Ökonomeetria eksam (2)

Ökonomeetria kontrollküsimused.
1.Ökonomeetrilise mudeli mõiste.
Ökononomeetriliste mudelite abil on võimalik analüüsida erinevate majanduspoliitilisteotsuste mõju majanduslikele protsessidele või prognoosi
vastavate majandusnäitajate kujunemist tulevikus.
Ökonomeetriliste probleemide lahendamiseks hangitavad arvandmed jagunevad
kahte liiki: läbilõikeandmed , mis kujutavad endast valimit erinevate majandusüksuste(ettevõtete, talude, maakondade jne.) majandustegevust
iseloomustavatest näitajatest. Kõik vaatlustulemused iseloomustavad ühte ja sama ajahetke või ajavahemikku. Aegread ,mis iseloomustavad ühe ja sama majandusüksuse tegevust teatud perioodi kestel. Aegrida moodustavad näitajad kujutavast endast makromajanduslikke näitajaid( sisemajanduse koguprodukt , tarbijahinna indeks).
Enamik ökonomeetrias kasutatavaid arvandmeid on hangitud statistikaorganite
poolt, seega ökonomeetria vaatleb majandusprotsesse passiivselt.
Ökonomeetrilise analüüsi põhialuseks on majandusteooria järeldused antud
probleemi kohta.
Ökonomeetriliseks mudeliks nim-teoreetiliste seisukohtade kogumit, mida me konkreetses analüüsis kasutame.Kokkuvõtvalt võib märkida järgmist:
a)Ökonomeetrilises analüüsis ja ökonomeetrilise mudeli koostamisel vundamendiks
on majandusteooria (majandusteooriast tulenevad järeldused, seisukohad)
b)majandusteoreetilised seisukohad on vaja esitada formaliseeritud kujul
(võrrandite,kitsenduste jne. Kujul)
c) mudeli parameetrite hindamiseks on vaja hankida vajalikud arvandmed ja
nende töötlemiseks vajalik tarkvara.
d) hindamisprotsessi tulemuste testimine ja analüüs.
e) ökonomeeetrilise mudeli väljatöötamine kujutab endast iteratsiooniprotsessi,
mille käigus korrigeeritakse mudelit, leitakse parameetritele uued hinnangud ,
testitakse saadud tulemisi jne. Kuni saadakse vastuvõetav tulemus.
Klassikaline regressioonianalüüs- kõikidest võimalikest regressioonimudelitest leiab ökonomeetriliste mudelite koostamisel kõige enam kasutamist mitmene lineaarne regressioonimudel . Taolise regressioonimudeli koostamist nim. ka klassikaliseks  regressioonianalüüsiks.
Antud juhul eeldatakse, et sõltuvat muutujat Y mõjutavad mitu sõltumatut
muutujat X1, X2,-;Xn ning nende mõju sõltuvale muutujale on lineaarne.
Regressioonivõrrand-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;
Mudeli parameetrite hindamiseks kasutatakse üldtuntud vähimruutude meetodit.
Regressioonivõrrandi parameetrite -;-;-;-;-;-;-;-;-;.
.väärtuste ehk täpsemalt väljendades nende parameetrite hinnangute b1, b2,
-;bn kindlaksmääramineon ökonomeetrilise analüüsi üheks peaülesandeks.
Mitmese lineaarse regressioonivõrrandi parameetrid (regressioonikordajad)
võimaldavad nende majanduslikku tõlgendamist. Igal regressioonikordajal
on majanduslik sisu. Mittelineaarse regressioonivõrrandi parameetrid ei
ole üldjujhul sisuliselt tõlgendatavad. Lineaarse regressioonivõrrandi parameetrite
(regressioonikordajate) väärtuste järgi on võimalik otsustada mil määral
üks või teine sõltumatu muutuja mõjutab muutujat Yt, s.t. on võimalik otsustada,
milliste sõltumatute muutujate (majanduslik) mõju on suurem, milliste oma
väiksem jne. Regressioonikordaja -;i näitab mitme ühiku võrra muutub
sõltuv muutuja Yt kui sõltumatu muutuja Xi muutub (suureneb) ühe ühiku võrra.
Vähimruutude meetodil leitud regressioonikordajad on parameetrite tegelike
väärtuste parimaks hinnanguks siis, kui on täidetud vastavad eeldused (nn.
klassikalise regressioonianalüüsi eeldused).
Mitmese lineaarse regressioonimudeli korral ei piisa statistilise sõltuvusest
arusaamiseks ainult regressioonivõrrandist Lisaks regressioonivõrrandile
on vaja teada ka seose tihedust iseloomustavat näitajat -; selleks
on mitmese lineaarse regressioonimudeli korral determinatsioonikordaja .
Seose tiheduse näitajad: Hälvete korrutise summa võib olla seose tihedust
iseloomustavaks näitajaks. Mida suurem on hälvete korrutise summa, seda
tihedam on seos ning mida väiksem on hälvete korrutise summa seda nõrgem
seos.Positiivsete omaduste tõttu ongi korrelatsioonikordaja kujunenud üheks
põhiliseks seose tihedust iseloomustavaks näitajaks.
Kvalitatiivne hinnang korrelatsioonikordaja väärtustele:
Korrelatsioonikordaja r väärtusedHinnand seose tiheduse kohta
0,8 -;1,0; 0,6 -; 0,8;
0,4 -;0,6
0,2 -;0,4
alla  0,2 Väga tihe
Tihe
Keskmine
Nõrk
Praktiliselt puudub
Teiseks  seose tiheduse näitajaks on determinatsioonikordaja, mille lahtimõtestamisel lähtutakse varieeruvuste võrdlemisest. Seejuures varieeruvust mõõdetakse hälvete ruutude summa abil. Kõige üldisemaks varieeruvuseks on varieeruvus aritmeetilise keskmise ümber.
Determinatsioonikordjaja ei ole seotud konkreetse mudeliga (lineaarne, mittelineaarne jne.) ning seda saab kasutada mistahes regressioonimudeli korral.
Determinatsioonikordajast ei saa teha olulisi sisulisi järeldusi. Sellest
ei saa järeldada, et suurema determinatsioonikordajaga regressioonimudel
on parem või korrektsem mudel kui mõni teine mudel. Kõige ohutum on  käsitleda
determinatsioonikordajat kui arvnäitajat, mis näitab kui hästi regressioonivõrrand
iseloomustab arvandmeid.Determinatsioonikordaja on kujunenud üheks populaarsemaks seose tihedust iseloomustavaks näitajaks.
Erinevate tüüpi andmete korral tuleks determinatsioonikordaja arvväärtusesse
suhtuda erinevalt. Näiteks aegridade analüüsi korral võib R2 = 0,99 olla
mitteküllaldase seose tiheduse iseloomustajaks. Kuid läbilõike andmete alusel
koostatud regressioonimudeli korral R2 = 0,30  võib iseloomustada küllaltki
tihedat seost. Mõningatel juhtudel, kui regressioonimudeli on küllaltki
palju sõltumatuid muutujaidf, võib ka R2 = 0,05  olla oluline.
Faktorite (tegurite) statistilise olulisuse hindamine regressioonianalüüsil.
Vaatlustulemuste alusel leitud parameetrite  väärtusi nimetatakse hinnanguteks
seetõttu, et saadud hinnangud on alati ligikaudsed. Vaatlustulemuste alusel
leitud parameetrite väärtused oleksid võrdsed parameetrite tegelike väärtustega
ainult siis, kui vaatluste arv oleks lõpmata suur. Tegelikus elus tuleb
vastavate parameetrite leidmiseks kasutada piiratud arvu vaatlustulemusi,
mille baasil saadud hinnangud on aga alati ligikaudsed.
Satistilised hinnangud jagunevad oma olemuselt kahte liiki: punkthinnangud
 ja vahemikhinnangud e. intervallhinnangud.
Kuna hinnang on oma olemuselt juhuslik suurus, siis hinnangu võimalikud
väärtused saavad asetseda teatud vahemikus ehk hinnangu määramispiirkonnas.
Hinnang, mis kujutab endast selle juhusliku suuruse ühte konkreetset väärtust
on punkthinnang (kujutab arvsirgel ühte punkti). Punkthinnangu ülesandeks
on määrata kindlaks arvkarakteristik (arvväärtus).Punkthinnang on kõige
enam kasutamist leidnud statistilise hinnagu liigiks.
Punkthinnangu puuduseks on asjaolu, et saadud hinnang võib osutuda vigaseks.
Seega ka kõik järeldused ja punkthinnangu alusel tehtud analüüsid võivas
osutuda ekslikeks.Teiseks hinnangu liigiks on vahemikhinnangud. Vahemikhinnang kujutab endast hinnangu määramispiirkonnas teatud vahemikku. Seega vahemikhinnangut iseloomustavad 3 suurust (parameetrit): vahemikku alampiir tmin, vahemiku ülempiir tmax ja vahemikkku langemise tõenäosus p.
Vahemikhinnangu eelis seisneb selles, et andes ette küllalt suure tõenäosuse
p, võime olla kindel selles, et me ei eksi. Vahemikhinnangu puuduseks on
asjaolu, et vahemikhinnangu edaspidine kasutamine on tülikas.
Praktikas analüüs tehakse kolmes erinevas variandis . Esimese analüüsivariandis
hinnangu väärtuseks võetakse vahemiku keskmine väärtus. Teises analüüsivariandis
hinnangu väärtuseks võetakse vahemiku alampiir. Kolmandas analüüsivariandis
hinnangu vahemiku ülempiir.
