WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 || 3 |

«Московская финансово-промышленная академия Минашкин В.Г. ...»

-- [ Страница 2 ] --

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

Полулогарифмической системой называется система, 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: 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.

Пример. Допустим, нужно изобразить на графике динамику производства газа в регионе за 1975-2004 гг., за эти годы его рост составил 9,1 раза. С этой целью находим логарифмы для каждого уровня ряда (см. таблицу 4.1).

Таблица 4.1.

Динамика производства газа в регионе за 1975-2004 гг. (млн. м) Годы Yi LgYi 1975 170 2, 1980 292 2, 1985 507 2, 1990 741 2, 1995 1039 3, 2000 1294 3, 2004 1544 3, Найдя минимальное и максимальное значения логарифмов производства газа, 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 (рис. 4.15) с использованием логарифмического масштаба на оси ординат.

млн. мі 3,2 3 2,8 2,6 2,4 2, годы 1975 1980 1985 1990 1995 2000 Рис. 4.15. Динамика производства газа в регионе за 1975-2004 гг.

К диаграммам динамики относятся и радиальные диаграммы, построенные в полярных координатах и предназначенные для отражения процессов, ритмически повторяющихся во времени. 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 зависит от того, что взято в качестве базы отсчета - центр круга или окружность.

Замкнутые диаграммы отражают весь внутригодичный цикл динамики 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.

Пример. Необходимо изобразить с помощью замкнутой диаграммы динамику уголовно-наказуемых преступлений в одном из городов за 2004 г. по следующим данным:

Месяцы Количество Месяцы Количество преступлений преступлений январь 8345 июль февраль 6419 август март 7720 сентябрь апрель 5976 октябрь май 5304 ноябрь июнь 6176 декабрь По данным приведенным в таблице определим среднемесячное количество преступлений (R=79420/12=6618). Масштаб 1см= преступлений (рис. 4.16).

Если в качестве базы отсчета берется окружность, такого рода диаграммы называются спиральными. 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 за несколько лет в виде одной кривой.

Особенно наглядна такая диаграмма тогда, когда наряду с сезонным ритмом ряд обнаруживает неуклонный рост из года в год.

Рис. 4.16. Динамика уголовно-наказуемых преступлений в одном из городов за 2004 г.

Для отображения зависимости одного показателя от другого строится диаграмма взаимосвязи. 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. На рисунке 4.17 показана взаимосвязь между стоимостью основных производственных фондов и уровнем затрат на реализацию продукции.

Y X 0 1 2 3 5 6 7 8 9 10 Стоимость основнных производственных фондов, млн.руб.

Рис. 4.17. Зависимость уровня затрат на реализацию продукции от стоимости основных производственных фондов Рис. 4.17 показывает, что с увеличением стоимости основных производственных фондов происходит увеличение затрат на реализацию продукции и данная зависимость этих показателей может быть выражена линейной связью.

Диаграммы взаимосвязи имеют большое значение на практике, так как множество различных показателей связаны между собой либо прямой, либо обратной формой связи. Они могут 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.

Уровень затрат на реализацию, % 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.

Пример. Необходимо с помощью точечной картограммы изучить размещение посевов картофеля по территории области (цифры условные). (рис. 4.18) Таблица 4.2.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 5930 581 469 620 570 605 482 392 428 388 405 291 254 243 0 0 0 0 0 0 0 0 0 5 0 0 0 59 58 47 62 57 60 48 39 43 39 41 29 25 24 Решение.

Составим точечную картограмму размещения посевных площадей картофеля.

1. Отразим на карте размеры площади посева картофеля в каждом районе в виде определенного числа точек. Для этого установим, какая площадь картофеля будет соответствовать одной точке, т.е. определим масштаб картограммы. Для наглядности картограммы нужно, чтобы число точек было оптимальным, так как при большом количестве точки сольются, а при малом не отразят существующие различия между районами. При выборе масштаба следует учитывать, что при данных размерах контурной карты на территории района может быть размещено максимум 60-80 точек и что величина масштаба должна быть округленным, удобным для пользования числом. Исходя из этого, целесообразно принять 1 точку, равную 100 га. При этом в районе 4, где находится максимум посевов картофеля – 6200 га, будет 62 точки (6200:100), что является оптимальным числом.

