А
Б В
Г Д
Е Ж
З И
К Л
М Н
О П
Р С
Т У
Ф Х
Ц Ч
Ш Э
Ю Я
Реферат: Использование компьютерных технологий в деятельности ОВД.
Использование компьютерных технологий в деятельности ОВД.
Министерство Общего и Профессионального Образования Самарский Государственный Аэрокосмический Университет Факультет экономики и управления Кафедра менеджмента
Курсовая работа по курсу Исследования Систем Управления на тему:
исследование зависимости производства ликеро-водочных изделий с экономическими показателями
Студента 7 факультета 3 курса Станина А. В. Научный руководитель Газиев Н. У.
Самара 1996
ПОСТАНОВКА ЗАДАЧИ.
ПЕРВИЧНЫЙ АНАЛИЗ ИСХОДНЫХ ДАННЫХ.
КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫЙ АНАЛИЗ.
Способ 1.
Способ 2.
МЕТОД ПРЕСС
МЕТОД ИСКЛЮЧЕНИЯ
МЕТОД ГЛАВНЫХ КОМПОНЕНТ
ПРОГНОЗИРОВАНИЕ
ЗАКЛЮЧЕНИЕ
Постановка задачи.
Определить существует ли зависимость между производством ликеро-водочных изделей (Y) и :
1- валовый сбор зерна (X1); 2 - валовый сбор сахарной свеклы (X2); 3- потребление пива (X3); 4- население России (X4); 5- потребление водки (X5). В случае обнаружения зависимости построить оптимальную модель, котороя могла бы быть пригодной для прогноза.
Первичный анализ исходных данных.
Анализ динамики производства ликеро-водочных изделий (Y) показывает, что за период наблюдения (N=21) минимальное производство был равно 138.1, а максимальным 209.2, тем самым изменение величины Y было в пределах 71.1. Вариация равная 12.2126% свидетельствует об однородности величины Y ( Анализ динамики валового сбора зерна (X1) показывает, что за период наблюдения (N=21) минимальный сбор был равен 248.1, а максимальным 356.3, тем самым изменение величины X1 было в пределах 108.2. Вариация равная 10.6046% свидетельствует об однородности величины X1 ( Анализ динамики валового сбора сахарной свеклы (X2) показывает, что за период наблюдения (N=21) минимальный сбор был равен 20812, а максимальный 33177, тем самым изменение величины X2 было в пределах 12365. Вариация равная 13.9157% свидетельствует об однородности величины X2 ( Анализ динамики потребление пива (X3) показывает, что за период наблюдения (N=21) минимальное потребление пива было 92.4, а максимальная 106.1, тем самым изменение величины X3 было в пределах 13.7. Вариация равная 3.8059% свидетельствует об однородности величины X3 ( Анализ динамики населения России (X4) показывает, что за период наблюдения (N=21) минимальное население было 130.1, а максимальное 147.4, тем самым изменение величины X4 было в пределах 17.3. Вариация равная 3.6811% свидетельствует об однородности величины X4 ( Анализ динамики потребления водки (X5) показывает, что за период наблюдения (N=21) минимальное потребление было 133.5, а максимальное 208.5, тем самым изменение величины X5 было в пределах 75. Вариация равная 11.4207% свидетельствует о однородности величины X5 ( Корреляционно-регрессионный анализ.
Анализ коэффициентов парной корреляции говорит о наличии интенсивной связи Y с Х5 (0.9834), средней с Х4 (-0.5315) -знак минус указывает на обратную зависимость- и Х3 ( -0.4266), слабой с Х2 (-0.1890) и Х1 (0.1176). Значит в модель стоит включить факторы Х3, Х4,Х5.
Следующим этапом идет проверка на мультиколлениарность,существует несколько способов данной проверки.
Способ 1.
