Курсовая работа: Статистика вивчення продуктивності великої рогатої худоби

Групування, в результаті якого виділяють однорідні групи або типи явищ, як вираз конкретного суспільного процесу називаються типологічними.

Структурними групуваннями називаються групування, які характеризують розподіл одиниць однотипної сукупності за будь-якою ознакою. Типологічні і структурні групування дуже близькі один до одного: типологічні групування виділяють самі типи, а структурні – вказують питому вагу окремих типів у загальній масі.

Аналітичні групування – це групування, які визначають взаємозв'язок між різними ознаками одиниць статистичної сукупності. За допомогою такого групування можна виявити певні взаємозв'язки між факторними і результативними ознаками. Аналітичні групування є дуже складними і для того, щоб зрозуміти, як вони будуються, необхідно чітко виділити факторні і результативні ознаки в досліджуваному явищі.

Групування можуть бути прості і комбіновані. Прості групування – це такі групування, які здійснені на підставі одн ознаки. Комбіновані групування – це групування, які здійснені за двома і більше ознаками.

Комбінаційні групування дають можливість комплексного характеризування досліджуваного явища чи процесу.

Для того, щоб зробити групування за кількісною ознакою, необхідно визначитися з кількістю груп та з інтервалом групування.

Величина інтервалу

,

де xmax максимальне значення, xmin мінімальне значення, n – кількість груп сукупності.

Таблиця 2.1. Ранжування вибірки за першою факторною ознакою Xi

Таблиця 2.2. Ранжування вибірки за другою факторною ознакою Xj

Таблиця 2.3. Ранжування вибірки за результативною ознакою Y

Рис. 2.1. – Попередній графічний аналіз функціональних зв’язків в ранжованих вибірках

2.2 Группування результативної та факторних ознак

Таблиця 2.4. Інтервальний варіаційний ряд розподілу результативної ознаки

Таблиця 2.6. Показники середніх величин інтервалів группування

Таблиця 2.5. Розподіл вибірки на групи за інтервалами результативної ознаки

3. Статистична оцінка продуктивності ВРХ та факторів, що на неї впливають

3.1 Ряди розподілу та їх графічне зображення (огіва, кумулята, гістограма, полігон)

Рис. 3.1. – Графічне зображення статистичних показників розподілу в групах ряду результативної ознаки Y

3.2 Узагальнюючі показники рядів розподілу, прості та зважені середні величини

Середня величина – це узагальнюючі показник, як характеризують рівень варіруючої ознаки в якісно однорідній сукупності.

Сукупність, яку ми збираємося характеризувати середньою величиною повинна бути:

1)      якісно однорідною, однотипною;

2)      складатися з багатьох одиниць.

Середні величини можуть бути абсолютними або відносними залежно від вихідної бази. Середні можуть бути прості і зважені.

Найбільш простим видом середніх величин є середньоарифметична проста:

, (3.1)

де n – кількість одиниць сукупності,

x – варіруюча ознака.

Вона застосовується в тому випадку, коли у нас варіруюча арифметична ознака має різні значення, і є незгруповані дані.

Якщо ж ми маємо згруповані дані, або варіруюча ознака зустрічається декілька раз, то застосовується середня арифметична зважена.

, (3.2)

де x – варіруюча ознака,

f – абсолютна кількість повторення варіруючої ознаки.

В табл. 3.1, використовуючи дані розрахунків табл. 2.4–2.5, наведені результати розрахунку середньозваженої середньої величини результативної ознаки Y – середньорічних надоїв молока на 1 корову.

Таблиця 3.1. Розрахунок зважених середніх, моди та медіани методом моментів

3.3 Мажорантність середніх показників та обчислення моди медіани способом моментів

До середніх структурних відносяться дв величини, які називаються «мода» і «медіана».

Мода (модальна величина) ряду – це така величина, яка найбільш часто зустрічається в даному розподілі.

