Эконометрический анализ влияния экономических показателей на численность пользователей Интернета (стр. 1 из 2)
Государственный университет
Высшая школа экономики
Нижегородский филиал
Эссе по эконометрике
Тема: «Эконометрический анализ влияния экономических показателей на численность пользователей Интернета»
Нижний Новгород
2008 г.
В наше время Интернет получил большое распространение. Пользователями Интернета в более развитых странах являются почти все слои населения, в менее экономически успешных государствах люди никогда не слышали о компьютерах и Интернете. Цель данной работы – показать зависимость численности пользователей Интернет в конкретной стране от экономических показателей, таких как ВВП на душу населения, национальный доход на душу населения, количество пользовательских компьютеров, а также степень урбанизации населения. Казалось бы, связь ясна: чем больше ВВП и НД, тем больше компьютеров в стране и соответственно больше пользователей всемирной паутины; чем больше городского населения относительно сельского, тем оно образованней и «продвинутей». Однако на практике это оказывается не совсем так. Ряд африканских стран вообще живет по племенным законам.
В этой работе я попытаюсь доказать существование прямой взаимосвязи между численностью пользователей Интернет и ВВП, НД и др. Попытаюсь доказать, что именно эти факторы влияют на количество пользователей ПК и Интернете в большей степени, попробую объяснить полученные результаты теоретически и подведу итог исследованию, сделав собственные выводы на основе проведенных исследований.
Сбор данных осуществлялся при использовании сайта www.geohive.com GeoHive: Global Statistics. В работу включена информация о выборке из 172 стран нашей планеты. Чтобы сделать моё исследование наиболее эффективным, я постараюсь следовать плану:
1. определить зависимую переменную и выбор регрессоров
2. построить регрессию (модель)
3. протестировать модель, оценить её «качество»
4. проанализировать результаты
5. сделать собственные выводы
В качестве метода исследования я использую эконометрический анализ, который буду осуществлять с помощью эконометрического пакета EViews 3.1, разработанного специально для этих целей.
Для описания зависимости я выбрала 6 переменных:
1. intusers – количество пользователей Интернет в стране
2. pc – численность пользовательских компьютеров в стране
3. gdp – Gross Domestic Product – ВВП на душу населения
4. gni – Gross National Income – НД на душу населения
5. urban – численность городского населения
6. rural - численность сельского населения
Выбрав 172 страны, я занесла данные в EViews и настало время для анализа данных. В первую очередь проверяем данные на ошибки.
ВВП на душу населения: нет отрицательных величин, но колеблется переменная значительно. Объяснить это легко, так как в выборке присутствуют как беднейшие страны, так и богатейшие.
Остальные переменные также необходимо смотреть на наличие ошибок, однако чтобы не загромождать эссе, графики я приводить не буду.
Далее смотрим взаимную корреляцию переменных:
| URBAN | GDP | GNI | INTUSERS | PC | RURAL | |
| URBAN | 1.000000 | 0.056682 | 0.089996 | 0.736664 | 0.557379 | 0.873801 |
| GDP | 0.056682 | 1.000000 | 0.780379 | 0.302719 | 0.331656 | -0.068260 |
| GNI | 0.089996 | 0.780379 | 1.000000 | 0.400436 | 0.438161 | -0.060708 |
| INTUSERS | 0.736664 | 0.302719 | 0.400436 | 1.000000 | 0.964982 | 0.426228 |
| PC | 0.557379 | 0.331656 | 0.438161 | 0.964982 | 1.000000 | 0.211864 |
| RURAL | 0.873801 | -0.068260 | -0.060708 | 0.426228 | 0.211864 | 1.000000 |
Видим, что на численность пользователей Интернет огромное влияние оказывает число компьютеров в стране. Кроме того, немаловажное значение имеет численность урбанизированного населения.
Численность городского населения сильно зависит от национального дохода на душу населения.
Количество компьютеров в стране также связано с числом пользователей Интернет и степенью урбанизации населения.
А на число сельского населения оказывают влияние ВВП и НД в обратной зависимости, т.е. чем меньше ВВП и НД, тем больше населения занимается ручным трудом и сельским хозяйством. Это является показателем отсталости экономики и подтверждает правильность строящейся регрессии.
Строим регрессию, в которую включаем переменные из теоретической модели:
Ls intusers c pc gdp gni urban rural
| Dependent Variable: INTUSERS | ||||
| Method: Least Squares | ||||
| Date: 02/27/08 Time: 02:03 | ||||
| Sample(adjusted): 4 172 | ||||
| Included observations: 132 | ||||
| Excluded observations: 37 after adjusting endpoints | ||||
| Variable | Coefficient | Std. Error | t-Statistic | Prob. |
| C | -346430.8 | 250802.2 | -1.381291 | 0.1696 |
| GDP | 10.32608 | 22.95037 | 0.449931 | 0.6535 |
| GNI | 502.9395 | 345.3779 | 1.456201 | 0.1478 |
| PC | 0.719045 | 0.014848 | 48.42816 | 0.0000 |
| URBAN | 0.090404 | 0.010513 | 8.598902 | 0.0000 |
| RURAL | 0.005584 | 0.005304 | 1.052842 | 0.2944 |
| R-squared | 0.989265 | Mean dependent var | 5812423. | |
| Adjusted R-squared | 0.988838 | S.D. dependent var | 19682933 | |
| S.E. of regression | 2079463. | Akaike info criterion | 31.97751 | |
| Sum squared resid | 5.45E+14 | Schwarz criterion | 32.10854 | |
| Log likelihood | -2104.515 | F-statistic | 2322.154 | |
| Durbin-Watson stat | 2.087052 | Prob(F-statistic) | 0.000000 | |
Видим, что незначительной переменной является ВВП, поэтому уберем его из регрессии. Все коэффициенты получились с ожидаемыми знаками, кроме величины сельского населения. Предполагалось, что это отрицательный фактор. Но так как его величина очень близка к 0, не будем обращать на это несовпадение внимания. К тому же его влияние незначительно.
Строим новую регрессию:
| Dependent Variable: INTUSERS | ||||
| Method: Least Squares | ||||
| Date: 02/27/08 Time: 02:09 | ||||
| Sample(adjusted): 4 172 | ||||
| Included observations: 132 | ||||
| Excluded observations: 37 after adjusting endpoints | ||||
| Variable | Coefficient | Std. Error | t-Statistic | Prob. |
| C | -354918.2 | 249305.2 | -1.423629 | 0.1570 |
| GNI | 618.1578 | 231.0229 | 2.675742 | 0.0084 |
| PC | 0.718812 | 0.014792 | 48.59489 | 0.0000 |
| URBAN | 0.090582 | 0.010473 | 8.649087 | 0.0000 |
| RURAL | 0.005475 | 0.005282 | 1.036557 | 0.3019 |
| R-squared | 0.989247 | Mean dependent var | 5812423. | |
| Adjusted R-squared | 0.988909 | S.D. dependent var | 19682933 | |
| S.E. of regression | 2072923. | Akaike info criterion | 31.96396 | |
| Sum squared resid | 5.46E+14 | Schwarz criterion | 32.07316 | |
| Log likelihood | -2104.621 | F-statistic | 2920.986 | |
| Durbin-Watson stat | 2.087552 | Prob(F-statistic) | 0.000000 | |
Как видно из таблицы, показатель Adjusted R-squared увеличился с 0,988838 до 0,988909. Это значит, что регрессия улучшилась.
Кроме того, регрессор RURAL оказывает незначительное влияние на регрессант, поэтому его можно удалить и построить новую регрессию:
| Dependent Variable: INTUSERS | ||||
| Method: Least Squares | ||||
| Date: 02/27/08 Time: 02:12 | ||||
| Sample(adjusted): 4 172 | ||||
| Included observations: 132 | ||||
| Excluded observations: 37 after adjusting endpoints | ||||
| Variable | Coefficient | Std. Error | t-Statistic | Prob. |
| C | -399859.8 | 245577.6 | -1.628242 | 0.1059 |
| GNI | 630.0480 | 230.8051 | 2.729784 | 0.0072 |
| PC | 0.708903 | 0.011291 | 62.78241 | 0.0000 |
| URBAN | 0.100670 | 0.003869 | 26.01779 | 0.0000 |
| R-squared | 0.989156 | Mean dependent var | 5812423. | |
| Adjusted R-squared | 0.988902 | S.D. dependent var | 19682933 | |
| S.E. of regression | 2073526. | Akaike info criterion | 31.95723 | |
| Sum squared resid | 5.50E+14 | Schwarz criterion | 32.04459 | |
| Log likelihood | -2105.177 | F-statistic | 3892.026 | |
| Durbin-Watson stat | 2.066310 | Prob(F-statistic) | 0.000000 | |
Adjusted R-squared незначительно, но уменьшился. А это значит, что модель стала хуже. Поэтому вернемся к предыдущей модели:
Estimation Command:
=====================
LS INTUSERS C GNI PC URBAN RURAL
Estimation Equation:
=====================
INTUSERS = C(1) + C(2)*GNI + C(3)*PC + C(4)*URBAN + C(5)*RURAL
Substituted Coefficients:
=====================
INTUSERS = -354918.2484 + 618.1577906*GNI + 0.7188117239*PC + 0.09058209539*URBAN + 0.005474726438*RURAL
Согласно статистике Durbin-Watson stat ( =2.087552, статистика близка к 2) автокорреляция в модели отсутствует.
Выполним тест на гетероскедастичность:
| White Heteroskedasticity Test: | ||||
| F-statistic | 7.466570 | Probability | 0.000000 | |
| Obs*R-squared | 43.14884 | Probability | 0.000001 | |
| Test Equation: | ||||
| Dependent Variable: RESID^2 | ||||
| Method: Least Squares | ||||
| Date: 02/27/08 Time: 02:18 | ||||
| Sample: 4 172 | ||||
| Included observations: 132 | ||||
| Excluded observations: 37 | ||||
| Variable | Coefficient | Std. Error | t-Statistic | Prob. |
| C | -1.19E+12 | 1.87E+12 | -0.639594 | 0.5236 |
| GNI | 2.10E+09 | 3.83E+09 | 0.548274 | 0.5845 |
| GNI^2 | -403321.1 | 1132324. | -0.356189 | 0.7223 |
| PC | 445574.9 | 228912.2 | 1.946488 | 0.0539 |
| PC^2 | -0.002393 | 0.000829 | -2.885490 | 0.0046 |
| RURAL | 74276.26 | 84150.65 | 0.882658 | 0.3791 |
| RURAL^2 | -9.97E-05 | 0.000103 | -0.965351 | 0.3363 |
| URBAN | 163878.1 | 87839.00 | 1.865665 | 0.0645 |
| URBAN^2 | -0.000216 | 0.000157 | -1.372084 | 0.1725 |
| R-squared | 0.326885 | Mean dependent var | 4.13E+12 | |
| Adjusted R-squared | 0.283105 | S.D. dependent var | 1.35E+13 | |
| S.E. of regression | 1.14E+13 | Akaike info criterion | 63.03441 | |
| Sum squared resid | 1.60E+28 | Schwarz criterion | 63.23096 | |
| Log likelihood | -4151.271 | F-statistic | 7.466570 | |
| Durbin-Watson stat | 1.436753 | Prob(F-statistic) | 0.000000 | |
В описываемой модели присутствует гетероскедастичность, т.к. вероятность ошибиться, отвергая гипотезу об отсутствии гетероскедастичности, практически ровна нулю. Но это можно объяснить тем, что выборка большая по размеру и неоднородна по значениям. Если сократить объем данных, то получится избавиться от гетероскедастичности.