Takistuse temperatuurisõltuvus (0)

TALLINNA TEHNIKAÜLIKOOL
Majandusteaduskond
Rahandus ja  majandusteooria  instituut
Matemaatika , statistika ja  ökonomeetria   õppetool
Laura Kallasvee, Liisi Saksakulm
BRUTOPALKADE SEOS HARIDUSE, SOO JA ELUKOHAGA
EESTI MAAKONDADE LÕIKES AASTATEL 2005-2008
Ökonoomeetriline projekt
Juhendaja : dotsent Ako  Sauga
Tallinn 2014
SISUKORD
SISSEJUHATUS.........................................................................................................................4
1. REGRESSIOONANALÜÜS..................................................................................................7
1.1. Ökonomeetriline  mudel....................................................................................................7
1.2. Töös kasutatavad andmed................................................................................................8
1.3. Esialgse  regressioonimudeli hindamine...........................................................................9
1.4 Klassikalise regressioonmudeli  eelduste   testimine .........................................................10
1.4. Lõplik mudel..................................................................................................................12
KOKKUVÕTE..........................................................................................................................14
VIIDATUD  ALLIKAD.............................................................................................................16
LISAD.......................................................................................................................................17
Lisa 1. Sõltuva ja sõltumatu tunnuse vaheliste seoste  graafikud ..........................................17
Lisa  2. Sõltuva  ja  sõltumatu  tunnuse  vaheliste  seoste  graafikud  logaritmitud  muutujate
korral.....................................................................................................................................19
Lisa 3.  Analüüsis  kasutatud andmed.....................................................................................20
Lisa 3 järg ..............................................................................................................................21
Lisa 4. Kirjeldav statistika....................................................................................................23
Lisa 5. Esialgse mudeli korrelatsioonikordajate  maatriks ....................................................24
Lisa 6. Korrelatsioonikordajate  statistilised  olulisused (p-väärtused)..................................25
Lisa 7. Esialgne hinnatud mudel...........................................................................................26
Lisa 8. Teine hinnatud mudel (ilma meeste osakaaluta).......................................................27
Lisa 9. Kolmas hinnatud mudel (ilma meeste osakaaluta ja  linlaste  osakaaluta).................28
Lisa 10. Heteroskedastiivsuse test........................................................................................29
Lisa 11. Multikollineaarsuse test...........................................................................................30
Lisa 12. Jääkliikmete normaaljaotuse testid.........................................................................31
Lisa 13. Jääkliikmete normaaljaotuse  graafik .......................................................................32
Lisa 14.  ANOVA  tabel...........................................................................................................33
Lisa 15. Mudeli jääkliikmete  kirjeldavad  statistikud............................................................34
Lisa 16. Lõpliku mudeli regressioonikoefitsientide koovariatsiooni maatriks.....................35
Lisa 17. Mudeli stabiilsuse test ( Chow  test).........................................................................36
SISSEJUHATUS
Inimese   sissetulek   kujuneb   mitmete   tegurite   mõjul,   nagu   näiteks   töö   iseloom
(raskuaste,    töökoormus ,   töötundide   arv),   ettevõtte   ärimudel   ning   pidevalt   muutuv
majanduskeskkond.   Need   on   peamised   tegurid,   mille   põhjal   inimene,    otsides    töökohta,
kujundab teatavad eeldused palga suurusele. Üldisemas plaanis mõjutavad elanike palgataset
mitmed demograafilised tegurid. Käesolevas töös on vaatluse alla võetud osa võimalikest
teguritest,   mis   rahvastiku   palgataset   mõjutada   võivad   ning   mis   on   ka   statistikaameti
kodulehelt kättesaadavad.
Ühe    tegurina    mõjutab   palgataset   kindlasti    haridus ,   eeldades,   et   kõrgem    haridus
garanteerib   ka   kõrgema   palga.   Tegelikus   elus   võib   muidugi   olla,   et   madalama
haridustasemega   inimesed   töötavad   kõrgetel   positsioonidel   ning   kõrgharidusega   inimesed
lihttöölistena – seda kas siis juhuse läbi või struktuurse tööpuuduse tõttu. Käesolevas töös
lähtume   siiski   toodud   eeldusest,   et   parem   haridus   viitab   kõrgemale   palgatasemele.
Haridustaseme iseloomustamiseks on ühe sõltumatu muutujana käesolevas töös vaatluse alla
võetud kõrgharidusega inimeste osakaal kogu tööealisest rahvastikust.