на контурной картофеля, га карте Число точек на Площадь Номер района карте, точка = посева га 2. Определим в соответствии с принятым масштабом число точек, которые следует нанести в границах каждого района. Для этого посевную площадь каждого района разделим на величину масштаба га и полученное число точек (с округлением до 1) запишем в таблице.

3. Нанесем на контурную карту данные по каждому району. При этом проследим, чтобы точки были одинакового размера и равномерно распределялись в границах района. Укажем на картограмме культуру, которой соответствует приведенные данные, а также обозначим масштаб.

1 точка=100 га Рис. 4.18. Картограмма плотности размещения посевных площадей картофеля фермерских хозяйств по отдельным районам области Картограмма показывает, что посевы картофеля сконцентрированы в основном в северо-западной части области, а к юго востоку плотность размещения посевов заметно падает.

Пример 2. Построим фоновую картограмму урожайности картофеля фермерских хозяйств по отдельным районам области.

Решение.

1. Для построения фоновой картограммы предполагается предварительная группировка 16 районов по величине изучаемого признака – урожайности картофеля:

Группы районов 1 2 3 Урожайность, га до 160 161-190 191-200 свыше 2. Установим для каждой группы районов вид штриховки.

Интенсивность (густота) ее должна увеличиваться пропорционально нарастанию урожайности по группам районов и отражать различия в ней.

3. Заштрихуем районы, отнесенные к определенной группе, соответствующим видом штриховки. Укажем на картограмме культуру, интервалы урожайности и принятую для них штриховку (рис. 4.19).

Рис. 4.19. Картограмме плотности размещения урожайности картофеля фермерских хозяйств по отдельным районам области Картограмма показывает, что наиболее высокая урожайность картофеля в северной и западной частях области, самая низкая – в южных районах. Сравнивая картограммы посевных площадей и урожайности, необходимо отметить, что размещение посевов картофеля и урожайность взаимосвязаны: площадь посева картофеля относительно больше в северо западной части области, где выше урожайность.

Таким образом, фоновые картограммы, как правило, используются для изображения средних или относительных величин, точечные – для объемных (количественных) показателей.

Вторую большую группу статистических карт составляют картограммы. Они представляют 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.

Дальнейшим развитием данного подхода представления статистической информации являются географические информационные системы (ГИС).

Глава 5. Абсолютные, относительные и средние статистические показатели 5.1. Абсолютные показатели Исходной, первичной формой выражения статистических показателей являются показатели в абсолютном выражении или абсолютные величины. Статистические показатели в форме абсолютных величин характеризуют абсолютные размеры изучаемых статистикой процессов и явлений, а именно, их массу, площадь, объем, протяженность, отражают их временные характеристики, а также могут представлять объем совокупности, т.е. число составляющих ее единиц.

Индивидуальные абсолютные показатели, как правило, получают непосредственно в процессе статистического наблюдения как результат замера, взвешивания, подсчета и оценки интересующего количественного признака. В ряде случаев индивидуальные абсолютные показатели имеют разностный характер: разность между численностью работников предприятия на конец и на начало года, разность между выручкой от реализации предприятия и общей суммой затрат и т.п.

Сводные абсолютные показатели, характеризующие объем признака или объем совокупности как в целом по изучаемому объекту, так и по какой-либо его части, получают в результате сводки и группировки индивидуальных значений. К таким показателям относятся общая численность занятых в отрасли, совокупные активы коммерческих банков региона и т.п.

Абсолютные статистические показатели всегда являются именованными числами. В зависимости от социально-экономической сущности исследуемых явлений, их физических свойств они выражаются в натуральных, стоимостных или трудовых единицах измерения.

В международной практике используются такие натуральные единицы измерения как тонны, килограммы, квадратные, кубические и простые метры, мили, километры, галлоны, литры, штуки и т.д.

Например, производство электроэнергии в России в 2003 г. составило 915 млрд. кВтч, за этот же год добыто 408 млн. т нефти и 620 млрд. куб.

м газа.

В группу натуральных также входят условно-натуральные измерители, используемые в тех случаях, когда какой-либо продукт имеет несколько разновидностей и общий объем можно определить только исходя из общего для всех разновидностей потребительского свойства. Так, различные виды органического топлива переводятся в условное топливо с теплотой сгорания 29,3 МДж/кг (7000 ккал/кг), мыло разных сортов - в условное мыло с 40%-ным содержанием жирных кислот, консервы различного объема - в условные консервные банки объемом 353,4 куб.см и т.д.

