МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ ТЕХНОЛОГИЧЕСКИЙ
УНИВЕРСИТЕТ «МИСИС»

ИНСТИТУТ ЭКОНОМИКИ И УПРАВЛЕНИЯ ПРОМЫШЛЕННЫМИ ПРЕДПРИЯТИЯМИ

ИМЕНИ ВЛАДИМИРА АНДРЕЕВИЧА РОМЕНЦА
КАФЕДРА Промышленного менеджмента
НАПРАВЛЕНИЕ 38.03.01 Экономика

Курсовая работа по дисциплине «Статистика»

на тему: «Статистическое исследование выборки»

Студент _______________________________________ Трейстарь Д.М.

Группа: БЭК-20-1
Руководитель работы _______________________________________ Богачев А.С.
Работа защищена _______________________________________
Оценка _________________

Москва 2022__
 1 Описательная статистика

В качестве исходных данных были взяты значения за период с 1995 по 2020 года по
следующим макроэкономическим показателям Республики Молдова (таблица 1):
1) Валовой внутренний продукт, постоянные цены (млрд. $);
2) Совокупные инвестиции, % от ВВП;
3) Совокупный государственный доход, % от ВВП;
4) Валовые национальные сбережения, % от ВВП;
5) Численность населения, млн человек.

Таблица 1 – Исходные данные

Год Валовый Совокупные Валовые Совокупный Численност
внутренний инвестиции, национальные государственны ь
продукт, % от ВВП сбережения, % й доход, % от населения,
постоянные от ВВП; ВВП млн
цены (млрд. человек.
$)
1995 6,48 24,877 19,006 39,442 2,97
1996 6,097 24,245 12,922 35,872 2,96
1997 6,195 23,814 9,556 38,48 2,95
1998 5,792 25,873 6,145 37,572 2,946
1999 5,595 22,884 17,09 30,379 2,941
2000 5,713 25,46 17,99 30,479 2,934
2001 6,061 23,282 21,474 29,163 2,928
2002 6,534 21,66 20,469 29,56 2,92
2003 6,965 23,178 16,607 33,974 2,911
2004 7,481 26,359 24,584 35,401 2,906
2005 8,041 30,826 23,269 38,56 2,897
2006 8,428 32,748 21,411 39,878 2,89
2007 8,681 38,106 22,858 42,86 2,883
2008 9,358 39,228 23,116 40,628 2,879
2009 8,796 23,142 14,219 38,917 2,876
2010 9,421 23,601 16,7 31,918 2,873
2011 9,969 24,049 13,927 30,513 2,873
2012 9,91 24,199 16,807 31,737 2,873
2013 10,807 24,938 19,775 30,877 2,871
2014 11,347 26,219 20,243 31,807 2,869
2015 11,308 23,595 17,604 29,962 2,845
2016 11,807 21,982 18,409 28,571 2,824
2017 11,362 22,778 17,034 29,841 2,78
2018 12,893 25,615 15,037 30,126 2,73
2019 13,371 25,35 16,065 29,922 2,682
2020 12,261 23,864 16,177 31,369 2,634

2
 Первым делом определим наличие значимых и незначимых выбросов.

Выбросы определяются через анализ значений – попадают ли они или нет в пределы
так называемых «внутренних границ» и «внешних границ». Значение, лежащее вне
«внутренних границ», классифицируется как «незначительный выброс», в то время как
значение, находящееся за «внешними границами», классифицируется как «значительный
выброс». Чтобы найти внутренние границы, необходимо умножить межквартильный
диапазон на 1,5; результат нужно прибавить к Q3 и вычесть из Q1. Межквартильный
диапазон рассчитывается как Q3-Q1.
Нахождение внешних границ делается таким же образом, как для внутренних
границ, за исключением того, что межквартильный диапазон умножается на 3, а не на 1,5.
Результат нужно прибавить к Q3 и вычесть из Q1. Два найденных числа являются
внешними границами набора данных.

Таблица 2 – Определение внутренних и внешних границ для поиска выбросов

Показатель Валовый Совокупные Валовые Совокупный Численность
внутренний инвестиции, национальные государствен населения,
продукт, % от ВВП сбережения, % ный доход, % млн человек
постоянные от ВВП; от ВВП
цены (млрд. $)
Q1 6,494 23,360 16,093 30,189 2,870
Q3 11,183 25,809 20,413 38,253 2,926
Q3-Q1 4,689 2,448 4,3195 8,064 0,057
1,5∙(Q3- 7,034 3,672 6,479 12,096 0,085
Q1)
3∙(Q3-Q1) 14,068 7,345 12,959 24,191 0,170
Внутренн -0,540 19,688 9,614 18,094 2,785
ие 18,217 29,481 26,898 50,349 3,011
границы
Внешние -7,574 16,016 3,135 5,998 2,700
границы 25,251 33,153 33,371 62,444 3,096

Анализ показал, что в исходных выборках у показателей «Совокупные инвестиции»

(за 2005–2006 года), «Валовые национальные сбережения» (за 1997–1998 года) и
«Численность населения» (за 2018 год) имеются незначительные выбросы. Однако, так
как коэффициент вариации по каждой выборки находится в пределах 33%, исключать
данные показатели не будем.
Также были зафиксированы значительные выбросы у показателей «Совокупные
инвестиции» (за 2007–2008 года) и «Численность населения» (за 2019–2020 года).

3
Исключим значения за указанные года, так как они выходят за пределы внешних границ
выборки. Не будем учитывать их в дальнейшем исследовании.
Самый простой графический способ проверки характера распределения данных –
построение гистограммы. Если гистограмма имеет колоколообразный симметричный вид,
можно сделать заключение о том, что анализируемая переменная имеет примерно
нормальное распределение.
Построим гистограмму распределения частот.
По формуле Стерджесса рассчитаем количество интервалов:
k =1+3,32· lg ( n )=1+3,32 ·lg ( 26 )=5,698 , то есть количество интервалов выбираем
равное 6 (n – количество элементов в выборке).
Определим параметры для построения гистограмм.