Palkade   erinevus   esineb   kindlasti   ka   piirkondade   vahel.    Palgatase    on   kõrgem
suuremates    linnades   ning   madalam   väikesemates   linnades   ning   maakohtades.   Linnalises
asulas   on    infrastruktuur    paremini   arenenud,   paljud   ettevõtted   on   koondunud   üksteise
lähedusse, mis teeb ressursside liikumise kiiremaks. Samuti on tõhus kaubanduse areng, sest
inimestele   on   enamikud    kaubad    kohe   kättesaadavad.   Võrreldes   maapiirkondadega   on
linnalises asulas olevad ettevõtted ning tööstused tehnoloogiliselt rohkem arenenud ning oma
olemuselt  suhteliselt  spetsiifilised . Maapiirkondades olevad ettevõtted jäävad enamasti oma
arengult alla linnades ja nende lähiümbruses olevatele ettevõtetele. Samuti on maapiirkonnas
asustus ning töökohtade arv kümneid kordi väiksem kui linnas. Seetõttu on loogiline oletada,
et   kui   töökoht   asub   linnalises   asulas,   on   eeldus   enamasti   ka   suuremale   keskmisele
brutopalgale.   Vastava   teguri   mudelisse   lülitamiseks   on   töö   autorid   lähendmuutujana
kasutanud linnalises asulas  elavate  inimeste  osakaalu  kogu maakonna elanikest.
Erinevad   uuringud   on   näidanud,   et   meeste   palgatase   on   märgatavalt   kõrgem   kui
naistel. Seega võib oletada, et piirkonnad, kus on kõrgem meeste osakaal, on ka kõrgem
palgatase. Seega on töö autorid testitavasse mudelisse lülitanud ühe muutujana ka meeste
osatähtsuse kogu tööhõivest.
Koostatava ökonomeetrilise projekti eesmärgiks on uurida haridustaseme (kõrgharitute
osakaal), töökoha asukoha (linnalises asulas elavate inimeste osakaal) ja meeste osakaalu
seost brutopalgaga Eesti 15 maakonna põhjal perioodil 2005-2008. Vastav periood on valitud
lähtuvalt andmete kättesaadavusest statistikaameti kodulehel ning pidades silmas ka seda, et
töös kasutatav valimi maht oleks regressioonanalüüsi läbiviimiseks piisav. 
Lähtuvalt projekti eesmärgist otsitakse vastuseid järgmistele küsimustele:
 Kas kõrgharidusega inimeste osakaal tööga hõivatutes ja  brutopalk  on omavahel
seotud (ning milline see seos on)?
 Kas linnalises asulas elavate inimeste osakaal hõivatutes ja brutopalk on omavahel
seotud (ning milline see seos on)?
 Kas   meeste   osakaal   tööga   hõivatutes   ja   brutopalk   on   omavahel   seotud   (ning
milline see seos on)?
Modelleeritava   uurimisprobleemi   majandusteoreetiliseks   aluseks   on   palga    sõltuvus
inimkapitalist. Lisaks üritatakse selgitada, kas tööga hõivatute elukoht ning suurem meeste
osakaal hõivatutes on seotud brutopalgaga. Püstitatud uurimusküsimustele  vastuste  saamiseks
püstitasid autorid järgmised uurimishüpoteeside paarid:
I hüpoteeside paar:
 H0:   Kõrgharidusega   inimeste   osakaal   tööga   hõivatutes   ja   brutopalk   ei   ole
omavahel seotud
 H1: Kõrgharidusega inimeste osakaal tööga hõivatutes ja brutopalk on omavahel
seotud
II hüpoteeside paar:
 H0:   Linnalises   asulas   elavate   inimeste   osakaal   hõivatutes   ja   brutopalk   ei   ole
omavahel seotud 
 H1:   Linnalises   asulas   elavate   inimeste   osakaal   hõivatutes   ja   brutopalk   on
omavahel seotud 
III hüpoteeside paar:
 H0: Meeste osakaal tööga hõivatutes ja brutopalk ei ole omavahel seotud
 H1: Meeste osakaal tööga hõivatutes ja brutopalk on omavahel seotud
IV hüpoteeside paar:
 H0: Periood ei avalda mõju brutopalgale
 H1: Periood avaldab brutopalgale mõju
Lähtudes regressioonimudelist eeldame, et kõrgharidusega inimeste osakaal tööjõus
suurendab keskmist brutopalka ehk nende kahe näitaja vaheline seos on positiivne. Samuti
eeldame,   et   suurem   linnalises   asulas   olevate   hõivatute   osatähtsus   suurendab   keskmist
brutopalka. Kuna meeste palk on üldjuhul suurem kui naistel, siis eeldame ka, et seos meeste
osakaalu ja  brutopalga  vahel on positiivne. Lähtuvalt sellest, et suures plaanis hinnad pidevalt
kallinevad   ja   raha   väärtus   väheneb,   tuleb   järeldada,   et   ka   inimeste    palgad    aasta-aastalt
tõusevad.   Seega   peaks   ka   aasta   avaldama   mõju   palga   suurusele   –   mida   kaugperiood
praegusest, seda madalam palk. 
1. REGRESSIOONANALÜÜS
1.1. Ökonomeetriline mudel
Regressioonimudeli kuju  valikul  tuleb esiteks uurida milline  graafiline  seos keskmise
brutopalga   ning   kõrghariduse   osakaalu   vahel   leidub.    Lisas    1   toodud   andmeid   kujutavate
jooniste  põhjal võib järeldada, et seos keskmise brutopalgaga on vaid kõrgharidusega inimeste
osakaalul.   Linlaste   osakaalu   ja   brutopalga   ning   meeste   osakaalu   ja   brutopalga   vahelist
lineaarset seost joonised ei näita. Kuna seosed ei avaldu ka logaritmitud tunnuste korral (lisa
2), siis  vastavaid  jooniseid  ei  ole  siinkohal  rohkem  välja toodud  ega  vastavaid  mudeleid
testitud  ning autorid jäävad lineaarse mudeli juurde. Samuti toetab lineaarse mudeli valikut
see, et  andmed kõrghariduse, linnalises asulas elavate inimeste ja meeste kohta on antud
osakaaludena.   Seega   eeldame,   et   sobiv   mudeli   kuju   antud   majandusprobleemi   jaoks   on
lineaarne nii parameetrite kui muutujate suhtes. 
Püstitatud regressioonimudel: 
Yi = β0 + β1X1i + β2X2i + β3X3i + β4D1i + β5D2i + β6D3i + ui  ,kus
 Yi  –keskmine brutopalk hõivatud isiku kohta i-ndas  maakonnas  perioodil 2005-
2008 (eurodes);
 X1i  –   kõrgharidusega   (bakalaureuse,    magistri -   või   doktorikraadiga)   inimeste
osakaal tööga hõivatutest i-ndas maakonnas perioodil 2005-2008;
 X2i  –   linnalises   asulas   töötavate   inimeste   osakaal   tööga   hõivatutest   i-ndas
maakonnas perioodil 2005-2008;
 X3i –  meeste osakaal tööga hõivatutest i-ndas maakonnas perioodil 2005-2008;
 D1 – fiktiivne   muutuja  2005. aasta kohta;
 D2 – fiktiivne muutuja 2006. aasta kohta;
 D3 – fiktiivne muutuja 2007. aasta kohta;
 β0  – mudeli vabaliige (brutopalka määrav autonoomne  komponent ), mis näitab
seda, milline on brutopalk juhul kui kõigi sõltumatute tunnuste väärused on nullid
 β1 – mudeli  parameeter , mis näitab brutopalga muutust, kui kõrgharitute osakaal
muutub ühe ühiku võrra;
 β2  –   mudeli  parameeter,  mis   näitab   brutopalga   muutust,   kui   linnalises   asulas
töötavate inimeste osakaal muutub ühe ühiku võrra.
 β3  –   mudeli   parameeter,   mis   näitab   brutopalga   muutust,   kui   meeste   osakaal
tööjõus muutub ühe ühiku võrra.
 β 4 – mudeli parameeter, mis näitab 2005nda aasta fiktiivse muutuja seost 
brutopalgaga
 β5  –   mudeli   parameeter,   mis   näitab   2006nda   aasta   fiktiivse   muutuja   seost
brutopalgaga
 β6  –   mudeli   parameeter,   mis   näitab   2007nda   aasta   fiktiivse   muutuja   seost
brutopalgaga
 ui – mudeli vealiige
 i = 1, 2, 3, …, n, kus n on valimi maht (n=60)
1.2. Töös kasutatavad andmed
Käesolevas   töös   kasutatavad   andmed   on   võetud   Eesti   Statistikaameti   kodulehelt.
