Статистические методы изучения взаимосвязи социально-экономических явлений

Корреляционная связь (частный случай стохастической) – связь, проявляющаяся при достаточно большом числе наблюдений в виде определенной зависимости между средним значением результативного признака и признаками-факторами.

Задача корреляционного анализа – измерение тесноты связи между варьируемыми признаками и оценка факторов, оказывающих наибольшее влияние.

Задача регрессионного анализа – выбор типа модели (формы связи), устанавливающих степени влияния независимых переменных.

Связь признаков проявляется в их согласованной вариации, при этом одни признаки выступают как факторные, а другие – как результативные. Причинно-следственная связь факторных и результативных признаков характеризуется по степени:

· тесноты;

· направлению;

· аналитическому выражению.

 

Регрессионный анализ

Для оценки параметров уравнений регрессии наиболее часто используется метод наименьших квадратов (МНК), суть которого заключается в следующем требовании: искомые теоретические значения результативного признака должны быть такими, при которых бы обеспечивалась минимальная сумма квадратов их отклонений от эмпирических (фактических) значений, т.е.

. (5.1)

При изучении связей показателей применяются различного вида уравнения прямолинейной и криволинейной связи. Так, при анализе прямолинейной зависимости применяется уравнение:

(5.2)

Это наиболее часто используемая форма связи между коррелируемыми признаками, при парной корреляции она выражается уравнением (6.2), где а ₀ – среднее значение в точке x =0, поэтому экономической интерпретации коэффициента нет; а ₁ – коэффициент регрессии, показывает, на сколько изменяется в среднем значение результативного признака при увеличении факторного на единицу собственного измерения.

При криволинейной зависимости применяется ряд математических функций:

полулогарифмическая (5.3)

показательная (5.4)

степенная (5.5)

параболическая (5.6)

гиперболическая (5.7)

 

Система нормальных уравнений МНК для линейной парной регрессии имеет следующий вид:

(5.8)

Отсюда можно выразить коэффициенты регрессии:

;

. (5.9)

При численности объектов анализа до 30 единиц возникает необходимость проверить, насколько вычисленные параметры типичны для отображаемого комплекса условий, не являются ли полученные значения параметров результатом действия случайных причин. Значимость коэффициентов регрессии применительно к совокупности n <30 определяется с помощью t-критерия Стьюдента. При этом вычисляются фактические значения t-критерия:

для параметра а ₀: , (5.10)

для параметра а ₁: . (5.11)

В формулах (6.10) и (6.11):

– среднее квадратическое отклонение результативного признака от выровненных значений . (5.12)

– среднее квадратическое отклонение факторного признака от общей средней . (5.13)

Полученные по формулам (5.10) и (5.11) фактические значения и сравниваются с критическим , который получают по таблице Стьюдента с учетом принятого уровня значимости и числа степеней свободы ν(ν =n-k- 1, где n – число наблюдений, k – число факторов, включенных в уравнение регрессии). Рассчитанные параметры а ₀ и а ₁ уравнения регрессии признаются типичными, если t фактическое больше t критического.

На практике часто приходится исследовать зависимость результативного признака от нескольких факторных признаков. Аналитическая форма связи результативного признака от ряда факторных признаков выражается и называется многофакторным (множественным) уравнением регрессии.

Линейное уравнение множественной регрессии

. (5.14)

Система нормальных линейных уравнений МНК для оценки коэффициентов двухфакторной регрессии имеет вид:

(5.15)

Корреляционный анализ

Различают:

• парную корреляцию – это зависимость между результативным и факторным признаком;
• частную корреляцию – это зависимость между результативным и одним факторным признаком при фиксированном значении других факторных признаков;
• множественную – многофакторное влияние в статической модели .

