывод, что через год, т.е. в 2011 году, урожайность сельскохозяйственных культур повысится в среднем  на 2 центнера. Так же и год спустя снова, урожайность повысится на 2 центнера. Значит, урожайность сельскохозяйственных культур имеет тенденцию к  росту. А следственно, с каждым годом  увеличивая количество собранного урожая на 2 центнера, дело придет к стабилизации, так как урожайность с.х. продукции находится сейчас в убыточном состоянии.

     Относительно  всей модели в целом, можно сказать, что она вполне адекватна, и очень надежна. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Список  используемой литературы 

1. Рахметова Р.У. –Эконометрика,  Алматы 2011
2. И.И. Елисеева. Эконометрика.-М.: «Финансы и статистика», 2002
3. Рахметова Р.У. Краткий курс по эконометрике. Учебное пособие.

Алматы. 2008.-78с.

4. Емельянов И.Г. Эконометрия м прогнозирование. – М.: Экономика, 1985

207с

5. Статистические сборники
6. В.А. Колемаев, О.В. Староверов, В.Б. Турундаевский «Теория

 вероятностей и математическая статистика»/ М., 1991.

7. «Теория Статистики» под редакцией Р.А. Шмойловой/ «ФиС», 1998.
8. «Многомерный статистический анализ на ЭBM с использованием

пакета Microsoft Excel»/ М., 1997.

9. С.А. Бородич. /Эконометрика Минск ООО «Новое знание» 2001.
10. Кристофер Доугерти. Введение в эконометрику. –М., 1997
11. Рахметова Р.У. Краткий курс по эконометрике. Учебное пособие.

Алматы. 2008. – 78с.

12. А.А. Френкель, Е.В. Адамова «Корреляционно регрессионный