Autorid kasutavad töös andmeid Eesti 15 maakonna kohta aastatel 2005-2008. Seega tegemist
on   paneelandmetega.   Kuna    statistikaamet    ei   väljasta   kõiki   töös   kasutatavaid   andmeid
suhtarvudena,   siis   need   on   leitud   arvutuslikult    autorite    poolt,   kasutades   Exceli
tarkvaraprogrammi.   Lisaks   osakaaludele   on   ka   brutokuutasu   leitud   arvutuslikult
brutotunnitasu ning keskmise ühe kuu töötundide arvu (168 tundi) korrutisena. Detailsed töös
kasutatavad andmed on toodud töö lõpus, lisas 3.
Kirjeldava statistika tabelist (vt tabel 1 ja lisa 4) on näha, et keskmise brutopalga
väärtus üle kõigi maakondade on 541,9 eurot. Seejuures on brutopalga varieeruvus 467,1
eurot (minimaalne väärtus 381.384 eurot ja maksimaalne väärtus 848.48 eurot).  Standardhälve
ehk keskmine kõrvalekalle keskmisest brutopalgast on 103,68 eurot. See näitab, et Eestis on
keskmiste brutopalkade vahe maakondade lõikes suhteliselt suur.
Tabel 1. Kirjeldav statistika (brutopalk toodud eurodes, ülejäänud näitajad osakaaludena)
Kesk-
Miini-
Maksi - Varieeru Standard
Valim
Mediaan
väärtus
mum
mum
-vus
-hälve
Brutopalk 
60
541.915
538.981
381.384 848.484
467.1
103.68
(Y)
Kõrgharitu
0.32438
60
0.168530
0.153426 0.080000
0.244
0.0607
d (X1)
5
Linlased 
0.90379
60
0.531456
0.489964 0.285714
0.617
0. 1741
(X2)
0
Mehed (X3)
0.60377
60
0.514693
0.509790 0.438272
0.165
0.0293
4
Allikas: autorite koostatud, kasutades Statistikaameti andmeid ning tarkvarapaketti  Gretl
Keskmine   kõrgharidusega   inimeste   osakaal   on   16.9%   ning   kõrghariduse   osakaalu
varieeruvus   hõivatute   seas   maakondade   lõikes   on   24,4%   (miinimum   8,0%   ja   maksimum
32,4%), standardhälve on 6,1%. Linnalises asulas elavate töötajate osakaal on maakondade
lõikes   keskmiselt   53,14%.   Tunnuse   minimaalse   ja   maksimaalse   väärtuse   vahe   on   61,7%
(miinimumiks   on   28.6%   ja   maksimumiks   90.3%)   ning   keskmine    hajuvus    on   17,4%.
Keskmine meeste osakaal tööjõus on 51,4%, sealjuures varieeruvus 16,5% (miinimum on
43,8% ja maksimum 60,3%). Standardhälve keskmisest on 2.9%.
1.3. Esialgse regressioonimudeli hindamine
Korrelatsioonkordajate tabelist (vt lisa 5) ja vastavate olulisuse tõenäosuste tabelist (vt
lisa 6) näeme, et keskmisel brutopalgal on statistiliselt oluline seos nii kõrgharidusega kui ka
fiktiivsete muutujatega D1 ja D2, kus korrelatsioonikordajad ja vastavad olulisuse tõenäosused
on  r=0,4201   (p=0,001),  r=-0,6028   (p=0,000)   ja  r=-0,2652   (p=0,0406).   Meeste   osakaal
tööjõust ja linlaste osakaal keskmise brutopalgaga statistiliselt olulist seost ei oma. Samal ajal
on   tugev   korrelatsioon   ka   osade   sõltumatute   muutujate   vahel,   näiteks   kõrghariduse   ja
linnalises asulas töötajate vahel (r = 0,5873) ja fiktiivsete muutujate D1, D2 ja D3 vahel (kõigi
fiktiivsete muutujate vahel r = -0,3333).
Mudeli  parameetritele  hinnangud   leiti leiti   vähimruutude  meetodil. Lisas 6 toodud
esialgse lineaarse mudeli koefitsientide tabelist on näha, et kõrgharitute osakaau hõivatutest
X1  (p=0,000),   fiktiivse   muutuja   D1  (p=0,000),   D2  (p=0,000)   ning   fiktiivse   muutuja   D3
(p=0,000) parameetrite hinnangud on statistiliselt olulised usaldusnivool 0,95. Saame väita, et
keskmise brutopalga kujunemine sõltub olulisel määral vaid kõrghariduse määrast ning on
mõjutatud ka ajaperioodist. Meeste osakaal hõivatutest ning linlaste osakaal on antud  mudelis
statistiliselt ebaolulised.
Ebaolulised   muutujad   tuleb   mudelist   eemaldada.    Esmalt    eemaldati   mudelist   kõige
suurema   olulisuse   tõenäosusega   muutuja   ehk   linlaste   osakaalu   ja   seejärel   leiti   uuesti
parameetrite hinnangud. Saadud mudeli hinnang on toodud lisas 8. Kuna ka selles mudelis on
meeste osakaal jätkuvalt ebaoluline, eemaldati mudelist ka nimetatud muutuja. Lõplik mudel,
kus kõik muutujad on statistiliselt olulised, on toodud lisas 9. 
Vähimruutude   meetodiga   leitud   parameetrite   hinnangute   olulisusetõenäosused
näitavad,   et   kõik   mudelisse   jäänud    parameetrid    on   statistilised   olulised.   Saadud   mudeli
statistilist olulisust näitab F- statistik  ning selle olulisusetõenäosus (p  =  2,53x10-21). Kui F-
statistiku empiiriline väärtus on suurem selle tabeliväärtuseset, siis saab vastu võtta sisuka
hüpoteesi. F-statistiku empiiriline väärtus (72,86) on suurem kui F-statistiku kriitiline väärtus
(2,53969) kohal kus vabadusastmete arvud on vastavalt n1=55 ning n2=4.
Edasise analüüsi viivad autorid läbi sellesama mudeli kohta, kus sõltuvaks muutujaks
on brutopalk ning sõltumatuteks muutujateks kõrgharitute osakaal ning fiktiivsed muutujad
erinevate   aastate   kohta   (vt   lisa   9).   Järgnevalt   uurivad   autorid,   kas   saadud   mudeli   puhul
kehtivad klassikalised regressioonimudeli eeldused.
1.4 Klassikalise regressioonmudeli eelduste testimine
Regressioonimudeli   hindamiseks   vähimruutude   meetodil   peavad   kehtima   mudeli
klassikalised eeldused ( Brooks  2008, 129):
1) jääkliikmete tinglikud keskväärtused  on võrdsed nulliga;
2) jääkliimete   dispersioon   on    konstantne    (esineb   homoskedastiivsus)   ja
heteroskedastiivsus puudub;
3) jääkliikmed   ei   korrelleeru   omavahel,   st   nende   kovaratsioon   on   null
(autokorrelatsioon puudub);
4) juhuslikud   liikmed   ei   korrelleeru   seletavate   tunnustega   –   mudelis   puudub
multikollineaarsus;
5) jääkliikmed alluvad normaaljaotusele.
Klassikalise   lineaarse   regressioonimudeli   esimene   eeldus,   et   juhuslike   liikmete
keskväärtus  on 0 on täidetud, kuna mudelis on konstant ja sellest tulenevalt on see eeldus
automaatselt   täidetud   ja   seda   eraldi   testida   ei   ole   vaja   (Brooks   2008,   131).   Täiendavalt
kinnitavad   seda   ka   teise   ja   viienda   klassikalise   eelduse   täidetus,   mida   autorid   järgnevalt
tõestavad.
Heteroskedastiivsuse testimiseks viisid autorid läbi White’i testi. Testiti hüpoteesi, kas
kõik parameetrid (v.a. vabaliige) on samaselt võrdsed nulliga. Kui  nullhüpotees  kehtib, siis
mudelis heteroskedastiivsus puudub. ( Paas ,  Raus  2012, 58) White’i test andis teststatistiku
olulisuse tõenäosuseks 0,2961 (vt lisa 10). Seega autorite poolt võetakse vastu nullhüpotees –
saadud mudelis heteroskedastiivsus puudub. Mudelit iseloomustab homoskedastiivsus, mis on
klassikalise lineaarse regressioonmudeli  eelduseks .
Analüüsitava mudeli puhul  autokorrelatsiooni  testimine tarkvaraprogrammiga ei ole
teostatav. Kuna testitavat mudelit võib käsitleda kui ristandmete mudelit (aastaid käsitletakse
kui   fiktiivseid   tunnuseid),   siis   võib   eeldada,   et   mudelis   autokorrelatsiooni   ei   esine,   sest
ristandmete puhul ei ole erinevad andmed omavahel seotud  (Paas, Raus 2012, 76). Seega
loevad  autorid ka kolmanda klassikalise mudeli eelduse täidetuks.
