1.Понятие эконометрики. Предмет изучения

Социально-экономические явления представляют собой результат одновременного воздействия большёго количества внешних и внутренних причин.

Связи между явлениями классифицируются по ряду оснований. Признаки по их значению делятся на 2 класса:

2)Тест Глейзера.

Временной ряд – это упорядоченная последовательность наблюдений за изучаемым явлением.

Обычно измерения осуществляются через равные промежутки времени. В каждый момент времени значение исследуемой величины формируется под воздействием большого числа факторов, как случайного, так и неслучайного характера.

Изменение условий развития объекта исследования ведет к ослаблению действия одних факторов, усилению других факторов, и, в конечном итоге, к варьированию изучаемого явления.

Характерной чертой временных рядов является то, что время выступает одним из определяющих факторов. Одним из требований к временным рядам является сопоставимость результатов наблюдений.

Для обеспечения сравнимости в случае, когда временными интервалами являются месяцы или дни, необходимо устранить мешающие эффекты.

Во временных рядах главный интерес представляет описание или моделирование их структуры. Применяемые при обработке данных методы опираются на математическую статистику, которая в свою очередь основывается на жестких требованиях к исходным данным (однородность, распределение).

Конечной целью анализа временных рядов является достижение понимания механизмов, которые обуславливают появление этих рядов.

Выделяют три основные задачи исследования временных рядов:

1. Описание изменения исследуемого признака во времени и выявление свойств изучаемого ряда.

2. Объяснение механизма изменения уровня ряда.

3. Статистическое прогнозирование значений изучаемого признака для будущих моментов времени.

23. Основные компоненты временных рядов.

Практический опыт показывает, что типичные временные ряды представляют собой состав из 4-х компонентов:

Y(t)= f(St, Tt, Ct, Rt), (4.1)

где St – эффект сезонности; Tt – временной тренд; Ct – колебания относительного тренда (цикличность); Rt – случайная компонента.

Любой временной ряд можно описать в виде одной из таких составляющих или суммы нескольких из них. Наиболее легким для обнаружения является эффект сезонности. Гораздо сложнее выделить понятие тренда.

Трендом называют неслучайную, медленно меняющуюся составляющую временного ряда, на которую могут накладываться случайные колебания или сезонные эффекты.

24. Методы анализа временных рядов скользящей средней. Достаточно простым методом выявления тенденции развития является сглаживание временного ряда, т.е. замена фактических уровней расчетными, которые имеют меньшую колеблемость, чем исходные данные. Соответствующие преобразования называются фильтрованием .

Существуют следующие методы сглаживания:

1. Метод скользящих средних. Он основан на предоставлении ряда в виде суммы гладкого тренда и случайной компоненты.

2. Экспоненциальное сглаживание. Экспоненциальное среднее является примером асимметрической скользящей средней, в которой учитывается степень старения данных. Чем старше информация, тем с меньшим весом она входит в формулу для расчета сглаженного значения уровня ряда.

3,Медианное сглаживание. В основе метода лежит вычисление скользящей медианы.

Помимо методов сглаживания одним из наиболее эффективных методов выявления основной тенденции развития явления является аналитическое выравнивание

Метод скользящих средних.

Для построения оценки тренда по значениям ряда из временного интервала [t-m; t+m] рассчитывают теоретические значения уровней ряда. Обычно все веса для элементов интервала равны между собой. Сглаживание происходит с окном шириной 2m+1. Ширину окна обычно берут нечетной, т.к. скользящую среднюю рассчитывают для центрального значения интервала:

Yt' = , (4.2)

Общая формула метода скользящих средних имеет следующий вид:

Yt' =Am*Yt-m+…+Ao*Yt+…+Am*Yt+m, (4.3)

где Yt ' – сглаженное значение уровня ряда; Am – вес, приписываемый уровню ряда, находящегося на расстоянии m от периода времени t .

При использовании этого метода необходимо учитывать, что скользящая средняя может сильно исказить тенденцию развития явления. Также она не дает значений для первых и последних наблюдений, т.е. имеют место краевые эффекты .

