WWW.REFERATCENTRAL.ORG.UA - Я ТУТ НАВЧАЮСЬ

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

ГоловнаБухгалтерський облік, Податки → Управління складним податковим об’єктом (Дипломна) - Реферат

Управління складним податковим об’єктом (Дипломна) - Реферат

МНК, і т.д.
Побудуємо економетричну модель залежності обсягів податкових надходжень до Зведеного бюджету по ДПІ в м. Ірпені від часу, використовуючи статистичний пакет для комплексної оброби даних Statgraphics.
Певна річ, час не є фактором конкретного соціально-економічного процесу, зміна часу t просто акумулює комплекс постійно діючих умов і причин, які визначають цей процес.
Методом підбору був обчислений оптимальний вигляд часового тренду (за міру адекватності були використані коефіцієнт детермінації та F-критерій Фішера). У тих випадках, коли ці величини були максимальні для певного виду функції, саме такий тренд вважався найкращим. Отже, використаємо лінійну та мультиплікативну (степеневу) моделі. Візьмемо щомісячні дані надходжень до Зведеного бюджету по ДПІ в м. Ірпені за два останніх роки - 2000 і 2001рр.(Табл. 3.1.)
Для зручності будем використовувати 1,2,3... і т.д. для позначення порядкового номеру місяців.
Таблиця 3.1.
Щомісячні дані надходжень до Зведеного бюджету по ДПІ в м. Ірпені за 2000 - 2001рр.
Періоди Фактичні надходження 2000-2001 рр., тис.грн. Періоди Фактичні надходження 2000-2001 рр., тис.грн.
1 3117,6 13 4396,2
2 3138,5 14 3596,1
3 2932,1 15 5541,5
4 3315,6 16 4843,4
5 2756,7 17 4964,7
6 4101,5 18 4657,7
7 4024,1 19 4131,4
8 3984,6 20 4917,8
9 3933,6 21 4786,2
10 4585,2 22 4063,9
11 4887,7 23 4934
12 5436,2 24 5158,7
Рівняння регресій, їх оцінки одержимо за допомогою пакету для комплексної обробки даних Statgraphics (Табл.3.2-3.3)
Таблиця 3.2
Регресійний аналіз лінійної моделі
Таблиця 3.3
Регресійний аналіз мультиплікативної моделі
Тепер перевіримо статистичну значимість отриманих коефіцієнтів регресій і близькості розташування фактичних даних до розрахованої лінії регресії.
У наступному після коефіцієнтів стовпці зазначені значення стандартних похибок оцінок відповідних коефіцієнтів. Стандартні похибки коефіцієнтів - це просто їх середньоквадратичні відхилення, т.є квадратні корні дисперсій коефіцієнтів. По величині стандартних похибок судять про точність оцінок. Чим сильніше розкидані залежні змінні навколо лінії регресії, тим більшими будуть стандартні похибки коефіцієнтів, оскільки стає все складнішим знайти оптимальні значення коефіцієнтів. Таким чином, чим менша стандартна похибка в порівнянні з розрахованим значенням коефіцієнта, тим точніше оцінений коефіцієнт.
У лінійної моделі стандартні похибки коефіцієнтів значно більші, порівняно з їх розрахунковими значеннями, ніж у мультиплікативної моделі.. Отже, коефіцієнти мультиплікативної моделі оцінені точніше.
Формально значимість оціненого коефіцієнта регресії може бути перевірена за допомогою його аналізу його відношення до свого стандартного відхилення.
Для визначення ступеня значимості коефіцієнтів застосовуються t-критерії, які розраховуються діленням коефіцієнтів регресії на їх стандартні похибки:
, аналогічно для коефіцієнта а. (3.1)
Будь-яке значення t-статистики, яке по абсолютній величині перевищує 2,00 вказує на наявність ненульового впливу пояснюючої змінної на модельовану. В нашому випадку значення t-статистики більші за 2, а статистична значимість вища у мультиплікативної моделі, ніж у лінійної.
Для того щоб визначити, наскількиваріація податкових надходжень обумовлена плинністю часу і наскільки вона обумовлена впливом випадкових причин, т.є наскільки добре розраховані рівняння регресії відповідають фактичним даним, застосовують коефіцієнт детермінації.