При проверке на мультиколлениарность (коэффициенты частной корреляции и t-статистика) видно, что существует взаимосвязь между:
x1
x2
x3
x4
x2
x1
x1
x4
x4
x2
следовательно в модель включается Х5 и Х4, т.к. коэффициент парной корреляции Y-X4 (-0.5315) больше, чем коэффициенты парной корреляции Y-X1 (0.1170) и Y-X3 (-0.4266) и Y-Х2(-0.1890).
Способ 2.
Этот метод основан на анализе распределения корреляционной матрицы. Идея метода заключается в том что вводятся некоторые критерии на основе которого можно проверить о значимости отклонения корреляционной матрицы от ортогональной, для этого вводится величина:
Х^2= N-1-1/6(2*n+5)*ln|R|
по расчетам ХИ квадрат равно 80.469 больше табличного, значит между переменными существует мультиколлениарность. Для определения степени мультиколлениарности вводим величину:
W=(Cii-1)-(N-n)/(n-1)
где Сii - диагональный элемент матрицы обратной корреляционной.
Wii
Wii
f-критерий
W11
3.622
0.0139
W22
1.93
0.12648
W33
6.18
0.00081
W44
2.181
0.08999
W55
6.225
0.00077
Данная таблица указывает, что наиболее коллениарна Х2, затем Х4 и можно сказать что Х3 и Х5 вовсе не коллениарны. Следовательно в модель лучше включить Х3 и Х5, но проведенный последующий регрессионный анализ указывает что лучше включать в модель Х2 и Х3, т.е. производство ликеро-водочных изделий (Y) зависит от валового сбора сахарной свеклы (X2) и потребления пива (X3).
Анализ уравнения регрессии говорит, что при росте Х5 на 1 единицу в своих единицах измерения увеличит Y на 1.0552 единицы в своих единицах измерения, Отклонения основного тренда носят случайный характер, а данная модель определяет Y на 96.71% ( R-квадрат). Относительная ошибка апроксимации указывает об адекватности математической модели. Степень рассеянности Y мала (дисперсия=3.909). Распределение Y является нормальным, в ряду нет автокорреляции нельзя , а проверка на стационарность случайного компонента с помощью Х^2 (Х^2=10.04) указывает что коэффициенты корреляции неоднородны.
метод пресс.
Основан на выборе наилучшего уравнения регрессии для этого рассчитывают значения сумм квадратов расхождения:
Хi
отклонение
Хi
отклонение
Хi
отклонение
Хi
отклонение
Хi
отклонение
1
9174.74
12
5598.67
123
5589.96
1234
538.735
12345
185.547
2
8969.93
13
7329.06
124
545.654
1235
217.694
3
7608.97
14
2226.17
125
217.86
1245
185.690
4
6674.29
15
256.857
134
1176.13
1345
236.652
5
305.611
23
7607.95
135
240.845
2345
224.784
24
256.856
145
256.53
25
227.26
234
3506.0
34
5628.28
235
224.949
35
275.868
245
226.924
45
266.522
345
236.662
Из таблицы видно лучше всего взять модель 25 или 125.
модель
R2
дисперсия
25
0.9756
3.3709
125
0.9766
3.3005
Последующая проверка говорит, что модель 25 наиболее выгодна. Значит
производство ликеро-водочных изделий (Y) зависит от 2- валового сбора сахарной свеклы (X2), 5- потребления водки (X5) на 97.66%.
Метод исключения.
Метод исключения основан на анализе коэффициентов регрессионного уравнения при условии, что переменная при этом коэффициенте в модель была включена последней.
переменные в моделе
f-кри-
терий
переменные в моделе
f-кри-
терий
переменные в моделе
f-кри-
терий
переменные в моделе
f-кри-
терий
переменные в моделе
f-кри-
терий
Х1
3.1719
Х1
0.5331
Х1
0.7335
Х2
4.1314
Х2
1.7014
Х2
3.0429
Х2
1.8365
Х3
0.0115
Х3
0.0121
Х4
2.5988
Х4
8.6594
Х5
28.553
Х5
394.844
Х5
419.872
Х5
23.6498
Fкр
4.4100
Fкр
4.4100
Fкр
4.4100
Fкр
4.4100
Fкр
4.4100
Следовательно в модель включается только Х5. Данная модель определяет Y на 96.71%, значит потребление водки (X5) значительно влияет на производство ликеро-водочных изделий (Y).
