Анализ финансово-экономической деятельности страны (США)

E rroraValuedfSig. b1,113,171,4391,5082-, 314,1683,9192,1413-, 064,1654,0673,2544,237,1626,2014,1855,072,1596,4075,2696-, 202,1568,0796,2327-, 098,1538,4927,2918,124,1509,1738,3289,014,1479,1829,42 110-, 064,1439,38 010,49611-, 052,1409,51 811,57412-, 117,13 610,25812,59 313-, 026,13 310,29813,66 914,124,12 911,22614,66 815,198,12 513,72615,54 616-, 168,12 115,66016,477a. T he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. x13AutocorrelationsSeries:x13LagBox-Ljung StatisticAutocorrelationStd. E rroraValuedfSig. b1,216,1711,5891,2082,104,1681,9682,3743,067,1652,1303,5464,292,1625,3654,2525,120,1595,9325,3136-, 101,1566,3516,3857,157,1537,4037,3888,126,1508,1148,4229,078,1478,4009,49 410-, 092,1438,81 510,55011-, 020,1408,83 511,63712-, 031,1368,88 612,71313-, 181,13 310,75313,63 214,067,12 911,01914,68 515-, 119,12 511,92115,68 516-, 184,12 114,23316,581a. T

he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. x14AutocorrelationsSeries:x14LagBox-Ljung StatisticAutocorrelationStd. E rroraValuedfSig. b1,125,171,5321,4662-, 364,1685,2152,0743-, 248,1657,4713,0584-, 139,1628,2034,0845-, 106,1598,6425,1246,306,15 612,4656,0527,158,15 313,5247,0608-, 041,15 013,5988,0939,047,14 713,7039,13 310-, 016,14 313,71510,18 611-, 281,14 017,76011,8 712-, 212,13 620,17612,6 413,126,13 321,08413,7 114,181,12 923,05714,5 915,096,12 523,64815,7 116,096,12 124,28216,084a. T

he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. x15AutocorrelationsSeries:x15LagBox-Ljung StatisticAutocorrelationStd. E rroraValuedfSig. b1-, 141,171,6791,4102,161,1681,5912,4513-, 181,1652,7823,4264,206,1624,3904,3565,005,1594,3915,4956,061,1564,5416,6047-, 067,1534,7337,6938,180,1506,1708,6289-, 230,1478,6329,47 210,209,14 310,75010,37 711-, 193,14 012,65511,31 612,070,13 612,92112,37 513-, 164,13 314,44813,34 314,001,12 914,44814,41 715-, 074,12 514,79915,46 616,017,12 114,81916,538a. T he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. x16AutocorrelationsSeries:x16LagBox-Ljung StatisticAutocorrelationStd. E

rroraValuedfSig.b1,051,171,0891,7662,125,168,6362,7283-, 067,165,8023,8494,042,162,8684,9295,063,1591,0235,9616-, 141,1561,8366,9347-, 046,1531,9257,9648-, 268,1505,1298,7449-, 044,1475,2219,81 510-, 004,1435,22 210,87611,173,1406,75 511,81912,133,1367,71 012,80713,008,1337,71 313,86214,147,1299,1 514,83015-, 020,1259,4 015,87516-, 050,1219,21 316,904a. T he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. x17AutocorrelationsSeries:x17LagBox-Ljung StatisticAutocorrelationStd. E

rroraValuedfSig.b1,036,171,0451,8322-, 251,1682,2622,3233-, 279,1655,1083,1644-, 104,1625,5224,2385,205,1597,1785,2086,268,15 610,1216,1207,263,15 313,0667,0718-, 406,15 020,3908,0099-, 213,14 722,4939,710,005,14 322,49410,1 311,227,14 025,12111,912,170,13 626,68312,913-, 039,13 326,76813,1 314-, 182,12 928,75714,1 115-, 252,12 532,83015,516,000,12 132,83016,008a. T he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. x18AutocorrelationsSeries:x18LagBox-Ljung StatisticAutocorrelationStd. E rroraValuedfSig. b1-, 239,1711,9471,1632-, 149,1682,7252,2563-, 162,1653,6813,2984,029,1623,7124,4465,223,1595,6605,3416,252,1568,2666,2197-, 336,15 313,0847,0708-, 051,15 013,1998,1059,058,14 713,3549,14 710-, 062,14 313,54210,19 511,177,14 015,14211,17 612,007,13 615,14512,23 413-, 113,13 315,86413,25 714-, 205,12 918,38314,19 015,105,12 519,09215,21 016-, 056,12 119,30916,253a. T

he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. x19AutocorrelationsSeries:x19LagBox-Ljung StatisticAutocorrelationStd. E rroraValuedfSig. b1-, 025,171,0221,8822-, 142,168,7352,6923,048,165,8203,8454-, 209,1622,4734,6505-, 171,1593,6235,6056,068,1563,8116,7027-, 093,1534,1767,7598,053,1504,2998,8299-, 001,1474,2999,89 110,028,1434,33 610,93111,258,1407,74 911,73612,089,1368,17 812,77113,043,1338,28 213,82514-, 189,12 910,42214,73 115-, 072,12 510,75515,77 016-, 079,12 111,18516,798a. T he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. x20AutocorrelationsSeries:x20LagBox-Ljung StatisticAutocorrelationStd.

