Следующая работа направлена на то, чтобы узнать переменные, которые априори определяют факторы, объясняющие поведение общей производительности в сельскохозяйственном секторе, принимая во внимание период между 1974 и 2014 годами как временной ряд, подчеркивая влияние капитала, труда и потребление в модели; для этого выполняется производственная функция.
детерминанты ввп сельское хозяйство, колумбияВ этой работе делается попытка выяснить, влияют ли переменные физический и человеческий труд, квалифицированный и неквалифицированный капитал и потребление электрической энергии на сектор сельского хозяйства в качестве определяющих факторов, принимая в качестве зависимой переменной ВВП сектора сельского хозяйства; имея в качестве отправной точки предыдущие работы по предмету, в котором было доказано, что они были значительными, однако следует отметить, что выполняемая работа состоит из функции Кабба-Дугласа для разработки модели, выраженной в следующем уравнении:
YPIBAGRO = A CFα1 CHα2 TCα3 TNα4 CEα5
На что будут проведены соответствующие тесты, чтобы показать, проходит ли каждый из них, например: тест на мультиколлинеарность, нормальность, самокорреляцию, эндогенность и тест гетероскедастичности. Принимая во внимание информацию с 1974 по 2014 год (временные ряды), которые были использованы из источника Всемирного банка и DANE. один
обоснование
В настоящем исследовании делается попытка проанализировать ВВП сельскохозяйственного сектора, с которым Колумбия сталкивалась в течение последних 40 лет, - это переменные и причины, которые повлияли на процесс, стоящий перед сельскохозяйственным сектором в Колумбии.
цели
Общая цель
- Знайте, действительно ли переменные физический капитал, человеческий капитал, квалифицированный труд, неквалифицированный труд и потребление электрической энергии действительно значимы в модели.
Конкретные цели
- Опишите переменные для работы Примените различные тесты, чтобы узнать, значимы ли переменные в каждом из них. Проанализируйте результаты, полученные с помощью экономической теории. Проверьте, является ли модель значимой, если нет, внесите соответствующие корректировки
Используемая методология
Работает с функцией Кабба Дугласа:
YPIBAGRO = A CFα1 CHα2 TCα3 TNα4 CEα5
куда
YPIBAGRO =% ВВП в сельскохозяйственном секторе
CF α1 = физический капитал
CH α2 = человеческий капитал
TC α3 = квалифицированная работа
TN α4 = неквалифицированная работа
CE α5 = потребление электрической энергии
Чтобы иметь возможность работать линейно, применяется натуральный логарифм для каждой переменной, и он имеет вид:
LNYPIBAGRO = A + LNCFα1 + LNCHα2 + LNTCα3 + LNTNα4 + LNCEα5 + u
СПРАВОЧНАЯ РАМА
Теоретическая основа
ТЕОРЕТИЧЕСКОЕ ОБЪЯСНЕНИЕ МОДЕЛИ
Теоретический анализ, который был принят во внимание при проведении этого исследования, опирается на модель роста Солоу, в которой он говорит нам, что производство будет зависеть от количества занятого труда (L) и объема основного капитала, (т. е. машины, оборудование и другие ресурсы, используемые в производстве) и имеющиеся технологии (если технология совершенствуется с тем же количеством труда и капитала, можно произвести больше, хотя в модели обычно предполагается, что уровень технологии остается постоянным),
Кроме того, модель предполагает, что способ увеличения ВВП заключается в улучшении капитала (K). Другими словами, часть того, что производится за год, сохраняется и инвестируется в накопление большего количества капитала или основных средств (оборудования, техники), так что в следующем году может быть произведено немного большее количество товаров, поскольку будет больше машины доступны для производства.
В этой модели экономический рост в основном достигается за счет постоянного накопления капитала, если каждый год увеличивается количество машин и средств (основного капитала) для производства, будет постепенно увеличиваться производство, долгосрочное накопленное воздействие которого будет иметь заметное увеличение производство и, следовательно, заметный экономический рост.
Эта модель использует производственную функцию Кобба-Дугласа следующим образом
Где это говорит, что:
= Общий капитал
= общая рабочая сила или рабочая сила, используемая в производстве.
= является математической константой, которая представляет технологию, связанную с рабочим фактором
= Общий объем производства
= Доля продукта, произведенного капиталом, или коэффициент убывающей предельной прибыли.
