Главная База знаний "Allbest" Экономико-математическое моделирование Определение ключевых факторов, влияющих на успех фильма

Определение ключевых факторов, влияющих на успех фильма

Факторы успеха кинокартин: результаты зарубежных исследований. Эконометрическая оценка детерминант успеха фильма. Регрессионный анализ. Тестирование качества параметров модели. Оценка предпочтений российского зрителя. Анализ дескриптивной статистики.

Рубрика Экономико-математическое моделирование
Вид дипломная работа
Язык русский
Дата добавления 01.10.2016
Размер файла 2,8 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

Оценка кинокартины положительно влияет на киносборы.

Гипотеза НЕ отвергается, с ростом значения оценки кинокартины, растут киносборы, так как люди ориентируются на мнения кинокритиков при решении пойти в кино.

Фильмы без возрастного ограничения положительно влияют на кассовые сборы.

Гипотеза отвергается, кассовые сборы во всех случаях выше, если есть возрастные ограничения. Наибольшие кассовые сборы получаются при возрастном рейтинге PG-13

2) Модель рентабельности кинокартины:

Для анализа предлагаются одновременно две модели: неустойчивую и укороченную по выборке линейную регрессию (2.3.1) или непараметрическую устойчивую к выбросам медианную регрессию (2.3.2).

Таблица 2.10. Итоговая оценка параметров для модели №2(Медианная регрессия).

Таблица 2.11. Итоговая оценка параметров для модели №2(МНК).

Обе модели адекватны с эконометрической и экономической точки зрения, объяснено 19,5% вариации рентабельности для модели линейной регрессии и примерно 3,3% для медианной регрессии. Все параметры значимы на 5% уровне значимости, кроме константы в линейной регрессии. Модель линейной регрессии чувствительна к выбросам и требует дополнительной спецификации (тест Рамсея) и расширения выборки, чтобы устранить мультиколлинеарность по переменной возрастного рейтинга (RTi), когда вторая модель более устойчива к выбросам и интересна для нашего анализа. Полученные оценки для модели медианной регрессии, несмотря на все уточнения и низкую степень подгонки, являются для нас более привлекательными, хотя по своей природе оценки медианной регрессии могут быть очень грубыми. Теперь мы можем тестировать гипотезы для модели №2.

Таблица 2.12. Результат тестирования гипотез и выводы по модели №2.

Для модели рентабельности:

Нулевая гипотеза:

Выводы

Рентабельность положительно зависит от наличия других фильмов в рассматриваемой кинофраншизе.

Гипотеза НЕ отвергается, чем выше бюджет, тем выше рентабельность. Скорее всего тут действует эффект масштаба.

Рентабельность положительно зависит от популярности жанра.

Гипотеза отвергается, более рентабельны серьёзные картины ориентированные на награды.

Рентабельность положительно зависит от актёрского и производственного состава.

Гипотеза отвергается, более популярный актёрский и производственный состав стоит больших издержек, и даже большие кассовые сборы не всегда покрывают их.

Оценка кинокартины положительно влияет на киносборы.

Гипотеза отвергается, связи оценки кинокартины и рентабельности не обнаружено.

Рентабельность отрицательно зависит от ограничений на просмотр фильма.

Гипотеза отвергается, рентабельность во всех случаях выше, если есть возрастные ограничения. Наибольшие кассовые сборы получаются при возрастном рейтинге R, который не допускает на показ людей младше 17 лет.

По полученным результатам можно вывести две явные стратегии для кинокомпаний и подчеркнуть основные факторы, влияющие на них.

Стратегия №1: Максимизация кассовых сборов. Это генеральная стратегия для крупных фильмов. Кинокомпании стараются снимать фильмы популярных (кассовых) жанров с очень большой долей маркетинга в бюджете кинокартины. Также обнаруживается положительная связь самих затрат на фильм и итоговых кассовых сборов. Более успешны проекты с более чем одним фильмом в кинофраншизе. На сборы прямо влияют оценки кинокритиков и выбранный возрастной рейтинг. Оптимальным возрастным рейтингом является рейтинг PG 13. Объясняется это весьма просто. Студия несильно ограничивает свою аудиторию по возрасту, а взрослому зрителю действия кинофильма «детскими» не покажутся. Актёрский и производственный состав незначим в модели, однако, скорее всего, он уже нашёл отражение в бюджете кинокартины или для удачной маркетинговой компании фильма не критически важен фактор звёздного состава. Более формально стратегия описана в таблице 2.13.

Таблица 2.13. Стратегия кинокомпании №1.

Параметры:

Описание стратегии:

Цель:

Максимизация сборов

Жанр:

Популярные массовые фильмы, то есть развлекательное кино.

Бюджет:

Широкая маркетинговая компания, привлечение звёзд.

Целевая аудитория:

13+ и выше (Возрастной ценз PG-13 и выше).

Оценка кинокритиков:

Стратегия чувствительна к оценкам кинокритиков.

Звёздный состав актёров:

Нет связи с киносборами, скорее всего параметр уже отражён в бюджете.

Кинофраншиза:

Если присутствует кинофраншиза, то эффект маркетинговой компании будет эффективнее.

Стратегия №2: Максимизация рентабельности. Генеральная стратегия для некрупных фильмов. Кинокомпании стараются обдуманно вкладывать деньги в проект, главным фактором является отдача от вложенных средств. Кинокомпании подбирают серьёзные фильмы, ориентированные на награды для конкретных целевых аудиторий с возрастным цензом выше 13 лет (или 17-ти). Картины этого класса отличаются продуманным бюджетом с высокой отдачей на вложенный капитал, при этом присутствует эффект масштаба - наличие в кинофраншизе более одного фильма приводит к росту рентабельности. На последнюю уже не влияют оценки кинокритиков, наверно чаще всего фильмы сами по себе качественные. Однако наличие известного актёрского и производственного состава приводит к резкому падению рентабельности. Возможно, что затраты на гонорар популярным актёрам поглощают большую часть рентабельности или даже больше чем ту долю кассовых сборов, прирост которых они могут обеспечить присутствуя в фильме. Более формально стратегия описана в таблице №2.14

Таблица 2.14. Стратегия кинокомпании №2.

Параметры:

Описание стратегии:

Цель:

Максимизация рентабельности

Жанр:

Серьёзные фильмы, ориентированные на награды.

Бюджет:

Продуманная и эффективная маркетинговая компания.

Целевая аудитория:

13+ или 17+ и выше (Возрастной ценз PG-13 или R).

Оценка кинокритиков:

Стратегия НЕ чувствительна к оценкам кинокритиков.

Звёздный состав актёров:

Предпочитают не снимавшихся ранее актёров и недорогой производственный состав.

Кинофраншиза:

Если присутствует кинофраншиза, то эффект маркетинговой компании будет эффективнее.

Более подробная интерпретация результатов таблиц 2.22-23 приведена в разделе 3.3. Полученную нами эмпирическую модель можно использовать для предсказания кассовых сборов и рентабельности на выборках, попадающих в исследуемый временной коридор или со стандартным отклонением в 1-1,5 года, как было предложено в работе С. Шугана. Shugan S. M., Swait J. Enabling movie design and cumulative box office predictions using historical data and consumer intent-to-view //University of Florida, working paper. - 2000.