25. МЕТОДЫ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ. ЭКСПОНЕНЦИАЛЬНОЕ СГЛАЖИВАНИЕ.

Достаточно простым методом выявления тенденции развития является сглаживание временного ряда, т.е. замена фактических уровней расчетными, которые имеют меньшую колеблемость, чем исходные данные. Соответствующие преобразования называются фильтрованием .

Существуют следующие методы сглаживания:

1. Метод скользящих средних. Он основан на предоставлении ряда в виде суммы гладкого тренда и случайной компоненты.

2. Экспоненциальное сглаживание. Экспоненциальное среднее является примером асимметрической скользящей средней, в которой учитывается степень старения данных.

3,Медианное сглаживание. В основе метода лежит вычисление скользящей медианы.

Помимо методов сглаживания одним из наиболее эффективных методов выявления основной тенденции развития явления является аналитическое выравнивание

Экспоненциальное сглаживание.

Чем старше информация, тем с меньшим весом она входит в формулу для расчета сглаженного значения уровня ряда.

Qt = α*Yt+(1-α)*Q_t-1, (4.4)

где Qt – экспоненциальная средняя, заменяющая значение Yt; α – параметр сглаживания, характеризующий вес текущего наблюдения. 0< α<1

Данный метод применяется для прогнозирования нестационарных временных рядов, имеющих случайные изменения уровней ряда.

26. Методы анализа временных рядов. Медианное сглаживание, аналитическое выравнивание.

Достаточно простым методом выявления тенденции развития является сглаживание временного ряда, т.е. замена фактических уровней расчетными, которые имеют меньшую колеблемость, чем исходные данные. Соответствующие преобразования называются фильтрованием .

Существуют следующие методы сглаживания:

1. Метод скользящих средних. Он основан на предоставлении ряда в виде суммы гладкого тренда и случайной компоненты.

2. Экспоненциальное сглаживание. Экспоненциальное среднее является примером асимметрической скользящей средней, в которой учитывается степень старения данных.

3. Медианное сглаживание. В основе метода лежит вычисление скользящей медианы.

Медианное сглаживание.

Медиана ряда во временном интервале определяется как центральный член вариационного ряда. Вариационный ряд представляет собой последовательность значений ряда, упорядоченных по возрастанию. В отличие от скользящей средней скользящая медиана более устойчива к искажению данных.

Помимо методов сглаживания одним из наиболее эффективных методов выявления основной тенденции развития явления является аналитическое выравнивание . При этом уровни ряда выражаются в виде функции

Yt = f(t) .

Аналитическое выравнивание может быть осуществлено по любому рациональному многочлену. Для упрощения технологии определения параметров уравнения показателям времени придают такие значения, чтобы их сумма была равна 0 , т.е. ∑ t =0.

27. Понятие сезонности. Описание основных моделей.

Временные ряды с интервалом меньше года очень часто содержат эффект сезонности.

Под сезонностью понимают систематически повторяющиеся колебания показателей, обусловленные особенностями производственных условий в определенный период времени. Сезонные эффекты имеют регулярный характер.

Существуют несколько методов оценки сезонной компоненты. Основные их отличия сводятся к тому, в какой последовательности необходимо выделять составляющие временного ряда. Между компонентами временного ряда существуют специфические отношения.

В анализе временных рядов принято рассматривать следующие формы взаимосвязи: аддитивная и мультипликативная.

28. АДДИТИВНАЯ МОДЕЛЬ ИЗУЧЕНИЯ СЕЗОННОСТИ.