Перевод в условные единицы измерения осуществляется на основе специальных коэффициентов, рассчитываемых как отношение потребительских свойств отдельных разновидностей продукта к эталонному значению. Так, например, 100 т торфа, теплота сгорания которого - 24 МДж/кг, будут эквивалентны 81,9 т условного топлива (100 * 24,0/29,3), а 100 т нефти при теплоте сгорания 45 МДж/кг будут оцениваться в 153,6 т условного топлива (100 * 45,0/29,3).

В отдельных случаях для характеристики какого-либо явления или процесса одной единицы измерения недостаточно, и используется произведение двух единиц. Примером этому могут служить такие показатели как грузооборот и пассажирооборот, оцениваемые соответственно в тонно-километрах и пассажиро-километрах, производство электроэнергии, измеряемое в киловатт-часах и т.д.

В условиях рыночной экономики наибольшее значение и применение имеют стоимостные единицы измерения, позволяющие получить денежную оценку социально-экономических явлений и процессов. Так, одним из важнейших стоимостных показателей в системе национальных счетов, характеризующим общий уровень развития экономики страны, является валовой внутренний продукт, который в России за 1 квартал 2003 года составил 2893 млрд. рублей.

При анализе и сопоставлении стоимостных показателей необходимо иметь в виду, что в условиях высоких или относительно высоких темпов инфляции они становятся несопоставимыми. Так, сравнивать ВВП России за 2003 год с его величиной, например, за год вряд ли целесообразно, так как содержание рубля за этот период существенно изменилось. Для того, чтобы произвести подобные сравнения, там где это возможно, осуществляют пересчет в сопоставимые цены.

К трудовым единицам измерения, позволяющим учитывать как общие затраты труда на предприятии, так и трудоемкость отдельных операций технологического процесса, относятся человеко-дни и человеко-часы.

5.2. Относительные показатели Относительный показатель представляет собой результат деления одного абсолютного показателя на другой и выражает соотношение между количественными характеристиками социально-экономических процессов и явлений. Поэтому, по отношению к абсолютным показателям, относительные показатели или показатели в форме относительных величин являются производными, вторичными. Без относительных показателей невозможно измерить интенсивность развития изучаемого явления во времени, оценить уровень развития одного явления на фоне других взаимосвязанных с ним явлений, осуществить пространственно-территориальные сравнения, в том числе и на международном уровне.

При расчете относительного показателя абсолютный показатель, находящийся в числителе получаемого отношения, называется текущим или сравниваемым. Показатель же, с которым производится сравнение и который находится в знаменателе, называется основанием или базой сравнения. Таким образом, рассчитываемая относительная величина показывает, во сколько раз сравниваемый абсолютный показатель больше базисного, или какую составляет от него долю, или сколько единиц первого приходится на 1, 100, 1000 и т. д. единиц второго.

Относительные показатели могут выражаться в коэффициентах, процентах, промилле, продецимилле или быть именованными числами.

Если база сравнения принимается за 1, то относительный показатель выражается в коэффициентах, если база принимается за 100, 1000 или 10000, то относительный показатель соответственно выражается в o o oo ooo процентах (%), промилле ( ) и продецимилле ( ).

Относительный показатель, полученный в результате соотнесения разноименных абсолютных показателей, в большинстве случаев должен быть именованным. Его наименование представляет собой сочетание наименований сравниваемого и базисного показателей (например, производство какой-либо продукции в соответствующих единицах измерения в расчете на душу населения).

Все используемые на практике относительные статистические показатели можно подразделить на следующие виды:

1) динамики;

2) плана;

3) реализации плана;

4) структуры;

5) координации;

6) интенсивности и уровня экономического развития;

7) сравнения.

Относительный показатель динамики (ОПД) представляет собой отношение уровня исследуемого процесса или явления за данный период времени (по состоянию на данный момент времени) к уровню этого же процесса или явления в прошлом:

Текущий уровень ОПД = Предшествующий или базовый уровень Рассчитанная. таким образом величина показывает, во сколько раз текущий уровень превышает предшествующий (базисный) или какую долю от последнего составляет. Данный показатель может быть выражен кратным отношением или переведен в проценты.

