Автор24

Информация о работе

Подробнее о работе

Страница работы

В предложенных задачах приведены данные наблюдения за факторами X1 X2 и результатами Y

  • 8 страниц
  • 2016 год
  • 15 просмотров
  • 0 покупок
Автор работы

vladmozdok

100 ₽

Работа будет доступна в твоём личном кабинете после покупки

Гарантия сервиса Автор24

Уникальность не ниже 50%

Фрагменты работ

1.Построим с помощью метода наименьших квадратов уравнение множественной линейной регрессии y = a0 + a1x1 + a2x2 .
Определим вектор оценок коэффициентов регрессии. Согласно методу наименьших квадратов, вектор s получается из выражения: s = (XTX)-1XTY
К матрице с переменными Xj добавляем единичный столбец
1 43 18,9
1 64,7 13,7
1 24 18,5
1 50,2 4,8
1 106 21,8
1 96,6 5,8
1 347 99
1 85,6 20,1
1 745 60,6
1 4,1 14
1 50,2 4,8
1 106 21,8
1 96,6 5,8
1 347 99
1 85,6 20,1
1 745 60,6
1 4,1 1,4
1 56,8 8
1 42,7 18,9
1 61,8 13,2
Матрица Y
0,9
1,7
0,7
1,7
2,6
1,3
4,1
1,6
6,9
0,4
1,7
2,6
1,3
4,1
1,6
6,9
0,4
1,3
1,9
1,9

Матрица XT
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
43 64,7 24 50,2 106 96,6 347 85,6 745 4,1 50,2 106 96,6 347 85,6 745 4,1 56,8 42,7 61,8
18,9 13,7 18,5 4,8 21,8 5,8 99 20,1 60,6 14 4,8 21,8 5,8 99 20,1 60,6 1,4 8 18,9 13,2

Умножаем матрицы, (XTX)

20 3162 530,8
XT X = 3162 1427211,4 172948,62

530,8 172948,62 30499,14

В матрице, (XTX) число 20, лежащее на пересечении 1-й строки и 1-го столбца, получено как сумма произведений элементов 1-й строки матрицы XT и 1-го столбца матрицы X
Умножаем матрицы, (XTY)

45,6
XT Y = 14814,52

1987,96

Находим обратную матрицу (XTX)-1
0,093368 -0,000032 -0,001445
-0,000032 0,000002 -0,000012
-0,001445 -0,000012 0,000127
Вектор оценок коэффициентов регрессии равен

0,91463237
Y(X) = 0,00762063

0,00604921

Уравнение регрессии (оценка уравнения регрессии)
2.Проверим качество регрессионной модели. Для этого составим вспомогательную таблицу:

У Х1
Х2
У(х) ε = Y - Y(x) ε2 (Y-Yср)2 |ε : Y|

0,9 43 18,9 1,36 -0,46 0,21 1,90 0,51

1,7 64,7 13,7 1,49 0,21 0,04 0,34 0,12

0,7 24 18,5 1,21 -0,51 0,26 2,50 0,73

1,7 50,2 4,8 1,33 0,37 0,14 0,34 0,22

2,6 106 21,8 1,85 0,75 0,56 0,10 0,29

1,3 96,6 5,8 1,69 -0,39 0,15 0,96 0,30

4,1 347 99 4,16 -0,06 0,00 3,31 0,01

1,6 85,6 20,1 1,69 -0,09 0,01 0,46 0,06

6,9 745 60,6 6,96 -0,06 0,00 21,34 0,01

0,4 4,1 14 1,03 -0,63 0,40 3,53 1,58

1,7 50,2 4,8 1,33 0,37 0,14 0,34 0,22

2,6 106 21,8 1,85 0,75 0,56 0,10 0,29

1,3 96,6 5,8 1,69 -0,39 0,15 0,96 0,30

4,1 347 99 4,16 -0,06 0,00 3,31 0,01

1,6 85,6 20,1 1,69 -0,09 0,01 0,46 0,06

6,9 745 60,6 6,96 -0,06 0,00 21,34 0,01

0,4 4,1 1,4 0,95 -0,55 0,31 3,53 1,39

1,3 56,8 8 1,40 -0,10 0,01 0,96 0,07

1,9 42,7 18,9 1,35 0,55 0,30 0,14 0,29

1,9 61,8 13,2 1,47 0,43 0,19 0,14 0,23
Сумма: 45,60 3162,00 530,80 45,60 0,00 3,43 66,09 6,67
2.1. Точность соответствия эмпирическим данным;
Вычислим среднюю ошибку аппроксимации.
,