Parimaks nimetatakse hinnangut , mis rahuldab nelja tingimust: hinnang peab
olema tõene, nihutamata, efektiivne, küllaldane.
Tõene hinnang-; vaatluste arvu suurenedes hinnangu täpsus suureneb
ning lõpmata suure katsete arvu korral hinnang t on võrdne parameetri -;
tegeliku väärtusega.
Nihutamata hinnag -; kui hinnangu kui juhusliku suuruse keskväärtus
E(t) on võrdne hinnatava parameetri -; tegeliku väärtusega.
Efektiivne  hinnang - - mille dispersioon D(t)  on minimaalne, st. hinnangu
kui juhusliku suuruse varieeruvus on minimaalne.
Küllaldane hinnang -; kui hinnang t sisaldab kogu seda informatsiooni,
mis vaatlustulemustes olemas.
Keskväärtuse parimaks hinnanguks on vaatlustulemuste aritmeetiline keskmine,
mis rahuldab kõiki eelpool toodud nelja tingimust.Kõige lihtsamaks keskväärtuse
hinnanguks on nn. äärmiste väärtuste keskmine.
.Klassikalise regressioonimudeli eeldused :
1. Regressioonimudel on korrektne (kõik protsessi mõjutavad sõltumatud muutujad
on lülitatud regressioonivõrrandisse ning sõltuva muutuja ja sõltumatute
muutujate vahel on lineaarne sõltuvus).
2. Sõltumatud muutujad on üksteisest  statistiliselt sõltumatud,
3. Sõltumatud muutujad omavad küllaldast varieeruvust,
4. Sõltumatud muutujad on  mittejuhuslikud suurused (ilma vigadeta),
5. Kasutatavad arvandmed on representatiivsed.
6. Regressioonijäägid on normaalsed juhuslikud suurused,
7. Regressioonijääkide dispersioon ei sõltu sõltumatute muutujate väärtusest
ning seda regressioonijääkide omadust nim. homoskedastiivsuseks,
8. Regressioonijäägid on omavahel statistiliselt sõltumatud, st. puudub
regressioonijääkide autokorrelatsioon.
Majanduspraktikas esinevad kõrvalekaldumised regressioonianalüüsi põhieeldustest.Ökonomeetriliste mudelite koostamisel paratamatult esineb kõrvalekaldumisi toodud eeldustest. Kõige olulisemaks on mudeli korrektsuse eeldus. Kui mudel on koostatud huupi valitud sõltumatute muutujate baasil, siis ka ülejäänud
eelduste 100% täitmise korral ei ole võimalik saada rahuldavat ja töötavat
ökonomeetrilist mudelit.Mudeli korrektsus sõltub ühelt poolt analüüsi tegija (ökonomeetrilise mudeli koostaja ) majandusteoreetilisest ettevalmistusest ja teadmistest ning teiselt poolt mudeli koostamiseks vajalike arvandmete kättesaadavusest. Paljudel juhtudel me võime teooriast tulenevalt või vastava analüüsi tulemusena jõuda järeldusele, et üks või teine tegur on käsitletava probleemi jaoks oluline,kuid selle kohta puuduvad arvandmed.
Multikollineaarsuse mõju regressioonianalüüsi tulemustele(lab. tööde
järeldused).Multikokollineaarsus -; olukord, kus  regressioonivõrrandi sõltumatute muutujate arvväärtused on omavahelises sõltuvuses. Eristatakse kolme  erinevat multikollineaarsuse taset:1.täpne (täielik) multikollineaarsus
2.peaaegu täielik multikollineaarsus,3.sõltumatud muutujad on omavahelises korrelatiivses sõltuvuses.Täpne (täielik) multikollineaarsus -; esineb siis, kui üks sõltumatutest muutujatest kujutab endast teiste sõltumatute muutujate lineaarset funktsiooni.Sel juhul regressioonivõrrandi parameetreid ei saa leida (hinnata). Täielik
multikollineaarsus analüüsitulemusi ei mõjuta, sest täieliku multikollineaarsuse
olemasolu korral vähimruutude meetod ja ka sellel meetodil põhinevad arvutiprogrammid lihtsalt ei tööta.Peaaegu täielik multikollineaarsus-Kahe sõltumatu muutuja korral on nende vahelise sõltuvuse korrelatsioonikordaja väga suur r >0,9. Mudeli parameetrite hinnangud muutuvad väga ebastabiilseks.Regressioonikordajate varieeruvus(standarthälve) on väga suur, siis on ka suur vahemik (regressioonikordajate usalduspiirkond), kus asub regressioonikordaja tegelik väärtus ning seda raskem on tagasi lükata nullhüpoteese sisuliselt vägagai oluliste regressioonikordajate kohta.Võib tekkida olukord, kus determinatsioonikordaja R2 on suur ning regressioonivõrrandi kui terviku olulisust kontrolliv F-test loeb võrrandi
täiesti usaldusväärseks, kuid ükski regressioonikordaja t-testi järgi ei
ole usaldusväärne. Arvandmetest multikollineaarsust kõrvaldada ei õnnestu.
Probleemist ülesaamise peamiseks teeks on paremate  (täiendavate) arvandmete
hankimine.Oluliste argumentide varieeruvuse mõju regressioonianalüüsi tulemustele(lab. tööde järeldused).
Sõltumatute muutujate mitteküllaldane varieeruvus on arvandmete ----------------;nõrkuseks----------------;,mis ei võimaldada avada kogu arvandmetes sisalduvat infot ning seeläbi vähendavad regressioonimudelite kasutamise efektiivsust ja usaldusväärsust. Kui sõltumatute muutujate varieeruvus väheneb, siis ka arvandmetes olev info hulk väheneb,sest me saame mudeli parameetrite väärtusi hinnata ainult selle vahemiku jaoks, mis on sõltumatute muutujate väärtustega määratud.
Läbilõikeandmete korral, mis kujutavad endast ettevõtteid iseloomustavaid
näitajaid, võib paljude oluliste sõltumatute muutujate varieeruvus osutuda
mitteküllaldaseks.Põhjus on selles, et ka ettevõtjatele (mitte ainult analüüsi
tegijatele) on tootmist mõjutavad olulised põhjused (tegurid) teada ja nad
püüavad neid hoida optimaalsel tasemel ning sellised pidevalt kontrolli
all olevad näitajad (sõltumatud muutujad) varieeruvad suhteliselt vähe.
Lõpptulemusena tootmist kõige rohkem mõjutavad tegurid varieeruvad kõige
vähem.Varieeruvuse suurenedes regressioonikordaja varieeruvus väheneb ehk regressioonikordaja stabiilsus ( ustavus ) suureneb. Järelikult mitteküllaldas varieeruvuse korral regressioonikordaja  varieeruvus suureneb ehk regressioonikordaja stabiilsus(ustavus) väheneb. Seega sõltumatute muutujate mitteküllaldane varieeruvus vähendab regressioonikordajate stabiilsust (ustavust).
.Astmefunktsiooni parameetrite leidmine. Isokvandid. Nende kasutamine.
Astmefunktsioon on ruutfunktsiooni kõrval teiseks enam kasutamist leidnud
mitmese mittelineaarse regressioonimudeli regressioonivõrrandiks.
Astmefunktsiooni iseärasused on järgmised:
1. Võrrandi parameetrid leitakse astmefunktsiooni logaritmimise teel;
2. Astmefunktsioon on minimaalse parameetrite arvuga mitmene mittelineaarne
funktsioon
3. Astmefunktsioon on ruutfunktsiooniga võrreldes tunduvalt jäigem
4. Astmefunktsioon läbib alati koordinaatide alguspunkti
5. Argumendi kasvades funktsiooni väärtused piiramatult kasvavad.
Cobb- Douglas `e tootmisfunktsioon kujutab endast astmefunktsiooni.
. Ökonomeetrilise mudeli koostamise põhietapid.
1. Probleemi teoreetiline analüüs
2. Ökonomeetrilise mudeli formuleerimine, st. võrrandi e.funktsiooni tüübi
ja sõltumatute muutujate valik
3. Probleemi iseloomustavate arvandmete hankimine
4. Võrrandi (funktsiooni) parameetrite leidmine (hindamine-estimation)
5. Võrrandi parameetrite usaldatavuse kontroll
6. Ökonomeetrilise mudeli rakendamine (progoosiks või erinevate majandusstrateegiate
realiseerimise tulemuste hindamiseks)
.Mittestandardsed ökonomeetrilise mudeli koostamise meetodid:
a) regressioonianalüüs peamiste komponentide meetodil
b) kantregressioon
c) ----------------;bootstrap----------------; regressioon
d) üldistatud vähimruutude meetod
e) kaheastmeline vähimruutude meetod
f) kolmeastmeline vähimruutude meetod
Regressioonianalüüs peamiste komponentide meetodil
----------------;Peamiseks takistuseks peamiste komponentide meetodil kasutamisel on
olnud suur arvutustööde maht. Peamiste komponentide meetodi olemus seisneb
järgmises. Esialgsed sõltumatud muutujad X1, X 2 -; Xn teisendatakse
lineaarse teisenduse abil tingliteks suurusteks ehk komponentideks. Kõigepealt
leitakse esimene komponent K1. Selleks, et teisendus oleks üheselt teostatav
tuleb sellele teisenduselel esitada lisatingimusi. Esimese komponendi leidmisel
lisatingimuseks on eeldus, et selle komponendi varieeruvus on maksimaalne.