Y(t)=Tt*Ct+St+Rt (4.5)

Чтобы оценить сезонную составляющую необходимо сначала оценить тренд. Для его выделения можно использовать метод центрированного скользящего среднего, но в данном случае возникают некоторые проблемы, т.к. при анализе сезонности обычно присутствует четное количество наблюдений. Тогда формула для расчета средней будет иметь следующий вид:

(4.6)

Для определения аддитивных индексов сезонности используются следующие формулы:

1.Определяют разность между исходными значениями и центрированными средними:

(4.7)

2.Определяют средние отклонения:

(4.8)

3.Определяют общее среднее отклонение:

(4.9)

4.Определяют аддитивный индекс сезонности:

(4.10)

29. Мультипликативная модель изучения сезонности.

Y(t)= Tt*Ct*St*Rt (4.11) Мультипликативные индексы используются в том случае, когда по мере повышения среднего уровня динамики увеличиваются абсолютные отклонения, вызванные сезонностью. Эти индексы с отличие от аддитивных являются относительными показателями. Алгоритм расчета: а) определяют отношение центрированных средних к исходным данным.

(4.12)

б) определяют среднее отклонение (4.13)

в) определяют общее среднее отношение (4.14)

г) определяют мультипликативный индекс сезонности (4.15)

30. Понятие фиктивной переменной, ее значение.

В большинстве случаев независимые переменные в регрессионных моделях имеют непрерывные области изменения. Однако теория не накладывает никаких ограничений на характер коэф-тов регрессии, в частности, некоторые переменные могут принимать всего два значения или в более общей ситуации – множество дискретных значений. Необходимость рассмотрения таких переменных возникает в случаях, когда необходимо оценить какой либо качественный признак, т. е. Когда факторы, вводимые в ур-ие регрессии являются качест-ми и не измеряются по числовой шкале. Н-р, при исследовании зависимости з/п от различных факторов может возникнуть вопрос, влияет ли на ее размер наличие у работника высшего образования; существует ли дискриминация в оплате труда женщин и мужчин. Одним из возможных решений данного примера является оценка отдельных регрессий для каждой категории, а затем изучение различий между ними. Другой подход состоит в оценке единой регрессии с использованием всей совокупности наблюдений и измерений степени влияния качественного фактора посредством введения фиктивной переменной. Она является равноправной переменной наряду с др-ми переменными моделями. Ее фиктивность заключается лишь в том, что она количеств-м образом описывает качественный признак. Второй подход обладает след. преимуществами: 1) это простой способ проверки, является ли воздействие качественного признака значимым; 2) при условии выполнения опред. предположений регрессионной оценки оказывается более эффективным.

31.Использование фиктивных переменных в моделях регрессии

Фиктивные переменные вводятся в модель регрессии след. образом. Н-р, 1) пусть Х=(х1, х2, …, хК) – это набор объясняющих независимых переменных, Y(x)= f(x) –это ф-ия, описывающая зависимость з/п от различных факторов. Тогда первоначальная модель будет выглядеть след. образом: Y(x)= a1*x1+a2*x2+…+aK*xK+∑ (5.1). Надо определить влияние такого фактора, как наличие или отсутствие высшего образования. Для этого вводится фиктивная переменная d . Если работник имеет высшее образование, то d =1, если нет, то d =0. При введении фиктивной переменной ур-ие регрессии принимает след. вид Y(x)= a1*x1+a2*x2+…+aK*xK+σ d+∑=x’*a+σ d+∑ (5.2), где σ – коэф-т регрессии при фиктивной переменной.

При изучении модели (5.2) считают, что средняя з/п есть x ’* a – при отсутствии высшего образования, x’*a+σ – при его наличии. Т. о., σ интерпретируется как среднее изменение з/п при переходе из одной категории в др-ю.