Kui VIF > 10 siis on mudelis tugev multikollineaarsus. Reeglina viitab juba VIFj > 5
sellele,  et   tuleb   arvestada   multikollineaarsuse   ning   sellega   kaasnevate   ohtudega
modelleerimise  tulemuste tõlgendamisel. (Paas, Raus 2012, 38) Testitava mudeli korral on
maksimaalseks VIF väärtuseks 1.505 (vt lisa 11), mis tõestab multikollineaarsuse puudumist
testitavas mudelis Sellega on täidetud ka neljas klassikalise mudeli eeldus.
Klassikalise   regressioonimudeli    viimaseks    eelduseks   on   juhuslike    vigade
normaaljaotus. Kui juhuslike liikmete normaaljaotuse tingimus on täidetud, siis on hinnangud
mõjusad (sisukad), mis tähendab, et valimi mahu kasvades parameetri hinnangud (mitte ainult
hinnangute   keskväärtused)   koonduvad   parameetri    tegelikuks    väärtuseks   ning   nad   on
normaaljaotusega. (Paas, Raus 2012, 63)
Kontrollimaks    jääkliikmete   alluvust   normaaljaotusele   viisid   autorid   läbi   erinevad
normaaljaotuse   testid   (   vt   lisa   12).   Testide   tulemused   näitavad,   et   jääkliikmed   on
normaaljaotusega.   Seda   tõestab   näiteks   Doornik-Hanseni   statistiku   väärtus   0,0715,
olulisusetõenäosusega   0,9648   ning   Jarque-Bera   test,   mis   andis   tulemuseks   JB=0,2534,
p=0,8810.   Kuna   saadud   testides  p>0,05   siis   jääkliikmed   alluvad   normaaljaotusele.
Jääkliikmete   normaaljaotusele   allumist   kinnitab   ka   lisas   13   toodud   graafik.   Kogu
eelpooltoodust   lähtub,   et   antud   mudeli   korral   on   täidetud   kõik   regressioonimudeli
klassikalised eeldused.
Lisas 14 olev ilma meeste osakaaluta ja ilma linlaste osakaaluta mudeli ANOVA test
andis autoritele mudeli hajuvuse hinnangud. Determinatsioonikordaja R2  näitab, et saadud
mudel suudab ära kirjeldada 84% kogu brutopalga hajuvusest. 
Lisas 9 toodud ilma meeste osakaaluta ja ilma linlaste osakaaluta mudeli OLS testist
on näha, et kõrghariduse osakaalu (p=0,0000), fiktiivse muutuja D1  (p= 0,0000), fiktiivse
muutuja D2  (p  = 0,0000) ja fiktiivse muutuja D3  (p  = 0,0000) parameetrite hinnangud on
statistiliselt olulised usaldusnivool  0,95. Saame  väita,  et keskmise  brutopalga kujunemine
sõltub olulisel määral vaid kõrghariduse olemasolust ning aastast.
Lisas   15   on   toodud   jääkliikmete   maksimaalsed   ja   minimaalsed   väärtused   ning
standardhälbed. Lisas 16 on toodud ka lõpliku mudeli koefitsientide koovariatsiooni maatriks.
Mudeli parameetrite stabiilsuse kontrollimiseks viisid autorid läbi Chow testi ( vt lisa
17). Chow testi F-statistik F=50,27360 olulisuse tõenäosusel 0, 2017  F=50,27360 , millest
autorid järeldavad, et mudeli parameetrid on stabiilsed.
1.4. Lõplik mudel
Koostatud ökonomeetrilise projekti lõplik mudel on järgmine:
Y = 529.737 + 722.087X1 – 220.916D1 – 151.609D2 – 65.535D3
      R2=0.841
       (19.3)
    (92.0)
(15.6)           (15.7)          (15.6)
      n=60
Antud mudeli puhul on kontrollitud mudeli kuju õiget valikut (alapunkt 1.1.), mille
kohaselt  on  tegemist  lineaarse mudeliga.  Vähimruutude  meetodil  saadud  hinnatud  mudeli
näitajad   on   toodud   lisas   9.   Saadud   mudel   on   statistiliselt   oluline,   samuti   on   statistiliselt
olulised, (p