Методика побудови математичних моделей показників фінансової стійкості
В якості вихідних даних були обрані показники фінансової стійкості, зокрема коефіцієнт надійності, коефіцієнт фінансового важеля, коефіцієнт участі власного капіталу у формуванні активів, коефіцієнт захищеності власного капіталу, коефіцієнт захищеності дохідних активів власним капіталом, коефіцієнт мультиплікатора капіталу, розраховані в розділі 2.1 ( додаток А).
Методика передбачає розробку математичних моделей різних типів і вибір оптимальних моделей по сукупності критеріїв якості і надійності:
1) Сформувати масив вихідних даних:
ti- часовий інтервал (з 01.01.01 до 01.12.04р.);
Хi – відповідний показник коефіцієнта фінансової стійкості.
2) Вибір апроксимуючого полінома і його параметрів для даного тимчасового ряду коефіцієнта фінансової стійкості.
а) У випадку лінійної форми зв’язку результативна ознака змінюється під впливом факторної ознаки рівномірно. Така форма зв’язку виражається рівнянням прямої:
Х*=а*t+b (2.7)
де Х* - вирівняне середнє значення результативної ознаки;
a і b – параметри рівняння.
Параметри рівняння a і b визначаємо методом найменших квадратів складеної і розв’язаної системи двох рівнянь з двома невідомими:
(2.8)
де n – число членів в кожному з двох порівнювальних рядів;
- сума значень факторної ознаки;
- сума квадратів значень факторної ознаки;
- сума значень результативної ознаки;
- сума добутків значень факторної ознаки на значення результативної ознаки [7].
|
|
Результати розрахунку представляємо у виді таблиці 2.1.
Таблиця 2.1 - Процедура розрахунку показників моделі при лінійній апроксимації
№ п/п | ti | Xi | ti2 | Xi * ti | Xi* | (Xi - Xi*)2 |
... | ... | ... | ... | ... | ... | ... |
| Сума | Сума | Сума | Сума | Сума | Сума |
В результаті рішення системи рівнянь обчислюємо значення параметрів a і b і одержуємо поліном при лінійній апроксимації. Представляємо графічне зображення отриманого рішення.
б)Параболічна залежність як форма математичного вираження зв’язків між досліджуваними явищами застосовується в тих випадках, коли із зростанням факторної ознаки відбувається нерівномірне зростання або спадання результативної ознаки.
При знаходженні рівняння зв’язку між ознаками в якості апроксимаційної функції застосовується тип кривої, вираженої у вигляді параболи другого порядку:
X*=a0+a1*t+a2*t2 (2.9)
Параметри a0, a1 і a2 визначаємо по методу найменших квадратів шляхом складання і розв’язку системи нормальних рівнянь [7]:
(2.10)
Результати розрахунку представимо у виді таблиці 2.2.
Таблиця 2.2 - Процедура розрахунку показників моделі при параболічній апроксимації
|
|
№ п/п | ti | Xi | ti2 | ti3 | ti4 | Xi * ti | Xi * ti2 | Xi* | (Xi -Xi*)2 |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| Сума | Сума | Сума | Сума | Сума | Сума | Сума | Сума | Сума |
У результаті рішення системи рівнянь обчислюємо значення параметрів a0, a1 і a2 і одержуємо поліном при параболічній апроксимації. Представляємо графічне зображення отриманого рішення.
в)Якщо результативна ознака при збільшенні факторної ознаки спадає, але не безкінечно, а прямує до певного рівня, то для її аналізу застосовується рівняння гіперболи:
(2.11)
Параметри a0 і a1 визначаємо по методу найменших квадратів при рішенні системи рівнянь [7]:
(2.12)
Результати розрахунку представимо у виді таблиці 2.3.
Таблиця 2.3 - Процедура розрахунку показників моделі при гіперболічній апроксимації
№ п/п | ti | Xi | 1/ti | 1/ti2 | Xi/ti | Xi* | (Xi - Xi*)2 |
... | ... | ... | ... | ... | ... | ... | ... |
| Сума | Сума | Сума | Сума | Сума | Сума | Сума |
У результаті рішення системи рівнянь обчислюємо значення параметрів a0 і a1 і одержуємо поліном при гіперболічній апроксимації. Представляємо графічне зображення отриманого рішення.
