Север и рынок. 2013, N 4.

Критерий Стьюдента показывает значимость коэффициентов при переменных для данного числа степеней свободы df=15 t-Statistic= 1.753. Расчетные критерии превосходят табличное значение, следовательно, делаем вывод о значимости коэффициентов модели. Очень высоки коэффициенты детерминации, вариация GRPi более чем на 92% описывается изменением трех независимых переменных. Для модели расчетное значение критерия Фишера F-statistic - 349.74, превосходит табличное для данного количества факторов и числа степеней свободы (табличная F -statistic=8.7). Следовательно, можно утверждать, что функция адекватно описывает исходные данные. Проверки на состоятельность оценок модели (2), аналогичные тем, которые подробно описаны для модели (1), доказывают факт отсутствия мультиколлинеарности факторов модели, а также гомоскедастичность остатков и отсутствие автокорреляции этих остатков. Модель (3) аналогична предыдущим и рассматривает влияние фактора плотность автомобильных дорог: GRPi = 0.41 •OPFi - 3.606^imp_tehnoli + 571.76plot_avtoi. (3) Параметры регрессии описаны в табл.6. Таблица 6 Параметры построения регрессии для модели (3) Dependent Variable: GRPi Method: Least Squares Included observations: 19 Variable Coefficient Std. Error t-Statistic Prob. OPFi 0.409786 0.017554 23.34496 0.0000 imp tehnoli -3.606301 0.714768 -5.045416 0.0001 plot setii 571.7598 166.8142 3.427524 0.0035 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.984979 0.920601 43266.05 3.00E+10 -228.1546 1.524484 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F -statistic Prob(F-statistic) 284856.9 158497.2 24.33206 24.48119 349.7168 0.00000 Табличный критерий Стьюдента, равный 1.753, меньше всех расчетных критериев, следовательно, делаем вывод о значимости коэффициентов модели. Очень высоки коэффициенты детерминации, то есть вариация GRPi более чем на 92% описывается изменением трех рассматриваемых факторов. Для модели расчетное значение критерия Фишера составляет F-statistic=349.72 и превосходит табличное F-statistic, равное 8.7. Делаем вывод, что функция адекватно описывает исходные данные. Как и для двух предыдущих моделей, проверка показывает, что факторы модели (3) не мультиколлинеарны, а ее остатки гомоскедастичны и не автокоррелированы. Рассмотренные выше три модели позволяют увидеть устойчивые связи ВРП региона с факторами основных производственных фондов и импорта технологий, так как коэффициенты при данных переменных во всех моделях несущественно отличаются. При этом важно заметить, что фактор «импорт технологий» для моделей данной группы регионов находится в обратной связи с ВРП, то есть приращение фактора ведет к снижению объясняемой переменной ВРП. Также в моделях отражены факторы транспортного комплекса и возможно проанализировать влияние плотности каждого из вида дорог на ВРП регионов данной группы. Модель (4), наряду с факторами OPFi и imp tehnoli рассматривает влияние фактора «плотность производства»: GRPi = 0 .4160PF i - 3.34^imp_tehnoli + 43.071 •plot_promi. (4) Параметры регрессии отражены в табл.7. 20