В статье рассматривается разработка линейной регрессионной модели для оценки стоимости бизнеса в нефтегазовой отрасли Узбекистана. Модель интегрирует ключевые экономические и операционные переменные, такие как мировые цены на нефть и газ, политическая стабильность, макроэкономические индикаторы, объемы продаж, и другие, включая EBITDA и уровень долговой нагрузки. Исследование акцентирует внимание на статистической значимости переменных и их влиянии на рыночную стоимость, обеспечивая таким образом основу для стратегического управления и планирования в отрасли.
Цель: Данное исследование направлено на изучение сложной взаимосвязи между объемом экспорта (Y) и грузооборотом на железных дорогах (X) с помощью парной модели линейной регрессии. Цель состоит в том, чтобы выявить количественное влияние грузооборота железных дорог на объемы экспорта страны и предложить ценную информацию политикам и заинтересованным сторонам в транспортном и торговом секторах. Дизайн/Методология/Подход: используется количественный дизайн исследования с использованием исторических данных за период с 2000 по 2022 год. Выбранная методология включает оценку модели парной линейной регрессии с использованием метода наименьших квадратов. Статистическая значимость проверяется с помощью коэффициента детерминации, F-критерия Фишера и проверки гетероскедастичности. Анализ эластичности, ранговая корреляция и графическая оценка остатков обеспечивают полное понимание взаимосвязи. Выводы: Исследование выявило сильную и статистически значимую положительную корреляцию (r = 0,92) между объёмами экспорта и грузооборотом железных дорог. Регрессионная модель, проверенная многочисленными тестами, объясняет 84,72% изменчивости объемов экспорта. Экономическая интерпретация показывает, что увеличение грузооборота железных дорог на одну единицу приводит к существенному среднему увеличению объемов экспорта на 1627720,728 единиц. Отсутствие гетероскедастичности усиливает надежность модели.
Регрессии OLS имеют набор допущений, чтобы точечные и интервальные оценки были несмещенными и эффективными. Отсутствие данных не случайно (MNAR) может создать серьезные проблемы с оценками в линейной регрессии. В этом исследовании мы оцениваем эффективность оценок доверительного интервала OLS с данными MNAR. Мы также предлагаем загрузку как средство решения таких случаев данных и сравниваем традиционные доверительные интервалы с загрузочными интервалами. Поскольку нам необходимо знать истинные параметры, мы проводим моделирование. Результаты исследования показывают, что оба подхода показывают схожие результаты при одинаковом размере интервалов. Учитывая, что бутстрап требует большого количества вычислений, традиционные методы по-прежнему рекомендуется использовать даже в случае MNAR.
