Ūkio statistika ir ekonometrija: namų biudžeto tyrimas

ĮVADAS Darbo tikslas – išanalizuoti namų ūkių biudžeto pokyčius. Tyrimo objektas –28 namų ūkiai. Darbo uždaviniai: 1. Namų ūkių biudžetų statistinių duomenų analizė a) Pateikti namų ūkių bendrą charakteristiką. b) Įvertinti namų ūkių pajamų ir išlaidų skaitines charakteristikas. c) Išanalizuoti statistinius duomenis. d) Ar skiriasi vieno šeimos nario vidutinės pajamos kaime ir mieste? e) Ar vieno namų ūkio nario vidutines išlaidas tiesiškai nusako namų ūkio vieno nario vidutinės pajamos? f) Patikrinti ar namų ūkių santaupos didėja. g) Įvertinti namų ūkių nelygybę ir skurdą. h) Įvertinti išlaidų priklausomybę nuo įvairių faktorių (regresinė analizė): • Rasti reikšmingiausius pasirinktam priklausomajam kintamajam regresorius; • Sudaryti regresinį modelį; • Rasti determinacijos koeficiento įvertį; • Patikrinti regresijos koeficientų reikšmingumą; • Pateikti išvadas ar parinktas regresinis modelis gerai aprašo priklausomąjį kintamąjį, ar modelis gali būti naudojamas išlaidų prognozei? 2. EKONOMETRINIS TYRIMAS a) Ekonomikos teorija arba ekonominės statistikos teorija. b) Ištirti pasirinkto makroekonominio rodiklio priklausomybę nuo kitų makroekonominių rodiklių: ◦ Aprašomoji statistika (lentelės, analizuojamų rodiklių grafikai, statistiniai indikatoriai (vidurkis, dispersija, standartinis nuokrypis)); ◦ Modeliavimas ir prognozavimas (vienmatis regresijos modelis, daugiamatis regresijos modelis). 1 Namų ūkių biudžetų statistinių duomenų analizė Namų ūkio dydis   Namų ūkio galvos vedybinis statusas   Namų ūkio disponuojamos pajamos (Lt)   1 Nevedęs/netekėjusi   Gyvenamoji vieta   2 Vedęs/ištekėjusi   1 5 Didieji miestai   3 Ner. santuoka   2 Kiti miestai   4 Gyvena atskirai   3 Kaimas   5 Našlys   Namų ūkiai su skirtingu skaičiumi namų ūkyje 6 Išsiskyręs   1 Namų ūkis su 1 vaiku iki 18 metų   Namų ūkio galvos lytis   2 Namų ūkis su 2 vaikais iki 18 metų 1 Vyras   3 Namų ūkis su 3 ir daugiau vaikų iki 18 metų 2 Moteris   4 Namų ūkis be vaikų   Namų ūkio galvos socialinė-ekonominė grupė Namų ūkiai su vaikais ir be vaikų   1 Ūkininkai   1 Namų ūkis su vaikais iki 18 metų   2 samdomi darbuotojai   2 Namų ūkis be vaikų iki 18 metų   3 Verslininkai   Namų ūkio galvos išsimokslinimas   4 Pensininkai   1 Neturi pradinio   5 Kita   2 Pradinis   Namų ūkio galvos amžius (grupuotas)   3 Pagrindinis   1 iki 30 metų   4 Bendras vidurinis   2 30 - 39 metai   5 Akštesnysis   2 30 - 39 metai   6 Aukštasis   4 50 - 59 metai   Namų ūkio galvos pagrindinis pajamų šaltinis 5 60 metų ir daugiau   1 Darbas asmeniniame žemės ūkyje Miestas - Kaimas   2 Samdomas darbas Ž.Ū.visuom. sektoriuje 1 Miestas   3 Samdomas darbas Ž.Ū.priv. sektoriuje 2 Kaimas   4 Pajamos iš verslo, amatų   Namų ūkio vartojimo išlaidos (Lt)   5 Samdomas darbas ne Ž.Ū.visuom. sektoriuje   6 Samdomas darbas ne Ž.Ū.priv. sektoriuje   7 Pajamos iš laisvos profesinės veiklos   8 Bedarbio pašalpa     9 Stipendija     10 Pensija     11 Socialinės pašalpos     12 Išlaikytiniai     13 Kitas pajamų šaltinis     Namų ūkio dydis Namų ūkio disponuojamos pajamos Gyvenamoji vieta Namų ūkiai su skirtingu skaičiumi namų ūkyje Namų ūkiai su vaikais ir be vaikų Namų ūkio galvos išsimokslinimas Namų ūkio galvos pagrindinis pajamų šaltinis Namų ūkio galvos vedybinis statusas Namų ūkio galvos lytis Namų ūkio galvos socialinė-ekonominė grupė Namų ūkio galvos amžius (grupuotas) Miestas - Kaimas Namų ūkio vartojimo išlaidos Variantas 1 0 2 4 2 6 4 6 1 3 2 1 2246 55 2 1889 3 4 2 3 1 2 1 1 4 2 1475 55 4 1576 3 4 2 5 10 2 1 4 4 2 4302 55 2 1131 3 4 2 5 5 2 1 2 5 2 606 55 1 2262 2 4 2 6 6 6 2 2 3 1 1255 55 5 1696 2 2 1 6 5 2 1 2 3 1 1254 55 2 469 2 4 2 4 5 2 2 2 4 1 317 55 1 716 2 4 2 4 6 4 2 2 3 1 1726 55 4 1704 3 2 1 3 6 2 1 2 4 2 1277 55 2 3187 2 4 2 6 4 2 1 3 5 1 2316 55 1 1331 3 4 2 2 10 6 2 4 5 2 779 55 3 845 3 4 2 2 1 2 1 1 4 2 410 55 4 1189 2 2 1 5 6 2 1 2 3 1 1418 55 1 1260 2 4 2 4 6 1 1 2 2 1 746 55 1 414 2 4 2 5 5 5 2 2 4 1 240 55 2 605 2 4 2 4 10 2 1 4 5 1 652 55 2 1014 3 4 2 2 10 2 1 4 5 2 936 55 4 1546 2 2 1 6 6 2 1 2 3 1 2029 55 2 566 3 1 1 5 6 6 2 2 1 2 717 55 1 267 3 4 2 2 3 1 1 2 1 2 346 55 1 677 2 4 2 4 6 1 2 2 1 1 850 55 4 1437 3 4 2 6 5 2 2 2 4 2 3464 55 4 1551 2 2 1 5 4 2 1 3 2 1 1164 55 2 249 3 4 2 2 3 1 1 2 4 2 1626 55 3 1924 2 4 2 3 5 2 2 2 5 1 1415 55 4 2054 3 2 1 4 3 2 1 2 4 2 699 55 2 673 2 4 2 2 10 2 1 4 5 1 700 55 2 1149 2 4 2 2 5 2 1 2 5 1 747 55 1 Namų ūkių bendra charakteristika Diagrama parodo namų ūkių pasiskirstymą pagal dydį, t.y. kiek šeimų turi tam tikrą šeimos narių skaičių. Iš tiriamojo 28 namų ūkio, populiariausias šeimos statusas yra 2 asmenys (net 10 namų ūkiai susideda iš 2 žmonių), mažiausiai paplitusios yra 5 asmenų šeimos (tik 1 namų ūkis) (kiekybinis) Daugiau žmonių namų ūkiuose yra vyresnio amžiaus: 60 metų ir daugiau – 8 žmonės; 50 - 59 metų – 9 žmonės; 40 - 49 metų – 5 žmonės; 30 - 39 metų – 3 žmonės; iki 30 metų – 3 žmonės. (kokybinis) Pagal namų ūkio galvos lytį duomenys pasiskirstę taip: 9 namų ūkius valdo moterys, tai sudaro 