Глава 3. Оценка предпочтений российского зрителя

3.1 Анализ дескриптивной статистики

Описание исследуемой выборки. Общая первоначальная оцениваемая выборка состоит из 175 заполненных электронных форм анкет. Форма сбора данных: Google формы (Google forms). Выгрузка данных произведена 01.05.2016 на основе использования макросов в Excel при обработке отдельных вопросов опроса. Составленная готовая таблица импортирована в статистический пакет программного обеспечения STATA12. Дескриптивная статистика по выборке приведена в приложении №3.

Анкета опроса состоит из 23 вопросов, оценивающих: частоту просмотра фильмов, посещения кинотеатров и разнородные предпочтения респондентов по отношению к кинофильмам и своему свободному времени, а также характеристики самих респондентов. На основе опросника получены модельные переменные и описательные статистики по исследуемой выборке для определения её однородности. Рассмотрим основные социоэкономические параметры выборки (5 вопросов):

Таблица 3.1. Общая характеристика выборки

1.Пол респондента

Отв.

%

3. Род деятельности:

Отв.

%

Мужской

89

50.86

Учусь

88

50.29

Женский

86

49.14

Работаю

20

11.43

2. Проживает с родителями?

Работаю и учусь

65

37.14

Да

117

66.86

Не работаю и не учусь

2

1.14

Нет

58

33.14

4. Возрастная группа:

5. Материальное положение

15-19

12

6.86

Денег достаточно для приобретения необходимых продуктов и одежды, на более крупные покупки приходится откладывать

58

33.14

20

49

28.00

Покупка большинства товаров длительного пользования не вызывает трудностей, однако купить квартиру мы не можем

74

42.29

21

65

37.14

Денег достаточно чтобы ни в чем себе не отказывать

43

24.57

22

25

14.29

23

12

6.86

24-32

12

6.86

Типичный респондент - это неработающий 21-летний студент, проживающий с родителями, семья которого спокойно может позволить себе купить большинство товаров длительного пользования, но не может купить сверхдорогие товары, например квартиру. С некоторыми ограничениями можно назвать эту выборку молодёжной и подходящей для исследования предпочтений российской молодёжи в отношении зарубежных (американских фильмов).

Опишем основные статистические выкладки по однородности оцениваемой выборки и предпочтениям респондентов:

Таблица 3.2. Что предпочитает делать респондент в свободное время.

Опишем наших респондентов по их предпочтениям. Как видно из таблицы 3.2, наша выборка представлена любителями кино (85%), кафе (66%) и литературы (59%), что подчёркивает актуальность нашего исследования, т.к. подавляющее большинство любит посмотреть в свободное время кино. Этот вывод подтверждают результаты частотного анализа - 80% респондентов смотрят кино, как минимум, один раз в неделю, а половина из этих 80% смотрит кино, как минимум, один раз за пару дней.

Таблица 3.3. Как предпочитает респондент смотреть кино?

Как видно в таблице 3.3, респонденты практически равномерно отдают предпочтения как просмотру в кинотеатре, так и на торрент трекере, так и на онлайн стриминговых сервисах (45%-47%), однако практически никто не смотрит фильмы на дисковых носителях (2%).

Таблица 3.4. Как часто респондент смотрит кино?

Таблица 3.5. В каком случае респондент предпочитаете просмотр в кинотеатре?

Как видно из таблицы 3.5, более половины респондентов предпочитает пойти в кино по трём основным причинам: респондент следил за рекламной компанией (62%); фильма нет в открытом доступе (53%); его хотят посмотреть друзья/члены семьи респондента (50%).

Таблица 3.6. Какой жанр кино предпочитает респондент?

В основном российская молодёжь предпочитает комедии (71%), драмы (62%), и триллеры (50%). Данные таблицы 3.6. схожи с результатами обследования американских респондентов. Holbrook, Morris B., & Michela Addis. (2007). “Taste versus the Market: An Extension of Research on the Consumption of Popular Culture.” Journal of Consumer Research, 24(3), p. 420.

Таблица 3.7. Где и какое кино посмотрел респондент?

Где

Фильм я не

смотрел

В кинотеатре

На торрент трекере

На онлайн стриминг сервисе

На диске

Бэтмен против Супермена: На заре справедливости

101

70

3

1

0

Самый лучший день

142

16

9

8

0

Левиафан

109

18

32

14

2

Форсаж 7

85

75

8

5

2

Звездные Войны: Пробуждение Силы

85

76

7

6

1

Из машины

123

6

38

7

1

Одержимость

94

22

38

16

5

Таблица 3.8. Агрегированный тип фильма по жанру.

Страна производства:

Серьёзные фильмы целящиеся на награды

Популярные массовые фильмы

США

Из машины

Форсаж 7

США

Одержимость

Звездные Войны: Пробуждение Силы

США

Бэтмен против Супермена: На заре справедливости

Россия

Левиафан

Самый лучший день

Анализируя таблицы 3.7-3.8 можно прийти к крайне важному для нашего исследования выводу. Респонденты предпочитают смотреть популярные массовые американские фильмы (выделено зелёным) в кинотеатрах, а более серьёзные американские фильмы они предпочитают смотреть на торрент трекерах (выделено жёлтым). Такие же выводы можно получить по российским серьёзным, целящимся на награды, фильмам - их предпочитают смотреть на торрент трекерах (выделено жёлтым). Однако по массовым популярным российским фильмам нельзя сделать вывода о том, что их больше предпочитают смотреть в кино, так как выбранный нами фильм «Самый лучший день» посмотрело менее 19% респондентов (выделено красным), хотя это самый кассовый российский фильмом 2015 года (10,5 млн. $). Конкретно эту комедию смотрело слишком мало людей, чтобы сделать значимый вывод о предпочтениях респондентов при визуальном анализе. Вероятнее всего это связанно с тем, что фильм целится на более взрослую аудиторию. Также стоит заметить, что 95% респондентов обсуждают с друзьями просмотренные фильмы.

Таблица 3.9. Как часто респондент посещает кинотеатр?

В таблице №3.9 представлена наша главная зависимая переменная для эконометрического анализа - частота посещения кинотеатра. Это категориальная переменная, разделяющаяся на четыре категории: «чаще одного раза в неделю» (3; 2%); «раз в неделю» (20; 11%); «раз в 2-3 недели» (74; 42%); «реже одного раза в месяц» (78; 45%). Однако качественный мультикатегориальный анализ для этой переменной будет провести сложно, т.к. первые две категории неравномерно представлены в анализе: 2% и 11%, когда остальные две категории несут в себе 87% выборки, поэтому принято решение разделить выборку на две категории для дихотомического анализа. Первая подвыборка - «раз в месяц» с кодировкой 1 для 55% выборки (объединяя категории: чаще одного раза в неделю + раз в неделю + раз в 2-3 недели + реже одного раза в месяц); вторая подвыборка - «реже одного раза в месяц» с кодировкой 0 для 45%.

3.2 Оценка факторов, влияющих на предпочтения респондентов

Для оценки параметров модели предлагается использовать бинарную модель логистической регрессии. Перечень и расшифровка используемых в исследовании переменных представлены в таблице 3.10.

Таблица 3.10. Расшифровка используемых переменных.

Код

Расшифровка и раскодировка

Объясняемые переменные:

GO

Респондент предпочтёт пойти в кино чаще одного раза в месяц (1 - да; 0 -нет);

Объясняющие переменные:

GEN

Пол респондента (1 - мужчина; 0 - женщина);

AGE

Полный возраст респондента в годах;

W

Род деятельности (1 - учусь; 2 - работаю; 3 - работаю и учусь; 4- не работаю и не учусь); Базовая группа: 1 -учусь.