Seejärel leitakse lineaarse teisenduse abil teine komponent K2, kusjuures
lisatingimuseks on, et komponent K2 on komponent K1 risti ja komponent K2
varieeruvus on maksimaalne.Edasi leitakse komas, neljas jne.komponendid.,kusjuures lisatingimuseks on komponendid K3, K4, K5 jne. on eelmistega risti ja komponentide varieeruvus on maksimaalne. Nimetatud teisenduste käigus toimub sõltumatutes muutujatesX1, X2, -;Xn oleva informatsiooni ümberpaiknemine esimestesse komponentidesse.Ülejäänud komponendid sisaldavad esialgsete sõltumatute muutujatega võrreldes tunduvalt vähem informatsiooni. Seetõttu edasine analüüs teostatakse esimeste ehk peamiste komponentide baasil. Olgu nende komponentide arv m- siit ka meetodi nimetus -; peamiste komponentide meetod.
Puudused: Esiteks saadud komponente on sisuliselt raske tõlgendada. Teiseks
peamiste komponenti kasutamisel üles kerkivaks probleemiks on edaspidises
analüüsis kasutatav komponentide arv.
Peale selle, kui peamised komponendid on leitud, tehakse tavaline regressioonianalüüs,mille korral sõltumatuteks muutujateks on peamised komponendid. Regressioonivõrrandile antakse sobiv kuju. Saadud hinnangud on oma olemuselt nihutatud hinnangud,st. nimetatud hinnangute kui juhusliku suuruse keskbvväärtus ei lange kokku otsitava parameetri tegeliku väärtusega. Kuid saadud hinnangud on stabiilsed,st. nende varieeruvus on suhteliselt väike. Nimetatud mõlemat asjaolu mõjtab valitud komponentide arv m. Kui m on suur, st. läheneb sõltumatute muutujate arvule n, siis info kadu on minimaalne ning minimaalne on ka nihke suurus.Kui m on väike, näiteks m=1, siis on info kadu suurim ning ka nihke suurus maksimaalne.Kantregressioon-viimase aja üheks levinumaks analüüsi meetodiks on kantregressioon. Kantregrsiooni korral suurendatakse kunstilkult nn ----------------;süsteemi determinanti----------------;(sõltumatute muutujate kovariatsiooni maatriksi determinanti) st. suurentatakse võrrandite juhuslike liidetavate nimetajat. Selle tulemusena väheneb regressioonikordajate varieeruvus ning suureneb nende stabiilsus. Kuid teiselt poolt tekitatakse regressioonikordajate nihe . Kantregressiooni korral on tegemist tetaud mõttes subjektiivsuse analüüsimeetodiga. Kokkuvõtvalt võib märkida, et multikollineaarsuse olemasolu korral kantregressiooni kasutamisel mudeli parameetrite hinnangute stabiilsus oluliselt suureneb ning seetõttu antud meetodi kasutamine võib praktilisest seisukohast olla õigustatud. Kantregressiooni parameetrik
väärtuseks on soovitatud väärtusi vahemikus K=1,1 -; 1,2. Kantregressioon
on väiksema töömahuga.----------------;Bootstrap----------------; regressioon
On oma olemuselt universaalne meetod nii statistiliste hinnangute konstrueerimiseks
 kui juhuslike suuruste jaotuse empiiriliseks hindamiseks, vahemikhinnangure
konstrueerimiseks ja hüpoteeside kontrollimiseks.
----------------;Bootstrap----------------; regressiooni korral eeldatakse, et olemasolevad
arvandmed moodustavad peakogumi ehk populatsiooni, millest tehakse küllaltki
suur arv väljavõtteid ehk valimeid. ----------------;Bootstrap----------------; regressiooni
korral valim moodustab populatsioonist küllaltki olulise osa, tavaliselt
85 -; 90%. Iga valim moodustatakse juhusliku valiku põhimõttel. Seejärel
saadud valimit analüüsitakse standardse klassikalise  regressioonianalüüsi
meetoditega. Saadud tulemusi analüüsitakse tavalise statistiliste meetoditega.
Leitakse arvkarakteristikud, mille alusel tehakse järeldused ökonomeetrilise
mudeli parameetrite kohta. ----------------;Bootstrap----------------; regressiooni korral multikollineaarsuse kahjulikku mõju oluliselt vähendada ei õnnestu. Oluliselt väheneb küll regressioonikordajate varieeruvus, kuid samaaegselt tekitatakse küllaltki
oluline nihe, mis ei ole aga soovitav . Seetõttu võib ----------------;bootstrap----------------;
regressiooni kasutada regressioonikordajate varieeruvuse vähendamiseks (stabiilsuse
suurendamiseks ) ainult nendel juhtudel, kui multikollineaarsuse mõju ei
ole suur.Üldistatud vähimruutude meetod-Kasutatakse siis, kui regressioonijäägid sõltuvad sõltumatute muutujate väärtusest (jääkstandarthälve ei ole konstantne suurus). Sel juhul peab teada olema jääkdispersiooni maatriks üksikute vaatlustulemuste kohta, kusjuures maatriksi elemendid on positiivsed ja tuntud suurused ning on konstant,mille väärtus on teadmata. Üldistatud vähimruutude meetodit rakendades saameefektiivsemat hinnangud kui tavalise vähimruutude meetodi rakendamise korral.Kaheastmeline vähimruutude meetod
Mudel koosneb mitmest käitumisvõrrandist, mis üheaegselt iseloomustavad
majanduse käitumist, st. meil on tegemist üheaegselt toimivate võrranditega.
Käitmisvõrrandid kujutavad endast tavalisi regressioonivõrrandeid. Nende
võrrandite iseärasuseks on asjaolu, et nad toimivad üheaegselt. Selleks,
et omada paremat ülevaadet mudelis osalevate muutujate osast ökonomeetrilises
mudelis, liigitatakse muutujad kahte liiki: endogeensed ja eksogeensed muutujad.
Endogeensed -;mudeli abil määratavad muutujad, st. nende väärtus muutub
modelleerimise käigus.Eksogeensed- mille väärtus ei muutu modelleerimise
käigus, st. nad on  antud mudeli seisukohalt sõna otseses mõttes sõltumatud
muutujad.Meetod seisneb selles, et esimese astmes leitakse käitumisvõrrandite parameetridtavalise vähimruutude meetodi abil.. Seejuures sõltumatute muutujatena osalevad ainult eksogeensed muutujad ning sõltumatute muutujatena võib kasutada ka lisamuutujaid, mis ökonomeetrilises mudelis ei osale.Saadud võrrandite järgi
arvutatakse arvutuslikud või teoreetilised endogeensete muutujate väärtused.
Võrrandite parameetrite leidmiseks kasutatakse tavalist vähimruutude meetodit.
Kolmeastmeline vähimruutude meetod (H.Theil ja A.Zellner)
Meetod võimaldab ühe korraga hinnata kõiki makromajandusliku ökonomeetrilise
mudeli parameetreid. Kolmeastmeline vähimruutude meetodi kasutamisel eeldatakse,
et mudeli parameetrid on juba hinnatud kaheastmelise vähimruutude meetodil.
Sel viisil leitud parameetrite alusel arvutatakse kõigi võrrandite regressioonijäägid,
mis on lähteinfiks kolmeastmelise vähimruutude meetodile. Meetodi kasutamine
on põhjendatud sel juhul, kui erinevate võrrandite regressioonijäägid on
omavahelises sõltuvuses. Kolmeastmelise vähimruutude meetodi praktilisel
kasutamisel peab silmas pidama järgmisi asjaolusid: a) seosevõrrandid ( samasused )
tuleb enne kolmandat astet mudelist kõrvaldada, b)  kui aga regressioonijääkide
korrelatsioonimaatriksi üksikud blokid kujutavad endast diagonaalmaatriksit,
siis kolmeastmelise vähimruutude meetodit on otstarbekas kasutada eraldi
nende blokkide lõikes. Meetodi kasutamine on õigustatud  siis, kui kõigi
võrrandite regressioonijäägid on omavahel korreleeritud.Põllumajandusstatistika näitajate süsteem.Enamik ökonomeetrias kasutatavaid arvandmeid on hangitud statistikaorganite poolt.Kogutud info võimaldab anda hinnangut Eesti põllumajanduse mineviku ja hetkeolukorra kohta ning prognoosida põllumajanduse võimalusi tulevikus.Mistahes statistilist näitajat iseloomustavad järgmised tunnused:
1. Statistilisel näitajal on olemas nii kvantitatiivne kui ka kvalitatiivne
külg (mistahes näitaja omab arvulist väärtust ja vastavat mõõtühikut),
2. Statistiline näitaja on oma olemuselt üldistav näitaja,
3. On ajalooliselt konkreetne (näitajal on olemas nii aja kui koha koordinaadid),
4. On oma olemuselt olulised karakteristikud (tunnused).
Näitajaid võib süstematiseerida vägagi erinevate tunnuste alusel:
 Esiteks:Tootmisharude järgi:
1. Taimekasvatust iseloomustavad näitajada) teraviljakasvatust iseloomustavad näitajadb) kartulikasvatust iseloomustavad näitajadc) heinakasvatust iseloomustavad näitajadd) linakasvatust iseloomustavad näitajad jne.2.Loomakasvatust iseloomustavad näitajad:a) veisekasvatust iseloomustavad näitajad
b) sekasvatust iseloomustavad näitajadc) linnukasvatust iseloomustavad näitajad jne.