32% visų namų ūkių, 19 (68%)- - vyrai. (kokybinis) Pagal namų ūkio galvos vedybunį statusą matome, kad 18 visų namų ūkio galvų yra vedę arba ištekėję. Nesantakuoje nėra nei vieno namų ūkio. Pagal „Namų ūkiai su vaikais ir be vaikų“ grafiką galime teigti, kad 75% visų namų ūkių yra be vaikų iki 18 metų, o 25% turi vaikus iki 18 metų Pagal „Namų ūkiai su skirtingu skaičiumi namų ūkyje“ matome, kad iš 25% visų namų ūkių , kurie turi vaikus, 4% sudaro namų ūkiai su 1 vaikų iki 18 m. ir 21% sudaro namų ūkiai su 2 vaikais iki 18 m. Grafikai „Miestas-kaimas“ ir „Gyvenamoji vieta“ sutampa ir iš jų matome, kad 57% visų namų ūkių, kurie gyvena mieste nepriklauso 5 didiesiems miestams. Kaime gyvena 43% visų nagrinėjamų namų ūkių. Daugiausia namų ūkių galvos turi pradinį išsilavinimą – 7 namų ūkių (26%), po lygiai pasiskirstė namu ūkio galvos kurios turi aukštąjį, aukšresnįjį ir bendrąjį vidurinį išsilavinimą – 6 namų ūkiai (21%). Mažiausią santykinę dalį užima namų ūkių galvos turintis tik pagrindinį išsilavinimą- 3 (11%). Visų namų ūkių galvos turi išsilavinimą. (kokybinis) Kaip matome iš grafiko tarp visų namų ūkių daugiausia yra samdomų darbuotojų – 64 %, 16 %. – pensininkų, 12%. verslininkų, 8% ūkininkai. (kokybinis) Daugiausia namų ūkių pagrindinį pajamų šaltinį sudaro samdomas darbas ne Ž. Ū. prival. sektoriuje (8 namų ūkių), 7 - samdomas darbas ne Ž.Ū. visuom. sektoriuje ir 5 namų ūkiai pajamas gauna iš pensijos. 3 namų ūkiai užsiima verslu, amatais ir samdomu darbu Ž. Ū. prival. sektoriuje ir 2 namų ūkiai dirba asmeniniame žemės ūkyje.(kokybinis) Išlaidos pasiskirsčiusios labai skirtingai nei pajamos. Daugiausia namų ūkių išleidžia nuo 500 iki1500 Lt – 10 namų ūkių, tuo metų tik 6 namų ūkių pajamos yra nuo nuo 500 iki1500 Lt; 3 namų ūkiai turi pajamas > 2000, ir 5 turi išlaidas > 2000 (kiekybinis) 2 Namų ūkių pajamų ir išlaidų skaitines charakteristikos įvertinimas. Tam, kad įvertinti namų ūkių pajamų ir išlaidų skaitines charakteristikas panaudojau Microsoft Office Excel programą (Tools – data analysis – descriptive statistic – summary statistics).   Namų ūkio disponuojamos pajamos Namų ūkio vartojimo išlaidos Vidurkis 1192,178571 1275,428571 Standartinė paklaida 135,3049373 176,2303569 Mediana 1169 1050 Moda - - Standartinis nuokrypis 715,9664307 932,5233957 Dispersija 512607,9299 869599,8836 Ekscesas 0,69878096 3,581312553 Asimetrijos koeficentas 0,641663214 1,758298486 Duomenų plotis 3187 4062 Minimali reikšmė 0 240 Maksimali reikšmė 3187 4302 Suma 33381 35712 Duomenų kiekis 28 28 3 Statistinė duomenų analizė Analizuojami 28 namų ūkiai (duomenų kiekis = 28). Vidurkis - tai visų stebėtų skaitinių duomenų suma, padalinta iš duomenų skaičiaus. Jis rodo vidutinę atsitiktinio dydžio reikšmę. Vidutinės namų ūkių pajamos yra 1192,17 Lt. Vidutinės išlaidos 1275,42 Lt. Pajamos viršija išlaidas. Mediana - tai skaičius, perskirstantis variacinę eilutę į dvi lygias dalis Kadangi mes turime lyginį duomenų skaičių, mediana bus lygi didėjančioje variacinėje eilutėje esančių vidurinių skaičių vidurkiui. Tai reiškia, kad išdėsčius visas pajamas didėjimo tvarka, pusė visų ūkių turi pajamas mažesnes nei 1169 Lt , o kita pusė turi pajamas didesnes nei 1169 Lt. Išdėsčius išlaidas didėjimo tvarka, vidurinė reikšmė bus 1050 Lt. Moda - dažniausiai duomenų aibėje pasikartojanti reikšmė. , kai n - lyginis Modos nėra, tai reiškia, kad visi stebėjimai pasikartoja po vieną kartą. Vidutinis standartinis nuokrypis – tai kvadratinė šaknis iš dispersijos, parodo kiek vidutiniškai reikšmės yra nutolusios nuo vidurkio. Pajamų reikšmės nutolusios 715,9664307 Lt, išlaidų 932,5233957 Lt. Dispersija – parodo išsibarstymą apie vidurkį. Pajamų dispersija = 512607,929 Išlaidų dispersija = 869599,8836 Šios dispersijos parodo, kiek namų ūkių vartojimo išlaidos ir pajamos yra nukrypusios nuo apskaičiuoto vidurkio kvadrato. Išlaidos labiau skiriasi nuo savo paskaičiuoto vidurkio kvadrato nei pajamos. Kuo didesnė S2, tuo didesnė sklaida. Kurtosis (ekscesas) – yra histogramos lėkštumo matas. Pajamų ekscesas (0,69878096) ir išlaidų ekscesas (1,758298486) yra teigiami, todėl galima teigti, kad jų histogramos yra iškilios. Asimetrijos koeficientas – histogramos simetrijos matas. Tiek pajamų, tiek išlaidų asimetrijos koeficientai yra teigiami, o tai reiškia, kad turime dešiniąją asimetriją. Asimetrijos koeficentas > 0, t.y. namų ūkių turinčių mažesnės pajamas (išlaidas) yra daugiau, nei turinčių didesnes pajamas (išlaidas) Visų nagrinėjamų 28 namų ūkių pajamų asimetrijos koeficentas = 0,641663214 Visų nagrinėjamų 28 namų ūkių išlaidų asimetrijos koeficentas = 1,758298486 Duomenų plotis – maksimalios ir minimalios reikšmių skirtumas Pajamų duomenų plotis – 3187 Lt, Išlaidų duomenų plotis – 4062 Lt. Tai rodo skirtumą tarp pajamų (išlaidų) didžiausios reikšmės ir mažiausiois reikšmės. Taigi matome, jog šis skirtumas tiek pajamų, tiek išlaidų yra pakankamai didelis (didelė diferenciacija). Minimali reikšmė – parodo mažiausią duomenų reikšmę. Pajamų minimali reikšmė – kiek mažiausiai pajamų gauna namų ūkis – 0 Lt; Išlaidų minimali reikšmė – kiek mažiausiai išleidžia namų ūkis savo poreikiams tenkinti – 240 Lt. Maksimali reikšmė – parodo didžiausią duomenų reikšmę. Pajamų maksimali reikšmė – kiek daugiausiai pajamų gauna namų ūkis – 3187 Lt; Išlaidų maksimali reikšmė – kiek daugiausiai išleidžia namų ūkis savo poreikiams tenkinti –4302Lt. Suma - visų imties narių suma. Kiekis – nagrinėjamų reikšmių skaičius. Visų 28 namų ūkių pajamų suma – 33381 Lt Visų 28 namų ūkių išlaidų suma – 35712 Lt Nagrinėjamų namų ūkių išlaidos 2331 Lt viršija gaunamas pajamas. 