Таблица 3 – Параметры для построения гистограмм

Валовый
Валовые Совокупный Численност
внутренний Совокупные
национальны государстве ь населения,
Показатель продукт, инвестиции,
е сбережения, нный доход, млрд
постоянные цены % от ВВП
% от ВВП; % от ВВП человек.
(млрд. $)
Коэффициент
0,282 0,102 0,240 0,129 0,0157
вариации
Максимально
13,371 32,748 24,584
е значение 42,86 2,97
Минимальное
5,595 21,66 6,145 28,571 2,73
значение
Ширина
1,296 1,848 3,07316667 2,382 0,04
интервала
5,595 21,66 6,145 28,571 2,73
6,891 23,508 9,218 30,953 2,77
8,187 25,356 12,291 33,334 2,81
Границы
9,483 27,204 15,365 35,716 2,85
интервалов
10,779 29,052 18,438 38,097 2,89
12,075 30,9 21,511 40,479 2,93
13,371 32,748 24,584 42,86 2,97

4
 Внутренний валовый продукт Совокупные инвестиции
9 12
8 10
7
8
6
5 6
Частота

Частота
4 4
3
2
2
1 0
0 8 6 4 2 ,9 е
50 35 20 05 30 Ещ
6,891 8,187 9,483 10,77912,075 Еще 2 3, 2 5, 2 7, 2 9,

Валовые национальные Совокупный государственный

сбережения доход
12 12
10 10
8 8
6
6
Частота

4 Частота
2 4
0 2
67 33 45 67 33 е 0
6 3 36 6 3 Ещ
66 33 5, 66 83 25 3 4 55 7 85 е
81 29
1 1
43
7
51
0
95 ,3 71 ,0
9
47 Ещ
21 2, 8, 1, 0, 33 5, 38 0,
9, 1 1 2 3 3 4

Численность населения
10
9
8
7
6
Частота

5
4
3
2
1
0
2,77 2,81 2,85 2,89 2,93 Еще

Рисунок 1 – Гистограммы показателей

5
 Внутренний валовый продукт Совокупные инвестиции
3.5
2
3
1.5 2.5
1 2
1.5
0.5
1
0 0.5
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
-0.5 0
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
-0.5
-1
-1
-1.5 -1.5

Валовые национальные Совокупный государственный

сбережения доход
2 2.5
1.5 2
1
1.5
0.5
0 1
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
-0.5 0.5
-1 0
-1.5 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
-0.5
-2
-2.5 -1
-3 -1.5

Численность населения
2
1.5
1
0.5
0
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5
-0.5
-1
-1.5
-2
-2.5
-3

Рисунок 2 – Q-Q графики показателей

6
 Другим очень часто используемым графическим способом проверки характера
распределения данных является построение графиков квантилей. На таких графиках
изображаются квантили двух распределений – эмпирического и теоретически ожидаемого
стандартного нормального распределения. При нормальном распределении проверяемой
переменной точки на графике квантилей должны выстраиваться в прямую линию,
исходящую под углом 45 градусов из левого нижнего угла графика. Графики квантилей
особенно полезны при работе с небольшими по размеру совокупностями, для которых
невозможно построить гистограммы, принимающие какую-либо выраженную форму.

Рисунок 3 – Блочные гистограммы показателей

7
 При работе с выборками малого объема приходится ограничиться применением
более простых и грубых критериев, используемых в качестве «прикидочных» при
большом объеме выборочных данных. Они основаны на использовании коэффициента
вариации, среднего абсолютного отклонения, размаха варьирования, показателей
асимметрии и эксцесса. Более или менее уверенный вывод о подтверждении гипотезы
нормальности на основе данных малой выборки можно сделать только при получении
положительных результатах проверки несколькими критериями этой группы.
Проведем пример расчета по критерию для показателя «Валовой внутренний
продукт, постоянные цены (млрд. $)».

Таблица 4 – Подготовка данных для критерия среднего абсолютного отклонения

Валовой внутренний продукт, ¿ x i−x∨¿

Год
постоянные цены (млрд. $)
1995 6,48 2,43053846
1996 6,097 2,81353846
1997 6,195 2,71553846
1998 5,792 3,11853846
1999 5,595 3,31553846
2000 5,713 3,19753846
2001 6,061 2,84953846
2002 6,534 2,37653846
2003 6,965 1,94553846
2004 7,481 1,42953846
2005 8,042 0,86853846
2006 8,428 0,48253846
2007 8,681 0,22953846
2008 9,358 0,44746154
2009 8,796 0,11453846
2010 9,421 0,51046154
2011 9,969 1,05846154
2012 9,91 0,99946154
2013 10,807 1,89646154
2014 11,347 2,43646154
2015 11,308 2,39746154
2016 11,807 2,89646154
2017 12,362 3,45146154
2018 12,893 3,98246154
2019 13,371 4,46046154
2020 12,261 3,35046154

Таблица 5 – Данные для критерия среднего абсолютного отклонения

8
 Показатель Значение показателя
n

∑ ¿ x i−x∨¿ ¿ 55,775
i=1
n

∑ ¿ x i−x∨¿
i=1
САО= ¿
n
2,1452
Стандартное отклонение 2,5134

| САО
Sn
−
2
π√| 0,0556
0,4
√n 0,0784

Для теоретического нормального распределения отношение САО к стандартному

отклонению равно √ 2/π . Для выборки, имеющей приближенно нормальный закон
распределения, должно выполняться соотношение

| САО
Sn
−
√|
2 0,4
<
π √n
0,0556 ¿0,0784, следовательно гипотеза о нормальности распределения по критерию
САО может быть принята.

Проверка по размаху варьирования

Проведем расчет по критерию для показателя «Валовой внутренний продукт,

постоянные цены (млрд. $)».
R
Рассчитывается критериальное отношение , которое сопоставляется с
Sn
критическими значениями верхней и нижней границ для различных уровней значимости.
Если рассчитанное отношение лежит в пределах границ, гипотеза о нормальности
распределения принимается, если же оно меньше нижней границы или больше верхней –
гипотеза отвергается.
Критериальное значение составило 3,094, что ниже допустимых границ при
вероятности ошибки в 5 %. Следовательно гипотеза о нормальности распределения по
размаху варьирования отвергается.

9
 Проверка с помощью показателей асимметрии и эксцесса

Проведем расчет по критерию для показателя «Валовой внутренний продукт,

постоянные цены (млрд. $)».
Величины асимметрии и эксцесса для выборки могут быть рассчитаны с помощью
следующих формул

n
√ n ∙ ∑ ( x i−x)3
i=1
g 1=
√¿¿ ¿¿

n
n ∙ ∑ (x i−x )4
i=1
g2= ¿¿¿

Несмещенные оценки G1 и G2 для g1 и g2 соответственно рассчитываются как

G 1= √
n(n−1)
∙ g1 ;
n−2

n−1
G 2= ∙ ( ( n+1 ) ∙ g 2+ 6 ) ;
( n−2 )( n−3 )

а их среднеквадратические отклонения SG и SG 1 2

SG =
1
√ 6 n (n−1)
(n−2)(n+1)(n+3)
;

√
2
24 ∙ n∙( n−1)
SG = .
2
(n−3)(n−2)(n+3)(n+5)

Гипотеза нормальности исследуемого распределения может быть принята, если

совместно выполняются условия ¿ G 1∨≤ 3 S G и ¿ G2∨≤ 5 S G . В противном случае гипотеза
1 2

должна быть отвергнута.