В среднем, расчетные значения отклоняются от фактических на 33,77%. Поскольку ошибка больше 7%, то данное уравнение нежелательно использовать в качестве регрессии.
Оценка дисперсии равна:
se2 = (Y - X*Y(X))T(Y - X*Y(X)) = 3.43
Несмещенная оценка дисперсии равна:

Оценка среднеквадратичного отклонения (стандартная ошибка для оценки Y):

2.2. Значимость уравнения регрессии в целом на уровне 0,01 и 0,05;
Определим множественный коэффициент детерминации.

Чем ближе этот коэффициент к единице, тем больше уравнение регрессии объясняет поведение Y. Так как коэффициент детерминации отличен от нуля, связь между показателями существует, уравнение регрессии достаточно точно описывает поведение у.
Проверим гипотезу об общей значимости - гипотезу об одновременном равенстве нулю всех коэффициентов регрессии при объясняющих переменных:
H0: R2 = 0; β1 = β2 = ... = βm = 0.
H1: R2 ≠ 0.
Проверка этой гипотезы осуществляется с помощью F-статистики распределения Фишера (правосторонняя проверка).
Если F < Fkp = Fα ; n-m-1, то нет оснований для отклонения гипотезы H0.

Уровень значимости 0,05:
Табличное значение при степенях свободы k1 = 2 и k2 = n-m-1 = 20 - 2 - 1 = 17, Fkp(2;17) = 3.59.
Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно.
Уровень значимости 0,01:
Табличное значение при степенях свободы k1 = 2 и k2 = n-m-1 = 20 - 2 - 1 = 17, Fkp(2;17) = 6.11
Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно

2.3. Статистическую значимость параметров регрессии на уровне 0,01 и 0,05;
Найдем оценку ковариационной матрицы вектора k = S2 • (XTX)-1
0,01867361 -0,00000636 -0,00028893
-0,00000636 0,00000045 -0,00000244
-0,00028893 -0,00000244 0,00002543

Дисперсии параметров модели определяются соотношением S2i = Kii, т.е. это элементы, лежащие на главной диагонали



Определим значение t-статистик критерия Стьюдента:

Уровень значимости 0,01:
Табличное значение критерия при уровне значимости 0,01 и числе степеней свободы k 17 составит
Tтабл (n-m-1;α/2) = (17;0.005) = 2.898

Статистическая значимость коэффициента регрессии b0 подтверждается.

Статистическая значимость коэффициента регрессии b1 подтверждается.

Статистическая значимость коэффициента регрессии b2 не подтверждается.
Уровень значимости 0,05:
Табличное значение критерия при уровне значимости 0,05 и числе степеней свободы k 17 составит
Tтабл (n-m-1;α/2) = (17;0.025) = 2.11

Статистическая значимость коэффициента регрессии b0 подтверждается.

Статистическая значимость коэффициента регрессии b1 подтверждается.

Статистическая значимость коэффициента регрессии b2 не подтверждается.
Определим доверительные интервалы коэффициентов регрессии, которые с надежность 95% будут следующими:
(bi - ti Sbi; bi + ti Sbi)
b0: (0.91 - 2.11 • 0.14 ; 0.91 + 2.11 • 0.14) = (0.62;1.2)
b1: (0.00762 - 2.11 • 0.000674 ; 0.00762 + 2.11 • 0.000674) = (0.0062;0.00904)
b2: (0.00605 - 2.11 • 0.00507 ; 0.00605 + 2.11 • 0.00507) = (-0.00464;0.0167)

3.Оценим наличие мультиколлинеарности на основе матрицы парных корреляций.
Матрица парных коэффициентов корреляции:
- y
x1 x2
y
1 0.971 0.747
x1 0.971 1 0.722
x2 0.747 0.722 1