4 Ar skiriasi vieno šeimos nario vidutinės pajamos kaime ir mieste? Duomenys: X~ (nepriklausomos imtys) Y~ Darome prielaidą, kad pajamos mieste ir kaime yra normaliai pasiskirstę dydžiai. Namų ūkio dydis Namų ūkio disponuojamos pajamos Miestas - Kaimas Vieno šeimos nario pajamos Namų ūkio dydis Namų ūkio disponuojamos pajamos Miestas - Kaimas Vieno šeimos nario pajamos 1 0 1 0 2 1889 2 944,5 1 2262 1 2262 4 1576 2 394 5 1696 1 339,2 2 1131 2 565,5 2 469 1 234,5 4 1704 2 426 1 716 1 716 1 1331 2 1331 2 3187 1 1593,5 3 845 2 281,6667 4 1189 1 297,25 2 1014 2 507 1 1260 1 1260 2 566 2 283 1 414 1 414 1 267 2 267 2 605 1 302,5 4 1437 2 359,25 4 1546 1 386,5 2 249 2 124,5 1 677 1 677 4 2054 2 513,5 4 1551 1 387,75 3 1924 1 641,3333 2 673 1 336,5 2 1149 1 574,5 1 - miestas 2 – kaimas Kad išsiaiškinti ar skiriasi vieno šeimos nario vidutinės pajamos kaime ir mieste, turiu patikrinti jų vidurkių lygybę. Tačiau norint sužinoti apie vidurkių lygybę iš pradžiu reikiaiu sužinoti apie dispersijų lygybę (galiu kelti hipotezę apie vidurkių lygybę kai dispersijos nelygios, arba kai jos yra lygios). Pirmiausia formuoju hipotezę, kad dispersijos yra lygios ir alternatyvą, kad jos nelygios. Reikšmingumo lygmuo α=0,05 Statistinė hipotezė: Ho: (dispersijos lygios) H1: :( miesto pajamų dispersija > kaima pajamų dispersijai) Dispersijų lyginimas (F-Test Two-Sample for Variances)   Pajamos mieste Pajamos kaime Vidurkis 651,4083 499,7431 Dispersija 340051,7 110839,3 Stebėjimai 16 (n) 12(m) Laisvės laipsnių sk. 15(n-1) 11(m-1) F(statistika) 3,067971 P(F 1 Kritinė reikšmė , kai =0.05 lygi 2,71864 Sprendimo priėmimo taisyklė 3,067971>2,71864 (>) Kriterijaus statistikos reikšmė didesnė nei kritinė reikšmė, todėl Ho () atmetama, H1 priimama(). Kai jau žinome, jog dispersijos statistiškai reikšmingai skiriasi, keliame hipotezę, kad vidurkiai lygūs kai dispersijos nelygios: Statistinė hipotezė: Ho: H1: Vidurkių lyginimas kai dispersijos nelygios (t-Test: Two-Sample Assuming Unequal Variances)   Pajamos mieste Pajamos kaime Vidurkis 651,4083333 499,7430556 Dispersija 340051,7428 110839,2922 Stebėjimai 16 12 Hypothesized Mean Difference 0 Laisvės laipsnių sk. 25 t Statistika 0,868577511 P(T Tools->Data Analysis-> Correlation Koreliacijos koeficientas lygus 0,284502 , todėl egzistuoja silpnas tiesioginis ryšys. Norint įsitikinti, kad regresijos koeficientas yra reikšminis, keliu hipotezę apie jo lygybę nuliui. Reikšmingumo lygmuo α=0,05. Statistinė hipotezė: Ho: r=0 (t.y. korel.koeficientas nereikšminis, nėra tiesinio ryšio) H1: r0 (t.y. korel.koeficientas reikšminis, yra tiesinė priklausomybė) Kriterijaus statistika: ; T=0,284502=0,284502. Kritinė reikšmė: (randama naudojant Stjudento lentelę) = 2,06. , Ho priimama Kadangi kriterijaus statistika mažesnė už kritinę reikšmę vadinasi H0 hipotezė priimama, tarp išlaidų ir pajamų nėra tiesinės priklausomybės (kuo arčiau 1 (-1), tuo stipresnis ryšys; kuo arčiau 0, tuo silpnesnis ryšys). 6 Patikrinti ar namų ūkių santaupos didėja Norint sužinoti ar namų ūkių santaupos didėja, reikia patikrinti hipotezę apie dviejų vidurkių lygybę priklausomoms imtims (nulinė hipotezė, kad vidurkiai lygūs, o alternatyva, kad nelygūs). Reikšmingumo lygmuo α=0,05. (viena imtis – disponuojamos pajamos, kita - išlaidos). Statistinė hipotezė: Ho: (priklausomos imtys) H1: t-Test: Paired Two Sample for Means   Namų ūkio disponuojamos pajamos Namų ūkio vartojimo išlaidos Vidurkis 1192,178571 1275,428571 Dispersija 512607,9299 869599,8836 Stebėjimai 28 28 Pirsono koreliacija 0,328512918 Laisvės laipsnių sk. 27 t statistika -0,453505841 P(T-1,703288423 t‘ 0,3 ,tai rodo, kad egzistuoja pajamos netolygiai pasiskirstę tarp namų ūkių. Kuo arčiau G(y) , tuo tolygiau pasiskirstę pajamos tarp namų ūkių. i y Syi i/n Syi/∑Sk 1 0 0 0,035714 0 2 124,5 124,5 0,071429 0,007582 3 234,5 359 0,107143 0,021864 4 267 626 0,142857 0,038126 5 281,6667 907,6667 0,178571 0,05528 6 283 1190,667 0,214286 0,072516 7 297,25 1487,917 0,25 0,090619 8 302,5 1790,417 0,285714 0,109042 9 336,5 2126,917 0,321429 0,129536 10 339,2 2466,117 0,357143 0,150195 11 359,25 2825,367 0,392857 0,172074 12 386,5 3211,867 0,428571 0,195614 13 387,75 3599,617 0,464286 0,219229 14 394 3993,617 0,5 0,243225 15 414 4407,617 0,535714 0,268439 16 426 4833,617 0,571429 0,294384 17 507 5340,617 0,607143 0,325262 18 513,5 5854,117 0,642857 0,356535 19 565,5 6419,617 0,678571 0,390976 20 574,5 6994,117 0,714286 0,425965 21 641,3333 7635,45 0,75 0,465025 22 677 8312,45 0,785714 