г) Вирівнювання за напівлогарифмічною кривою проводяться в тих випадках, коли зі зростанням факторної ознаки середня результативна ознака спочатку до певних меж зростає досить швидко, але пізніше темпи її зростання поступово сповільнюються:
|
|
(2.13)
Параметри a0 і a1 визначаємо по методу найменших квадратів при рішенні системи рівнянь [7]:
(2.14)
Результати розрахунку представляємо у виді таблиці 2.4.
Таблиця 2.4 - Процедура розрахунку показників моделі при напівлогарифмічній апроксимації
№ п/п | ti | Xi | Log ti | (log ti)^2 | Xi log ti | Xi* | (Xi - Xi*)2 |
... | ... | ... | ... | ... | ... | ... | ... |
| Сума | Сума | Сума | Сума | Сума | Сума | Сума |
В результаті рішення системи рівнянь обчислюємо значення параметрів a0 і a1 і одержуємо поліном при напівлогарифмічній апроксимації [7]. Представляємо графічне зображення отриманого рішення.
3) Провести, засноване на методі найменших квадратів, порівняння значень Xi*, отриманих шляхом застосування кожного з поліномів. Сутність методу найменших квадратів полягає в тім, що сума квадратів відхилень, отриманого значення Xi* (апроксимуючого значення) від заданого значення Xi, повинна бути мінімальної.
Найбільш точний поліном, що відповідає емпіричним (заданим) значенням Xi, повинний дати найменше значення цієї суми. Для порівняння рекомендується побудувати таблицю 2.5.
|
|
Таблиця 2.5 – Порівняльна оцінка моделей
4) Визначення параметрів математичної моделі та розрахунок показників точності і адекватності.
а) Для вимірювання щільності зв’язку і визначення його напрямку використовується коефіцієнта кореляції, який визначається за формулою:
(2.15)
Величина коефіцієнта лінійної кореляції змінюється у діапазоні: -1 < r < 1. Чим більше | r |, тим сильніше лінійна залежність компонентів tі X.
б) Коефіцієнт детермінації показує яка частка зміни Х пояснюється впливом на нього t. Він визначається як квадрат парного лінійного коефіцієнта кореляції:
(2.16)
де r- коефіцієнт кореляції.
в) Коефіцієнти кореляції, як правило, розраховуються для вибіркових даних. Щоб поширити отримані приватні результати на генеральну сукупність, приходиться допустити деяку помилку, яку можна оцінити за допомогою середньоквадратичної помилки ( ):
, (2.17)
де r- коефіцієнт кореляції;
n- обсяг вибіркової сукупності.
При достатньо великому числі спостережень (n>50) коефіцієнт кореляції можна вважати достовірним, якщо він перевищує свою помилку в 3 і більше разів, а якщо він менший 3, то зв’язок між досліджуваними ознаками t і Х не доведений [7].
г) За допомогою середньоквадратичної помилки обчислюють коефіцієнт надійності (tr), що порівнюють з табличним значенням коефіцієнта надійності (tтабл):
, (2.18)
де r- коефіцієнт кореляції;
- середньоквадратична помилка.
Якщо tr > tтабл, то коефіцієнт кореляції вважається значимим [7].
д) Для генерального коефіцієнта кореляції обчислюється довірчий інтервал:
r - r* tтабл …r + r* tтабл, (2.19)
де r- коефіцієнт кореляції;
- середньоквадратична помилка;
tтабл - табличне значення коефіцієнта кореляції.
є) Адекватність моделі означає, що відповідне рівняння регресії правильне, коректно описує взаємозв'язок між результативною і пояснюючою перемінною. Для перевірки адекватності моделі застосовується статистичний критерій адекватності, що називається критерієм Фішера. Він розраховується по формулі:
, (2.20)
де R2- коефіцієнт детермінації;
і — ступеня волі.
= 1
= n – 2
F порівнюють з табличними значеннями статистики Фішера. Для 5%-ного рівня значущості критичне значення Fт(0,95)=5,32. Якщо F > Fтабл, то модель є адекватною, а якщо менше, те неадекватною [26].
Результати розрахунків показників точності і адекватності між досліджуваними ознаками представляємо у виді таблиці 2.6.
Таблиця 2.6 - Розрахунок показників точності і адекватності
5) Висновки відносно отриманих результатів та визначення оптимальної моделі по сукупності критеріїв якості і надійності.
Дата добавления: 2019-09-02; просмотров: 152; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!