ВВЕДЕНИЕ
Исторически так сложилось, что стоимость страны по показателю ВВП существует в условиях весьма сильной динамической изменчивости. Маленькая площадь страны, неплодородная почва и иные географические и политические факторы сильно влияют на потенциальное развитие государства. Так же на возможное развитие очень сильно влияет обменный курс корейской воны и доллара, поскольку государство из-за технологического отрыва предлагает всему миру технику и электронные устройства, а оплата происходит преимущественно в долларах. В связи с этим автор задаётся гипотезой, что обменный курс имеет влияние на импорт и экспорт Южной Кореи.
Для проверки данной гипотезы автор задаётся целью создать эконометрическую модель и проверить её на качество и адекватность для выявления ошибок. Данное исследование сможет не только показать зависимость между обменным курсом корейской воны и доллара и объёмом импорта или отсутствие этой зависимости, но и дать базисную информацию для исследования стратегий национальной безопасности Южной Кореи.
Объектом исследования является объем импорта в период с 2000 по 2018.
Цель данного исследования выявить и проанализировать зависимость объема зависимости импорта и курса валюты "Корейский вон"
Новизна данной работы раскрывается в анализе о количественной оценке, прогнозировании и преодолении взаимосвязи между обменным курсом и зависимостью импорта
В ходе выполнения работы выполняются следующие задачи:
•Построение спецификации эконометрической модели зависимости импорта от обменного курса корейской воны;
•Сбор необходимых статистических данных;
•Оценивание модели и анализ качества ее спецификации;
•Проверка адекватности предпосылок теоремы Гаусса-Маркова;
•Проверка адекватности модели и прогнозирование.
В качестве информационной базы для проведения данного исследования выступают по исследуемой теме, учебники и материалы лекций по эконометрике, данные от службы Корейиской государственной статистики.
ОСНОВНАЯ ЧАСТЬ
Курсом валюты автор считает относительную цену валют двух стран, то есть цена одной валюты в единицах другой. В данной работе курс корейской воны мы будем брать по отношению к одной из самых популярных мировых валют – к доллару США.
Обменный курс имеет сильную связь с доходами частных организаций, и, соответственно, с ВВП Южной Кореи. Чем дороже национальная валюта, тем больше доход и размер ВВП в сопоставимых ценах к базисному году. Таким образом, затраты на импорт переносятся легче, и их объём увеличивается. В обратном случае в дело вступает экспорт – происходит стимулирование у иностранных резидентов покупать товар из Южной Кореи. Импорт в то же время становится более дорогим. Более сильный доллар, например, может создать проблемы для американских компаний, которые экспортируют товары в другие страны. Для иностранных потребителей и компаний, которым приходится платить за товары в долларах, цены на эти товары становятся более высокими. Ценность прибыли, которую они заработали от экспортных продаж, также падает, когда они переходят на доллары, получаемые из-за границы.
Нижеприведенная модель представляет собой модель, указывающую сумму импорта по курсу обмена. Спецификация её выглядит следующим образом:
-Импорт
- свободный член
- коэффициент при Ert
- случайные остатки;
- курс балют
При проверке модели на качество автор использовал F-тест, позволяющий с помощью сравнения значения F-статистики и F-критического сделать утверждение о качестве модели. Если значение F-статистики больше критического порога, то модель признается качественной
n=70 k=1.
F=20.10146341
Fкр = 3.9840 ,при a=0.05 v1=1 v2=70
F>Fкр можно сделать утверждение о том, что модель качественная.
Для проверки модели на адекватность следует определить объём контролирующей выборки, оценить утвержденную модель по контролирующей выборке и сделать интервальный прогноз, чтобы понять – входят ли существующие значения из контролирующей выборки в интервал оценок.
Контролирующий выборка t=1,20,40,65
Im=-8181538.468 + 53947163406*Ert + ut
(10754881.95) (12032469685)
Контролирующая выборка :
t1: Im= 44746013 Er= 0.000937
t20: Im =34772163 Er=0.000844
t40: Im=37959391 Er=0.000893
t65: Im=40111785 Er=0.000846
t =
= ϐu *
q =
tкрит= 1.996008354 при α=0,05, v=67
граница следующий:
t1 (34303047.73; 50405844.24)
Y0min |
34303047.73 |
|
Y0max |
50405844.24 |
|
2014. 01 |
44,746,013 |
0.0009367681498829040 |
t20 (29261128.92; 45402814.15)
Y0min |
29261128.92 |
|
Y0max |
45402814.15 |
|
2015. 08 |
34,772,163 |
0.0008436682696363790 |
t40 (32028154.18; 47986014.81)
Y0min |
32028154.18 |
|
Y0max |
47986014.81 |
|
2017. 04 |
37,959,391 |
0.0008932559178204560 |
t65 (29480099.42; 45437980)
Y0min |
29480099.42 |
|
Y0max |
45437980 |
|
2019. 06 |
40,111,785 |
0.0008460236886632830 |
при t=1 Im=44746013 ϵ (
при t=20 Im=34772163 ϵ (
при t=40 Im=37959391ϵ (
при t=65 Im=40111785 ϵ (
Таким образом, модель признаётся адекватной и может использоваться для оценки импорта с 95% уровнем доверия.
Но следует также проверить и случайные остатки нашей модели для выявления автокоррелированности или его отсутствия и характера распределения. Для этого используется тест Голфелда-Квандта и тест Дарбина-Уотсона.
Тест Голфелда-Кванта позволяет проверить предпосылку о гомоскедастичности случайных остатков. Для проверки данного условия воспользуемся тестом Голдфелда-Квандта. Для этого выборка была разбита на 2 части n =34.
|
18609401727 |
21863368.21 |
|
|
|
|
34416453827 |
29673490.41 |
|
||
|
0.009053837 |
4346191.162 |
|
||
|
0.292369849 |
32 |
|
||
|
5.52268E+12 |
6.0446E+14 |
|
||
|
43301104538 |
2052731.834 |
|
||
|
21772373564 |
20125883.96 |
|
||
|
0.110007606 |
3607217.836 |
|
||
|
3.955363439 |
32 |
|
||
|
5.14673E+13 |
4.16385E+14 |
|
||
|
|
||||
|
|
||||
|
|
||||
GQ |
1.451686738 |
|
|||
1/GQ |
0.688853851 |
|
|||
|
|
||||
Fkp |
1.804481608 |
|
|||
|
|
||||
GQ |
1.451686738 |
< |
Fkp |
1.804482 |
|
1/GQ |
0.688853851 |
< |
Fkp |
1.804482 |
|
Поскольку и значение GQ и 1/GQ меньше значения F критического, то следовательно случайные остатки имеют гомоскедатичность с 95% уровнем доверия, что является хорошей ситуацией для модели.
Для проверки утверждения об отсутствии автокорреляции случайных остатков воспользуемся тестом Дарбина-Уотсона (далее – DW).
общий |
|
|
|
|
53947163406 |
-8181538.468 |
n=70 |
||
12032469685 |
10754881.95 |
n'=21 |
||
0.230782155 |
3968787.47 |
k=1 |
||
20.10146341 |
67 |
|||
3.16624E+14 |
1.05534E+15 |
|||
|
||||
DW=2,5 |
2.5 |
n=70 |
||
|
k=1 |
|||
dL=1,43 |
1.43 |
|||
dU=1,49 |
1.49 |
|||
|
||||
|
||||
Cov =0 |
1.545651527
DW ϵ М3, следовательно cov(ui;ui-1)=0 и дополнительную переменную включать необязательно.
Вывод
Для проведения регрессионного анализа через составление эконометрической модели курса корейских денег на импорт (объем импорта и курс валюты по месяцам в долларах за 2014-2019 года):
Im=8181538.468 + 53947163406*Ert + ut
(10754881.95) (12032469685)
Модель оказалась адекватной.
Когда стоимость доллара растет с экономической точки зрения, количество импорта должно быть уменьшено. Но с помощью графика и проверки выше, можно увидеть, что стоимость валюты и ее доход имеют прямую зависимость. Причина заключается в том, что 50% общего объема производства страны зависит от экспорта. С его побочными эффектами, даже когда стоимость корейских валюты низкая, страна может только рисковать своими потерями. По этим причинам, государство должно сделать следующее:
1. Поддерживать курс валюты максимально стабильным.
2. Принимать решения, которые бы минимизировали потери от импорта при низким курсе валюты.