Teiseks:Näitajate süstematiseerimine nende osavõtu järgi tootmisprotsessis:
1. Tootmisressursside olemasolu ja nende kasutamist iseloomustavad näitajad
a) põllumajandusliku maa olemasolu, maa kvaliteedi ja maa kasutamist iseloomustavad b) tööjõu olemasolu, tööjõu kvaliteedi ja tööjõu kasutamist iseloomustavad näitajad c) hoonete ja masinate olemasolu, hoonete ja masinate kvaliteedi ja nende kasutamist iseloomustavad näitajadd) Ilmastikku iseloomustavad näitajad2. Tootmistulemusi iseloomustavad näitajad a) tootmise mahtu iseloomustavad näitajad b) tootmise struktuuri iseloomustavad näitajad
c) tootmise intensiivsust iseloomustavad näitajadd) tootmise efektiivsust iseloomustavad näitajad e) toodangu kvaliteeti iseloomustavad näitajad
3. Toodangu realiseerimist (turustamist) iseloomustavad näitajad:
a) naturaalsed näitajad b) rahalised näitajad
4. Põllumajandusettevõtte majanduslikku tegevust iseloomustavad näitajad:
a) kogutoodangut iseloomustavad näitajad b) sissetulekuid iseloomustavad näitajad
c) tootmiskulusid iseloomustavad näitajadd) ettevõtte maksustamist iseloomustavad näitajad Maastatistika ülesanded. Maade kasutamist iseloomustavad näitajad. Maafondi dünaamika.Maa on esmaseks ja põhiliseks tootmisressursiks põllumajanduslikus tootmises.
Maa liigitatakse põllumajandusliku kasutamise otstarbe järgi järgmisteks
kõlvikuteks:a) põllumajandusmaa b) mittepõllumajandusmaa
Põllumajandusmaa omakorda liigitatakse järgmiselt:
a) põllumaa b) viljapuu- ja marjaaiad c) loodulik rohumaa
Maakasutust iseloomustavad näitajad: Vaadeldaval perioodil on muutumatuks
jäänud territoorium , metsamaa ja vee all olev maa. 1998.a. põllumajanduslik
maa vähenes 17 tuhande ha võrra ja vastavalt sama suuruse võrra suurenes
muu maa. Põllumajanduslik maa vähenes nii põllumaa, vilja- ja marjaaedade
ja loodusliku rohumaa arvel. Maa kui ressurss on alati piiratud, sest maismaa
ja riikide territooriumid on konstantsed. Kui mingi maade arvestuskategooria
suureneb, siis teine arvestuskategooria peab vähenema.
Põllumajandusliku maa vähenemise peamiseks põhjuseks on asjaolu, et asulate
ja linnade territooriumid suurenevad eeskätt põllumajandusliku maa arvelt.
Põllumajandusliku tootmise seisukohalt on kõige tähtsam põllumaa, selat
saadakse põhiline taimekasvatustoodang. Alates 1990.a. loetakse põllumaa
hulka ka kultuurkarjamaa ja kultuurheinamaa.Maa kvaliteedinäitajad.
Erinevad mullad on erineva kvaliteediga -; erineva põllumajandusliku
väärtusega. Maa hind ei sõltu mitte ainult maa põllumajanduslikust väärtsest
, vaid sõltub ka maa asukohast.Nii on suurlinnade tsentris maa kümneid või
isegi sadu kordi kallim kui põllumaa ääremaadel. Kuid ka põllumaa on linnade
läheduses kallim kui ääremaadel.Nõukogude Liidus maa ei olnud ostu -; müügi objektiks , ning seetõttu puudus maal ka hind. Maa kvaliteedi iseloomustamiseks töötati välja tinglikud skaalad -; nn hindepunktid ehk maa boniteet .Eestis kasutatava maa kvaliteedi iseloomustava näitaja -; hindepunktide väljatöötamisel on lähtutud mulla looduslikust viljakusest.. Eesti põllumaa keskmine hindepunkt on ligikaudu 43 palli. Parimate maade hindepunkt ulatub ca 60 punktini ning halvemate maade hindepunkt on ainult ca 25 palli.
Külvipindade statistika ülesanded.Arvestuskategooriad. Külvipindade dünaamika.Esimeseks tingimuseks taimekasvatustoodangu saamiseks maa olemasolu, selle harimine ja seemnete külvamine. Kasvupinna suurus on kõige olulisemaks teguriks,millest sõltub taimekasvatustoodangu maht. Kasvupindade kohta peetakse arvestust kultuuride ja kultuuride rühmade lõikes. Eesti statistika peab kasvupindade eraldi arvestust talude, elanike majapidamiste ja ettevõtete lõikes.
Üksikasjalikuma statistilise arvestuse korral eristatakse nelja erinevat
kasvupinna  kategooriat:
a) seemendatud pind b) kasvupind (külvipind)c) koristuspindd) tegelikult koristatud pind Seemendatud pind.- kuhu on külvatud seeme. Seemendatud pind võib olla tegelikust olemasolevast pinnast suurem, see on võimalik siis, kui talivili ikaldub
ja põld haritakse üles ja seejärel seemendatakse uuesti. Nimatud näitaja
majanduslik sisu seisneb selles, et ta kaudselt iseloomustab tööde mahtu,
mida oli vaja teha maade külviks ettevalmistamisel.
Kasvupind-määratakse kindlaks kevadel peale kultuuride tärkamist ja iseloomustab
seda pinda millelt on võimalik saada saaki. Selle pinna alusel toimub ka
saagikuse arvutamine.Koristuspind- määratakse kindlaks vahetult enne koristuse algust. Sellel pinnal on saak valminud ja koristamiseks küps.
Tegelikult koristatud pind -; määratakse kindlaks peale koristamise
lõppu ja see on pind, kus tegelikult toimus koristus .Ideaalses olukorras on need neli näitajat kõik võrdsed. Kui on tegemist halva põllumajandusaastaga, siis kõik need näitajad või osa neist erinevad üksteisest.Kui seemendatud pind on suurem kasvupinnast , siis osa seemendatud kultuure on ikaldunud ning uuesti külvatud. Kui koristuspind on kasvupinnast väiksem,siis viitab see sellele, et suvi on olnud kas väga kuiv või väga vihmane.Kui tegelikult koristatud pind on väiksem kui koristuspind, siis on koristustingimusedolnud väga halvad.Statistiliste näitajate dünaamika all mõistetakse vastavate näitajate muutumist aja jooksul. Näitajate dünaamikat iseloomustavad statistiliste näitajate aegread. Dünaamika analüüsi eesmärgiks on:
a) anda hinnang analüüsitava näitaja kujunemisele analüüsitava perioodi
kestel b) välja selgitada need põhjused, mis on oluliselt mõjutanud analüüsitava
näitaja kujunemist c) prognoosida analüüsitava näitaja kujunemist lähemas või kaugemas tulevikus.Kokkuvõtvalt võib märkida järgmist:
1. Kogu kasvupind vähenes 1960.-ndaks aastaks seetõttu, et osa ennesõjaaegsete
talude väikesi põllulappe langes põllumajanduslikust tootmisest välja, võsastus
ja võeti hiljem metsana arvele. Kasvupinna vähenemine 1990.-ndatel aastatel
on tingitud kogu põllumajanduse allakäigust. 250 tuhat ha põllumaad on praegu
söötis.2. Enne sõda oli teravilja kasvupind ja teravilja kasvupinna osakaal suurim.
Viimastel aastatel on  teravilja kasvupind ja teravilja kasvupinna osakaal
hakanud suurenema.3. Kartuli kasvupind on pidevalt vähenenud.
4. Lina kasvupind on kõige rohkem vähenenud -; peaaegu 260 korda.
5. Muude kultuuride kasvupind on suurenenud ligikaudu 8 korda.
Kogusaaki ja saagikust iseloomustavad näitajad. Põhinäitajate dünaamika.
Kogusaak ja saagikus on kõige tähtsamad taimekasvatust iseloomustavad statistilised
näitajad.Statistilise arvestuse korral eristatakse nelja erinevat kogusaagi
ja saagikuse kategooriat (kehtivad eelkõige teravilja kohta):a) kogusaagi ja saagikuse prognoos b) bioloogiline kogusaak ja saagikus c) kogusaak ja saagikus esialgses kaalus d) kogusaak ja saagikus aidakaalus.
Kogusaagi ja saagikuse prognoos määratakse kindlaks kevadel peale kultuuride
tärkamist, st. samal ajal kui määratakse kindlaks kasvupind. Valikvaatlustega
hinnatakse tärganud kultuuride tihedust ja võrsumist ning selle alusel prognoositakse
saagikus ja kogusaak.Bioloogiline kogusaak ja saagikus määratakse kindlaks valikvaatluste teel vahetult enne koristamise algust. Bioloogiline kogusaak ja saagikus on kogusaagi ja saagikuse potentsiaalne maksimum.Kogusaak ja saagikus esialgses kaalus (punkrikaalus) määratakse kindlaks koristuse käigus. Kogusaak ja saagikus esialgses kaalus iseloomustavad koristuse käigus tehtud tööde mahtu.
Kogusaak ja saagikus aidakaalus. On kogusaagi ja saagikuse põhiliseks näitajaks.
Taimekasvatuse kogutoodangu üldistavaks näitajaks on taimekasvatuse kogutoodang
söötühikutes.Kogusaagi ja saagikuse dünaamika . Kokkuvõtvalt võib märkida järgmist:1. teravilja kogusaak sõltub ellkõige kahest tegurist: kasvupinnast ja saagikusest.Teravilja kogusaak vähenes 1960.-ndaks aastaks seetõttu, et vähenes teraviljakasvupind.2.Kartuli kogusaak oli kõige kõrgem aastatel 1960 -; 1970. Hiljem on kartuli kogusaak pidevalt vähenenud. Peamine põhjus on selles, et varem oli kartul oluline söödakultuur.3. Mitmeaastase heina kogusaak on oluliselt suurenenud.Kogusaagi ja saagikuse ökonomeetriline analüüs.
Mudelite koostamisel on aluseks teoreetilised seisukohad nii taimekasvatuse,
tootmise korralduse kui ka põllumajanduse ökonoomika valdkonnast. Saagikusest
rääkides mõistame me selle all statistikaameti poolt kogutud ja avaldatud
näitajat. Saagikust mõjutavad nii bioloogilised kui ka majanduslikud tegurid
(põhjused).Saagikust mõjutavaid põhjusi (tegureid) võib käsitleda oma olemuselt kvalitatiivses laadis: mulla looduslik viljakus, mullaharimiskultuur, väetamine,ilmastik,tootmistingimused, tootmise maht jne. Enamikul juhtudel kvalitatiivseid põhjusi saab iseloomustada ühe või mitme arvnäitajaga (kvantitatiivse teguriga ),seejuures igal arvnäitajal on alati mõõtühik. Ökonomeetrilises mudelis on
kasutatavad ainult arvnäitajad.Saagikust mõjutavad tegurid (sõltumatud muutujad) võib jaotada oma olemuselt nelja rühma:1. Otseselt saagikust mõjutavad tegurid:a) mulla looduslik viljakus (hindepunkt),b) väetamise tase, mille mõju on võimalik iseloomustada mitme erineva arvnäitajaga(sõnniku kogus ühele ha, min.väetisi ühele ha jne.)c) seemnete kvaliteet, mille arvnäitajaks võib olla eliitseemnega seemendatud pinna osakaal.d) Tootmistehnoloogia, mille arvnäitajaks võib olla selle pinna osakaal üldpinnast kus konkreetset tehnoloogiat rakendati
e) Ilmastik (sademete hulk, temper . summa jne) f) Üldised tootmistingimused (näiteks kogutoodang ühe ha põllumaa kohta,toodangu müük ühe ha kohta jne)
g) Tootmismahtu iseloomustavad näitajad (kogusaak, kasvupind jne.)
h) Spetsialiseerimise taset (astet) iseloomustavad näitajad.
Loomade arvu iseloomustavad näitajad. Loomade arvu dünaamika.
Loomade olemasolu on esmaseks tingimuseks loomakasvatustoodangu saamiseks.
Loomade arv on kõige olulisemaks teguriks, millest sõltub loomakasvatvatus-
toodangu maht. Loomade arvu kohta peetakse arvestust looma liikide ja vanusrühmade lõikes. Eesti statistika peab loomade arvu kohta eraldi arvestust talude,
elanike majapidamiste ja ettevõtete lõikes.Loomade arvu statistilist arvestust peetakse kahe erineva näitaja abil:1. Loomade arv teatud kuupäeva seisuga (tavaliselt aastavahetuse seis),2. Aasta keskmine loomade arv
Loomade arv teatud kuupäeva seisuga.- kujutab endast tavalist inventuuri
näitajat. Selle näitaja alusel ei saa anda hinnangut loomakasvatuse tootmispotentsiaali
kohta. Asi on selles, et loomade arv aasta kestel pidevalt muutub.Loomi
sünnib juurde, loomi viiakse ühest vanuserühmast teise, loomad viiakse tapamajja
jne.Nimatatud näitaja eelis seisneb selles, et seda on lihtne hankida.
Aasta keskmine loomade arv on põhiline loomakasvatuse tootmispotentsiaali
iseloomustav näitaja. Aasta keskmise loomade arvu järgi saame hinnata võimalikku
loomakasvatustoodangu mahtu, hinnata vajaminevat söödakogust jne.
Puuduseks on asjaolu, et seda on keerulisem hankida. Aasta keskmise loomade
arvu arvutamiseks kasutatakse kahesugust metoodikat:
1. Aasta keskmine loomade arv leitakse kronoloogilise keskmise abil,
2. Aasta keskmine loomade arv leitakse söötmispäevade alusel.
3. Kronoloogiline keskmine on vähem täpne ja seda kasutatakse  vähemväärtuslike
loomade ( linnud , lambad , vasikad, sead jne.) aasta keskmise arvu leidmiseks.
Suurema väärtusega loomade (lehmad, hobusd, pullid jne.) aasta keskmine
arv leitakse söötmispäevade alusel. Selleks on vaja kõikide loomade jaoks
pidada arvestust selle kohta, mitu päeva üks või teine loom on karjas olnud.
Kõikide loomade söötmispäevad liidetakse ja saadud summa jagatakse 365-
ga. Kui mingi loom on terve aasta karjas olnud, siis tema jaoks arvestuslik
söötmispäevade arv on 365. Kui mingi loom läheb aasta keskel karjast välja,
siis tema jaoks lähevad arvesse karjas oldud päevade arv. Kui mingi loom
tuleb aasta keskel karja, siis tema jaoks lähevad arvesse karjas oldud päevade
arv. Sisuliselt on tegemist kaalutud aritmeetilise keskmisega, kusjuures
iga looma kaaluks on karjas oldud päevade arv.Loomade arvu dünaamika:
1.Peale sõda vähenes veiste arv võrreldes sõjaeelsega oluliselt. Kuid juba
1970.a. veiste arv ületas ennesõjaeelse taseme. Edasi veiste arv suurenes
veelgi. Veiste arv oli suurim 1983.a. Peale seda hakkas veiste arv vähenema.
1990.-ndatel aastatel on veiste arv pidevalt vähenenud.
2.Sigade arv on muutunud hoopiski suuremates piirides. Suurim oli sigade
arv 1983.a.. 1999.aastaks oli sigade arv väiksem kui enne sõda.
3. Lammaste arv on pidevalt vähenenud ja moodustas  1999.a. alla 10 protsendi
ennesõjaaegsest tasemest.4. Hobuste arv on veelgi kiiremini vähenenud.
5. Lindude arv on muutunud analoogselt sigade arvuga.  Lindude arv kasvas
kiiresti ja ületas 1980.a. 6 miljoni piiri ja edaspidi oluliselt ei suurenenud.
Viimasel kahel aasta lindude arv on natuke tõusnud.
Loomakasvatustoodangut iseloomustavad näitajad (toodangu mahu ja intensiivsusnäitajad).Põhinäitajate dünaamika.
Loomakasvatuse kogutoodangu statistilise arvestuse korral võib eristada
kolme erinevat kogutoodangu arvestuse viisi:a) kogutoodang naturaalsetes ühikutes (tonnides, tükkkides jne.)b) kogutoodang rahalises vääringusc) kogutoodang nn. valgu-rasvaühikutes.Kogutoodang naturaalsetes ühikutes.on kõige põhilisem loomakasvatuse kogutoodangut iseloomustav näitaja. Nimetatud näitaja kasutamise korral iga loomakasvatustoodangu liigi kohta saadakse erinevad näitajad vastavates mõõtühikutes.Kogutoodang rahalises vääringus võimaldab ühe ainsa arvuga iseloomustada kogu loomakasvatuse kogutoodangut.Kogutoodang nn valgu -; rasvaühikutes on teiseks võimaluseks (rahalise vääringu kasutamise kõrval) iseloomustada loomakasvatuse kogutoodangu ühe arvnäitajaga. Nimatatud näitaja kasutamise korral teisendatakse kogu toiduks tarbitav loomakasvatustoodang valgu -; rasvaühikutele.Need kogused summeeritakse ja saadakse kogutoodang nn valgu -; rasvaühikutes.Loomakasvatuse  produktiivsust iseloomustavaks näitajaks on loomakasvatustoodang ühe looma kohta ( piimatoodang lehma kohta aastas, munatoodang kana kohta aastas, villatoodang ühe lamba kohta aastas).
Põhinäitajate dünaamika.1. Liha kogutoodang sõltub eelkõige realiseeritud loomade arvust. Liha kogutoodangust moodustab põhilise osa sealiha . Juba 1960.a. ületas liha kogutoodang ennesõjaaegse taseme. 1983.a. ületas liha kogutoodang 200 tuhande tonni piiri ja edaspisi oluliselt ei suurenenud.2. Veiseliha kogutoodang sõltub eelkõige veiste arvust. Koos veiste arvu suurenemisega on suurenenud ka veiseliha kogutoodang. Aasatel 1997 -;1999 liha kogutoodang stabiliseerus 19 tuhande tonni tasemel, kuid oli väiksem kui enne sõda.3. Suurim oli sealiha kogutoodang 1987.a. 127,2 tuhat tonni, ületades ennesõjaeelset taset 3,1 korda. Aastatel 1996.. 1998 sealiha kogutoodang stabiliseerus 30 tuhande tonni tasemel, kuid oli väiksem kui enne sõda.4. Lambaliha toodeti enne sõda küllaltki palju. Seoses lammaste arvu pideva vähenemisega  on vähenenud ka lambaliha kogutoodang. Aastatel 1996 .. 1999
stabiliseerus lambaliha kogutoodang 0,5 tuhande tonni tasemel, moodustades
ainult 7,7% sõjaeelsest tasemest.5. Linnuliha kogutoodang saavutas sõjaeelse taseme alles 1960.a. 1989.a.-; 25,4 tuhat tonni oli linnuliha kogutoodangu maksimaalne tase, ületades ennesõjaeelset 14,1 korda. Aastatel 1996 .. 1997 linnuliha kogutoodang stabiliseerus 4,4, tuhande tonni tasemel. Linnuliha on ainus lihaliik, mille kogutoodang käesoleval ajal ületab sõjaeelset taset.6. Piima kogutoodang oleneb otseselt lehmade arvust ja produktiivsusest.Suurim oli piima kogutoodang 1987.a., ületades ennesõjaeelset taset 1,65 korda. Aastatel 1995 -; 1998 piima kogutoodang stabiliseerus 700 tuhande tonni tasemel, kuid oli väiksem kui enne sõda.
