Файл: Диплом Анализ инвестиционной привлекательности предприятийэмитентов металлургической отрасли России.doc

наличие выбросов, т.е. таких остатков, которые по абсолютному значению значительно превосходят все прочие остатки;
нарушение условия постоянства дисперсии ошибок для всех наблюдений; если все остатки укладываются в симметричную относительно нулевой линии полосу шириной 2S, то дисперсии ошибок наблюдений постоянны;
криволинейных характер графика остатков показывает, что в регрессионной модели не учтены факторы, оказывающие существенное влияние на зависимую переменную Y.

Далее проводится проверка гипотезы о нормальности распределения остатков. С этой целью остатки проецируются на нормальном вероятностном графике (NormalProbabilityPlot) и на полунормальном вероятностном графике (Half-normalProbabilityPlot). Если наблюдается расположение точек близко к прямой, то можно предположить, что остатки распределены по нормальному закону. Гипотезу о нормальном распределении остатков можно также проверить по критерию

или критерию Колмогорова-Смирнова.

Кроме того, при оценке значимости и адекватности вновь сформированной модели необходимо рассчитать ряд количественных критериев, описывающих характер корреляционной связи между результирующим признаком и независимыми переменными, а также показатели, характеризующие абсолютные потери при моделировании.

В качестве таких критериев выступают:

коэффициент множественной корреляции (MultipleR) – описывает степень линейной зависимости между результирующим признаком и независимыми переменными модели; в случае с простой линейной регрессией данный показатель равен модулю коэффициента корреляции;
коэффициент детерминации (R-square – RI), представляющий собой квадрат коэффициента множественной корреляции. Если регрессионная модель значима, то коэффициент детерминации равен той доле дисперсии ошибок наблюдений, которая объясняется регрессионной моделью;
скорректированный коэффициент детерминации (AdjustedR-square – adjustedRI);
стандартная ошибка наблюдений (Std. Errorofestimate) – характеризует стандартное отклонение выборочного среднего, рассчитанное по выборке из генеральной совокупности;
суммарные потери (Finalloss);
объяснённая дисперсия (Varianceexplained), которая характеризует долю вариации данных, учитываемых вновь созданной моделью.

Для оценки адекватности вновь формируемой модели особое внимание следует обратить на коэффициент детерминации, характеризующий долю общего разброса относительно выборочного среднего зависимой переменной, которая объясняется построенной регрессией. Чем меньше разброс значений остатков около линии регрессии по отношению к общему разбросу значений, тем лучше прогноз. Уровень коэффициента детерминации является индикатором степени подгонки модели к данным. Значение этого показателя варьирует в пределах от 0 до 1. Чем ближе его уровень к 1, тем лучше построенная зависимость объясняет разброс наблюдений. В известной степени данный показатель может рассматриваться в качестве критерия оценки предсказательной силы модели.

Анализ стандартизированных остатков, демонстрирующих дефекты вновь созданных регрессионных моделей, позволяет утверждать, что эти остатки являются следствием случайных ошибок наблюдений, которые представляются независимыми нормально распределёнными случайными величинами. Следовательно, сформированные регрессионные зависимости обладают должной степенью адекватности. В силу этого можно констатировать, что отличительной чертой созданных моделей является весьма высокая точность прогноза инвестиционной привлекательности хозяйствующих субъектов в сочетании с очевидной простотой используемого для этой цели инструмента оценки.

Однако, поскольку инвестиционное поле Российской Федерации в последние годы подвержено постоянному воздействию множества политических, экономических, финансовых и социальных факторов, степень влияния которых на протекающие и ожидаемые инвестиционные процессы неоднозначна, при формировании прогноза индекса инвестиционной привлекательности хозяйствующих субъектов необходимо учитывать характер изменчивости инвестиционного поля и факторов, оказывающих на него влияние. Поэтому сформулированные модели следует использовать для построения краткосрочных или среднесрочных прогнозов инвестиционной привлекательности хозяйствующих субъектов, не превышающих по своей продолжительности, соответственно, одного года или трёх лет.

Кроме того, с течением времени наблюдается определённое изменение степени значимости параметров, составляющих модель оценки индекса инвестиционной привлекательности хозяйствующих субъектов. Отдельные параметры способны приобрести статус факторов, определяющих уровень рассчитываемого индекса, другие параметры, напротив, трансформируются в незначительные факторы, не оказывающие существенного влияния на уровень инвестиционной привлекательности организаций.

В силу названных причин нужно проводить актуализацию сформулированных моделей оценки индекса инвестиционной привлекательности не реже одного раза в три года (при наличии возможности – не реже одного раза в год). Это позволит обеспечить учёт динамики значимости факторов, в той или иной степени определяющих уровень привлекательности субъектов хозяйствования для потенциальных инвесторов, и, как следствие, повысить точность прогноза индекса инвестиционной привлекательности организаций.

2.2. Метод рейтинговой оценки

Для учета всех существенных интересов пользователей рейтинговых оценок и обеспечения действительной сопоставимости наборов данных для анализа предлагается следующее выражение для определения рейтинга совокупности из k предприятий по n показателям с образующими Аij и базовыми Вij элементами в обобщенном виде:

,

где l – количество показателей, увеличивающих инвестиционную привлекательность предприятия,

– приведенные значения соответственно увеличивающего и уменьшающего показателей, определяемые однородными по структуре выражениями:

,

где

– значения соответственно увеличивающего и уменьшающего показателей с учетом максимального абсолютного значения базы для каждого показателя, определяемые, в свою очередь, однородными по структуре выражениями: