2

Курсовая работа

по дисциплине

на тему

Динамика ВВП РФ, статистический анализ

Санкт-Петербург

2007

Содержание

• Содержание 2
• Введение 3
• Глава 1. Показательный тренд 5
• 1.1. Построение регрессии 7
• 1.2. Дисперсионный анализ для линейной регрессии 10
• 1.3. Эластичность показательной регрессии 11
• 1.4. Изучение качества линейной регрессии 11
• Доверительные интервалы для оцененных параметров 11
• Критерий Фишера значимости всей регрессии 12
• 1.5. Колеблемость признака 13
• 1.6. Прогноз 15
• Глава 2. Моделирование сезонности ВВП 17
• Глава 3. Индексный анализ 19
• Глава 4. Полиномиальная регрессия 20
• 4.1. Построение регрессии 21
• 4.2. Коэффициенты эластичности 23
• 4.3. Стандартизованные коэффициенты 24
• 4.4. Парные коэффициенты корреляции 24
• 4.5. Частные коэффициенты корреляции 24
• 4.6. Множественный коэффициент корреляции 25
• 4.7. Коэффициент детерминации 25
• 4.8. Колеблемость признака 25
• 4.9. Сезонность 26
• 4.10. Доверительные интервалы для параметров регрессии 28
• Заключение 29
• Список использованных источников 30

Введение

В последние годы в эконометрической литературе большое внимание уделяется исследованию рядов динамики макроэкономических показателей. Разнообразные содержательные задачи экономического анализа требуют использования статистических данных, характеризующих исследуемые экономические процессы и развернутых во времени в форме временных рядов. При этом нередко одни и те же временные ряды используются для решения разных содержательных проблем.

Настоящая работа посвящена исследованию ряда динамики ВВП России.

Проблема эконометрического исследования макроэкономических процессов является весьма актуальной. В последнее время появилось достаточно большое количество работ, в которых рассматриваются различные эконометрические аспекты развития российской переходной экономики. В ситуациях, когда временной ряд формируется под воздействием некоторого набора случайных и неслучайных факторов, анализ отдельных временных рядов, как результирующих, так и факторных, имеет огромное значение.

Пятнадцатилетний период перехода России к рыночной экономике наряду с ростом понимания экономических последствий принятия тех или иных политических решений сопровождался и накоплением статистических данных о динамике различных макроэкономических показателей. По мере накопления таких данных появляется возможность выявления и изучения долговременных связей между различными макроэкономическими показателями внутри российской экономики, возможность проведения сравнительного анализа динамики аналогичных макроэкономических переменных в Российской Федерации и других развитых и развивающихся странах, возможность выявления долговременных связей между такими переменными и построения эконометрических моделей таких связей [16].

Построенные модели обычно используется для экстраполяции или прогнозирования временного ряда, и тогда качество прогноза может служить полезным критерием при выборе среди нескольких альтернативных моделей. Построение хороших моделей ряда необходимо и для других приложений, таких, как корректировка сезонных эффектов и сглаживание.

Некоторые элементы структуры ряда иногда можно выявить уже на основании простого визуального анализа графика ряда Это относится, например, к таким компонентам ряда, как тренд и циклы, сезонные колебания [2]..

Сезонные колебания - это устойчивые циклические изменения показателей (в данном случае ВВП), повторяющиеся из года в год. Они включают в себя две группы факторов: сезонные явления и другие системные воздействия. Сезонные явления - это регулярные явления, сохраняющие ежегодно свои сроки, направления и масштаб (погодные условия зимы-лета, ежегодные праздники). Другие системные воздействия - тоже явления устойчивые и предсказуемые, но повторяющиеся ежегодно не с такой точностью (число рабочих дней в периоде, праздники, приходящиеся на разные даты).

Слагаясь под совместным воздействием систематических и случайных факторов, уровень ряда динамики испытывает также воздействие причин, обусловленных периодичностью колебаний.

В рядах внутригодичной динамики, можно выделить три важнейшие составляющие колеблемости уровней временного ряда: тренд, сезонную и случайную компоненты.

Таким образом, при анализе колеблемости динамических рядов наряду с выделением случайных колебаний возникает и задача изучения периодических колебаний. Как правило, изучение периодических («сезонных») колебаний необходимо с целью исключения их влияния на общую динамику для выявления «чистой» (случайной) колеблемости.

В широком понимании к сезонным относят все явления, которые обнаруживают в своем развитии отчетливо выраженную закономерность внутригодичных изменений, т.е. более или менее устойчиво повторяющиеся из года в год колебания уровней. Часто эти колебания могут быть не связаны со сменой времен года. К сезонным явлениям относят, например, потребление электроэнергии; неравномерность производственной деятельности в отраслях пищевой промышленности, связанных с переработкой сельскохозяйственного сырья; перевозки пассажирским транс-портом, спрос на многие виды продукции и услуг и т.д [15].

Как бы ни проявлялась сезонность, она наносит большой ущерб национальной экономике, связанный с неравномерным использованием оборудования и рабочей силы, с неравномерной загрузкой транспорта, необходимостью создания резервов мощностей и т.д. Комплексное регулирование сезонных изменений по отдельным отраслям должно основываться на исследовании сезонных отклонений.

Важнейшими задачами, решаемыми в ходе исследования сезонности, являются следующие [5]:

1) определение наличия сезонности, численное выражение проявления сезонных колебаний и выявление их силы и характера в различных фазах годичного цикла;

2) характеристика факторов, вызывающих сезонные колебания;

3) оценка последствий, к которым приводит наличие сезонных колебаний;

4) математическое моделирование сезонности.

Цель работы: применить некоторые методы для изучения сезонности ВВП в России.

Глава 1. Показательный тренд

Построим показательный тренд ВВП. Используем данные таблицы (в млрд.руб) [14].

Таблица 1. Данные к работе

X[i] - номер квартала. Так X[1] - 1-й квартал 2001г, X[2] - 2-й квартал 2001г. и т.д.

Приведем массив данных

Обозначим ln(f)=y, ln(a)=alpha, ln(b)=beta

Получим

Оценим линейную регрессию

1.1. Построение регрессии