Различают относительные показатели динамики с постоянной и переменной базой сравнения. Если сравнение осуществляется с одним и тем же базисным уровнем, например, первым годом рассматриваемого периода, получают относительные показатели динамики с постоянной базой (базисные). При расчете относительных показателей динамики с переменной базой (цепных) сравнение осуществляется с предшествующим уровнем, т.е. основание относительной величины последовательно меняется.

Для примера воспользуемся данными таблицы 5.1.

Таблица 5.1.

Производство легковых автомобилей в РФ в 2000 – 2003гг.

(тыс. шт.) Год 2000 2001 2002 Объем производства 969 1022 981 Рассчитаем относительные показатели динамики с переменной и постоянной базой сравнения:

переменная база сравнения постоянная база сравнения (цепные показатели) (базисные показатели) 1022 100% = 105,5% 100% = 105,5% 969 981 100% = 96,0% 100% = 101,2% 1022 1011 100% = 103,1% 100% = 104,4% 981 Относительные показатели динамики с переменной и постоянной базой сравнения взаимосвязаны между собой следующим образом:

произведение всех относительных показателей с переменной базой равно относительному показателю с постоянной базой за исследуемый период. Так, для рассчитанных показателей (предварительно переведя их из процентов в коэффициенты) получим:

1,055 0,960 1,031 = 1, Относительные показатели плана и реализации плана. Все субъекты финансово-хозяйственной деятельности, от небольших индивидуальных частных предприятий и до крупных корпораций, в той или иной степени осуществляют как оперативное, так и стратегическое планирование, а также сравнивают реально достигнутые результаты с ранее намеченными. Для этой цели используются относительные показатели плана (ОПП) и реализации плана (ОПРП):

Уровень, планируемый на (i +1) период ОПП = Уровень, достигнутый в i - м периоде Уровень, достигнутый в (i +1) периоде ОПРП = Уровень, планируемый на (i +1) период Первый из этих показателей характеризует относительную высоту планового уровня, т.е. во сколько раз намечаемый объемный показатель превысит достигнутый уровень или сколько процентов от этого уровня составит. Второй показатель отражает фактический объем производства или реализации в процентах или коэффициентах по сравнению с плановым уровнем.

Предположим, оборот торговой фирмы в 2002 г. составил 3, млн.руб. Исходя из проведенного анализа складывающихся на рынке тенденций руководство фирмы считает реальным в следующем году довести оборот до 3,6 млн.руб. В этом случае относительный показатель плана, представляющий собой отношение планируемой величины к 3, ( 100%) 3, фактически достигнутой, составит 120%. Предположим теперь, что фактический оборот фирмы за 2003 г. составил 3,8 млн. руб.

Тогда относительный показатель реализации плана, определяемый как отношение фактически достигнутой величины к ранее запланированной, 3, ( 100%) 3, составит 105,6%.

Между относительными показателями плана, реализации плана и динамики существует следующая взаимосвязь:

ОПП ОПРП = ОПД В нашем примере:

3, = 1, 1,20 1,056 = 1,267 3, или Основываясь на этой взаимосвязи по любым двум известным величинам при необходимости всегда можно определить третью неизвестную величину.

Относительный показатель структуры представляет собой соотношение структурных частей изучаемого объекта и их целого:

Показатель, характеризующий часть совокупности ОПС = Показатель по всей совокупности в целом Выражается относительный показатель структуры в долях единицы или в процентах. Рассчитанные величины, соответственно называемые долями или удельными весами, показывают, какой долей обладает или какой удельный вес имеет та или иная часть в общем итоге.

Рассмотрим структуру валового внутреннего продукта РФ в квартале 2003г. (табл. 5.2.):

Таблица 5.2.

Структура валового внутреннего продукта РФ в 1 квартале 2003г.

Объем млрд.руб. % к итогу ВВП - всего 2893 в том числе:

- производство товаров 917 31, - производство услуг 1635 56, - чистые налоги на 341 11, продукты Рассчитанные в последней графе данной таблицы проценты представляют собой относительные показатели структуры (в данном случае - удельные веса). Сумма всех удельных весов всегда должна быть строго равна 100% или 1.

Относительный показатель координации представляет собой отношение одной части совокупности к другой части этой же совокупности:

Показатель, характеризующий i - ую часть совокупности ОПК = Показатель, характеризующий часть совокупности, выбранную в качестве базы сравнения При этом в качестве базы сравнения выбирается та часть, которая имеет наибольший удельный вес или является приоритетной с экономической, социальной или какой-либо другой точки зрения. В результате получают, во сколько раз данная часть больше базисной или сколько процентов от нее составляет, или сколько единиц данной структурной части приходится на 1 единицу (иногда - на 100, 1000 и т.д.