H

Проживает с родителями (1 - да; 0 - нет);

INC

Материальное положение (1 - достаточно для приобретения одежды и еды; 2 - достаточно для товаров длительного пользования; 3 - можно не в чём себе не отказывать); Базовая группа: 1 - достаточно для приобретения одежды и еды.

M2

Отношение к маркетингу фильма (1 -безразличие; 2 - пассивный интерес; 3 - активный интерес; 4 - крайне активный интерес) Базовая группа: 1 - безразличие.

FU2

Респондент предпочитает наличие в кинофраншизе более одного фильма (1 - да; 0 -нет);

TT

Респондент использует при просмотре фильмов торрент трекеры (1 - да; 0 -нет);

PR2

Респондент пользуется агрегированными оценками кинокритиков (1 - да; 0 -нет);

MDB

Респондент пользуется кинематографическими базами данных (1 - да; 0 -нет);

RUS

Респондент предпочитает кинокартины: (1 - только зарубежные; 2 - чаще всего зарубежные; 3 - примерно пополам; 4 - чаще всего российские; 5 -только российские); Базовая группа: 1 - только зарубежные.

FR*

Оценка степени влияния друзей на решение пойти в кино на конкретный фильм (от 1 для «совсем не влияет» до 5 для «имеет сильное влияние»);

BO*

Степень влияния кассовых сборов фильма при решении пойти в кино на конкретный фильм (от 1 для «совсем не важно» до 5 для «очень важно»);

PC*

Степень влияния бюджета фильма при решении пойти в кино на конкретный фильм (от 1 для «совсем не важно» до 5 для «очень важно»);

SP*

Степень влияния актёрского и производственного состава фильма при решении пойти в кино на конкретный фильм (от 1 для «совсем не важно» до 5 для «очень важно»);

AW*

Степень влияния количества наград у фильма при решении пойти в кино на конкретный фильм (от 1 для «совсем не важно» до 5 для «очень важно»);

FU*

Степень влияния кинофраншизы фильма при решении пойти в кино на конкретный фильм (от 1 для «совсем не важно» до 5 для «очень важно»);

M*

Степень влияния маркетинга фильма при решении пойти в кино на конкретный фильм (от 1 для «совсем не важно» до 5 для «очень важно»);

PR*

Степень влияния оценки кинокритиков при решении пойти в кино на конкретный фильм (от 1 для «совсем не важно» до 5 для «очень важно»);

GN*

Степень влияния жанра фильма при решении пойти в кино на конкретный фильм (от 1 для «совсем не важно» до 5 для «очень важно»);

Примечание: для выделенных знаком «*» переменных, базовая группа «1»: «совсем не важно».

Стоит уточнить, что базовая группа «1» удаляется для каждой категориальной переменной, у которой более двух категорий, чтобы избежать ловушки искусственных переменных. Также до оценки модели проведён анализ мультиколлинеарности между всеми переменными и их группами - максимальный VIF составил 2,04; средний VIF 1,34;. Мультиколлинеарность не выявлена.

Количество переменных в этой модели является избыточным для выборки в 175 респондентов, поэтому необходимо более осторожно подойти к процессу спецификации модели. Принято решение, несмотря на большую критику подхода в ряде эконометрических учебников, Аистов А. В., Максимов А. Г. Эконометрика шаг за шагом. Учеб. пособие для вузов-М.: Изд. дом ГУ ВШЭ, 2006.- стр. 58. применить пошаговую регрессионную процедуру в двух вариациях: PE-процедура - рассчитывается общая модель со всеми регрессорами и далее пошагово удаляются незначимые на 20% уровне значимости параметры; PR-процедура - расчёты начинается с пустой модели и в неё добавляются наиболее значимые переменные, пока все значимые на 20% уровне значимости переменные не будут добавлены. Также, учитывая результаты главы №2 необходимо учесть влияние гетероскедастичности на значимость параметров, поэтому для каждой процедуры также продублированы расчёты для робастных стандартных ошибок.

Итоговый результат этих процедур представлен в таблице 3.11:

Таблица 3.11 Оценки параметров логистической регрессии:

Можно считать, что по степени подгонки модели эквиваленты, однако в каждой модели разный набор переменных и необходимо выбрать наиболее адекватную модель для оценки нашей выборки. Для выбора оптимальной модели мы будем использовать оценку площади под ROC-кривой, по методологии, предложенной М. Клеве. Cleves M. A., Rock L. From the help desk: Comparing areas under receiver operating characteristic curves from two or more probit or logit models //The Stata Journal. - 2002. - Т. 2. - №. 3. - С. 301-313. Чем больше будет выгнута ROC-кривая, тем более точным является прогнозирование результатов модели.

Оценивая таблицу 3.12, было принято решение остановиться на модели с PR-процедурой подбора параметров с робастными стандартными ошибками, как модели с большим значением под ROCC кривой (и как наименее противоречащей экономическому смыслу модели). Оценим качество нашей модели в таблице 3.13.

Таблица 3.12. Оценка площади под ROC кривой для выбора модели:

Таблица 3.13. Дополнительная статистика по модели:

Качество модели характеризуют: критерий согласия Хосмера-Лемешова (р=0,5415, что явно больше 5% ур. значимости), чувствительность - 83,16%, специфичность - 68 %. Прогностичность положительного результата 76,7%, прогностичность отрицательного результата - 76,12%. (см. приложение №10)

Оценивая выбросы в приложении №9 можно предположить, что в модели есть порядка десяти выбросов (по пять с каждой стороны подвыборок). Там же оценивая график чувствительности к специфичности, можно оценивать и изменять критерий отсечения одной подвыборки от другой. Предполагается, что для достижения более качественного разделения выборки необходимо расширить выборку и достичь двух равномерных подвыборок (50% на 50%) и избавиться от выбросов.

Оценим логит-модель в таблице 3.14:

Таблица 3.14. Оценки модели логистической регрессии:

Мы заинтересованы в том, чтобы узнать, какой эффект имеет изменение в определённой переменной на вероятность пойти в кинотеатр. Для этого необходимо вычислить маржинальный эффект этой переменной в данной регрессии. Для этого в STATA существует команда margins, atmeans c различными опциями, которая вычисляет маржинальные эффекты, фиксируя значения всех регрессоров на уровне средних (алгоритм процедуры опции atmeans). Другими словами, для более объективного анализа воспользуемся оценкой предельного эффекта влияния этого параметра на вероятность пойти в кино. (табл. 3.15 и см. приложение №11).

Таблица 3.15. Оценка предельных эффектов и интерпретация результатов:

Код

П.Э. П.Э. -предельный эффект.

пп.

Интерпретация

_IPC_3

0,3503

35,03 пп.

Если для респондента нейтрален бюджет фильма, то вероятность что он пойдёт в кино вырастет на 35 пп.

_IM_3

0,3370

33,70 пп.

Если для респондента нейтральна маркетинговая компания фильма, то вероятность что он пойдёт в кино вырастет на 34 пп.

PR2

0,3118

31,18 пп.

Если респондент использует агрегированные оценки кинокритиков, то вероятность что он пойдёт в кино вырастет на 31 пп.

_IPC_2

0,3071

30,71 пп.

Если для респондента скорее неважен бюджет фильма, то вероятность что он пойдёт в кино вырастет на 31 пп.

H

0,2676

26,76 пп.

Если для респондента живёт с родителями, то вероятность что он пойдёт в кино вырастет на 27 пп.

_IAW_5

0,2577

25,77 пп.

Если для респондента очень важны премии и награды фильма, то вероятность что он пойдёт в кино вырастет на 26 пп.

_IM_4

0,2523

25,23 пп.

Если для респондента скорее важна маркетинговая компания фильма, то вероятность что он пойдёт в кино вырастет на 25 пп.

_IW_2

0,2465

24,65 пп.

Если респондент учится и работает, то вероятность что он пойдёт в кино вырастет на 25 пп.

_IPC_4

0,2430

24,30 пп.

Если для респондента скорее важен бюджет фильма, то вероятность что он пойдёт в кино вырастет на 24 пп.

_IM_2

0,1997

19,97 пп.

Если для респондента скорее неважна маркетинговая компания фильма, то вероятность что он пойдёт в кино вырастет на 20 пп.

TT

0,1981

19,81 пп.

Если респондент пользуется торрент трекерами для просмотра фильмов, то вероятность что он пойдёт в кино вырастет на 20 пп.

FU2

0,1885

18,85 пп.

Если респондент любит большие кинофраншизы, то вероятность, что он пойдёт в кино, вырастет на 19 пп.

_IFR_3

-0,1939

-19,39 пп.

Если есть среднее влияние мнения друзей на респондента, то вероятность, что он пойдёт в кино упадёт на 19 пп.

_IPR_4

-0,2087

-20,87 пп.

Если для респондента скорее важна оценка кинокритиков по фильму, то вероятность, что он пойдёт в кино упадёт на 21 пп.

_IRUS_2

-0,2088

-20,88 пп.

Если респондент чаще смотрит зарубежные фильмы, то вероятность, что он пойдёт в кино упадёт на 21 пп.

_IBO_3

-0,2195

-21,95 пп.

Если для респондента нейтрально значение кассовых сборов фильма, то вероятность, что он пойдёт в кино упадёт на 22 пп.

_IGN_5

-0,2266

-22,66 пп.

Если для респондента очень важен жанр фильма, то вероятность, что он пойдёт в кино упадёт на 23 пп.

_IBO_2

-0,3504

-35,04 пп.

Если для респондента скорее не важны кассовые сборы фильма, то вероятность, что он пойдёт в кино упадёт на 35 пп.

_ISP_3

-0,3746

-37,46 пп.

Если для респондента нейтрален актёрский и производственный состав фильма, то вероятность, что он пойдёт в кино упадёт на 37 пп.

_IPR_2

-0,4710

-47,10 пп.

Если для респондента скорее неважна оценка кинокритиков по фильму, то вероятность, что он пойдёт в кино упадёт на 47 пп.

3.3 Рекомендации по повышению эффективности управленческих стратегий

На основе результатов главы №2 были выявлены две основные управленческие стратегии: стратегия максимизации кассовых сборов кинокартины (1) и стратегия максимизации рентабельности кинокартины (2).

Они предполагают разный подход к выбору жанра и целевой аудитории.

Таблица 3.16. Сводная таблица 1 - стратегия/рекомендации:

Стратегия:

Максимизация сборов

Максимизация рентабельности

Рекомендации для России:

Необходимо выбирать популярные жанры (комедии, боевики и т.п.), привлекая известных звезд. Фактор «звёздного актёрского состава» в этой модели незначим, однако мы вводим предпосылку, что он значим, и положительно влияет на сборы для такого типа стратегии. Важно планомерно работать над оценкой кинокритиков и стараться угадать общие желания аудитории (от 13 лет и выше). Необходимо отдавать предпочтения фильмам с существующей кинофраншизой. Предпочтение семейным фильмам.

Необходимо выбирать серьёзные жанры (драмы, триллеры и т.п.). Ориентироваться на получение наград и премий. Стараться привлекать к съемкам ранее не снимавшихся актёров. Для фильма оценка кинокритиков уходит на второй план. Необходимо отдавать предпочтения фильмам с существующей кинофраншизой. Предлагается выделить целевую аудиторию (от 13 лет и выше или от 17 лет и выше) и в дальнейшем работать с ней.

На основе анализа таблицы 3.5 в начале главы можно прийти к грубому выводу, что основными драйверами похода в кино для российской молодёжи являются:

Ш Привлёкшая конкретного респондента маркетинговая компания (a);

Ш Отсутствие фильма в открытом доступе в интернете (b);

Ш Желание респондента пойти в кино с друзьями или членами семьи (c).

Это подтверждают предельные эффекты для нашей логистической регрессии. Так, например, студент, живущий с родителями, имеет на 27 пп. больше вероятность пойти в кино, чем живущий отдельно (c). Более того, молодежь обсуждает с друзьями фильмы в 95% случаев (вопрос №15). Например, студент, использующий торрент трекеры (у него на 20 пп. выше вероятность посещения кинотеатра), может не дождаться появления фильма в открытом доступе и пойти в кинотеатр (b). Студент, оценивающий агрегированные оценки кинокритиков (часто это производная от качественного маркетинга и большого бюджета фильма) имеет на 31 пп. выше вероятность пойти в кино при прочих равных, а студент, отметивший маркетинг от ответа «скорее не важно», до ответа «скорее важно» повышает вероятность пойти в кино от 20 пп. до 34 пп. (a). Предполагается, что уже плюс-минус нейтральное отношение к маркетингу является значимым драйвером похода в кинотеатр, такой же вывод применим к бюджету кинофильма.

В итоге, мы предполагаем, что молодёжь можно разделить на три целевые группы и разработать отдельные управленческие и маркетинговые стратегии, продолжая логику таблицы 3.16 в таблице 3.17:

Таблица 3.17 Сводная таблица 2 - стратегия/рекомендации:

Стратегия:

Максимизация сборов

Максимизация рентабельности

Рекомендации по Российской аудитории (a):

Широкая маркетинговая компания по привлечению всех возрастных категорий, на который рассчитан фильм. Поддерживать высокую оценку фильма у кинокритиков и ориентировать на неё аудиторию.

Привлекать популярных актёров.

Выбрать конкретную целевую аудиторию и сфокусировать основные маркетинговые средства на неё. Стараться привлекать молодых, подающих большие надежды актёров.

Рекомендации по Российской аудитории (b):

Если выбран жанр популярного кино, необходимо вести активную борьбу с незаконным распространение фильма в течение пары первых уикэндов. Важен только краткосрочный эффект.

Если выбран жанр серьёзного кино, необходимо вести активную борьбу с незаконным распространением фильма в интернете, в особенности на торрент трекерах. Важен долгосрочный эффект.

Рекомендации по Российской аудитории (c):

Привлекать одновременно разные категории зрителей: дети и их родители, молодые пары, компании друзей, коллеги по работе и т.д….

Акцентировать внимание при маркетинге на предпочтительности взрослой аудитории.