0,506256 23 716 9028,45 0,821429 0,549863 24 944,5 9972,95 0,857143 0,607386 25 1260 11232,95 0,892857 0,684125 26 1331 12563,95 0,928571 0,765187 27 1593,5 14157,45 0,964286 0,862237 28 2262 16419,45 1 1 16419,45 Lorenco kreivė padeda įvertinti, kaip lygiai pasisikirsto pajamų dalių grafinis vaizdas. Ji rodo, kurią pajamų dalį gauna tam tikra visuomenės dalis. Įstriža ružava linija parodo idealiai lygų pajamų pasiskirstymą, kuo toliau Lorenco (mėlyna) kreivė nukrypusi nuo ružavos įstrižainės tuo nelygesnis pajamų pasiskirstymas. Plotas esantis tarp ružavos įstrižainės ir mėlynos kreivės, vadinamas koncentracijos plotu, kuris parodo skirtumą tarp siekiamos ir realios padėties pajamų pasiskirstymo atžvilgiu. Tarp namų ūkių vyrauja gana didelė turtinė nelygybė, kadangi pakankamai išgaubta Lorenco kreivė rodo netolygų pajamų pasiskirstymą. Norėdama įvertinti skurdo rodiklius pasinaudosiu šiais duomenimis: namų ūkio dydis, disponuojamos pajamos ir disponuojamos pajamos vienam ūkio nariui. Įvertinsiu : 1. skurdo ribą; 2. skurdo lygį; 3. skurdo gylį; 4. žemų pajamų indeksą; 5. kvadratinį skurdo nuokrypį. Namų ūkio dydis Namų ūkio disponuojamos pajamos Vieno nario disponuojamos pajamos 1 0 0 2 1889 944,5 4 1576 394 2 1131 565,5 1 2262 2262 5 1696 339,2 2 469 234,5 1 716 716 4 1704 426 2 3187 1593,5 1 1331 1331 3 845 281,6666667 4 1189 297,25 1 1260 1260 1 414 414 2 605 302,5 2 1014 507 4 1546 386,5 2 566 283 1 267 267 1 677 677 4 1437 359,25 4 1551 387,75 2 249 124,5 3 1924 641,3333333 4 2054 513,5 2 673 336,5 2 1149 574,5 Suma 67 33381 16419,45 Vidurkis 498,2239 586,4089286 Vidutinės pajamos vienam namų ūkio nariui = Suma disponuojamų pajamų / Suma namų ūkio dydžių = 498,2239Lt Skurdo riba- tai kriterijus, kurio pagalba politikai ar kiti asmenys suskirsto gyventojus, šeimas ar namų ūkius į skurstančius ir neskurstančius. Skurdo riba pasirenkama 50% nuo vidutinių pajamų vienam namų ūkio nariui. r=0,5* 498,2239= 249,1119 Skurdo lygis-skurstančių gyventojų lygis šalyje parodo šalies gyventojų dalį, kurių pajamos žemiau skurdo ribos. Skurdo lygiui įvertinti naudojama formulė: L-skurdo lygis q-skurstančių gyventojų skaičius (namų ūkių, kurių vienam nariui tenka žemesnės pajamos už skurdo ribą) n-visų gyventojų skaičius L*100%= 7,46 % visų gyventojų gauna pajamas, esančias žemiau skurdo ribos. Skurdo gylis-rodiklis, kuris parodo , kiek vidutiniškai skurstančiųjų pajamos nukrypsta nuo skurdo ribos. Šis rodiklis parodo skurdo gilumą. Jis randamas naudojant formulę: i-tojo skurstančiojo pajamos r- skurdo riba namų ūkio dydis 2,34 % skurstančiųjų pajamos nukrypsta nuo skurdo ribos. Žemų pajamų indeksas – parodo kiek reikia lėšų eliminuoti skurdą šalyje. L – skurdo lygis, N – skurdo gylis; I – žemų pajamų indeksas Reikia 0,18 % pajamų, kad eliminuoti skurdą. Kvadratinis skurdo nuokrypis – skurdo intensyvumo rodiklis - atspindi pajamų pasiskirstymą tarp skurstančiųjų (kuo daugiau šalyje yra labai skurstančiųjų žmonių, tuo didesnis kvadratinis skurdo nuokrypis). Kvadratinis skurdo nuokrypis yra 34,28 %, tai rodo, jog ypatingai skurstančių žmonių yra nedaug. 8 Įvertinti išlaidų priklausomybę nuo įvairių faktorių (regresinė analizė): Regresinė analizė - statistiniai metodai, skirti regresijos modeliui sudaryti, patikrinti, ar jis tinkamas, ir taikyti prognozėms. Regresijos modelis – statistinis modelis, leidžiantis vieno kintamojo reikšmes prognozuoti pagal kito kintamojo reikšmes. Regresinėje analizėje visos prognozės yra kiekybinės – visada sprendžiama problema, kaip vieno kintamojo skaitinės reikšmės priklauso nuo kito kintamojo skaitinių reikšmių. Svarbiausias tiesinės regresinės analizės privalumas yra tai, kad parenkama kintamuosius siejanti funkcija – sudaromas modelis. Norint atlikti išlaidų regresinę analizę, naudojame Eviews programą. Gauname tokią lentelę (koreliacija), pagal kurią įvertinsime lygtį: AMZIUS DYDIS GYV_VIETA ISLAIDOS ISSIMOKS LINIMAS LYTIS MIESTAS_ KAIMAS PAJ_SALT PAJAMOS SOC_EKON OM_GR VAIKAI AMZIUS 1 -0.342885 -0.1324532 -0.126673 0.507108702 0.13881821 -0.1366567 0.22075539 -0.101547 0.11940709 0.14751409 DYDIS -0.342885 1 0.1336119 0.1277818 -0.3765058 0.26676218 0.4085745 -0.07360937 -0.6160072 GYV_VIETA -0.132453 0.1336119 1 0.1195456 -0.05840217 -0.3633255 -0.0599846 0,00000 -0.0249583 -0.11268797 -0.0436747 ISLAIDOS -0.126673 0.1277818 0.1195456 1 -0.11667237 -0.2913418 0.31207767 0.31878835 0.30468516 0.26663303 0.36756754 ISSIMOKSLINIMAS 0.5071087 -0.376505 -0.0584021 -0.116672 1,00000 0.28019963 0.13919514 0.01297826 -0.1090286 0.166399293 -0.0688689 LYTIS 0.1388182 0.2667621 -0.3633255 -0.291341 0.280199638 1 -0.0673936 -0.3214033 0.3070057 -0.054589894 -0.3194994 MIESTAS_KAIMAS -0.136656 -0.078143 -0.0599846 0.3120776 0.139195145 -0.0673936 1 0.16795700 -0.0420846 0.819557639 0.17133600 PAJ_SALT 0.2207553 -0.684761 0,00000 0.3187883 0.012978260 -0.3214033 0.16795700 1 -0.2300212 0.100167084 0.98268267 PAJAMOS -0.101547 0.4085745 -0.0249583 0.3046851 -0.10902861 0.30700573 -0.0420846 -0.2300212 1 -0.081718641 -0.1772816 SOC_EKONOM_GR 0.1194070 -0.073609 -0.1126879 0.2666330 0.166399293 -0.0545898 0.81955763 0.10016708 -0.0817186 1 0.08530813 VAIKAI 0.1475140 -0.616007 -0.0436747 0.3675675 -0.06886896 -0.3194994 0.17133600 0.98268267 -0.1772816 0.0853081305 1 Apskaičiuota tarpusavio priklausomybė (koreliacijos koeficientus) tarp visų faktorių. Koreliacijos koficientas yra skaičius kintantis intervale [-1; 1]. Ryšys yra stipresnis tarp atsitiktinių dydžių, kai koreliacijos koficientas artėja į |1| . Apskaičiavę koreliacijos koficientus, matome, kad didelė koreliacija yra tarp: • išlaidų ir kaimo-miesto (0.31207767); • išlaidų ir pajamų šaltinio (0.31878835); • n.