Для лінійної моделі коефіцієнт детермінації рівний 50,87%, а для мультиплікативної - 60,84%.
Значення коефіцієнта детермінації, що дорівнює 50,87% свідчить про те, близько 51%динаміки загальних податкових надходжень по ДПІ в м.Ірпені за період з січня 2000р. по грудень 2001р. пояснювалося впливом лінійної моделі.
Отже, краще значення коефіцієнту детермінації має мультиплікативна модель.
Для перевірки статистичної значимості коефіцієнта детермінації перевіряється нульова гіпотеза для F-статистики. Зміст цієї гіпотези заключається в тому, що всі коефіцієнти лінійної регресії, за виключенням вільного члена, дорівнюють 0. Якщо регресія парна, то перевірка нульової гіпотези для t-статистики коефіцієнта регресії рівносильна перевірці нульової гіпотези для F-статистики, оскільки в цьому випадку F-статистика дорівнює квадрату t-статистики.
Значення коефіцієнтів кореляції rxy свідчать, що сильніший зв'язок між досліджуваними величинами виявляється в мультиплікативній моделі.
Отже, можна досить впевнено сказати, що мультиплікативна модель є кращою за лінійну з погляду на її статистичні оцінки. Але обидві моделі є постійно зростаючими та такими, що не враховують сезонності у податкових надходженнях, тому їх використання для оцінки бюджету на найближчий період, що планується є недоцільним. На мал. 3.1 і 3.2 спостерігається циклічність щодо обсягів податкових надходжень. Так, в кінці кварталів та року фіксується їх зростання, в той час як на початку - спад.
Тому знайдені рівняння регресій недоцільно використовувати для оцінки бюджету на найближчий період, що планується.
Мал. 3.1 Лінійна модель залежності податкових надходжень від часу
Мал. 3.2 Мультиплікативна модель залежності податкових надходжень від часу
Тому в нашому випадку доцільним буде скористатися моделлю ARIMA (Autoregressive Integrated Moving Averages) - Авторегресійною інтегрованою моделлю із ковзною середньою.
При моделюванні нестаціонарних за своєю природою економічних процесів авторегресійна функція об'єднується з іншими методами аналізу динаміки: ковзною середньою, трендом, сезонною хвилею. Об'єднання різних моделей в єдине ціле суттєво розширює сферу практичного їх використання.
Процес ARIMA включає три параметри: p - порядок авторегресії, d - порядок різниць, q - порядок ковзної середньої в моделі. В нашому випадку вони дорівнюють (2,1,1).У моделі ARIMA рівень динамічного ряду yt визначається як зважена сума попередніх його значень і значень залишків et. - поточних і попередніх. Вона об'єднує модель авторегресії порядку p і модель ковзної середньої залишків порядку q.Тренд включається в ARIMA за допомогою оператора кінцевих різниць ряду yt. В стандартній методиці ARIMA ідентифікація моделі зводиться до візуального аналізу автокорелограм.
Результати прогнозу за допомогою моделі ARIMA представлені в таблиці 3.4 та на мал. 3.3.
Таблиця 3.4
Прогнозні дані надходжень до Зведеного бюджету по ДПІ в м.Ірпені
Мал. 3.3 Модель ARIMA залежності податкових надходжень від часу
Отже, тепер порівняємо прогнозовані обсяги податкових надходжень за моделлю ARIMA , лінійною моделлю і мультиплікативною моделлю за чотири місяці 2002 року з фактичними даними.
Таблиця 3.5
Порівняння прогнозованих обсяги податкових надходжень з фактичними даними
Періоди Фактичні обсяги податкових надходень, тис.грн. Прогнозовані обсяги податкових надходжень за лінійною моделлю, тис.грн. Відхилення прогнозованих обсягів від фактичних, тис.грн. Прогнозовані обсяги податкових надходжень за
Loading...

 
 

Цікаве