Более того, нами выдвигается ряд дополнительных рекомендаций:

1) Была обнаружена значимая корреляция (наличие линейной связи) частоты просмотра фильмов респондентом и факта использования торрент трекеров при просмотре фильмов. Пик просмотра по торрент треккерам приходится на недельный промежуток. Другими словами, респонденты, использующие торренты, чаще всего смотрят кино раз в неделю, и на основании этого факта мы можем предположить, что чисто технически, скорее всего это выходные дни: суббота и воскресенье (есть корреляция частоты просмотра и видов занятости респондентов). Для кинокомпаний, в свете этого предположения, имеет смысл активно бороться с незаконными торрентами уже начиная с пятницы, чтобы нивелировать вероятность того, что респондент сможет незаконно просмотреть фильм на выходных и тем самым повысить вероятность его похода в кинотеатр. Для российского кинематографа особенно важно бороться с незаконным распространением фильмов серьёзных жанров, частота просмотра которых на торрентах значимо выше, чем частота просмотра популярных жанров (табл. 3.7).

2) Оценивая результаты логистической регрессии, можно прийти к выводу, что если для респондента очень важны награды и премии у фильма, то вероятность того, респондент пойдёт в кинотеатр вырастет на 26 пп. Это подтверждает результаты, полученные в исследовании Д. Краусса Krauss J. et al. Predicting Movie Success and Academy Awards through Sentiment and Social Network Analysis //ECIS. - 2008. - С. 2026-2037. и М. Хаустона Hennig-Thurau T., Houston M. B., Walsh G. Determinants of motion picture box office and profitability: an interrelationship approach //Review of Managerial Science. - 2007. - Т. 1. - №. 1. - С. 65-92.. Поэтому, стоит обратить большее внимание на получение наград и премий для фильмов с серьёзным жанром (на которые они в общем и ориентированы), т.к. это значимый драйвер похода в кино молодёжи.

3) Общей рекомендацией для киноиндустрии на основе нашего анализа, будет предложение создавать узнаваемую киноиндустрией и рынком кинофраншизу. Как было замечено в работе М. Холбрука и М. Аддис Holbrook M. B., Addis M. Art versus commerce in the movie industry: A two-path model of motion-picture success //Journal of Cultural Economics. - 2008. - Т. 32. - №. 2. - С. 87-107., более узнаваемая кинофраншиза приносит больший финансовый успех кинокартине.

Заключение

Целью исследования являлось определение ключевых факторов, влияющих на успех фильма, и разработка на основе полученных данных рекомендаций по повышению эффективности управленческих стратегий в сфере кинематографа для российского рынка.

Критерий успеха фильма рассматривался на основе двух отдельных показателей: кассовых сборов и рентабельности. Оценка успешности фильма была проведена на основе данных по ста наиболее кассовым фильмам американского рынка кино. В итоге получены две адекватные и значимые модели линейной регрессии для оценки кассовых сборов и рентабельности (для параметра рентабельности, страдающего от наличия выбросов, также построена модель медианной регрессии с более устойчивыми оценками).

Оценка российского рынка кинематографа проведена на основе анализа опроса 175 респондентов, представляющих студенческую молодёжь и их кинематографические предпочтения. На основе полученных данных построена модель бинарной логистической регрессии, предсказывающей вероятность, что респондент пойдёт в кинотеатр.

В процессе выполнения поставленных в работе задач, были получены следующие результаты, позволяющие сделать вывод о достижении поставленной цели:

1) Протестированы гипотезы о влиянии ряда параметров кинофильмов на их кассовые сборы и рентабельность. Получены следующие выводы:

Таблица 3.18. Выводы по тестированию гипотез

Модель кассовых сборов

Модель рентабельности

Гипотеза

Вывод

Гипотеза

Вывод

Кассовые сборы положительно зависят от бюджета кинокартины.

Не отвергается

Рентабельность положительно зависит от наличия других фильмов в рассматриваемой кинофраншизе.

Не отвергается

Наличие более одного кинофильма в кинофраншизе положительно влияет на кассовые сборы.

Не отвергается

Рентабельность положительно зависит от популярности жанра.

Отвергается, зависимость обратная.

Более популярные жанры фильмов приносят больше кассовых сборов.

Не отвергается

Рентабельность положительно зависит от актёрского и производственного состава.

Отвергается, зависимость обратная.

Кассовые сборы положительно зависит от актёрского и производственного состава.

Отвергается, связи не обнаружено.

Оценка кинокартины положительно влияет на киносборы.

Отвергается, связи не обнаружено.

Оценка кинокартины положительно влияет на киносборы.

Не отвергается

Рентабельность отрицательно зависит от возрастных ограничений на просмотр фильма.

Отвергается, если есть возрастное ограничение, сборы будут выше. Оптимальные рейтинги: PG-13 и R

Фильмы без возрастного ограничения положительно влияют на кассовые сборы.

Отвергается. Если есть возрастное ограничение, сборы будут выше. Оптимальный рейтинг: PG-13.

2) Определены предпочтения российских зрителей, на примере российской молодежи, в отношении зарубежных (американских) фильмов, а также факторы, влияющие на эти предпочтения: бюджет кинокартины, оценка кинокритиков, премии и награды кинофильма, маркетинговая программа, размер кинофраншизы, использование торрент трекеров и ряд социоэкономических параметров респондента.

3) Обоснованы рекомендации по повышению эффективности управленческих стратегий в сфере кинематографа для местного рынка по трём основным целевым группам и по двум основным моделям успешности кинофильма.

Список использованной литературы

1) Аистов А. В., Максимов А. Г. Эконометрика шаг за шагом. Учеб. пособие для вузов-М.: Изд. дом ГУ ВШЭ, 2006.-178, c. - ISBN 5-7598-0332-9.

2) Вентцель Е.С. Теория вероятностей: Учеб. для вузов. -- 6-е изд. стер. -- М.: Высш. шк., 1999.

3) Кумылганова И. А. и др. Проблемы классификационных систем теле- и киноиндустрии США в защите детей от нежелательной аудио-визуальной инф-ии //Медиаскоп. - 2009. - №. 3. - С. 6.

4) Сардарян Г.Т. Факторы, определяющие успех фильма с точки зрения кассовых сборов. М. НИУ-ВШЭ. 2015

5) Трегуб А.В., Трегуб И.В. Методика прогнозирования основных показателей развития отраслей российской экономики // Вестник МГУЛ - Лесной вестник. 2014. №4 (104) С.231-236.

6) Bagella M., Becchetti L. The determinants of motion picture box office performance: Evidence from movies produced in Italy //Journal of Cultural economics. - 1999. - Т. 23. - №. 4. - С. 237-256.

7) Boatwright P., Basuroy S., Kamakura W. Reviewing the reviewers: The impact of individual film critics on box office performance //Quantitative Marketing and Economics. - 2007. - Т. 5. - №. 4. - С. 401-425.

8) Box Office Mojo [Электронный ресурс]: база данных. -- Режим доступа: boxofficemojo.com

9) Cleves M. A., Rock L. From the help desk: Comparing areas under receiver operating characteristic curves from two or more probit or logit models //The Stata Journal. - 2002. - Т. 2. - №. 3. - С. 301-313.

10) Collins A., Hand C., Snell M. C. What makes a blockbuster? Economic analysis of film success in the United Kingdom //Managerial and Decision Economics. - 2002. - Т. 23. - №. 6. - С. 343-354.

11) De Vany A. S., Walls W. D. Estimating the effects of movie piracy on box-office revenue //Review of Industrial Organization. - 2007. - Т. 30. - №. 4. - С. 291-301.

