ify"> Середні значення показників:
;;
;
.
Дисперсії і середні квадратичні відхилення:
В
.
Коефіцієнти варіації:
;
.
Коефіцієнти варіації обох показників вище 33%, отже, обидва досліджувані ряду неоднорідні.
2.2 Кореляційний аналіз
Виберемо формулу зв'язку змінних, тобто зробимо специфікацію рівняння регресії. Бо ж маємо два показники, то регресія буде парної. Вибір форми в такому випадку здійснюється по графічному зображенню даних у вигляді точок у декартовій системі координат, тобто по кореляційному полю або по діаграмі розсіювання [1].
Побудуємо діаграму розсіювання показників грошової маси в іноземній валюті ( Y ) і експорту товарів ( Х ) (малюнок 2.3).
За малюнком 2.3 видно, що між показниками Х і Y існує пряма кореляційна залежність: зі збільшенням значення Х збільшується і значення < i align = "justify"> Y .
За характером розташування точок на кореляційному полі можна припустити лінійну залежність типу (1.1) і експонентну залежність виду (2.1).
. (2.1)
В
Малюнок 0.1 - Діаграма розсіювання показників грошової маси в іноземній валюті ( Y ) та експорту товарів ( Х )
Для характеристики тісноти лінійного зв'язку між Х і Y розрахуємо парний лінійний коефіцієнт кореляції r ХY . Для цього використовуємо розраховані раніше значення, а також обчислимо середнє значення твору, користуючись таблицею 2.2. br/>
.
Коефіцієнт кореляції:
.
Лінійний коефіцієнт кореляції позитивний і за значенням близький до одиниці. Це говорить про те, що між досліджуваними показниками існує прямий кореляційний зв'язок сильного ступеня. Тобто, із збільшенням одного показника інший показник теж збільшується. p align="center"> 2.3 Побудова та аналіз регресійної моделі
На першому етапі побудуємо лінійну модель залежності показників виду (1.1). Для оцінки параметрів b 0 , b 1 лінійної залежності використовується метод найменших квадратів (МНК). Відповідно до МНК параметри однофакторной лінійної моделі можна розрахувати за формулами [1]:
; (2.2)
. (2.3)
При цьому всі величини, що входять у формули (2.2) і (2.3) вже обчислені ...
