КРАТКАЯ ХАРАКТЕРИСТИКА ЭКОНОМИКИ АВСТРАЛИИ

СОДЕРЖАНИЕ
КРАТКАЯ ХАРАКТЕРИСТИКА ЭКОНОМИКИ АВСТРАЛИИ 3
1. Базовый анализ 6
2. Корреляционный анализ 9
3. Дисперсионный анализ 14
4. Регрессионный анализ 16
5. Дискриминантный анализ 19
6. Факторный анализ 24
7. Кластерный анализ 27
СПИСОК ЛИТЕРАТУРЫ 30

Для поверки существования между группами значимых различий.Для определения факторов, вносящих наибольший вклад в межгрупповые различия.Для отнесения объектов к одной из групп, исходя из значений факторов.Для оценки точности классификации.Если зависимая переменная имеет две категории, то дискриминантный анализ известен как анализ для двух групп. Если рассматривают три и больше групп, то метод называют множественным дискриминантным анализом.Дискриминантный, как и кластерный анализ, предназначен для классификации переменных. Однако в дискриминантном анализе необходима предварительная информация о групповой принадлежности каждого рассматриваемого объекта или события для того, чтобы разработать правило классификации.Групповые статистикиX11Кол-во валидных (искл.целиком)НевзвешенныеВзвешенные-1,00000X144,000X844,000X744,000X1244,000X1444,000X644,000X1044,000X1644,000,00000X11212,000X81212,000X71212,000X121212,000X141212,000X61212,000X101212,000X161212,0001,00000X155,000X855,000X755,000X1255,000X1455,000X655,000X1055,000X1655,000ИтогоX12121,000X82121,000X72121,000X122121,000X142121,000X62121,000X102121,000X162121,000Собственные значенияФункцияСобственное значение% объясненной дисперсииКумулятивный %Каноническая корреляция126,090a82,282,2,98125,633a17,8100,0,922a. В анализе использовались первые 2 канонические дискриминантные функции.Лямбда УилксаПроверка функции(й)Лямбда УилксаХи-квадратст.св.Знч.от 1 до 2,00675,27216,0002,15127,4347,000Нормированные коэффициенты канонической дискриминантной функцииФункция12X15,0532,198X8-,279,032X7-,121-,134X12-5,101-2,116X14,961-,324X6,382,888X10,4582,049X16-,118-1,294Структурная матрицаФункция12X14,660*-,380X12-,400*-,278X1-,339*-,240X7,068*-,018X6,013*,003X10,140,493*X8,029,188*X16,138,160*Объединенные внутригрупповые корреляции между дискриминантными переменными и нормированными каноническими дискриминантными функциями. Переменные упорядочены по абсолютной величине корреляций внутри функции.*. Максимальная по абсолютной величине корреляция между переменными и дискриминантными функциями.Функции в центроидах группX11Функция12-1,000003,4304,240,000002,369-1,5521,00000-8,429,333Ненормированные канонические дискриминантные функции вычислены в центроидах групп.6. Факторный анализФакторный анализ используется для следующих целей:Для определения основных факторов, объясняющих связи в перечне показателей. Например, экономическое развитие стран оценивается набором показателей. Эти показатели подвергаются факторному анализу, чтобы определить основные факторы развития.Для определения нового перечня некоррелируемых показателей, меньшего по количеству, заменяющих исходный перечень коррелируемых показателей. На базе нового перечня показателей дальше выполняется регрессионный или дискриминантный анализ.Для преобразования набора большего по количеству показателей в меньшее количество ясно выраженных показателей, для их использования в дальнейшем анализе.ОбщностиНачальныеИзвлеченныеX11,000,995X21,000,985X31,000,708X41,000,915X51,000,976X61,000,222X71,000,479X81,000,551X91,000,908X101,000,911X111,000,989X121,000,994X131,000,978X141,000,845X151,000,790X161,000,909Метод выделения: Анализ главных компонент.ОбщностиНачальныеИзвлеченныеX11,000,995X21,000,985X31,000,708X41,000,915X51,000,976X61,000,222X71,000,479X81,000,551X91,000,908X101,000,911X111,000,989X121,000,994X131,000,978X141,000,845X151,000,790X161,000,909Метод выделения: Анализ главных компонент.Матрица компонентaКомпонента123X1,992,100-,009X2,991,037-,030X3,034-,528,654X4,855-,349,248X5,973,171,015X6,130-,293-,345X7-,116-,490,475X8-,379,405,493X9,862,357,192X10-,827,451,153X11,993,010-,045X12,986,142-,019X13,988-,006-,041X14-,686-,611-,029X15-,119,822,318X16-,893,284-,177Метод выделения: Анализ методом главных компонент.