Человеческий капитал:
Общий метод - это измерение компонента, называемого «образовательным достижением», которое достигается путем комбинации индекса грамотности с комбинированным базовым, средним и более высоким уровнем зачисления. Совокупный коэффициент зачисления является вкладом в исследования. по человеческому капиталу, подготовленному ЮНЕСКО и отражающему число молодых людей школьного возраста от шести (6) до двадцати трех (23) лет, которые входят в школьную систему, его расчет основан на валовом коэффициенте зачисления принимая максимальное значение охвата 100% населения, проживающего в возрасте, упомянутом выше, и минимальное значение 0% населения, принадлежащего к этому возрастному диапазону. Следовательно, для расчета общего числа учащихся, чтобы можно было включить начальное образование,базовая, средняя (диверсифицированная, профессиональная) и университетская, все регистрации, зарегистрированные в начале периода, суммируются и делятся на население от шести (6) до двадцати трех (23) лет. Таким образом, что для его расчета используется следующая формула:
MAT = (MBas MMed Msup) / Proy 15–23 года, где:
MAT: (валовой показатель регистрации).
MBas: Зачисление в начальную школу.
ММед: Зачисление в среднее образование.
MSup: поступление в высшие учебные заведения.
Прой: прогнозируемое население 15 - 23 года. два
Примечание: в этом случае работа проводилась в возрасте от 15 до 65 лет, так как речь шла об образовании, которое люди получают в сельскохозяйственном секторе, учитывая, что они уже будут техническими, технологическими и профессиональными.
Уровень развития
В 2001 году Пилар Экспосито Диас и Хосе Антон Родригес Гонсалес подчеркнули, что сельскохозяйственная деятельность зависит в основном от метеорологических условий, особенно от сельскохозяйственного подсектора, причем животноводческий сектор менее подвержен агроклиматическим условиям и во многих случаях более непосредственно связан с с производственными процессами; но они также показали, что существуют и другие типы очень значительных переменных, которые в значительной степени контролируются вовлеченными социальными агентами, такими как улучшение инфраструктуры, сельскохозяйственного технологического капитала и человеческого капитала в сельском хозяйстве, которые в соответствии с ними должны приниматься во внимание. учет политиками для достижения прогресса в производительности. 3
Также в 2001 году была найдена работа Алехандры Надаль, в которой она говорит, что роль сельскохозяйственного сектора связана с его функциями как поставщика продовольствия, иностранной валюты и сырья, а также как ключевого генератора продуктивной занятости. 4
С другой стороны, в 1999 году Фернандес Дин Мария пришел к выводу, что факторами, которые могут повлиять на общую производительность факторов сельскохозяйственного сектора в краткосрочной перспективе, являются потенциал иностранных технологий, человеческий капитал и реальные условия торговли, а также говорит, что человеческий капитал как причина TFP показывает улучшение подготовки фермеров как требование новых знаний. 4
ОПИСАТЕЛЬНЫЙ АНАЛИЗ
В рамках изученных данных, включенных в годы (1974-2014 гг.), Будет проведен описательный статистический анализ каждой из переменных, использованных для изучения детерминант сельскохозяйственного сектора в Колумбии.
ТАБЛИЦА 1: Базовая статистика
LOGPIBAGRO | LOGCF | LOGCH | LOGTC | LOGTN | LOGCE | |
Значит | 2.616967 | 7.003243 | 11,97179 | 0.336008 | 1.089454 | 6.955010 |
медиана | 2.759900 | 8.983301 | 12,56507 | -0,356675 | 0.336472 | 6.736123 |
максимальная | 3.241601 | 9.346107 | 13,30879 | 2.653242 | 3.081910 | 18,58826 |
минимальный | 1,785187 | 3.624359 | -0,354679 | -0,798508 | 0.000000 | 6.090525 |
Стандартный Дев. | 0.446691 | 2.713327 | 2.831597 | 1,179452 | 1.283792 | 1.878641 |
перекос | -0,368381 | -0,444143 | -4,121536 | 0.667117 | 0.773470 | 5996391 |
эксцесс | 1.775502 | 1,20
5575 |
18,19778 | 1.586870 | 1.628712 | 37,68348 |
Харка-Бер | 3,488779 | 6,848731 | 510.6563 | 6.452570 | 7,300487 | 2300733 |
Вероятность | 0.174752 | 0.032570 | 0.000000 | 0.039705 | 0.025985 | 0.000000 |
сумма | 107.2956 | 287.1330 | 490.8434 | 13,77633 | 44,66761 | 285.1554 |
Сумма кв.