ū. išlaidų ir n.ū. su vaikais ir be vaikų0.36756754); • pajamų šaltinio ir vaikų (0.98268267); Dependent Variable: ISLAIDOS Method: Least Squares Date: 05/19/08 Time: 08:35 Sample: 1 28 Included observations: 28 Variable Coefficient Std. Error t-Statistic Prob.   MIESTAS_KAIMAS 0.393307 0.252897 1.555206 0.1330 PAJAMOS 0.000708 0.000309 2.289231 0.0312 VAIKAI 0.535756 0.233665 2.292840 0.0309 C -0.070259 1.071781 -0.065554 0.9483 R-squared 0.342585     Mean dependent var 3.571429 Adjusted R-squared 0.260408     S.D. dependent var 1.317365 S.E. of regression 1.132927     Akaike info criterion 3.219051 Sum squared resid 30.80459     Schwarz criterion 3.409366 Log likelihood -41.06671     F-statistic 4.168872 Durbin-Watson stat 1.708961     Prob(F-statistic) 0.016440 ISLAIDOS = C(1) + C(2)*N.Ū.PAJAMOS +C(3)*N.Ū. SU VAIKAIS IR BE VAIKŲ + C(4)*miestas-kaimas IŠLAIDOS = -0.070259+ 0.000708* N.Ū.PAJAMOS + 0.535756*N.Ū. SU VAIKAIS IR BE VAIKŲ + 0.393307* miestas-kaimas Gauname modelį, kurio determinacijos koeficientas (R - squared) (0.342585) yra žemas ir jis parodo kiek procentų išlaidų priklausomybė aprašoma nuo kitų faktorių34,26%). Durbin-Watsono statistika (1.708961). Tai reiškia, kad modelio paklaidų koreliacija beveik neegzistuoja. Prob(F-statistic) yra lygu 0,016440. Pabandysime vieną iš šių regresorių sulogaritmuoti. Dependent Variable: ISLAIDOS Method: Least Squares Date: 05/19/08 Time: 08:50 Sample: 1 28 Included observations: 28 Variable Coefficient Std. Error t-Statistic Prob.   PAJAMOS 0.000676 0.000305 2.218742 0.0362 LOG(VAIKAI) 1.428261 0.597039 2.392242 0.0249 MIESTAS_KAIMAS 0.390466 0.250869 1.556451 0.1327 C 0.133861 0.986138 0.135742 0.8932 R-squared 0.352885     Mean dependent var 3.571429 Adjusted R-squared 0.271996     S.D. dependent var 1.317365 S.E. of regression 1.124017     Akaike info criterion 3.203258 Sum squared resid 30.32194     Schwarz criterion 3.393573 Log likelihood -40.84562     F-statistic 4.362572 Durbin-Watson stat 1.733361     Prob(F-statistic) 0.013767 ISLAIDOS = C(1) + C(2)*N.Ū.PAJAMOS +C(3)*N.Ū. SU VAIKAIS IR BE VAIKŲ + C(4)*miestas-kaimas IŠLAIDOS = 0.133861+ 0.000676* N.Ū.PAJAMOS + 1.428261*N.Ū. SU VAIKAIS IR BE VAIKŲ + 0.390466* miestas-kaimas Gauname modelį, kurio determinacijos koeficientas (R - squared) (0.352885) yra žemas ir jis parodo kiek procentų išlaidų priklausomybė aprašoma nuo kitų faktorių(35,29%). Durbin-Watsono statistika (1.733361). Tai reiškia, kad modelio paklaidų koreliacija beveik neegzistuoja. Prob(F-statistic) yra lygu 0.013767 Pabandysime vieną iš šių regresorių išmesti. Dependent Variable: ISLAIDOS Method: Least Squares Date: 05/19/08 Time: 09:02 Sample: 1 28 Included observations: 28 Variable Coefficient Std. Error t-Statistic Prob.   PAJAMOS 0.000703 0.000318 2.208808 0.0366 VAIKAI 0.596320 0.236844 2.517777 0.0186 C 0.667986 0.987816 0.676225 0.5051 R-squared 0.276332     Mean dependent var 3.571429 Adjusted R-squared 0.218439     S.D. dependent var 1.317365 S.E. of regression 1.164629     Akaike info criterion 3.243639 Sum squared resid 33.90901     Schwarz criterion 3.386375 Log likelihood -42.41095     F-statistic 4.773117 Durbin-Watson stat 1.414426     Prob(F-statistic) 0.017549 ISLAIDOS = C(1) + C(2)*N.Ū. SU VAIKAIS IR BE VAIKŲ + C(3)*PAJAMOS IŠLAIDOS = 0.667986+ 0.000703* N.Ū.PAJAMOS +0.596320N.Ū. SU VAIKAIS IR BE VAIKŲ Gauname modelį, kurio determinacijos koeficientas (R - squared) (0.276332) yra žemas ir jis parodo kiek procentų išlaidų priklausomybė aprašoma nuo kitų faktorių(27,63%). Durbin-Watsono statistika (1.414426). Tai reiškia, kad modelio paklaidų koreliacija beveik neegzistuoja. Su reikšmingumo lygmeniu α = 0,05 tikimybinė reikšmė pajamų ir vaikų yra mažesnė už 0,05. Tai reiškia, kad ne visi šie kintamieji yra reikšminiai. Patikrinusi kelius modelius išsiaiškinau, kad geriausias modelis yra pirmasis, kur determinacijos koeficientas (R - squared) (0.342585) ir jis parodo kiek procentų išlaidų priklausomybė aprašoma nuo kitų faktorių(34,26%). Durbin-Watsono statistika (1.708961)., labiausiai artėja prie 2. Tai reiškia, kad modelio paklaidų koreliacija beveik neegzistuoja. Prob(F-statistic) yra lygu 0,016440. Prob(F-statistic) (0.000001) yra mažesnis už nurodytą reikšmingumo lygmenį α=0.05. F-statistic yra tikrai didelė 4,168872 ir ji parodo visos lygties reikšmingumą (didesnė už Prob(F-statistic) 0.016440, taigi galime daryti išvadą, kad modelį naudoti tikslinga. Pagal tai, jog paklaidų (Residual) kinta nevienodu dažniu, išlenda iš punktyrų, galima teigti, jog modelis parinktas nelabai gerai. Tačiau realių duomenų kreivė (Actual) ir duomenų, kuriuos parinko modelis, kreivė (Fitted), gana sutampa. 