В качестве эндогенной переменной, была выбрана уровень занятости.

В
настоящее время выявление и учет факторов, влияющих на занятость
трудовых ресурсов, является одной из важнейших проблем в стране.
Предположим, какими потенциальными регрессорами занятость трудовых
ресурсов может объясняться:
1. Валовый региональный продукт, исчисляемая путем исключения из
суммарной валовой продукции объемов ее промежуточного потребления.
Предположительно, чем больше ВРП, тем больше уровень занятости;
2. Среднемесячная номинальная начисленная заработная плата
работников организаций, данный регрессор может показать зависимость
между начисленной заработной платы и занятостью в регионе. Чем больше
начисленной заработной платы, тем больше уровень занятости;
3. Численность безработных поможет сделать выводы о том, сколько
людей нуждается в работе и сколько процентов можно увеличить занятость
трудовых ресурсов. Тем самым, чем больше численность безработных, тем
меньше уровень занятости;
4. Средняя температура января, показывает на сколько увеличивается или
уменьшается занятость в зимний период времени. Предположительно, чем
больше температура января, тем меньше уровень занятости. Уровень
занятости во многих регионах зависит от времени года, например курортные
регионы;
5. Средняя температура июля, поможет показать на сколько увеличится
или уменьшится занятость в летний период времени. Предположительно,
чем больше температура июля, тем больше уровень занятости;
6. Число предприятий и организаций, на конец года, поможет увидеть, на
сколько число занятых задействовано в работе и оказывает занятость
трудовых ресурсов в регионе. Чем больше предприятий и организаций в
регионе, тем больше занятость;
7. Индекс потребительских цен. Предположительно, чем выше индекс
потребительских цен, тем выше уровень занятости.
 Проведем анализ, который может утвердить изложенное. Для начала
проанализируем данные на наличие выбросов. После построения попарных
диаграмм рассеяния, можно определить различные выбросы и возможные
зависимости.
80

70

60
Уровень занятости, %

50

40

30

20

10

0
100 150 200 250 300 350 400 450 500 550 600
ВРП на душу населения, тыс. руб.

Рис. 1 – Корреляционная связь между уровнем занятости и ВРП на

душу населения
На данном графике наблюдается положительная линейная связь с
1 выбросом.
80

70

60
Уровень занятости, %

50

40

30

20

10

0
15000 20000 25000 30000 35000 40000 45000
Среднемесячная номинальная начисленная заработная плата работников
организаций, рубль .

Рис. 2 – Корреляционная связь между уровнем занятости и

среднемесячной номинальной начисленной заработной платы
работников организаций
Можно сделать вывод, о том, что наблюдается отсутствие
корреляции.

80
70
60
Уровень занятости, %
50
40
30
20
10
0
0 00 00 00 00 00 00 00 00 00 00
000 000 000 000 000 000 000 000 000 000
2 4 6 8 10 12 14 16 18 20
Численность занятых, человек (на 1 января)

Рис. 3 – Корреляционная связь между уровнем занятости и

численностью занятых
На данном рисунке наблюдается положительная корреляция с
наблюдаемыми выбросом.

80
70
Уровень занятости, %

60
50
40
30
20
10
0
0 20 40 60 80 100 120
Численность безработных, тыс.чел.

Рис. 4 – Корреляционная связь между уровнем занятости и

численностью безработных
На данном рисунке наблюдается положительная корреляция с
наблюдаемыми выбросом.
 80
70

Уровень занятости, %
60
50
40
30
20
10
0
-25 -20 -15 -10 -5 0 5
Средняя температура января, °С

Рис. 5 – Корреляционная связь между уровнем занятости и средней

температурой января
На данном рисунке наблюдается более менее сильная
отрицательная корреляция.

80
70
Уровень занятости, %

60
50
40
30
20
10
0
10 12 14 16 18 20 22 24 26 28
Средняя температура июля, °С

Рис. 6 – Корреляционная связь между уровнем занятости и средней

температурой июля
На данном рисунке наблюдается более менее сильная
отрицательная корреляция.
 80
70

Уровень занятости, %
60
50
40
30
20
10
0
0 10000 20000 30000 40000 50000 60000 70000 80000 90000 100000
Число предприятий и организаций, на конец года

Рис. 7 – Корреляционная связь между уровнем занятости и числом

предприятий и организаций
На данном рисунке наблюдается более менее положительная
корреляция.

80
70
Уровень занятости, %

60
50
40
30
20
10
0
109 110 111 112 113 114 115 116
Индекс потребительских цен, в декабре к декабрю предыдущего года, в %