Полная объясненная дисперсияКомпонентаНачальные собственные значенияСуммы квадратов нагрузок извлеченияИтого% ДисперсииКумулятивный %Итого% ДисперсииКумулятивный %19,46559,15959,1599,46559,15959,15922,41215,07374,2312,41215,07374,23131,2767,97282,2031,2767,97282,2034,9275,79187,9945,7554,72192,7156,5663,53696,2527,2651,65697,9078,2001,24999,1569,082,51199,66710,037,23099,89711,012,07499,97112,004,02399,99413,001,00599,999147,657E-5,000100,000154,039E-5,000100,000163,453E-62,158E-5100,000Метод выделения: Анализ главных компонент.Всего было сформировано 3 фактора, которые объясняют 82% всей дисперсии.7. Кластерный анализЦелью кластерного анализа является образование групп схожих между собой объектов кластеров. Необходимо знать и помнить различие комбинационных группировок и кластерного анализа.Метод комбинационной группировки заключается в следующем. Например, наблюдаемый объект характеризуется тремя признаками x1, x2, x3.Совокупность наблюдаемых объектов разбивается на группы по x1, а затем внутри каждой выделенной подгруппы по x2, затем по x3.Образованные группы имеют границы по каждому группировочному признаку.В кластерном анализе все группировочные признаки одновременно участвуют в группировке, т.е. они одновременно учитываются при отнесении объекта в ту или иную группу. История итерацийaИтерацияИзменения центров кластеров12311,1491,2911,1682,236,000,3423,134,233,0004,000,000,000a. Сходимость достигнута по критерию малой величины или отсутствия изменений в положении центров кластеров. Максимальное абсолютное изменение координаты любого кластера составляет ,000. Текущая итерация 4. Минимальное расстояние между начальными центрами 3,050.Конечные центры кластеровКластер123REGR factor score 1 for analysis 1-,90080,391441,33188REGR factor score 2 for analysis 1,22096-1,20076,99899REGR factor score 3 for analysis 1,06474-,14028,03885Расстояния между конечными центрами кластеровКластер12311,9322,36521,9322,39932,3652,399ANOVAКластерОшибкаFЗнч.Средний квадратст.св.Средний квадратст.св.REGR factor score 1 for analysis 18,9522,1161876,853,000REGR factor score 2 for analysis 17,0652,3261821,659,000REGR factor score 3 for analysis 1,08421,10218,076,927Значения F-статистики следует использовать только как индикатор, ведь кластеры выбирались так, чтобы максимизировать расхождения между наблюдениями из разных кластеров. Наблюденные уровни значимости не скорректированы соответственно, и потому их нельзя применять для проверки гипотезы о равенстве средних значений кластеров.Число наблюдений в каждом кластереКластер110,00026,00035,000Валидные21,000Пропущенные значения,000Всего было сформировано 3 кластера на основании 2 факторов, так как 3 фактор оказался незначимым. Распределение по кластерам является достаточно стабильным.СПИСОК ЛИТЕРАТУРЫ1. Герчикова И.Н. Международные экономические организации: регулирование мирохозяйственных связей и предпринимательской деятельности. - М.- 2001.-394с.2. Горбунова О.А. ВТО: основы функционирования и проблемы присоединения России: учебное пособие / О.А. Горбунова, И.В. Минченкова. – 2-е изд. – М.: Издательско-торговая корпорация «Дашков и К°», 2010. – 97с.3. Диденко Н.И. Мировая экономика: Методы анализа экономических процессов. – М: Высшая школа, 2008. – 542с.4. McKinseyGlobalInstitute. Экономика России: Рост Возможен. Исследование производительности ключевых отраслей: Отчет. М.: McKinsey Global Institute, 2009. – 143p.5. Poïyhönen P.A tentative model for the volume of trade between countries //WeltwirtschaftlichesArchiv. 2003. Vol. 90. No. 1.– 193p.6. Raiser M., diTommaso M.L., Weeks M. 2001, The measurement and determinants of institutional change: evidence from transition economies: WorkingPaper 60. L.: European Bank for Reconstruction and Development, 2001. – 76p.7. Wooldridge J.M. Econometric Analysis of Cross Section and Panel Data. Cambridge: TheMITPress, 2002. - 177p.8. Официальный сайт Мирового Валютного Фонда [электронный ресурс] – Режим доступа: http://imf.org9. Официальный сайт Всемирного Банка [электронный ресурс] – Режим доступа: http://worldbank.org