10
Таблица 5 – Показатели для проверки с помощью показателей асимметрии и эксцесса
Показатель Значение показателя
g1 0,228
g2 -1,272
G1 0,242
G2 -1,283
SG 1
0,456
SG 2
0,905

В анализируемом ряде данных условие выполнено, следовательно гипотеза о

нормальности распределения подтверждается.

|0,242|≤ 1,367
и ¿−1,283∨≤ 4,524

Таблица 6 – Допустимость гипотезы о нормальности распределения

Валовый
Числен-
внутренний Валовые Совокупный
Совокупные ность
продукт, национальные государств-
Показатель инвестиции, населения,
постоянные сбережения, % енный доход,
% от ВВП млрд
цены (млрд. от ВВП; % от ВВП
человек.
$)
Проверка по
коэффициент Допустимо Допустимо Допустимо Допустимо Допустимо
у вариации
Критерий
среднего
Допустимо Недопустимо Допустимо Недопустимо Допустимо
абсолютного
отклонения
Проверка по
размаху Недопустимо Недопустимо Допустимо Допустимо Допустимо
варьирования
Проверка с
помощью
показателей Допустимо Допустимо Допустимо Недопустимо Допустимо
асимметрии и
эксцесса
Q-Q график Допустимо Недопустимо Допустимо Недопустимо Допустимо

Таким образом можно сделать вывод о нормальности распределения показателей

«Совокупные инвестиции, % от ВВП» и «Численность населения, млн человек».
Показатели отсеивались следующим образом. На первом этапе смотрелся
показатель вариации. Если он превышал 0,33 – показатель автоматически исключался.
Далее осуществлялась проверка с помощью 3 методов. В случае, если 2 из них показывали

11
неудовлетворительный результат – показатель исключался. И третий этап – проверка по
Q-Q графику. Наглядные выводы по гистограммам не учитывались, так как гистограммы
способны правильно преподносить данные, только если количество элементов выборки
превышает 50.

12
 2 Изучение взаимосвязи данных

При изучении взаимосвязи двумерных данных следует придерживаться трех

основных целей:
1) Описание и понимание взаимосвязи (При изучении сложной системы важно
знать, какие факторы наиболее тесно взаимодействуют друг с другом, а какие вообще не
оказывают влияния друг на друга);
2) Прогнозирование и предсказание нового наблюдения (Понимание некоторой
взаимосвязи может позволить использовать информацию об одном из измерений для
более качественного предсказания другого измерения);
3) Регулирование и управление процессом (Когда требуется вмешаться в какой-либо
процесс (например, регулирование уровня производства, вводя некоторые
технологические изменения или новый тип обслуживания), необходимо определить объем
этого вмешательства. Если существует непосредственная взаимосвязь между
вмешательством и результатом и имеется понимание данной взаимосвязи, то такое знание
может помочь выполнить оптимальное регулирование).
Существуют два базовых инструмента, с помощью которых анализируют
двумерные данные: корреляционный анализ, позволяющий оценить степень взаимосвязи
между двумя факторами (если такая взаимосвязь вообще существует), и регрессионный
анализ, показывающий, как можно предсказать или управлять одной из двух переменных
с помощью другой.
Когда приходится иметь дело с двумерными данными, следует нарисовать
диаграмму рассеяния, которая позволяет увидеть структуру. Так же как гистограмма
отображает структуру одномерных данных (нормальное распределение, асимметрия,
выбросы и т.д.), диаграмма рассеяния показывает все, что происходит с двумерными
данными. Если данные содержат какие-то проблемы (например, выбросы или какие-либо
неожиданные особенности), зачастую единственный способ их обнаружения состоит как
раз в анализе соответствующей диаграммы рассеяния.
Диаграмма рассеяния представляет каждое наблюдение в пространстве двух
измерений, соответствующих двум факторам. Диаграмма рассеяния позволяет определить
тип взаимосвязи данных: линейный, нелинейный и отсутствие связи.
В данной работе рассмотрено пять макроэкономических показателей: численность
населения, валовые национальные сбережения, совокупный государственный доход,
валовый внутренний продукт и совокупные инвестиции. В дальнейшем будет
установлены типы возникающих между ними взаимосвязей.
13
 Показатель «Численность населения» — это моментная величина, отражающая
количественные размеры общества, проживающего на территории страны, в данной
работе – Молдовы. Один из исходных базисных показателей при анализе социально-
экономической ситуации, сложившейся в любой стране мира.
Показатель «Валовые национальные сбережения» характеризует часть валового
национального располагаемого дохода, которая не была израсходована на конечное
потребление товаров и услуг, сохранившись в качестве средств сбережения.
Показатель «Совокупный государственный доход» отражает величину денежных
средств, которые поступают в соответствии с действующим законодательством в
государственный бюджет Молдовы.
Показатель «Валовый внутренний продукт» отражает общую денежную стоимость
всех конечных товаров и услуг, произведенных и проданных в Молдове за определенный
период времени.
Показатель «Совокупные инвестиции» отражает пополнение национального
основного фонда зданий, оборудования, программного обеспечения и государственных
запасов.
Возьмем за ключевой показатель численность населения и определим типы
взаимосвязей, возникающих между ним и другими макроэкономическими показателями
(рис.1).