<График>

К полученному ур-ию нужно применить МНК и получить оценки соответствующих коэф-тов. Станд. ошибки коэф-тов при фиктивных переменных используются для проверки гипотез и построения доверительных интервалов. Наиболее распр. их применение состоит в проверке значимости отличия коэф-тов от 0. Она выполняется делением коэф-та на станд. ошибку для получения t-критерия Стъюдента. Расчетные значения сравниваются с критическим табличным значением при заданном уровне значимости. Качественные переменные могут отвечать не только за сдвиги у постоянного члена, но и за наклон линии регрессии. В данном случае используется фиктивная переменная для коэф-та наклона, к-ая наз-ся переменная взаимодействия. В примере 1 был рассмотрен случай зависимости з/п от наличия высшего образования без учета опыта работы по данной специальности. Для рассмотрения влияния этого фактора вводится новая фиктивная переменная zdx , тогда Y(x) = x’*a+σ d+zdx +∑; Y(x) = σ d+x *( a + zd ) +∑; (5.3). Если d=0, то коэф-т при Х как и раньше равен а , если d=1, то коэф-т приобретает вид (a+z). Поэтому величина z рассматривается как разность между коэф-том при показателе наличия высшего образования для работника, к-ый имеет опыт работы, и коэф-том при показателе наличия высшего образования для работника без опыта работы. Качественные различия можно формализовать с помощью любой переменной, принимающей два значения. Однако в эк-ой практике обычно используется система 01 , поскольку в этом случае интерпретация выглядит наиболее просто.

32. Понятие фиктивной переменой взаимодействия

33. Система фиктивных переменных.(см вопрос 30)

Если включаемый в рассмотрение качественный признак имеет несколько значений, то можно ввести дискретную переменную, принимающую такое же количество значений. Однако этот метод затрудняет содержательную интерпретацию, которая соответствует коэффициентам уравнения регрессии. Поэтому в этих случаях целесообразно использовать несколько фиктивных переменных. Примером подобных ситуаций является исследование сезонных колебаний. Пример: пусть Y ( t )- объем потребления некоторого продукта в месяц. Существует предположение о том, что потребление зависит от времени года. Для выявления сезонности можно ввести 3 фиктивные переменные:

d ( t 1)= 1, если месяц t – зимний и d ( t 1) = 0 в остальных случаях.

d ( t 2)=1, если месяц весенний и d ( t 2) = 0 в остальных случаях.

d ( t 3) = 1, если месяц летний и d ( t 3) = 0 в остальных случаях.

В данном примере оценивается уравнение следующего вида:

Y(t)=a0+a1*d(t1)+a2*d(t2)+a3*d(t3)+ e (5,4)

4 фиктивная переменная для осени не вводится, т.к. тогда для любого месяца t выполнялось бы тождество: d ( t 1)+ d ( t 2)+ d ( t 3)+ d ( t 4)=1 , что означало бы линейную зависимость коэффициентов регрессии и, как следствие, невозможность получения оценок метода наименьших квадратов. Т.о. среднемесячный объем потребления есть а0 для осенних месяцев, а0+а1 – для зимних, а0+а2 – для весенних, а0+а3 – для летних.

Оценки коэффициентов а1, а2, а3 показывают среднее сезонное отношение объемов потребления по отношению к осенним месяцам. Например, тестируя гипотезу а3=0, проверяют предположение о несущественном различие в объемах потребления м/д летним и осенним сезонами. Гипотеза а1=а2 эквивалентна предположению об отсутствии различий в потреблении м/д весной и зимой.

Фиктивные переменные, несмотря на внешнюю простоту, являются гибким экспериментом при исследовании влияния качественных признаков. В предыдущей модели рассматриваются различия лишь для среднемесячных объемов потребления. При ее модификации вводят новую независимую переменную I-доход, используемый на потребление. Известно, что в уравнении регрессии данная переменная занимает следующее место: Y ( t )= a 0+ a 1* I ( t )+ e (5,5)

Коэффициент а1 носит название «склонность к потреблению». Поэтому стоит задача исследования влияния сезона на склонность к потреблению. Для этого используют след. модель:

Y(t)= a0+a1*d(t1)+a2*d(t2)+a3*d(t3)+a4*d(t1)*I(t)+ a5*d(t2)*I(t)+a6*d(t3)*I(t)+a7*I(t)+ e (5.6)