2 Ekonominis tyrimas Lietuvos makroekonominiai rodikliai 1996 – 2007 metais. Infliacija Infliacija yra procesas, kurio metu bendras vartojimo reikmenų kainų lygis kyla sparčiau nei didėja šalies gyventojų nominalus darbo užmokestis bei pajamos ir dėl to sumažėja pinigų perkamasis pajėgumas. Požiūris į infliaciją, kaip ekonomini reiškinį įvairiais laikotarpiais buvo nevienodas. Iki 1936 m. dominavo tezė, kad infliacija yra išimtinai destruktyvi jėga. Šią tezę paneigė Dž.Keinsas, kuris teigė, kad infliacija yra milžiniškas pozityvus potencialas, nes, jai esant, nuvertėja pinigai ir jų kaupimas darosi betikslis, skatinamas vartojimas ir kartu ekonomikos augimas. Nesant infliacijos, kaupiami pinigai, jie išaldomi ir, susidarius tam tikroms aplinkybėms, gali iššaukti ekonominę krizę. Infliacija gali pasireikšti dviem būdais: • išleidžiant papildomai popierinių pinigų į apyvartą nei jų reikėtų pagal prekių ir paslaugų masę; • mažėjant prekių ir paslaugų masei apyvartoje, bet nesikeičiant pinigų kiekiui. Infliacinių procesų pagrindinės priežąstys yra: • kainų politika; • neracionali nacionalinių pajamų paskirstymo sistema; • proporcijų tarp gamybos ir paslaugų sferos bei prekių ir pinigų srautų apyvartos sferos pažeidimas. Infliacijos matavimas Infliacija - tai bendrojo kainų lygio augimas, taigi esant infliacijai - kyla įvairių prekių ir paslaugų kainos. Bendrojo kainų lygio augimas mažina pinigų perkamąją galią, tai reiškia, jog už tą pačią pinigų sumą galima nusipirkti vis mažiau prekių. Infliacijos įvertinimas ekonominiuose skaičiavimuose yra tiesiog būtinas, nes neįvertinę infliacijos poveikio, negalėsime teisingai nustatyti nei uždirbančiosios, nei perkamosios pinigų galios. Infliacijos lygis išreiškiamas kainų indeksu. Kainų indeksas - tai santykis tarp atskirų prekių kainų tam tikru laiko momentu su tų pačių prekių kaina ankstesniu laiko momentu. Ankstesnis laiko momentas vadinamas baziniais metais. Vertinant infliacijos poveikį pinigų srautams, dažniausiai naudojama metinė procentinė infliacijos norma. Ši norma rodo metinį kainų padidėjimą arba sumažėjimą per vienerių metų laikotarpį. Kiekvienų metų infliacijos norma yra skaičiuojama ankstesnių metų bazėje. Išskiriami du infliacijos tipai : • Šliaužianti – lėtas, bet nuolatinis vidutinio kainų lygio kilimas aukštyn ( ne daugiau kaip 2-3 proc. per metus), ilgai trunkanti, neaukštų ir pastovių tempų. Prie jos galima prisitaikyti. • Šuoliuojanti – tai kainų lygio kilimas dideliais tempais (20-30proc.), kurie rodo didėjimo tendenciją. Nedarbas Nedarbas – tai vienas iš negatyvių darbo rinkos reiškinių., viena iš svarbiausių mokroekonominių problemų. Daugelis žmonių, netekę darbo, praranda pajamų šaltinį, patiria gyvenimo lygio smukimą, psichologinį diskomfortą. Nedarbą sukelia įvairios priežastys, todėl jį apibrėžti nėra lenva.Ekonomistai, paibrėždami šį reiškinį, sutaria dėl dviejų teiginių: 1. bedarbystei pirmiausia būdinga tai, kad darbingas asmuo, norintis dirbti, neturi galimybės sudaryti darbo sutartį ir uždirbti pajamų už savo darbą; 2. bedarbiai - tai žmonės, kurie neturi darbo, bet aktyviai jo ieško, registruodamiesi įdarbinimo įstaigose kaip norintys ir galintys dirbti. Darbo jėgą sudaro bendras dirbančiųjų, tinkamų darbuotis šalies ūkyje, skaičius.Nedarbo lygis apskaičiuojamas užregistruotų bedarbių ir visos darbo jėgos santykiu, procentais: Nedarbo lygis-ekonominis rodiklis, rodantis kokia darbo jėgos dalis yra neužimta; tai asmenų, galinčių ir norinčių dirbti, tačiau neturinčių tinkamo darbo, santykio su visais darbingais gyventojais (darbo jėga) procentinė išraiška. Taigi nedarbo lygis parodo koks yra bedarbių procentas nuo visos darbo jėgos. Pagrindinės nedarbo rūšys: 1. Laikinasis (migracinis) nedarbas - dar vadinamas ekonomikoje tekamasis nedarbas.Tai nedarbas, atsirandantis normaliame darbo paieškos procese.Vieni darbuotojai keičia darbo vietą dėl šeimyninių aplinkybių, kiti ieško naujo darbo, atleisti iš ankstesnio.Kadangi laikinasis nedarbas atsiranda esant normaliai darbo jėgos apyvartai, kai žmonės keičia darbus ir išeina ar grįžta į darbą, šis nedarbas dar vadinamas apyvartiniu. 2. Struktūrinis nedarbas - nedarbas, atsirandantis, kai darbo paklausos struktūra neatitinka darbo pasiūlos struktūros (profesijos, kvalifikacijos ar teritoriniu atžvilgiu)-kai esamų laisvų darbo vietų struktūra neatitinka bedarbių struktūros(kvalifikac,amžius).Tai viena iš sunkiausių bedarbystės formų. 3. Ciklinis nedarbas - dar vadinamas konjunktūriniu nedarbu.Tai nedarbo tipas, atsirandantis esant ekonomikos nuosmukiui, kurį sukelia bendrųjų išlaidų nepakankamumas.Jis tiesiogiai susijęs su verslo ciklu.Ciklinis nedarbas sumažėja,kai ekonominis aktyvumas išauga. 