единиц) базисной структурной части. Так, на основе данных приведенной выше таблицы 3.2 мы можем вычислить, что на каждый рубль произведенных товаров приходится 1,8 руб. произведенных услуг 1635 ( ) ( ) 917 и 0,4 руб. чистых налогов на продукты.

Относительный показатель интенсивности характеризует степень распространения изучаемого процесса или явления и представляет собой отношение исследуемого показателя к размеру присущей ему среды:

Показатель, характеризующий явление А ОПИ = Показатель, характеризующий среду распространиния явления А Данный показатель получают сопоставлением уровней двух взаимосвязанных в своем развитии явлений. Поэтому, наиболее часто он представляет собой именованную величину, но может быть выражен и в процентах, промилле, продецимилле.

Обычно относительный показатель интенсивности рассчитывается в тех случаях, когда абсолютная величина оказывается недостаточной для формулировки обоснованных выводов о масштабах явления, его размерах, насыщенности, плотности распространения. Так, например, для определения уровня обеспеченности населения легковыми автомобилями рассчитывается число автомашин, приходящихся на семей, для определения плотности населения рассчитывается число людей, приходящихся на 1 кв.км.

Так, по данным социальной статистики на конец 2003 г. общая численность безработных в РФ составляла 6,1 млн. чел., а экономически активное население – 70,9 млн. чел. Отсюда следует, что уровень 6, ( 100%) 70, безработицы составлял 8,6%.

Разновидностью относительных показателей интенсивности являются относительные показатели уровня экономического развития, характеризующие производство продукции в расчете на душу населения и играющие важную роль в оценке развития экономики государства или региона. Так как объемные показатели производства продукции по своей природе являются интервальными, а показатель численности населения - моментным, в расчетах используют среднюю за период численность населения (предположим, среднегодовую).

Например, рассматривая лишь абсолютный размер ВВП России в 1 квартале 2003 года (2893 млрд. руб.), трудно оценить или "почувствовать" эту величину. Для того, чтобы на основе данной цифры сделать вывод об уровне развития экономики, необходимо сопоставить ее со среднеквартальной численностью населения страны (145, млн.чел), которая в простейшем случае рассчитывается как полусумма численности населения на начало и на конец квартала. В результате квартальный размер ВВП на душу населения составит 19,9 тыс. руб.

2893000млн.руб.

145,2млн.чел Относительный показатель сравнения представляет собой соотношение одноименных абсолютных показателей, характеризующих разные объекты (предприятия, фирмы, районы, области, страны и т.п.):

Показатель, характеризующий объект А ОПС = Показатель, характеризующий объект В Для выражения данного показателя могут использоваться как коэффициенты, так и проценты.

Например, согласно официальным статистическим данным, инвестиции в основной капитал в РФ в 2002 г. за счет средств федерального бюджета составили 81,6 млрд.руб., бюджетов субъектов Федерации и местных бюджетов – 184,5 млрд. руб., средств предприятий – 653,1 млрд.руб. Таким образом можно сделать вывод, что инвестиции за счет средств предприятий в 8 раз превышали инвестиции из средств федерального бюджета и в 3,5 раза превышали инвестиции из бюджетов субъектов Федерации и местных бюджетов.

5.3. Средние показатели 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 основном определяется финансовыми результатами ее деятельности. 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 х заменить их средней величиной, 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 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 x = k fi i=1, n где х i - i-ый вариант осредняемого признака (i=1, n ) f i - вес i-го варианта.

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.

Наиболее распространенным видом средних величин является средняя арифметическая, которая, как и все средние, в зависимости от характера имеющихся данных может быть простой или взвешенной. Эта форма средней используется в тех случаях, когда расчет осуществляется по несгруппированным данным.

Предположим, шесть торговых предприятий фирмы имеют следующий объем товарооборота за месяц:

Торговое 1 2 3 4 5 предприятие Товарооборот (млн.руб.) 25 18 27 32 15 Для того, чтобы определить средний месячный товарооборот в расчете на одно предприятие, 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 = = n n (5.3.) С учетом имеющихся данных получим:

25 +18 + 27 + 32 +15 + х = = 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 условный пример:

Таблица 5.3.