Если в матрице есть межфакторный коэффициент корреляции rxjxi > 0.7, то в данной модели множественной регрессии существует мультиколлинеарность.
В нашем случае rx1 x2 имеют |r|>0.7, что говорит о мультиколлинеарности факторов и о необходимости исключения одного из них из дальнейшего анализа.
Наиболее полным алгоритмом исследования мультиколлинеарности является алгоритм Фаррара-Глобера.
Проверим переменные на мультиколлинеарность методом Фаррара-Глоубера по первому виду статистических критериев (критерий "хи-квадрат").Форму

Отсутствует

В предложенных задачах приведены данные наблюдения за факторами X1, X2 и результатами Y. В соответствии со своим вариантом, выполните следующие задания:
1.Постройте с помощью метода наименьших квадратов уравнение множественной линейной регрессии y = a0 + a1x1 + a2x2 и дайте его экономическую интерпретацию;
2.Проверьте качество регрессионной модели:
2.1. Точность соответствия эмпирическим данным;
2.2. Значимость уравнения регрессии в целом на уровне 0,01 и 0,05;
2.3. Статистическую значимость параметров регрессии на уровне 0,01 и 0,05;
3.Оцените наличие мультиколлинеарности на основе матрицы парных корреляций и любым другим методом;
4.Выполните 2 теста обнаружения гетероскедастичности случайной компоненты;
5.Выполните 2 теста обнаружения автокорреляции случайной компоненты;
6. По наилучшей регрессионной модели рассчитайте точечный и интервальный прогноз результирующей переменной y при x1 = 0,9× x1 и x2 =1,1× x2.
7. Оформите результаты по каждому пункту в пояснительной записке.
Сформулируйте выводы по проведенному регрессионному анализу.

Имеются данные о деятельности 20 компаний США – о чистом доходе (Y, млрд. долл.), численности служащих (Х1, тыс. чел.) и использованном капитале (Х2, млрд. долл.):
У Х1
Х2
У Х1
Х2
0,9 43 18,9 1,7 50,2 4,8
1,7 64,7 13,7 2,6 106 21,8
0,7 24 18,5 1,3 96,6 5,8
1,7 50,2 4,8 4,1 347 99
2,6 106 21,8 1,6 85,6 20,1
1,3 96,6 5,8 6,9 745 60,6
4,1 347 99 0,4 4,1 1,4
1,6 85,6 20,1 1,3 56,8 8
6,9 745 60,6 1,9 42,7 18,9
0,4 4,1 14 1,9 61,8 13,2

Отсутствует

Форма заказа новой работы

Не подошла эта работа?

Закажи новую работу, сделанную по твоим требованиям

Оставляя свои контактные данные и нажимая «Заказать Решение задач», я соглашаюсь пройти процедуру регистрации на Платформе, принимаю условия Пользовательского соглашения и Политики конфиденциальности в целях заключения соглашения.

Фрагменты работ

1.Построим с помощью метода наименьших квадратов уравнение множественной линейной регрессии y = a0 + a1x1 + a2x2 .
Определим вектор оценок коэффициентов регрессии. Согласно методу наименьших квадратов, вектор s получается из выражения: s = (XTX)-1XTY
К матрице с переменными Xj добавляем единичный столбец
1 43 18,9
1 64,7 13,7
1 24 18,5
1 50,2 4,8
1 106 21,8
1 96,6 5,8
1 347 99
1 85,6 20,1
1 745 60,6
1 4,1 14
1 50,2 4,8
1 106 21,8
1 96,6 5,8
1 347 99
1 85,6 20,1
1 745 60,6
1 4,1 1,4
1 56,8 8
1 42,7 18,9
1 61,8 13,2
Матрица Y
0,9
1,7
0,7
1,7
2,6
1,3
4,1
1,6
6,9
0,4
1,7
2,6
1,3
4,1
1,6
6,9
0,4
1,3
1,9
1,9

Матрица XT
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
43 64,7 24 50,2 106 96,6 347 85,6 745 4,1 50,2 106 96,6 347 85,6 745 4,1 56,8 42,7 61,8
18,9 13,7 18,5 4,8 21,8 5,8 99 20,1 60,6 14 4,8 21,8 5,8 99 20,1 60,6 1,4 8 18,9 13,2

Умножаем матрицы, (XTX)

20 3162 530,8
XT X = 3162 1427211,4 172948,62

530,8 172948,62 30499,14

В матрице, (XTX) число 20, лежащее на пересечении 1-й строки и 1-го столбца, получено как сумма произведений элементов 1-й строки матрицы XT и 1-го столбца матрицы X
Умножаем матрицы, (XTY)

