WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 || 3 |

«Московский международный институт эконометрики, информатики, финансов и права В.Г. Минашкин А.Б. Гусынин Н.А. Садовникова Р.А. Шмойлова Курс лекций по теории статистики Москва, 2003 УДК 311 ...»

-- [ Страница 2 ] --

Секторные диаграммы выглядят убедительно при существенных различиях сравниваемых структур, а при небольших различиях она может быть недостаточно выразительна. Значительным преимуществом полосовых структурных диаграмм по сравнению с секторными является их большая емкость, возможность отразить на небольшом пространстве большой объем полезной информации.

Для одновременного изображения трех величин, связанных между собой таким образом, что одна величина является произведением двух других, применяются диаграммы, называющиеся "знаком Варзара" (рис. 4.14). "Знак Варзара" представляет собой прямоугольник, у которого один сомножитель принят за основание, другой за высоту, а вся площадь равна произведению.

Оба показателя откладываются на шкалах (каждый на своей), третий (результат) изображается в виде прямоугольника в поле графика.

На рис. 4.14 средний размер вклада, умноженный на их число, дает общую сумму вкладов, что и отображается в виде площади (данные в центре прямоугольников, млрд. руб.).

Число вкладов, млн.

- в городе - в сельской местности 124, 149, 25 39, 52, 1198 Средний размер вклада, тыс. руб.

0 300 600 900 1200 1500 1800 2100 2400 2700 3000 Рис. 4.14. Данные о вкладах населения в сберегательные банки региона в 1994 г.

4.5. Диаграммы динамики Для изображения и внесения суждений о развитии явления во времени строятся диаграммы динамики. В рядах динамики используются для наглядного изображения явлений многие диаграммы:

столбиковые, ленточные, квадратные, круговые, линейные, радиальные и другие. Выбор вида диаграмм зависит в основном от особенностей исходных данных, от цели исследования. Например, если имеется ряд динамики с несколькими неравноотстоящими уровнями во времени (1913, 1940, 1950, 1980,1985, 1995), то часто для наглядности используют столбиковые, квадратные или круговые диаграммы. Они зрительно впечатляют, хорошо запоминаются, но не годны для изображения большого числа уровней, так как громоздки, и если число уровней в ряду динамики велико, то целесообразно применять линейные диаграммы, которые воспроизводят непрерывность процесса развития в виде непрерывной ломаной линии. Кроме того, линейные диаграммы удобно использовать: когда целью исследования является изображение общей тенденции и характера развития явления;

когда на одном графике необходимо изобразить несколько динамических рядов с целью их сравнения;

когда наиболее существенным является сопоставление темпов роста, а не уровней.

Для построения линейных диаграмм используют систему прямоугольных координат. Обычно по оси абсцисс откладывается время (годы, месяцы и т.д.), а по оси ординат - размеры отображаемых явлений или процессов. На оси ординат наносят масштабы. Особое внимание следует обратить на их выбор, так как от этого зависит общий вид графика. Обеспечение равновесия, пропорциональности между осями координат необходимо в диаграмме, так как нарушение равновесия дает неправильное изображение развития явления. Если масштаб для шкалы на оси абсцисс очень растянут по сравнению с масштабом на оси ординат, то колебания в динамике явлений мало выделяются, и наоборот, преувеличение масштаба по оси ординат по сравнению с масштабом на оси абсцисс дает резкие колебания. Если в ряду динамики данные за некоторые годы отсутствуют, это должно быть уточнено при построении графика. Равным периодам времени и размерам уровня должны соответствовать равные отрезки масштабной шкалы.

Рассмотрим построение линейной диаграммы на основании данных таблицы 4.2.:

Таблица 4.2.

Динамика валового сбора зерновых культур в регионе за 1986 -1995 гг.

Годы 1986 1987 1988 1989 1990 1991 1992 1993 1994 млн. 237,4 179,2 189,1 158,2 186,8 192,2 172,6 191,7 210,1 211, тонн Изображение динамики валового сбора зерновых культур на координатной сетке с неразрывной шкалой значений, начинающихся от нуля, вряд ли целесообразно, так как 2/3 поля диаграммы остается неиспользованным и ничего не дает для выразительности изображения.

Поэтому в данных условиях рекомендуется строить шкалу без вертикального нуля, то есть шкала значений разрывается недалеко от нулевой линии и на диаграмму попадает лишь часть возможного поля графика. Это не приводит к искажениям в изображении динамики явления и процесс его изменения рисуется диаграммой более четко (рис.

4.15).

млн. тонн 1986 1987 1988 1989 1990 1991 1992 1993 1994 Рис. 4.15. Динамика валового сбора зерновых культур в регионе за 1986 1995 гг.

Нередко на одном линейном графике приводится несколько кривых, которые дают сравнительную характеристику динамики различных показателей или одного и того же показателя в разных странах. Примером графического изображения сразу нескольких показателей может служить рис. 4.16.

млн. тонн чугун готовый прокат 1985 1986 1987 1988 1989 1990 1991 1992 1993 Рис. 4.16. Динамика производства чугуна и готового проката в регионе за 1985-1994 гг.

Линейные диаграммы с равномерной шкалой имеют один недостаток, снижающий их познавательную ценность. Этот недостаток заключается в том, что равномерная шкала позволяет измерять и сравнивать только отраженные на диаграмме абсолютные приросты или уменьшения показателей на протяжении исследуемого периода. Однако при изучении динамики важно знать относительные изменения исследуемых показателей по сравнению с достигнутым уровнем или темпы их изменения. Именно относительные изменения экономических показателей в динамике искажаются при изображении их на координатной диаграмме с равномерной вертикальной шкалой. Кроме того, в обычных координатах теряет всякую наглядность и даже становится невозможным изображение рядов динамики с резко изменяющимися уровнями, которые обычно имеют место в динамических рядах за длительный период времени.

В этих случаях следует отказаться от равномерной шкалы и положить в основу графика полулогарифмическую систему.

Полулогарифмической сеткой называется сетка, в которой на одной оси нанесен линейный масштаб, а на другой логарифмический. В данном случае логарифмический масштаб наносится на ось ординат, а на оси абсцисс располагают равномерную шкалу для отсчета времени по принятым интервалам (годам, кварталам, месяцам, дням и прочее).

Техника построения логарифмической шкалы следующая (рис. 4.17):

необходимо найти логарифмы исходных чисел;

начертить ординату и разделить на несколько равных частей. Затем нанести на ординату (или равную ей параллельную линию) отрезки, пропорциональные абсолютным приростам этих логарифмов. Далее записать соответствующие логарифмы чисел и их антилогарифмы, например (0,000;

0,3010;

0,4771;

0,6021;

... ;

1,000, что дает 1, 2, 3, 4..., 10).

Полученные антилогарифмы окончательно дают вид искомой шкалы на ординате. Логарифмический масштаб лучше понять на примере.

Допустим нам надо изобразить на графике динамику производства электроэнергии в регионе за 1966 - 1995 гг., за эти годы оно возросло в 9,1 раза. С этой целью находим логарифмы для каждого уровня ряда (см.

таблицу 4.3.) Таблица 4.3.

Динамика производства электроэнергии в регионе за 1966 - 1995 гг.

(млрд. кВт. ч.) Годы Y1 LgY 1966 170 2, 1970 292 2, 1975 507 2, 1980 741 2, 1985 1039 3, 1990 1294 3, 1995 1544 3, Найдя минимальное и максимальное значения логарифмов производства электроэнергии, строим масштаб с таким расчетом, чтобы все данные разместились на графике. В соответствии с масштабом находим соответствующие точки, которые соединим прямыми линиями.

В результате получим график (см. рис. 4.18) с использованием логарифмического масштаба на оси ординат. Поэтому он называется диаграммой на полулогарифмической сетке. Полной логарифмической диаграммой он будет в том случае, если по оси абсцисс будет построен логарифмический масштаб. В рядах динамики это никогда не применяется, так как логарифмирование времени лишено всякого смысла.

Логарифмы чисел Числа 3,0 0, 2,5 0, 2,0 0, 1,5 31, 0, 1,0 Рис. 4.17. Схема логарифмического масштаба млрд. квт/ч 3,2 3 2,8 2,6 2,4 2, 1966 1970 1975 1980 1985 1990 Рис. 4.18. Динамика производства электроэнергии в регионе за 1966 - 1995 гг.

К диаграммам динамики относятся и радиальные диаграммы, построенные в полярных координатах и предназначенные для отражения процессов, ритмически повторяющихся во времени (см. рис. 4.19). Чаще всего эти диаграммы применяются для иллюстрации сезонных колебаний, и в этом отношении они имеют преимущество перед статистическими кривыми. Радиальные диаграммы делятся на два вида:

замкнутые и спиральные. Эти два вида диаграмм отличаются друг от друга по технике построения, все завит от того, что взято в качестве базы отсчета - центр круга или окружность.

Замкнутые диаграммы (см. рис. 4.19а) отражают весь внутригодичный цикл динамики какого либо одного года. Их построение сводится к следующему: вычерчивается круг, среднемесячный показатель приравнивается к радиусу этого круга, затем весь круг делится на двенадцать равных секторов, посредством проведения радиусов, которые изображаются в виде тонких линий.

Каждый радиус изображает месяц, причем расположение месяцев аналогично циферблату часов. На каждом радиусе делается отметка в определенном месте, согласно масштабу, исходя из данных на соответствующий месяц. Если данные превышают среднегодовой уровень, то отметка делается вне окружности на продолжении радиуса.

Затем отметки различных месяцев соединяются отрезками.

Если в качестве базы отсчета берется окружность, такого рода диаграммы называются спиральными (см. рис. 4.19б). Спиральные диаграммы отличаются от замкнутых тем, что в них декабрь одного года соединяется не с январем данного же года, а с январем следующего года.

Это дает возможность изобразить весь динамический ряд в виде одной кривой. Особенно наглядна такая диаграмма тогда, когда наряду с сезонным ритмом ряд обнаруживает неуклонный рост из года в год.

290 млн. руб.

877,5 тонн XII XII I I XI XI X II X II IX III IX III IIX IV IIX IV 1993 г.

1994 г.

VII V VII V 1995 г.

VI VI а) б) Рис. 4.19.а. Колебания месячной продуктивности одной из кондитерских фабрик (в тоннах).

Рис. 4.19.б. Динамика объема работ строительного треста по месяцам (1993 - 1995 гг.) по сметной стоимости (млн. руб.).

Для отображения зависимости одного показателя от другого строится диаграмма взаимосвязи (см. рис. 4.20). Один показатель принимается за X, а другой за Y (т.е. функцию от X). Строится прямоугольная система координат с масштабами для показателей, в которой вычерчивается график.

Y Уровень затрат на реализацию, % X Стоимость 0 1 2 3 5 6 7 8 9 10 основных производственных фондов (млн. руб.) Рис. 4.20. Зависимость уровня затрат на реализацию продукции от стоимости основных производственных фондов.

Построенный выше график показывает, что с увеличением стоимости основных производственных фондов происходит увеличение затрат на реализацию продукции. Согласно данным графика, можно утверждать, что с увеличением числа исследуемых предприятий зависимость двух показателей будет определяться линейной связью.

Диаграмма взаимосвязи имеет огромное применение на практике, так как множество различных величин связаны между собой той или иной формой прямой или обратной связи. Она может использоваться также для отображения различных циклических процессов (например инфляционной спирали), взаимонакладывающихся явлений и т.п.

4.6. Статистические карты.

Карты статистические представляют собой вид графических изображений статистических данных на схематичной географической карте, характеризующих уровень или степень распространения того или иного явления на определенной территории.

Средствами изображения территориального размещения являются штриховка, фоновая раскраска или геометрические фигуры. Различают картограммы и картодиаграммы.

Картограмма - это схематическая географическая карта, на которой штриховкой различной густоты, точками или окраской различной степени насыщенности показывается сравнительная интенсивность какого-либо показателя в пределах каждой единицы нанесенного на карту территориального деления (например, плотность населения по областям или республикам, распределение районов по урожайности зерновых культур и т.п.). Картограммы делятся на фоновые и точечные.

Картограмма фоновая - вид картограммы, на которой штриховкой различной густоты или окраской различной степени насыщенности показывают интенсивность какого-либо показателя в пределах территориальной единицы.

Картограмма точечная - вид картограммы, где уровень какого либо явления изображается с помощью точек. Точка изображает одну единицу совокупности или некоторое их количество, чтобы показать на географической карте плотность или частоту появления определенного признака.

Вторую большую группу статистических карт составляют картодиаграммы, представляющие собой сочетание диаграмм с географической картой. В качестве изобразительных знаков в картодиаграммах используются диаграммные фигуры (столбики, квадраты, круги, фигуры, полосы), которые размещаются на контуре географической карты. Картодиаграммы дают возможность географически отразить более сложные статистико-географические построения, чем картограммы.

Глава 5. Средние показатели.

5.1. Сущность средних показателей Наиболее распространенной формой статистических показателей, используемой в экономических исследованиях, является средняя величина, представляющая собой обобщенную количественную характеристику признака в статистической совокупности в конкретных условиях места и времени. Показатель в форме средней величины выражает типичные черты и дает обобщающую характеристику однотипных явлений по одному из варьирующих признаков. Он отражает уровень этого признака, отнесенный к единице совокупности.

Широкое применение средних объясняется тем, что они имеют ряд положительных свойств, делающих их незаменимым инструментом анализа явлений и процессов в экономике.

Важнейшее свойство средней величины заключается в том, что она отражает то общее, что присуще всем единицам исследуемой совокупности. Значения признака отдельных единиц совокупности колеблются в ту или иную сторону под влиянием множества факторов, среди которых могут быть как основные, так и случайные. Например, курс акций корпорации в целом определяется ее финансовым положением. В то же время, в отдельные дни и на отдельных биржах эти акции в силу сложившихся обстоятельств могут продаваться по более высокому или заниженному курсу. Сущность средней в том и заключается, что в ней взаимопогашаются отклонения значений признака отдельных единиц совокупности, обусловленные действием случайных факторов, и учитываются изменения, вызванные действием факторов основных. Это позволяет средней отражать типичный уровень признака и абстрагироваться от индивидуальных особенностей, присущих отдельным единицам.

Типичность средней непосредственным образом связана с однородностью статистической совокупности. Средняя величина только тогда будет отражать типичный уровень признака, когда она рассчитана по качественно однородной совокупности. Так, если мы рассчитаем средний курс по акциям всех предприятий, реализуемых в данный день на данной бирже, то получим фиктивную среднюю. Это будет объясняться тем, что используемая для расчета совокупность является крайне неоднородной. В этом и подобных случаях метод средних используется в сочетании с методом группировок: если совокупность неоднородна - общие средние должны быть заменены или дополнены групповыми средними, т.е. средними, рассчитанными по качественно однородным группам.

Категорию средней можно раскрыть через понятие ее определяющего свойства. Согласно этому понятию средняя, являясь обобщающей характеристикой всей совокупности, должна ориентироваться на определенную величину, связанную со всеми единицами этой совокупности. Эту величину можно представить в виде функции:

f (х1, х2,..., хn) (5.1.) Так как данная величина, в большинстве случаев, отражает реальную экономическую категорию, понятие определяющего свойства средней иногда заменяют понятием определяющего показателя.