СПИСОК ЛИТЕРАТУРЫ
[электронные ресурсы]курс корейский вон на доллар https://fred.stlouisfed.org/series/EXKOUS
[электронные ресурсы] Корейская государственная статистика http://kosis.kr/statisticsList/statisticsListIndex.do?menuId=M_01_01&vwcd=MT_ZTITLE&parmTabId=M_01_01#SelectStatsBoxDiv
ПРИЛОЖЕНИЕ
Дата |
Импорт |
курс 1 вон на доллар |
2014. 01 |
44,746,013 |
0.0009367681498829040 |
2014. 02 |
42,061,554 |
0.0009392317084624780 |
2014. 03 |
45,558,675 |
0.0009678668215253580 |
2014. 04 |
45,873,333 |
0.0009802960494069210 |
2014. 05 |
42,607,483 |
0.0009883376161296700 |
2014. 06 |
42,476,381 |
0.0009728572818367550 |
2014. 07 |
45,863,916 |
0.0009861932938856020 |
2014. 08 |
42,791,869 |
0.0009476876421531460 |
2014. 09 |
44,184,712 |
0.0009358914365933550 |
2014. 10 |
44,097,421 |
0.0009026085386767760 |
2014. 11 |
41,343,254 |
0.0009096697898662790 |
2014. 12 |
43,909,896 |
0.0009144947416552350 |
2015. 01 |
39,283,025 |
0.0009104151493080840 |
2015. 02 |
33,998,316 |
0.0009013068949977470 |
2015. 03 |
38,485,935 |
0.0009324878776575900 |
2015. 04 |
37,858,798 |
0.0009023641941887750 |
2015. 05 |
36,039,800 |
0.0008964589870013450 |
2015. 06 |
36,598,398 |
0.0008547008547008550 |
2015. 07 |
38,647,067 |
0.0008456659619450320 |
2015. 08 |
34,772,163 |
0.0008436682696363790 |
2015. 09 |
34,540,504 |
0.0008771160424524170 |
2015. 10 |
36,762,975 |
0.0008634832915983080 |
2015. 11 |
34,049,682 |
0.0008528784648187630 |
2015. 12 |
35,462,311 |
0.0008339588024351600 |
2016. 01 |
31,321,901 |
0.0008086035416835130 |
2016. 02 |
29,163,323 |
0.0008745080891998250 |
2016. 03 |
33,344,423 |
0.0008777319406653210 |
2016. 04 |
32,388,783 |
0.0008391373667869430 |
2016. 05 |
33,025,444 |
0.0008682062858135090 |
2016. 06 |
33,890,231 |
0.0008926977325477590 |
2016. 07 |
33,371,802 |
0.0008940545373267770 |
2016. 08 |
35,103,611 |
0.0009080177971488240 |
2016. 09 |
33,988,443 |
0.0008732099196646870 |
2016. 10 |
35,050,112 |
0.0008557980316645270 |
2016. 11 |
37,240,858 |
0.0008280202036929700 |
2016. 12 |
38,303,957 |
0.0008605111436193100 |
2017. 01 |
37,645,403 |
0.0008844078889183690 |
2017. 02 |
36,203,282 |
0.0008941344778254650 |
2017. 03 |
42,579,492 |
0.0008788118463836890 |
2017. 04 |
37,959,391 |
0.0008932559178204560 |
2017. 05 |
39,287,764 |
0.0008740494712000700 |
2017. 06 |
40,551,012 |
0.0008936550491510280 |
2017. 07 |
38,607,157 |
0.0008866820358219540 |
2017. 08 |
40,549,772 |
0.0008730574471800240 |
2017. 09 |
41,695,884 |
0.0008925383791503030 |
2017. 10 |
37,856,562 |
0.0009189487226612750 |
2017. 11 |
42,013,512 |
0.0009341429238673520 |
2017. 12 |
43,529,066 |
0.0009364172675344130 |
2018. 01 |
45,805,322 |
0.0009235315847802000 |
2018. 02 |
41,722,154 |
0.0009402914903620120 |
2018. 03 |
44,897,838 |
0.0009363295880149810 |
2018. 04 |
43,693,963 |
0.0009279020135473690 |
2018. 05 |
44,458,729 |
0.0008972633467922840 |
2018. 06 |
45,000,164 |
0.0008938946992044340 |
2018. 07 |
44,917,044 |
0.0008985533291400840 |
2018. 08 |
44,360,778 |
0.0009014693951140360 |
2018. 09 |
41,032,928 |
0.0008767315448009820 |
2018. 10 |
48,480,618 |
0.0008914244963451600 |
2018. 11 |
46,808,199 |
0.0008943743851176100 |
2018. 12 |
44,024,694 |
0.0008950948800572860 |
2019. 01 |
45,105,425 |
0.0008946144211844700 |
2019. 02 |
36,616,013 |
0.0008788890841975740 |
2019. 03 |
41,986,787 |
0.0008634087376964250 |
2019. 04 |
44,991,912 |
0.0008403361344537820 |
2019. 05 |
43,665,405 |
0.0008644536652835410 |
2019. 06 |
40,111,785 |
0.0008460236886632830 |
2019. 07 |
43,736,818 |
0.0008229098090849240 |
2019. 08 |
42,469,083 |
0.0008324315325064510 |
2019. 09 |
38,739,579 |
0.0008558712769599450 |