Factors of pricing of agricultural products

Тетяна КМИТЮК

doi:10.31617/1.2023(147)07

Автор(и)

Тетяна КМИТЮК Київський національний економічний університет імені Вадима Гетьмана https://orcid.org/0000-0001-5262-856X

DOI:

https://doi.org/10.31617/1.2023(147)07

Ключові слова:

факторний аналіз, метод головних компонент, множинна лінійна регресійна модель, мультиколінеарність, латентна змінна

Анотація

Вступ. Ціна є головним чинником, який безпосередньо впливає на основні результати діяльності підприємств, зокрема й аграрних. Цінова політика здатна зберегти конкурентоспроможність підприємства, забезпечити його платоспроможність і стабільність.

Проблема. Ціноутворення здійснюється в складній взаємодії внутрішніх і зовнішніх чинників. Відповідна складність явища потребує включення у модель багатьох факторів, які можуть негативно вплинути на результат. Велика кількість факторів вимагає використання методів, які дадуть змогу ідентифікувати найбільш статистично значущі чинники та оцінити їх взаємозв’язок із результуючою ознакою.

Мета статті – виявлення за допомогою факторного аналізу основних чинників, визначення їх впливу на формування та зміну ціни сільськогосподарської продукції.

Методи: математико-статистичні (факторний аналіз, головних компонент); економіко-статистичний (множинний регресійний на основі факторних оцінок); узагальнення.

Результати дослідження. За факторним аналізом та методом головних компонент визначають найбільш вагомі фактори впливу на формування цін сільськогосподарської продукції. Використовуючи різні методи зменшення розмірності, отримано три основні компоненти: пропозиція, попит, платоспроможність населення, що дало змогу виявити зв’язок між змінними та ціною без проблеми мультиколінеарності.

Висновки. Використання факторного аналізу та методу головної компоненти надало можливість врахувати особливості зв’язків між показниками, що характеризують ціноутворення на картоплю, усунути мультиколінеарність між незалежними показниками, отримати менше спільних факторів, ніж вихідна кількість змінних, заробити кількісну оцінку латентної змінної. Використання ортогонального обертання сприяло більш рівномірному розподілу навантаження на всі три фактори, що спростило їх подальшу інтерпретацію та зберегло 95 % загальної первинної інформації після обертання та зменшення розмірності простих функцій, що є високим показником для практичних завдань.

Біографія автора

Тетяна КМИТЮК , Київський національний економічний університет імені Вадима Гетьмана

к. е. н., доцент, доцент кафедри математичного моделювання та статистики

Посилання

Praburaj, L. (2018). Role of Agriculture in the Economic Development of a Country. Shanlax International Journal of Commerce, 6 (3), 1-5. https://doi.org/10.5281/zenodo.1323056 [in English].

Majumdar, J., Naraseeyappa, S., & Ankalaki, S. (2017). Analysis of agriculture data using data mining techniques: application of big data. Big Data, 4, Article 20. https://doi.org/10.1186/s40537-017-0077-4 [in English].

Issad, H. A., Aoudjit, R. & Rodrigues, J. P. C. (2019). A comprehensive review of Data Mining techniques in smart agriculture. Engineering in Agriculture, Environment and Food, 12 (4), 511-525. https://doi.org/10.1016/j.eaef.2019.11.003 [in English].

Cintina, V. & Pukite, V. (2018). Analysis of influencing Factors of use of agricultural land. Research for rural development, 1, 181-187. https://doi.org/10.22616/rrd.24.2018.028 [in English].

Manishimwe, R., Niyitanga, F., Nsabimana, S., Kabayiza, A., & Mutimawurugo, M.-C. (2019). Socio-economic and Institutional Factors Influencing the Potato (Solanum tuberosum L.) Production at Smallholder Farmers Level in the Gicumbi District in Rwanda. Tropicultura, 37. https://doi.org/10.25518/2295-8010.604 [in English].

Johnston, R., Jones, K., & Manley, D. (2018). Confounding and collinearity in regression analysis: a cautionary tale and an alternative procedure, illustrated by studies of British voting behaviour. Qual Quant, 52, 1957-1976. https://doi.org/10.1007/s11135-017-0584-6 [in English].