14
 Численность населения и Валовые национальные сбережения
3
2.95
2.9
2.85
2.8
2.75
2.7
2.65
2.6
5 10 15 20 25 30

Численность населения и Совокупный государственный доход

3
2.95
2.9
2.85
2.8
2.75
2.7
2.65
2.6
26 28 30 32 34 36 38 40 42 44

Численность населения и ВВП, пост. цены

3
2.95
2.9
2.85
2.8
2.75
2.7
2.65
2.6
4 5 6 7 8 9 10 11 12 13 14

Численность населения и Совокупные инвестиции

3
2.95
2.9
2.85
2.8
2.75
2.7
2.65
2.6
20 25 30 35 40 45
Рисунок 3 – Диаграммы рассеяния численности населения с иными показателями

15
 Линейная взаимосвязь играет такую же особую роль для двумерных данных, как и
нормальное распределение для одномерных данных. Линейная взаимосвязь проявляется в
двумерной совокупности данных, если точки на диаграмме рассеяния случайным образом
концентрируются вокруг прямой линии.
Взаимосвязь в двумерной совокупности данных полностью отсутствует, если
соответствующая диаграмма рассеяния точек носит совершенно случайный характер.
В двумерной совокупности данных присутствует нелинейная взаимосвязь, если
точки на диаграмме рассеяния группируются вокруг некоторой кривой, а не вокруг
прямой линии. Поскольку разновидностей такого рода кривых может быть чрезвычайно
много, анализ такой взаимосвязи существенно сложнее. Применительно к некоторым
задачам бывает полезно преобразовать одну или обе переменные таким образом, чтобы
получить между ними линейную взаимосвязь.
Таким образом мы можем сделать вывод, что связь между показателями ВВП и
численностью населения – линейная, между численностью населения и другими
показателями – отсутствующая.
Коэффициент корреляции (r), является числом в диапазоне от -1 до 1,
характеризующим силу взаимосвязи в данных. Корреляция, равная 1, указывает на
идеальную взаимосвязь в виде прямой линии, причем более высокие значения одной
переменной соответствуют идеально предсказуемым более высоким значениям другой
переменной. Корреляция -1 указывает на идеальную отрицательную взаимосвязь в виде
прямой линии, причем одна переменная уменьшается с ростом другой.
Обычная интерпретация промежуточных корреляций в диапазоне от -1 до 1
заключается в том, что величина корреляции указывает на «силу» взаимосвязи. А знак
(положительный или отрицательный) указывает направление (увеличение или
уменьшение).
При линейной связи необходимо находить коэффициент корреляции Пирсона, для
остальных типов – коэффициент корреляции Кендалла или Спирмена. Именно поэтому
необходимо на первом этапе строить диаграмму рассеяния и лишь с опорой на нее
находить корреляцию, т. к. зачастую, видя коэффициент корреляции более 0,7 по модулю,
делается вывод о линейной связи (исходя из определения корреляции), однако в
действительности линейная связь отсутствует или выбросы существенно искажают
выводы.
В таблицах 1–4 представлены расчеты коэффициентов корреляции между
численностью населения и другими показателями.

16
Таблица 7 – Расчет коэффициента корреляции Пирсона для показателей «ВВП» и «Численность населения»
Валовой внутренний
Численность населения,
Год продукт, постоянные цены
млрд. человек
(млрд. $)
1995 5,48 2,97 -3,3151538 0,09903846 -0,3283277 10,990245 0,00980862
1996 5,097 2,96 -3,6981538 0,08903846 -0,3292779 13,6763419 0,00792785
1997 5,195 2,95 -3,6001538 0,07903846 -0,2845506 12,9611077 0,00624708
1998 5,792 2,946 -3,0031538 0,07503846 -0,225352 9,01893302 0,00563077
1999 5,595 2,941 -3,2001538 0,07003846 -0,2241339 10,2409846 0,00490539
2000 5,713 2,934 -3,0821538 0,06303846 -0,1942942 9,49967233 0,00397385
2001 6,061 2,928 -2,7341538 0,05703846 -0,1559519 7,47559725 0,00325339
2002 6,534 2,92 -2,2611538 0,04903846 -0,1108835 5,11281672 0,00240477
2003 6,965 2,911 -1,8301538 0,04003846 -0,0732765 3,3494631 0,00160308
2004 7,481 2,906 -1,3141538 0,03503846 -0,0460459 1,72700033 0,00122769
2005 8,042 2,897 -0,7531538 0,02603846 -0,019611 0,56724072 0,000678
2006 8,428 2,89 -0,3671538 0,01903846 -0,00699 0,13480195 0,00036246
2007 8,681 2,883 -0,1141538 0,01203846 -0,0013742 0,0130311 0,00014492
2008 9,358 2,879 0,56284615 0,00803846 0,00452442 0,31679579 6,4617E-05
2009 8,796 2,876 0,00084615 0,00503846 4,2633E-06 7,1598E-07 2,5386E-05
2010 9,421 2,873 0,62584615 0,00203846 0,00127576 0,39168341 4,1553E-06
2011 9,969 2,873 1,17384615 0,00203846 0,00239284 1,37791479 4,1553E-06
2012 9,91 2,873 1,11484615 0,00203846 0,00227257 1,24288195 4,1553E-06
2013 10,807 2,871 2,01184615 3,8462E-05 7,7379E-05 4,04752495 1,4793E-09
2014 11,347 2,869 2,55184615 -0,0019615 -0,0050055 6,51191879 3,8476E-06
2015 11,308 2,845 2,51284615 -0,0259615 -0,0652374 6,31439579 0,000674
2016 11,807 2,824 3,01184615 -0,0469615 -0,1414409 9,07121725 0,00220539
2017 12,362 2,78 3,56684615 -0,0909615 -0,3244458 12,7223915 0,008274
2018 12,893 2,73 4,09784615 -0,1409615 -0,5776387 16,7923431 0,01987016

Ср. знач. 8,460083333 2,888708333 СУММА -2,96057642 140,86177 0,07173896

Таблица 8 – Расчет коэффициента корреляции Спирмена между показателями «Численности населения» и «Совокупные инвестиции»
17
  
Совокупные инвестиции, % Численность населения,
Год
от ВВП млрд человек

1995 24,877 2,97 14 24 -10 100

1996 24,245 2,96 13 23 -10 100
1997 23,814 2,95 10 22 -12 144
1998 25,873 2,946 18 21 -3 9
1999 22,884 2,941 4 20 -16 256
2000 25,46 2,934 16 19 -3 9
2001 23,282 2,928 7 18 -11 121
2002 21,66 2,92 1 17 -16 256
2003 23,178 2,911 6 16 -10 100
2004 26,359 2,906 20 15 5 25
2005 30,826 2,897 21 14 7 49
2006 32,748 2,89 22 13 9 81
2007 38,106 2,883 23 12 11 121
2008 39,228 2,879 24 11 13 169
2009 23,142 2,876 5 10 -5 25
2010 23,601 2,873 9 7 2 4
2011 24,049 2,873 11 7 4 16
2012 24,199 2,873 12 7 5 25
2013 24,938 2,871 15 6 9 81
2014 26,219 2,869 19 5 14 196
2015 23,595 2,845 8 4 4 16
2016 21,982 2,824 2 3 -1 1
2017 22,778 2,78 3 2 1 1
2018 25,615 2,73 17 1 16 256