Сделки по акциям эмитента «Х» за торговую сессию Сделка Количество проданных акций, шт. Курс продажи, руб.

1 700 2 200 3 950 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:

420 700 + 440 200 + 410 950 х = = = 417, 700 + 200 + 950 руб.

Расчет среднего курса продажи произведен по формуле средней арифметической взвешенной:

х fi i х = f i (5.4.) 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 37,8% (0,378);

10,8% (0,108) и 51,4% (0,514) от их общего числа. Тогда, с учетом несложного преобразования формулы (5.4.) получим:

fi (5.5.) x = (xi ) fi или х = 420 0,378 + 440 0,108 + 410 0,514 = 417,0 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 5.4.

Себестоимость продукции «Z» Предприятие Себестоимость единицы продукции, руб.

1 2 Можно ли по имеющимся данным определить среднюю себестоимость данной продукции по двум предприятиям, вместе взятым? Можно, но только в том случае, когда объемы производства данной продукции на двух предприятиях совпадают. Тогда средняя себестоимость составит 38,0 руб. (доказательство этого правила будет приведено ниже.). Однако на первом предприятии за рассматриваемый период может быть произведено, к примеру, 50 единиц продукции, а на втором - 700 единиц. Тогда для расчета средней себестоимости потребуется уже средняя арифметическая взвешенная:

37 50 + 39 х = = 38,9руб.

50 + 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 5.5.

Распределение сотрудников предприятия по возрасту Возраст (лет) Число сотрудников (чел.) до 25 25 - 30 30 - 40 40 - 50 50 - 60 60 и более Итого: Для определения среднего возраста 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 работников данного предприятия:

22,5 8 + 27,5 32 + 35 68 + 45 49 + 55 21+ 65 х = = 38, 8 + 32 + 68 + 49 + 21+ года.

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 fi xi (5.6.) 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 несколько отличаться):

417,031850=420700+440200+ 2. Сумма отклонений индивидуальных значений признака от средней арифметической равна нулю:

(5.7.) Для нашего примера:

(420-417,03)700+(440-417,03)200+(410-417,03) Математическое доказательство данного свойства сводится к следующему:

3. Сумма квадратов отклонений индивидуальных значений признака от средней арифметической меньше, чем сумма квадратов их отклонений от любой другой произвольной величины С:

(5.8.) Следовательно, сумма квадратов отклонений индивидуальных значений признака от произвольной величины С больше суммы квадратов их отклонений от своей средней на величину или На использовании этого свойства базируется расчет центральных моментов, представляющих собой характеристики вариационного ряда С = х при :, 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:

(5.9.) Так, если все курсы продажи акций увеличить на 15 руб., то средний курс также увеличится на 15 руб.:

435 700 + 455 200 + 425 x = = 417,03 +15 = 432, 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 i i f f A (5.10.) При С=0 получают начальные моменты (начальный момент 1-го порядка - средняя арифметическая и т.д.).

Предположим, курс продажи в каждом случае возрастет в 2 раза.

Тогда и средний курс также увеличится на 100%:

420 2 700 + 440 2 200 + 410 2 x = = 417,03 2 = 834, руб.

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

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

420 7 + 440 2 + 410 9,5 х = = = 417, 7 + 2 + 9,5 18, руб.

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

Кроме средней арифметической при расчете статистических показателей 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 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 5.6.

Валовой сбор и урожайность сельскохозяйственной культуры «Y» по районам области Район Валовый сбор, Урожайность, тыс. тонн ц/га А 36 Б 53 В 29 Г 78 Д 20 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 районам. Данные же о посевной площади отсутствуют, но их можно получить, разделив валовой сбор по каждого района на урожайность. С учетом этого определим искомую среднюю, предварительно переведя для сопоставимости тонны в центнеры:

360 + 530 + 290 + 780 + 200 x = = = 10,0 ц/га 360 530 290 780 215, + + + + 13 9 15 8 Таким образом, общая посевная площадь данной культуры в целом по области составляла 215,2 тыс.га, а средняя урожайность - 10, ц с одного гектара.

В данном случае расчет произведен по формуле средней гармонической взвешенной:

w i x = wi xi, где wi=xifi (5.12.) 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 = xi (5.13.) 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 5 мин., второй - 15 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. (5+15):2=10, мин. Проверим обоснованность такого подхода на примере одного часа работы. За этот час первый работник обрабатывает 12 заказов (60:5), второй - 4 заказа (60:15), что в сумме составляет 16 заказов. Если же заменить индивидуальные значения их предполагаемым средним значением, то общее число обработанных обоими работниками заказов в данном случае уменьшится:

60 + = 10 заказов.