Теснота связи при линейной зависимости измеряется с помощью линейного коэффициента корреляции, который рассчитывается по одной из формул:

(5.16)

. (5.17)

Оценка линейного коэффициента корреляции

Значение r	Характер связи	Интерпретация связи
r = 0	Отсутствует	Изменение x не влияет на изменения y
0 < r < 1	Прямая	С увеличением x увеличивается y
-1 > r > 0	Обратная	С увеличением x уменьшается y и наоборот
r = 1	Функциональная	Каждому значению факторного признака строго соответствует одно значение результативного

 

Значимость линейного коэффициента корреляции проверяется на основе t- критерия Стьюдента. Для этого определяется фактическое значение критерия :

, (5.18)

Вычисленное по формуле (6.18) значение сравнивается с критическим , который получают по таблице Стьюдента с учетом принятого уровня значимости и числа степеней свободы ν. Коэффициент корреляции считается статистически значимым, если t _расч превышает : t _расч > .

Универсальным показателем тесноты связи является теоретическое корреляционное отношение:

, (5.19)

где – общая дисперсия эмпирических значений y, характеризует вариацию результативного признака за счет всех факторов, включая х;

– факторная дисперсия теоретических значений результативного признака, отражает влияние фактора х на вариацию у;

– остаточная дисперсия эмпирических значений результативного признака, отражает влияние на вариацию у всех остальных факторов кроме х.

По правилу сложения дисперсий:

, т.е. . (5.19)

Оценка связи на основе теоретического корреляционного отношения (шкала Чеддока)

Значение	Характер связи		Значение	Характер связи
η = 0	Отсутствует		0,5 ≤ η < 0,7	Заметная
0 < η < 0,2	Очень слабая		0,7 ≤ η < 0,9	Сильная
0,2 ≤ η < 0,3	Слабая		0,9 ≤ η < 1	Весьма сильная
0,3 ≤ η < 0,5	Умеренная		η = 1	Функциональная

Для линейной зависимости теоретическое корреляционное отношение тождественно линейному коэффициенту корреляции, т.е. η = | r|.

Множественный коэффициент корреляции в случае зависимости результативного признака от двух факторов вычисляется по формуле:

, (5.20)

где – парные коэффициенты корреляции между признаками.

Множественный коэффициент корреляции изменяется в пределах от 0 до 1 и по определению положителен: .

 

Условие включения факторных признаков в регрессионную модель – наличие тесной связи между результативным и факторными признаками и как можно менее существенная связь между факторными признаками.

 

Значимость коэффициента множественной детерминации, а соответственно и адекватность всей модели и правильность выбора формы связи можно проверить с помощью критерия Фишера:

, (5.21)

где R ² – коэффициент множественной детерминации (R ² );

k – число факторных признаков, включенных в уравнение регрессии.

 

Связь считается существенной, если F _расч > F _табл – табличного значения F- критерия для заданного уровня значимости α и числе степеней свободы ν₁ = k,ν₂ = n – k – 1.

Частные коэффициенты корреляции характеризуют степень тесноты связи результативного признака и фактора, при элиминировании его взаимосвязи с остальными факторами, включенными в анализ. Расчет частных коэффициентов корреляции в случае двухфакторной регрессии (в первом случае исключено влияние факторного признака х ₂, во втором – х ₁):

; , (5.22)

где r – парные коэффициенты корреляции между указанными в индексе переменными.

Для оценки сравнительной силы влияния факторов, по каждому фактору рассчитывают частные коэффициенты эластичности:

, (5.23)

где – среднее значение соответствующего факторного признака;

– среднее значение результативного признака;

– коэффициент регрессии при i -м факторном признаке.

Данный коэффициент показывает, на сколько процентов следует ожидать изменения результативного показателя при изменении фактора на 1% и неизменном значении других факторов.

Частный коэффициент детерминации показывает, на сколько процентов вариация результативного признака объясняется вариацией i -го признака, входящего в множественное уравнение регрессии, рассчитывается по формуле:

, (5.24)

где – парный коэффициент корреляции между результативным и i -м факторным признаком;

– соответствующий стандартизованный коэффициент уравнения множественной регрессии:

. (5.25)

Пример

По данным о стоимости основных производственных фондов (С_ОПФ) и объеме валовой продукции (ВП) определить линейное уравнение связи.