Если в приведенной выше функции все величины х1, х2,..., хn заменить их средней величиной х, то значение этой функции должно остаться прежним:

f (х1, х2,..., хn)=f(х, х,..., х) (5.2.) Исходя из данного равенства и определяется средняя. На практике определить среднюю во многих случаях можно через исходное соотношение средней (ИСС) или ее логическую формулу:

Суммарное зна Чение или объем осредняемого признака ИСС = Число единиц или объем совокупности Так, например, для расчета средней заработной платы работников предприятия необходимо общий фонд заработной платы разделить на число работников:

Фонд заработной платы (тыс. руб.) ИСС = Число работников (Чел) Числитель исходного соотношения средней представляет собой ее определяющий показатель. Для средней заработной платы таким определяющим показателем является фонд заработной платы.

Независимо от того, какой первичной информацией мы располагаем - известен ли нам общий фонд заработной платы или заработная плата и численность работников, занятых на отдельных должностях, или какие либо другие исходные данные - в любом случае среднюю заработную плату можно получить только через данное исходное соотношение средней.

Для каждого показателя, используемого в экономическом анализе, можно составить только одно истинное исходное соотношение для расчета средней. Если, например, требуется рассчитать средний размер вклада в банке, то исходное соотношение будет следующим:

Сумма всех вкладов (тыс. руб.) ИСС = Число вкладов Если же необходимо определить среднюю процентную ставку по кредитам, выданным на один и тот же срок, то потребуется следующее исходное соотношение:

Общая сумма выплат по процентам (из рас Чета за год, тыс. руб.) ИСС = Общая сумма предоставленных кредитов (тыс. руб.) Однако от того, в каком виде представлены исходные данные для расчета средней, зависит, каким именно образом будет реализовано ее исходное соотношение. В каждом конкретном случае для реализации исходного соотношения потребуется одна из следующих форм средней величины:

• средняя арифметическая, • средняя гармоническая, • средняя геометрическая, • средняя квадратическая, кубическая и т.д.

Перечисленные средние объединяются в общей формуле средней степенной ( при различной величине k):

k fi xi k x = i=1, n fi где х i - i-ый вариант осредняемого признака (i=1, n ) f - вес i-го варианта.

i Помимо степенных средних в экономической практике также используются средние структурные, среди которых наиболее распространены мода и медиана. При осреднении уровней динамических рядов применяются различные виды средней хронологической.

5.2. Средняя арифметическая и ее свойства Наиболее распространенным видом средних величин является средняя арифметическая, которая, как и все средние, в зависимости от характера имеющихся данных может быть простой или взвешенной.

Средняя арифметическая простая (невзвешенная). Эта форма средней используется в тех случаях, когда расчет осуществляется по несгруппированным данным.

Предположим, пять торговых центров фирмы имеют следующий объем товарооборота за месяц:

Торговый центр А Б В Г Д Товарооборот 130 142 125 164 (млн.руб.) Для того, чтобы определить средний месячный товарооборот в расчете на один центр, необходимо воспользоваться следующим исходным соотношением:

Общий объем товарооборота (млн.руб.) ИСС = Число торговых центров Используя приведенные в предыдущем параграфе условные обозначения, запишем формулу данной средней:

х1 + х2 +... +хn i х х = = (5.3.) n n С учетом имеющихся данных получим:

130 +142 +125 +164 + х = =137,6 млн.руб.

В данном случае мы использовали формулу средней арифметической простой (невзвешенной).

Средняя арифметическая взвешенная. При расчете средних величин отдельные значения осредняемого признака могут повторяться, встречаться по несколько раз. В подобных случаях расчет средней производится по сгруппированным данным или вариационным рядам, которые могут быть дискретными или интервальными.

Рассмотрим следующий пример:

Таблица 5.1.

Продажа акций АО “Дока-хлеб” на торгах фондовой секции ТМБ “Гермес” 11-17 мая 1994 г.

Сделка Количество проданных Курс продажи, руб.

акций, шт.

1 500 2 300 3 1100 Определим по данному дискретному вариационному ряду средний курс продажи 1 акции, что можно сделать только используя следующее исходное соотношение:

Общая сумма сделок (руб.) ИСС = Коли Чество проданных акций (шт.) Чтобы получить общую сумму сделок необходимо по каждой сделке курс продажи умножить на количество проданных акций и полученные произведения сложить. В конечном итоге мы будем иметь следующий результат:

1080 500 +1050 300 +1145 1100 Х = ==1112,9 руб.

500 + 300 +1100 Расчет среднего курса продажи произведен по формуле средней арифметической взвешенной:

х fi i х = (5.4.) f i В отдельных случаях веса могут быть представлены не абсолютными величинами, а относительными ( в процентах или долях единицы). Так, в приведенном выше примере количество проданных в ходе каждой сделки акций соответственно составляет 26,3% (0,263);

15,8% (0,158) и 57,9% (0,579) от их общего числа. Тогда, с учетом несложного преобразования формулы (5.4.) получим:

fi x = ) (5.5.) (xi fi или Х =1080 0,263 +1050 0,158 +1145 0,579 =1112,9 руб.

На практике наиболее часто встречаемая при расчете средних ошибка заключается в игнорировании весов в тех случаях, когда эти веса в действительности необходимы. Предположим, имеются следующие данные:

Таблица 5.2.

Средние цены оптовых рынков на товар А Оптовый рынок Средняя цена (руб./шт.) 1 2 Можно ли по имеющимся данным определить среднюю цену данного товара по двум рынкам, вместе взятым? Можно, но только в том случае, когда объемы реализации этого товара на двух рынках совпадают. Тогда средняя цена реализации составит 42 руб.

(доказательство этого правила будет приведено ниже.). Однако на первом рынке может быть реализовано, к примеру, 100 единиц товара, а на втором - 1000 единиц. Тогда для расчета средней цены потребуется уже средняя арифметическая взвешенная:

43100 + Х = = 41,2руб.

100 + Общий вывод заключается в следующем: использовать среднюю арифметическую невзвешенную можно только тогда, когда точно установлено отсутствие весов или их равенство.

При расчете средней по интервальному вариационному ряду для выполнения необходимых вычислений от интервалов переходят к их серединам. Рассмотрим следующий пример:

Таблица 5.3.

Распределение менеджеров корпорации по возрасту Возраст (лет) Число менеджеров (чел.) до 25 25 - 30 30 - 40 40 - 50 50 - 60 60 и более Итого: Для определения среднего возраста управленческого персонала найдем середины возрастных интервалов. При этом величины открытых интервалов (первого и последнего) условно приравниваются к величинам интервалов, примыкающих к ним (второго и предпоследнего). С учетом этого середины интервалов будут следующими:

22, 5 27,5 35,0 45,0 55,0 65, Используя среднюю арифметическую взвешенную, определим средний возраст менеджера данной корпорации:

22,5 7+ 27,5 13+ 35 38+ 45 42+ 55 16+ 65 Х = =41 год 7+ 13+ 38+ 42+ 16+ Свойства средней арифметической. Средняя арифметическая обладает некоторыми математическими свойствами, более полно раскрывающими ее сущность и в ряде случаев используемыми при ее расчете. Рассмотрим эти свойства:

1. Произведение средней на сумму частот равно сумме произведений отдельных вариантов на соответствующие им частоты:

x = fi (5.6.) fi xi Действительно, если мы обратимся к приведенному выше примеру расчета среднего курса продажи акций (табл. 5.1.), то получим следующее равенство (за счет округления среднего курса правая и левая части равенства в данном случае будут незначительно отличаться):

1112,91900=1080500+1050300+ 2. Сумма отклонений индивидуальных значений признака от средней арифметической равна нулю:

- x)fi = 0 (5.7.) (xi Для нашего примера:

(1080-1112,9)500+(1050-1112,9)300+(1145-1112,9)1100= Математическое доказательство данного свойства сводится к следующему:

- x)fi = fi - xfi = fi - x = (xi xi xi fi 3. Сумма квадратов отклонений индивидуальных значений признака от средней арифметической меньше, чем сумма квадратов их отклонений от любой другой произвольной величины С:

(xi - x) + (x - C) fi = [ ] (x - C)2 fi = (x - x + x - C)2 fi = i i = (xi - x)2 + 2(xi - x)(x - C) + (x - C)2 fi = - x)2 fi + [] (xi (5.8.) +2(x - C) - x)fi + - C)2 fi = - x)2 fi + (x (x (x i i +2(x - C) 0 + - C)2 fi (x Следовательно, сумма квадратов отклонений индивидуальных значений признака от произвольной величины С больше суммы квадратов их отклонений от своей средней на величину или (x - C) (x - C)2 f i fi На использовании этого свойства базируется расчет центральных моментов, представляющих собой характеристики вариационного ряда при С = х: (x - x)k fi, i µk = f i где к определяет порядок момента (центральный момент второго порядка представляет собой дисперсию).

4. Если все осредняемые варианты уменьшить или увеличить на постоянное число А, то средняя арифметическая соответственно уменьшится или увеличится на ту же величину:

(x ± A)fi x fi ± Af x ± A i i i = = (5.9.) f f f i i i Так, если все курсы продажи акций увеличить на 100 руб., то средний курс также увеличится на 100 руб.:

1180 500+ 1150 300+ 1245 x= = 1212,9 руб.

5. Если все варианты значений признака уменьшить или увеличить в А раз, то средняя также соответственно увеличится или уменьшится в А раз:

xi fi i i xf A A = = x (5.10.) i i f f A Предположим, курс продажи в каждом случае возрастет в 1,5 раза.

Тогда и средний курс также увеличится на 50%:

1080 1,5 500+ 1050 1,5 300+ 1145 1,5 x= = 1112,9 1,5 = 1669,4 руб.

6. Если все веса уменьшить или увеличить в А раз, то средняя арифметическая от этого не изменится:

При С=0 получают начальные моменты (начальный момент 1-го порядка - средняя арифметическая и т.д.).

fi i i i x A A xf = =x (5.11.) fi i f A A Так, в нашем примере удобнее было бы рассчитывать среднюю, предварительно поделив все веса на 100:

1080 5+ 1050 3+ 1145 x= = 1112,9 руб.

Исходя из данного свойства, можно заключить, что если все веса равны между собой, то расчеты по средней арифметической взвешенной и средней арифметической простой приведут к одному и тому же результату.

5.3. Другие виды средних При расчете статистических показателей помимо средней арифметической могут использоваться и другие виды средних. Однако, в каждом конкретном случае, в зависимости от характера имеющихся данных, существует только одно истинное среднее значение показателя, являющееся следствием реализации его исходного соотношения.

Средняя гармоническая взвешенная. Данная форма используется, когда известен числитель исходного соотношения средней, но неизвестен его знаменатель. Рассмотрим расчет средней урожайности, являющейся одним из основных показателей эффективности производства в агробизнесе:

Таблица 5.4.

Валовой сбор и урожайность подсолнечника по Центрально Черноземному району (в хозяйствах всех категорий) Область Валовый сбор, Урожайность, ц/га тысяч тонн Белгородская 97 16, Воронежская 204 9, Курская 0,5 4, Липецкая 16 10, Тамбовская 69 7, Средняя урожайность любой сельскохозяйственной культуры в среднем по нескольким территориям, агрофирмам, фермерским хозяйствам и т.п. может быть определена только на основе следующего исходного соотношения:

Общий валовой сбор (тыс. ц.) ИСС = Общая посевная площадь (тыс. га) Общий валовой сбор мы получим простым суммированием валового сбора по областям. Данные же о посевной площади отсутствуют, но их можно получить, разделив валовой сбор по каждой области на урожайность. С учетом этого определим искомую среднюю, предварительно переведя для сопоставимости тонны в центнеры:

970 + 2040 + 5 +160 + 690 x = = = 9,9 ц/га 970 2040 5 160 690 389, + + + + 16,1 9,5 4,8 10,9 7, Таким образом, общая посевная площадь подсолнечника по Центрально-Черноземному району составляла 389,3 тыс.га, а средняя урожайность - 9,9 ц с одного гектара.

В данном случае расчет произведен по формуле средней гармонической взвешенной:

w, где wi=xifi i x = (5.12.) wi xi Данная формула используется для расчета средних показателей не только в статике, но и в динамике, когда известны индивидуальные значения признака и веса W за ряд временных интервалов.

Средняя гармоническая невзвешенная. Эта форма средней, используемая значительно реже, имеет следующий вид:

n x = (5.13.) xi Для иллюстрации области ее применения воспользуемся упрощенным условным примером. Предположим, в фирме, специализирующейся на торговле по почте на основе предварительных заказов, упаковкой и отправкой товаров занимаются два работника.

Первый из них на обработку одного заказа затрачивает 8 мин., второй - 14 мин. Каковы средние затраты времени на 1 заказ, если общая продолжительность рабочего времени у работников равна?

На первый взгляд, ответ на этот вопрос заключается в осреднении индивидуальных значений затрат времени на 1 заказ, т.е. (8+14):2= мин. Проверим обоснованность такого подхода на примере одного часа работы. За этот час первый работник обрабатывает 7,5 заказов (60:8), второй - 4,3 заказа (60:14), что в сумме составляет 11,8 заказа. Если же заменить индивидуальные значения их предполагаемым средним значением, то общее число обработанных обоими работниками заказов в данном случае уменьшится:

60 + =10,9 заказа 11 Подойдем к решению через исходное соотношение средней. Для определения средних затрат времени необходимо общие затраты времени за любой интервал (например, за час) разделить на общее число обработанных за этот интервал двумя работниками заказов:

60+ 60 1+ 1 х = = = =10,2 мин.

60 60 1 0,125+ 0, + + 8 14 8 Если теперь мы заменим индивидуальные значения их средней величиной, то общее количество обработанных за час заказов не изменится:

60 + =11,8 заказа 10,2 10, Подведем итог: средняя гармоническая невзвешенная может использоваться вместо взвешенной в тех случаях, когда значения wi для единиц совокупности равны (рабочий день у сотрудников одинаковый).

Средняя геометрическая. Еще одной формулой, по которой может осуществляться расчет среднего показателя, является средняя геометрическая:

к к x = x1 x2 x3...xк = Пxi - невзвешенная (5.14.) m1 m2 m3 к mi m m x= x1 x2 x3...xm = Пx - взвешенная к i Наиболее широкое применение этот вид средней получил в анализе динамики для определения среднего темпа роста, что будет рассмотрено в соответствующей главе.

Средняя квадратическая. В основе вычислений ряда сводных расчетных показателей лежит средняя квадратическая:

xi x = - невзвешенная n (5.15.) fi xi x = - взвешенная fi Наиболее широко этот вид средней используется при расчете показателей вариации.

В статистическом анализе также применяются степенные средние 3-го порядка и более высоких порядков.

5.4. Структурные средние Наиболее часто используемыми в экономической практике структурными средними являются мода и медиана. Мода представляет собой значение изучаемого признака, повторяющееся с наибольшей частотой. Медианой называется значение признака, приходящееся на середину ранжированной (упорядоченной) совокупности.