E rroraValuedfSig. b1,059,171,1191,7302-, 005,168,1202,9423,435,1657,0403,0714-, 054,1627,1514,1285-, 085,1597,4335,1906,218,1569,3836,1537,002,1539,3837,2268,046,1509,4768,3049-, 035,1479,5339,39 010,103,14 310,05110,43 611,000,14 010,05111,52 612-, 232,13 612,94712,37 313-, 026,13 312,98513,44 914-, 060,12 913,20014,51 115-, 303,12 519,06315,21 116-, 074,12 119,43316,247a. T he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. x21AutocorrelationsSeries:x21LagBox-Ljung StatisticAutocorrelationStd. E rroraValuedfSig. b1,120,171,4911,4842-, 083,168,7362,6923-, 163,1651,7073,6354-, 246,1624,0074,4055-, 165,1595,0795,4066-, 120,1565,6666,4627,092,1536,0287,5368,166,1507,2618,5099-, 077,1477,5379,58 110-, 133,1438,40 110,59011-, 038,1408,47 411,67012-, 169,13 610,02112,61 413,130,13 310,97613,61 314-, 015,12 910,98814,68 715,146,12 512,34215,65 316,196,12 114,96916,527a. T

he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. x22AutocorrelationsSeries:x22LagBox-Ljung StatisticAutocorrelationStd. E rroraValuedfSig. b1,074,171,1851,6672,035,168,2292,8923,328,1654,1583,2454-, 238,1626,2994,1785-, 393,15 912,3865,0306-, 112,15 612,8956,0457-, 217,15 314,8987,0378-, 240,15 017,4548,0269,066,14 717,6589,3 910,052,14 317,79210,5 911,032,14 017,84411,8 512,232,13 620,74512,5 413,107,13 321,40213,6 514,111,12 922,13914,7 615,138,12 523,35915,7 716-, 091,12 123,92916,091a. T he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. x23AutocorrelationsSeries:x23LagBox-Ljung StatisticAutocorrelationStd. E rroraValuedfSig. b1,018,171,0111,9152,383,1685,1822,0753-, 189,1656,4833,0904-, 161,1627,4694,1135-, 299,15 910,9775,0526-, 156,15 611,9766,0637,042,15 312,0527,0998-, 023,15 012,0768,1489,100,14 712,5399,18 510,038,14 312,61010,24 611-, 046,14 012,72111,31 212-, 009,13 612,72512,38 913-, 021,13 312,75113,46 714,074,12 913,07814,52 015,084,12 513,53215,56 116-, 005,12 113,53316,633a.

T he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. x24AutocorrelationsSeries:x24LagBox-Ljung StatisticAutocorrelationStd. E rroraValuedfSig. b1,259,1712,2921,1302-, 128,1682,8692,2383-, 115,1653,3563,3404,099,1623,7264,4445-, 046,1593,8085,5776-, 354,1568,9336,1777-, 283,15 312,3497,0908-, 004,15 012,3508,1369-, 147,14 713,3509,14 710,010,14 313,35510,20 411,027,14 013,39311,26 812,295,13 618,07412,11 313,157,13 319,48313,10 914-, 003,12 919,48414,14 715-, 032,12 519,55015,19 016,039,12 119,65616,236a. T he underlying process assumed is independence (white noise).b. Based on the asymptotic chi-square approximation. По результатам анализа временных рядов можно сделать выводы, что ряды не являются однородными. По таким рядам сложно спрогнозировать дальнейшую динамику.