Согласно этой модели склонность к потреблению зимой – а4+а7, весной – а5+а7 , летом – а6+а7 , осенью – а7. Как и в предыдущей моделе можно тестировать гипотезы об отсутствие сезонных колебаний на склонность к потреблению. Фиктивные переменные позволяют строить и оценивать кусочно-линейные модели . Пример. Пусть Y- это зависимая переменная, и присутствуют только 2 независимые переменные – постоянный член – Х. Пусть Х и Y представлены в виде временых рядов [( X ( t ); Y ( t )), t =1, 2,…, n ]. Пусть в момент t0 произошла структурная перестройка и линия регрессии будет отличаться от той, что была до момента t0, но общая ситуация остается непрерывной. (график)

чтобы оценить такую модель вводится фиктивная величина R ( t ). Полагая, что R ( t ) = 0 при t <= t 0, и R ( t ) = 1 при t > t 0 . Далее используется регрессионная модель следующего вида:

Y(x)=a1+a2*x(t)+a3*(x(t)-x(t0))*R(t)+ e (5.7)

Регрессионная линия, соответствующая уравнению (5,7) имеет коэффициент наклона а2 для t <= t 0, и а2+а3 для t > t 0. Т. о., разрыва в линии регрессии не происходит. Тест а3=0 проверяет предположение о том, что фактического структурного изменения не произошло. Этот подход обобщает структурные изменения в пределах одного временного интервала.

Вывод:

1. для исследования влияния нач. признаков в модель можно вводить фиктивные переменные, которые принимают значение 1, если данный начальный признак присутствует в наблюдении и значение 0 , если он отсутствует.

2. Способ включения фикт. переменных зависит от информации относительно влияния соответствующих качественных признаков на зависимую переменную и от гипотез, которые необходимо проверить.

3. От способа включения фик. переменной зависит содержательная интерпритация коэффициента при ней.

34. Оценка кусочно-линейной модели с помощью фиктивной переменной.

(смотри вопрос 33)

35. Понятие эконометрич-го прогнозирования, его значение.

Под прогнозом понимается эмпирическое или научно-обоснованное представление о возможных состояниях объекта прогнозирования в будущем.

Процесс прогнозирования состоит в том, чтобы конкретным методом с использованием определенного инструментария обработать имеющуюся информацию о состоянии изучаемого объекта, о наблюдавшихся ранее тенденциях и условиях его функционирования и превратить полученные данные в систему представлений о будущем состоянии или поведении объекта.

Базой для социально-экономического прогнозирования является познание конкретных факторов, определяющих развитие социально-экономических явлений. Прогноз носит вероятностный характер. Однако поскольку он строится на основе аргументированных научных представлений, его можно считать достаточно достоверным. Искусство прогноза включает последние достижения экономической теории статистики, математики и информатики. На этапе прогнозирования формируются возможные цели развития как на общенациональном, так и на отраслевом и региональном уровнях управления. Прогнозированием занимаются гос. Управления разных уровней, специализированные коммерческие фирмы, частые страховые, банковские и торговые корпорации.

Прогнозы на федеральном уровне учитывают результаты исследований, проводимых частными организациями и корпорациями. Т. о., можно сказать, прогнозирование составляет фундамент предпринимательской и управленческой деятельности в любой сфере.

Система прогнозирования предполагает единство методологии организации и разработки прогнозов, которая обеспечивает их согласованность, преемственность, непрерывность.

36. Эконометрич-е прогнозирование микроэкономических показателей.

В условиях рыночной экономики формирование направлений развития хоз. деят-ти предприятий должно основываться на учете прогнозных оценок влияния различных факторов. Используя эконометрические расчеты можно выполнить следующие вычисления: 1) установить прогнозные уровни результативных показателей и факторов, к-ые их формируют; 2) определить прогнозные уровни факторов при прогнозированном значении результативного признака.

Пример 1. Исследованию подвергается ряд динамики уровня рентабельности отдельного предприятия. Для проведения прогнозных расчетов используется след. формула прогнозной зависимости: (7.1), где Y(t) – уравнение тренда; Ymin – min значение результативного признака; b – параметр тренда; d – знак отклонений коэффициентов сравнения; Ti – значение символа года; Tmin – нижнее значение символа года.