 

Номер предприятия	СОПФ (), млн. руб.	ВП (y), млн. руб.		2	2
						19,4	0,36	20,25
								12,25
						30,6	0,16	6,25
						36,2	27,04	2,25
						41,8	3,24	0,25
						47,4	73,96	0,25
								2,25
						58,6	1,96	6,25
						64,2	17,64	12,25
						69,8	0,04	20,25
Сумма							125,4	82,5
Среднее	5,5	44,5	290,7	38,5	2248,7	44,5

;

.

Уравнение регрессии имеет вид:

.

Следовательно, с увеличением стоимости основных фондов на 1 млн.руб. объем валовой продукции увеличивается в среднем на 5,6 млн. руб.

Проверим значимость полученных коэффициентов регрессии. Рассчитаем и :

для параметра а ₀:

для параметра а ₁: .

По таблице Стьюдента с учетом уровня значимости =5% и числа степеней свободы ν =10-1-1=8 получаем =2,306.

Фактические значения и превышают табличное критическое значение . Это позволяет признать вычисленные коэффициенты корреляции типичными.

Пример По данным предыдущего примера оценить тесноту связи между признаками, оценить значимость найденного коэффициента корреляции.

, или .

Значение коэффициента корреляции свидетельствует о сильной прямой связи между рассматриваемыми признаками.

Значение t _расч превышает найденное по таблице значение =2.306, что позволяет сделать вывод о значимости рассчитанного коэффициента корреляции.

 

Пример Имеются некоторые данные о среднегодовой стоимости ОПФ (С_ОПФ), уровне затрат на реализацию продукции (З_РП) и стоимости реализованной продукции (РП). Считая зависимость между этими показателями линейной, определить уравнение связи; вычислить множественный и частные коэффициенты корреляции, оценить значимость модели.

СОПФ (х 1), млн.руб.	ЗРП (х 2), в % к РП	РП (y), млн.руб.			х 1 х 2	х 1 y	х 2 y
								20,36
								20,05
								24,21
								26,91
								30,54
								29,08
								33,24
								35,01
								36,25
								38,33
S = 66	S = 90	S = 294	S = 490	S = 1018	S = 688	S = 2078	S = 2880	S = 294
=6,6	=9,0	=29,4	–	–	=68,8	=207,8	=288,0	–

Решение. Составим систему нормальных уравнений МНК:

Выразим из 1-го уравнения системы a ₀ = 29,4 – 6,6· a ₁ – 9· a ₂.

Подставив во 2-е уравнение это выражение, получим:

.

Далее подставляем в 3-е уравнение вместо a ₀ и a ₁ полученные выражения и решаем его относительно a ₂ с точностью не менее 3-х знаков после запятой. Итак:

a ₀ = 12,508; a ₁ = 2,672; a ₂ = – 0,082; = 12,508 + 2,672· х ₁ – 0,082· х ₂.

= = 0,884;

= = 0,777;

= = 0,893;

=0,893.

Проверим значимость r (α = 0,01 и ν = 7):

= 5,00; = 3,27.

=5,00 > t _табл=3,50 – коэффициент корреляции x ₁ значим;

=3,27 < t _табл=3,50 – коэффициент корреляции x ₂ не значим.

Произведенные расчеты подтверждают условие включения факторных признаков в регрессионную модель – между результативным и факторными признаками существует тесная связь ( = 0,884; = 0,777), однако между факторными признаками достаточно существенная связь ( = 0,893). Включение в модель фактора x ₂ незначительно увеличивает коэффициент корреляции ( = 0,884; =0,893), поэтому включение в модель фактора x ₂ нецелесообразно.