Девиация |
7.981326 |
294.4857 | 320.7177 | 55,64427 | 65,92491 | 141.1717 |
наблюдения | 41 | 41 | 41 | 41 | 41 | 41 |
Мы наблюдаем, что среднее значение ВВП сельского хозяйства составляет 2,61%, а его средний показатель - 2,75%, степень его цели - 2,29; В капитальном потреблении электрической энергии мы находим, что 18,58% ВВП в сельскохозяйственном секторе является частью потребления энергии.
График 1. Коробки и усы.
График 1 предоставляет информацию о распределении данных по каждой из переменных. Если мы посмотрим на коробочную диаграмму, то увидим, что переменная logpibagro не представляет выбросы, в то время как LOGCH имеет выбросы и экстремальные выбросы, в то время как LOGCF имеет выбросы, которые не являются экстремальными, но это может быть первым признаком того, что эта переменная может генерировать больше Проблемы с гетероскедастичностью впереди. Другие переменные не указывают, что они имеют какие-либо нетипичные данные.
Что касается асимметрии, которая также является информацией, представленной на этом графике, мы видим, что асимметрия есть у всех жизнеспособных, потому что их средства далеки от соответствующих медиан.
Графика 2. Рассеяние
На этом графике мы видим связь между сельскохозяйственным сектором с переменным ВВП и физическим капиталом. Из вышесказанного можно сделать вывод, что представлены несколько разрозненные отношения.
Взаимосвязь между переменными сельскохозяйственного сектора и ВВП человеческого капитала представляет собой концентрацию данных справа, что свидетельствует о неясной тенденции взаимосвязи между этими переменными.
На этом графике мы видим, что нет четкой связи между переменными, есть небольшие концентрации справа и слева.
На этом графике мы видим, что нет четкой связи между переменными, есть небольшие концентрации справа и слева. Что мешает нам установить эти отношения
Взаимосвязь переменных ВВП сельскохозяйственного сектора и потребления электрической энергии с концентрацией данных слева.
ОЦЕНКА МОДЕЛИ
Начальная модель
Метод: Наименьшие квадраты
Дата: 01.05.16 Время: 20:44
Образец: 1974 2014
Включенные наблюдения: 41
Переменный коэффициент Std. Error t-Statistic Проб.
С 2,239340 0,185938 12,04346 0,0000
LOGCF 0,052955 0,016616 3,186969 0,0030
LOGCH 0,028554 0,007702 3,707490 0,0007
LOGTC -0,181236 0,047254 -3,835324 0,0005
LOGTN -0.053368 0.038561 -1.383995 0.1751
LOGCE -0,031062 0,012064 -2,574761 0,0144
R-квадрат 0,918310 Средняя зависимая переменная 2,616967
Скорректированный R-квадрат 0,906640 SD зависимый вар 0,446691
-
SE регрессии 0.136486 Информационный критерий Акаике 1.010728
-
Сумма в квадрате остатка 0,651997 критерий Шварца 0,759961
-
Лог вероятности 26.71991 критерий Ханнана-Куинна. 0.919412
F-статистика 78.68949 Дурбин-Ватсон стат 0.424240
Проб (F-статистика) 0,000000
Критерии принятия решения для тестирования в целом:
- Если значение P меньше уровня значимости (0,05), нулевая гипотеза (H N) отклоняется, а если значение P превышает уровень значимости (0,05), нулевая гипотеза не отклоняется.
Глобальный Тест. Статистическая Ф.
HN: βi = 2, 3, 4, 5, 6, 7 = 0
H A: β i ≠ 0
Значение P = 0,00000
NS = 0,05
В соответствии с критериями принятия решения, H N отклоняется. Это означает, что хотя бы один из параметров отличается от нуля.
Индивидуальные тесты значимости.
H n: β i = 0. Параметр не является статистически значимым для объяснения модели.
H A: β i ≠ 0. Параметр является статистически значимым для объяснения модели.
переменная | Коэффициент | P грабят | Ns | CDD |
Logcf | 0.052955 | 0,0030 | 0,05 | REJECTED
HN |
Logch | 0.028554 | 0,0007 | 0,05 | REJECTED
HN |
Logtc | -0,181236 | 0,0005 | 0,05 | REJECTED
HN |
Logton | -0,053368 | 0,1751 | 0,05 | я не знаю
ОТКЛОНЯЕТ HN |
Logce | -0,031062 | 0,0144 | 0,05 | REJECTED
HN |
ПРЕДПОЧТИТЕЛЬНАЯ ВАЛИДАЦИЯ МИНИМАЛЬНЫХ ОБЫЧНЫХ ПЛОЩАДЕЙ
H n: ошибки модели соответствуют нормальному распределению.