 (3.3)

x0 – це нижня межа модального інтервалу.

i – величина інтервалу.

f2 – частота модального інтервалу,

f1 – частота передмодального інтервалу (того, що передує

модальному)

f3 – частота позамодального інтервалу (того, що йде після модального

інтервалу)

Медіаною називається така величина, що займає серединне положення у варіаційному ряду, в якому варіанти розташовані в зростаючому або спадаючому порядку.

Для дискретного ряду:  (3.4)

Для варіаційного ряду:  (3.5)

x0 – це нижня межа медіального інтервалу.

i – величина інтервалу.

Sm-1 – сума накопичених частот до медіанного інтервалу.

fm – частота медіанного інтервалу.

Структурні величини мода і медіана застосовуються для вивчення внутрішньої будови рядів розподілу, тобто їх структури.

В табл. 3.1 наведені результати розрахунків моди та медіани для вибірки результативної ознаки Y.

В табл. 3.2 наведені результати розрахунку показників рядів факторних та результативної ознаки за допомогою «електронних таблиць» Excel 2000 (вбудовані статистичні розрахунки).

Таблиця 3.2. Розрахунок показників рядів факторних та результативної ознаки за допомогою «електронних таблиць» Excel –2000 (вбудован статистичні розрахунки)

3.4 Зважені показники варіації рядів розподілу ()

Для вимірювання та оцінки варіації використовують абсолютн та відносні характеристики. До абсолютних відносяться: варіаційний розмах, середнє лінійне та середнє квадратичне відхилення, дисперсія; відносн характеристики представлені низкою коефіцієнтів варіації.  

Варіаційний розмах характеризує діапазон варіації, це різниця між максимальним і мінімальним значеннями ознаки:

 (3.6)

Узагальнюючою мірою варіації є середнє відхилення ндивідуальних значень ознаки від центру розподілу.

Середня арифметична величина виборки розраховуэться як:

 (3.7)

Середньозважене лінійне відхилення:  (3.8)

Середнє квадратичне відхилення:  (3.9)

Середній квадрат відхилень – дисперсія: , (3.10)

де - середн арифметичне інтервального ряду розподілу, f – частота.

Середнє лінійне та середнє квадратичне відхилення меновані числа (в одиницях вимірювання ознаки).

Порівнюючи варіації різних ознак або однієї ознаки у різних сукупнос-тях, використовують відносні характеристики варіації. Коефіцієнти варіац розраховуються як відношення абсолютних, іменованих характеристик до центру розподілу і часто виражаються процентами:

Лінійний коефіцієнт варіації:  (3.11)

Квадратичний коефіцієнт варіації:  (3.12)

В табл. 3.1 – 3.2 наведені результати розрахунків показників варіації, виконані методом моментів та автоматизованим розрахунком вбудованими алгоритмами статистичної обробки.

Середньозважена величина вибірки методом моментів розраховується на основі таблиць групування 2.4 -2.5, 3.1 по формулі:

 (3.13)

де mi - момент першого порядку для групування i груп вибірки

а – один із показників середніх величин інтервалів в вибірці, для

спрощення вибираємо показник на одному з кінцевих нтервалів

 (3.14)

4. Кореляційний аналіз продуктивності та факторів, що на неї впливають

4.1 Рангова кореляція – розрахунок коефіцієнта Спірмена (коефіцієнт кореляційних рангів)

Нехай    вибірки з безперервних розподілів (розподіл відмінний від нормального). Кожному значенню  поставимо у відповідність його ранг  у варіаційному рядові . Аналогічно, кожному значенню  поставимо у відповідність його ранг  у варіаційному рядові .

Ранговий коефіцієнт кореляц Спирмена , як і звичайний коефіцієнт кореляції, характеризує залежність між вибірками випадкових величин. Вибірковим значенням рангового коефіцієнта кореляції Спирмена називають величину

 (4.1)

Коефіцієнт  – непараметрична міра залежності між  і .

Гіпотеза  при альтернативній гіпотезі  перевіряється за допомогою статистики

 (4.2)

Якщо , то гіпотеза  відхиляється (тобто між  і  існує рангова кореляційна залежність), і не відхиляється в противному випадку. Рівень значимості критерію .