45,6
XT Y = 14814,52

1987,96

Находим обратную матрицу (XTX)-1
0,093368 -0,000032 -0,001445
-0,000032 0,000002 -0,000012
-0,001445 -0,000012 0,000127
Вектор оценок коэффициентов регрессии равен

0,91463237
Y(X) = 0,00762063

0,00604921

Уравнение регрессии (оценка уравнения регрессии)
2.Проверим качество регрессионной модели. Для этого составим вспомогательную таблицу:

У Х1
Х2
У(х) ε = Y - Y(x) ε2 (Y-Yср)2 |ε : Y|

0,9 43 18,9 1,36 -0,46 0,21 1,90 0,51

1,7 64,7 13,7 1,49 0,21 0,04 0,34 0,12

0,7 24 18,5 1,21 -0,51 0,26 2,50 0,73

1,7 50,2 4,8 1,33 0,37 0,14 0,34 0,22

2,6 106 21,8 1,85 0,75 0,56 0,10 0,29

1,3 96,6 5,8 1,69 -0,39 0,15 0,96 0,30

4,1 347 99 4,16 -0,06 0,00 3,31 0,01

1,6 85,6 20,1 1,69 -0,09 0,01 0,46 0,06

6,9 745 60,6 6,96 -0,06 0,00 21,34 0,01

0,4 4,1 14 1,03 -0,63 0,40 3,53 1,58

1,7 50,2 4,8 1,33 0,37 0,14 0,34 0,22

2,6 106 21,8 1,85 0,75 0,56 0,10 0,29

1,3 96,6 5,8 1,69 -0,39 0,15 0,96 0,30

4,1 347 99 4,16 -0,06 0,00 3,31 0,01

1,6 85,6 20,1 1,69 -0,09 0,01 0,46 0,06

6,9 745 60,6 6,96 -0,06 0,00 21,34 0,01

0,4 4,1 1,4 0,95 -0,55 0,31 3,53 1,39

1,3 56,8 8 1,40 -0,10 0,01 0,96 0,07

1,9 42,7 18,9 1,35 0,55 0,30 0,14 0,29

1,9 61,8 13,2 1,47 0,43 0,19 0,14 0,23
Сумма: 45,60 3162,00 530,80 45,60 0,00 3,43 66,09 6,67
2.1. Точность соответствия эмпирическим данным;
Вычислим среднюю ошибку аппроксимации.
,

В среднем, расчетные значения отклоняются от фактических на 33,77%. Поскольку ошибка больше 7%, то данное уравнение нежелательно использовать в качестве регрессии.
Оценка дисперсии равна:
se2 = (Y - X*Y(X))T(Y - X*Y(X)) = 3.43
Несмещенная оценка дисперсии равна:

Оценка среднеквадратичного отклонения (стандартная ошибка для оценки Y):

2.2. Значимость уравнения регрессии в целом на уровне 0,01 и 0,05;
Определим множественный коэффициент детерминации.

Чем ближе этот коэффициент к единице, тем больше уравнение регрессии объясняет поведение Y. Так как коэффициент детерминации отличен от нуля, связь между показателями существует, уравнение регрессии достаточно точно описывает поведение у.
Проверим гипотезу об общей значимости - гипотезу об одновременном равенстве нулю всех коэффициентов регрессии при объясняющих переменных:
H0: R2 = 0; β1 = β2 = ... = βm = 0.
H1: R2 ≠ 0.
Проверка этой гипотезы осуществляется с помощью F-статистики распределения Фишера (правосторонняя проверка).
Если F < Fkp = Fα ; n-m-1, то нет оснований для отклонения гипотезы H0.

Уровень значимости 0,05:
Табличное значение при степенях свободы k1 = 2 и k2 = n-m-1 = 20 - 2 - 1 = 17, Fkp(2;17) = 3.59.
Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно.
Уровень значимости 0,01:
Табличное значение при степенях свободы k1 = 2 и k2 = n-m-1 = 20 - 2 - 1 = 17, Fkp(2;17) = 6.11
Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно

2.3. Статистическую значимость параметров регрессии на уровне 0,01 и 0,05;
Найдем оценку ковариационной матрицы вектора k = S2 • (XTX)-1
0,01867361 -0,00000636 -0,00028893
-0,00000636 0,00000045 -0,00000244
-0,00028893 -0,00000244 0,00002543

Дисперсии параметров модели определяются соотношением S2i = Kii, т.е. это элементы, лежащие на главной диагонали



Определим значение t-статистик критерия Стьюдента:

Уровень значимости 0,01:
Табличное значение критерия при уровне значимости 0,01 и числе степеней свободы k 17 составит
Tтабл (n-m-1;α/2) = (17;0.005) = 2.898

Статистическая значимость коэффициента регрессии b0 подтверждается.

Статистическая значимость коэффициента регрессии b1 подтверждается.

Статистическая значимость коэффициента регрессии b2 не подтверждается.
Уровень значимости 0,05:
Табличное значение критерия при уровне значимости 0,05 и числе степеней свободы k 17 составит
Tтабл (n-m-1;α/2) = (17;0.025) = 2.11

Статистическая значимость коэффициента регрессии b0 подтверждается.

Статистическая значимость коэффициента регрессии b1 подтверждается.

Статистическая значимость коэффициента регрессии b2 не подтверждается.
Определим доверительные интервалы коэффициентов регрессии, которые с надежность 95% будут следующими:
(bi - ti Sbi; bi + ti Sbi)
b0: (0.91 - 2.11 • 0.14 ; 0.91 + 2.11 • 0.14) = (0.62;1.2)
b1: (0.00762 - 2.11 • 0.000674 ; 0.00762 + 2.11 • 0.000674) = (0.0062;0.00904)
b2: (0.00605 - 2.11 • 0.00507 ; 0.00605 + 2.11 • 0.00507) = (-0.00464;0.0167)

3.Оценим наличие мультиколлинеарности на основе матрицы парных корреляций.
Матрица парных коэффициентов корреляции:
- y
x1 x2
y
1 0.971 0.747
x1 0.971 1 0.722
x2 0.747 0.722 1

Если в матрице есть межфакторный коэффициент корреляции rxjxi > 0.7, то в данной модели множественной регрессии существует мультиколлинеарность.
В нашем случае rx1 x2 имеют |r|>0.7, что говорит о мультиколлинеарности факторов и о необходимости исключения одного из них из дальнейшего анализа.
Наиболее полным алгоритмом исследования мультиколлинеарности является алгоритм Фаррара-Глобера.
Проверим переменные на мультиколлинеарность методом Фаррара-Глоубера по первому виду статистических критериев (критерий "хи-квадрат").Форму

Отсутствует

В предложенных задачах приведены данные наблюдения за факторами X1, X2 и результатами Y. В соответствии со своим вариантом, выполните следующие задания:
1.Постройте с помощью метода наименьших квадратов уравнение множественной линейной регрессии y = a0 + a1x1 + a2x2 и дайте его экономическую интерпретацию;
2.Проверьте качество регрессионной модели:
2.1. Точность соответствия эмпирическим данным;
2.2. Значимость уравнения регрессии в целом на уровне 0,01 и 0,05;
2.3. Статистическую значимость параметров регрессии на уровне 0,01 и 0,05;
3.Оцените наличие мультиколлинеарности на основе матрицы парных корреляций и любым другим методом;
4.Выполните 2 теста обнаружения гетероскедастичности случайной компоненты;
5.Выполните 2 теста обнаружения автокорреляции случайной компоненты;
6. По наилучшей регрессионной модели рассчитайте точечный и интервальный прогноз результирующей переменной y при x1 = 0,9× x1 и x2 =1,1× x2.
7. Оформите результаты по каждому пункту в пояснительной записке.
Сформулируйте выводы по проведенному регрессионному анализу.

Имеются данные о деятельности 20 компаний США – о чистом доходе (Y, млрд. долл.), численности служащих (Х1, тыс. чел.) и использованном капитале (Х2, млрд. долл.):
У Х1
Х2
У Х1
Х2
0,9 43 18,9 1,7 50,2 4,8
1,7 64,7 13,7 2,6 106 21,8
0,7 24 18,5 1,3 96,6 5,8
1,7 50,2 4,8 4,1 347 99
2,6 106 21,8 1,6 85,6 20,1
1,3 96,6 5,8 6,9 745 60,6
4,1 347 99 0,4 4,1 1,4
1,6 85,6 20,1 1,3 56,8 8
6,9 745 60,6 1,9 42,7 18,9
0,4 4,1 14 1,9 61,8 13,2

Отсутствует

Купить эту работу

В предложенных задачах приведены данные наблюдения за факторами X1 X2 и результатами Y

100 ₽

или заказать новую

Лучшие эксперты сервиса ждут твоего задания

от 20 ₽

Гарантии Автор24

Изображения работ

Страница работы
Страница работы
Страница работы

Понравилась эта работа?