4. Sezoninis nedarbas - kintant darbo galimybėms skirtingais sezonais.Pvz.,šalto klimato rajonuose staybų darbininkai savaitėmis ar mėnesiais atleidžiami iš darbo.Paprastai sezoninis nedarbas priskiriamas prie laikinojo nedarbo. Bendrasis vidaus produktas (BVP) BVP - yra vienas iš rodiklių parodančių tam tikros teritorijos ekonomikos dydį. Bendrasis vidaus produktas yra apibrėžiamas kaip galutinė prekių ir paslaugų sukurtų šalyje rinkos vertė per tam tikrą laiko tarpą. Dažniausiai naudojamas būdas matuoti ir suprasti BVP yra išlaidų metodas: BVP = vartojimas + investicijos + valstybės išlaidos + (eksportas – importas). Bendrasis vidaus produktas (BVP) – bendkrosios pajamos, sukurtos šalies teritorijoje, taip pat užsienio gamybos veiksnių gautos pajamos konkrečioje šalyje, minus šios šalies piliečių gautos pajamos užsienyje. Kitaip, BVP – pajamos, gautos šalies viduje (kai neapskaitomas ekonominių užsienio ryšių saldas). Iš esmės, bendrasis vidaus produktas artimas bendrajam nacionaliniam produktui. Vartotojų kainų indeksas Ekonomikoje vartotojų kainų indeksas (CPI, ang. consumer price index) yra statistinis svorinis tam tikro nustatyto prekių ir paslaugų rinkinio (kurį vidutiniškai perka kiekvienas dirbantis miestietis) kainų įvertinimas. Šis kainų indeksas seka nustatyto prekių ir paslaugų rinkinio kainų pokyčius ir taip leidžia nustatyti infliacijos lygį. CPI gali būti naudojamas sekti visų namų ūkio perkamų prekių ir paslaugų kainų pokyčius. Komunalinai (vandens, gamtinių dujų tiekėjams) ir akcizo mokesčiai yra įskaičiuojami, tuo tarpu pajamų mokestis ir investicijos (akcijos, obligacijos, gyvybės draudimas ir pan.) – ne. Pateikti duomenys: 9 Aprašomoji statistika Kaip matome vidutinis BVP pokytis 6,3%, vidutinis vartotojų kainų indeksas yra 3,6275%, vidutinis nedarbo lygis yra 12,125 % , o tai palyginti gan didelis nedarbas šalyje(lyginant tokį metų laikotarpį), vidutinė infliacija 4,65 %, tai nėra labai blogai. Moda yra, ten, kur buvo pasikartoję duomenys: nedarbo lygio – 14,1 ir BVP pokyčio 7,3. BVP pokyčio dispersija yra 9,2436, o vidutinis kvadratinis nuokrypis 3,04. Vadinasi vidutiniškai BVP pokytis skiriasi nuo vidutinės reikšmės 3,04%. VKI vidutinis kvadratinis nuokrypis 4,22, tai vidutiniškai nuo vidutinės reikšmės jis skiriasi 4,22%. Nedarbo lygis nuo vidutinės reikšmės svyruoja 4,1946%, nes vidutinis kvadratinis nuokrypis 4,1946.Infliacija – 6,918 % VKI, nedarbo lygio, infliacijos ir BVP pokyčio eksceso koeficientai yra teigiami, vadinasi, duomenys yra daugiau išsibarstę nei normaliosios kreivės. Nedarbo lygio,BVP pokyčio asimetrija yra kairioji (koeficientas neigiamas), VKI ir infliacijos pokyčio asimetrija yra dešinioji. BVP pokyčio skirtumas tarp didžiausios ir mažiausios reikšmės ( duomenų plotis) yra 12,7%, taigi matome, kad per septynerius metus BVP pokytis išaugo 12,7%, VKI – 14,35%, infliacija –25,9%,nedarbo lygis – net 13,3%. Grafiniai dumenys: 10 Modeliaviams ir prognozavimas Daugiamatis regresijos modelis VKI NEDARBO_LYGIS INFLIACIJA BVP_POKYTIS VKI 1 -0.106395 0.915208 -0.019613 NEDARBO_LYGIS -0.106395 1 0.166646 -0.337816 INFLIACIJA 0.915208 0.166646 1 -0.090073 BVP_POKYTIS -0.019613 -0.337816 -0.090073 1 Suradome makroekonominių rodiklių koreliacijos koeficientus. Sudarysiu daugiamatį modelį, kad patikrinčiau BVP pokyčio priklausomybę: Suradome makroekonominių rodiklių koreliacijos koeficientus. Sudarysiu daugiamatį modelį, kad patikrinčiau BVP pokyčio priklausomybę. Matome, kad didžiausia koreliacija yra tarp BVP pokyčio ir nedarbo lygio (-0,3378), taip pat tarp BVP pokyčio ir VKI (-0,0196), bei BVP pokyčio ir inflaicijos (-0,09). Tačiau yra labai stiprus tiesinis ryšys tarp VKI ir infliacijos (0,9152), todėl norėdami išvengti multikolinearumo problemos turime vieno iš šių regresorių atsisakyti. Atsisakome VKI, nes jo tarpusavio ryšys infliacija ir nedarbo lygiu stipresnis negu tarp kitų nepriklausomų kintamųjų. Sudarome daugiamatį regresinį modelį aprašantį BVP pokyčio šių regresorių atžvilgiu: BVP pokyčio ir infliacijos, BVP pokyčio ir nedarbo lygio. Dependent Variable: BVP_POLYTIS Method: Least Squares Date: 05/19/08 Time: 17:52 Sample: 1 12 Included observations: 12 Variable Coefficient Std. Error t-Statistic Prob.   INFLIACIJA -0.015268 0.139741 -0.109259 0.9154 NEDARBO_LYGIS -0.240659 0.230475 -1.044189 0.3236 C 9.288991 2.908476 3.193765 0.0109 R-squared 0.115293     Mean dependent var 6.300000 Adjusted R-squared -0.081308     S.D. dependent var 3.040335 S.E. of regression 3.161522     Akaike info criterion 5.352302 Sum squared resid 89.95697     Schwarz criterion 5.473528 Log likelihood -29.11381     F-statistic 0.586432 Durbin-Watson stat 1.766928     Prob(F-statistic) 0.576231 BVP_POKYTIS = C(1) + C(2)*INFLIACIJA + C(3)*NEDARBO_LYGIS BVP_POKYTIS = 9.288991- -0.015268*INFLIACIJA - -0.240659*NEDARBO_LYGIS Gauname modelį, kurio determinacijos koeficientas (R - squared) yra (0,115293) yra labai neaukštas ir jis parodo kiek procentų aprašoma priklausomybę BVP pokyčio nuo kitų faktorių. Durbin-Watsono statistika ( 1,7669), tai reiškia, kad modelio paklaidų koreliacija beveik neegzistuoja. Tikimybinė faktorių reikšmė turėtų būti mažesnė už 0,05, bet tokių šiame modelyje nėra, todėl modelis nėra geras. Sudarome vienmatį modelį, kur parodome infliacijos priklausomybę nuo BVP. Dependent Variable: BVP_POLYTIS Method: Least Squares Date: 05/19/08 Time: 18:16 Sample: 1 12 Included observations: 12 Variable Coefficient Std. Error t-Statistic Prob.   