Вычислим стандартизованные коэффициенты уравнения множественной регрессии:

Отсюда вычислим частные коэффициенты детерминации:

т.е. вариация результативного признака объясняется главным образом вариацией фактора x1.

Вычислим частные коэффициенты эластичности:

Проверим адекватность модели на основе критерия Фишера:

Найдем значение табличного значения F-критерия для уровня значимости α=0,05 и числе степеней свободы ν1 = 2, ν2 = 10 –2 – 1: Fтабл=4,74. Превышение значения Fрасч над значением Fтабл позволяет считать коэффициент множественной детерминации значимым, а соответственно и модель – адекватной, а выбор формы связи - правильным.

 

Ряды динамики

Анализ динамических рядов

Динамический ряд представляет собой хронологическую последовательность числовых значений статистических показателей.

Виды рядов динамики (РД):

1) моментные (моментальные) РД;

2) интервальные РД;

3) РД с нарастающими итогами;

4) производные РД.

Моментные ряды динамики отображают состояние изучаемых явлений на определенные даты (моменты) времени. Особенностью моментного ряда динамики является то, что в его уровни могут входить одни и те же единицы изучаемой совокупности. Пример моментного ряда динамики:

Дата	1.01.2001	1.04.2001	1.07.2001	1.10.2001	1.01.2002
Число работников, чел.

Интервальные ряды динамики отображают итоги развития (функционирования) изучаемых явлений за отдельные периоды (интервалы) времени. Каждый уровень интервального ряда складывается из данных за более короткие интервалы. Пример интервального ряда динамики:

Год
Объем розничного товарооборота, тыс. руб.	885,7	932,6	980,1	1028,7	1088,4

Статистическое отображение развития изучаемого явления во времени может быть представлено рядами динамики с нарастающими итогами. Их применение обусловлено потребностями в результатах развития изучаемых показателей не только за данный отчетный период, но и с учетом предшествующих периодов. При составлении таких рядов производится последовательное суммирование смежных уровней. Этим достигается суммарное обобщение результата развития изучаемого показателя с начала отчетного периода (месяца, квартала, года и т.д.).

Производные ряды – ряды, уровни которых представляют собой не непосредственно наблюдаемые значения, а производные величины: средние или относительные.

Основные направления изучения закономерностей развития социально-экономических явлений с помощью рядов динамики:

- характеристика уровней развития изучаемых явлений во времени;

- измерение динамики изучаемых явлений посредством системы статистических показателей;

- выявление и количественная оценка основной тенденции развития (тренда);

- изучение периодических колебаний;

- экстраполяция и прогнозирование.

Таблица 8.1 Уровни (показатели) ряда динамики

	Показатель	Формула
Базисные	Абсолютный прирост	Δ = yi – у 0 (6.1)
Темп роста	(6.2)
Темп прироста	(6.3)
Цепные	Абсолютный прирост	Δ = yi – yi -1 (6.4)
Темп роста	(6.5)
Темп прироста	(6.6)
Темп наращивания	(6.7)
Абсолютное значение 1% прироста	(6.8)
Средние	Абсолютный прирост	= (6.9)
Темп роста	(6.10)
Темп прироста	(6.11)

 

Средний уровень ряда динамики характеризует типическую величину абсолютных уровней.

Средний уровень интервального ряда определяется по формуле средней арифметической простой:

, (6.12)

где n – число уровней.

В моментном ряду динамики с равностоящими датами средний уровень определяется по формуле средней хронологической простой:

. (6.13)

В моментном ряду динамики с неравноотстоящими датами средний уровень определяется по формуле средней хронологической взвешенной:

, (6.14)

где у_i – уровни ряда динамики, сохранившиеся без изменения в течение промежутка времени t_i.

Между базисными и цепными темпами роста имеется взаимосвязь: произведение последовательных цепных темпов роста равно базисному темпу роста, а частное от деления последующего базисного темпа роста на предыдущий равно соответствующему цепному темпу роста.

; . (6.15)