или

6 марта 2020 заказчик разместил работу

Выбранный эксперт:

Автор работы
vladmozdok
4
Купить эту работу vs Заказать новую
0 раз Куплено Выполняется индивидуально
Не менее 40%
Исполнитель, загружая работу в «Банк готовых работ» подтверждает, что уровень оригинальности работы составляет не менее 40%
Уникальность Выполняется индивидуально
Сразу в личном кабинете Доступность Срок 1—4 дня
100 ₽ Цена от 20 ₽

5 Похожих работ

Решение задач

2 задачки по эконометрике

Уникальность: от 40%
Доступность: сразу
100 ₽
Решение задач

Три задачи по эконометрике

Уникальность: от 40%
Доступность: сразу
200 ₽
Решение задач

Эконометрика

Уникальность: от 40%
Доступность: сразу
135 ₽
Решение задач

Иностранную компанию по прокату автомобилей интересует зависимость между пробегом автомобилей и стоимостью ежемесячного обслуживания

Уникальность: от 40%
Доступность: сразу
200 ₽
Решение задач

Задача, эконометрика, вариант 2

Уникальность: от 40%
Доступность: сразу
200 ₽

Отзывы студентов

Отзыв Марина [email protected] об авторе vladmozdok 2016-05-19
Решение задач

+

Общая оценка 5
Отзыв Эльза Ахкамиева об авторе vladmozdok 2017-02-04
Решение задач

Спасибо большое Автору за качественную работу!

Общая оценка 5
Отзыв Марина Бутова об авторе vladmozdok 2016-12-16
Решение задач

Все отлично

Общая оценка 5
Отзыв vasilich10 об авторе vladmozdok 2014-12-10
Решение задач

Спасибо за весьма подробное решение задач по эконометрике.

Общая оценка 5

другие учебные работы по предмету

Готовая работа

Анализ и эконометрическое моделирование потоков денежных средств (на основе данных финансовой отчетности ОАО «Ростелеком»)

Уникальность: от 40%
Доступность: сразу
2400 ₽
Готовая работа

Анализ динамики и структуры цены автомобилей

Уникальность: от 40%
Доступность: сразу
2240 ₽
Готовая работа

Анализ и прогнозирование ценовой динамики фондового рынка

Уникальность: от 40%
Доступность: сразу
2500 ₽
Готовая работа

Эконометрическое моделирование с использованием временных рядов

Уникальность: от 40%
Доступность: сразу
2000 ₽
Готовая работа

Разработка и оптимизация бизнес-процесса «Обеспечение локомотивных бригад Филиала ОАО «РЖД» Октябрьская железная дорога»

Уникальность: от 40%
Доступность: сразу
2240 ₽
Готовая работа

эконометрический анализ показателей строительных компаний из различных субъектов РФ за период 2008-2014

Уникальность: от 40%
Доступность: сразу
2240 ₽
Готовая работа

Моделирование ценообразования на региональном рынке жилья

Уникальность: от 40%
Доступность: сразу
50000 ₽
Готовая работа

Разработка и оптимизация бизнес-процесса «Обеспечение локомотивных бригад Филиала ОАО «РЖД» Октябрьская железная дорога»

Уникальность: от 40%
Доступность: сразу
2240 ₽
Готовая работа

Формирование прибыли и направления её увеличения в организации

Уникальность: от 40%
Доступность: сразу
2000 ₽
Готовая работа

Потребительский кредит: основные виды, способы предоставления, риски. на примере ВТБ24

Уникальность: от 40%
Доступность: сразу
4800 ₽
Готовая работа

Диплом Повышение качества трудовой жизни

Уникальность: от 40%
Доступность: сразу
2500 ₽
Готовая работа

Система предварительной оценки стоимости жилого фонда.

Уникальность: от 40%
Доступность: сразу
3300 ₽