СУММА 2161

Таблица 9 – Расчет коэффициента корреляции Спирмена между показателями «Численности населения» и «Совокупный гос. доход»

18
 Инфляция,  
Совокупный
потребительские цены на
Год государственный доход, %
конец периода, процентное
от ВВП
изменение
1995 39,442 2,97 21 24 -3 9
1996 35,872 2,96 16 23 -7 49
1997 38,48 2,95 18 22 -4 16
1998 37,572 2,946 17 21 -4 16
1999 30,379 2,941 7 20 -13 169
2000 30,479 2,934 8 19 -11 121
2001 29,163 2,928 2 18 -16 256
2002 29,56 2,92 3 17 -14 196
2003 33,974 2,911 14 16 -2 4
2004 35,401 2,906 15 15 0 0
2005 38,56 2,897 19 14 5 25
2006 39,878 2,89 22 13 9 81
2007 42,86 2,883 24 12 12 144
2008 40,628 2,879 23 11 12 144
2009 38,917 2,876 20 10 10 100
2010 31,918 2,873 13 7 6 36
2011 30,513 2,873 9 7 2 4
2012 31,737 2,873 11 7 4 16
2013 30,877 2,871 10 6 4 16
2014 31,807 2,869 12 5 7 49
2015 29,962 2,845 5 4 1 1
2016 28,571 2,824 1 3 -2 4
2017 29,841 2,78 4 2 2 4
2018 30,126 2,73 6 1 5 25
СУММА 1485

19
Таблица 10 – Расчет коэффициента корреляции Спирмена между показателями «Численность населения» и «Валовые нац. сбережения»
Инфляция,  
Валовые национальные потребительские цены на
Год
сбережения, % от ВВП; конец периода, процентное
изменение
1995 19,006 2,97 15 24 -9 81
1996 12,922 2,96 3 23 -20 400
1997 9,556 2,95 2 22 -20 400
1998 6,145 2,946 1 21 -20 400
1999 17,09 2,941 11 20 -9 81
2000 17,99 2,934 13 19 -6 36
2001 21,474 2,928 20 18 2 4
2002 20,469 2,92 18 17 1 1
2003 16,607 2,911 7 16 -9 81
2004 24,584 2,906 24 15 9 81
2005 23,269 2,897 23 14 9 81
2006 21,411 2,89 19 13 6 36
2007 22,858 2,883 21 12 9 81
2008 23,116 2,879 22 11 11 121
2009 14,219 2,876 5 10 -5 25
2010 16,7 2,873 8 7 1 1
2011 13,927 2,873 4 7 -3 9
2012 16,807 2,873 9 7 2 4
2013 19,775 2,871 16 6 10 100
2014 20,243 2,869 17 5 12 144
2015 17,604 2,845 12 4 8 64
2016 18,409 2,824 14 3 11 121
2017 17,034 2,78 10 2 8 64
2018 15,037 2,73 6 1 5 25
СУММА 2441

20
 Расчет коэффициента корреляции Пирсона для показателей ВВП и численность
населения

∑ (x i−x )∙( y i− y) −2,9605764

i=1
r= = =−0,931

√∑ √ 140,86177 ∙0,071739
n n
( xi −x)2 ∙ ∑ ( y i− y )2
i=1 i=1

Расчет коэффициента корреляции Спирмена между показателями «Численности

населения» и «Совокупные инвестиции»:

n
6 ∙ ∑ di
2

i=1 6 ∙ 2161
ρ=1− 3
=1− =0 , 06 0
n −n 24 3−24

Расчет коэффициента корреляции Спирмена между показателями «Численности

населения» и «Совокупный гос. доход»:

n
6 ∙ ∑ di2
i=1 6 ∙ 1485
ρ=1− 3
=1− =0,354
n −n 24 3−24

Расчет коэффициента корреляции между показателями «Численность населения» и

«Валовые нац. сбережения»:

21
 n
6 ∙ ∑ di2
i=1 6 ∙ 2 441 3 Множественный регрессионный
ρ=1− 3
=1− 3
=−0,061
n −n 24 −24
анализ

Прогнозирование единственной переменной Y на основании двух или нескольких

переменных X называется множественной регрессией. Прогнозирование единственной
переменной Y на основании единственной переменной X называется простой регрессией.
Пользуясь множественной регрессией, преследуются те же цели, что и в случае простой
регрессии.
Первым этапом построения множественной регрессионной модели является
проверка на мультиколлинеарность.
Одна из проблем множественной регрессии – это проблема мультиколлинеарности,
возникающая тогда, когда некоторые из объясняющих переменных X оказываются
слишком схожими. Решением данной проблемы является удаление из уравнения
некоторых из переменных. (Например, если 2 из объясняющих X переменных имеют
высокий уровень корреляции между собой, то в уравнении целесообразно оставить ту из
них, которая сильнее коррелирует с показателем Y).
Это означает, что ни один из объясняющих показателей не должен сильно
коррелировать с каким-либо другим. В частности, ни одна из предикторных переменных
не должна быть линейной комбинацией других; иными словами, нельзя включать в
качестве предикторов переменные А, В и А+В в одну модель. Модели, содержащие
сильно скоррелированные предикторы, обычно нестабильны, то есть добавление или
удаление одной переменной из модели может кардинально поменять коэффициенты и
значимость остальных предикторов.
В таблице 1 представлена корреляционная матрица по исходным данным без учета
преобразований. Показателем, относительно которого выполнялась проверка на
мультиколлинеарность, является «Численность населения».
Анализ на мультиколлинеарность показал, что среди переменных Х присутствуют
взаимоисключаемые показатели, т.е. показатели, между которыми показатель корреляции
по модулю более 0,7. Показатели «Совокупный государственный доход» и «Совокупные
инвестиции» являются взаимоисключаемыми. Для дальнейшего исследования избавимся
от показателя "Совокупные инвестиции", так как для прогнозирования величины
показателя «Численность населения» больший вес имеет показатель "Совокупный

22
государственный доход". Корреляционная матрица с учетом преобразований представлена
в таблице 2.