Daoud, J. (2017). Multicollinearity and Regression Analysis. Journal of Physics: Conference Series, 949. https://doi.org/10.1088/1742-6596/949/1/012009 [in English].

Greene, W. H. (2017). Econometric analysis (8-th ed.). New York University [in English].

Hansen, B. (2022). Econometrics. Princeton University Press [in English].

Noora, S. (2021). Factor Analysis as a Tool for Survey Analysis. American Journal of Applied Mathematics and Statistics, 9, 4-11, https://doi.org/10.1007/10.12691/ajams-9-1-2 [in English].

Salmensuu, O. (2017). Macroeconomic Trends and Factors of Production Affecting Potato Producer Price in Developing Countries. The Journal of Developing Areas, 55, 91-105 [in English].

Chen, Y., & Li, X. (2022). Determining the number of Factors in high-dimensional generalized latent Factor models, Biometrika, 109 (3), 769-782. https://doi.org/10.1093/biomet/asab044 [in English].

Reijer, den A. H. J., Jacobs, P. A. M., & Otter, P. W. (2021). A criterion for the number of Factors. Communications in Statistics – Theory and Methods, 50:18, 4293-4299. https://doi.org/10.1080/03610926.2020.1713376 [in English].

Choi, I., & Jeong, H. (2019). Model selection for Factor analysis: Some new criteria and performance comparisons. Econometric Reviews, 38 (6), 577. https://doi.org/10.1080/07474938.2017.1382763 [in English].

Ricolfi, L., & Testa, S. (2021). Factorial Invariance and Orthogonal Rotation, Multivariate Behavioral Research, 56:5, 787-804, https://doi.org/10.1080/00273171.2020.1770571 [in English].

Yamashita, N., & K. Adachi (2020). Permutimin: Factor Rotation to Simple Structure with Permutation of Variables, Multivariate Behavioral Research, 55:1, 17-29, https://doi.org/10.1080/00273171.2019.1598331 [in English].

Hazhar, B., & Dler, K. (2019). An Application of Factor Analysis to Identify the Most Effective Reasons that University Students Hate to Read Books. International Journal of Innovation, Creativity and Change, 6 (2), 251-265 [in English].

Jennrich, R. I. (2018). Rotation. In P. Irwing, T. Booth, & D. J. Hughes (Eds.), The Wiley handbook of psychometric testing: A multidisciplinary reference on survey, scale and test development, 279-304, Wiley Blackwell. https://doi.org/10.1002/9781118489772.ch10 [in English].

Tahtali, Y. (2019). Use of Factor scores in multiple regression analysis for estimation of body weight by certain body measurements in Romanov Lambs. Peer J. 7, Article e7434. https://doi.org/doi:10.7717/peerj.7434 [in English].

Meyers, L. S., Gamst, G., & Guarino, A. J. (2013). Applied multivariate research: Design and interpretation (2-nd ed.). Sage Publications, Inc. [in English].

Bartholomew, D. J. (2011). Factor Analysis and Latent Variable Modelling. International Encyclopedia of Statistical Science. Springer [in English].

Bryant, F. B., & Yarnold, P. R. (1995). Principal-components analysis and exploratory and confirmatory Factor analysis. In L. G. Grimm & P. R. Yarnold (Eds.). Reading and understanding multivariate statistics. American Psychological [in English].

Jollife, I. T. (2002). Principal Component Analysis. 2-nd ed. New York: Springer-Verlag. https://goo.gl/SB86SR [in English].

Cattell, R. B. (1966). The scree test for the number of Factors. Multivariate Behavioral Research, 1, 245-276 [in English].

Official statistics of Latvia (2005-2021). Average retail prices of selected commodity (euro per 1 kg, if other – specified) 2005M01 – 2021M07 [Data set]. August 11, 2021. https://data.stat.gov.lv/pxweb/en/OSP_PUB/START__VEK__PC__PCC/PCC010m [in English].