Прогнозирование потребления мяса и мясопродукции в пересчете на мясо на душу населения

     Пакет содержит следующие модули:

     Basic Statistic/Tables – Основные статистики и таблицы: позволяет провести предварительную обработку данных, осуществить разведочный анализ, определить зависимости между переменными, разбить их различными способами на группы;

     Nonparametrics/Distrib. – Модуль Непараметрическая статистика/Распределеня: дает возможность проверить гипотезы о характере распределения ваших данных;

     ANOVA/MANOVA – Модуль дисперсионного анализа: представляет собой набор процедур общего одномерного и многомерного дисперсионного и ковариационного анализа;

     Multiple Regression  - Модуль Множественная регрессия: помогает построить зависимости между многомерными переменными, подобрать простую линейную модель и оценить ее адекватность;

     Nonlinear Estimation – Модуль Нелинейное оценивание: предоставляет возможность определения нелинейной зависимости в данных и подгонки к ним функциональных кривых;

     Time Series/Forecasting – Анализ временных рядов и прогнозирование: общее назначение модуля – построить простую модель, описывающую ряд, сгладить его, спрогнозировать будущие значения временного ряда на основе наблюдаемых до данного момента, построить регрессионные зависимости одного ряда от другого, провести спектральный или Фурье – анализ ряда;

     Claster Analysis – Модуль Кластерный анализ: позволяет произвести сложную иерархическую классификацию данных или выделить в них кластеры;

     Data Management/MFM -  Управление данными: специализированный модуль, который содержит большое количество вспомогательных процедур по работе с данными (иерархическая сортировка, проверка, категоризация и ранжирование и др.);

     Factor Analysis – Модуль Факторный анализ: дает возможность сжать данные или выделить основные общие факторы, влияющие на наблюдаемые характеристики сложного объекта и объясняющие связи между ними;

     Canonical Analysis – Модуль Канонический анализ: включает в себя широкий набор процедур для выполнения канонического корреляционного анализа, исследования связи между двумя множествами переменных;

     Multidimensional Scaling – Модуль Многомерное шкалирование: помогает представить данные о близости объектов какой-либо простой пространственной моделью, в которой объекты интерпретируются, например, как города на обычной карте, а различия между ними есть просто расстояния, в частности данные о странах, политических партиях и т.д., и всесторонне диагностировать модель;

     SEPATH – Модуль Моделирование структурными уравнениями: позволяет строить и тестировать различные модели, объясняющие структуру связей между наблюдаемыми переменными;

     Reliability/Item Analysis – Модуль Анализ надежности: включает широкий набор процедур для разработки и вычислений надежности сложных объектов на основе результатов обследований и диагностики отдельных узлов;

     Discriminant Analysis -   Модуль Дискриминантный анализ: позволяет построить на основе ряда предположений классификационное правило отнесения объекта к одному из нескольких классов, минимизируя некоторый разумный критерий;

     Log-linear Analysis – Модуль Лог-линейный анализ: проводит анализ сложных многоуровневых таблиц;

     Survival Analysis – Модуль Анализ длительностей жизни: предлагает обширный набор методов анализа данных из социологии, биологии, медицины, так же, как процедуры, используемые в инженерии и маркетинге;

     Commmand Language (SCL) – Командный язык STATISTICA: позволяет автоматизировать рутинные процессы обработки данных в системе;

     STATISTICA File Server – позволяет быстро открыть для просмотра/редактирования   как графики и таблицы, так и отчеты.

     Выбор системы STATISTICA в качестве инструмента  для обработки данных может быть обусловлен возможностью проведения наиболее полного анализа, т.к.  система содержит все необходимые нам статистические процедуры.

     Основные  преимущества системы STATISTICA:

• содержит полный набор классических методов анализа данных: от основных классических методов статистики, до самых современных, что позволяет гибко организовывать анализ;
• является средством построения приложений в конкретных областях;
• отвечает всем стандартам Windows, что позволяет сделать анализ высокоинтерактивным;
• система может быть интегрирована в Интернет;
• поддерживает web-форматы:HTML, JPEG, PNG;
• данные системы STATISTICA  легко конвертировать в различные базы данных и электронные таблицы;
• поддерживает высококачественную графику, позволяющую эффективно визуализировать данные и проводить графический анализ;
• является открытой системой: содержит языки программирования, которые позволяют расширить систему, запускать ее из других Windows-приложений, например из Excel;
• используются разнообразные методы, позволяющие провести всесторонне исследование ретроспективных данных (в виде временных рядов);
• доступны различные возможности преобразования временных рядов;
• позволяют построить объективный прогноз данных, который включает в себя вычисление верхних и нижних границ, в которых, можно утверждать, что с определенной вероятностью лежат значения прогнозируемых показателей.

 
 
 
 
 
 
 
 
 

     4 Практическая часть 

     У нас имеются данные по потреблению мяса и мясопродуктов в пересчете на мясо на душу населения за последние 20 лет по полугодиям, РФ (кг):

     Необходимо  спрогнозировать сколько мяса будет потреблять россиянин в I и II полугодиях 2010 года. Будем использовать МНК, экспоненциальное сглаживание, модели Хольта, Бокса и Дженкинса. 

     4.1 Метод наименьших квадратов 

     4.1.1 Линейная модель МНК 

     Параметры линейной зависимости определяются в пакете MS Excel. При построении линии тренда была получена следующая зависимость: y= -0,0645*x+57,098 . Коэффициент детерминации для тренда линейного вида составляет 0,0093, что говорит об описании исходных данных линией тренда меньше, чем на 1 %.

     Это объясняется тем, что в связи  с нестабильной экономической ситуацией в стране, в 2000-е годы резко снизилось потребление мяса.

     

     Расчет  средней абсолютной и среднеквадратической ошибок модели:

 

     

=6,3543;  =59,3. 

     4.1.2 Полиномиальная модель  МНК 

     Полином второго порядка строится аналогично линейной функции с помощью метода наименьших квадратов и встроенным функциям ППП MS Excel. Уравнение тренда имеет вид: y=0,06365*х² – 2,6703*х + 75,338. Коэффициент детерминации равен 0,9661.

     

     Расчет  средней абсолютной и среднеквадратической ошибок модели: