Основы экономического прогнозирования (Вариант 3, АлтГУ)

Дата изготовления: ноябрь 2021 года. 

 Работа была успешно сдана - заказчик претензий не имел.

Итоговая работа №1

Корреляционно-регрессионный анализ в экономическом прогнозировании

Задание 1. Парный корреляционный анализ

Данные Федеральной службы государственной статистики об уровне безработицы населения и валовом региональном продукте за 2016 год по регионам Приволжского федерального округа РФ показаны в Таблице 1.

Таблица 1 – Исходные данные 

Регион Уровень безработицы населения в возрасте 15-72 лет, % Валовой региональный продукт на душу населения, руб.

Республика Башкортостан 5,8 328 820,8

Республика Марий Эл 6,0 231 610,2

Республика Мордовия 4,2 249 649,0

Республика Татарстан 3,8 498 606,1

Удмуртская Республика 5,2 350 598,3

Чувашская Республика 5,3 210 771,7

Пермский край 5,8 416 203,6

Кировская область 5,4 226 392,1

Нижегородская область 4,3 356 725,8

Оренбургская область 4,9 384 169,7

Пензенская область 4,6 259 365,9

Самарская область 4,1 396 379,0

Саратовская область 5,1 258 970,2

Ульяновская область 4,6 259 138,2

Определите отсутствие или наличие линейной корреляционной взаимосвязи между валовым региональным продуктом и уровнем безработицы.

1. В программе Excel постройте точечную диаграмму и выдвиньте гипотезу о характере связи между рассматриваемыми переменными.

2. Рассчитайте коэффициент корреляции.

3. Проверьте значимость коэффициента корреляции.

4. Составьте уравнение регрессии и на его основе рассчитайте значения прогнозного показателя на следующий год.

5. Сделайте выводы.

Задание 2. Расчет множественного коэффициента корреляции

Имеются данные о пяти макроэкономических показателях (инфляция, денежная масса, процентная ставка по кредитам, индекс ММВБ, цена нефти) за 2019 год.

Таблица 3 – Данные о макроэкономических показателях

Период

2019 г. Процентная ставка по кредитам, выданным физлицам на срок свыше 1 года, %  Инфляция, % Денежная масса, млрд руб. Индекс ММВБ Цена нефти марки Brent, USD/баррель

 y x1 x2 x3 x4

январь 13,22 5,00 47109,3 1086,80 60,76

Февраль 13,08 5,24 45721,2 1211,23 64,58

Март 13,19 5,27 46212,6 1187,35 67,04

Апрель 13,17 5,17 46141,2 1214,29 71,27

Май 13,31 5,13 46435,9 1238,05 70,71

Июнь 13,10 4,66 46735,3 1315,22 62,45

Июль 13,05 4,59 47349,4 1401,64 63,87

Август 12,81 4,33 47351,0 1346,40 59,42

сентябрь 12,58 3,99 47584,1 1309,22 61,82

Октябрь 12,40 3,77 48266,8 1329,37 59,32

Ноябрь 12,17 3,54 48082,4 1455,44 62,52

Декабрь 11,77 3,05 49195,3 1432,81 62,21

Определите совместное влияние на процентную ставку четырех оставшихся показателей. 

Итоговая работа №2

Прогнозирование сезонных изменений

Имеются данные по средним потребительским ценам на белокочанную капусту за 2016-2019 годы.

Таблица 7 – Данные по ценам

Год Квартал Ср.потребит. цены на капусту белокочанную, руб.

2016 I 24,27

 II 24,88

 III 11,66

 IV 12,52

2017 I 17,42

 II 55,06

 III 12,75

 IV 13,78

2018 I 19,41

 II 38,23

 III 15,71

 IV 18,93

2019 I 41,55

 II 31,92

 III 15,02

 IV 17,54

На основе анализа показателя в программе Excel построить прогноз продаж на будущий год поквартально, используя два метода прогнозирования сезонных изменений:

1) модель с аддитивной компонентой;

2) модель с мультипликативной компонентой.

Сравнить полученные результаты, величину ошибки прогнозов (по среднеквадратическому отклонению), сделать выводы.