Регрессионный анализ влияния ВВП от первичной промышленности Китая

Получение линейного  модели прогнозирования регрессии  с одним неизвестным: Y= -6765.076143+ 11.53691489 X

 

Простой коэффициент  корреляции могут отразить линейную корреляцию между двумя переменными  и совместное направление изменения. Обычно r представляет образц коэффициента корреляции. Если уравнение регрессии уже сдало различные тесты, мы можем использовать регрессионной модели для прогнозирования. Так называемый прогноз, который является использованием прошлых и настоящих выборки информации метода. Потом мы используем метод экстраполирования, чтобы сделать количественную оценку возможных значений переменных.

г находится  в диапазоне от -1 до +1, -1 ≤г≤ 1. Если 0 <г <1, показывают, что существует положительной линейной корреляции  между X и Y; Если -1 <г<0, которые показывают, что существование отрицательной линейной корреляции между X и Y; Если г = +1, показывают, что совершенной положительной линейной корреляции между X и Y; Если г = -1, показывают, что совершенной отрицательной линейной корреляции между X и Y; Видимыми, когда ︳r ︳ = 1, значение Y полностью зависит от X. Если г = 0, показывают , что значения Y и X не имеют линейную корреляцию.

 

 

 

 

 

r =

= 0.99774746

Посмотрите  это результат, равно0.99774746.   Поэтому существует положительную линейную корреляцию между X и Y, следовательно, эта модель подходит лучше эффективности согласования.

 

Метод прогноза : точка прогноза

Точка прогноза является независимой переменной величины в модели прогнозирования регрессии рассчитывается прогнозируемое значение зависимой переменной.

Когда х = 20000 млрд юнань, получает результат Y в управнении регрессионной модели.

  Y= -6765.076143+ 11.53691489 X

       = -6765.076143+ 11.53691489 ×20000

       = 223973.2216 （млрд юань）

То есть, когда  первичная промышленность составила 20000 млрд юаней, валовой внутренний продукт (ВВП) достигнул 223973.2216 миллиарда долларов.

Рисунки 2 отражают линию тренда и уравнение регрессии на корреляционном поле зависимости Y от значений показателя X.

Прогноз поведения изучаемого экономического явления осуществляется подстановкой значения фактора X в оценку детерминирующей составляющей.

Регрессионная статистика показывает следующие результаты для пары Y - X:

 

Таблица 4.  Регрессионная  статистика
Множественный  R	0.997728182
R-квадрат	0.995461525
Нормированный R-квадрат	0.994326906
Стандартная ошибка	607.6326061
Наблюдения	6

 

 

 

 

 

 

 

 

 

 

 

Таблица 5. Дисперсионный  анализ方差分析

	df	SS	MS	F	Значимость F
Регрессия	1	323934061.3	323934061.3	877.3532216	7.73588E-06
Остаток	4	1476869.536	369217.384
Итого	5	325410930.8
	Коэффициенты	Стандартная ошибка	t-статистика	P-Значение
Y-пересечение	-6765.076143	1223.423416	-5.529627808	0.005225773
Переменная X	11.53691489	0.389495506	29.62014891	7.73588E-06

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Результаты  расчетов остатка предоставим в  следующей таблице

Таблица 6. Вывод  остатков

Наблюдение	Предсказанное Y	Остатки	Стандартные остатки
1	2152.957	89.04286	0.89793
2	2522.094	-118.094	-1.19089
3	2891.231	-28.5314	-0.28772
4	3260.369	109.8314	1.107567
5	3629.506	-106.906	-1.07806
6	3998.643	54.65714	0.551176

 

 

 

 

 

 

 

 

Графическое представление  остатков приведен на рисунке 3.

 

Рисунок 3. График остатков

 

 

Рисунок 4. График подбора

 

 

   

Рисунок 5. График нормального распределения

 

По результатам  расчетов установлено, что показатели регрессии не всегда являются логичны  и статистически значимы

Использование линейной регрессионной модели для анализа и прогнозирования зависимости ВВП от показателей первичной промышленности. Рассчитанные коэффициенты уравнения регрессии и уравнение в целом статистически значительны.

    Проверим  значимость параметров уравнения регрессии (для пары Y-X) с помощью t критерия Стьюдента Расчетные значения t критерия Стьюдента для коэффициента уравнения регрессии приведены в таблице

Табличное значение t критерия Стьюдента. tрасч= -13.8704 , так как tрасч>tтабл, то коэффициент а значим.

Потом мы смотрим F, F=0.000154, <0,05. Уравнение регрессии следует признать адекватным.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Заключение

Хотя в настоящее  время Китай в основном обеспечивает себя продуктами питания, перспектива  дальнейшего производства продовольствия представляется далеко не оптимистичной. При росте численности населения необходимость в увеличении производства пищевых продуктов будет сохраняться, а рост потребностей в кормовом зерне столкнется с необходимостью расширения производства удобрений, повышения расходов воды на орошение и ограниченностью земельных угодий, пригодных для сельскохозяйственного использования. По прогнозам западных специалистов, в 21 в. ежегодная потребность Китая в импортном зерне составит от 55 до 175 млн. т

Через наблюдение за первичной промышленности в 2005-2010 годах, мы пришли к выводу, что у них хорошая корреляция между первичной промышленностей и ВВП. Его вклад от ВВП нельзя кого особенно обвиняет, в то же время развитие впервой промышленности способствует прогресс третьей и второй промышленности.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

список использованных источников

 

1 "Китайский  статистический ежегодник в 2011 г"[Электронный ресурс]. – Минск, 2012. – Режим доступа: http://www.stats.gov.cn

/tjsj/ndsj/2011/indexch.htm

2 Экономический анализ Китая//Лю Вэй. Пекин: Пекинское университетское изд-во- 2011 г.

3 Основы линейного  регрессионного анализа//Бе ри, У  Сяоган. Шанхай: Gezhi изд-во -2011 г

4 Современный  метод регрессионного анализа// Mы Цанлин, Ван Нин. Пекин: научное изд-во.2012 г

5 Прикладный  регрессионный анализ//Ван Лимин. Шанхай: Фуданское университетское изд-во -2008 г

6 Экономическое  развитие Китая стратегия//Ли  Ценхин. Пекин: Общественное научное изд-во -2010 г

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

предложение

 

Таблица 1. Исходные данные для анализа (миллиатр юань)

Год	2005	2006	2007	2008	2009	2010
ВНД	18361,8	21588,3	26641,1	31527,4	34140,1	40326,0
ВВП	18493,7	21631,4	26581,0	31404,5	34090,2	40120,2
Первичная промышленность	2242,0	2404,0	2862,7	3370,2	3522,6	4053,3
Вторая  промышленность	8759,8	10371,9	12583,1	14900,3	15763,8	18758,1
Третья  промышленнось	7491,9	8855,4	11135,1	13134,0	14803,8	17308,7
Промышленность	7723,0	9131,0	11053,4	13026,0	13523,9	16086,7
Строительная  промышленность	1036,7	1240,8	1529,6	1874,3	2239,8	2671,4
ВВП на душу населения(Юань)	14185	16500	20169	23708	25608	29992