Таблица 11 – Корреляционная матрица исходных данных

Совокупные инвестиции, %

государственный доход, %
продукт, постоянные цены

Численность населения,
сбережения, % от ВВП;
Валовые национальные
Валовой внутренний

млрд человек
Совокупный
(млрд. $)

от ВВП

от ВВП
 

Валовой внутренний
продукт, постоянные цены
(млрд. $) 1  
Совокупные инвестиции,
% от ВВП 0,049 1      
Валовые национальные
сбережения, % от ВВП; 0,182 0,463 1
Совокупный
государственный доход, %
от ВВП -0,347 0,704 0,061 1
Численность населения,
млрд человек -0,932 -0,012 -0,109 0,366 1

Таблица 12 – Корреляционная матрица исходных данных с учетом преобразований

государственный доход, %
продукт, постоянные цены

Численность населения,
сбережения, % от ВВП;
Валовые национальные
Валовой внутренний

млрд человек
Совокупный
(млрд. $)

от ВВП

Валовой внутренний
продукт, постоянные цены
(млрд. $) 1
Валовые национальные 0,182 1

23
 сбережения, % от ВВП;
Совокупный
государственный доход, %
от ВВП -0,347 0,061 1
Численность населения,
млрд человек -0,932 -0,109 0,366 1

Статистический вывод начинается с общей проверки, которую называют F-тестом.

Цель F-теста заключается в том, чтобы выяснить, объясняют ли Х-переменные значимую
долю вариации Y. Если регрессия не является значимой, говорить больше не о чем. Если
же регрессия оказывается значимой, можно продолжить анализ статистических выводов.
Нулевая гипотеза для F-теста утверждает, что в генеральной совокупности между Х-
переменными и Y прогнозирующая связь отсутствует. Иначе говоря, Y является чисто
случайной величиной и значения Х-переменных не оказывают на Y никакого влияния.
Это имеет смысл быть, в том случае, если все коэффициенты регрессии в генеральной
совокупности равны 0.
Альтернативная гипотеза утверждает, что в генеральной совокупности между Х-
переменными и Y существует определенная прогнозирующая взаимосвязь. Таким
образом, переменная Y уже не является чисто случайной величиной и должна зависеть, по
крайней мере, от одной из Х-переменных.
Чтобы выполнить F-тест, необходимо обратить внимание на p-значение. Если оно
больше, чем 0,05, то полученный результат не является значимым. Если же это значение
меньше, чем 0,05, то полученный результат является значимым. Если p < 0,01, тогда
полученный результат является высоко значимым, и т.д.
По данным регрессионного анализа (рисунок 1) делаем вывод, что F-значимость <
0.05, следовательно можем сделать вывод, что среди предикторных переменных Х есть
как минимум одна, объясняющая изменчивость показателя «Численность населения, млрд
чел.».
Так как F-тест является значимым, то известно, что одна или несколько Х-
переменных могут быть полезны в прогнозировании Y и, следовательно, можно
продолжать анализ с помощью t-тестов для отдельных коэффициентов регрессии с целью
выяснить, какие именно из Х-переменных действительно полезны. Эти t-тесты
определяют, оказывает ли значимое влияние на Y та или иная Х-переменная, если все
другие Х-переменные остаются при этом неизменными. Следует помнить, что, приняв
нулевую гипотезу, делается слабое заключение и, по сути, тем самым не доказана
бесполезность Х-переменной, а просто не хватило убедительных доказательств наличия
24
взаимосвязи. Таким образом, взаимосвязь может существовать, но вследствие действия
фактора случайности или из-за небольшого размера выборки мы не в состоянии
обнаружить ее с помощью тех данных, которые имеются в нашем распоряжении.
Достаточно простой, приблизительный способ определения значимости
коэффициентов: значимыми будут те коэффициенты регрессии, для которых t-статистика
по абсолютному значению равна или больше 2, поскольку для достаточно больших n и
уровня значимости 5% значения из таблицы приблизительно равно 2.
По результатам анализа рисунка 5 можно сделать вывод, что показатель
«Совокупный государственный доход» и «Валовые национальные сбережения» следует
исключить из модели множественной регрессии, т. к. t-статистика по модулю меньше 2, а
р-значение больше 0,05.
После исключения показателей проведем регрессию еще раз (рисунок 2).
F-тест имеет показатель 4,01E-11, что говорит о значимости полученного
результата. Оставшийся показатель Х имеет t-статистику по модулю более 2.
Следовательно может быть использован в регрессионной модели, которая будет иметь
вид:

Y =3.0665−0.021∙ X
где Y – Численность населения, млрд человек;
Х – Валовой внутренний продукт, текущие цены (млрд. $);

25
                
  Регрессионная статистика  
  Множественный R 0,934086065  
  R-квадрат 0,872516776  
Нормированный R-
  квадрат 0,853394293  
  Стандартная ошибка 0,021384005  
  Наблюдения 24  
   
  Дисперсионный анализ  
    df SS MS F Значимость F  
  Регрессия 3 0,062593445 0,020864482 45,6278 3,9445E-09  
  Остаток 20 0,009145514 0,000457276      
  Итого 23 0,071738958        
   
Стандартная P-
    Коэффициенты ошибка t-статистика Значение  
  Y-пересечение 3,035549103 0,046074006 65,88420177 7,27E-25  

Валовой внутренний
продукт, текущие цены -
  (млрд. $) -0,020932451 0,001967795 10,63751601 1,11E-09  

Валовые национальные
  сбережения, % от ВВП; 0,000723131 0,001042707 0,693513543 0,495964  
Совокупный
государственный доход,
  % от ВВП 0,000511627 0,001081341 0,473140989 0,641236  
               
Рисунок 4 – Выводы регрессионного анализа
26
                
  Регрессионная статистика  
  Множественный R 0,931326953  
  R-квадрат 0,867369893  
Нормированный R-
  квадрат 0,861341252  
  Стандартная ошибка 0,020796356  
  Наблюдения 24  
   
Дисперсионный
  анализ  
Значимость
    df SS MS F F  
0,06222421 143,874857
  Регрессия 1 0,062224213 3 2 4,01E-11  
0,00043248
  Остаток 22 0,009514746 8  
  Итого 23 0,071738958        
   
Стандартная t-
    Коэффициенты ошибка статистика P-Значение  

  Y-пересечение 3,066518986 0,015419833 198,868498 2,63905E-37  

Валовой внутренний -
продукт, текущие 11,9947845
  цены (млрд. $) -0,021017601 0,001752228 8 4,00893E-11  
               

Рисунок 5 – Выводы повторного регрессионного анализ

27
 4 Анализ временных рядов

Главная цель анализа временных рядов заключается в прогнозировании будущего.