Главное свойство медианы заключается в том, что сумма абсолютных отклонений значений признака от медианы меньше, чем от любой другой величины:

xi - Me = min Рассмотрим определение моды и медианы по несгруппированным данным.

Предположим, что 9 торговых фирм города реализуют товар А по следующим оптовым ценам (тыс.руб.).

4,4 4,3 4,4 4,5 4,3 4,3 4,6 4,2 4, Так как чаще всего встречается цена 4,3 тыс.руб., то она и будет модальной.

Для определения медианы необходимо провести ранжирование:

4,2 4,3 4,3 4,3 4,4 4,4 4,5 4,6 4, Центральной в этом ряду является цена 4,4 тыс.руб., следовательно, данная цена и будет медианой. Если ранжированный ряд включает четное число единиц, то медиана определяется как средняя из двух центральных значений.

Если мода отражает типичный, наиболее распространенный вариант значения признака, то медиана практически выполняет функции средней для неоднородной, не подчиняющейся нормальном закону распределения совокупности. Она также используется в тех случаях, когда средняя не позволяет объективно оценить исследуемую совокупность вследствие сильного влияния максимальных и минимальных значений. Проиллюстрируем познавательное значение медианы следующим примером.

Допустим, нам необходимо дать характеристику среднего дохода группы людей, насчитывающей 100 человек, из которых 99 имеют доходы в интервале от 100 до 1000 долл. в месяц, а месячные доходы последнего составляют 50000 долл.:

№ п/п 1 2 3 4... 50 51... 99 Доход 100 104 104 107... 162 164... 200 (долл.) Если мы воспользуемся средней арифметической, то получим средний доход, равный примерно 600-700 долл., который не только в несколько раз меньше дохода 100-го человека, но и имеет мало общего с доходами остальной части группы. Медиана же, равная в данном случае 163 долл., позволит дать объективную характеристику уровня доходов 99% данной совокупности людей.

Рассмотрим определение моды и медианы по сгруппированным данным (рядам распределения).

Предположим, распределение торговых предприятий города по уровню розничных цен на товар А имеет следующий вид :

Цена, Число торговых руб. предприятий 52 53 54 55 56 Всего Определение моды по дискретному вариационному ряду не состав ляет большого труда - наибольшую частоту (60 предп.) имеет цена руб., следовательно она и является модальной.

Для определения медианного значения признака по следующей формуле находят номер медианной единицы ряда:

n + N = (5.16) me где n - объем совокупности.

190 + В нашем случае N = = 95,5.

me Полученное дробное значение, всегда имеющее место при четном числе единиц в совокупности, указывает, что точная середина находится между 95 и 96 предприятиями. Необходимо определить, в какой группе находятся предприятия с этими порядковыми номерами. Это можно сделать, рассчитав накопленные частоты. Очевидно, что магазинов с этими номерами нет в первой группе, где всего лишь 12 торговых предприятий, нет их и во второй группе (12+48=60). 95-ое и 96-ое предприятия находятся в третьей группе (12+48+56=116) и, следовательно, медианой является цена 54 руб.

В отличие от дискретных вариационных рядов определение моды и медианы по интервальным рядам требует проведения определенных расчетов на основе следующих формул :

(fM - fM -1) o o М = хо + i о (5.17) (fM - fM -1) + (fM - fM +1) o o o o где Хо - нижняя граница модального интервала (модальным называется интервал, имеющий наибольшую частоту);

i - величина модального интервала;

fМо - частота модального интервала;

fМо-1 - частота интервала, предшествующего модальному;

fМо+1 - частота интервала, следующего за модальным.

и f - sM i e- Me = x0 + i (5.18) fM e где Хо - нижняя граница медианного интервала (медианным называется первый интервал, накопленная частота которого превышает половину общей суммы частот);

i - величина медианного интервала:

Sme-1 - накопленная частота интервала, предшествующего медианному;

fMe - частота медианного интервала.

Проиллюстрируем применение этих формул, используя данные таблицы 5.5.

Информация, подобная представленной в этой таблице, необходима для получения четкого представления о покупательной способности населения страны или региона, для оценки эластичности спроса и, в конечном итоге, для выбора того или иного метода ценообразования и обоснования окончательной цены на товар.

Таблица 5.5.

Распределение населения РФ по уровню среднедушевого денежного дохода в январе-августе 1995 г.

Среднедушевой денежный доход (в Удельный вес населения, % среднем за месяц), тыс.руб.

100 и менее 2, 100 - 200 15, 200 - 300 20, 300 - 400 17, 400 - 500 12, 500 - 600 9, 600 - 700 6, 700 - 800 4, 800 - 900 3, 900 - 1000 2, свыше 1000 6, Всего 100, Интервал с границами 200 - 300 в данном распределении будет модальным, так как он имеет наибольшую частоту. Использую формулу (5.17), определим моду :

20,1-15, М0 = 200 +100 = 262 тыс.руб.

(20,1-15,4) + (20,1-17,2) Для определения медианного интервала необходимо определять накопленную частоту каждого последующего интервала до тех пор, пока она не превысит 1/2 суммы накопленных частот (в нашем случае - 50%) :

Интервал Накопленная частота, % 100 и менее 2, 100 - 200 17, 200 - 300 37, 300 - 400 55, Мы определили, что медианным является интервал с границами 300 - 400. Определим медиану :

50,0 - 37, Mе = 300 +100 = 370 тыс.руб.

17, Соотношение моды, медианы и средней арифметической указывает на характер распределения признака в совокупности, позволяет оценить его асимметрию. Если Мо

На основе полученных в последнем примере значений структурных средних можно заключить, что наиболее распространенным, типичным является среднедушевой доход порядка 260 тыс.руб. в месяц. В то же время, более половины населения располагает доходом свыше 370 тыс.руб. при среднем уровне тыс.руб. (средняя арифметическая взвешенная). Из соотношения этих показателей следует вывод о правосторонней асимметрии распределения населения по уровню среднедушевых денежных доходов, что позволяет предполагать о достаточной емкости рынка дорогих товаров повышенного качества и товаров престижной группы.

Глава 6. Анализ вариации.

6.1. Основные показатели вариации.

Информация о средних уровнях исследуемых показателей обычно бывает недостаточной для глубокого анализа изучаемого процесса или явления. Необходимо учитывать и разброс или вариацию значений отдельных единиц, которая является важной характеристикой изучаемой совокупности. В наибольшей степени вариации подвержены курсы акций, объемы спроса и предложения, процентные ставки в разные периоды и в разных местах.

Основными показателями, характеризующими вариацию, являются размах, дисперсия, среднее квадратическое отклонение и коэффициент вариации.

Для иллюстрации расчетов этих показателей воспользуемся следующими данными:

Таблица 6. Итоги торгов на валютных биржах России 21 января 1999г.

(спецсессия) Биржа Курс, руб./долл. Оборот, млн.долл.

США США ММВБ 22,73 158, СПВБ 22,63 10, УРВБ 22,42 3, СМВБ 22,40 2, АТМВБ 22,64 0, СВМБ 22,83 1, НФВБ 22,56 0, Простейшим показателем, уже использованным выше при группировке данных, является размах вариации. Он представляет собой разность максимального и минимального значений признака:

R=Xmax-Xmin=22,83-22,40=0,43 руб.

Недостатком данного показателя является то, что он оценивает только границы варьирования признака и не отражает его колеблемость внутри этих границ. Этого недостатка лишена дисперсия, рассчитываемая как средний квадрат отклонений значений признака от их средней величины:

i (x - x) = невзвешенная формула (6.1) n i (x - x) fi взвешенная формула = (6.2) i f По данным нашего примера определим средневзвешенный курс доллара по итогам всех торгов и рассчитаем дисперсию:

22,73158,0 + 22,6310,0 +... + 22,56 0, х = = 22,71 руб.

158,0 +10,0 +... + 0, (22,73 - 22,71)2 158,0 + (22,63 - 22,71)2 10,0 +... + (22,56 - 22,71)2 0, = = 0, 158,0 + 10,0 +... + 0, Дисперсию в отдельных случаях удобнее рассчитывать по другой формуле, представляющей собой алгебраическое преобразование выражений (5.19.) и (5.20.):

= x2 - (x) (6.3) 2 fi xi xi где x = или x2 = n i (6.4) f Наиболее удобным и широко распространенным на практике показателем является среднее квадратическое отклонение. Оно определяется как квадратный корень из дисперсии и имеет ту же размеренность, что и изучаемый признак:

i (x - x) = невзвешенная формула (6.5) n i (x - x) fi взвешенная формула = i f (6.6) В нашем случае получим:

= 0,004 = 0,06 руб.

Рассмотренная величина показывает, что курсы доллара на биржах отклонялись от средневзвешенного курса в среднем на 17,4 руб.

Рассмотренные показатели позволяют получить абсолютное значение вариации, т.е. оценивают ее в единицах измерения исследуемого признака. В отличие от них, коэффициент вариации измеряет колеблемость в относительном выражении, относительно среднего уровня, что во многих случаях является предпочтительнее:

(6.7) V = 100% x Определим значение этого показателя по нашим данным:

0, V = 100% = 0,26% 22, Рассчитанная величина свидетельствует об очень незначительном относительном уровне колеблемости курса доллара. Если V не превышает 33%, то совокупность по рассматриваемому признаку можно считать однородной.

Информативность показателей вариации повышается, если они рассчитываются для целей сравнительного анализа. При этом показатели, рассчитанные по одной совокупности, сопоставляются с показателями, рассчитанными по другой аналогичной совокупности или по той же самой, но относящейся к другому периоду времени.

Например, исследуется динамика вариации курса доллара по недельным или месячным данным.

6.2. Использование показателей вариации в анализе взаимосвязей.

Показатели вариации могут быть использованы не только в анализе колеблемости или изменчивости изучаемого признака, но и для оценки степени воздействия одного признака на вариацию другого признака, т.е. в анализе взаимосвязей между показателями.

При проведении такого анализа исходная совокупность должна представлять собой множество единиц, каждая из которых характеризуется двумя признаками - факторным и результативным.

Факторным называется признак, оказывающий влияние на взаимосвязанный с ним признак. В свою очередь, этот второй признак, подверженный влиянию, называется результативным.

Для выявления взаимосвязи исходная совокупность делится на две или более групп во факторному признаку. Выводы о степени взаимосвя зи базируются на анализе вариации результативного признака. При этом применяется правило сложения дисперсий:

2 0 = + 2 (6.8) где 0 - общая дисперсия;

- средняя из внутригрупповых дисперсий;

2 - межгрупповая дисперсия.

Межгрупповая дисперсия отражает ту часть вариации результативного признака, которая обусловлена воздействием признака факторного. Это воздействие проявляется в отклонении групповых средних от общей средней:

(хi - x0 )2ni 2 =, (6.9) ni где хi - среднее значение результативного признака по i-ой группе;

x0 - общая средняя по совокупности в целом;

ni - объем (численность) i-ой группы.

Если факторный признак, по которому производилась группировка, не оказывает никакого влияния не признак результативный, то групповые средние будут равны между собой и совпадут с общей средней. В этом случае межгрупповая дисперсия будет равна нулю.

Средняя из внутригрупповых дисперсий отражает ту часть вариации результативного признака, которая обусловлена действием всех прочих неучтенных факторов, кроме фактора, по которому осуществлялась группировка:

i ni =, (6.10) ni где i -дисперсия результативного признака в i-ой группе;

ni -объем (численность) i-ой группы.

Теснота связи между факторным и результативным признаком оценивается на основе эмпирического корреляционного отношения:

э = (6.11) Данный показатель может принимать значения от 0 до 1. Чем ближе к 1 будет его величина, тем сильнее взаимосвязь между рассматриваемыми признаками.

На следующем условном примере исследуем зависимость между собственными и привлеченными средствами коммерческих банков региона:

Таблица №6. Банк Собственные средства, млн.руб. Привлеченные средства, млн.

руб.

1. 70 2. 90 3. 140 4. 110 5. 75 6. 150 7. 90 8. 60 9. 95 10. 115 Если взаимосвязь между рассматриваемыми показателями существует, то она обусловлена влиянием объема собственных средств на объем привлеченных средств. Поэтому объем собственных средств выступает в данном примере в качестве факторного признака (X), а объем привлеченных средств в качестве результативного признака (Y).

Произведем группировку банков, выделив две группы по величине собственных средств, например, группу “да 100 млн.руб.” и группу “ млн. руб. и более”. Результаты такой группировки представлены в следующей таблице:

Таблица №6. № Собственные средства, млн. Привлеченные средства, млн.

группы руб. руб.

1. До 100 300 400 255 320 240 2. 100 и более 530 470 650 Расчет эмпирического корреляционного отношения включает не сколько этапов:

1) рассчитываем групповые средние:

xij xi =, ni где i- номер группы;

j- номер единицы в группе.

300 + 400 +... + x1 = = 311,7млн.руб;

530 +......................... + x = = 513,8млн.руб;

В данном примере при расчете групповых средних мы использовали невзвешенные формулы. Однако, при повторении вариантов для расчета необходимо использовать средние взвешенные.

2) рассчитываем общую среднюю:

xini 311,7 6 + 513,8 x0 = = = 392,5млн.руб ni Данную среднюю также можно было получить как отношение сум мы всех единиц исходной совокупности (без учета деления на группы) к объему всей совокупности, т.е. к общему числу единиц.

3) рассчитываем внутригрупповые дисперсии:

(xij - xi) i = ;

ni (300 - 311,7)2 + (400 - 311,7)2 +.... + (355 - 311,7) 1 = = 3039;

(530 - 513,8)2 +... + (405 - 513,8) 2 = = 8142.

Если бы варианты имели веса, то для расчета внутригрупповых дисперсий также требовались бы взвешенные формулы.

4) вычисляем среднюю из внутригрупповых дисперсий:

3039 6 + 8142 = = 5) определяем межгрупповую дисперсию:

(311,7 - 392,5)2 6 + (513,8 - 392,5)2 2 = = находим общую дисперсию по правилу сложения:

0 = 5080 + 9803 = 14883.

На этом этапе возможна проверка правильности выполненных ранее расчетов. Если возвратиться к исходной совокупности и не раздета ее на группы рассчитать дисперсию признака “у”, то она должна совпасть с общей дисперсией, полученной по правилу сложения.

рассчитываем эмпирическое корреляционное отношение:

э = = 0,81.

Полученная величина свидетельствует о том, что фактор, положенный в основание группировки (собственные средства), существенно влияет на размер привлеченных банками средств.

Глава 7. Выборочное наблюдение 7.1. Выборочное наблюдение как важнейший источник статистической информации Статистическая методология исследования массовых явлений различает, как известно, два способа наблюдения в зависимости от полноты охвата объекта: сплошное и несплошное. Разновидностью несплошного наблюдения является выборочное, которое в условиях рыночных отношений в России находит все более широкое применение.

Переход статистики РФ на международные стандарты системы национального счетоводства требует более широкого применения выборки для получения и анализа показателей СНС не только в промышленности, но и в других секторах экономики.