H A: Ошибки модели не соответствуют нормальному распределению.
Представляя вероятность 0,6828, она превышает уровень значимости (5%), мы можем заключить, что нулевая гипотеза не отвергается. Другими словами, остатки нашей модели не имеют нормального распределения.
Мультиколлинеарность.
LOGPIBAGR
O LOGCF LOGCH LOGTC
LOGPIBAG |
LOGTN | LOGCE | |
RO | один | ||
LOGCF | 0,882656525 2464384 1 | ||
LOGCH | -
0.0721260990.100632102 97221276 6704271 1 |
||
LOGTC | - -
0.9116879330.8696358810.119560137 3341207 6816381 0153874 |
||
LOGTN | - - | ||
0.8615395010.8301561390.1334136240.892325239
3110021 96557 4306763 0819243 1 |
|||
LOGCE | - - - | ||
0.4050535470.2734551270.0089461820.2923732660.292906718
9012043 5907798 38973057 6269245 4917297 1 |
logpibagro-logcf | 4.52657751 |
logpibagro-logch | 1.00522938 |
logpibagro-logtc | 5.92328941 |
logpibagro-logtn | 3.87973312 |
logpibagro-logce | 1,19627009 |
logcf-logch | 1.0102304 |
logcf-logtc | 4.102843 |
logcf-logtn | 3.2170811 |
logcf-logce | 1.0808213 |
logch-logtc | 1.0145019 |
logch-logtn | 1.0181218 |
logch-logce | 1,00008 |
logtc-logtn | 4.9078389 |
logtc-logce | 1.0934723 |
Критерий ЭКО говорит нам, что если оно больше 10, можно установить, что существует серьезная мультиколлинеарность. Но не в этом случае мы можем установить, что в модели преобладает небольшая мультиколлинеарность.
Гетероскедастичности.
• НЕФОРМАЛЬНЫЙ ТЕСТ
- Формальный тест
Тест на гетероскедастичность: Глейсер
F-статистика 0,925083 Вероятность F (5,35) 0,4765
Obs * R-квадрат 4.785867 Пробный хи-квадрат (5) 0.4426
Масштабируется объяснил
SS 3,495394 Пробный хи-квадрат (5) 0,6241
Н Н. Дисперсия модельных остатков является гомоцедатической.
- Н. Дисперсия модельных остатков не является гомоэсдатической.
Вероятность дает нам значение на 0,4426 меньше, чем уровень значимости 5%. Дисперсия гомоцедатическая, из которой мы заключаем, что нет гетероскедастичности
Автокорреляция.
Формальное доказательство
Мы выполняем Автокорреляцию с тестом BG.
Тест Брейша-Годфри с последовательной корреляцией LM:
F-статистика 10,68170 Вероятность F (8,27) 0,0000
Obs * R-квадрат 31.15594 Пробный хи-квадрат (8) 0,0001
- Н Н. Waste модель автомобиля не коррелируют positivamente.H А. Остатки модели положительно коррелируют
CDD. как р-значение
Прибрасывая вероятность на 0,0001 меньше 5% уровня значимости, можно установить, что остатки модели представляют проблему самокорреляции.
Точность оценки модели
Bi | Sbi | CBDi |
1.115035 | 0.776072 | 139,20137 |
0.093864 | 0.069466 | 148.014148 |
0.003973 | 0.033658 | 1694,33677 |
0.770725 | 0,16096 | 41.7684648 |
0,04642 | 0.054881 | 236.454115 |
1,020749 | 0.782212 | 153.262359 |
Видно, что ни одна из оценок не является точной, поскольку они превышают 25%.
Тест эндогенности.