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 x = = = = 7, 60 60 1 0,200 + 0, + + 5 15 5 мин.

Если теперь мы заменим индивидуальные значения их средней величиной, то общее количество обработанных за час заказов не изменится:

60 + = 7,5 7, заказов.

Подведем итог: средняя гармоническая невзвешенная может использоваться вместо взвешенной в тех случаях, когда значения wi для единиц совокупности равны (в рассмотренном примере 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 к i - взвешенная 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 = n - невзвешенная (5.15.) fi xi x = fi - взвешенная 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 составляет большого труда - наибольшую частоту (60 предп.) имеет цена 55 руб., следовательно она и является модальной.

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

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

190 + N = = 95, me В нашем случае.

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 (fM - fM -1) + (fM - fM +1) o o o o (5.17) 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 fM e (5.18) 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 5.7.

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 5.7.

Распределение населения региона по уровню среднедушевого денежного дохода Среднедушевой денежный доход (в Удельный вес населения, % среднем за месяц), руб.

400 и менее 2, 400 - 500 15, 500 - 600 20, 600 -700 17, 700 - 800 12, 800 - 900 9, 900 - 1000 6, 1000 - 1100 4, 1100 - 1200 3, 1200 - 1300 2, свыше 1300 6, Всего 100, Интервал с границами 500 - 600 в данном распределении будет модальным, так как он имеет наибольшую частоту. Использую формулу (5.17), определим моду:

20,1-15, М0 = 500 +100 = 562 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, % 400 и менее 2, 400 - 500 17, 500 - 600 37, 600 - 700 55, Мы определили, что медианным является интервал с границами 600 - 700. Определим медиану:

50,0 - 37, M = 600 + 100 = 670 руб.

e 17, Соотношение моды, медианы и средней арифметической указывает на характер распределения признака в совокупности, Х 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 560 руб. в месяц. В то же время, более половины населения располагает доходом свыше 670 руб. при среднем уровне 735 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 полного анализа изучаемого процесса или явления. Иногда совершенно непохожие по своему внутреннему строению совокупности могут иметь равные средние величины.

Поэтому для более детального изучения того или иного явления необходимо учитывать разброс или вариацию значений отдельных единиц совокупности. Измерение вариации признаков имеет как теоретическое, так и практическое значение.

Так, например, для выявления наиболее стабильно работающего коллектива или предприятия наравне с другими показателями рассчитывают и основные показатели вариации. Эти показатели дают возможность количественно определить размеры устойчивости производительности труда, уровня квалификации, цен на основные виды выпускаемой продукции и т.п. Измерение размеров вариации такого показателя как « выполнение работ в срок» имеет важное значение для принятия решений заказчиками и инвесторами, т.к. ситуация, в которой присутствует изменчивость признака, часто содержит риск. Особое значение показатели вариации приобретают в анализе рынка ценных бумаг, где мера колеблемости отождествляется с мерой рискованности вложения денежных средств.

Основными показателями, характеризующими вариацию, являются:

• - размах, • - дисперсия, • - среднее квадратическое отклонение, • - коэффициент вариации.

Для иллюстрации расчетов этих показателей воспользуемся следующими данными:

Имеются данные о продаже основных марок холодильников:

Таблица.6.1.

Модель Цена ($) Объем продаж (шт.) Siemens 1000 Bosch 800 AEG Santo 900 Miele KF 1200 Gorenje 870 Haier 570 Samsung 760 Zanussi 700 Daewoo 460 Beko 650 Candy 480 Whirpool 470 Простейшим показателем, уже использованным выше при группировке данных, является размах вариации. Он представляет собой разность максимального и минимального значений признака:

R = X max - X min R = 1200 – 460 = 740 $ Этот показатель служит незаменимой мерой разброса экстремальных значений признака. Кроме характеристики границ разброса признака, размах вариации может быть использован для выявления ошибок. При наличии очень больших (или очень малых) ошибочно записанных значений признака размах вариации сразу резко возрастает, что требует проверки и корректировки исходных данных.

Недостатком данного показателя является то, что он оценивает только границы варьирующего признака и не отражает его колеблемость внутри этих границ. Вследствие этого размах вариации может неправильно характеризовать общую колеблемость признака.