Под выборочным наблюдением понимается несплошное наблюдение, при котором статистическому обследованию (наблюдению) подвергаются единицы изучаемой совокупности, отобранные случайным способом. Выборочное наблюдение ставит перед собой задачу – по обследуемой части дать характеристику всей совокупности единиц при условии соблюдения всех правил и принципов проведения статистического наблюдения и научно организованной работы по отбору единиц.

К выборочному наблюдению статистика прибегает по различным причинам. На современном этапе появилось множество субъектов хозяйственной деятельности, которые характерны для рыночной экономики. Речь идет об акционерных обществах, малых и совместных предприятиях, фермерских хозяйствах и т.д. Сплошное обследование этих статистических совокупностей, состоящих из десятков и сотен тысяч единиц, потребовало бы огромных материальных, финансовых и иных затрат. Использование же выборочного обследования позволяет значительно сэкономить силы и средства, что имеет немаловажное значение.

Наряду с экономией ресурсов одной из причин превращения выборочного наблюдения в важнейший источник статистической информации является возможность значительно ускорить получение необходимых данных. Ведь при обследовании, скажем, 10% единиц совокупности будет затрачено гораздо меньше времени, а результаты могут быть представлены быстрее, и будут более актуальными. Фактор времени важен для статистического исследования особенно в условиях изменяющейся социально-экономической ситуации.

Роль выборочного исследования в получении статистических данных возрастает в силу возможности, - когда это необходимо - расширения программы наблюдения. Так как исследованию подвергается сравнительно небольшая часть всей совокупности, можно с помощью многофазной выборки более широко и детально изучить отдельные единицы и их группы.

Проведение статистического наблюдения вообще требует соответствующего кадрового обеспечения. Сплошное обследование занимает иногда слишком большое число людей для его организации и проведения. Обращение к опыту выборочного наблюдения приводит к тому, что необходимый штат сотрудников значительно уменьшается.

Это позволяет привлекать более квалифицированных людей, снизить опасность появления субъективных ошибок, особенно при непосредственной регистрации фактов, и достичь поставленных целей с помощью меньшего количества более компетентных специалистов статистиков.

Следует также отметить, что на практике приходится сталкиваться со специфическими задачами изучения массовых процессов, которые решаются лишь с помощью методологии выборки. К таким задачам относится, например, исследование качества продукции, если она при этом уничтожается. На основе выборочного наблюдения изучается, например, качество электроламп, спичек, многих сплавов и т.д. Кроме того, в современных условиях развития внешнеэкономических связей России при наличии, в частности, большого числа импортируемых продуктов и непродовольственных товаров таможенный и иной контроль обеспечивается также на основе выборки.

Наконец важным фактором превращения выборочного наблюдения в важнейший источник статистической информации является возможность его использования в целях уточнения и для разработки данных сплошного обследования. Выборочная разработка данных сплошного наблюдения связана с потребностью представления оперативных предварительных итогов обследования. Кроме того, при обобщении данных сплошного учета невозможно вести сплошную разработку по всем сочетаниям рассматриваемых признаков. Она является сложной и дорогостоящей. В этих условиях выборочный метод позволяет получить необходимые сведения приемлемой точности, когда факторы времени и стоимости делают сплошную разработку нецелесообразной.

Совокупность отобранных для обследования единиц в статистике принято называть выборочной, а совокупность единиц, из которых производится отбор, - генеральной.

Основные характеристики параметров генеральной и выборочной совокупности обозначаются определенными символами (табл. 7.1).

Результаты выборочного статистического исследования во многом зависят от уровня подготовки процесса наблюдения. Под уровнем подготовки в данном случае подразумевается соблюдение определенных правил и принципов проектирования выборочного обследования. Важнейшим элементом проектирования является составление организационного плана выборочного наблюдения. В общем виде в организационный план включаются следующие вопросы:

1. Постановка цели и задачи наблюдения.

2. Определение границ объекта исследования.

3. Отработка программы наблюдения (составление анкеты, опросного листа, формы отчета и т.д.) и разработки ее материалов.

4. Определение процедуры отбора, способа отбора и объема выборки.

5. Подготовка кадров для проведения наблюдения, тиражирование формуляров, инструктивных документов и др.

6. Расчет выборочных характеристик и определение ошибок выборки.

7. Распространение выборочных данных на всю совокупность.

Специфические вопросы организационного плана выборочного статистического наблюдения будут рассмотрены ниже.

Таблица 7.1.

Символы основных характеристик параметров генеральной и выборочной совокупностей № Характеристики Генеральная Выборочная п/п совокупность Совокупность 1 Объем совокупности (численность единиц) N n 2 Численность единиц, обладающих обследуемым M m признаком M m P = W = N n Доля единиц, обладающих обследуемым 4 признаком xi xi ~ x = x = N n Средний размер ~) 5 признака - x)2 - x (xi (xi 2 = ~ = x x N n Дисперсия 2 6 количественного = pq = w(1- w) p w признака Дисперсия доли 7.2. Основные способы формирования выборочной совокупности Достоверность рассчитанных по выборочным данным характеристик в значительной степени определяется репрезентативностью выборочной совокупности, которая, в свою очередь, зависит от способа отбора единиц из генеральной совокупности. В каждом конкретном случае в зависимости от целого ряда условий, а именно, сущности исследуемого явления, объема совокупности, вариации и распределения наблюдаемых признаков, материальных и трудовых ресурсов, выбирают наиболее предпочтительную систему организации отбора, которая определяется видом, методом и способом отбора.

По виду различают индивидуальный, групповой и комбинированный отбор. При индивидуальном отборе в выборочную совокупность отбираются отдельные единицы генеральной совокупности, при групповом отборе – группы единиц, а комбинированный отбор предполагает сочетание группового и индивидуального отбора.

Метод отбора определяет возможность продолжения участия отобранной единицы в процедуре отбора.

Бесповторным называется отбор, при котором попавшая в выборку единица не возвращается в совокупность, из которой осуществляется дальнейший отбор.

При повторном отборе попавшая в выборку единица после регистрации наблюдаемых признаков возвращается в исходную (генеральную) совокупность для участия в дальнейшей процедуре отбора. Повторный метод отбора применяется в тех случаях, когда характер исследуемого явления предполагает возможность повторной регистрации единиц. Такая возможность, прежде всего, может иметь место в выборочных обследованиях населения в качестве покупателей, пациентов, избирателей, абитуриентов и т.д.

Способ отбора определяет конкретный механизм или процедуру выборки единиц из генеральной совокупности. В практике выборочных обследований наибольшее распространение получили следующие виды выборки:

• собственно-случайная;

• механическая;

• типическая;

• серийная;

• комбинированная.

Собственно-случайная выборка заключается в отборе единиц из генеральной совокупности наугад или наудачу без каких-либо элементов системности. Однако прежде чем производить собственно-случайный отбор, необходимо убедиться, что все без исключения единицы генеральной совокупности имеют абсолютно равные шансы попадания в выборку, в списках или перечне отсутствуют пропуски, игнорирования отдельных единиц и т.п. Следует также установить четкие границы генеральной совокупности таким образом, чтобы включение или невключение в нее отдельных единиц не вызывало сомнений. Так, например, при обследовании студентов необходимо указать, будут ли приниматься во внимание лица, находящиеся в академическом отпуске, студенты негосударственных вузов, военных училищ и т.п.;

при обследовании торговых предприятий важно определиться, включит ли генеральная совокупность торговые павильоны, коммерческие палатки и прочие подобные объекты.

Технически собственно-случайный отбор проводят методом жеребьевки или по таблице случайных чисел.

Для жеребьевки необходимо подготовить достаточное количество жребиев – фишек, шаров, карточек, соответствующее объему генеральной совокупности. Каждый жребий должен содержать информацию об отдельной единице совокупности – номер, фамилию лица или адрес, название или какой-либо другой отличительный признак. Необходимое в соответствии с установленным процентом отбора количества жребиев извлекается из общей их совокупности в случайном порядке.

При отборе по таблицам случайных чисел каждая единица генеральной совокупности должна иметь порядковый номер. Таблицы случайных чисел получаются с помощью датчика случайных чисел на ПК и представляют собой абсолютно произвольные столбцы цифр. В соответствии с объектом генеральной совокупности выбирается любой столбец с числами необходимой значимости. Например, если генеральная совокупность включает 5000 единиц, потребуется четырехзначные столбцы, при этом числа больше 5000 не будут приниматься во внимание. В выборочную совокупность отбираются единицы с порядковыми номерами, соответствующими числам выбранного столбца.

Собственно-случайный отбор может быть как повторным, так и бесповторным. Для проведения бесповторного отбора в процессе жеребьевки выпавшие жребии обратно в исходную совокупность не возвращаются и в дальнейшем отборе не участвуют. При использовании таблиц случайных чисел бесповторность отбора достигается пропуском чисел в случае их повторения в выбранном столбце или столбцах.

После проведения отбора для определения возможных границ генеральных характеристик рассчитываются средняя и предельная ошибки выборки.

Эти два вида ошибок связаны следующим соотношением:

=tµ, где - предельная ошибка выборки;

µ - средняя ошибка выборки;

t - коэффициент доверия, определяемый в зависимости от уровня вероятности р.

Ниже приведены некоторые значения t.

Таблица 7.2.

Вероятность, 0,683 0,866 0,954 0,988 0,997 0, рi Значение t 1,0 1,5 2,0 2,5 3,0 3, Величина средней ошибки выборки рассчитывается дифференцированно в зависимости от способа отбора и процедуры выборки. Так, при случайном повторном отборе средняя ошибка определяется по формуле:

µ =, n а при бесповторном:

n µ = (1- ), n N где 2 - выборочная (или генеральная)1 дисперсии;

- выборочное (или генеральное) среднее квадратическое отклоне- ние;

n - объем выборочной совокупности;

N - объем генеральной совокупности.

Расчет средней и предельной ошибок выборки позволяет определить возможные пределы, в которых будут находиться характеристики генеральной совокупности. Например, для выборочной средней такие пределы устанавливаются на основе следующих соотношений:

~- x ~ ~+~, xx x ~x ~ - генеральная и выборочная средняя соответственно;

где х и х ~ - предельная ошибка выборочной средней.

x Покажем практическое применение рассмотренной выше методики на следующих примерах.

Пример 1. При проверке веса импортируемого груза на таможне методом случайной повторной выборки было отобрано 200 изделий. В результате был установлен средний вес изделия 30 г. при среднем квадратическом отклонении 4 г. С вероятностью 0,997 определите пределы, в которых находится средний вес изделия в генеральной совокупности.

Решение. Рассчитаем сначала предельную ошибку выборки. Так как при р = 0,997 t = 3, она равна:

~ x ~ = t = 3 = 0,84.

x n Определим пределы генеральной средней:

30 - 0,84 X 30 + 0, или 29,16 X 30,84.

Следовательно, с вероятностью 0,997 можно утверждать, что средний вес изделий в генеральной совокупности находится в пределах от 29,16 г. до 30,84 г.

Пример 2. В городе проживает 250 тыс. семей. Для определения среднего числа детей в семье была организована 2%-ная случайная бесповторная выборка семей. По ее результатам было получено следующее распределение семей по числу детей:

Число детей в семье 0 1 2 3 4 Количество семей 1000 2000 1200 400 200 С вероятностью 0,954 определите пределы, в которых будет находиться среднее число детей в генеральной совокупности.

Решение. Вначале на основе имеющегося распределения семей определим выборочные среднюю и дисперсию:

~ xi - x - x -~)2 fi Число Количеств xifi (xi ~)2 (xi x детей в о семей, fi семье, хi 0 1000 0 -1,5 2,25 1 2000 2000 -0,5 0,25 2 1200 2400 0,5 0,25 3 400 1200 1,5 2,25 4 200 800 2,5 6,25 5 200 1000 3,5 12,25 Итого 5000 7400 - - 7400 ~ x = 1,5 (чел.);

.2 = 1,53.

x 5000 Вычислим теперь предельную ошибку выборки (с учетом того, что при р = 0,954 t = 2).

2 1- n 153 ~, 1- 0,035.

x t = = ~ x n N 5000 Следовательно, пределы генеральной средней:

x=~± =1,5 ± 0, x ~.

x Таким образом, с вероятностью 0,954 можно утверждать, что среднее число детей в семьях города практически не отличается от 1,5, т.е. в среднем на каждые две семьи приходится три ребенка.

Наряду с определением ошибок выборки и пределов для генеральной средней эти же показатели могут быть определены для доли признака. В этом случае особенности расчета связаны с определением дисперсии доли, которая вычисляется так:

2 = w (1- w), w m где w = - доля единиц, обладающих данным признаком в выборочной n совокупности, определяемая как отношение количества соответствующих единиц к объему выборки.

Тогда, например, при собственно-случайном повторном отборе для определения предельной ошибки выборки используется следующая формула:

w (1 - w ) w = t = t.

w n n Соответственно, при бесповторном отборе:

w(1- w)1- n 1- n w w =t = t.

n N n N Пределы доли признака в генеральной совокупности р выглядят следующим образом:

w - w pw + w.

Рассмотрим пример.

Пример 3. С целью определения средней фактической продолжительности рабочего дня в государственном учреждении с численностью служащих 480 человек, в январе 1998 г. было проведена 25%-ная случайная бесповторная выборка. По результатам наблюдения оказалось, что у 10% обследованных потери времени достигали более мин. в день. С вероятностью 0,683 установите пределы, в которых находится генеральная доля служащих с потерями рабочего времени более 45 мин. в день.

Решение. Определим объем выборочной совокупности:

n = 480 0,25 = 120чел.

Выборочная доля w равна по условию 10%.

Учитывая, что при р = 0,683 t = 1, вычислим предельную ошибку выборочной доли:

w(1- w) n 0,1(1- 0,1) w = t (1- ) = 1 (1- ) = 0,0237 0,024 или 2,4%.

n N 120 Пределы доли признака в генеральной совокупности:

10 - 2,4 p 10 + 2, или 7,6 p 12,4.

Таким образом, с вероятностью 0,683 можно утверждать, что доля работников учреждения с потерями рабочего времени более 45 мин. в день находится в пределах от 7,6% до 12,4%.

Механическая выборка применяется в случаях, когда генеральная совокупность каким-либо образом упорядочена, т.е. имеется определенная последовательность в расположении единиц (табельные номера работников, списки избирателей, телефонные номера респондентов, номера домов и квартир и т.п.).

Для проведения механической выборки устанавливается пропорция отбора, которая определяется соотнесением объемов выборочной и генеральной совокупностей. Так, если из совокупности в 500 000 единиц предполагается получить 2%-ную выборку, т.е. отобрать 1 10 000 единиц, то пропорция отбора составит =.

50 500 000 :10 Отбор единиц осуществляется в соответствии с установленной пропорцией через равные интервалы. Например, при пропорции 1: (2%-ная выборка) отбирается каждая 50-я единица, при пропорции 1: (5%-ная выборка) – каждая 20-я единица и т.д.