Переменная, которая может вызывать у меня эту проблему неквалифицированной работы (logtn), поэтому будет выполнен тест Хауссмана, а инструментальной переменной будет временная работа (logtt)
Зависимая переменная: LOGTN
Метод: Наименьшие квадраты
Дата: 01.05.16 Время: 21:57
Образец: 1974 2014
Включенные наблюдения: 41
-статистики | Проб. |
1.436767 |
0,1597 |
1.351215 | 0,1853 |
0.118045 | 0,9067 |
4.788316 | 0,0000 |
0.845820 | 0,4034 |
1.304951 | 0,2004 |
Переменный коэффициент, стандартная ошибка t
C 1.115035 0.776072
LOGCF -0.093864 0.069466 -
LOGCH 0,003973 0,033658
LOGTC 0.770725 0.160960
LOGCE 0,046420 0,054881
LOGTT 1.020749 0.782212
R-квадрат 0,818782 Средний зависимый вари 1,089454 Скорректированный R-квадрат 0,792894 SD зависимый вар 1,283792
SE регрессии 0.584240 Акайке инфо-критерий 1.897451
Сумма в квадрате остатка 11,94679 критерий Шварца 2.148217
Логарифмическая вероятность -32,89774 критерия Ханнана-Куинна. 1,988766
F-статистика 31.62748 Статистик Дурбина-Ватсона 1.777771
Проб (F-статистика) 0,000000
При запуске модели с инструментальными переменными было показано, что это несущественно, то есть эта переменная не так важна, как переменная неквалифицированная рабочая сила, и когда она была представлена, мы установили, что переменная не может лучше объяснить детерминант сельскохозяйственный сектор. Поэтому мы приступаем к работе как есть с той же переменной неквалифицированной работы.
ИСПРАВЛЕННАЯ МОДЕЛЬ
Поскольку модель представляет проблему самокорреляции, мы продолжим выполнять серию преобразований. Чтобы исправить проблему, представленную нормальностью, мы применим метод первого различия для решения
Зависимая переменная: DLOGPIBAGRO
Метод: Наименьшие квадраты
Дата: 01.05.16 Время: 22:30
Образец (скорректированный): 1975 2014
Включенные наблюдения: 40 после корректировок
-статистики | Проб. |
20,97112 |
0,0000 |
3.826706 | 0,0005 |
6.385132 | 0,0000 |
6.813597 | 0,0000 |
2,577239 | 0,0145 |
15,21752 | 0,0000 |
Переменный коэффициент, стандартная ошибка t
C 7.043645 0.335874
ДЛОГЧ 0,011901 0,003110
DLOGCF 0.040253 0.006304
DLOGTC -0.123904 0.018185 -
DLOGTN -0,037450 0,014531 -
DLOGCE -0,713891 0,046912 -
R-квадрат 0,987701 Средняя зависимая переменная 2,637761
Скорректированный R-квадрат 0,985893 SD зависит от вар 0,431817
-
SE регрессии 0.051289 Акаике, информационный критерий 2.965209
-
Сумма в квадрате остатка 0,089438 критерий Шварца 2.711877
-
Лог вероятности 65,30417 критерий Ханнана-Куинна. 2.873612
F-статистика 546.1038 Дурбин-Ватсон стат 0.936707
Проб (F-статистика) 0,000000
Мы установим, было ли дано решение проблем
|
-0,10 -0,05 0,00 0,05 0,10 0,15
При проведении теста можно установить, что с вероятностью на 0,5345> 0,05 больше, чем уровень значимости, можно сделать вывод, что остатки модели продолжают распределяться нормально.
Гетероцедатический тест.
Тест на гетероскедастичность: Глейсер
F-статистика 1.540550 Вероятность F (5,34) 0,2035
Obs * R-квадрат 7.388242 Пробный хи-квадрат (5) 0.1933
Масштабируется объяснил
SS 8.467567 Проб. Хи-квадрат (5) 0.1323
Н Н. Дисперсия модельных остатков является гомоцедатической.
- Н. Дисперсия модельных остатков не является гомоэсдатической.
Вероятность дает нам значение 0,1933 больше, чем уровень значимости 5%, который определяет, что HN, следовательно, не отклоняется. Дисперсия гомоцедатическая, то есть нет гетероскедастичности
Автокорреляция
Тест Брейша-Годфри с последовательной корреляцией LM:
F-статистика 1.910097 Вероятность F (8,26) 0,1015
Obs * R-квадрат 14.80667 Пробный хи-квадрат (8) 0,0630
Н Н. Остатки модели не являются самокоррелированными положительно.
- Н. Остатки модели положительно коррелируют
0,0630> 0,05 мы видим, что проблема автокорреляции была исправлена, но осталась порядка 8
Тест избыточных переменных на преобразованную модель.
Тест избыточных переменных
Уравнение: без названия
Спецификация: DLOGPIBAGRO C DLOGCH DLOGCF DLOGTC
DLOGTN
DLOGCE
Избыточные переменные: DLOGTN
T-статистика вероятности 2,577239 34 0,0145 F-статистика 6,642163 (1, 34) 0,0145
Коэффициент вероятности 7,137820 1 0,0075
Итоги F-теста:
Переменная, которую мы возьмем, будет dlogtn, потому что в первой модели она оказалась несущественной.
