Анализ экономических показателей Финляндии

Цель анализа - установить степень однородности рядов данных. Проводится в среде MS Excel с помощью инструмента «Описательная статистика» Пакета анализа.

Этот инструмент дает возможность построить таблицу параметров описательной статистики для одного или более наборов входных данных. Для каждого набора входных данных в выходном интервале строится таблица со следующей информацией: Среднее, Стандартная ошибка, Медиана, Мода, Стандартное отклонение, Дисперсия выборки, Эксцесс, Асимметричность, Интервал, Минимум, Максимум, Сумма, Счет и Уровень надежности(доверительный интервал). Статистической обработке подвергается один или несколько наборов данных, располагаемых в интервале, ссылка на который задается в поле Входной интервал. Переключатель Группирование дает возможность уточнить, как размещаются данные: по столбцам или по строкам. Если столбцы или строки данных имеют метки, то при установленном флажке Метки в первой строке / Метки в первом столбце они используются в качестве заголовков столбцов статистических параметров выходной таблицы. Адрес верхней левой ячейки для этой таблицы задается в поле Выходной интервал. При установленном флажке Итоговая статистика создается подробная выходная таблица, установив соответствующие флажки, можно поместить в нее дополнительные данные.

Для нормальных и близких к нормальному распределений показатель интенсивности вариации служит индикатором однородности совокупности. Он вычисляется по формуле:

Принято считать, что при выполнимости неравенства совокупность является количественно однородной по данному признаку.

Выводы: Все показатели из групп «Экономика» имеют неоднородные ряды данных. В группе «Население» у всех показателей ряды однородные, то же самое можно сказать и про группу «Промышленность и сельское хозяйство». В группе «Труд и образование» только показатель «Расходы на образование» имеет неоднородный ряд, а остальные показатели имеют однородные ряды. В группе «Иностранная торговля и правительственные расходы» три показателя имеют неоднородные ряды и только показатель «Расходы на оборону» имеет однородный ряд.

2.3 Анализ временных рядов

Цель анализа - выявить закономерности распределения данных, построение тренда и осуществление прогноза на его основе. Проводится в среде MS Excel с помощью инструментов «Скользящее среднее» и «Экспоненциальное сглаживание» Пакета анализа.

Среднее скользящее значение относится к категории аналитических инструментов, которые, как принято говорить, "следуют за тенденцией". Его назначение состоит в том, чтобы позволить определить время начала новой тенденции, а также предупредить о ее завершении или повороте. Методы скользящего среднего предназначены для отслеживания тенденций непосредственно в процессе их развития, их можно рассматривать как искривленные линии тренда.

Простая и логически ясная модель временного ряда имеет следующий вид:

Y_t = b + е_t

где b -- константа, е - случайная ошибка. Константа b относительно стабильна на каждом временном интервале, но может также медленно изменяться со временем. Один из интуитивно ясных способов выделения значения b из данных состоит в том, чтобы использовать сглаживание скользящим средним, в котором последним наблюдениям приписываются большие веса, чем предпоследним, предпоследним большие веса, чем пред- предпоследним, и т.д.

Точная формула простого экспоненциального сглаживания имеет вид:

S_t = б y_t + (1 - б) S_t-1

Когда эта формула применяется рекурсивно, каждое новое сглаженное значение (которое является также прогнозом) вычисляется как взвешенное среднее текущего наблюдения и сглаженного ряда. Очевидно, результат сглаживания зависит от параметра б. Если б равен 1, то предыдущие наблюдения полностью игнорируются. Если б равен 0, то игнорируются текущие наблюдения. Значения б между 0 и 1 дают промежуточные результаты. Эмпирические исследования показали, что простое экспоненциальное сглаживание весьма часто дает достаточно точный прогноз.

Основным содержанием метода аналитического выравнивания временных рядов является расчет общей тенденции развития (тренда) как функции времени:

где - теоретические значения временного ряда, вычисленные по соответствующему аналитическому уравнению на момент времени t.

С помощью Microsoft Excel строить трендовые модели достаточно просто. Сначала эмпирический временной ряд следует представить в виде диаграммы одного из следующих типов: гистограмма, линейчатая диаграмма, график, точечная диаграмма, диаграмма с областями, а затем щелкнуть на диаграмме правой кнопкой мыши на одном из маркеров данных. В результате на диаграмме будет выделен сам временной ряд, а на экране раскроется контекстное меню. В этом меню следует выбрать команду (Добавить линию тренда). На экран будет выведено диалоговое окно. На вкладке Туре (Тип) этого диалогового окна выбирается требуемый тип тренда:

1. линейный (Linear);

2. логарифмический (Logarithmic);

3. полиномиальный, от 2-й до 6-й степени включительно (Polinomial);

4. степенной (Power);

5. экспоненциальный (Exponential);

6. скользящее среднее, с указанием периода сглаживания от 2 до 15 (Moving Average).