Генеральную совокупность при механическом отборе можно ранжировать или упорядочить по величине изучаемого или коррелирующего с ним признака, что позволит повысить репрезентативность выборки. Однако в этом случае возрастает опасность систематической ошибки, связанной с занижением значений изучаемого признака (если из каждого интервала регистрируется первое значение) или с его завышением (если из каждого интервала регистрируется последнее значение). Поэтому целесообразно отбор начинать с середины первого интервала, например, при 5%-ной выборке отобрать 10-ю, 30-ю, 50-ю, 70-ю и с таким же интервалом последующие единицы.

Для определения средней ошибки механической выборки используется формула средней ошибки при собственно-случайном бесповторном отборе.

Типический отбор. Этот способ отбора используется в тех случаях, когда все единицы генеральной совокупности можно разбить на несколько типических групп. При обследовании населения такими группами могут быть, например, районы, социальные, возрастные или образовательные группы, при обследовании предприятий – отрасль или подотрасль, форма собственности и т.п. Типический отбор предполагает выборку единиц из каждой типической группы собственно-случайным или механическим способом. Поскольку в выборочную совокупность в той или иной пропорции обязательно попадают представители всех групп, типизация генеральной совокупности позволяет исключить влияние межгрупповой дисперсии на среднюю ошибку выборки, которая в этом случае определяется только внутригрупповой вариацией.

Отбор единиц в типическую выборку может быть организован либо пропорционально объему типических групп, либо пропорционально внутригрупповой дифференциации признака.

При выборке, пропорциональной объему типических групп, число единиц, подлежащих отбору из каждой группы, определяется следующим образом:

N i ni =n, N где Ni - объем i-ой группы;

ni - объем выборки из i-ой группы.

Средняя ошибка такой выборки находится по формулам:

µ= (повторный отбор) n 2 n 1- µ= (бесповторный отбор) n N где - средняя из внутригрупповых дисперсий.

i При выборке, пропорциональной дифференциации признака, число наблюдений по каждой группе рассчитывается по формуле:

iNi ni =n, Ni i где - среднее квадратическое отклонение признака в i-ой группе.

i Средняя ошибка такого отбора определяется следующим образом:

2 i Ni µ= (повторный отбор) N n i 2 i Ni n 1- i µ= (бесповторный отбор).

N n Ni i Отбор, пропорциональный дифференциации признака, дает лучшие результаты, однако на практике его применение затруднено вследствие трудности получения сведений о вариации до проведения выборочного наблюдения.

Рассмотрим оба варианта типической выборки на условном примере. Предположим, 10% бесповторный типический отбор рабочих предприятия, пропорциональный размерам цехов, проведенный с целью оценки потерь из-за временной нетрудоспособности, привел к следующим результатам (табл. 7.3.).

Таблица 7.3.

Результаты обследования рабочих предприятия Цех Всего Обследовано, Число дней временной рабочих, человек нетрудоспособности за год человек средняя дисперсия I 1000 100 18 II 1400 140 12 III 800 80 15 Рассчитаем среднюю из внутригрупповых дисперсий:

ni 49 100 + 25 140 +16 i = = = 30,25.

100 +140 + ni Определим среднюю и предельную ошибки выборки (с вероятностью 0,954):

30,25 µ = (1- ) = 0,29 ;

320 = 2 0,29 = 0,58.

x Рассчитаем выборочную среднюю:

xini 18 100 +12 140 +15 ~ x = = = 14,6дня.

100 +140 + ni С вероятностью 0,954 можно сделать вывод, что среднее число дней временной нетрудоспособности одного рабочего в целом по предприятию находится в пределах:

14,6 - 0,58 x 14,6 + 0,58.

Воспользуемся полученными внутригрупповыми дисперсиями для проведения отбора пропорционального дифференциации признака.

Определим необходимый объем выборки по каждому цеху:

Ni = 49 1000 + 25 1400 + 16 800 = 17200;

i 49 n1 = 320 = 130 человек;

25 n2 = 320 = 130 человек;

16 n3 = 320 = 60 человек;

С учетом полученных значений рассчитаем среднюю ошибку выборки:

1 4910002 130 2514002 130 168002 µ = (1- ) + (1- ) + (1- ) = 0, 3200 130 1000 130 1400 60 В данном случае средняя, а следовательно, и предельная ошибки будут несколько меньше, что отразится и на границах генеральной средней.

Серийный отбор. Данный способ отбора удобен в тех случаях, когда единицы совокупности объединены в небольшие группы или серии. В качестве таких серий могут рассматриваться упаковки с определенным количеством готовой продукции, партии товара, студенческие группы, бригады и другие объединения. Сущность серийной выборки заключается в собственно-случайном или механическом отборе серий, внутри которых производится сплошное обследование единиц.

Поскольку внутри групп (серий) обследуются все без исключения единицы, средняя ошибка серийной выборки (при отборе равновеликих серий) зависит от величины только межгрупповой (межсерийной) дисперсии и определяется по следующим формулам:

µ= (повторный отбор), r r 1- µ= (бесповторный отбор), r R где r - число отобранных серий;

R - общее число серий.

Межгрупповую дисперсию вычисляют следующим образом:

x -~) x (~i =, r ~i x где - средняя i-й серии;

~ x - общая средняя по всей выборочной совокупности.

Пример 4. В области, состоящей из 20 районов, проводилось выборочное обследование урожайности на основе отбора серий (районов). Выборочные средние по районам составили соответственно 14,5 ц/га;

16 ц/га;

15,5 ц/га;

15 ц/га и 14 ц/га. С вероятностью 0, определите пределы урожайности во всей области.

Решение. Рассчитаем общую среднюю:

14,5 +16 +... + ~ x = = 15 ц/га.

Межгрупповая (межсерийная) дисперсия равна:

(14,5 -15)2 + (16 -15)2 +... + (14 -15) = = 0, Определим теперь предельную ошибку серийной бесповторной выборки (t = 2 при р = 0,954):

0,5 = 2 (1- ) 1,7.

5 Следовательно, урожайность в области будет с вероятностью 0, находиться в пределах:

15 -1,7 x 15 +1, или 13,3 ц/га x 16,7 ц/га 7.3. Определение необходимого объема выборки При проектировании выборочного наблюдения возникает вопрос о необходимой численности выборки. Эта численность может быть определена на базе допустимой ошибки при выборочном наблюдении, исходя из вероятности, на основе которой можно гарантировать величину устанавливаемой ошибки, и, наконец, на базе способа отбора.

Формулы необходимого объема выборки для различных способов формирования выборочной совокупности могут быть выведены из соответствующих соотношений, используемых при расчете предельных ошибок выборки. Приведем наиболее часто применяемые на практике выражения необходимого объема выборки:

• собственно-случайная и механическая выборка:

2 t n= (повторный отбор);

2 t N n= (бесповторный отбор);

2 2 N+t • типическая выборка:

2 t i n= (повторный отбор);

t N i n= (бесповторный отбор);

2 N+t i • серийная выборка:

t r= (повторный отбор);

t 2R r= (бесповторный отбор).

2R+t При этом в зависимости от целей исследования дисперсии и ошибки выборки могут быть рассчитаны для средней величины или доли признака.

Рассмотрим примеры определения необходимого объема выборки при различных способах формирования выборочной совокупности.

Пример 5. В 100 туристических агентствах города предполагается провести обследование среднемесячного количества реализованных путевок методом механического отбора. Какова должна быть численность выборки, чтобы с вероятностью 0,683 ошибка не превышала 3 путевок, если по данным пробного обследования дисперсия составляет 225.

Решение. Рассчитаем необходимый объем выборки:

12 225100 n = = = 20 агентств.

32 100 +12 225 Пример 6. С целью определения доли сотрудников коммерческих банков области в возрасте старше 40 лет предполагается организовать типическую выборку пропорциональную численности сотрудников мужского и женского пола с механическим отбором внутри групп.

Общее число сотрудников банков составляет 12 тыс. чел., в том числе тыс. мужчин и 5 тыс. женщин.

На основании предыдущих обследований известно, что средняя из внутригрупповых дисперсий составляет 1600. Определите необходимый объем выборки при вероятности 0,997 и ошибке 5%.

Решение. Рассчитаем общую численность типической выборки:

32 1600 n = = 550 чел.

52 12000 + 32 Вычислим теперь объем отдельных типических групп:

550 n1 = = 319 чел.

550 n2 = = 231чел.

Таким образом, необходимый объем выборочной совокупности сотрудников банков составляет 550 чел., в т.ч. 319 мужчин и женщина.

Пример 7. В акционерном обществе 200 бригад рабочих.

Планируется проведение выборочного обследования с целью определения удельного веса рабочих, имеющих профессиональные заболевания. Известно, что межсерийная дисперсия доли равна 225. С вероятностью 0,954 рассчитайте необходимое количество бригад для обследования рабочих, если ошибка выборки не должна превышать 5%.

Решение. Необходимое количество бригад рассчитаем на основе формулы объема серийной бесповторной выборки:

22 225 n= = 30 бригад.

200 52 +22 7.4. Оценка результатов выборочного наблюдения и распространение их на генеральную совокупность Заключительным этапом выборочного наблюдения является распространение его результатов на генеральную совокупность. Однако часто при статистическом изучении социально-экономических явлений этому процессу предшествует оценка результатов наблюдения с точки зрения самой возможности распространения.

Вывод о возможности распространения в значительной степени зависит от качества основы выборки, прежде всего от ее полноты. Под полнотой подразумевается наличие или представленность всех типов или групп данной генеральной совокупности в основе выборки.

Неполнота основы может привести к нарушению представительности выборки и, как следствие, к неправильным выводам при анализе данных наблюдения.

Однако не следует обосновывать возможность распространения выборочных данных только анализом качества исходной информации для отбора. Более точной основой суждения о возможности распространения представляется расчет относительной ошибки:

x %= 100% для средней, x w % = 100% для доли, p где % - относительная предельная ошибка выборки;

и w - предельная ошибка для среднего значения или доли признака x соответственно;

x и p - генеральная средняя и доля соответственно.

Суждение о возможности распространения выборочных данных можно составить, если в формулах заменить x и p соответствующими выборочными характеристиками. Необходимым условием при этом является соответствие плановой и фактической численности и структуры выборочной совокупности. При больших расхождениях использование этого приема может привести к ошибочным суждениям.

Если величина относительной ошибки не превышает заранее установленного для данного обследования предельного значения, то данные выборочного наблюдения являются представительными и могут быть распространены на генеральную совокупность.

Существуют два основных метода распространения – прямой пересчет и способ коэффициентов.

Сущность способа прямого пересчета заключается в умножении среднего значения признака, найденного в результате выборочного наблюдения, на объем генеральной совокупности. Практические расчеты при этом не вызывают серьезных затруднений. Например, на основании выборочного обследования 1000 молодых семей требуется оценить потребность в местах в детских яслях. С помощью метода прямого пересчета это можно сделать следующим образом. Известно, что ясли могут посещать дети в возрасте до трех лет. По материалам выборочного обследования следует вычислить среднее число детей этого возраста в расчете на 1 семью. Предположим, что оно составляет 0,3 человека. Умножив это число на численность генеральной совокупности, получим, что в детских яслях потребуется выделить мест.

В условиях существования большого числа факторов, влияющих на точность данных выборочного наблюдения, использование точечной оценки при распространении выборочных характеристик на генеральную совокупность в статистических исследованиях часто нецелесообразно. Во всех случаях, когда это возможно, правильнее пользоваться интервальной оценкой, позволяющей учесть размер предельной ошибки выборки, рассчитанной для средней или для доли признака. Так, если в нашем примере число детей в возрасте до трех лет по выборочным данным составило 0,3 человека, а предельная ошибка - ± 0,1человека, то требуемое количество мест в детских учреждениях будет находиться в пределах от 200 до 400.

Наряду со способом прямого пересчета при распространении данных выборочного наблюдения на генеральную совокупность применяется так называемый способ коэффициентов. Данный способ целесообразно использовать в случаях, когда выборочное наблюдение проводится с целью проверки и уточнения данных сплошного наблюдения, в частности численности учтенных единиц совокупности.

При этом следует использовать следующую формулу:

y, Y1 = Y y где Y1 - численность совокупности с поправкой на недоучет;

Y0 - численность совокупности без этой поправки;

у0 - численность совокупности в контрольных точках по первоначальным данным;

у1 - численность совокупности в тех же точках по данным контроль ных мероприятий.

До сих пор возможности выборки при уточнении данных сплошного наблюдения используются недостаточно. В то же время в современных условиях данный способ может быть, например, одним из инструментов контроля деятельности коммерческих структур со стороны финансовых органов.

При уточнении данных сплошного наблюдения на основе контрольных выборочных мероприятий определяется так называемая поправка на недоучет. Метод ее расчета наиболее широко применяется в обследованиях относительно небольших совокупностей, когда их объем не превышает нескольких сотен или тысяч единиц.

Пример 8. При проведении учета коммерческих палаток в городе было зарегистрировано следующее их количество в районах: А - 2000;

Б - 1500;

В - 750. С целью проверки данных сплошного учета проведены контрольные обходы части обследованных районов. Их результаты содержатся в нижеприведенной табл. 7.4.

Таблица 7.4.

Количество коммерческих палаток в районах города до и после контрольных обходов Район Зарегистрировано Установлено при Коэффициент ы при сплошном контрольном обходе недоучета учете А 400 420 1, Б 300 310 1, В 150 160 1, Рассчитанный по каждой категории работников коэффициент недоучета является основой уточнения имеющихся данных.

В нашем примере количество коммерческих палаток (по данным сплошного учета) следует умножить на рассчитанный для каждого района коэффициент недоучета. В итоге получим результаты, представленные в табл. 7.5.

Таблица 7.5.

Уточненные данные учета коммерческих палаток в районах города Количество коммерческих палаток в районах города А Б В Данные сплошного наблюдения 2000 1500 Численность с 2100 1550 поправкой на недоучет 7.5. Малая выборка В практике статистического исследования в условиях рыночной экономики все чаще приходится сталкиваться с небольшими по объему так называемыми малыми выборками. Под малой выборкой понимается такое выборочное наблюдение, численность единиц которого не превышает 30. В настоящее время малая выборка используется более широко, чем раньше, прежде всего за счет статистического изучения деятельности малых и средних предприятий, коммерческих банков, фермерских хозяйств и т.д. Их количество в определенных случаях, особенно при региональных исследованиях, а также величина характеризующих их показателей (например, численность занятых) часто незначительны. Поэтому хотя общий принцип выборочного обследования (с увеличением объема выборки повышается точность выборочных данных) остается в силе, иногда приходится ограничиваться малым числом наблюдений. Наряду со статистическим изучением рыночных структур эта необходимость возникает при выборочной проверке качества продукции, в научно исследовательской работе и в ряде других случаев.

При оценке результатов малой выборки величина генеральной дисперсии в расчетах не используется. Для определения возможных пределов ошибки пользуются так называемым критерием Стьюдента, определяемым по формуле:

~ x - x t =, µМ.В где µМ.В = - мера случайных колебаний выборочной средней в n - малой выборке.

Приведем выдержку из таблицы распределения Стьюдента.

Таблица 7.6.