7. Munade kogutoodang sõltub eelkõige kanade arvust ja produktiivsusest.
Aastatel 1995 -; 1999 munade kogutoodang stabiliseerus  300 miljoni
muna tasemel, moodustades rekordaastast  50% ning ületades sõjaeelset taset
2,2 korda.8. Villa kogutoodang sõltub eelkõige lammaste arvust. Kuna lammaste arv
pidevalt vähenes, siis pidevalt on vähenenud ka villa kogutoodang.
9. Piima produktiivsus. Üle 4000 kg lehma kohta aastas oli piima produktiivsus
kuni 1991.aastani. Edaspidi piima produktiivsus langes saavutades miinimumi
1993.aasdtal ( 3322 kg lehma kohta aastas) ja seejärel hakkas uuesti tõusma,
saavutades kõigi aegade rekordtaseme 1998.a. -; 4456 kg lehma kohta
aastas.10. Munatoodang ühe kana kohta on üks stabiilsemaid näitajaid.1998.a. kõige
suurem munatoodang ühe kana kohta aastas -; 298 muna kana kohta aastas.
11. Kokkuvõtvalt võib märkida, et loomakasvatuse kogutoodangu näitajad välja
arvatud linnuliha ja munade kogutoodang on käesolevaks ajaks langenud madalamale
tasemele kui vastavad näitajad olid enne sõda. Parem on olukord produktiivsusnäitajate osas. Siin on kõrgemad näitajad just analüüsitava perioodi viimasel aastal.Loomakasvatuse ökonomeetriline analüüs.
Piima produktiivsuse  ökonomeetrilise mudeli koostamisel tuleb arvestada
seda, et piima produktiivsust mõjutavad nii bioloogilised kui ka majanduslikud
tegrurid (põhjused).
Piima produktiivsust mõjutavad tegurid võib jaotada nelja rühma:
1. Söötmise taset iseloomustavad näitajad ( söötasid kooku söötühikutes
ühe lehma kohta, jõusööta ühe lehma kohta, koresööta ühe lehma kohta, haljassööta
ühe lehma kohta jne.)2. Lehmade geneetilist potentsiaali iseloomustavad näitajad ( eliit, rekordeliit,mustakirju tõugu lehmade osakaal karjas, punast tõugu lehmade osakaal karjas jne.)3. Pidamistingimusi iseloomustavad näitajad.
4. Organisstsioonilised meetmed.On teada, et talvekuudel poeginud lehmade
produktiivsus on sama söötmistaseme korral kõrgem kui suvekuudel poeginud
lehmadel.Produktiivsust mõjutab õigeaegne seemendamine ja lehmade kinnijätmine.
5. Üldised tootmistingimused (näiteks  kogutoodang ühe ha põllumaa kohta,
toodangu müük ühe ha kohta, ka mulla hindepunkt)6. Tootmismahtu iseloomustavad näitajad ( aasta keskmine lehmade arv, piima kogutoodang jne.)
7. Soetsialiseerimise taset  iseloomustavad näitajad (loomakasvatuse osakaal
kogu ettevõtte müügimahust, piimatootmise osakaal loomaksvatustoodangus
jne.)Arvandmete kasutamisel tuleb silmas pidada seda, et enamik statistikaameti
 poolt kogutud näitajad on oma olemuselt tootmismahu näitajad, olenemata
sellest mis on vastava näitaja nimeksMasinate ja seadmete statistika. Masinate arvu dünaamika.20.Rahvastiku statistika. Rahva arvu ja rahvastiku taastootmist iseloomustavate näitajate dünaamika.
Rahvastiku statistika ülesandeks on:1.määrata kindlaks rahvaarv soo ja vanuserühmade lõikes2.määrata kindlaks rahvastiku territoriaalne paiknemine
3.Analüüsida elanikkonna soolist ja vanuselist struktuuri ja rahvastikku
koosseisu 4.Analüüsida rahvastiku taastootmist 5.Analüüsida rahvastiku liikumist ( migratsiooni )Rahvaarvu statistika. Rahvaarvu statistilist arvestust peetakse kahe erineva näitaja abil:1. Rahvaarv 1.jaanuari seisuga 2.Aastakeskmine rahvaarv
Rahvaarv 1.jaanuari seisuga kujuneb välja vastavate jooksvate registreerimisandmete
kokkuvõtete tulemusena.. Sünde, surmajuhtumeid, abielude sõlmimisi ja abielulahutusi registreerivad perekonnaseisuametid. Riigist väljarännet ja riiki sisserännet registreerib migratsiooniamet. Lisaks jooksvale arvestusele määratakse rahvaarv kindlaks spetsiaalse statistilise vaatluse -; rahvaloenduse teel.
Aastakeskmine rahvaarv on elanike arvu aasta alguse ja lõpu poolsumma. See
näitaja iseloomustab täpsemalt rahvaarvu aasta kestel ja seda näitajat kasutatakse
rahvastiku taastootmist iseloomustavate kordajate arvutamisel.
Rahvaarvu dünaamika.1. Sõjajärgsel perioodil kasvas Eesti rahvaarv suurel määral sisserände tõttu. 1990.a. hakkas rahvaarv aga kahanema .2. Linnaelanike osakaal kogu rahvastikust kasvas sõjajärgsel perioodil oluliselt,saavutades maksimumi 1987.a. Edasi linnaelanike osakaal hakkas tasapisi langema .3. Rahvastiku tiheduse näitaja muutumine on tingitud rahvaarvu muutumisest.4. Meeste osakaal kogu rahvastikust oli kõige väksem peale sõda. Seejärel antud näitaja tasapisi kasvas kuni aastani 1992. Seejärel hakkas jälle vähenema.5. Eestlaste üldarv oli kõige suurem enne sõda, kõige väksem peale sõda.Seejärel eestlaste üldarv hakkas kasvama ja saavutas maksimumi 1991.a. Seejärel eestlaste üldarv on hakanud vähenema. Peamiseks põhjuseks on sündimuse vähenemine.6. Eestlaste osakaal rahvastikust oli kõige suurem enne sõda. Seejärel antud näitaja kahanes kuni 1989.aastani ja seejärel hakkas jälle suurenema.
Rahvaarvu muutumist iseloomustavad näitajad.Rahvaarv muutub pidevalt. Nende protsesside iseloomustamiseks kasutab statistika rida erinevaid näitajaid:
- sündimuskordajad- suremuskordajad- loomuliku iibe kordaja- sisserände kordaja
- väljarände kordaja- rände saldo
Sündimuskordajad omakorda liigitatakse järgmiselt:
- üldine sündimuskordaja- sündimuse vanuskordajad- summaarne sündimuskordaja
Üldine sündimuskordaja arvutatakse järgmiselt: aasta jooksul sünnitatud
laste arv jagatakse aastakeskmise rahvaarvuga ja korrutatakse 1000-ga.Sündimuse
vanuskordajad arvutatakse kas vanusaasta või viieaastase vanusrühma kohta.
Antud vanuses naiste poolt sünniatud laste arv jagatakse samas vanuses olevate
naiste arvuga ja korrutatakse 1000-ga. Nii saadakse sündide arv vaadeldava
vanusrühma 1000 naise kohta.Summaarne sündimuskordaja arvutatakse sel teel,
et aasta jooksul sünnitatud laste arv jagatakse viljakas eas olevate naiste
arvuga ja tulemus väljendatakse promillides.
Suremuskordjad liigitatakse järgmiselt:- üldine suremuskordaja -aasta jooksul surnute arv jagatakse aastakeskmise rahvaarvuga ja korrutatakse 1000-ga.
- suremuse vanuskordajad-arvutatakse kas vanusaasta või viieaastase vanusrühma
kohta. Antud vanuses surmajuhtude arv jagatakse samas vanuses olevate inimeste
arvuga ja korrutatakse 1000-ga. Nii saadakse surmajuhtude arv vaadeldava
vanusrühma 1000 inimese kohta.Loomuliku iibe kordaja kujutab endast üldise sündimuskordaja ja üldise suremuskordaja vahet Sisserände kordaja -;aasta jooksul sisse rännanute arv jagatakse aastakeskmise rahvaarvuga ja korrutatakse 1000-ga.Väljarände kordaja -; aasta jooksul välja rännanute arv jagatakse aastakeskmise rahvaarvuga ja korrutatakse 1000-ga.Rände saldo- sisserände kordaja ja väljarände kordaja vahe.Rahvaarvu muutumist iseloomustavate näitajate dünaamika1. Kõige suurem oli sündide arv aastatel 1986 .. 1989. Kõige rohkem sündis lapsi 1987.a. Seejärel sündide arv hakkas vähenema.2. Surmajuhtumite arv oli peale sõda suhteliselt väike, kuna elanikkond oli sisserändajatest tingituna suhteliselt noor. Seejärel antud näitaja pidevalt suurenes kuni 1994.a. saavutas maksimumi. Viimastel aastatel surmajuhtumite arv on vähenenud.