Метод главных компонент.
Метод главных компонент был предложен К. Пирсоном в 1901 году, а в дальнейшем развит и доработан. Метод основан на стандартизации переменных для чего используют следующие формулы:
Zij=(Xij-Xiсред)Si ;
Si=[1/(n-1)*сумма(Xij-Xiсред)^2]^(1/2) ;
где Zij стандартизованные переменные;
Si стандартизированное отклонение.
В модели участвуют главные компоненты Wj, которые представляют собой следующее:
Wj=V1Z1+V2Z2+...+VrZr
где Vj собственный вектор, который удовлетворяет системе уравнений:
(Z’z-KI)*Vj=0
где Z’z корреляционная матрица;
КI характеристические корни уравнения | Z’z-KI|=0 .
Корреляция главных компонент показывает тесноту связи Хi с главными компонентами. Переменные Х1,Х2,Х4 имеют интенсивную связь с первой главной компонентой, а Х3 среднюю, вторая главная компонента интенсивно связана с переменной Х5. Следовательно валовый сбор зерна (X1), валовый сбор сахарной свеклы (X2), население России (X4), потребление пива (X5) имеют некоторую гипотетическую величину, зависимую от них. Модель полученная по методу главных компонент определяет величину Y на 87.43% ( R квадрат).
Прогнозирование.
Проведем прогнозы по полученным моделям и сделаем оценки прогнозов.
прогноз
Gt
Dср
Eпр-сред
K
KH
KH1
V
Vмю
Vs
Vl
регрессия от факторов
2.5273
1.552086
0.843786
0.13734
0.015911
0.0164
0.1373
0.008
0.009699
169.4348
регрессия от главных компонент
6.633742
4.78329
2.587049
0.360434
0.041764
0.0432
0.3604
0.002
0.076127
124.1527
экспоненциальное сглаживание
11.42036
7.739524
3.974608
0.62061
0.071899
0.0744
0.6206
0.006
0.169182
168.1134
метод гармонических весов
8.637442
3.711905
2.035688
0.46938
0.054378
0.0563
0.4693
0.018
0.074788
157.9697
регрессия от времени
16.61707
11.85095
6.213912
0.903012
0.104615
0.1083
0.903
0.012
0.169182
263.5587
Из данной таблицы видно, что наиболее точной моделью прогноза считается регрессия от факторов, т.к. Gt=2.5273. Eпр-сред указывает о точности высокой точности прогноза, К - о том что данная модель довольно сильно близка к эталонной (простая экстрополяция), КН - модель близка к совершенной, а КН1 - что модель лучше чем модель на уровне средней, V - что модель близка к простой экстрополяции, Vмю - что центральная тенденция определена точно, Vs - что отклонения фактических и прогнозных достаточно точно совпадают, Vl - слабая связь между прогнозными и фактическими значениями.
Заключение.
Основными выводами по проведенной работе можно считать следующее:
1- производство ликеро-водочных изделий (Y) имеет тенденцию к постоянному росту;
2 - наиболее сильно оно зависит от потребления водки (Х5) и от валовогосбора сахарной свеклы (X2) ;
3 - наиболее лучшей моделью для проведения прогноза служит модель полученная по корреляционно-регрессионному методу , которая на 97,66% описывает
производство ликеро-водочных изделий (Y);
4 - прогноз следует проводить по модели регрессии от факторов, характеристики которой наиболее достоверные;
5 - для построения наиболее точной модели следует рассмотреть большее количество факторов, влияние которых в большей мере бы определяло производство ликеро-водочных изделий (Y);
6 - влияние валового сбора зерна (X1), потребления пива (Х3) и населения России (Х4)фактически не существенно сказывается на изменение производства ликеро-водочных изделий (Y);
7 - полученная модель пригодна для прогноза лишь на краткосрочный период.
|