Проверка гипотезы.
H N: переменная dlogtn является избыточной для модели.
H A: переменная dlogtn не является избыточной для модели
Из вероятности T-статистики можно сделать вывод, что 0,0145 составляет менее 0,05% от уровня значимости, и, таким образом, установить, что нулевая гипотеза отклоняется, поэтому рабочие переменные. Это избыточно для модели.
При внесении соответствующих исправлений в модель с помощью метода первого различия мы можем установить, что проблемы, представленные в исходной модели, были исправлены, то есть они дали решение проблемы самокорреляции, которая была представлена в начале, поэтому мы установили мою лучшую модель тот, который мы делаем в первых различиях
ЗАКЛЮЧИТЕЛЬНАЯ МОДЕЛЬ
Зависимая переменная: DLOGPIBAGRO
Метод: Наименьшие квадраты
Дата: 01.05.16 Время: 22:30
Образец (скорректированный): 1975 2014
Включенные наблюдения: 40 после корректировок
-статистики | Проб. |
20,97112 |
0,0000 |
3.826706 | 0,0005 |
6.385132 | 0,0000 |
6.813597 | 0,0000 |
2,577239 | 0,0145 |
15,21752 | 0,0000 |
Переменный коэффициент, стандартная ошибка t
C 7.043645 0.335874
ДЛОГЧ 0,011901 0,003110
DLOGCF 0.040253 0.006304
DLOGTC -0.123904 0.018185 -
DLOGTN -0,037450 0,014531 -
DLOGCE -0,713891 0,046912 -
R-квадрат 0,987701 Средняя зависимая переменная 2,637761
Скорректированный R-квадрат 0,985893 SD зависит от вар 0,431817-
SE регрессии 0.051289 Акайке информационный критерий 2.965209-
Сумма в квадрате остатка 0,089438 критерий Шварца 2.711877-
Лог вероятности 65,30417 критерий Ханнана-Куинна. 2.873612
F-статистика 546.1038 Дурбин-Ватсон стат 0.936707
Проб (F-статистика) 0,000000
ВЫВОДЫ
Презентация модели:
Длогпибагро = 7.043645 + 0.011901 ДЛОГЧ + 0.040253 ДЛОГФ - 0.123904
DLOGTC - 0.037450 DLOGTN - 0.713891 DLOGCE
R 2 = 98,77%, R 2 (скорректированный) = 98,58%
Можно сказать, что модель хорошо знает детерминанты сельскохозяйственного сектора, как в его глобальной форме переменных, так и индивидуально.
БИБЛИОГРАФИЧЕСКИЕ ССЫЛКИ
БИБЛИОГРАФИЯ
- Общая производительность факторов в сельскохозяйственном секторе: причинно-следственные связи; Фернандес Диез Мария; исследования прикладной экономики. 4
CYBERGRAPHY
- https://es.wikipedia.org/wiki/Solow#Formulaci.C3_Growth_Model. B3n_matem.C3.A1tica; 29.04.2016 - 22:30. 1 http://www.eumed.net/libros-gratis/2005/mpst/2b.htm; 29.04.2016 - 22:33. 2 основных фактора общей производительности факторов производства в сельскохозяйственном секторе Испании; Пилар Экспосито Диас и Хосе Антон Родригес Гонсалес; http://ageconsearch.umn.edu/bitstream/28736/1/01020003.pdf; 01.05.2016 - 21:21. 3 Руководства по стратегии альтернативного развития сельскохозяйственного сектора;
Надаль Алехандро; 01.04.2016 - 04:10;
www.ase.tufts.edu/gdae/publications/working_papers/procientec/SECTO R% 20AGRICOLA% 20 (FINAL).pdf. 5
- Перуанский сельскохозяйственный сектор и его взаимосвязь с макроэкономической средой: эконометрическая модель; Артуро Брисеньо Лира https://idlbnc.idrc.ca/dspace/bitstream/10625/11058/1/91284.pdf; Пятница 29.04.2016 - 01:35. 6 Стратегическая статистика сельскохозяйственного сектора в Колумбии: новая модель предложения; Хавьер Альберто Гутьеррес Лопес; 28.04.2016 - 23:10 http://www.dane.gov.co/revista_ib/html_r6/articulo3_r6.html. 7