3. Üldine sündimuse kordaja jäi kuni 1989.aastani praktiliselt sõjaeelsele
tasemele. Seejärel hakkas vähenema.4. Üldine suremuse kordaja sõltub eelkõige elanikkonna vanuselisest struktuurist ja elanikkonna tervisest.
5. Loomuliku iibe kordaja oli kuni 1989.a. positiivne. Seejärel muutus negatiivseks.
6. Keskmine eluiga on integraalne näitaja, mills leiab kajastamist rahva
elatustase, tervishoiualane olukord jne. Eesti elanike keskmine eluiga peale
sõda suurenes, saavutades kõrgeima taseme 1989.a. Seejärel keskmine eluiga
hakkas vähenema.7. Eesti meeste keskmine eluiga on kogu aeg olnud väiksem kui naistel.24.Makromajanduslikud ökonomeetrilised mudelid.
a) Kleini mudelid b) ----------------;what-if----------------; (mis siis,kui-;) mudelid
c) if-only (----------------;kui-;.----------------;) mudelid d) ----------------;rational expectations ----------------; (ratsionaalsete ootuste) mudelid
e) NAIRU mudelid f) HERMES mudelid g) Üleminekumajanduse makromajanduslikud mudelid h) Eestis koostatud makromajanduslikud mudelid
Kleini mudel-Kleini peamine mudel koosneb kolmest struktuursest võrrandist e. Käitumisvõrrandist ja kolmest makromajanduslikku tasakaalu kirjeldavast samasusest e. seosevõrrandist.Struktuursed võrrandid on tarbimisvõrrand, investeeringute võrrand ja erasektori palgavõrrand.Tarbimisvörrand -;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;.
.Wp -; erasektori palgad
Wg -  riigisektori palgad
P -; kasum
Pt-1  - eelmise perioodi kasum
-;-;-; juhuslik liidetav
Investeeringute võrrand -;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;.
.K -; kapital
-;.. -; juhuslik liidetav(komponent)
Erasektori palgavõrrand  -;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;.
.X -; rahvatulu
T -; maksud
t- ajategur
Xt-1 -; eelmise perioodi rahvatulu
Tt-1 -; eelmise perioodi maksud
Wg,t-1 -; eelmise perioodi riigisektori palgad
-;3 -; juhuslik liidetav (komponent)
Maktomajanduslikku tasakaalu kirjeldavad seosevõrrandid
Rahvatulu (X) jaguneb tarbimiseks ( C ) , investeeringuteks (It) ja valitsemiskuludeks
( G):    Xt = Ct + It+ Gt
Kasum (P) kujuneb rahvatulu (X), erasektori palga (Wp) ja maksude (T) vahest:
Pt = Xt -; Wp,t, - Tt
Kapital koosneb eelmise aasta kapitalist ( Kt-1) ja jooksva aasta investeeringutest
( I):
Kt = Kt-1 + I t
NAIRU ökonomeetriline mudel-Selle mudeli eesmärgiks on hinnata (määrata kindlaks)  selline tööpuuduse tase, mis veel ei põhjusta inflatsiooni kasvu (kiiirenemist.). NAIRU mudelil on kaks põhilist varianti.
Esimene variant: -;-;-;-;-;-;-;-;-;-;.P -; hindade tase Ur -; töötuse taseUr -  NAIRU e. inflatsiooni mittemõjutav töötuse tase -;-;.. -; mudeli parameetrid
Teise varianti moodustavad järmised võrrandid
-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;.
N -; võimalik viitaeg tööpuuduse arvestamisel
K -; võimalik viitaeg inflatsiooni arvestamisel
Modelleerimine ratsionaalsete ootuste põhjal (rational expectations)
Antud juhul eeldatakse (arvestatakse ka mudeli koostamisel) ,et  modelleerimise
subjektid (ettevõtted, turul tegutsevad individuaaltootjad , tarbijad )
 käituvad ratsionaalselt ,st. nad võtavad vastu otsuseid, mi on neile (isiklikult)
kasulikud.
Ratsionaalne kaäitumine tähendab ka seda, et inimesed ei korda enam varem
tehtud vigu. Kasutada olev informatsioon peaks sisaldama:
a) teavet valitsuse poolt juba vastu võetud poliitiliste otsuste kohta
b) teavet sellest, kuidas valitsuse stateegilised otsused muutuvad siis,
kui majandusindikaatorid hakkavad muutuma
Teatud ootused on majanduslike otsuste tegemisel üheks oluliseks tingimuseks.
Kuna ratsionaalsed ootused eeldavad, et inimesed otsuste vastuvõtmisel lähtuvad
nende käsutuses olevast infost ning käituvad kõige ratsionaalsemal viisil,
siis nimetatud eelduste kohaselt kättesaadava  informatsiooni hulk oluliselt
mõjutab nende käitumist.HERMES makroökonoomilised mudelid
Eesmärgiks oli koordineerida rahvusvaheliste mudelite süsteemi väljatöötamisest
selliselt , et iga riik saaks arvestada oma eripära ning samaaegselt mudelid
oleksid integreeritavad ühtsesse mudelite süsteemi. Prpjekt käivitus 1981.
a. ning esimene töötav mudel valmis 1985.a. Projekti hinnatavaks tulemuseks
oli ka ühtsetele metoodilistele alustele ja usaldusväärsetele tagasisidele
baseeruva rahvusvahelise infosüsteemi loomine.
Konkreetse HERMES metoodika põhineva makroökonoomilise mudeli näiteks olgu
Kreeka majanduse kohta koostatud mudel. Modelleerimise eesmärgiks oli analüüsida
täiendavate investeeringute mõju erinevate majandussektorite arengule, kusjuures
põhirõhk oli asetatud finants ja välissektori arengu ja kapitali liikumise
modelleerimisele. Mudeli abil analüüsiti kolme võimalikku arengu stsenaariumi:
1. Kreeka majanduse areng ilma EÜ abiprogrammita.
2. Abiprogrammi raames rakendatakse pakkumist elavdavaid meetmeid, mis on
eelkõige suunatud tootmise laiendamisele.
3. Abiprogrammi raames rakendatakse nõudlust elavdavaid meetmeid ,mis on
suunatud põhiliselt majapidamiste täiendavale finantseerimisele.
Pakkumise poole stimuleerimine avaldab mõju teatud viitajaga ning investeeringute
mõju avaldub täielikult alles pärast abiprogrammi lõppu. Näiteks võimaldavad
pakkumise poole meetmed vähendada edaspidi pikaajalist töötust ning suurendada
tööhõivet.Eestis välja töötatud makroökonoomilised mudelid
Eesti Panga esialgsed mudeliversioonid põhinevad Maailmapanga majandusliku
tasakaalu- ja prognoosimudelite RMSM (World Bank Revised Minimum Standard
Model). Mudel on suunatud makromajandusliku tasakaalu hindamisele. Mudeli
põhiversioon sisaldab 430 muutujat ja koosneb kaheksast plokist:
1. Elanikkond ja tööjõud 2. Sisemajanduse koguprodukt 3. Import 4. Eksport
5. Maksebilanss 6. Võlavajadus 7. Teenindatavad võlad 8. Võlgade teenindamise näitajad .Eestis nagu ka teistes üleminekumaades takistab oluliselt mudelite rakendamist kaks asjaolu:1. Mudeli parameetrite hindamiseks puuduvad usaldusväärsed arvandmed (aegread)2. Mudeli aluseks olevad teoreetilised seisukohad on mitteküllaldaselt läbi töötatud ja põhjendatud. Eesti Panga mudeli edasiarendamise põhiesmärgiks on luua mudel, mida saab kasutada planeerimisel ja pikajalisel prognoosimisel.Eesti Rahandusministeerium tegeleb oma makromudeli väljatöötamisega, kusjuures tuginedes Soome Rahandusministeeriumi kogemustele ja abile. Mudeli parameetrite hindamisl on kasutatud kvartali andmeid. Eesti Rahandusministeeriumi mudel modelleerib väikest avatud majandust, mille majanduspoliitika põhijooned tulenevad suures osas 1992.a. sõlmitud kokkulepetest Rahvusvahelise Valuutafondi ja Maailmapangaga.Mudeli esialgne versioon sisaldab vaid 15 käitumisvõrrandit, mille abil on kirjeldatud ekspordi, impordi, eratarbimise, hindade,investeeringute,tööhõive, palga jt. Põhiliste majandusnäitajate kujunemist ning dünaamikat.Modelleeritake ka sisemajanduse koguprodukti kujunemist, tootmist ja kapitali liikumist. Rahandusministeeriumi mudel on eelkõige suunatud majanduspoliitika simuleerimisele ning majanduspoliitiliste otsuste võimalike alternatiivvariantide hindamisele.25.Simulatsioonil baseeruvad ökonomeetrilised mudelid. Näide taoliste mudelite koostamisest .
Mittelineaarsed simulatsioonil baseeruvad ökonomeetrilised mudelid.
Ökonomeetriliste mudelite erijuhu moodustavad sellised mudelid, mille korral
lähteandmeteks ei ole mitte statistikaameti poolt hangitud arvandmed, vaid
arvutuslikud suurused, mis on saadud eelneva modelleerimise tulemusena.