Для описания временных рядов требуется модель. Модель (математическая модель или
процесс) представляет собой систему уравнений, которая позволяет получить некий набор
искусственных данных в форме временных рядов. Одним из наиболее важных методов
при анализе временных рядов в сфере бизнеса является анализ трендов / сезонности,
представляющий собой непосредственный, интуитивный подход к оцениванию базовых
компонентов временных рядов: долгосрочный тренд (тенденция), сезонности,
циклическая вариация и нерегулярный компонент. Прогнозы получаются путем
наложения обычных сезонных моделей на долгосрочную тенденцию.
Долгосрочный тренд (тенденция) указывает действительно долгосрочное поведение
временного ряда – как правило, в виде прямой линии или экспоненциальной кривой. Это
бывает полезно в случае, если требуется увидеть картину в целом.
Точно повторяющийся сезонный компонент определяет влияние времени года.
Каждый период времени в течение года характеризуется своим сезонным индексом,
который свидетельствует о том, насколько выше или ниже соответствующий показатель в
данный период времени по сравнению с другими периодами.
Среднесрочный циклический компонент состоит из последовательных повышений и
понижений, которые не повторяются каждый год и поэтому исключаются из сезонного
компонента. Поскольку эти повышения и понижения чередуются, их нельзя считать
достаточно случайными и рассматривать как часть независимой случайной ошибки
(нерегулярная компонента). Циклическую вариацию особенно трудно прогнозировать за
пределами ближайшего будущего. Тем не менее она может быть очень важна, поскольку
основные явления экономического цикла (такие как экономический спад)
рассматриваются как часть циклической вариации в экономических показателях.
Краткосрочный нерегулярный (случайный) компонент представляет остаточную
вариацию, которую невозможно объяснить. В нем проявляется действие тех однократных
событий, которые происходят с течением времени случайно, а не систематически.
Эти четыре компонента временного ряда можно оценивать различными способами,
одним из которых является отношение к скользящему среднему.
Скользящее среднее используется для устранения сезонных эффектов путем
усреднения по всему году. Для уменьшения нерегулярного компонента и получения
комбинации тренда и циклического компонента.
28
 Деление исходного ряда на сглаженный ряд скользящего среднего дает отношение к
скользящему среднему, которое включает как сезонные, так и нерегулярные значения.
Выполняя группирование по времени года, а затем усреднение в полученных группах,
находим сезонный индекс для каждого времени года. Выполняя деление каждого
значения ряда на соответствующий сезонный индекс для соответствующего времени года,
находим значения с сезонной поправкой.
Регрессия ряда с сезонной поправкой (Y) по времени (Х) служит для оценивания
долгосрочного тренда в виде прямой линии как функции от времени. Этот тренд
(тенденция) не отражает сезонных колебаний и дает возможность получить прогноз с
сезонной поправкой.
Прогнозирование можно выполнять с помощью сезонности тренда. Получая из
уравнения регрессии прогнозируемые значения (тренд) для будущих периодов времени и
затем умножая их на соответствующий сезонный индекс, получаем прогнозы, которые
отражают как долгосрочную тенденция, так и сезонное поведение.
Преимуществом метода отношения к скользящему среднему является легкость
вычислений и интерпретации результатов. Основной недостаток заключается в том, что
соответствующая модель не является полностью определенной.
Проведем перечисленные операции с показателем «Валовой внутренний продукт,
постоянные цены (млрд. $)» и представим результаты в таблицах 1-3.

Таблица 13 – Представление исходных данных с поправкой на циклические колебания

Валовой
внутренний Отношение к С поправкой на
Сглаженный Сезонный
Год продукт, скользящему циклические
ряд индекс
постоянные среднему колебания
цены (млрд. $)
1 2 3 4 5 6
1995 5,48     0,9952 5,506430868
1996 5,097     0,9947 5,124158038
1997 5,195 5,405 0,961 0,9877 5,259694239
1998 5,792 5,497 1,054 1,0159 5,701348558
1999 5,595 5,682 0,985 0,9952 5,621985531
2000 5,713 5,883 0,971 0,9947 5,743440233
2001 6,061 6,147 0,986 0,9877 6,136478688
2002 6,534 6,539 0,999 1,0159 6,431735407
2003 6,965 7,008 0,994 0,9952 6,998593248
2004 7,481 7,492 0,998 0,9947 7,520860561
2005 8,042 7,943 1,012 0,9877 8,142148426
2006 8,428 8,393 1,004 1,0159 8,296092135
29
Продолжение таблицы 13

1 2 3 4 5 6
2007 8,681 8,722 0,995 0,9952 8,722869775
2008 9,358 8,940 1,047 0,9947 9,407861667
2009 8,796 9,225 0,954 0,9877 8,905538119
2010 9,421 9,455 0,996 1,0159 9,273550546
2011 9,969 9,775 1,020 0,9952 10,01708199
2012 9,91 10,268 0,965 0,9947 9,962802855
2013 10,807 10,676 1,012 0,9877 10,94158145
2014 11,347 11,080 1,024 1,0159 11,16940644
2015 11,308 11,511 0,982 0,9952 11,36254019
2016 11,807 11,899 0,992 0,9947 11,86991053
2017 12,362 12,350 1,001 0,9877 12,51594614
2018 12,893 12,665 1,018 1,0159 12,69120976
2019 13,371     0,9952 13,43549035
2020 12,261     0,9947 12,32632955

Таблица 14 – Определение сезонного индекса

1 год цикла 2 год цикла 3 год цикла 4 год цикла
    0,961 1,054
0,985 0,971 0,986 0,999
0,994 0,998 1,012 1,004
0,995 1,047 0,954 0,996
1,020 0,965 1,012 1,024
0,982 0,992 1,001 1,018
Среднее значение
0,9952 1,9947 0,9877 1,0159

Таблица 15 – Прогнозирование значений долгосрочного тренда

Тренд и прогноз с поправкой на циклические колебания,

Временные периоды
прогнозируемые значения (млрд. $)
1 2
1 4,5158
2 4,8594
3 5,203
4 5,5466
5 5,8902
6 6,2338
7 6,5774
8 6,921
9 7,2646
10 7,6082
11 7,9518
12 8,2954
13 8,639

30
Продолжение таблицы 15
1 2
14 8,9826
15 9,3262
16 9,6698
17 10,0134
18 10,357
19 10,7006
20 11,0442
21 11,3878
22 11,7314
23 12,075
24 12,4186
25 12,7622
26 13,1058
27 (2021 год) 13,4494
28 (2022 год) 13,793
29 (2023 год) 14,1366