12) Elberse, Anita and Bharat Anand. (2007) “The effectiveness of pre-release advertising for motion pictures: An empirical investigation using a simulator market.” Information Economics and Policy, 19, 319-43.

13) Eliashberg, J. & Shugan, S.M. 1997. `Film critics: Influencers or predictors?' Journal of Marketing, 61(2): 68- 78.

14) Elliott C., Simmons R. Determinants of UK box office success: the impact of quality signals //Review of Industrial Organization. - 2008. - Т. 33. - №. 2. - С. 93-111.

15) Garvin, David A. “Blockbusters: The Economics of Mass Entertainment.” Journal of Comparative Economics 5 (1981): 1-20.

16) Hennig-Thurau T., Houston M. B., Walsh G. Determinants of motion picture box office and profitability: an interrelationship approach //Review of Managerial Science. - 2007. - Т. 1. - №. 1. - С. 65-92.

17) Holbrook M. B., Addis M. Art versus commerce in the movie industry: A two-path model of motion-picture success //Journal of Cultural Economics. - 2008. - Т. 32. - №. 2. - С. 87-107.

18) Holbrook, Morris B., & Michela Addis. (2007). “Taste versus the Market: An Extension of Research on the Consumption of Popular Culture.” Journal of Consumer Research, 24(3), 415-24.

19) Internet Movie Database [Электронный ресурс]: база данных. -- Режим доступа: Imdb.com

20) Krauss J. et al. Predicting Movie Success and Academy Awards through Sentiment and Social Network Analysis //ECIS. - 2008. - С. 2026-2037.

21) Litman, B. 1983. “Predicting success of theatrical movies: An empirical study”, Journal of Popular Culture, 16(spring): 159-175

22) Metacritic [Электронный ресурс]: база данных. -- Режим доступа: metacritic.com

23) Nelson R. A., Glotfelty R. Movie stars and box office revenues: an empirical analysis //Journal of Cultural Economics. - 2012. - Т. 36. - №. 2. - С. 141-166.

24) Pangarker NA; Smit EVDM (2013). The determinants of global box office performance in the film industry revisisted.

25) Prag J., Casavant J. An empirical study of the determinants of revenues and marketing expenditures in the motion picture industry //Journal of Cultural Economics. - 1994. - Т. 18. - №. 3. - С. 217-235.

26) Rotten Tomatoes [Электронный ресурс]: база данных. -- Режим доступа: rottentomatoes.com

27) Shugan S. M., Swait J. Enabling movie design and cumulative box office predictions using historical data and consumer intent-to-view //University of Florida, working paper. - 2000.

28) The Numbers - Movie Box Office Data, Film Stars, Idle Speculation. [Электронный ресурс]: база данных. -- Режим доступа: <http://www.the- numbers.com>.

29) Topf, Patrick, "Examining Success at the Domestic Box-Office in the Motion Picture Industry" (2010). Honors Projects. Paper 110.

30) Zhang L., Luo J., Yang S. Forecasting box office revenue of movies with BP neural network //Expert systems with applications. - 2009. - Т. 36. - №. 3. - С. 6580-6587.

Приложения

Приложение №1

Программный код STATA

global xlist0 "BO P PC FU GN SP PR RT"

pwcorr $xlist0, star(0.1)

global xlist1 "BO PC FU GN SP PR RT"

reg $xlist1

global xlist2 "P FU GN SP PR RT"

reg $xlist2 if P<9

quietly reg $xlist1

est store I

quietly reg BO lnPC FU GN SP PR RT

est store II

quietly reg BO lnPC FU GN SP PR i.RT

est store III

quietly reg lnBO lnPC FU GN SP PR i.RT

est store IV

est table I II III IV, stats(N rss r2 r2_a) star(0.1,0.05,0.01)

sum lnBO

gen mean_lnBO=r(mean)

gen BO_new=BO/exp(mean_lnBO)

gen lnBO_new=ln(BO_new)

quietly reg BO_new lnPC FU GN SP PR i.RT

scalar rss1=e(rss)

quietly reg lnBO_new lnPC FU GN SP PR i.RT

scalar rss2=e(rss)

scalar chi2=(100/2)*abs(ln(rss1/rss2))

scalar pvalue=chi2tail(1,chi2)

scalar list chi2 pvalue rss1 rss2

global xlist2_1 "P FU GN SP PR i.RT"

quietly reg $xlist2 if P<9

est store I

quietly reg $xlist2_1 if P<9

est store II

est table I II, stats(N rss r2 r2_a) star(0.1,0.05,0.01)

global main1 "lnBO lnPC FU GN SP PR i.RT"

global main2 "P FU GN SP PR i.RT"

reg $main1

collin lnPC FU GN SP PR r_PG13 r_PG r_R

pwcorr lnPC FU GN SP PR r_PG13 r_PG r_R

reg $main2 if P<9

collin FU GN SP PR r_PG13 r_PG r_R if P<9

reg $main1

estat imtest, white

estat hettest, rhs mtest

reg $main2 if P<9

estat imtest, white

estat hettest, rhs mtest

reg $main1,robust

reg $main2 if P<9,robust

predict RES, res

swilk RES

kdensity RES, normal

reg $main1

predict RESST1, rstudent

twoway (scatter RESST1 id, sort)

reg $main2 if P<9

predict RESST2, rstudent

twoway (scatter RESST2 id, sort)

reg $main1

predict cooksd1, cooksd

list lnBO if cooksd1 > 4/100

reg $main2 if P<9

predict cooksd2, cooksd

list P if cooksd2 > 4/95

quietly reg lnBO lnPC FU GN SP PR r_PG13 r_PG r_R,robust

est store ols1

quietly qreg lnBO lnPC FU GN SP PR r_PG13 r_PG r_R

est store med1

quietly reg P FU GN SP PR r_PG13 r_PG r_R,robust

est store ols2

quietly qreg P FU GN SP PR r_PG13 r_PG r_R

est store med2

est tab ols1 med1 ols2 med2, stats(N rss r2 r2_a) star(0.1,0.05,0.01)

reg $main1,robust

ovtest

reg $main2 if P<9,robust

ovtest

reg $main1

est store all

scalar rss_all=e(rss)

scalar df_all=e(df_r)

reg $main1 if P<=2.5

est store lowP

scalar rss1=e(rss)

scalar df1=e(df_r)

reg $main1 if P>2.5

est store upP

scalar rss2=e(rss)

scalar df2=e(df_r)

est tab all lowP upP, stats(N rss r2 r2_a) star(0.1,0.05,0.01)

scalar F=((rss_all-rss1-rss2)/9)/((rss1+rss2)/(100-2*9))

display F

xi: stepwise, pr(.20): logit GO i.RUS i.BO i.PC i.SP i.AW i.FU i.M i.PR i.GN TT PR2 FU2 i.FR i.M2 GEN AGE i.W H i.INC

est store PR

xi: stepwise, pe(.20): logit GO i.RUS i.BO i.PC i.SP i.AW i.FU i.M i.PR i.GN TT PR2 FU2 i.FR i.M2 GEN AGE i.W H i.INC

est store PE

xi: stepwise, pr(.20): logit GO i.RUS i.BO i.PC i.SP i.AW i.FU i.M i.PR i.GN TT PR2 FU2 i.FR i.M2 GEN AGE i.W H i.INC, vce(robust)

est store PR_robust

xi: stepwise, pe(.20): logit GO i.RUS i.BO i.PC i.SP i.AW i.FU i.M i.PR i.GN TT PR2 FU2 i.FR i.M2 GEN AGE i.W H i.INC, vce(robust)

est store PE_robust

est tab PR PE PR_robust PE_robust, stats(N ll r2_p chi2 k aic bic) star(0.15,0.1,0.05)

roccomp GO PR_ PE_ PR_robust PE_robust, graph summary

prchange

mfx compute

listcoef

fitstat

lstat

lfit

Приложение №2

Анкета

1.Как часто Вы смотрите кино? Отметьте только один ответ.