Selliseid mudeleid nim. simulatsioonil baseeruvateks mudeliteks.
Näide: Sealiha arvutusliku omahinna ökonomeetrilise mudeli koostamisest.
Omahind on leitav järgmise eeskirja järgi
                    O = K
                            M
O -; sealiha omahind
K -; arvutuslikud kulutused sealiha tootmisel
M- sea realiseerimismass
Sealiha tootmisel kulutused koosnevad:
- söödakulud  - K
- põrsa ostuga seotud kulud -; K
- - nn farmikulud  - K
Sigade nuumamine jaotatakse teatud etappideks (perioodideks) Kogu nuumaperioodi
pikkus n  perioodi.
a) perioodi kestel planeeritav sea kehamassi suurenemine M-kg
b) plaanitav ööpäevane massi-iive  m -; grammides
c) päevase optimaalse söödaratsiooni maksumus k -; kroonides
d) arvutuslik aeg vajaliku juurdekasvu saamiseks  p -; päevades
e) arvutuslik sööda maksumus vajaliku juurdekasvu saamiseks K -;kroonides
Igat nuumaperioodi iseloomustavad tulemusnäitajad (perioodi kestvus p päevades
ja kulutatud sööda maksumus K) leitakse järgmiselt:
P=M . 1000     ja      K=p .  k
m           
 Söödakulud kokku kogu nuumaperioodi kestel  Ks ning realiseerimismass Mr
 avalduvad vastavalt
-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;,
kus Mp-;põrsa ostumass
Söödakulu mõjutavad eelkõige järgmised tegurid:a) söötade maksumus ja eelkõige jõusööda maksumus b) põrsa ostumass mõjtab söötade maksumust sel teel, et suurema ostumassi korral tuleb siga nuumata realiseerimismassi saavutamiseni vähem aega c) realiseerimismass mõjutab söötade maksumust sel teel, et suurema realiseerimismassi korral tuleb sigu kauem sööta ning söötade ,maksumus on suurem
Järelikult söötade maksumust K s võib vaadelda kui kolme eelpool käsitletud
teguri funktsiooni  K s = f (k j, M p , M r  )
Selleks,et söötade maksumus oleks prognoositav, tuleb funktsioonile anda
konkreetne kuju ja seejärel leida selle konkreetse funktsiooni parameetrid.
a) funktsioon peaks olema võimalikult lihtneb) funktsioon peaks kirjeldama söötade maksumuse sõltuvust eelpool toodud teguritest küllaltki adekvaatselt
Kõige lihtsamaks võimalikuks funktsioonitüübiks on lineaarne funktsioon.
Kuid antud juhul lineaarne funktsioon ei iseloomusta piisava täpsusega söötade
maksumuse sõltuvust eelpool toodud teguritest. Seepärast on antud juhul
valitud ruutfunktsioon, mille kuju on järgmine:
-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;.
y1 -; arvutuslik söödakulu (eelnevalt tähistatud Ks )
x1  - põrsa ostumass    (M p  )
x 2 - realiseerimismass  ( Mr  )
x3 -; jõusööda maksumus (eelnevalt tähistatud kj)
Järgnevalt on vaja leida ruutfunktsiooni parameetrid  bi. Selleks anname
x1, x2, x3 -le erinevad väärtused. Usaldusväärsemate tulemuste saamise eesmärgil
on algandmete genereerimisel lähtutud katsete planeerimise meetoditest.
Antud juhul on sisenditeks põrsaste ostumass x1, nuumikute realiseerimismass
x2 ja jõusööda maksumus x3.
Lähtudes eelpool toodud katseplaanist ja sõltumatute muutujate võimalikest
tasmetest on leitud tegurite algandmete maatriks. Saadakse regressioonivõrrand.
Farmikulude arvutamiseks on vaja teada järgmisi näitajaid:
a) arvutuslik aeg  vajaliku juurdekasvu saamiseks pi päevades,
b) arvutuslik söötmispäevade arv kogu muunaperioodi kestel P- päeva,
c) farmikulud päevas kf kroonides
Antud mudelis eeldatakse , et farmikulud päevas kf on konstantne suurus
kogu sea kasvuperioodi kestel, seega farmikulud Kf avalduvad järgmiselt
           Kf = P · kf
Kuna aga arvustuslik söötmispäevade arv  P sõltub põrsaste ostumassist Mp,
st. ajahetkest, millal põrsas lülitus sealiha tootmistsüklisse ja sea realiseerimismassist
Mr, siis farmikulusid Kf võib vaadelda kui kahe äsjamainitud teguri Mp ja
Mr ning päevaste farmikulude kf funktsiooni. Seega farmikulud avalduvad
üldjuhul järgmiselt
             Kf = f (kf , Mp, Mr)
Seega funktsiooni konkreetne kuju on järgmine
-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;kus,
y2 -; arvutuslikud farmikulu (eelnevalt tähistatud Kf)
            x1 -; põrsa ostumass (eelenalt tähistatud Mp)
            x2 -; realiseerimismass (eelenalt tähistatud Mr)
            x4 -; farmikulud päevas (eelevalt tähistatud kf)
Sõltumatute muutujate x1, x2, x4 tasemete kindlaksmääramisel kasutame katseplaani
maatriksit. Saadakse võrrand.
Põrsa ostuga seotud kulud Kp  sõltuvad põrsa ostumassist Mp ja ostetud põrsa
1kg hinnast hp. Antud juhul kulude sõltuvus kujutab endast tegurite Mp ja
hp korrutist.Seega on kindlaks määratud sealiha tootmisel esinevate kulutuste peamised komponendid ja nende komponentide kalkuleerimiseks vajalikud funktsioonid.Üldjuhul näeb sealiha arvutusliku omahinna mudel välja järgmine
-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;
Omahind sõltub viiest erinevast tegurist: ostetud põrsa kehamass Mp, nuumiku
realiseeerimismass Mr, jõusööda maksumus kf, farmikulud päevas kf ja ostetud
põrsa 1 kg mass hp.
Koostame sealiha arvutusliku omahinna ökonomeetrilise mudeli eeldusel , et
meil on tegemist viiest sõltumatust muutujast sõltuva ruutfunktsiooniga,
mille kuju on järgmine
-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;.kus. y -; sealiha arvutuslik omahind (eelnevalt tähistatud O)
x1 -  põrsa ostumass e. ostetud põrsa kehamass (eelnevalt tähistatud Mp)
x2 -; realiseerimismass (eelnevalt tähistatud Mr)
x3 - jõusööda maksumus (eelnevalt tähistatud kj)
x4 -; farmikulud päevas (eelenavalt tähistatud kf)
x5 -; ostetud põrsa 1 kg hind (eelnevalt tähistatud hp)
Vastava katseplaani alusel määratakse kindlaks sõltumatute muutujate x1,
x2, x3, x4 ja x5 etteantud väärtused ja nende alusel arvutataks kululiigid
Ks, Kf, Kp.
Saadud kululiikide väärtused asendatakse võrrandisse ja leitakse sealiha
arvutuslik omahind O.
Kokkuvõtvalt võib märkida järgmist:
1. Saab kasutada katseplaane, siis sel viisil koostatud mudelite parameetrid
on statistiliselt usaldusväärsed.2.Ökonomeetrilise mudeli parameetrite alusel on võimalik hinnata ühe või teisesõltumatu muutuja puhasmõju sõltuvale muutujale.
3. Sõltuva muutuja väärtuste simuleerimine on ilmselt otstarbekas sellistel
juhtudel , kui sõltuva muutuja väärtust on võimalik küllaltki täpselt simuleerida
ning selle väärtuse kalkuleerimine igal üksikjuhul osutub väga töömahukaks,
4. Saadud ökonomeetrilise mudeli üksikasjalik analüüs võib anda uut infot
modelleeritava keerulise nähtuse kohta.Mittelineaarse ökonomeetrilise mudeli analüüs.Mittelineaarse ökonomeetrilise mudeli peamiseks puuduseks on võrrandi vähene ülevaatlikkus. Sisuliste järelduste tegemiseks on toodud regressioonivõrrandit
vaja spetsiaalselt analüüsida.
Peamised küsimused, millele peaks analüüs vastuse andma , oleksid järgmised:
1. Milliseid väärtusi peaksid omama sõltumatud muutujad, et kindlustada
arvutusliku omahinna minimaalne (optimaalne) tase?2. Kuidas ühe või teise sõltumatu muutuja kas suurenemine või vähenemine mõjutab arvutuslikku omahinda?
3. Kui on saavutatud teatud omahinna tase, mil moel seda kõige ratsionaalsemal
(efektiivsemal) viisil alandada?4. Kui on saavutatud optimaalne tase, siis on vaja selgitada millistes piirides võivad sõltumatute muutujate väärtused muutuda, et saavutatud optimaalne tase säiliks.5. Millised on sõltumatute muutujate asenduskõverad (isokvandid)? Järeldused: Antud juhul on otstarbekas osta põrsaid võimalikult väikese massiga, sest sel juhul omahind on kõikide variantide korral väikseim ning ka ostumassi suurenedes arvutuslik omahind suureneb suhteliselt vähe.
Kokkuvõtvalt võib märkida, et simulatsioonil baseeruvad ökonomeetrilised
mudelid võivad osutuda vägagi usaldusväärseteks ökonomeetrilisteks mudeliteks,
mille abil on võimalik kindlaks  määrata erinevate sõltumatute muutujate
puhasmõju sõltuvale muutujale.