ВВП с поправкой на циклические колебания

16

14

f(x) = 0.343609114112062 x + 4.17224177860746

12

10

0
95 96 97 98 99 00 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20
19 19 19 19 19 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20

Рисунок 6 – Оценка тренда показателя

Для того чтобы спрогнозировать значения на 2022 и 2023 года необходимо учесть
сезонность в долгосрочном тренде, вернув ему ожидаемую сезонную вариацию. Для этого
умножим значение тренда на значение сезонного индекса для того периода времени,

31
который прогнозируется. Этот процесс является обратным по отношению к внесению
поправки на сезонные колебания. Результирующий прогноз включает долгосрочный тренд
и сезонную вариацию.
Таким образом прогнозное значение на 2022 год составит 13,793 ∙ 1,0159 = 14,012
млрд. $, а в 2023 году 14,1366 ∙ 0,9952 = 14,069 млрд. $.
Оценим устойчивость тенденции с помощью коэффициента корреляции рангов
Спирмена.

Таблица 16 – Расчет коэффициента корреляции Спирмена по показателю «Валовой

внутренний продукт, постоянные цены (млрд. $)»
Валовой
Временные внутренний di d 2i
Год Ранг по Рх Ранг по Ру
периоды продукт, текущие
цены (млрд. $)
1995 1 5,48 1 3 -2 4
1996 2 5,097 2 1 1 1
1997 3 5,195 3 2 1 1
1998 4 5,792 4 6 -2 4
1999 5 5,595 5 4 1 1
2000 6 5,713 6 5 1 1
2001 7 6,061 7 7 0 0
2002 8 6,534 8 8 0 0
2003 9 6,965 9 9 0 0
2004 10 7,481 10 10 0 0
2005 11 8,042 11 11 0 0
2006 12 8,428 12 12 0 0
2007 13 8,681 13 13 0 0
2008 14 9,358 14 15 -1 1
2009 15 8,796 15 14 1 1
2010 16 9,421 16 16 0 0
2011 17 9,969 17 18 -1 1
2012 18 9,91 18 17 1 1
2013 19 10,807 19 19 0 0
2014 20 11,347 20 21 -1 1
2015 21 11,308 21 20 1 1
2016 22 11,807 22 22 0 0
2017 23 12,362 23 24 -1 1
2018 24 12,893 24 25 -1 1
2019 25 13,371 25 26 -1 1
2020 26 12,261 26 23 3 9
Сумма 30

32
 Коэффициент Спирмена определяется по формуле

n
6 ∙ ∑ di2
i=1
ρ=1− 3
,
n −n
где n – количество данных по каждому показателю.
n
6 ∙ ∑ di
2

i=1 6 ∙30
ρ=1− 3
=1− 3
=0,990
n −n 26 −26

Так как рассчитанный коэффициент близок к 1, тенденция изменения показателя

устойчива.

Рассчитаем показатель колеблемости показателя.

Для определения показателей колеблемости следует рассчитать теоретические
значения уровней для каждого периода по уравнению тренда. Затем по отклонениям
исходных показателей от теоретических определяются поворотные точки.

Валовой внутренний продукт, постоянные цены (млрд. $)

16

14

12 f(x) = 0.343303247863248 x + 4.16056

10

0
95 9 7 99 0 1 03 0 5 07 0 9 11 1 3 15 17 1 9
19 19 19 20 20 20 20 20 20 20 20 20 20

Рисунок 7 – Оценка тренда показателя ВВП

33
Таблица 17 – Расчет коэффициента колеблемости показателя «Валовой внутренний
продукт, постоянные цены (млрд. $)»
Валовой y i−~
yi
внутренний ( y i −~
yi )2
Теоретические
Временные продукт,
значения Поворотные точки
периоды постоянные
уровней
цены (млрд.
$)
1 5,48 4,4792 1,0008 - 1,0016
2 5,097 4,8254 0,2716 - 0,0737
3 5,195 5,1716 0,0234 + 0,0005
4 5,792 5,5178 0,2742 + 0,0751
5 5,595 5,864 -0,269 - 0,0723
6 5,713 6,2102 -0,4972 + 0,2472
7 6,061 6,5564 -0,4954 - 0,2454
8 6,534 6,9026 -0,3686 - 0,1350
9 6,965 7,2488 -0,2838 - 0,0805
10 7,481 7,595 -0,114 - 0,0130
11 8,042 7,9412 0,1008 - 0,0102
12 8,428 8,2874 0,1406 + 0,0198
13 8,681 8,6336 0,0474 + 0,0023
14 9,358 8,9798 0,3782 + 0,1430
15 8,796 9,326 -0,53 + 0,2809
16 9,421 9,6722 -0,2512 - 0,0631
17 9,969 10,0184 -0,0494 + 0,0024
18 9,91 10,3646 -0,4546 + 0,2067
19 10,807 10,7108 0,0962 - 0,0093
20 11,347 11,057 0,29 + 0,0841
21 11,308 11,4032 -0,0952 + 0,0091
22 11,807 11,7494 0,0576 - 0,0033
23 12,362 12,0956 0,2664 - 0,0710
24 12,893 12,4418 0,4512 - 0,2036
25 13,371 12,788 0,583 + 0,3400
26 12,261 13,1342 -0,8732 - 0,7625
Сумма 12 4,1565

В таблице 18 представлены данные для расчета необходимого количества

поворотных точек для разных типов колеблемости.

34
Таблица 18 – Типы колеблемости
Расчет числа поворотных точек,
Характеристика типа колеблемости
соответствующих данному типу колеблемости
Пилообразная n-2 = 26-2 = 24
Циклическая 2∙n/l = 2∙26/4 = 13
Случайно распределенная 2/3∙(n-2) = 2/3∙(26-2) = 16
(где n-число уровней ряда и l - длина цикла)

Таким образом, можем сделать вывод, что показатель «Валовой внутренний

продукт, постоянные цены (млрд. $)» имеет циклический тип колеблемости.

Коэффициент колеблемости рассчитывается по формуле:

s (t)
ν= ,
y
где s(t ) – среднее квадратическое отклонение;
y – среднее значение исходных данных.

Среднее квадратическое отклонение составит

√
n

∑ ( y i−~y i )2
s (t)= i=1
n− p
=
√ 4,1565
26−2
=0 , 416

Коэффициент колеблемости составит:

s (t) 0,416
ν= = =0,0473или 4,73%
y 8 ,795

Наблюдается низкая степень колеблемости исследуемого показателя.

35