3.4. Факторный анализ

Целью факторного анализа является выявление из всех показателей новых переменных, разбитых по факторам. Таблица 18.МатрицакомпонентTotal Variance ExplainedComponentInitial EigenvaluesExtraction Sums of Squared LoadingsCumulative %Total% of VarianceCumulative %112,9883,11 712,98812,988 223,8342,60 310,84623,834 333,9152,41 910,08133,915 442,5272,0678,61 242,527550,7841,9828,25 750,784657,9951,7317,21 157,995764,6661,6016,67 164,666870,2371,3375,57 170,237975,3861,2365,14 975,3861080,0361,1164,64 980,036Extraction Method: Principal Component Analysis. Component MatrixaComponent12345678×1-, 785-, 163-, 072-, 201-, 184-, 029,168-, 260×2-, 108,263-, 276,568-, 301-, 379-, 101,174×3,601-, 013,189,145-, 110-, 094,276-, 122×4,594,005,157,096,014,404-, 295-, 305×5-, 121-, 712,065,084,129-, 088-, 066,297×6-, 153,270,238,315,301-, 337,068-, 369×7-, 157,337,267,337-, 510-, 083,325,094×8-, 095-, 086,317,616,150-, 296-, 375,118×9-, 256,358,092-, 008,241,679,196-, 162×10,015-, 018-, 018,459,623,167-, 198,189×11,180-, 115-, 244,156,017-, 096,561,386×12-, 087-, 509-, 006,065,193-, 187,107-, 521×13-, 097,671-, 065,112-, 370,058-, 194,066×14-, 395,068-, 151-, 322,379-, 375-, 044,206×15,667,158,384-, 169-, 143-, 056,054,055×16-, 244-, 251,566,109,197,232-, 153,146×17,077,228-, 165,336,417,274,586,098×18,264,004,443-, 357-, 043,122-, 239,456×19,019,354,468-, 139,494-, 283,231,031×20,220-, 680-, 277,233-, 183,263,248,165×21-, 681,084-, 243-, 080-, 079,327-, 150,178×22,510-, 087-, 605-, 210,098-, 251-, 158-, 132×23,193,394-, 396-, 423,364-, 125,033,185×24,205,230-, 617,367,175,199-, 334-, 048Extraction Method: Principal Component Analysis.a. 10 components extracted. Component MatrixaComponent910×1,087-, 124×2,289-, 087×3-, 362-, 335×4-, 046,116×5,133-, 010×6,309,320×7-, 151-, 275×8-, 057-, 107×9,252-, 138×10-, 071-, 340×11,356,304×12,388-, 199×13-, 046,329×14-, 333,058×15,323,082×16-, 195,479×17-, 145,061×18,441-, 251×19,046,066×20-, 054,132×21,140-, 022×22-, 050,178×23,042-, 207×24,161,001Extraction Method: Principal Component Analysis.a. 10 components extracted. На основании факторного анализа можно сделать вывод, что в фактор 1 попадают показатели: x1, x2, x3, в фактор 2 — x11, в фактор 3 — x12. 3.

5. Дисперсионный анализ

Целью дисперсионного анализа является оценка эффектов влияния независимых переменных на зависимые. Анализ проводится для всех показателей с целью измерения факторов и проверки значимости на основе полной дисперсии. Таблица 19.ПроведениедисперсионногоанализаType III Sum of SquaresdfMean SquareFSig.6,068E12a302,11E11.2210,13a3076,826.

7,166E12a302,389E11.1,162E1411,162E14.214 771,0511214771,051.

7,791E1217,791E12.1,699E1431278104,312,211E13316,268E12302304,774 307,166E1230

При проведении дисперсионного анализ можно сделать вывод, что влияние фактора несущественное, этот фактор можно исключить из дальнейшей обработки.

3.6. Кластерный анализ

Целью кластерного анализа является классификация показателей в однородные группы (схожие между собой), кластеры. Проводится для всех анализируемых данных с целью выявления принадлежности к одному виду кластерного ряда. Cluster DistributionN% of Combined% of TotalCluster131100,0%100,0%Combined31100,0%100,0%Total31100,0%На основании кластерного анализа можно сделать вывод, что оптимальное число групп 1.

3.7. Дискриминантный анализ

Дискриминантный анализ — это комплекс методов многомерного статистического анализа, используемых в определенной последовательности. Дискриминантный анализ позволяет построить дискриминантные функции, которые наилучшим образом характеризуют различия между качественно разнородными априорно заданными группами объектов. Таблица .24Сводкарезультатовобработкинаблюдений

НевзвешенныенаблюденияNПроцент

Валидные0,0Исключенные

Пропущенные или лежащие вне диапазона коды группирующей переменной31 100,0По крайней мере одна пропущенная дискриминантная переменная0,0Оба групповых кода пропущены или лежат вне диапазона, и отсутствует по крайней мере одна дискриминантная переменная.

0,0Итогоискл.

31 100,0Всегонабл.

31 100,0 В результате проведения дискриминантного анализа получилось, что все данные находятся в одой группе, а писать уравнение для одной группы не имеет смысла, так как для 31 показателя оценить влияние на один зависимый невозможно.