INFLIACIJA -0.039584 0.138408 -0.285997 0.7807 C 6.484067 1.120124 5.788705 0.0002 R-squared 0.008113     Mean dependent var 6.300000 Adjusted R-squared -0.091076     S.D. dependent var 3.040335 S.E. of regression 3.175769     Akaike info criterion 5.299988 Sum squared resid 100.8551     Schwarz criterion 5.380806 Log likelihood -29.79993     F-statistic 0.081795 Durbin-Watson stat 1.573178     Prob(F-statistic) 0.780717 Gauname modelį, kurio determinacijos koeficientas (R - squared) (0,008) yra visiškai žemas ir jis parodo kiek procentų BVP pokyčio priklausomybė aprašoma nuo kitų faktorių. Durbin-Watsono statistika ( 1,5731) , tai reiškia, kad modelio paklaidų koreliacija beveik neegzistuoja. Su reikšmingumo lygmeniu α = 0,05 tikimybinė infliacijos reikšmė yra mažesnė už 0,05 (0,0002), tai reiškia, kad šis kintamasis yra reikšminis. Prob(F-statistic) (0,7807) yra didesnis už nurodytą reikšmingumo lygmenį α=0.05 ir F-statistic nėra didelė 0,0818 . Taigi matome, kad šis modelis dar netinka. Bandome vienmatį modelį, kur parodysime infliacijos ir bvp pokycio priklausomybe, logaritmuojant infliaciją. Dependent Variable: BVP_POLYTIS Method: Least Squares Date: 05/19/08 Time: 18:32 Sample: 1 12 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob.   LOG(INFLIACIJA) 1.619056 0.677716 2.388989 0.0439 C 3.805159 1.117323 3.405603 0.0093 R-squared 0.416368     Mean dependent var 5.780000 Adjusted R-squared 0.343414     S.D. dependent var 2.933636 S.E. of regression 2.377125     Akaike info criterion 4.746517 Sum squared resid 45.20580     Schwarz criterion 4.807034 Log likelihood -21.73259     F-statistic 5.707267 Durbin-Watson stat 1.312446     Prob(F-statistic) 0.043925 Gauname modelį, kurio determinacijos koeficientas (R - squared) (0,4163) nėra labai aukštas ir jis parodo kiek procentų BVP pokyčio priklausomybė aprašoma nuo kitų faktorių. Durbin-Watsono statistika ( 1,312) , tai reiškia, kad modelio paklaidų koreliacija beveik neegzistuoja. Su reikšmingumo lygmeniu α = 0,05 tikimybinė infliacijos reikšmė yra mažesnė už 0,05 (0,0093), tai reiškia, kad šis kintamasis yra reikšminis. Prob(F-statistic) (0,0439) yra mažesnis už nurodytą reikšmingumo lygmenį α=0.05 ir F-statistic nėra didelė 5,7073 ir ji parodo visos lygties reikšmingumą (didesnė už Prob(F-statistic), taigi galime daryti išvadą, kad modelį naudoti tikslinga. Taigi matome, kad šiuo atveju vienmatis modelis daug geresnis ir tinkamesnis nei daugiamatis. Išvados 1. 57% nagrinėjamų namų ūkių gyvenamoji vieta yra miestai 43% gyvena kaimuose. 2. Didžiausią dalį sudaro namų ūkių šeimos galva, kurios amžius tarp 50 ir 59 metų – 9 žmonės tai sudaro 32% visų namų ūkių. 3. Didžiausią dalį visų namų ūkių dalį sudaro samdomieji darbuotojai (64%). 4. Didžiausia dalis namų ūkio galvos atitenka vyrui (68%). 5. Didžiausią dalį sudaro namų ūkių galvos, turinčios tik pagrindinį išsilavinimą (26%) 6. Didžiausias namų ūkių galvos pajamų šaltinis yra samdomas darbas ne Ž.Ū. priv sektoriuje (29%). 7. Skurdo lygis siekia 249 Lt., 7,46  gyventojų pajamos yra žemiau skurdo ribos;skurstančiųjų pajamos nuo skurdo ribos nukrypsta maždaug 2,34 ;reikia 0,18% lėšų, norint eliminuoti skurdą šalyje; 8. Pavaizdavę koreliacijos išsibarstymą, matome, jog tarp išlaidų ir pajamų nėra tiesinės priklausomybės 9. Vieno šeimos nario vidutinės pajamos kaime ir mieste statistiškai reikšmingai skiriasi. 10. D = r2 = 0,6147 - vidutinės vieno namų ūkio nario pajamos aprašo vieno namų ūkios nario vidutines išlaidas 61,47%. 11. Iš sudarytos lentelės rezultatų padariau išvadą, kad pajamų vidurkis yra mažesnis nei išlaidų vidurkis, tai pajamos tikrai nedidės. Todėl patikrinau ar santaupos mažėja. 12. Nubraižius Lorenco kreivę matyti, jog pajamos namų ūkiuose pasiskirsčiusios nelabai tolygiai, nes Lorenco kreivė nukrypusi nuo įstrižos linijos, tačiau plotas tarp įstrižos linijos ir Lorenco kreivės nėra labai didelis, jis parodo skirtumą tarp siekiamo pajamų paskirstymo ir realaus pajamų paskirstymo.Mano Gini koeficientas lygus 0,39239. Tai ganėtinai virš 0,3, todėl galima teigti, kad yra esminių gyventojų pajamų diferencijos netolygumų. 13. Atlikus antrąją kursinio dalį, pamačiau, kad Lietuvos BVP 1996-2007m labiausiai priklausė nuo infliacijos lygio šalys.

Daugiau informacijos...

★ Klientai rekomenduoja

Šį rašto darbą rekomenduoja mūsų klientai. Ką tai reiškia?

Mūsų svetainėje pateikiama dešimtys tūkstančių skirtingų rašto darbų, kuriuos įkėlė daugybė moksleivių ir studentų su skirtingais gabumais. Būtent šis rašto darbas yra patikrintas specialistų ir rekomenduojamas kitų klientų, kurie po atsisiuntimo įvertino šį mokslo darbą teigiamai. Todėl galite būti tikri, kad šis pasirinkimas geriausias!