Север и рынок. 2013, N 4.

Таблица 4 Параметры вспомогательной регрессии для оценки модели (1) на автокорреляцию остатков Breusch-Godfrey Serial Correlation LM Test: F-statistic 0.780564 Prob. F(2,14) 0.4771 Obs*R-squared 1.905181 Prob. Chi-Square(2) 0.3857 Test Equation: Dependent Variable: RES Method: Least Squares Included observations: 19 Presample missing value lagged residuals set to zero. Variable Coefficient Std. Error t -Statistic Prob. OPFi -0.005298 0.021559 -0.245742 0.8094 imp tehnoli 0.208000 0.776547 0.267853 0.7927 plot gdi 633.8983 1907.658 0.332291 0.7446 RESID(-l) 0.336609 0.278664 1.207936 0.2471 RESID(-2) 0.026932 0.291183 0.092492 0.9276 R-squared 0.100273 Mean dependent var 308.9179 Adjusted R-squared -0.156792 S.D. dependent var 42733.44 S.E. of regression 45961.64 Akaike info criterion 24.52994 Sum squared resid 2.96E+10 Schwarz criterion 24.77847 Log likelihood -228.0344 Hannan-Quinn criter. 24.57200 Durbin-Watson stat 1.784566 Итоговый анализ модели позволяет сделать вывод о ее высоком качестве и, следовательно, о возможности ее использования в целях прогнозирования ВРП регионов того кластера, по данным которого она построена. Далее рассмотрим аналогичную модель (2), которая вместо плотности железных дорог оценивает влияние плотности общей сети дорог: GRPi = 0 .4080PF i - 3.606^imp_tehnoli + 520.903plot_setii . (2) Параметры модели (2) представлены в табл.5. Таблица 5 Параметры построения регрессии для модели (2) Dependent Variable: GRPi Method: Least Squares Included observations: 19 Variable Coefficient Std. Error t-Statistic Prob. OPFi 0.408376 0.017698 23.07445 0.0000 imp tehnoli -3.606426 0.714752 -5.045702 0.0001 plot setii 520.9033 151.9665 3.427751 0.0035 R-squared 0.984979 Mean dependent var 284856.9 Adjusted R-squared 0.920602 S.D. dependent var 158497.2 S.E. of regression 43264.84 Akaike info criterion 24.33201 Sum squared resid 2.99E+10 Schwarz criterion 24.48113 Log likelihood -228.1541 F -statistic 349.7367 Durbin-Watson stat 1.469609 Prob( F -statistic) 0.00000 19