PROJEKT ZALICZENIOWY Z PRZEDMIOTU

Xxx

Autorzy:

1
 1. OMÓWIENIE TEORETYCZNE PROBLEMU

Nowe samochody osobowe stanowią ważny segment rynku motoryzacyjnego, a ich sprzedaż
jest zazwyczaj ściśle powiązana z kondycją gospodarczą danego kraju. Analiza zależności
między zmiennymi takimi jak wynagrodzenie, liczba dealerów samochodowych, liczba
ludności, liczba firm oraz inflacja może dostarczyć istotnych informacji na temat czynników
wpływających na popyt na nowe samochody osobowe w Polsce.

Wynagrodzenie brutto jest jednym z kluczowych czynników wpływających na siłę nabywczą

konsumentów. Wyższe wynagrodzenie może prowadzić do większej gotowości do zakupu
nowego samochodu. Z kolei liczba dealerów samochodowych może odzwierciedlać
dostępność samochodów na rynku oraz konkurencję, co również może wpływać na popyt.
Również liczba ludności i firm w kraju mogą stanowić wskaźniki potencjalnego popytu na
nowe samochody osobowe. Wreszcie, poziom inflacji może mieć wpływ na siłę nabywczą
konsumentów oraz ich oczekiwania dotyczące cen.

Celem niniejszej pracy jest zbadanie związku pomiędzy ilością sprzedawanych nowych
samochodów osobowych o masie do 3,5 tony a szeregiem zmiennych, które potencjalnie
mogą mieć wpływ na ten proces. Zastosowanie modelu regresji, który pozwoli nam określić,
jak te zmienne niezależne są skorelowane z ilością sprzedawanych nowych samochodów
osobowych w Polsce. W przypadku znalezienia istotnych zależności, będziemy mogli
wykorzystać wyniki analizy do prognozowania przyszłych sprzedaży samochodów oraz
zrozumienia głównych czynników wpływających na ten proces.

2. PODSTAWOWE INFORMACJE O ANALIZIE

Dane pozyskane do tej pracy są rzeczywiste, pochodzą z oficjalnych źródeł takich stat.gov.pl
(oficjalna strona z danymi Głównego Urzędu Statystycznego) i stanowią szereg czasowy z
danymi rocznymi od 2002 do 2017 roku (16 obserwacji). Poniżej znajduje się lista
analizowanych zmiennych wraz z przedstawieniem graficznym tych zmiennych.

Zmienną objaśniającą jest:

 Y – ilość sprzedanych nowych samochodów osobowych i do 3,5t (tys. sztuk)

2
 500

450

400

350

Y
300

250

200
2002 2004 2006 2008 2010 2012 2014 2016

Zmiennymi objaśniającymi zaś są:

 X1 - średnie miesięczne wynagrodzenie brutto w Polsce (brutto w PLN)

4500

4000

3500
X1

3000

2500

2000
2002 2004 2006 2008 2010 2012 2014 2016

 X2 - liczba dealerów samochodowych w Polsce (liczba jednostek)

1050

1000

950

900
X2

850

800

750

700

650
2002 2004 2006 2008 2010 2012 2014 2016

 X3 - liczba ludności w Polsce (mln osób)

3
 38,55

38,5

38,45

38,4

38,35

X3
38,3

38,25

38,2

38,15

38,1
2002 2004 2006 2008 2010 2012 2014 2016

 X4 - liczba firm w Polsce (mln jednostek)

7,5

6,5

6
X4

5,5

4,5

3,5

3
2002 2004 2006 2008 2010 2012 2014 2016

 X5- poziom inflacji (w %)

3
X5

-1
2002 2004 2006 2008 2010 2012 2014 2016

4
 3. ESTYMACJA MODELU EKONOMETRYCZNEGO

Model teoretyczny

W celu odpowiedzi na pytanie postawione w części 1, postanowiono stworzyć model

ekonometryczny, gdzie liczba nowych sprzedanych samochodów osobowych będzie
wyznaczona przez czynniki makroekonomiczne w Polsce. Wszystkie obliczenia zostaną
przeprowadzone w programie GRETL, a zrzuty z wynikami znajdą się w aneksie.

Tworzony model, który ma następujący ogólny wzór:

Y = a0 + a1*X1 + a2*X2 + a3*X3 + a4*X4 + a5*X5

Gdzie:

Y - ilość sprzedanych nowych samochodów osobowych i do 3,5t (tys. sztuk), zmienna

objaśniana

X1–X5 – zmienne objaśniające zgodnie z wykazem z podrozdziału 2

a0-a5 – parametry regresji

W finalnym modelu dążymy do zastąpienia parametrów a0-a5 konkretnymi wartościami.

Weryfikacja zmienności parametrów

Zanim przejdziemy do tworzenia modelu empirycznego, należy sprawdzić, czy zmienne są

wystarczająco mocno zróżnicowane, żeby brać je od uwagę w czasie opracowywania modelu.
W poniższej tabeli znajdują się podstawowe statystyki opisowe wraz ze współczynnikami
zmienności. Minimalna oczekiwana zmienność to 10%.

X1 X2 X3 X4 X5
Średnia 3126,06 898,06 38,32 4,08 1,97
Odchylenie
682,25 108,07 0,17 1,04 1,60
standardowe
Współczynnik
22% 12% 0,1% 26% 81%
zmienności

Jak widać, wszystkie zmienne poza X3 charakteryzują się wystarczającą zmiennością.

Zmienna X3, odnosząca się do populacji w Polsce, ma natomiast bardzo mało zmienność,
dlatego jest wykluczona z dalszej analizy.

5
Eliminacja parametrów na podstawie ich istotności

Po eliminacji zmiennej X3 budujemy pierwszy model faktyczny, który przyjmuje następującą

formę:

^Y = -188 + 0,0199*X1 + 0,537*X2 - 11,5*X4 + 2,68*X5

Zanim przejdziemy do analizy, musimy się upewnić, że wszystkie parametry tego modelu są
istotne statystycznie. Przeprowadzamy więc test istotności parametrów strukturalnych modelu
(poziom α = 0,05)

Tutaj postawiono hipotezy dla każdego parametru:

H0: wartość parametru strukturalnego nie jest różna od zera

H1: wartość parametru strukturalnego jest różna od zera

Wyniki w tabeli poniżej:

błąd
  współczynnik standardowy t-Studenta wartość p
const -188,48 79,57 -2,37 0,037
X1 0,02 0,01 1,46 0,172
X2 0,54 0,09 5,72 0,000
X4 -11,45 8,36 -1,37 0,198
X5 2,68 5,60 0,48 0,642

Jak widać w powyższej tabeli, wartości p statystyki testowej wszystkich zmiennych poza X3
są wyższe od 0,05, co oznacza, że są one nieistotne statystycznie. W tym wypadku należy
usunąć najmniej istotną zmienną (jest to X5 z p=0,642) i stworzyć model już bez tej zmiennej.
Procedura ta jest powtarzana aż do uzyskania istotności wszystkich zmiennych.

Po wybraniu testu „test pominiętych zmiennych” w programie gretl, wykonana została

sekwencyjna eliminacja nieistotnych zmiennych przy dwustronnym obszarze krytycznym,
alfa = 0,05.

6
W jej wyniki kolejno:

 Wyeliminowano nieistotną zmienną: X5 (wartość p = 0,642)

 Wyeliminowano nieistotną zmienną: X4 (wartość p = 0,196)
 Wyeliminowano nieistotną zmienną: X1 (wartość p = 0,202)

Na końcu otrzymaliśmy więc model z tylko jedną istotną zmienną – jest to X2. Poniżej jego
parametry:

błąd
  współczynnik standardowy t-Studenta wartość p
const -172,164 69,461 -2,479 0,027
X2 0,542 0,077 7,056 0,000

4. OMÓWIENIE I WERYFIKACJA MODELU

Ostateczny model zawiera więc tylko jedną zmienną zależną i ma on następującą postać:

^Y = -172,16 + 0,542*X2

Ocena merytoryczna

Jak się okazało, jedynie liczba dealerów samochodowych łączy się z tym, ile faktycznie
pojazdów jest nabywanych w danym roku – jest to logiczne, ponieważ sprzedaż tutaj
bezpośrednio łączy się liczbą punktów sprzedaży. Pozostałe wskaźniki są dużo bardziej
ogólne i makroekonomiczne. Pośrednio mogą mieć one wpływ na poziom rejestracji nowych
samochodów, ale są one zbiorem parametrów całej gospodarki, w której rynek samochody
jest tylko małym wycinkiem.

Ocena jakości dopasowania

Dopasowanie modelu do rzeczywistości (współczynnik R2) wynosi 0,7805. Oznacza to, że

model wyjaśnia zmienność liczby sprzedanych nowych samochodów i pojazdów do 3,5t w
78,05%, co jest umiarkowanym wynikiem.

7
Tworząc model, popełniamy błąd w oszacowaniu liczby zarejestrowanych nowych pojazdów
w danym roku o średnio 33,20 tys. sztuk. Błąd ten stanowi 10,56% przeciętnej ilości nowych
pojazdów zarejestrowanych w badanym okresie, co jest umiarkowanie wysokim błędem.

Ocena statystyczna (testy części deterministycznej modelu oraz testy własności jego
reszt)

Test White'a na heteroskedastyczność reszt

Weryfikujemy hipotezy:

H0: heteroskedastyczność reszt nie występuje

H1: heteroskedastyczność reszt występuje

Wynik: LM = 5,42518; p = 0,0663647

Wniosek: p > 0,05, nie ma podstaw do odrzucenia H0. Heteroskedastyczność reszt nie
występuje.

Test na normalność rozkładu reszt

Weryfikujemy hipotezy:

H0: składnik losowy ma rozkład normalny

H1: składnik losowy nie ma rozkład normalny

Wynik: chi2 = 7,92602; p = 0,0190058

Wniosek: p < 0,05, co oznacza, że odrzucamy H0 i przyjmujemy H1. Reszty nie mają rozkład
normalny.

Wynik ten potwierdza graficzna analiza rozkładu, który znajduje się poniżej.

8
 0,025
Test na normalność rozkładu: względna częstości
N(-1,2434e-014 33,195)
Chi-kwadrat(2) = 7,926 [0,0190]

0,02
Wykres gęstość (estymator jądrowy)

0,015

0,01

0,005

0
-100 -50 0 50 100
residual

Test Durbina Watsona na autokorelacje reszt:

Weryfikujemy hipotezy:

H0: brak autokorelacji reszt

H1: autokorelacja reszt występuje

Wynik: DW = 1,13668; p (autokorelacja dodatnia) = 0,0221954; p (autokorelacja ujemna) =

0,977805.

Wniosek: dla autokorelacji dodatniej p < 0,05, co oznacza, że odrzucamy H0 i przyjmujemy

H1 – w modelu występuje autokorelacja.

Interpretacja

Za każdym razem, gdy liczba dealerów samochodowych w Polsce wzrasta o 1 jednostkę, to

sprzedaż samochodów rośnie o średnio 0,542 tys. sztuk.

9
Interpretacja wyrazu wolnego nie ma sensownej interpretacji ekonomicznej.

Wnioski

Model posiada nienajgorsze dopasowanie do danych, jednak występowanie autokorelacji i

brak normalności rozkładu reszt sprawia, że może on generować błędy mocno zaburzające
wyniki. Nie powinien więc być stosowany do tworzenia poważnych predykcji, ale raczej do
wskazywania trendów.

5. PROGNOZA

Model wykorzystano do prognozy poglądowej na kolejny rok (2018), w celu prezentacji

metody tworzenia prognoz. Nie mogą one być traktowane jako wiarygodne.

Aby móc dokonać prognozy, stworzono model czasowy dla obliczenia wartości X2 (liczba
dealerów samochodowych) o następującym wzorze:

^X2 = 808 + 10,6*t

Gdzie t to kolejność obserwacji, dla 2002 t=1, dla 2003 t=2… dla 2018 t=17.

W tym wypadku:

^X2 = 988,00

Dla takiej wartości obliczamy prognozę sprzedaży samochodów na 2018 rok:

^Y = -172,16 + 0,542*988

W tym wypadku:

^Y = 363,2

Błąd tej prognozy wynosi 34,91, czyli 9,6% wartości samej prognozy. Ponieważ błąd jest
wyższy od 5% (maksymalny akceptowany błąd), to prognoza jest niedopuszczalna.

Graficznie prognozę zaprezentowano poniżej:

10
500
Y
prognoza
95 procentowy przedział

450

400

350

300

250

200
2011 2012 2013 2014 2015 2016 2017 2018

11
GRETL – ZRZUTY

12
13