3.8. Регрессионный анализ

Целью регрессионного анализа является выявление формы распределения, составлении уравнения регрессии, графическое представление регрессии, осуществление прогноза на основе уравнения регрессии. Анализ проводится для всех показателей финансового сектора экономики Японии, так как между ними существует линейная зависимость. Таблица 26.Сводкадлямодели

РегрессионнаястатистикаМножественный R0,63 364 3324R-квадрат0,401 503 861

Нормированный R-квадрат0,380 866 064

Стандартнаяошибка372 419,5459

Наблюдения31Таблица 27. Дисперсионныйанализa dfSSMSFЗначимость FРегрессия12,7E+122,69831E+1219,454 782 130,00013

Остаток294,02E+121,38696E+11Итого306,72E+12 Таблица 28. Коэффициенты Коэффициенты

Стандартнаяошибкаt-статистикаP-Значение

Нижние 95%Верхние 95%Y-пересечение2 719 500,044102116,626,631 312 266,18227E-2 225 106 482 928 352×2−0,155 944 430,035355−4,4 107 575 460,0001299−0,22 825−0,8 363

Рисунок 30. Регрессионная модель для показателя

ВЫВОДЫПо размерам территории Соединенные Штаты Америки занимают среди стран мира четвертое место (9,4 млн. км 2). В состав США входят три части. Первая — основная территория, на которой расположены 48 штатов, занимает 4/5 площади всей страны.

Она имеет форму массивного четырехугольника, протягивающегося с востока на запад почти на 4,7, а с севера на юг на 3 тыс. км. Остальные — далеко отстоящие от нее штаты Аляска и Гавайские острова в Тихом океане. ЭГП страны весьма выгодное. Оно во многом определяется тем, что с востока ее омывают воды Атлантического, а с запада — Тихого океана. Морские границы протягиваются на 12 тыс. км. Это издавна облегчало торговые связи с заокеанскими странами и одновременно гарантировало стране безопасность. Курсовой проект заключался в анализе статистических данных США. Данные, для статистического анализа, использовались за период с 1997 года по 2009 год.

В процессе анализа различными способами и методами были получены следующие данные:

При проведении базового анализа, были рассчитаны следующие статистические показатели: среднее значение, стандартная ошибка, мода, медиана, дисперсия выборки, стандартное отклонение, эксцесс, асимметричность. В результате проведения корреляционного анализа с помощью пакета SPSS было установлено, что зависимость между показателями довольно слабая. На основании регрессионного анализа можно сделать вывод, что линейная модель неадекватна. За данными проведения регрессионного анализа нельзя спрогнозировать значение зависимой переменной, поскольку данные для исходного анализа не имеют поступательного анализа, вариативный ряд — дифференцирований, а поэтому мы не можем точно предсказать дальнейшее развитие финансового сектора экономики Японии. При проведении дисперсионного анализ можно сделать вывод, что влияние фактора несущественное, этот фактор можно исключить из дальнейшей обработки. При проведении кластерного анализа было выявлено, что кластерной зависимости между элементами структуры не выявлено, поскольку каждый из них является самостоятельной экономической единицей. В результате проведения дискриминантного анализа получилось, что все данные находятся в одной группе, а писать уравнение для одной группы не имеет смысла, так как для 31 показателя оценить влияние на один зависимый невозможно. СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫПериодическая печать:

Вавилов А., Ковалишин Е. «Принципы государственной долговой политики"// «Вопросы экономики», № 8 2011;Гладкий Ю. Н., Лавров С. Б., Экономическая и социальная география мира. М., 2003;Киреев А. П. Международная экономика.

В 2-х частях. — Ч.II. Международная макроэкономика: открытая экономика и макроэкономическое программирование. — М.: Международные отношения, 2011;Ломакин В. К., Мировая экономика. М., 2008;Леонов О.

" Россию переоценили"// «Эксперт», № 37, 8 октября 2011.;Мировая экономика. Экономика зарубежных стран. / Под ред.

Колесова В.П. и Осьмовой М. Н. — М.: Флинта, 2010;Мировая экономика. / Под ред. Булатова. — М.: Юристъ, 2012;Справочник «Страны мира», статья «США», 1996 год;9. Страны мира: Краткий полит.

экон. справочник.

М.:Политиздат, 1989;Страны мира: краткий полит. — эконом. справочник. М., 1993;11. Япония. Региональная структура экономики./Под ред.В. Я. Выборнова.

М.:Наука, 1987;Спарнарьян В. Б. Деловая Япония. М.: Мысль 1992 г.;Мировая экономика. Экономика зарубежных стран. / Под ред. Колесова В. П. и Осьмовой М. Н. — М.: Флинта, 2000 г.;Мировая экономика.

/ Под ред. Булатова. — М.: Юристъ, 2002 г.;География. Население и хозяйство мира. 10 класс. М: Дрофа 1997 г.;Страны мира: Краткий полит.

экон. справочник.

М.:Политиздат, 1989 г.;Экономическая география под ред. И. А. Родионова. М: Московский лицей, 2000 г.;