<Таблица 1. Расчет параметров ур-ия тренда.>

Параметр ур-ия тренда определяется по след. формуле: (7.2). b=0,06072. Он показывает, что при изменении ряда динамики на 1 ед-цу (один год) размер отклонений коэф-та сравнения результативного признака возрастет в 0,06072 раз.

Достоверность расчетов подтверждает равенство итоговых сумм фактических и теоретических значений результативного признака.

Критерием получения прогнозных расчетов является вычисление для данного ур-ия коэф-та устойчивости.

<Таблица 2. Расчет коэф-та устойчивости тренда.>

(7.3)

Это значение коэф-та устойчивости по шкале зависимости свид-ет о высоком уровне значимости и устойчивости связи. Т. о., предложенная модель пригодна для прогноза.

<Таблица 3. Расчет прогнозных значений.>

Построим график. <График.>

37. Построение эконометрической модели экономич. роста

Прогноз экономического роста учитывает требования прогноза уровня жизни к величине экономического и военно-стратегического прогноза. Наибольшее распространение в прогнозировании экономического роста в странах с более или менее стабильной экономикой получили многофакторные модели, типа y(x)=f(x₁ , x₂ , x₃ , …, x_k ).

Используются также и однофакторные модели, н-р, модель, выражающая зависимость экономического роста только от величины трудовых ресурсов (L) в краткосрочном периоде, когда изменение производственных фондов, т. е. капитала (К), незначительно по сравнению с предыдущим периодом. Наиболее известна двухфакторная модель в форме произв-ой ф-ии: y(x)=a₀ *K^α *L^β (7.4).

В зависимости от значений α и β рассматриваются три типа экономического роста:

1)α + β = 1 – выпуск нац. продукта увеличивается пропорционально затратам факторов произ-ва (капитала и труда). Суммарная эк-ая эф-ть остается неизменной, происходит чисто экстенсивное расширение произ-ва, когда низкая эф-ть капитала покрывается приростом трудовых ресурсов.

2) α + β > 1 – этоозначает, что при росте факторов произ-ва в n раз выпуск продукции увеличивается более, чем в n раз, т. е. рост произ-ва отражает рост совок-ых затрат факторов. Помимо этого данный эффект может присутствовать, когда под воздействием достижений НТП повышается эф-ть произ-ых фондов или трудовых ресурсов.

3)α + β < 1 – выпуск продукции увеличивается медленнее по сравнению с ростом затрат факторов произ-ва. Суммарная эф-ть снижается, т. е. происходит деинтенсификация роста произ-ва. Произ-ая ф-ия, описывающая 1-ый случай наз-ся ф-ией Кобба-Дугласа.

Можно отойти от вышеописанного вида произ-ой ф-ии и рассмотреть зависимость результатов произ-ва, опосредованных через факторы, влияющие на факторы произ=ва и на их эф-ть.

Сами факторы произ-ва выступают как первичные (глобальные) факторы, факторы, влияющие на факторы произ-ва – как вторичные. Вторичные факторы влияют в первую очередб на величину глобальных факторов и во вторую очередь на их эф-ть.

Живой труд в сфере произ-ва:

1)факторы, влияющие на величину трудовых ресурсов:

а) производительность рабочего года, недели, дня; б) возрастной состав рабочей силы; в) состав рабочей силы по полу.

2)факторы, влияющие на производительность труда :

а) уровень общего образования; б) уровень профессионального образования; в) уровень навыка; г) уровень и система ОТ.

Произ-ые фонды:

1)факторы, влияющие на величину капитала:

а) временная загрузка фонда и степень использования потенциальных мощностей; б) скорость оборота произ-ых фондов.

2)факторы, влияющие на оценку производительности фондов:

а) тех. Уровень или уровень морального износа фондов; б) территориальное распределение фондов; в) отраслевое распределение фондов; г) масштабы произ-ва.

Развитие факторного подхода предполагает углубленную эк-ую и стат-ую работу. Целесообразен переход к отраслевому аспекту факторного прогноза: 1) усиливается роль отраслевых факторов и особенностей; 2) возникает возможность дифференциации произ-ых факторов и трудовых ресурсов; 3) поскольку развитие одной отрасли связано с развитием другой отрасли, то фактический анализ тесно связан со структурным анализом.

38. Эконометрич-е прогнозирование потребительского и совокупного спроса.

Совок-ый спрос – это модель поведения всех хоз-ющих субъектов (домохозяйств, фирм, правительства) как потребителей товаров и услуг, к-ая показывает сколько этих товаров и услуг при разных уровнях цен готовы купить эти субъекты.

Необходимо отметить сходство показателей, определяющих ВНП по сумме расходов и неценовых факторов, учитывающих совок-ый спрос. ВНП = С + I + Q + X (7.5), где С -личные потребит-ие расходы; I – валовые частные внутренние инвестиции; Q – гос. закупки товаров и услуг; Х – чистый экспорт. Совок-ый спрос представляет собой сумму потребительских, инвестиционных, гос-х расходов и объема чистого экспорта.

Если сложить перечисленные неценовые факторы, то получится значение совок-го спроса при определенной средневзвешенной цене на товары и услуги. Разница между ВНП и совок-ым спросом состоит в том, что, когда рассматриваются потребит-ие расходы как эмитенет ВНП, то учитывается только та часть товаров и услуг, к к-ой предъявляется спрос, т. е. реализованная продукция.

В этом случае при анализе и прогнозе можно оперировать и понятием личные потребит-ие расходы, и понятием потребит. спрос. Однако та часть ВНП, к-ая не нашла потребителя, включается в расчетах ВНП в объем валовых чистых внутр-их инвестиций. При этом увеличение запасов означает, что произведено больше, чем продано. И это увеличение должно учитываться в расчетах ВНП. Если наблюдается уменьшение запасов, то это означает, что в текущем году продано больше, чем изготовлено, т. е. проданы товары, произведенные за предыдущий год. В этом случае необходимо сократить объем ВНП на величину уменьшения запасов.

В прогнозных исследованиях на краткосрочный и среднесрочный периоды моделирование потребит-го спроса на макро-уровне занимает приоритетное место. Это обусловлено тем, что потребит. спрос определяет большую долю ВВП, влияет на структуру произ-ва, общий уровень цен и на динамику цен в разных секторах экономики.

В общем случае ф-ия потребит. спроса выглядит след. образом: С_п = f (ΔС; Д₀ , Д_{- T ,} Д_+T, КР, Н, ΔПР) ( 7.6), где ΔС – это изменение уровня цен, влияющих на спрос через эффекты %-ой ставки и импортных закупок; Д₀ – текущий располагаемый личный доход населения (оплата труда, рента, %-ы, дивиденды и т. д.); Д_{- T} – доходы прошлых лет; Д_+T – ожидаемые доходы будущих периодов; КР – задолженность потребителей по кредитам; Н – уровень налогов с физ. лиц; ΔПР – изменение %-ой ставки.

Для долгосрочной модели можно добавить фактор изменения численности населения и половозрастной структуры.

Для краткосрочного прогноза также можно использовать след. вариант: С_п = f (Д₀ ) (7.7), т. е. при неизменных ценах в краткосрочном периоде, потребит. спрос зависит только от личного располагаемого дохода текущего периода.

39. Эконометрич-е прогнозирование отраслевой структуры нац. экономики.

Структурные особенности распределения ресурсов как и структурные особенности потребностей трансформируются через многоотраслевые построения в изменении макроэк-их показателей. Т. о., роль прогноза структуры нац. эк-ки заключается как в получении самостоятельных результатов, так и в опосредовании взаимосвязей между общеэк-ми и узкоотраслевыми прогнозами, а также между отраслевым разрезом прогноза ресурсов и общим прогнозом развития нац-ой эк-ки.