Распределение вероятности в малых выборках в зависимости от коэффициента доверия t и объема выборки n* n 4 5 6 7 8 9 10 15 t 0,5 348 356 362 366 368 370 372 376 378 1,0 608 626 636 644 650 654 656 666 670 1,5 770 792 806 816 832 828 832 846 850 2,0 860 884 908 908 914 920 924 936 940 2,5 933 946 955 959 963 966 968 975 978 3,0 942 960 970 970 980 938 984 992 992 * При n = в таблице даны вероятности нормального распределения. Для определения вероятности соответствующие табличные значения следует разделить на 1000.

Как видно из таблицы, при увеличении n это распределение стремится к нормальному и при n = 20 уже мало от него отличается.

Покажем, как пользоваться таблицей распределения Стьюдента.

Пример 9. Предположим, что выборочное обследование 10 рабочих малого предприятия показало, что на выполнение одной из производственных операций рабочие затрачивали времени (мин.): 3,4;

4,7;

1,8;

3,9;

4,2;

3,9;

4,2;

3,9;

3,7;

3,2;

2,2;

3,9. Найдем выборочные средние затраты:

3,4 + 4,7 +1,8 +... + 2,2,+3, ~ x = = 3,49 мин.

Выборочная дисперсия:

(3,4 - 3,49)2 + (4,7 - 3,49)2 +... + (3,9 - 3,49) = = 0,713.

x Отсюда средняя ошибка малой выборки равна:

0, µМ.В = = 0,28 мин.

10 - По табл. 7.6. находим, что для коэффициента доверия t = 2 и объема малой выборки n =10 вероятность равна 0,924. Таким образом, с вероятностью 0,924 можно утверждать, что расхождение между выборкой и генеральной средними лежит в пределах от -2µ до +2µ, т.е.

~ разность x - x не превысит по абсолютной величине 0,56 (20,28).

Следовательно, средние затраты времени во всей совокупности будут находится в пределах от 2,93 до 4,05 мин. Вероятность того, что это предположение в действительности неверно и ошибка по случайным причинам будет по абсолютной величине больше, чем 0,56, равна: 1 0,924 = 0,076.

Глава 8. Статистическое изучение взаимосвязи социально экономических явлений 8.1. Причинность, регрессия, корреляция Исследование объективно существующих связей между явлениями - важнейшая задача теории статистики. В процессе статистического исследования зависимостей вскрываются причинно следственные отношения между явлениями, что позволяет выявлять факторы (признаки), оказывающие основное влияние на вариацию изучаемых явлений и процессов. Причинно-следственные отношения - это такая связь явлений и процессов, когда изменение одного из них - причины ведет к изменению другого - следствия.

Социально-экономические явления представляют собой результат одновременного воздействия большого числа причин. Следовательно, при изучении этих явлений необходимо выявлять главные, основные причины, абстрагируясь от второстепенных.

В основе первого этапа статистического изучения связи лежит качественный анализ, связанный с анализом природы социального или экономического явления методами экономической теории, социологии, конкретной экономики. Второй этап - построение модели связи, базируется на методах статистики: группировках, средних величинах, таблицах и так далее. Третий, последний этап - интерпретация результатов, вновь связан с качественными особенностями изучаемого явления. Статистика разработала множество методов изучения связей.

Выбор метода изучения связи зависит от цели исследования, от поставленной задачи.

Признаки по их значению для изучения взаимосвязи делятся на два класса. Признаки, обуславливающие изменения других, связанных с ними признаков, называют факторными, или просто факторами.

Признаки, изменяющиеся под действием факторных признаков, называют результативными.

В статистике различают функциональную и стохастическую зависимости. Функциональной называют такую связь, при которой определенному значению факторного признака соответствует одно значение результативного.

Если причинная зависимость проявляется не в каждом отдельном случае, а в общем, среднем при большом числе наблюдений, то такая зависимость называется стохастической. Частным случаем стохастической связи является корреляционная связь, при которой изменение среднего значения результативного признака обусловлено изменением факторных признаков.

Связи между явлениями и их признаками классифицируются по степени тесноты, направлению и аналитическому выражению.

По степени тесноты связи различают:

Таблица 8. Количественные критерии оценки тесноты связи Величина коэффициента Характер связи корреляции практически отсутствует До ±0, слабая ±0,3 - ±0, умеренная ±0,5 - ±0, сильная ±0,7 - ±1, По направлению выделяют связь прямую и обратную. Прямая - это такая связь, при которой с увеличением или с уменьшением значений факторного признака происходит увеличение или уменьшение значений результативного. Так, например, рост производительности труда способствует увеличению уровня рентабельности производства. В случае обратной связи значения результативного признака изменяются под воздействием факторного, но в противоположном направлении по сравнению с изменением факторного признака. Так с увеличением уровня фондоотдачи снижается себестоимость единицы производимой продукции.

По аналитическому выражению выделяют связи прямолинейные (или просто линейные) и нелинейные. Если статистическая связь между явлениями может быть приблизительно выражена уравнением прямой линии, то ее называют линейной связью вида:

yx = a0 + a1x (8.1) Если же связь может быть выражена уравнением какой-либо кривой линии, например:

параболы - yx = a0 + a1x + a2x (8.2) гиперболы - yx = a0 + a1 ;

и т.д., то такую связь называют x нелинейной или криволинейной. Для выявления наличия связи, ее характера и направления в статистике используются методы:

приведения параллельных данных;

аналитических группировок;

графический;

корреляции.

Метод приведения параллельных данных основан на сопоставлении двух или нескольких рядов статистических величин.

Такое сопоставление позволяет установить наличие связи и получить представление о ее характере. Сравним изменение двух величин:

X 1 2 3 4 5 6 7 8 Y 5 9 6 10 14 17 15 20 Мы видим, что с увеличением величины X величина Y также возрастает. Можно сделать предположение, что связь между ними прямая и что ее можно описать или уравнением прямой или уравнением параболы второго порядка.

Графически взаимосвязь двух признаков изображается с помощью поля корреляции. В системе координат на оси абсцисс откладываются значения факторного признака, а на оси ординат - результативного. Каждое пересечение линий, проводимых через эти оси, обозначаются точкой. При отсутствии тесных связей имеет место беспорядочное расположение точек на графике. Чем сильнее связь между признаками, тем теснее будут группироваться точки вокруг определенной линии, выражающей форму связи.

y.

...

..

.

..

..

...

..

..

0 x Рис. 8.1. График корреляционного поля.

Корреляция - это статистическая зависимость между случайными величинами, не имеющая строго функционального характера, при которой изменение одной из случайных величин приводит к изменению математического ожидания другой.

В статистике принято различать следующие варианты зависимостей:

1. Парная корреляция - связь между двумя признаками (результативным и факторным, или двумя факторными).

2. Частная корреляция - зависимость между результативным и одним факторным признаками при фиксированном значении других факторных признаков.

3. Множественная корреляция - зависимость результативного и двух или более факторных признаков, включенных в исследование.

Корреляционный анализ имеет своей задачей количественное определение тесноты связи между двумя признаками (при парной связи) и между результативным и множеством факторных признаков (при многофакторной связи).

Теснота связи количественно выражается величиной коэффициентов корреляции, которые давая количественную характеристику тесноты связи между признаками, позволяют определять «полезность» факторных признаков при построении уравнения множественной регрессии.

Регрессия тесно связана с корреляцией: первая оценивает силу (тесноту) статистической связи, вторая исследует ее форму.

Регрессионный анализ заключается в определении аналитического выражения связи, в котором изменение одной величины (называемой зависимой или результативным признаком), обусловлено влиянием одной или нескольких независимых величин (факторов).

Одной из проблем построения уравнений регрессии является их размерность, то есть определение числа факторных признаков, включаемых в модель. Их число должно быть оптимальным.

Сокращение размерности за счет исключения второстепенных, несущественных факторов позволяет получить модель, быстрее и качественнее реализуемую. В то же время, построение модели малой размерности может привести к тому, что она будет недостаточно полно описывать исследуемое явление или процесс.

При построении моделей регрессии должны соблюдаться следующие требования:

1. Совокупность исследуемых исходных данных должна быть однородной и математически описываться непрерывными функциями.

2. Возможность описания моделируемого явления одним или несколькими уравнениями причинно-следственных связей.

3. Все факторные признаки должны иметь количественное (цифровое) выражение.

4. Наличие достаточно большого объема исследуемой выборочной совокупности.

5. Причинно-следственные связи между явлениями и процессами должны описываться линейной или приводимой к линейной форме зависимостью.

6. Отсутствие количественных ограничений на параметры модели связи.

7. Постоянство территориальной и временной структуры изучаемой совокупности.

Соблюдение данных требований позволяет построить модель, наилучшим образом описывающую реальные явления и процессы.

8.2.Парная регрессия на основе метода наименьших квадратов и метода группировок Парная регрессия характеризует связь между двумя признаками:

результативным и факторным. Аналитически связь между ними описывается уравнениями:

прямой yx = a0 + a1x гиперболы yx = a0 + a1 (8.3) x параболы yx = a0 + a1x + a2x и так далее.

Определить тип уравнения можно, исследуя зависимость графически, однако существуют более общие указания, позволяющие выявить уравнение связи, не прибегая к графическому изображению.

Если результативный и факторный признаки возрастают одинаково, то это свидетельствует о том, что связь между ними линейная, а при обратной связи - гиперболическая. Если результативный признак увеличивается в арифметической прогрессии, а факторный значительно быстрее, то используется параболическая или степенная регрессия.

Оценка параметров уравнений регрессии (a0, a1, и a2 - в уравнении параболы второго порядка) осуществляется методом наименьших квадратов, в основе которого лежит предположение о независимости наблюдений исследуемой совокупности и нахождении параметров модели (a0, a1), при которых минимизируется сумма квадратов отклонений эмпирических (фактических) значений результативного признака от теоретических, полученных по выбранному уравнению регрессии:

S = y - yx min ( ) Система нормальных уравнений для нахождения параметров линейной парной регрессии методом наименьших квадратов имеет следующий вид:

na0 + a1 = y x (8.4) a + a1 2 = 0 x x xy где n - объем исследуемой совокупности (число единиц наблюдения).

В уравнениях регрессии параметр a0 показывает усредненное влияние на результативный признак неучтенных в уравнении факторных признаков;

коэффициент регрессии a1 показывает, на сколько изменяется в среднем значение результативного признака при увеличении факторного на единицу собственного измерения.

Например, имеются данные, характеризующие деловую активность закрытого акционерного общества (ЗАО): прибыль (млн.

руб.) и затраты на 1 руб. произведенной продукции.

Таблица 8. Зависимость между прибылью ЗАО и затратами на 1 руб. произведенной продукции Прибыль Затраты на 1 руб.

yx № п/п (млн. руб.) произведенной x2 xy (y) продукции (коп.) (x) 1 221 96 9216 21216 2 1070 77 5929 82390 3 1001 77 5929 77077 4 606 89 7921 53934 5 779 82 6724 63878 6 789 81 6561 63909 Итого 4466 502 42280 362404 Предположим наличие линейной зависимости между рассматриваемыми признаками.

Система нормальных уравнений для данного примера имеет вид:

6a0 + 502a1 = + 42280a1 = 502a Отсюда: a0 = 4494,06;

a1 = -44, Следовательно, yx =4494,06-44,8x.

На практике исследования часто проводятся по большому числу наблюдений. В этом случае исходные данные удобнее представлять в сводной групповой таблице. При этом анализу подвергаются сгруппированные данные и по факторному (x) и по результативному (y) признакам, то есть уравнения парной регрессии целесообразно строить на основе сгруппированных данных.

Если значения x и y заданы в определенных интервалах (a, b), то для каждого интервала сначала необходимо определить середину (x’/y’ = (a+b)/2), а затем уже коррелировать значения x’ и y’ и строить уравнения регрессии между ними.

Например, определим зависимость между величиной уставного капитала и числом занятых на предприятиях, выставивших акции на чековые аукционы в 1996 г. в одном из регионов, который характеризуется следующими данными:

Таблица 8. Распределение предприятий, выставивших акции на чековые аукционы в 1996 г., по величине уставного капитала и числу занятых в одном из регионов Уставной Число занятых (чел.) (х) Число yfy xyfy капитал предприят (млн.руб.) ий, fy (у) 14-70 70-126 126-182 182- xi 42 98 154 yi 745-2684 1714,5 4 6 2 3 15 2517,5 2684-4624 3654,0 1 3 - - 4 14616,0 4624-6564 5594,0 - 1 1 - 2 11188,0 6564-8503 7533,5 1 1 2 - 4 30134,0 8503-125842 67172,5 2 - 1 2 5 335862,5 Число - 8 11 6 5 30 417518,0 предприятий, fx xfx - 336 1078 924 1050 x2fx 14112 105644 142296 220500 Предположим наличие линейной зависимости между рассматриваемыми признаками.

Система нормальных уравнений для определения коэффициентов уравнения регрессии примет вид:

na0 + a1 xfx = yfy a xfx + a1 x2fx = xyfy где n=30 - число анализируемых предприятий;

fx/fy - число предприятий, согласно распределению, соответственно по факторному и результативному признакам;

yfy / xfx - значения результативного и факторного признака по конкретной группе предприятий.

Так для первой группы:

yfy=1714,515=25717,5;

xfx=428= xyfy=1714,5442+1714,5698+1714,52154+1714,53210= = x2fх=42428= Таким образом, подставив в систему суммарные значения, получим:

30a0 + 3388a1 = + 482552a1 = 3388a a0=6640;

a1= Отсюда yx =6640+64x.

8.3. Множественная (многофакторная) регрессия Изучение связи между тремя и более связанными между собой признаками носит название множественной (многофакторной) регрессии:

y1,2,...,k = f (x1, x2,..., xk ) Построение моделей множественной регрессии включает несколько этапов:

1. Выбор формы связи (уравнения регрессии);

2. Отбор факторных признаков;

3. Обеспечение достаточного объема совокупности.

Выбор типа уравнения затрудняется тем, что для любой формы зависимости можно выбрать целый ряд уравнений, которые в определенной степени будут описывать эти связи. Основное значение имеют линейные модели в силу простоты и логичности их экономической интерпретации.

Важным этапом построения уже выбранного уравнения множественной регрессии является отбор и последующее включение факторных признаков.

С одной стороны, чем больше факторных признаков включено в уравнение, тем оно лучше описывает явление. Однако модель размерностью 100 и более факторных признаков сложно реализуема и требует больших затрат машинного времени. Сокращение размерности модели за счет исключения второстепенных, экономически и статистически несущественных факторов способствует простоте и качеству ее реализации. В то же время построение модели регрессии малой размерности может привести к тому, что такая модель будет недостаточно адекватна исследуемым явлениям и процессам.

Проблема отбора факторных признаков для построения моделей взаимосвязи может быть решена на основе интуитивно-логических или многомерных статистических методов анализа.

Наиболее приемлемым способом отбора факторных признаков является шаговая регрессия (шаговый регрессионный анализ).

Сущность метода шаговой регрессии заключается в последовательном включении факторов в уравнение регрессии и последующей проверке их значимости. Факторы поочередно вводятся в уравнение так называемым «прямым методом». При проверке значимости введенного фактора определяется, на сколько уменьшается сумма квадратов остатков и увеличивается величина множественного коэффициента корреляции (R2). Одновременно используется и обратный метод, то есть исключение факторов, ставших незначимыми.

Фактор является незначимым, если его включение в уравнение регрессии только изменяет значения коэффициентов регрессии, не уменьшая суммы квадратов остатков и не увеличивая их значения. Если при включении в модель соответствующего факторного признака величина множественного коэффициента корреляции увеличивается, а коэффициента регрессии не изменяется (или меняется несущественно), то данный признак существенен и его включение в уравнение регрессии необходимо. В противном случае, фактор нецелесообразно включать в модель регрессии.

При построении модели регрессии возможна проблема мультиколлинеарности, под которой понимается тесная зависимость между факторными признаками, включенными в модель (rx > 08).

, ij Наличие мультиколлинеарности между признаками приводит к:

• искажению величины параметров модели, которые имеют тенденцию к завышению, чем осложняется процесс определения наиболее существенных факторных признаков;

• изменению смысла экономической интерпретации коэффициентов регрессии.

В качестве причин возникновения мультиколлинеарности между признаками, можно выделить следующие:

• изучаемые факторные признаки являются характеристикой одной и той же стороны явления или процесса. Например: показатели объема производимой продукции и среднегодовой стоимости основных фондов одновременно включать в модель не рекомендуется, так как они оба характеризуют размер предприятия;

• факторные признаки являются составляющими элементами друг друга;

• факторные признаки по экономическому смыслу дублируют друг друга.

Устранение мультиколлинеарности может реализовываться через исключение из корреляционной модели одного или нескольких линейно связанных факторных признаков или преобразование исходных факторных признаков в новые, укрупненные факторы.

Вопрос о том, какой из факторов следует отбросить, решается на основании качественного и логического анализа изучаемого явления.

Качество уравнения регрессии зависит от степени достоверности и надежности исходных данных и объема совокупности. Исследователь должен стремиться к увеличению числа наблюдений, так как большой объем наблюдений является одной из предпосылок построения адекватных статистических моделей.

Аналитическая форма связи результативного признака от ряда факторных выражается и называется многофакторным (множествен ным) уравнением регрессии или моделью связи.

Линейное уравнение множественной регрессии имеет вид:

y12,...,k = a0 + a1x1 + a2x2 +...+ak x, k где y12,3,...,k - теоретические значения результативного признака,, полученные в результате подстановки соответствующих значений факторных признаков в уравнение регрессии;

x1, x2,..., x - факторные признаки;

k a1, a2,..., ak - параметры модели (коэффициенты регрессии).

Параметры уравнения могут быть определены графическим методом, методом наименьших квадратов и так далее.

Пример. По следующим данным о прибыли (y), затратах на 1 руб.

произведенной продукции (x1) и стоимости основных фондов (x2) определим зависимость между признаками.

Таблица 8. Расчетная таблица для определения параметров уравнения регрессии Приб Затраты на 1 Стоимос x1 x2 x1 y x2 x2 y x ыль руб. ть (млн. произведенн основны руб.) ой х фондов (y) продукции (млрд.

(коп.) руб.) (x1) (x2) 221 96 4,3 9216 412,8 21216 18,49 950, 1070 77 5,9 5929 454,3 82390 34,81 6313, 1001 77 5,9 5929 454,3 77070 34,81 5905, 606 89 3,9 7921 347,1 53934 15,21 2363, 779 82 4,3 6724 352,6 63878 18,49 3349, 789 81 4,9 6561 396,9 63909 24,01 3866, 4466 502 29,2 42280 2418 362404 145,82 22748, Система нормальных линейных уравнений имеет вид:

na0 + a1 + a2 = y x1 x a + a1 2 + a2 x2 = y x x x x 0 1 1 1 a + a1 x2 + a2 = y x x x x 0 2 1 2 6a0 + 502a1 + 29,2a2 = 502a0 + 42280a1 + 2418a2 = + 2418a1 +145,82a2 = 22748, 29,2a Таким образом:

yx,x2 = 4078,9 - 40,02x1 + 2,87x2.

8.4. Собственно-корреляционные параметрические методы изучения связи.

Измерение тесноты и направления связи является важной задачей изучения и количественного измерения взаимосвязи социально экономических явлений. Оценка тесноты связи между признаками предполагает определение меры соответствия вариации результативного признака от одного (при изучении парных зависимостей) или нескольких (множественных) факторных.

Линейный коэффициент корреляции характеризует тесноту и направление связи между двумя коррелируемыми признаками в случае наличия между ними линейной зависимости.

В теории разработаны и на практике применяются различные модификации формулы расчета данного коэффициента:

xy - x y r = (8.5) x y Производя расчет по итоговым значениям исходных переменных, линейный коэффициент корреляции можно вычислить по формуле:

n - y xy x r = (8.6) n - 2 n y2 y ( ) ( ) x x Между линейным коэффициентом корреляции и коэффициентом регрессии существует определенная зависимость, выражаемая формулой:

r = ai xi (8.7) y где ai - коэффициент регрессии в уравнении связи;

- среднеквадратическое отклонение соответствующего, xi статистически существенного, факторного признака.

Линейный коэффициент корреляции изменяется в пределах от - до 1:

-1 r 1. Знаки коэффициентов регрессии и корреляции совпадают.

При этом интерпретацию выходных значений коэффициента корреляции можно представить в следующей таблице:

Таблица 8. Оценка линейного коэффициента корреляции Значение Характер связи Интерпретация связи линейного коэффициента связи r = 0 отсутствует 0

Таблица 8. Расчетная таблица для определения коэффициента корреляции № п/п y x yx y2 x 1 221 96 21216 48841 2 1070 77 82390 1144900 3 1001 77 77077 1002000 4 606 89 53934 367236 5 779 82 63878 606841 6 789 81 63909 622520 Сумма 4466 502 362404 3792338 Средняя 744,33 83,67 60400,67 632056,33 7046, 1. Используя формулу (8.5) получаем:

2 = y - ( y)2 = 632056,3 - (744,3)2 = 78029, y 2 = x - (x )2 = 7046,67 - (83,67)2 = x 60400,67 - 744,3383, r = = -, 78029, 2. По формуле (8.6) значение коэффициента корреляции составило:

6 362404 - 4466 r = = [6 42280 - (502)2][6 3792338 - (4466)2] 2174424 - = = (253680 - 252004) (22754028 -19945156) -67508 - = = = -, 68612, Таким образом, результат по всем формулам одинаков и свидетельствует о сильной обратной зависимости между изучаемыми признаками.

В случае наличия линейной и нелинейной зависимости между двумя признаками для измерения тесноты связи применяют так называемое корреляционное отношение. Различают эмпирическое и теоретическое корреляционное отношение.

Эмпирическое корреляционное отношение рассчитывается по данным группировки, когда характеризует отклонения групповых средних результативного показателя от общей средней:

2 2 2 - = = 1- = (8.8) 2 2 где - корреляционное отношение;

- общая дисперсия;

- средняя из частных (групповых) дисперсий;

- межгрупповая дисперсия (дисперсия групповых средних).

Все эти дисперсии есть дисперсии результативного признака.

Теоретическое корреляционное отношение определяется по формуле:

2 ост = = 1- (8.9) 2 где - дисперсия выравненных значений результативного признака, то есть рассчитанных по уравнению регрессии;

- дисперсия эмпирических (фактических) значений результативного признака.

Корреляционное отношение изменяется в пределах от 0 до 0 1 и анализ степени тесноты связи полностью соответствует () линейному коэффициенту корреляции (таблица 8.1).

Для измерения тесноты связи при множественной корреляционной зависимости, то есть при исследовании трех и более признаков одновременно, вычисляется множественный и частные коэффициенты корреляции.

Множественный коэффициент корреляции вычисляется при наличии линейной связи между результативным и несколькими факторными признаками, а также между каждой парой факторных признаков.

Множественный коэффициент корреляции для двух факторных признаков вычисляется по формуле:

2 ryx + ryx - 2ryx ryx rx x 1 2 1 2 R = (8.10) y/x1x 1- rx x где ryx - парные коэффициенты корреляции между признаками.

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

Приближение R к единице свидетельствует о сильной зависимости между признаками.

На основе данных таблицы 8.4 рассчитаем коэффициент множественной корреляции и его ошибку:

yx1 - y x1 yx2 - y x, ryx = = -0,98;

ryx = = 0,78;

rx x = -086.

1 2 1 y x1 y x Множественный коэффициент корреляции составит:

-0,982 + 0,782 - 2(-0,98) 0,78(-0,86) Ry/x x2 = =, 1- (-0,86) Частные коэффициенты корреляции характеризуют степень тесноты связи между двумя признаками x1 и x2 при фиксированном значении других k - 2 факторных признаков, то есть когда влияние x ( ) исключается, то есть оценивается связь между x1 и x2 в «чистом виде».

В случае зависимости y от двух факторных признаков x1 и x коэффициенты частной корреляции имеют вид:

ryx - rx x2 ryx 1 1 ryx /x2 = 1- rx2 1- rx ( ) ( ) y x ryx - rx y rx x 2 1 ryx / x1 = (8.11) 1- rx2 1- rx ( ) ( ) y x где r - парные коэффициенты корреляции между указанными в индексе переменными.

В первом случае исключено влияние факторного признака x2, во втором - x1.

На основании приведенных выше данных о зависимости трех факторов деятельности предприятий вычислим частные коэффициенты корреляции (см. табл. 8.4):

-099 - 078(-086),,, ryx /x2 = =-0, 1- (0,78)2 1- (-0,86) () () ryx /x1 = -0,992;

rx x2 / y = -0,994.

2 8.5. Принятие решений на основе уравнений регрессии Интерпретация моделей регрессии осуществляется методами той отрасли знаний, к которой относится исследуемое явление. Но всякая интерпретация начинается со статистической оценки уравнения регрессии в целом и оценки значимости входящих в модель факторных признаков.

Чем больше величина коэффициента регрессии, тем значительнее влияние данного признака на моделируемый.

Знаки коэффициентов регрессии говорят о характере влияния на результативный признак. Если факторный признак имеет знак плюс, то с увеличением данного фактора результативный признак возрастает;

если факторный признак имеет знак минус, то с его увеличением результативный признак уменьшается.

Если экономическая теория подсказывает, что факторный признак должен иметь положительное значение, а он имеет знак минус, то необходимо проверить расчеты параметров уравнения регрессии. Такое явление чаще всего бывает в силу допущенных ошибок при решении.

Однако следует иметь ввиду, что когда рассматривается совокупное влияние факторов, то в силу наличия взаимосвязей между ними характер их влияния может меняться.

С целью расширения возможностей экономического анализа, используются частные коэффициенты эластичности, определяемые по формуле:

x i Эx = a1 (8.12) i y где x - среднее значение соответствующего факторного i признака;

y - среднее значение результативного признака;

a1 - коэффициент регрессии при соответствующем факторном признаке.

Коэффициент эластичности показывает на сколько процентов в среднем изменится значение результативного признака при изменении факторного признака на 1%.

Рассчитаем коэффициент эластичности (Эx ) по исходным данным i о зависимости между прибылью ЗАО ( y ), затратами на 1 руб.

произведенной продукции ( x1) и стоимостью основных фондов (млн.

руб.), приведенным в таблице 8.4.

a1 = -40,02;

a2 = 2,87.

4466 502 29, y = = 744,3;

x1 = = 83,7 ;

x2 = = 49.

, 6 6 x1 x 83, Эx = a1 = -40,02 = -4,5;

Эx = a2 = 0,02.

1 y 744,3 y Это значит, что при увеличении затрат на 1 рубль произведенной продукции на 1%, прибыль ЗАО снизится на 4,5%, а при увеличении стоимости основных фондов на 1%, прибыль увеличится на 0,02%.

Частный коэффициент детерминации:

dx = ryx (8.13) xi i i где ryx - парный коэффициент корреляции между i результативным и i - ым факторным признаком;

- соответствующий стандартизованный коэффициент xi уравнения множественной регрессии: = a1 xi (8.14) x y Частный коэффициент детерминации показывает на сколько процентов вариация результативного признака объясняется вариацией i - го признака, входящего в множественное уравнение регрессии.

По данным, приведенным в таблице 8.4 рассчитаем частный коэффициент детерминации для фактора x2 - затраты на 1 руб.

произведенной продукции:

yx1 - y x dx = ryx ;

ryx = ;

= a1 x x1 1 x 1 y x1 y yx1 362404 y yx == = 60400,7 ;

y = = = 744,3;

n 6 n x x = = = 83,7 ;

n 3792340 = y2 - y = - ( ) 744,3 = 78074, ( ) y = x12 - (x1)2 = - (83,7) = 46, x = = 78074,2 = 279,4 ;

= 46,6 = 6, y y x 60400,7 - 744,383, ryx = = -, 279,4 6, 6, = -40,02 = -0,97;

dx = -0,99 (- 0,97) = 0,96.

x 279, - частный коэффициент детерминации для фактора x2 - стоимость основных фондов:

dx = ryx = 0,006.

x 2 Из расчетов следует, что вариация прибыли ЗАО на 96% объясняется изменением затрат на 1 руб. произведенной продукции.

Наиболее полная экономическая интерпретация моделей регрессии позволяет выявить резервы развития и повышения деловой активности субъектов экономики.

8.6. Методы изучения связи качественных признаков При наличии соотношения между вариацией качественных признаков говорят об их ассоциации, взаимосвязанности. Для оценки связи в этом случае используют ряд показателей.

Коэффициент ассоциации и контингенции. Для определения тесноты связи двух качественных признаков, каждый из которых состоит только из двух групп, применяются коэффициенты ассоциации и контингенции.

Для их вычисления строится таблица, которая показывает связь между двумя явлениями, каждое из которых должно быть альтернативным, то есть состоящим из двух качественно отличных друг от друга значений признака (например, хороший, плохой).

Таблица 8. Таблица для вычисления коэффициентов ассоциации и контингенции a b a+b c d c+d a+c b+d a+b+c+d Коэффициенты вычисляются по формулам:

ad - bc ассоциации: K = (8.15) a ad + bc ad - bc контингенции: K = (8.16) k a + b b + d (a + c) c + d ( ) ( ) ( ) Коэффициент контингенции всегда меньше коэффициента ассоциации. Связь считается подтвержденной, если K 05 или K 03.

,, a k Пример. Исследуем связь между участием в забастовках рабочих и уровнем их образования. Результаты обследования характеризуются следующими данными:

Таблица 8. Зависимость участия рабочих в забастовках от образовательного уровня Группы рабочих Число Из них рабочих участвующих не в забастовке участвующих в забастовке Имеют среднее 100 78 образование Не имеют 100 32 среднего образования Итого 200 110 78 68 - 32 22 K = = = 0, a 78 68 + 32 22 7868 - 3222 5304 - K = = =, k 78 + 22 22 + 68 78 + 32 (32 + 68) ( ) ( ) ( ) Таким образом, связь между участием в забастовках и их образовательным уровнем имеет место, но не столь существенна.

Когда каждый из качественных признаков состоит более чем из двух групп, то для определения тесноты связи возможно применение коэффициента взаимной сопряженности Пирсона-Чупрова. Этот коэффициент вычисляется по следующей формуле:

K = ;

K = (8.17) п 1+ K ( -1 K2 - ) ( ) где - показатель взаимной сопряженности;

- определяется как сумма отношений квадратов частот каждой клетки таблицы к произведению итоговых частот, соответствующего столбца и строки. Вычитая из этой суммы «1», получим величину :

nxy =-1;

nx ny K1 - число значений (групп) первого признака;

K2 - число значений (групп) второго признака.

Чем ближе величина K и Kч к 1, тем теснее связь.

п Таблица 8. Вспомогательная таблица для расчета коэффициента взаимной сопряженности у I II III Всего х nxy nx I nx II nx III ny ny ny Итого n nxy nxy ny nx 1+ = = ny nx Пример. С помощью коэффициента взаимной сопряженности исследуем связь между себестоимостью продукции и накладными расходами на реализацию.

Таблица 8. Зависимость между себестоимостью продукции и накладными расходами на реализацию Накладные Себестоимость Итого расходы Низка Средня Высокая я я Низкие 19 12 9 Средние 7 18 15 Высокие 4 10 26 Итого 30 40 50 192 122 92 72 182 152 42 102 + + + + + + 2 30 40 50 30 40 50 30 40 1+ = + + = 40 40 = 0,431+ 0,356 + 0,414 = 1, 2 1+ = 1,183;

=, 0183,, K == 0155 = 0,39 ;

Kч= = 021.

,, п, Связь средняя.

Особое значение для оценки связи имеет биссериальный коэффициент корреляции, который дает возможность оценить связь между качественным альтернативным и качественным варьирующим признаками. Данный коэффициент вычисляется по формуле:

y2 - y1 pq r = (8.18) Z y где y2 и y1 - средние в группах;

- среднее квадратическое отклонение фактических значений y признака от среднего уровня;

p - доля первой группы;

q - доля второй группы;

Z - табулированные (табличные) значения Z -распределения в зависимости от p.

Пример. Уровень дохода сотрудников одной коммерческой структуры характеризуется следующими данными:

Таблица 8. Зависимость уровня доходов сотрудников коммерческой структуры от уровня их образования Уровень доходов, (руб.) Уровень 200- 300- 400- 500- Всего образования 300 400 500 600 (чел.) 250 350 450 Имеют высшее 5 7 6 4 образование Не имеют 9 4 2 1 высшего образования Итого 14 11 8 5 250 5 + 350 7 + 450 6 + 550 4 y1 = == 390, 22 250 9 + 3504 + 450 2 + 5501 y1 = == 318, 16 25014 + 35011+ 450 8 +550 5 yобщ = == 360, 38 = 104,7 Zтабл = 0, ;

, 22 q p = = 058 ;

q = 042 ;

p = 058 =,,,, 38 Z 0, 318,8 - 390, r = 0,61 = 0, 104, Величина биссериального коэффициента корреляции также подтверждает умеренную тесноту связи между изучаемыми признаками.

8.7. Ранговые коэффициенты связи В анализе социально-экономических явлений часто приходится прибегать к различным условным оценкам с помощью рангов, а взаимосвязь между отдельными признаками измерять с помощью непараметрических коэффициентов связи.

Ранжирование - это процедура упорядочения объектов изучения, которая выполняется на основе предпочтения.

Ранг - это порядковый номер значений признака, расположенных в порядке возрастания или убывания их величин. Если значения признака имеют одинаковую количественную оценку, то ранг всех этих значений принимается равным средней арифметической из соответствующих номеров мест, которые определяют. Данные ранги называются связными.

Среди непараметрических методов оценки тесноты связи наибольшее значение имеют ранговые коэффициенты Спирмена( ) и Кендалла ( ). Эти коэффициенты могут быть использованы для определения тесноты связи как между количественными, так и между качественными признаками.

Коэффициент корреляции рангов (коэффициент Спирмена) рассчитывается по формуле:

d i = 1- (8.19) xy n(n2 -1) где di2 - квадраты разности рангов;

n - число наблюдений (число пар рангов).

Коэффициент Спирмена принимает любые значения в интервале -1;

1.

[ ] Пример. По данным группам предприятий, выставившим акции на чековые аукционы в 1996 г. определить с помощью коэффициента Спирмена зависимость между величиной уставного капитала и количеством выставленных акций.

Таблица 8. Расчет коэффициента Спирмена № Уставной Число Ранги Разность рангов di капитал выставленн di = Rx - Ry предп (млн. руб.) ых акций рияти (X) (Y) я Rx R y 1 2 3 8 9 10 1 2954 856 9 7 2 2 1605 930 1 9 -8 3 4102 1563 10 10 0 4 2350 682 6 5 1 5 2625 616 7 3 4 6 1795 495 4 2 2 7 2813 815 8 6 2 8 1751 858 3 8 -5 9 1700 467 2 1 1 10 2264 661 5 4 1 6 120 = 1- = 1- = 03 (связь слабая).

, x y 1099 Ранговый коэффициент корреляции Кендалла ( ) также может использоваться для измерения взаимосвязи между качественными и количественными признаками, характеризующими однородные объекты и ранжированные по одному принципу. Расчет рангового коэффициента Кендалла осуществляется по формуле:

2S = (8.20) n(n -1) где n - число наблюдений;

S - сумма разностей между числом последовательностей и числом инверсий по второму признаку.

Расчет данного коэффициента выполняется в следующей последовательности:

1. Значения X ранжируются в порядке возрастания или убывания;

2. Значения Y располагаются в порядке, соответствующем значениям X ;

3. Для каждого ранга Y определяется число следующих за ним значений рангов, превышающих его величину. Суммируя таким образом числа определяется величина P, как мера соответствия последовательностей рангов по X и Y и учитывается со знаком (+);

4. Для каждого ранга Y определяется число следующих за ним значений рангов, меньших его величины. Суммарная величина обозначается через Q и фиксируется со знаком (-);

5. Определяется сумма баллов по всем членам ряда.

В приведенном примере (таблица 8.12) P = 1+ 8 +1+ 6 + 4 + 3 + 3 + 2 +1 = Q = (-8) + 0 + (-6) + 0 + (-1) + (-1) + 0 + 0 + 0 = - Таким образом:

2(29 -16) = =, 10(10 -1) что свидетельствует о практическом отсутствии связи между рассматриваемыми признаками.

Как правило, коэффициент Кендалла меньше коэффициента Спирмена. При достаточно большом объеме совокупности значения данных коэффициентов имеют следующую зависимость:

= x y Связь между признаками признается статистически значимой, если значения коэффициентов ранговой корреляции Спирмена и Кендалла больше 0,5.

Для определения тесноты связи между произвольным числом ранжированных признаков применяется множественный коэффициент ранговой корреляции (коэффициент конкордации) W, который вычисляется по формуле:

12S W = (8.21) m2 (n3 - n) где m - количество факторов n - число наблюдений S - отклонение суммы квадратов рангов от средней квадратов рангов.

Пример. Одновременно с проведенными выше расчетами определялась теснота связи между уставным капиталом, числом выставленных акций и числом занятых на этих предприятиях.

Таблица 8. Расчет коэффициента конкордации Rx R RZ № Уставн Число Число Сумма Квадрат y предп ой выставл занятых на строк ы сумм рияти капита енных предприят я л (млн. акций иях руб.) (Y) (Z) (X) 1 2954 856 119 9 7 1 17 2 1605 930 125 1 9 2 12 3 4102 1563 132 10 10 3 23 4 2350 682 141 6 5 4 15 5 2625 616 150 7 3 5 15 6 1795 495 165 4 2 6 12 7 2813 815 178 8 6 7 21 8 1751 858 181 3 8 8 19 9 1700 467 201 2 1 9 12 10 2264 661 204 5 4 10 19 165 (165) S = 2863 - = 2863 - 2722,5 =140, 12S 12 140, W = = = 0,19, m2 (n3 - n) 9(1000 -10) что свидетельствует о слабой связи между рассматриваемыми признаками.

Ранговые коэффициенты Спирмена, Кендалла и конкордации имеют то преимущество, что с помощью их можно измерять и оценивать связи как между количественными так и между атрибутивными признаками, которые поддаются ранжированию.

Глава 9. Статистическое изучение динамики социально экономических явлений 9.1. Понятие и классификации рядов динамики Процесс развития, движения социально-экономических явлений во времени в статистике принято называть динамикой. Для отображения динамики строят ряды динамики (хронологические, временные), которые представляют собой ряды изменяющихся во времени значений статистического показателя, расположенных в хронологическом порядке.

Составными элементами ряда динамики являются показатели уровней ряда и показатели времени (годы, кварталы, месяцы, сутки) или моменты (даты) времени.

Уровни ряда обычно обозначаются через «y», моменты или периоды времени, к которым относятся - через «t».

Существуют различные виды рядов динамики. Их можно классифицировать по следующим признакам:

1) В зависимости от способа выражения уровней ряды динамики подразделяются на ряды абсолютных, относительных и средних величин.

Примером рядов динамики указанных выше видов являются данные таблицы 9.1:

Таблица 9. Число построенных квартир предприятиями и организациями всех форм собственности и их средний размер 1980 1985 1992 1993 Число квартир, тыс. 1190 1151 682 682 Их средний размер квартиры, 49,9 54,4 60,8 61,3 61, м2 общей площади Удельный вес жилой площади 62,7 60,7 60,0 60,1 60, в общей площади квартир, процентов В таблице 9.1 рядом динамики абсолютных величин являются данные первой строки;

рядом средних величин - второй строки;

рядом относительных величин - третьей строки.

2) В зависимости от того выражают уровни ряда состояние явления на определенные моменты времени (на начало месяца, квартала, года и т.п.) или его величину за определенные интервалы времени (например, за сутки, месяц, год и т.п.), различают соответственно моментные и интервальные ряды динамики.

Примером моментного ряда может служить ряд динамики, показывающий число вкладов населения в учреждениях сберегательного банка РФ (на конец года, млн.):

1990 г. 1991 г. 1992 г. 1993 г. 1994 г.

124,9 141,0 203,7 210,9 234, Уровни этого ряда - обобщающие итоги статистики вкладов населения по состоянию на определенную дату (конец каждого года).

Интервальные ряды динамики содержат данные о производстве продукции по месяцам или по годам, о товарообороте, о числе родившихся за период и т. п.

Из различного характера интервальных и моментных рядов динамики вытекают некоторые особенности уровней соответствующих рядов.

Уровни интервального ряда динамики абсолютных величин характеризуют собой суммарный итог какого-либо явления за определенный отрезок времени. Они зависят от продолжительности этого периода времени и поэтому их можно суммировать, как не содержащие повторного счета.

Отдельные же уровни моментного ряда динамики абсолютных величин содержат элементы повторного счета, так как, например, часть вкладов населения, учтенных в 1990 г., существуют и в настоящее время, являясь единицами совокупности и в 1994 г. Все это делает бессмысленным суммирование уровней моментных рядов динамики.

3) В зависимости от расстояния между уровнями, ряды динамики подразделяются на ряды с равноотстоящими уровнями и неравноотстоящими уровнями во времени. Ряды динамики следующих друг за другом периодов или следующих через определенные промежутки дат называется равноотстоящими (см.

пример о числе вкладов в сберегательные банки РФ за 1990-1994 гг.).

Если же в рядах даются прерывающиеся периоды или неравномерные промежутки между датами, то ряды называются неравноотстоящими (см. пример в таблице 9.1).

4) В зависимости от наличия основной тенденции изучаемого процесса ряды динамики подразделяются на стационарные и нестационарные.

Если математическое ожидание значения признака и дисперсия (основные характеристики случайного процесса) - постоянны, не зависят от времени, то процесс считается стационарным, и ряды динамики также называются стационарными. Экономические процессы во времени обычно не являются стационарными, т.к. содержат основную тенденцию развития, но их можно преобразовать в стационарные путем исключения тенденций.

9.2.Сопоставимость уровней и смыкание рядов динамики Важнейшим условием правильного построения ряда динамики являются сопоставимость всех входящих в него уровней;

данное условие решается либо в процессе сбора и обработки данных, либо путем их пересчета.

Проблема сопоставимости данных особенно остро стоит в рядах динамики, потому что они могут охватывать значительные периоды времени, за которые могли произойти изменения, приводящие к несопостовимости статистических рядов. Рассмотрим основные причины несопоставимости уровней ряда динамики.

Несопоставимость уровней ряда может возникнуть вследствие изменения единиц измерения и единиц счета. Нельзя сравнивать и анализировать цифры о производстве тканей, если за одни годы оно дано в погонных метрах, а за другие - в квадратных метрах.

На сопоставимость уровней ряда динамики непосредственно влияет методология учета или расчета показателей. Например, если в они годы среднюю урожайность считали с засеянной площади, а в другие - с убранной, то такие уровни будут несопоставимы.

Условием сопоставимости уровней ряда динамики является периодизация динамики. В процессе развития во времени прежде всего происходят количественные изменения явлений, а затем на определенных ступенях совершаются качественные скачки, приводящие к изменению закономерностей явления. Поэтому научный подход к изучению рядов динамики заключаются в том, чтобы ряды, охватывающие большие периоды времени, расчленять на такие, которые бы объединяли лишь однокачественные периоды развития совокупности, характеризующейся одной закономерностью развития.

Процесс выделения однородных этапов развития рядов динамики носит название периодизации динамики. Вопрос о том, какие этапы развития прошло то или иное явление за определенный исторический отрезок времени, решается теорией той науки, к области которой относится изучаемая совокупность явлений.

Важно также, чтобы в ряду динамики интервалы или моменты, по которым определены уровни, имели одинаковый экономический смысл. Скажем, при изучении роста поголовья скота бессмысленно сравнивать цифры поголовья по состоянию на 1 октября с 1 января, так как первая цифра включает не только скот, оставшийся на зимовку, но и предназначенный к убою, а вторая цифра, включает только скот, оставленный на зимовку.

Уровни ряда динамики могут оказаться несопоставимыми по кругу охватываемых объектов вследствие перехода ряда объектов из одного подчинения в другое.

Несопоставимость уровней ряда может возникнуть вследствие изменений территориальных границ областей, районов и так далее.

Следовательно, прежде чем анализировать динамический ряд, надо, исходя из цели исследования, убедится в сопоставимости уровней ряда и, если последняя отсутствует, добиться ее дополнительными расчетами. Для того, чтобы привести уровни ряда динамики к сопоставимому виду, иногда приходится прибегать к приему, который носит название смыкания рядов динамики. Под смыканием понимают объединение в один ряд (более длинный) двух или нескольких рядов динамики, уровни которых исчислены по разной методологии или в разных территориальных границах. Для осуществления смыкания необходимо, чтобы для одного из периодов (переходного) имелись данные, исчисленные по разной методологии (или в разных границах).

Предположим, по одному из промышленных объединений имеются следующие данные о произведенной продукции, методика получения которых в течение рассматриваемого периода претерпела некоторые изменения.

Pages:     | 1 || 3 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.