Анализ развития мясной отрасли в странах мира

 

Таблица 24

    Где большие собственные значения в  таблице 23 судят о удачности дискриминантной функции, а каноническая корреляция позволяет судить об удачности деления на кластеры.

    Таблица 24 столбец «Знч.» показывает значимость различия кластеров

5. Определить  принадлежность одного из объектов (в данном случае РФ) к кластеру

    На  основе таблицы (пример в Приложении таблица 8), где сравнивается фактическая  и предсказанная принадлежность по данному объекту. Далее проанализировать столбцы с вероятностями. 
 
 

Проведение  анализа

1. На основе проведенного кластерного анализа образовалась три группы стран, целью данного анализа является установление принадлежности РФ к одному из этих кластеров
2. Исходные данные представлены в следующей таблице 25

Таблица 25

Исходные  данные

 

3. Построение  дискриминантной функции

Проводим дискриминантный  анализ (прямой метод) в программном  продукте SPSS 17 и получаем следующие таблицы 26-30.

    Таблица 26 дает представление о том, как сильно отдельные переменные, применяемые в дискриминантной функции, коррелируют со стандартизированными значениями этой дискриминантной функции. При этом корреляционные коэффициенты были рассчитаны в обеих группах по отдельности и затем усреднены.

Таблица 26

 

Таблица 27

 

Таблица 27 показывает вклад каждой переменной в значение функции.

Таблица 28

 

В ходе дискриминантного анализа образовалась две дискриминантные функции. Таблица 28 показывает  коэффициенты дискриминатной функции, связь между дискриминантной функцией и каждым параметром. Получаются функции с нулевыми коэффициентами (только свободный коэффициент не равен нулю), это говорит о том, что в нашем случае ни один из параметров не оказывает влияние на дискриминантную функцию.

4. Определим значимость дискриминантной функции

Определим на основе таблиц 29,30

Таблица 29

 

Таблица 30 

    Значения  дискриминантной функции должны как можно отчётливей разделять группы. Мерой удачности этого разделения служит корреляционный коэффициент между рассчитанными значениями дискриминантной функции и показателем принадлежности к группе. Судя по значению коэффициента, равному 0,920, корреляция тесная. При помощи Лямбда Уилкса производится тест на то, значимо ли в обеих группах отличаются друг от друга средние значения дискриминантной функции; в приводимом примере, Знч. < 0,001, указывает на очень значимое различие в обоих моделях функций

    Значение, выводимое под именем Собственное значение, соответствует отношению суммы квадратов между группами к сумме квадратов внутри групп. Большие собственные значения указывают на "хорошие" (удачно подобранные) дискриминантные функции.

5. Определяем принадлежности РФ к кластеру

    В ходе анализа получаем Таблицу 8 в Приложении, находим РФ (№30). Принадлежность к кластеру совпадает, тк.к совпадает фактическая и предсказанная группа, т.е. РФ попадает в 1 кластер. Далее выводятся две вероятности. Вторая из этих двух вероятностей, обозначенная P(G=g|D=d), является мерой принадлежности к одной из трех групп. Это вероятность того, что наблюдение принадлежит к прогнозированной группе, которая рассчитывается на основе подстановки в дискриминантную функцию значений набора переменных, соответствующих данному наблюдению. Вероятность того, что данный наблюдение принадлежит к другой группе получается вычитанием меры принадлежности из 1. Она приводится в колонке с названием "Second Highest Group" (Вторая по старшинству группа). В данном случае вероятность попадания России в 1 кластер 0,983.

    Первую  из двух рассмотренных вероятностей, получившую название Р (D>d|G=g), называют ещё и условной вероятностью. Это вероятность того, что объект, принадлежащий к прогнозируемой группе, действительно имеет значения параметров, соответствующие дискриминантной функции или некоторые другие крайние значения. В данном случае 0,54.

    В другой колонке приводится квадрат  расстояния Махаланобиса до центроида (среднего значения группы значений дискриминантной  функции). В правой колонке таблицы  приводится соответствующее значение дискриминантной функции.

3.4. Методика и анализ  колебаний суммарных  показателей отрасли;  методика и прогноз  развития отрасли

1. Постановка  цели
2. Собрать информацию и провести ее первичную обработку, т.е. табулирование, группировка

Таблица 31

Исходные  данные

 

3. Вычислить основные показатели данного ряда динамики

В данном случае находятся как цепные (сравнение  с предшествующим уровнем ряда),  так и базисные параметры (сравнение  с одним базисным годом). Таким  образом находятся следующие параметры:

• Абсолютный прирост    

                                                      

• Коэффициент роста  

                                     К_баз =

• Темпы роста    Т_р = К*100%
• Темп прироста  Т_пр= Т_р – 100%

4. Вычислить средние показатели рядов динамики для характеристик ряда: средний абсолютный прирост, средний коэффициент роста, средний уровень ряда

5. Определить тренд показателя

Для этого  сначала по данным в программном  продукте Excel строится график и на этом же графике строится тренд. Автоматически вычисляется уравнение тренда, которое характеризуют основную тенденцию и высчитывается коэффициент детерминации R², который позволяет судить о степени тесноты графика и получившей модели тренда. При этом чем больше коэффициент детерминации, тем лучше. Коэффициент детерминации является и проверкой точности совпадения модели и фактического графика.

6. Сделать прогноз на 5 ближайших лет

Программа автоматически высчитывает прогнозируемые величины и также отмечает их на построенном графике

7. Сделать выводы о получившимся прогнозе

 

Проведение  анализа

1. Постановка цели: выявить тенденцию и тренд мирового производства мяса и на основе этих данных построить прогноз на 5 лет.
2. Исходная информация

Собираем статистическую информацию мирового производства мяса за 11 лет, получаем следующую таблицу 32. 
 
 

Таблица 32

Исходные  данные [1]