Порахуємо коефіцієнт Спирмена між Xi Y в таблиці 2.1 з використанням спеціалізованої програми «Статистика».

N – обсяг вибірок

Spearman R – коефіцієнт рангово кореляції Спирмена

t (N‑2) – статистика  для перевірки гіпотези

p-level – р-уровень

Тому що , то гіпотеза  відхиляється (або, що те ж р-level<0,05, тому гіпотеза відхиляється).

Ранговий кореляційний зв'язок між Xi Y є значимим.

Порахуємо коефіцієнт Спирмена між Xj Y в таблиці 2.1 з використанням спеціалізованої програми «Статистика».

Тому що , то гіпотеза  відхиляється (або, що те ж р-level<0,05, тому гіпотеза відхиляється).

Ранговий кореляційний зв'язок між Xj Y є значимим.

На основі наведених даних спостережень будуються лінійна одновимірні Y=f(Xi) та багатовимірні Y=f (Xi, Xj) регресійні моделі, які встановлюютьє залежність результативної ознаки Y середньорічного рівня надою молока від факторних ознак – Xi (кількості кормів на одну корову) та Xj (рівня приплоду телят на 100 корів) по 30 хазяйствам.

Одновимірна лінійна регресійна модель представляється як:

, (4.3)

де   постійна складова доходу  (початок відліку);

 – коефіцієнт регресії;

      – відхилення фактичних значень надою  від оцінки (математичного сподівання)  середньо величини надою в і-тому хазяйстві.

Існують різні способи оцінювання параметрів регресії. Найпростішим, найуніверсальнішим є метод найменших квадратів [48]. За цим методом параметри визначаються виходячи з умови, що найкраще наближення, яке мають забезпечувати параметри регресії, досягається, коли сума квадратів різниць  між фактичними значеннями доходу та його оцінками є мінімальною, що можна записати як

. (4.4)

Відмітимо, що залишкова варіація (4.4) функціоналом  від параметрів регресійного рівняння:

 (4.5)

За методом найменших квадратів параметри регресії  і  є розв’язком системи двох нормальних рівнянь [48]:

, (4.6)

.

Розв’язок цієї системи має вигляд:

, (4.7)

.

Середньоквадратична помилка регресії, знаходиться за формулою

, (4.8)

Коефіцієнт детермінації для дано моделі

 (4.9)

повинен дорівнювати: >0,75 – сильний кореляційний зв’зок, 0,36>>0,75 кореляційний зв’язок середньої щільності; <0,36 кореля-ційній зв’язок низької щільності [48].

Для характеристики кореляційного зв’язку між факторною і результативною ознаками побудуємо графік кореляційного поля та теоретичну лінію регресії, визначимо параметри лінійного рівняння регресії.

Для перевірки істотності зв’язку потрібно порівняти фактичне значення статистики Фішера (F-критерій) з його критичним (табличним) значенням, яке потрібно визначити з урахуванням умов аналітичного групування і заданого рівня істотності, скориставшись таблицею.

При виконанні процедури перевірки значущості коефіцієнта детермінації висувається нульова гіпотеза H0 проти альтернативи H1, котрі полягають в наступному:

H0: істотної різниці між вибірковим коефіцієнтом детермінації та коефіцієнтом детермінації генерально сукупності не існує. Ця гіпотеза рівносильна гіпотезі H0: b=0, тобто змінні X не впливають суттєво на залежну змінну Y. Для оцінки істотност коефіцієнта детермінації використовується статистика:

 (4.10)

що має F-розподіл Фішера з f1=1 та f2=n‑2=30–2=28 ступенями вільності.

Значення статистики порівнюється з критичним значенням цієї статистики, знайденим за таблицею при заданому рівні значущості a=0,05 та відповідному числі ступенів вільності. Якщо F>F1,n-2,a, то обчислений коефіцієнт детермінації істотно відрізняється від нуля. Цей висновок забезпечується з ймовірністю 1-a. Рівень істотності a=0,05. Кількість ступенів вільності наступна: f1=1, f2=28.

Для лінійного зв’язку використовується лінійний коефіцієнт кореляції (Пірсона):

 (4.11)

який набуває значень у межах +-1, тому характеризує не лише щільність, а й напрямок зв’язку. Додатне значення свідчить про прямий зв’язок, а від’ємне – про зворотний.

Щільність зв’язку оцінюється індексом детермінації: R=, проте нтерпретується тільки R2. Якщо коефіцієнт детермінації більше 0,6, то 60% варіації залежної величини пояснюється варіацією незалежного параметра кореляції і зв’язок є щільним.

На рис. 3.1 – 3.4 наведен лінійні та нелінійні регресійні одномірні моделі кореляційного зв’язку Y=F(Xi) та Y=f(Xj).Як видно з графіків рис. 3.1 – 3.2 коефіцієнт детермінації R2 для лінійної кореляції знаходиться в діапазоні 0,35 – 0,5, тобто лінійний одномірний кореляційний зв’язок є слабої сили. При побудові нелінійних одномірних рівнянь регресії (рис. 3.3 – 3.4) коефіцієнт детермінації R2 для нелінійної кореляції знаходиться в діапазоні 0,5 – 0,7, тобто нелінійний одномірний кореляційний зв’язок є сильним.

Рис. 3.1. – Побудова лінійно одномірної регресії Y=f(Xi) з використанням «електронних таблиць» Excel-2000

Рис. 3.2. – Побудова лінійно одномірної регресії Y=f(Xj) з використанням «електронних таблиць» Excel-2000

Рис. 3.3. – Побудова нелінійної одномірної регресії Y=f(Xi) з використанням «електронних таблиць» Excel-2000

Рис. 3.4. – Побудова нелінійної одномірної регресії Y=f(Xj) з використанням «електронних таблиць» Excel-2000

4.2 Аналіз множинної кореляції

4.2.1 Перевірка передумови проведення кореляційного аналізу

Лінійна багатовимірна модель (ЛБМ) Y=f (X1, X2) має такий вигляд [68]

y=β0+ β1x1+ + βpxp                      (4.12)

y – залежна змінна – ендогенна змінна

x1, x2…xp залежні змінні – екзогенн змінні.

У зв’язку з тим, що економетрична модель обов’язково має випадкову помилку, модель (3.21) переписується у вигляді (4.13)

y=β0+ β1x1+ … + βpxp+ε        (4.13)

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 (4.13) коефіцієнти моделі оцінками, то ми отримаємо такий вираз

     (4.14)

Основними передумовами використання моделі (4.12–4.13), а такі моделі ще називаються регресійними багатовимірними моделями, є наступне:

1)      M (ε)=0 математичне сподівання відхилення равно 0;

2)      відхилення взаємонезалежні із змінними cov (xi,)=0

3)      для 2‑х визначень відхилень коефіцієнтів коваріації між ними також дорівнює 0 – cov

4)      відхилення ε нормально розподілена величина з параметрами (0; 1)

ε=N (ε, 0; 1)

5)      від виміру до виміру дисперсія відхилення не змінюється

П’ята властивість. носить спеціальну назву: гомоскедастичність (одно-рідність). Якщо умова 5) не виконана, то кажуть, що дисперсія має властивість гетероскедастичності.

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

Регресійні коефіцієнти визначають за допомогою методів найменших квадратів.

     (4.15)

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

Ця система рівнянь ма спеціальну назву – нормальна система.

 (4.16)

Невідомі у системі (4.16) 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.

4.2.2 Побудова множинного лінійного кореляційного рівняння, розрахунок коефіцієнтів регресії, перевірка суттєвості та визначення парних коефіцієнтів кореляції

Використовуючи таблицю вихідних даних (Додаток А), розраховуємо багатовимірну лінійну регресійну модель за допомогою «електронних таблиць» EXCEL-2000. Результати розрахунків наведені в табл. 4.1

Як видно з даних розрахунків табл. 4.1 – 4.2, лінійні багатовимірні рівняння регресії описують наступн статистичні процеси:

1. Рівняння багатовимірно лінійної регресії:

а) 2‑параметрична модель з «нульовим» вільним членом (n=30).

Y=0,6358*Xi+0,1293*Xj

б) 2‑параметрична модель з значущим вільним членом (n=30).

Y=-19,5974+0,6488*Xi+0,3335*Xj

2. Коефіцієнт детермінації для даних моделей:

а) Коефіцієнт детермінації R2 (2-параметрична модель з «нульовим» вільним членом) = 0,6076 (n=30), сила регресійного зв’язка – середньої щільності (0,36>>0,75).

б) Коефіцієнт детермінації R2 (2-параметрична модель з значущим вільним членом (n=30).) = 0,6497 (n=30), сила регресійного зв’язка – середньої щільності (0,36>>0,75).

Згідно з таблицями критичних значень критерія Фішера:

– для багатовимірної (і=2) лінійної вибірки з n‑1=29 величин табличне значення Fтабл = 1,93 при рівні довірчої ймовірності Р=0,95 [48].

Як видно з даних розрахунків (табл. 4.1 –4.2), проведених за допомогою «електронних таблиць» EXCEL-2000, фактичн значення критерія Фішера для багатовимірних вибірок (і=2) з n‑1=29 величин становлять:

а) F (2‑параметрична модель з «нульовим» вільним членом) = 21,6829 (n=30)> 3,33 (табл. критерій Фішера);

Таблиця 4.1. Результати розрахунків багатовимірної лінійної регресійної моделі Y=f (Xi, Xj) за допомогою «електронних таблиць» EXCEL-2000 (варіант з «нульовим» вільним членом)

Таблиця 4.2. Результати розрахунків багатовимірної лінійної регресійної моделі Y=f (Xi, Xj) за допомогою «електронних таблиць» EXCEL-2000 (варіант з значущим вільним членом)

б) F (2‑параметрична модель з значущим вільним членом) = 25,038 (n=30)> 3,33 (табл. критерій Фішера);

Тобто набагато перевищують мінімально-критеріальні значення по Фішеру і отримані регресійні багатовимірн рівняння є значущими.

Парні кореляції кореляції Пирсона обчислюються по формул (наприклад для ):

 (4.17)

Для перевірки значимості коефіцієнтів кореляц використовують критерій. Коефіцієнт кореляції характеризує тісноту лінійного зв'язку між перемінними. Для цього знаходять статистику:

 (4.18)

Якщо , то коефіцієнт кореляції значимий, у противному випадку – немає.

p – р-рівень, що відповідає статистиці

Якщо р>0,05, то гіпотеза :  не значимий не відхиляється.

Якщо р<0,05, то гіпотеза :  не значимий відхиляється (коефіцієнт кореляції значимий).

Якщо , то зв'язок строго функціональний

Якщо , то зв'язок сильний (щильний)

Якщо , то зв'язок середній

Якщо , то зв'язок помірний

Якщо , то зв'язок слабкий

Якщо , то зв'язок відсутній (x, y некорелльовані)

Розрахунки, виконані спеціалізованою програмою «Статистика» дають наступні характеристики парних коефіцієнтів кореляції:

Для пари (Xi, Xj) коефіцієнт кореляц дорівнює r (Xi, Xj)=0,37,

p=0,044<0,05, отже, коефіцієнт кореляц значимий.

Для пари (Xi, Y) коефіцієнт кореляц дорівнює r (Xi, Y)=0,7467, p=0,000<0,05, отже, коефіцієнт кореляц значимий.

Для пари (Xj, Y) коефіцієнт кореляц дорівнює r (Xj, Y)=0,5583, p=0,001<0,05, отже, коефіцієнт кореляц значимий.

Множинний коефіцієнт кореляції розраховується за допомогою парних коефіцієнтів кореляції за формулою:

 (4.19)

Що відповідає результатам програмних розрахунків, наведених в табл. 4.2.

4.2.3 Визначення множинного індексу кореляції, мажорантності парних та часткових коефіцієнтів, розрахунок коефіцієнта детермінації, часткових коефіцієнтів детермінації

Коефіцієнт детермінації показує частку розсіювання  відносно , що порозумівається побудованою регресією. Це коефіцієнт кореляції в квадраті.

Часткові коефіцієнти кореляції

Розгляду кореляцій між парами випадкових величин часто недостатньо. Якщо коефіцієнт кореляції між двома величинами великий, це може відбивати той факт, що вони обидві корелюють з деякою третьою величиною або сукупністю величин і між ними не обов'язково повинна існувати безпосередня залежність.

Наприклад, у нас

Щоб визначити дійсний зв'язок між двома перемінними, варто розглянути коефіцієнт часткової кореляції між ними за умови, що всі інш величини приймають фіксовані значення.

Для визначення приватного коефіцієнта кореляц використовується наступна матриця:

 (4.20)

Виділена підматриця  дорівню кореляційній матриці.

Частrовий коефіцієнт кореляції між перемінною  і перемінною  при фіксуванні всіх інших перемінних визначається по формулі:

, (4.21)

де  – алгебраїчне доповнення елемента , , а  виходить з  викреслюванням й рядка і го стовпця.

Часткові коефіцієнти кореляції мають ті ж властивості, що звичайні. При виборі найкращої моделі з їхньою допомогою визначають яка з перемінних  робить на  найбільший вплив.

Розрахунки часткових коефіцієнтів кореляції проведемо за допомогою спеціалізованої програми «Статистика».

Одержуємо частковий коефіцієнт кореляції між Y і Xi при фіксованому Xj

Тому що p-level=0,000<0,05, то коефіцієнт значимий.

Одержуємо частковитй коефіцієнт кореляції Y і X при фіксованому Xi

Тому що p-level=0,013<0,05, то коефіцієнт значимий.

4.2.4 Розрахунок коефіцієнта еластичності, бета-коефіцієнтів

Для порівняння впливу різних факторів в формуванн результативної ознаки розраховують коефіцієнт еластичності (Е) та β-коефіцієнти:

Частковий коефіцієнт еластичності по кожній з факторних ознак показує на скільки відсотків в середньому змінюється результативна ознака при зміні на 1% факторної ознаки (Bk – коефіцієнт в рівнянні множинної регресії)

(4.22)

β-коефіцієнт показує на яку частину середнього квадратичного відхилення зміниться результативний показник при змін відповідного факторного показника на величину його середньоквадратичного відхилення

 (4.23)

Розраховуємо показники:

Висновки

В курсовій роботі побудован лінійні та нелінійні регресійні одномірні моделі кореляційного зв’язку продуктивності корів по середньорічним надоям молока Y=F(Xi) та Y=f(Xj). Як показує проведений аналіз результативна ознака Y щільно пов’язана з двома факторними ознаками – кількістю кормів на одну корову та приплідом на 100 корів, при цьому коефіцієнт детермінації R2 для лінійної кореляц знаходиться в діапазоні 0,35 – 0,5, тобто лінійний одномірний кореляційний зв’язок з кожною з факторних ознак є помірної сили. При побудові нелінійних одномірних рівнянь регресії коефіцієнт детермінації R2 для нелінійно кореляції знаходиться в діапазоні 0,5 – 0,7, тобто нелінійний одномірний кореляційний зв’язок є сильним.

Лінійні багатовимірні рівняння регресії описують наступні статистичні процеси:

1. Рівняння багатовимірно лінійної регресії:

а) 2-параметрична модель з «нульовим» вільним членом (n=30).

Y=0,6358*Xi+0,1293*Xj

б) 2-параметрична модель з значущим вільним членом (n=30).

Y=-19,5974+0,6488*Xi+0,3335*Xj

2. Коефіцієнт детермінації для даних моделей:

а) Коефіцієнт детермінації R2 (2-параметрична модель з «нульовим» вільним членом) = 0,6076 (n=30), сила регресійного зв’язка – середньої щільності (0,36>>0,75).

б) Коефіцієнт детермінації R2 (2-параметрична модель з значущим вільним членом (n=30).) = 0,6497 (n=30), сила регресійного зв’язка – середньої щільності (0,36>>0,75).

Згідно з таблицями критичних значень критерія Фішера:

– для багатовимірної (і=2) лінійної вибірки з n‑1=29 величин табличне значення Fтабл = 1,93 при рівні довірчої ймовірності Р=0,95 [48].

Як видно з даних розрахунків (табл. 4.1 –4.2), проведених за допомогою «електронних таблиць» EXCEL-2000, фактичн значення критерія Фішера для багатовимірних вибірок (і=2) з n‑1=29 величин становлять:

а) F (2-параметрична модель з «нульовим» вільним членом) = 21,6829 (n=30)> 3,33 (табл. критерій Фішера);

б) F (2-параметрична модель з значущим вільним членом) = 25,038 (n=30)> 3,33 (табл. критерій Фішера);

Тобто набагато перевищують мінімально-критеріальні значення по Фішеру і отримані регресійні багатовимірн рівняння є значущими.

Список використаної літератури

1. Агропромисловий комплекс України: стан, тенденції та перспективи розвитку // Інформаційно-аналітичний збірник. – Випуск №5. – К.: ІАЕ УААН. – 2002. – 647 с.

2. Бараник З.П. Статистика. – К.: Університет «Україна, 2006. 268 с.

3. Відтворення та ефективне використання ресурсного потенціалу АПК (теоретичн практичні аспекти) / Відп. ред. акад. УААН В.М. Трегобчук. – К.: Ін-т економіки НАН України, 2003. – 259 с.

4. Єріна А.М., Пальян З.О. Теорія статистики. – К.: Знання, 2006. 255 с.

5. Доугерти, Кристофер. Введение в эконометрику: Учебник/ К. Доугерти. – 2‑е изд. – М.: ИНФРА‑М, 2007. – 419 с. – (Университетский учебник)

6. Загній О.Г. Сучасні проблеми та перспективи розвитку харчової і переробної промисловост України. Економіка промисловості України. Зб. наук. пр. – К.: РВПС України НАН України, – 2002. – 255 с.

7. Іщук С. І. Розміщення продуктивних сил (теорія, методи, практика). – К.: Видавництво Європейського університету, 2004. – 216 с.

8. Качан Є. П., Пушкар М.С. Розміщення продуктивних сил України. – К.: Видавничий Дім «Юридична книга», 2004. – 552 с.

9. Ковалевський В.В. Розміщення продуктивних сил і регіональна економіка. – К.: Знання, 2004. – 350 с.

10. Кулинич О. І. Теорія статистики: Підручник/ О.І. Кулинич, Р.О. Кулинич. 3‑тє вид., переробл. і допов. – К.: Знання, 2006. – 294 с. – (Вища освіта XXI століття)

11. Максимов О.В. Математична статистика. – Кривий Ріг, 2005. 160 с.

12. Мартиненко М.А., Нещадим О.М., Радзієвська О. І., Сафонов В.М. Математична статистика. – К.: Четверта хвиля, 2005. – 208 с.

13. Моторин Р.М., Головач А.В., Сідорова А.В., Атаманчук Н.М., Баранік З.П. Економічна статистика. – К.: КНЕУ, 2005. – 362 с.

14. Моторин Р.М., Чекотовський Е.В. Статистика. Збірник індивідуальних завдань з використанням Excel. – К.: КНЕУ, 2005. – 266 с.

15. Уманець Т.В. Економічна статистика. – К.: Знання, 2006. – 429 с.

16. Уманець Т.В. Загальна теорія статистики. – К.: Знання, 2006. 239 с.

17. Чернюк Л.Г., Клиновий Д.В. Розміщення продуктивних сил і регіональна економіка. – К.: Університет «Україна», 2004. – 245 с.

18. Штангрет А.М., Копилюк О. І. Статистика. – Л.: Українська академія друкарства, 2005. – 176 с.

19. http://www.minagro.gov.ua – Офіційний сайт міністерства аграрної політики //