Обґрунтування застосування податкових пільг в оподаткуванні доходів фізичних осіб
Дипломная работа - Экономика
Другие дипломы по предмету Экономика
? кредиту, та сум сплаченого ПДФО, сум витрат, що входять до податкового кредиту, та кількості платників в розрахунку за кожний місяць 2006-2007 рр. ДПІ в Київському районі м. Харкова (Додаток Д) [17; 18].
За допомогою пакету статистичних методів STATISTICA 6.0 отримаємо результати багатофакторної регресійної моделі (рис. 2.16).
Рис. 2.16. Результати багатофакторної регресійної моделі
Значення коефіцієнту множинної кореляції Multiple R = 0,9965 свідчить про те, що між залежною змінною та всіма незалежними факторами існує достатньо тісний зв'язок. Значення коефіцієнту детермінації R2 = 0,9929 свідчить про те, що варіація суми ПДФО, поверненої з бюджету у зв'язку з нарахуванням податкового кредиту, на 99,3% залежить від факторів, які були відібрані для побудови регресійної моделі. Це означає, що вибрані фактори оказують істотний вплив на залежну змінну.
Проведемо аналіз адекватності побудованої моделі на основі критерію Фішера (F - критерію). Розраховане значення F - критерію складає 321,768, що перевищує табличне значення Fтабл = 2,25, оскільки p < 0,05. Це підтверджує адекватність побудованої моделі та істотність кореляційного зв'язку між досліджуваними параметрами моделі.
В моделі існує чотири фактори, які несуттєво впливають на залежну змінну - це фактори Х3, Х5, Х6, Х7 (сума витрат на сплату процентів з іпотечного кредитування, недержавне пенсійне страхування та довгострокове страхування життя, штучне запліднення чи всиновлення дитини, благодійну допомогу, що входять до податкового кредиту). Для кожного параметру моделі проаналізуємо значення критерію Стьюдента, за допомогою якого визначають статистичну значимість параметрів (рис. 2.17).
Рис. 2.17. Результати побудованої багатофакторної моделі
За допомогою критерію Стьюдента з ймовірністю 95% можна сказати, що фактори Х1, Х2, Х4 є значими для побудованої моделі, оскільки їх розрахункові значення t > tтабл (tтабл (16) = 2,119). Так, для факторів Х3, Х5, Х6, Х7 розрахункові значення критерію Стьюдента t не перевищують tтабл, оскільки для них значення p > 0,05. Це свідчить про те, що ці параметри моделі не є значимими.
При отриманих результатах модель буде мати наступний вигляд:
Y=-2,089+0,088X1+0,167X2+1,154X3+1,088X4+14,197X5+3,112X6 +1,515X7
Перевіримо адекватність моделі за допомогою матриці парних кореляцій (рис. 2.18). Коефіцієнти парних кореляцій показують взаємозвязок між парами факторів та змінюються від -1 до 1 (чим ближче значення до 1, тим сильніший взаємозвязок між факторами). Наявність кореляції між незалежними змінними свідчить про неадекватність моделі.
Рис. 2.18. Матриця парних кореляцій
Таким чином, між парами факторів Х1 та Х2, Х1 та Х3 є сильний кореляційний зв'язок, що свідчить про неадекватність побудованої моделі.
Перевіримо модель на мультиколінеарність - лінійну залежність між двома або більше змінними (рис. 2.19).
Рис. 2.19. Перевірка побудованої моделі на мультиколеніарність
Оскільки показник Tolerance для фактора Х7 перевищує граничне значення 0,8, то можна сказати, що в побудованій моделі присутня мультиколеніарність.
Проведемо аналіз моделі на автокореляцію за допомогою критерію Дарбіна-Уотсона. Автокореляція - це взаємозвязок послідовних елементів часового чи просторового ряду даних [53]. Результати подано на рис. 2.20.
Рис. 2.20. Критерій Дарбіна-Уотсона
Якщо DW > DW1табл (DW1табл = 0,78) або DW > 4 - DW1табл, то в моделі присутня відємна або позитивна автокореляція відповідно. Якщо DW2табл > DW > DW1табл (DW2табл = 1,86), то критерій не дозволяє зробити висновок про наявність автокореляції. Якщо DW2табл < DW < 4 - DW2табл, то автокореляція відсутня [58]. Таким чином, можна зробити висновок, що між залишками побудованої моделі існує відємна автокореляція.
Перевіримо модель на адекватність за допомогою аналізу залишків моделі. Для цього побудуємо гістограму розподілу залишків (рис. 2.21).
Рис. 2.21. Гістограма розподілу залишків
Гістограма розподілу залишків свідчить про те, що залишки розподілені за нормальним законом, оскільки спостерігається незначна варіація між залишками. Побудуймо графік залишків на нормальному ймовірнісному папері (рис. 2.22).
Рис. 2.22. Графік залишків на нормальному ймовірнісному папері
Графік залишків свідчить, що залишки недостатньо щільно розподілені вздовж прямої, тому не підтверджують адекватність моделі.
У зв'язку з цим, необхідно покращити модель шляхом виключення незначимих факторів Х3, Х5, Х6, Х7 з моделі. Покращимо модель методом виключень Backward stepwise. На першому кроці будується модель залежності результативної змінної від усіх заданих факторних змінних. Далі на кожному кроці виключаються фактори, які неістотно впливають на результативну змінну. Виключення проводиться доти, поки в моделі не залишаться тільки значущі факторні змінні або не буде задане значення коефіцієнта множинної кореляції (0,95) [43]. Результати покращення моделі методом виключень наведено на рис. 2.23.
Рис. 2.23. Результати покращення моделі методом виключень
Оскільки коефіцієнт множинної кореляції Multiple R = 0,9957, то між Y та Х1, Х2, Х4 існує достатньо тісний зв'язок. Коефіцієнт детермінації R2 = 0,9914 свідчить про те, що варіація залежної змінної залежить від факторів, які були відібрані для побудови регресійної моделі. Розраховане значення критерію Фішера F = 765,218 більше Fтабл = 3,8, що свідчить, що модель є адекватною.
Проаналізуємо значимість кожного факто