Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.
Влияние макроэкономических факторов на реальную заработную плату в Российской Федерации: эконометрический анализ с использованием гребневой регрессии
2026-06-09
На основе ежемесячных данных за январь 2016 г. — сентябрь 2025 г. (117 наблюдений) построены две спецификации гребневой регрессии (Ridge regression) для оценки влияния инфляции, безработицы, курса рубля, объёма кредитования, бюджетных расходов и промышленного производства на реальную заработную плату в России. Выявлена умеренная мультиколлинеарность факторов (VIF до 8,68). Установлено, что наиболее сильное положительное влияние оказывают курс рубля (β = 0,63) и объём кредитования (β = 0,42), отрицательное — уровень безработицы (β = –0,13) и инфляция (β = –0,16). По информационным критериям Акаике, Шварца и Хеннана–Куина лучшей признана модель с включением всех переменных (R² = 0,97). Полученные результаты подтверждают высокую чувствительность реальных доходов населения к внешнеэкономической конъюнктуре и состоянию рынка труда.
Ссылка для цитирования:
Бирюков Н. А. 2026. Влияние макроэкономических факторов на реальную заработную плату в Российской Федерации: эконометрический анализ с использованием гребневой регрессии. PREPRINTS.RU. https://doi.org/10.24108/preprints-3115461
Список литературы
1. Айвазян С.А. Прикладная статистика. Основы эконометрики : в 2 т. Т. 2. — М.: ЮНИТИ-ДАНА, 2001. — 432 с.
2. Боровиков В.П. STATISTICA. Искусство анализа данных на компьютере. — 3-е изд. — СПб.: Питер, 2013. — 688 с.
3. Гимпельсон В.Е., Капелюшников Р.И. Рынок труда под санкциями: занятость и заработная плата // Вопросы экономики. — 2023. — № 3. — С. 5–35.
4. Доугерти К. Введение в эконометрику. — 4-е изд. — М.: ИНФРА-М, 2014. — 465 с.
5. Капелюшников Р.И. Производительность и заработная плата: есть ли связь? // Журнал Новой экономической ассоциации. — 2021. — № 4. — С. 12–38.
6. Кремер Н.Ш., Путко Б.А. Эконометрика : учебник. — 3-е изд. — М.: Юрайт, 2019. — 328 с.
7. Кричевский М.Л., Михненко П.А. Прогнозирование макроэкономических показателей с использованием нейронных сетей // Искусственные общества. — 2022. — Т. 17. — № 2. — URL: https://artsoc.jes.su (дата обращения: 01.03.2026).
8. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. — 10-е изд. — М.: Дело, 2014. — 504 с.
9. Медведев А.А. Сравнительный анализ методов прогнозирования временных рядов: ARIMA, экспоненциальное сглаживание, нейронные сети // Бизнес-информатика. — 2023. — Т. 17. — № 1. — С. 56–69.
10. Официальные данные Федеральной службы государственной статистики (Росстат) [Электронный ресурс]. — URL: https://rosstat.gov.ru (дата обращения: 18.12.2025).
11. Официальный сайт Центрального банка Российской Федерации [Электронный ресурс]. — URL: https://cbr.ru (дата обращения: 18.12.2025).
12. Савин И.В., Шестаков А.В. Применение многослойного перцептрона для прогнозирования социально-экономических показателей регионов // Прикладная эконометрика. — 2024. — № 73. — С. 82–101.
13. Смирных Л.И. Инфляция и реальные доходы населения России в 2020–2022 годах // Экономическое развитие России. — 2023. — Т. 30. — № 2. — С. 45–52.
14. Хайкин С. Нейронные сети: полный курс. — 2-е изд. — М.: Вильямс, 2016. — 1104 с.
