Проверяемый текст
Подрезов, Павел Николаевич; Развитие методов оценки инвестиционной привлекательности промышленного предприятия на основе многофакторных эконометрических моделей (Диссертация, 30 мая 2008)
[стр. 48]

влекательности промышленных предприятий основной.
Будем в дальнейшем называть их пространственными моделями.
Примерами временных данных могут служить данные по чистой прибыли, общей рентабельности, производительности труда конкретного промышленного предприятия за ряд лет.
Отличительной чертой этих данных является то, что они естественным образом упорядочены во времени.
Временные данные используются для построения регрессионных моделей типа
(1.21.5).
В моделировании инвестиционной привлекательности промышленных предприятий этот тип моделей также играет важную прогностическую роль.

Основным методом построения пространственных эконометрических моделей типа (1.7)
является множественный линейный регрессионный анализ.
Поскольку значения экономических переменных определяются обычно влиянием не одного, а нескольких объясняющих факторов, следует попытаться выявить влияние нескольких факторов хь введя их в модель, т.е.
построить уравнение множественной регрессии
У ^ 00 + р1*1 + 02*2 + -■■+ + 8.
(1.8) Параметры модели (1.8) Р, оцениваются методом наименьших квадратов минимизируется сумма квадратов так называемых остатков (отклонений расчетных значений от фактических).
Основная цель множественной регрессии построить модель с большим числом факторов, определив при этом влияние каждого из них в отдельности, а также совокупное их воздействие на моделируемый показатель.
Включение в уравнение множественной регрессии того или иного набора факторов связано, прежде всего, с представлением исследователя о природе взаимосвязи моделируемого показателя с другими экономическими явлениями.
Факторы, включаемые во множественную регрессию, должны отвечать следующим требованиям:
48
[стр. 58]

Соответственно типам моделей, различают и типы данных.
П ри моделировании экономических процессов использую т данные двух типов пространственные данные {cross-sectional data) и временные ряды (time-series data).
Примером пространственных данных является, в частности, набор показателей инвестиционной привлекательности предприятий (чистая прибыль, общая рентабельность отчетного периода, производительность труда и др.) по одной отрасли в один и тот же момент времени (пространственный срез).
Пространственные данные используются для построения регрессионных моделей типа (1.11).
Этот тип моделей для моделирования инвестиционной привлекательности промыш ленных предприятий основной.
Будем в дальнейшем называть их пространственными моделями.
Примерами временных данных м огут служить данные по чистой прибыли, общей рентабельности, производительности труда конкретного промышленного предприятия за ряд лет.
Отличительной чертой этих данных является то, что они естественным образом упорядочены во времени.
Временные данные используются для построения регрессионных моделей типа
(1.71.10).
В моделировании инвестиционной привлекательности промышленных предприятий этот тип моделей также играет важ ную прогностическую роль.

В системах одновременных уравнений использую тся ка к пространственные, так и временные данные.
Ввиду их сложности до настоящего времени известны лиш ь отдельные примеры применения систем одновременных ура1«1ений.
Представляется, что приведенную выше классиф икацию эконометрических моделей следует дополнить структурны м и моделями.
В и х число, прежде всего, необходимо ввести модели многомерной классификации.
О сновным математическим приемом подобного моделирования является методы многомерного кластерного анализа [84, 124].
58

[стр.,59]

Д ругим важным видом структурны х моделей, на наш взгляд, являются модели многомерного факторного анализа [118, 129], суть которого в сведении больш ого числа первичных показателей к меньшему числу латентных (скры ты х) факторов, адекватно отражающ их сущ ествующ ие связи между исходными показателями, выявляемые исходя из статистических свойств анализируемой выборки.
Основным методом построения пространственных эконометрических моделей типа ( 1
.1 1 ) является множественный линейный регрессионный анализ.
П оскольку значения экономических переменных определяются обычно влиянием не одного, а нескольких объясняющ их факторов, следует попы таться выявить влияние нескольких факторов х,-, введя их в модель, т.е.
построить уравнение множественной регрессии
Р о + piXi + р2^2 + -■■+р„Хш + £■ (1-15) Параметры модели (1.15) Р,-оцениваются методом наименьш их квадратов —минимизируется сумма квадратов так называемых остатков (отклонений расчетных значений от ф актических).
Основная цель множественной регрессии построить модель с большим числом факторов, определив при этом влияние каждого из них в отдельности, а также совокупное их воздействие на моделируемый показатель.
Вклю чение в уравнение множественной регрессии того или иного набора факторов связано, прежде всего, с представлением исследователя о природе взаимосвязи моделируемого показателя с другим и экономическими явлениями.
Ф акторы, включаемые во множественную регрессию, должны отвечать следующим требованиям:
1) они должны быть количественно измеримы.
Если необходимо вклю чить в модель качественный фактор, не имею щ ий количественного измерения, то ему нуж но придать количественную определенность; 2 ) факторы не должны быть коррелированы и тем более находиться в точной ф ункциональной связи.
Если между факторами существует высокая 59

[Back]