В структурном прогнозировании используются способы комбинированного прогнозирования: 1) экспертные оценки; 2) эконометрические модели; 3) метод сценария; 4) экономико-математические модели; 5) метод разработки межотраслевого баланса (МОБ).

В основе метода МОБ лежит метод "затраты – выпуск". Данный метод исходит из представления прогноза в виде результата численного решения системы уравнений общего соц. эк-го равновесия страны. Эта система позволяет определить выпуск промежуточной продукции каждой отрасли и затраты на изготовление, необходимые для обеспечения выпуска конечного продукта заданного объема.

Уравнения системы имеют след. вид: Х=А1*Х1+А2*Х2+…+Ак*Хк+ Y (7.8), где Х – валовый объем произ-ва данной отрасли; А1, А2, …, Ак – коэф-ты прямых затрат, т. е. это нормы расходования промежуточной продукции изучаемой отрасли для произ-ва конечногоп родукта отрасли; Y – конечное непроиз-ое потребление продукции данной отрасли.

Если определен спрос на продукцию всех отраслей, то можно, используя коэф-ты прямых затрат, определить объемы промежуточной продукции и соответсвенно валовой продукции отраслей. Однако необходимо учитывать влияние НТП, поскольку новые технологии снижают топливно-энергетические и материальные затраты на произ-во продукции.

Метод МОБ разрабатывается в натур-ом и стоимостном выражении. При этом существуют некоторые трудности между установлением взаимосвязей стоимостного МОБ и стоимостными макроэк-ми показателями, т. е. между данными объема произ-ва отраслей и след. показателями: 1) прогнозным балансом доходов и расходов отраслей; 2) прогнозным балансом доходов и расходов населения; 3) объемом ден. массы, необходимой для нормального обеспечения воспроиз-нного процесса; 4) бюджетом гос-ва.

Основная трудность состоит в том, что данные фин. отчетности формируются по разнородным отраслям, а данные для МОБ собираются по однородным отраслям.

40. Эконометрич-е прогнозирование инфляц-х процессов.

Инфляция – это обесценивание нац. валюты. Она присуща любому типу эк-ки. Для России характерно взаимодействие двух типов инфляции: спроса и издержек. Они находятся под влиянием различных факторов, отражающих произ-ые, фин-ые и соц. аспекты развития страны.

Одним из симптомов наличия инфляции является изменение индекса цен, к-ый опред-ся след. образом: Ip = S * C *100% (7.9), где S – цена рыночной корзины в данном периоде; C – цена аналогичной рын. корзины в базисном периоде.

Т. о., изменение индекса цен и прогнозирование его величины зависит от состава рын. корзины, качества продукции, издержек произ-ва и величины дефицита на товары потребления. По этой причине применение данного индекса недостаточно для прогнозирования темпов инфляции. Используется также показатель прироста дефлятора ВВП, показывающего увеличение ВВП за счет роста цен: Д_ВВП = N_H / N_P (7.10), где N_H – номинальный ВВП; N_P – реальный ВВП.

С помощью коэф-та корреляции установлено, что и индекс цен и дефлятор ВВП характеризуют одно и тоже явление и разница между ними несущественна. Однако многие экономисты утверждают, что при прогнозировании темпов инфляции необходимо рассчитывать оба показателя.

В разных странах разрабатываются различные модели прогнозирования уровня инфляции. В частности, в США разработана модель MODYS. В данной эконометрической модели используются след. аргументы-факторы.

1)Эндогенные (внешние) переменные: а) предполагаемые произ-вом изменения косвенных налогов; б) предполагаемые изменения гос. субсидий; в) предполагаемые изменения цен на некоторые группы товаров и услуг, контролируемых гос-вом; г) регулирование трудоывх соглашений; д) трансфертные платежи.

2)Экзогенные переменные (внутренние): а) прогнозные цены на продукцию; б) прогнозный уровень цен.

содержание   ..  151  152  153   ..