Ш раз в день

Ш раз в пару дней

Ш раз в неделю

Ш раз в месяц

Ш реже одного раза в месяц

2.Где чаще всего Вы смотрите кино? Отметьте все подходящие варианты.

Ш В кинотеатре

Ш На дисковых носителях (Blu-ray, DVD)

Ш На онлайн стриминг сервисах (IVI, Netflix итд.)

Ш На торрент трекерах

3.Как часто Вы ходите в кинотеатры? Отметьте только один ответ.

Ш Чаще одного раза в неделю

Ш Раз в неделю

Ш Раз в 2-3 недели

Ш Реже одного раза в месяц

4.Какие фильмы Вы предпочитаете; зарубежные или российские? Один ответ.

Ш Только зарубежные

Ш Чаще всего зарубежные

Ш Примерно пополам

Ш Чаще всего российские

Ш Только российские

5.Какие из следующих фильмов Вы смотрели? Отметьте все подходящие варианты.

Ш Бэтмен против Супермена: На заре справедливости (Batman v Superman: Dawn of Justice)

Ш Самый лучший день

Ш Левиафан

Ш Форсаж 7 (Furious 7)

Ш Звездные Войны: Пробуждение Силы (Star Wars: The Force Awakens)

Ш Из машины (Ex Machina)

Ш Одержимость (Whiplash)

Ш Ни один из вышеперечисленных фильмов я не смотрел/смотрела

6.Где Вы смотрели каждый из этих фильмов? Отметьте только один ответ в каждом ряду для каждого фильма.

Бэтмен против Супермена: На заре справедливости

Самый лучший день

Левиафан

Форсаж 7

Звездные Войны: Пробуждение Силы

Из машины

Одержимость

В кинотеатре

На дисковых носителях

На онлайн стриминг сервисах

На торрент трекерах

Я не смотрел этот фильм

7.Какие жанры кино Вы предпочитаете? Отметьте все подходящие варианты.

Ш Драмы

Ш Комедии

Ш Боевики (В том числе вестерны)

Ш Триллеры

Ш Хоррор

Ш Sci-fi

Ш Фантастика

Ш Другое:

8.Есть ли у Вас самый любимый жанр? (В случае если есть, впишите) Отметьте только один ответ.

Ш Нет

Ш Другое:

9.На что Вы обращаете внимание при выборе фильма? В каждой строке дайте ответ.

Очень

важно

Скорее

важно

Безразлично

Скорее

неважно

Совсем

неважно

Кассовые сборы

Производственные затраты

Актерский и производ. состав

Премии

Является ли фильм сиквелом

Маркетинг

Оценки кинокритиков

Жанр

10.Пользуетесь ли Вы сайтами с агрегированными оценками кинокритиков? (такими как Rotten Tomatoes, Metacritic и прочее). Один ответ.

Ш Да, пользуюсь

Ш Нет, не пользуюсь, но о таких ресурсах слышал

Ш О данных сайтах слышу впервые

11.Пользуетесь ли Вы кинематографическими базами данных? (такими как IMDB и кинопоиск). Один ответ.

Ш Да, пользуюсь

Ш Нет, не пользуюсь, но о таких ресурсах слышал

Ш О данных сайтах слышу впервые

12.Пользуетесь ли Вы торрент трекерами в целях просмотра фильма? Один ответ.

Ш Да, пользуюсь

Ш Нет, не пользуюсь

13.В каком случае Вы предпочитаете просмотр фильма в кинотеатре?. Отметьте все подходящие варианты.

Ш В открытом доступе этого фильма еще нет

Ш Я следил за рекламной компанией фильма и заинтересованы в его полноценном просмотре

Ш Если его захотят посмотреть мои друзья/члены семьи

Ш Наличие 3D эффектов и других технологий имеющих больший эффект в кино

Ш В любом случае предпочту посмотреть дома/вне кинотеатра

Ш В любом случае предпочту посмотреть в кинотеатре

14.Какие типы проектов Вы предпочитаете. Отметьте все подходящие варианты.

Ш Ребуты (перезапуск ранее существующей кино-вселенной)

Ш Приквелы и Сиквелы (продолжения внутри существующей кино-вселенной)

Ш Оригинальные сольные проекты

15.Обсуждаете ли Вы кино со своими друзьями? Один ответ.

Ш Да

Ш Нет

16.Если обсуждаете, влияет ли мнение друзей на Ваш выбор? Как сильно? Один ответ. 1(Совсем не влияет) до 5(Имеет сильное влияние).

17.Какое внимание вы обращаете на маркетинг фильма? Отметьте все подходящие варианты.

Ш Слежу за выпущенными трейлерами и рекламными роликами

Ш Читаю статьи и интервью посвященные фильму

Ш Рекламная компания фильма мне безразлична, не слежу

18.Укажите Ваш пол. Один ответ.

Ш М

Ш Ж

19.Укажите Ваш возраст (полных лет).

20.Род деятельности. Один ответ.

Ш Учусь

Ш Работаю

Ш Работаю и учусь

Ш Не работаю и не учусь

21.На данный момент вы проживаете с родителями? Один ответ.

Ш Да

Ш Нет

22.Какая из приведенных ниже оценок наиболее точно характеризует материальное положение Вашей семьи? Один ответ.

Ш Денег не хватает даже на приобретение продуктов питания

Ш Денег хватает только на приобретение продуктов питания

Ш Денег достаточно для приобретения необходимых продуктов и одежды, на более крупные покупки приходится откладывать

Ш Покупка большинства товаров длительного пользования (холодильник, телевизор) не вызывает трудностей, однако купить квартиру мы не можем

Ш Денег достаточно чтобы ни в чем себе не отказывать

23.Что Вы предпочитаете делать в свободное время? Отметьте все подходящие варианты.

Ш Смотреть кино

Ш Играть в видеоигры

Ш Читать литературу

Ш Ходить в театры

Ш Посещать музеи

Ш Ходить в кафе

Ш Совершать поездки на природу

Приложение №3

Процедура спецификации моделей (1) и (2)

Спецификация модели №1

Необходимо учесть, что напрямую по коэффициенту детерминации нельзя сравнивать изменения во всех моделях, поэтому мы будем специфицировать модель пошагово. Сначала логарифмируем PC и посмотрим на изменение по обычному коэффициенту детерминации, если он вырастет, то модель с логарифмом более предпочтительна. Далее мы рассмотрим переменную RT как 3 отдельные переменные и посмотрим на изменение нормированного коэффициента детерминации, если он вырастет, то модель с отдельными возрастными рейтингами будет предпочтительнее. И наконец, на третьем шаге мы логарифмируем переменную кассовые сборы, но использовать коэффициенты детерминации для сравнения мы уже не сможем. Мы воспользуемся тестом Бокса-Кокса:

Гипотезы: : Нет различий между моделями, : Иначе.

