Professional Documents
Culture Documents
Sprzedaz Samochodow-2
Sprzedaz Samochodow-2
Sprzedaz Samochodow-2
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.
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.
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.
2
500
450
400
350
Y
300
250
200
2002 2004 2006 2008 2010 2012 2014 2016
4500
4000
3500
X1
3000
2500
2000
2002 2004 2006 2008 2010 2012 2014 2016
1050
1000
950
900
X2
850
800
750
700
650
2002 2004 2006 2008 2010 2012 2014 2016
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
7,5
6,5
6
X4
5,5
4,5
3,5
3
2002 2004 2006 2008 2010 2012 2014 2016
3
X5
-1
2002 2004 2006 2008 2010 2012 2014 2016
4
3. ESTYMACJA MODELU EKONOMETRYCZNEGO
Model teoretyczny
Gdzie:
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
5
Eliminacja parametrów na podstawie ich istotności
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)
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.
6
W jej wyniki kolejno:
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
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.
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)
Weryfikujemy hipotezy:
Wniosek: p > 0,05, nie ma podstaw do odrzucenia H0. Heteroskedastyczność reszt nie
występuje.
Weryfikujemy hipotezy:
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
Weryfikujemy hipotezy:
Interpretacja
9
Interpretacja wyrazu wolnego nie ma sensownej interpretacji ekonomicznej.
Wnioski
5. PROGNOZA
Aby móc dokonać prognozy, stworzono model czasowy dla obliczenia wartości X2 (liczba
dealerów samochodowych) o następującym wzorze:
Gdzie t to kolejność obserwacji, dla 2002 t=1, dla 2003 t=2… dla 2018 t=17.
W tym wypadku:
^X2 = 988,00
^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.
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