Рис. 8 – Корреляционная связь между уровнем занятости и индексом

потребительских цен
На данном рисунке наблюдается отсутствие корреляции, но в то
же время наблюдаемые выбросы объяснимы.
Далее была создана контролирующая выборка, которая содержит два
наблюдения (см. лист 2 «Удаление выбросов»).
Затем, проведем анализ мультиколлинеарности и отбор регрессоров по
обучающей выборке (см. лист 2 «Удаление выбросов). Во-первых, проверим
наличие мультиколлинеарности всего массива переменных (критерий «хи-
квадрат). В результате можно сделать вывод, о том, что 𝐹𝐺набл > 𝐹𝐺крит
(182,66>41,34), то в массиве объясняющих переменных существует
мультиколлинеарность. Так же мультиколлинеарность существует, так как
DerR = 0,000774, то есть приближен к 0. Во-вторых, проверив наличие
мультиколлинеарности каждой переменной с другими переменными, можно
сделать вывод, что Так как F1,F2,F3,F4,F5,F6,F7 > Fкрит, то пременные
Х1,X2,X3,X4,X5,X6,X7 мультиколлинеарны. В-третьих, после проверки
наличия мультиколлинеарности каждой пары переменных можно сделать
вывод, что не существует тесной взаимосвязи у переменной X2 и Х1- ВРП на
душу населения и среднемесячной начисленной заработной платы; Х6 и Х2 -
Среднемесячная номинальная начисленная заработная плата работников
организаций и Число предприятий и организаций, на конец года; Х4 и Х3 -
Численность занятых и Численность безработных; Х5 и Х3 - Средняя
температура января, °С и Численность безработных; Х6 и Х4 – Число
предприятий и организаций, на конец года и Численность занятых; Х7 и Х4 -
Средняя температура июля и Численность занятых; Х7 и Х5 - Средняя
температура июля и Средняя температура января.

Далее, был проведен метод отбора путем выведение итогов с помощью

регрессии и процедуры последовательного удаления. В первом варианте

наибольшее Р-значение показал ВРП на душу населения, удаляем. Второй
вариант наибольшего отклонения занимает переменная – численность
занятых, удаляем. Третье наибольшее отклонение Р-статистики занимает
среднемесячная номинальная заработная плата. Четвертое наибольшее
значение показала температура июля, удаляем. Далее численность
безработных составила 0,25, которое занимает наибольшее значение,
удаляем. Шестая наибольшая переменная составляет 0,45, что не
соответсвует правилам, удаляем. Далее индекс потребительских цен составил
0,14, удаляем. В итоге осталась одна переменная – средняя температура
января, которое составляет 0,0005, что < 0,05 – следовательно, осталась одна
переменная которая соответствует нормам. Можно сделать вывод, что если
средняя температура января увеличится на 1 единицу, то уровень занятости
снизится на 0,56 %.
На основе полученных данных можно вывести парную линейную
регрессионную модель : y=a0+а1*X1+e, а именно y=58,97-0,56x1+e
(1,39) (0,14) (2,43)
Далее проведем оценку полученной модели (см лист «Оценка»).
Анализ остатков на нормальность с помощью метода Дэвида-Хартли
Пирсона показал, что поскольку U (4,56)<U2 (4,89) то остатки признаются
нормально распределенными, в том числе так как U = 4,56 попадает в
интервал U1 и U2 (3,47 и 4,89). Для n =30, так как это ближайшее число от
31 наблюдения. Доверять т-статистики, ф-статистики, Дэвида-Хартли-
Пирсон можем.
Далее проведена оценка качества спецификации: проверка значимости
полученных параметров:
1. проверка с помощью t-статистик:
t0 (уровень занятости) =58,97/1,37=43,04 >tкрит.(2,05) следоватезльно
оценка а0 признается статистически значимой
t1 (средняя температура января) =-0,56/0,15=3,74>tкрит.(2,05)
следовательно оценка а1 признается статистически значимой
2. Проверка с помощью доверительного интервала
Доверительный интервал для а0 56,1299 61,803 поскольку в
доверительный интервал для 28 06 коэффициента не
попадает 0, то коэффициент a_0 признается
статистически значимым
Доверительный интервал для а1 -0,848536 -0,26556 поскольку в

доверительный интервал для коэффициента

не попадает 0, то коэффициент a_1 признается статистически значимым.
Так же F=15,28>Fкрит=2,05, следовательно модель признается значимой

Смысл полученной оценки коэффициента детерминации: 34,5 %

разброса у объясненной построенной модели.
Экономический смысл полученной модели говорит о том, что если
средняя температура января увеличится на 1 единицу, то уровень занятости
снизится на 0,56 %.
Далее определим тесноту связи между переменными с помощью
показателей корреляции (см. лист «Корреляция»). Исходя из анализа, можно
сделать вывод, что так как х1(средняя температура января)<rкрит, а именно,
-0,59<0,36, то, следовательно, отсутствует связь между переменными. Так же
благодаря тому, что в модели остались две переменные, то частные
коэффициенты находить не нужно.
Далее определим сравнительную оценку силы связи факторов с
результатом с помощью среднего коэффициента эластичности. В результате
анализа коэффициент эластичности равен 0,080, следовательно, если х
(средняя температура января) меняется на 1 процент, то у меняется уровень
занятости на 0,08 %.
Далее была выполнена проверка условий теоремы Гаусса-Маркова.
1. Тест Рамсея на функциональную форму показал, что так как F
(0,028)<F крит (3,354) то спецификация признается верной, оценка
коэффициентов не смещенные, моделью пользоваться можно.
2. Тест Голдфелда-Кванта на гомоскедастичность показал что, так как
GQ=0,996<Fкрит =3,438 и 1/GQ=1,004<Fкрит=3438, то остатки признаются
гомоскедастичными.
3. Тест Дарбина-Уотсона на некоррелированность случайных
возмущений показал, что так как DW=1,96, то она принадлежит интервалу
[DU;4-DU]=[1,49;2,51], это говорит о том, что автокореляции нет.
Далее построим доверительные интервалы для контролирующей
выборки. Для республики Коми определяется интервал 64,48959 76,61661
следовательно, значение 65,7 накрывается интервалом, то есть модель
признается адекватной.
Для Республики Башкортостан определен интервал 61,48878 71,93015
, следовательно значение 61,8 накрывается и значит
модель признается адекватной.