Процедура теста Бокса-Кокса:

1. Рассчитываем геометрическое среднее зависимых данных

2. Преобразовываем зависимые данные следующим образом:

(Пункты 1-2, не что иное, как преобразование Зарембки, это необходимо, чтобы RSS моделей были сравнимы).

3. Строим регрессию вида:

и получаем

4. Строим регрессию вида:

и получаем

5. Рассчитываем статистику следующего вида:

6. Получаем либо P-value, либо критическое значение хи-квадрат распределения с одной степенью свободы для нужного уровня значимости

7. Принимаем решение: если уровень значимости больше P-value или рассчитанное значение лежит вне пределов критических значений, то отвергаем . Если не отвергается, то выбираем любую модель, если отвергается, то выбираем модель с меньшим значением RSS.

Рассмотрим следующую сводную таблицу №4.1 по всем шагам:

Таблица №4.1 Сводная таблица по спецификации модели №1

На первом шаге обычный R2 упал на более чем 8%, что говорит о том, что модель I предпочтительнее. Однако мы игнорируем это падение, так как в дальнейшем при спецификации оно практически нивелируется, остановимся на модели II. На втором шаге нормированный R2 вырос почти на полпроцента, что говорит о том, что модель III предпочтительнее модели II, хоть и все новые переменные оказались незначимыми (далее мы покажем почему они важны в анализе). Модели III и IV сравниваются друг с другом с помощью теста Бокса-Кокса, его результаты представлены в таблице №2.4.

Таблица №4.2 Тест Бокса-Кокса для модели №1

Как видно из результатов тестирования, P-value меньше любого адекватного уровня значимости, следовательно, нулевая гипотеза об эквивалентности моделей отвергается, выбираем модель с наименьшим значением RSS. Наименьшее значение RSS мы получаем в логарифмической модели (26,98), следовательно, мы окончательно выбираем модель IV. Стоит заметить, что если бы мы не логарифмирответи переменную бюджета на первом шаге, мы бы получили чуть более качественную модель в плане подгонки, но мы предпочтём иметь распределение ошибок, более приближенное к нормальному распределению, а логарифм бюджета нас к этому больше приблизит.

Спецификация модели №2

Как видно по таблице №4.3, нормированный R2 вырос на целых 2%, хоть и переменные оказались незначимыми, модель II предпочтительнее модели I.

Таблица №4.3 Сводная таблица по спецификации модели №2

Приложение №4

Процедуры тестов на гетероскедастичность.

Рассмотрим процедуры двух основных тестов на гетероскедастичность.

Процедура теста Уайта:

· Оцениваем коэффициенты модели:

· Извлекаем столбец ошибок: , i=1,…,n.

· Оцениваем регрессию квадратов остатков на все регрессоры, их квадраты, а также на константу и попарные произведения:

· Вычисляем коэффициент детерминации - R2

· Статистика:

Где k - количество регрессоров в модели, n - количество наблюдений

Если значение тестовой статистики превышает критическое, то нулевая гипотеза о гомоскедастичности отвергается. Или если P-value > уровня значимости, то соблюдается условие гомоскедастичности ошибок в первичной модели. Теста Уайта универсален, однако он не является конструктивным, так как если будет обнаружена гетероскедастичность, то тест укажет на функциональную форму гетероскедастичности.

Процедура теста Бройша-Пагана:

· Оцениваем коэффициенты модели:

· Извлекаем столбец ошибок: , i=1,…,n.

· Строим оценку дисперсии: и нормируем квадраты остатков регрессии:

· Вычисляем для вышеуказанной модели ESS

· Статистика: , где k -количество регрессоров в модели

Если значение тестовой статистики превышает критическое, то нулевая гипотеза о гомоскедастичности отвергается.

Приложение №5

Проверка гетероскедастичности

Рассмотрим выдачи STATA по проверке гетероскедастичности.

Таблица №4.4: Тест Уайта

Модель 1:

Страница:


Подобные документы

  • Эконометрическое моделирование годового фонда оплаты труда

    Анализ и выявление значимых факторов, влияющих на объект. Построение эконометрической модели затрат предприятия для обоснований принимаемых решений. Исследование трендов временных рядов. Оценка главных параметров качества эконометрической модели.

    курсовая работа [821,1 K], добавлен 21.11.2013

  • Статистический анализ факторов, влияющих на величину годового дохода зарубежного актера

    История развития кинематографа в Голливуде. Фильмы и гонорары наиболее знаменитых американских актеров. Выявление факторов, влияющих на величину годового дохода актера. Проверка распределения на нормальность и корреляционно-регрессионный анализ выборки.

    курсовая работа [164,3 K], добавлен 18.10.2013

  • Расчет показателей тесноты связи

    Построение описательной экономической модели. Матрица корреляций между исходными статистическими признаками. Оценка параметров модели. Определение и графическое изображение регрессионной зависимости между показателями. Оценка адекватности модели.

    контрольная работа [215,8 K], добавлен 13.10.2011

  • Однофакторный регрессионно-корреляционный анализ экономической модели

    Оценка тесноты связи с помощью показателей корреляции и детерминации. Построение поля корреляции и расчёт параметров линейной регрессии. Результаты вычисления функций и нахождение коэффициента детерминации. Регрессионный анализ и прогнозирование.

    курсовая работа [1,1 M], добавлен 07.08.2011

  • Построение классической линейной регрессии

    Определение парных коэффициентов корреляции и на их основе факторов, оказывающих наибольшее влияние на результативный показатель. Анализ множественных коэффициентов корреляции и детерминации. Оценка качества модели на основе t-статистики Стьюдента.

    лабораторная работа [890,1 K], добавлен 06.12.2014

  • Выполнение корреляционного и регрессионного анализа

    Связь между случайными переменными и оценка её тесноты как основная задача корреляционного анализа. Регрессионный анализ, расчет параметров уравнения линейной парной регрессии. Оценка статистической надежности результатов регрессионного моделирования.

    контрольная работа [50,4 K], добавлен 07.06.2011

  • Регрессионный анализ. Факторный эксперимент

    Построение уравнения регрессии, учитывающего взаимодействия факторов, проверка полученной модели на адекватность. Построение математической модели и нахождение численных значений параметров этой модели. Вычисление коэффициентов линейной модели.

    курсовая работа [1005,0 K], добавлен 07.08.2013

  • Социально-экономический анализ развития предпринимательства

    Определение оптимальных методов развития малого и среднего предпринимательства. Оценка влияния групп индикаторов на его показатели. Корреляционный анализ институциональных факторов социально-экономического развития и их добавление в регрессионные модели.

    курсовая работа [544,9 K], добавлен 17.03.2015

  • Эконометрическая модель для данных Вога

    Понятие модели множественной регрессии. Сущность метода наименьших квадратов, который используется для определения параметров уравнения множественной линейной регрессии. Оценка качества подгонки регрессионного уравнения к данным. Коэффициент детерминации.

    курсовая работа [449,1 K], добавлен 22.01.2015

  • Регрессионный анализ зависимости объема денежной массы в иностранной валюте от объема экспорта товаров в Республике Беларусь

    Построение эконометрических моделей на основании использования методов математической статистики. Моделирование зависимости объема денежной массы в иностранной валюте от объема экспорта товаров в Республике Беларусь. Проведение регрессионного анализа.

    курсовая работа [3,3 M], добавлен 29.01.2013

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены