WWW.REFERATCENTRAL.ORG.UA - Я ТУТ НАВЧАЮСЬ

... відкритий, безкоштовний архів рефератів, курсових, дипломних робіт

ГоловнаБухгалтерський облік, Податки → Облік, аналіз і аудит валових доходів і валових витрат - Курсова робота

Облік, аналіз і аудит валових доходів і валових витрат - Курсова робота

розрахунки, які виконуються спеціально для цілей оподаткування.

Особливість показників цієї групи полягає в тому, що вони можуть відрізнятися від фактичних, і це буде відображатися в податковому, і не буде відображатися в бухгалтерському обліку [82].

Під час перевірки Декларацій про доходи (прибуток) страховика за період 2006 – 2008 років не виявлено ні помилок, ні виправлень. Декларація заповнена згідно наказу ДПА України №224 від 21.06.2005 року "Про затвердження форми декларації з податку на доходи (прибуток) страховика та Порядку її складання". Відповідно до діяльності страхової компанії віднесені суми по рядках.

2.3 Використання регресійного аналізу в управлінні витратами страхової компанії

Економетрія – наука, яка вивчає кількісні закономірності економічних процесів за допомогою математико-статистичних методів.

Типи даних у економетричному аналізі: будемо розрізняти такі дані: просторові та часові.

Просторовими називаються такі дані, для яких їх порядок розташування не має значення.

Часові – це такі дані, для яких їх порядок має принципове значення [44].

Лінійна багатовимірна модель (ЛБМ) має такий вигляд

y=β0+ β1x1+ ... + βpxp, (2.1)

y – залежна змінна – витрати на 1 грн.;

- питома вага заробітної плати в собівартості страхових послуг;

- фондоозброєність;

- коефіцієнт оборотності обортних коштів;

- питома вага робітників в загальній чисельності персоналу;

- коефіцієнт зносу основних засобів [44].

У зв'язку з тим, що економетрична модель обов'язково має випадкову помилку, модель (2.1) переписується у вигляді (2.2)

y=β0+ β1x1+ ... + βpxp+ε, (2.2)

де ε – випадкова помилка або перешкода.

Якщо після необхідних обчислень визначені чисельні значення коефіцієнтів β, то кажуть, що ми отримали оцінку коефіцієнтів моделі:, тобто оцінкою коефіцієнта β є його чисельне значення b=.

Якщо замінити у виразі 2.2 коефіцієнти моделі оцінками, то ми отримаємо такий вираз

, (2.3)

Основними передумовами використання моделі (2.1-2.3), а такі моделі ще називаються регресійними багатовимірними моделями, є такі:

M (ε)=0 математичне сподівання перешкоди равно 0;

перешкода взаємонезалежна із змінними cov (xi,)=0;

для 2-х визначень перешкоди коефіцієнтів коваріації між ними також дорівнює 0 cov;

перешкода ε нормально розподілена величина з параметрами (0;1) ε=N (ε, 0;1);

від виміру до виміру дисперсія перешкоди не змінюється .

Остання властивість, носить спеціальну назву:

гомоскедастичність (однорідність).

Якщо остання умова не виконана, то кажуть, що дисперсія має властивість гетероскедастичності [45].

Чисельний аналіз регресійної моделі починають з того, що визначають значення регресійних коефіцієнтів β1... βр та коефіцієнтів β0, який має спеціальну назву – вільний член.

Найчастіше дані для регресійного аналізу записують у вигляді таблиці. Приклад таблиці наведено у таблиці 2.1.

Таблиця 2.1

Дані для регресійного аналізу

yp

x1

x2

...

xn

y1

x11

X12

x1p

y2

x21

X22

x2p

...

yn

xn1

xn2

xnp

Якщо нам необхідно визначити вільний член, то ми записуємо 1.

Якщо вільний член не потрібний, то стовпчик x0 до таблиці не вводять. Регресійні коефіцієнти визначають за допомогою методів найменших квадратів.

, (2.4)

Візьмемо частичні похідні по кожному з виразів, дорівняти їх і отримаємо систему рівнянь

, (2.5)

Ця система рівнянь має спеціальну назву – нормальна система.

Отримати цю систему [45].

, (2.6)

Невідомі у системі 2.6 – це коефіцієнти в0, в1...

х1, y1 – ми маємо внаслідок спостережень;

в0, в1 - це коефіцієнти, які ми повинні визначити;

n – кількість спостережень, вони нам завжди відомі.

Якщо центрувати наші дані, необхідно замість х1 записувати [51]:

, (2.7)

По діагоналі системи будемо мати дисперсію відповідно змінною, а недіагональні елементи нормальної системи будуть коваріаціями відповідних пар елементів.

Розв'язання нормальної системи у матричному вигляді буде таким:

B=(XTX)-1XTY, (2.8)

де B- це вектор коефіцієнтів b0,b1...bp

Х - матриця даних вимірності n на р;

Х = n х p, (2.9)

де n – кількість рядків у таблиці спостережень

р - кількість коефіцієнтів регресійної моделі, якщо нам не потрібен вільний член.

Або це буде вимірність Хр х (р+1), якщо нам потрібен вільний член [44].

Т – символ транспонування.

Якщо розкрити вираз ХТ х Х, то ми отримаємо коефіцієнти нормальних рівнянь

1 – це символ зворотньої матриці;

Y - це стовпчик спостережень.

Для того, щоб ми могли отримати зворотню матрицю, визначник вихідної матриці не повинен рівнятися 0.

Перевірка значущості (якості) регресійного рівняння [45].

Після того, як визначені оцінки вектора b, треба перевірити якість отриманого рівняння b0 +b1х1+ b2 х2+...+ bр хp

перевірити загальну адекватність рівняння;

перевірити значущість окремих коефіцієнтів.

Перевірку якості отриманого рівняння ми починаємо з побудови таблиці дисперсійного аналізу регресійного рівняння (табл. 2.2).

Таблиця 2.2

Дисперсійний аналіз регресійного рівняння

Джерело варіацій

SS

df

MSS

1

2

3

4

Що пояснює регресію

p-1

Залишки

n-p

Загальне

n-1

де ŷ – обчислене значення;

y – фактичне значення;

- середнє значення (фактичне);

n – кількість спостережень;

p – кількість коефіцієнтів, які ми визначаємо.

Можна довести, що величина SST=SSR+SSE

Перевірку значущості регресійного рівня здійснюють за критерієм Фішера. Для цього обчислимо таку величину [51]:

, (2.10)

Якщо величина F буде більше Fтабл, то ми вважаємо, що наше рівняння значуще. Вираз (2.8) поділимо зліва та справа на величину SST, тоді отримаємо [56]:

, (2.9)

Величина отримала спеціальне позначення:

R2 спеціальну назву – коефіцієнт детермінації:

= R2, (2.10)

R2=1-, (2.11)

Фізичний зміст цієї величини: вона показує, яку долю загальної дисперсії пояснює наше рівняння регресії.

Коефіцієнт детермінації використовується для порівняння якості конкуруючих регресійних моделей, кожна з якої значуща.

Те рівняння буде краще, для якого коефіцієнт детермінації буде більше.

Для того, щоб порівняти якість конкуруючих регресійних моделей, треба, щоб у них співпали кількість спостережень та змінних [59].

У загальному випадку для порівняння моделей використовують скоригований коефіцієнт детермінації:

, (2.12)

Для перевірки статистичного зв'язку між вибраними змінними та величиною y використовують коефіцієнт множинної кореляції: R- позначення цього коефіцієнта [44].

Можна показати, що коефіцієнт детермінації рівняється квадрату коефіцієнта кореляції.

Таблиця 2.3

Властивості коефіцієнта множинної кореляції R та парного коефіцієнта кореляції r

rxy

0

Чим більше по модулю величина R і r, тим зв'язок тісніший між величиною y і xp.

Якщо ці коефіцієнти рівняються 1, то зв'язок функціональний.

Якщо коефіцієнт парної кореляції r>0, то зростанню величини х відповідає зростання величини y [45].

Якщо r<0, то збільшенню однієї з величин відповідає зменшення іншої. Одна з формул, за якою обчислюють коефіцієнт множинної кореляції, така:

, (2.13)

де - середнє обчислених значень.

Для перевірки значущості отриманих коефіцієнтів (якщо в цілому за критерієм f рівняння було значущим) використовуємо критерій ст'юдента. Для перевірки значущості кожного коефіцієнта регресії обчислюють величину [59]:

, (2.14)

де bi – обчислене значення коефіцієнта;

- це його середньоквадратичне відхилення.

Loading...

 
 

Цікаве