Проведем данный анализ для наиболее значимого показателя каждой группы.

В группе «Экономика» таким показателем является показатель - валовой национальный продукт.

Рис. 1. График скользящего среднего для показателя валовой национальный продукт

Рис. 2. График экспоненциального сглаживания для показателя валовой национальный продукт

Для того, чтобы выявить наилучшее уравнение тренда для показателя - валовой внутренний продукт построим график фактических значений данного показателя и добавим на него линии линейного, степенного и экспоненциального трендов с указанием уравнения и величины достоверности аппроксимации R².

Как видно, из рисунка 3, наиболее лучшей модель тренда является экспоненциальная модель с уравнением , так как имеет самую наибольшую величину достоверности аппроксимации R²=0,83.

По полученному уравнению рассчитаем прогнозные значения валового внутреннего продукта для 2011 и 2012 годов, которым имеют значения t=21 и t=20 соответственно.

2011 г.: млрд. долл.

2012 г.: млрд. долл.

Рис. 3. Линии трендов для показателя валовой национальный продукт

В группе «Население» таким показателем является показатель - численность населения, тыс. чел.

Рис. 4. График скользящего среднего для показателя численность населения

Рис. 5. График экспоненциального сглаживания для показателя численность населения

Для того, чтобы выявить наилучшее уравнение тренда для показателя - численность населения, построим график фактических значений данного показателя. Добавим на него линии линейного, степенного и экспоненциального трендов с указанием уравнения и величины достоверности аппроксимации R².

Рис. 6. Линии трендов для показателя численность населения.

Как видно, из рисунка 6, наиболее лучшей моделью тренда является экспоненциальная модель с уравнением , так как имеет самую наибольшую величину достоверности аппроксимации R²=0,9846.

По полученному уравнению рассчитаем прогнозные значения валового внутреннего продукта для 2011 и 2012 годов, которым имеют значения t=21 и t=22 соответственно.

2011 г.: тыс. чел.

2012 г.: тыс. чел.

2.4 Корреляционный анализ

Методами кластерного анализа решается задача разбиения (классификации, кластеризации) множества объектов таким образом, чтобы все объекты, принадлежащие одному кластеру (классу, группе) были более похожи друг на друга, чем на объекты других кластеров.

Метод средней связи Кинга является одним из важнейших иерархических агломеративных методов кластерного анализа. Процесс классификации состоит из элементарных шагов:

1. Поиск и объединение двух наиболее похожих объектов в матрице сходства.

2. Основанием для помещения объекта в кластер является близость двух объектов, в зависимости от меры сходства.

3. На каком-либо этапе ранее объединенные в один кластер объекты считаются одним объектом с усредненными по кластеру параметрами.

4. На следующем этапе находятся два очередных наиболее похожих объекта, и процедура повторяется с шага 2 до полного исчерпания матрицы сходства.

Универсальность метода

При использовании представленного здесь не возникает проблемы возможного несоответствия применяемой меры и шкалы измерения, т.к. метод оперирует не исходными объектами, а построенной матрицей сходства, по определению являющейся количественной. Координаты центра тяжести кластера вычисляются не по исходным данным - они являются продуктом манипуляций с матрицей сходства.

В качестве меры различия для метода средней связи используется любая из представленных в программе мер, чем и определяется универсальность метода для любых типов данных, в том числе для смешанных данных.

Результаты анализа

Список использованных источников

1. Диденко Н.И. «Мировая экономика: методы анализа экономических процессов»

2. Эконометрика: Учебник / Под ред. Н.И. Елисеевой. - М.: Финансы и статистика, 2001.

3. Ефимова М.Р., Петрова Е.В., Румянцев В.Н. и др. Общая теория статистики: Учебник. -- М.: Инфра-М, 2000

4. Анализ статистической совокупности в программе MS Excel: методические указания и задание к лабораторной работе №1. - Пенза: Информационно-издательский центр ПГУ, 2007. - 52 с.

5. http://www.stat.fi/index_en.html

6. http://www.nationmaster.com

7. http://unstats.un.org/unsd/snaama/introduction.asp

8. http://data.worldbank.org/indicator

Размещено на Allbest.ru