Этого недостатка лишен другой показатель - дисперсия, рассчитываемый как средний квадрат отклонений значений признака от их средней величины. Между индивидуальными отклонениями от средней и колеблемостью признака существует прямая зависимость: чем сильнее колеблемость признака, тем больше отклонения его значений от средней величины и менее устойчив изучаемый показатель.

Как и средняя величина этот показатель может быть рассчитан в двух формах: взвешенной и невзвешенной:

- х) (хI = n невзвешенная форма - х)2 fi (хI = fi взвешенная форма xi где - отдельные значения признака x - общая средняя fi - вес варианта признака в общей совокупности.

По приведенным выше данным определим средневзвешенную цену холодильника и рассчитаем дисперсию:

1000x30 + 800x26 + 900x24 +... + 470x х = = 763$ 30 + 26 + 24 +... + (1000 - 763)30 + (800 - 763)26 +... + (470 - 763) = = 73500, 30 + 26 + 24 +... + 20 + Дисперсию в отдельных случаях удобнее рассчитывать по другой формуле:

2 = х - ( х), т.е. дисперсия равна разности средней из квадратов индивидуальных значений признака и квадратом средней величины.

Эту формулу можно представить иначе:

х х i i = n n - невзвешенная форма fi fi хi х = fi fi - взвешенная форма Следует отметить, что дисперсия еще не дает представления об однородности совокупности, и этому показателю трудно дать экономическую интерпретацию, т.к он рассчитан в квадратных единицах. Поэтому следующим шагом в исследовании однородности совокупности является расчет среднего квадратического отклонения, показывающего на сколько в среднем отклоняются конкретные варианты признака от его среднего значения. Оно определяется как квадратный корень из дисперсии и имеет ту же размерность что и изучаемый признак:

(хi - х) = n - невзвешенная форма (хi - х) fi = fi - взвешенная форма В нашем примере среднее квадратическое отклонение равно:

= 73500,12 = 271, $ Таким образом, цена каждой марки холодильника отклоняется от средней цены в среднем на 271,1$ Рассмотренные показатели позволяют получить абсолютное значение вариации признака. Однако для сравнения разных совокупностей с точки зрения устойчивости какого-либо одного признака или для определения однородности совокупности рассчитывают относительные показатели.

Эти показатели вычисляются как отношение размаха вариации, среднего линейного отклонения или среднего квадратического отклонения к средней арифметической или медиане. Чаще всего эти показатели выражаются в процентах.

V r Коэффициент осцилляции ( ):

R 100% V r x = Линейный коэффициент вариации (V d ):

d 100% V x d = Наиболее распространенным показателем является коэффициент вариации:

V = x100 % х Определим значение этого показателя по данным таблицы 1:

271, V = х100% = 35,5% Рассчитанная величина свидетельствует о неоднородности цен на холодильники, т.к. однородной совокупность считается, если коэффициент вариации меньше 33% (для распределений близких к нормальному).

Следует отметить, что коэффициент вариации может быть более 100%, что, в частности, может быть при наличии значений сильно отличающихся от средней величины. Такой результат означает, что в исследуемой совокупности сильна вариация признаков по отношению к средней величине.

Если исследуется вариация альтернативных признаков, т.е.признаков, которыми одни единицы совокупности обладают, а другие – нет, то дисперсия альтернативного признака определяется по формуле :

= pq, где p – доля единиц, обладающих данным признаком, q – доля единиц не обладающих данным признаком.

Максимальное значение дисперсии доли равно 0,25 (когда p=q=0,5).

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 на товары длительного пользования по месячным или ежегодным данным в одном и том же торговом предприятии или за один и тот же период времени, но по разным регионам.

6.2. Использование показателей вариации в анализе взаимосвязей Изучая вариацию интересующего нас признака в пределах исследуемой совокупности и опираясь на общую среднюю в расчетах, трудно оценить степень воздействия на него какого-либо отдельного признака.

При проведении такого анализа исходная совокупность должна представлять собой множество единиц, каждая из которых характеризуется двумя признаками – факторным ( оказывающим влияние на взаимосвязанный с ним признак) и результативным (подверженным влиянию).

Для выявления взаимосвязи исходная совокупность делится по факторному признаку на группы. Выводы о степени взаимосвязи базируются на анализе вариации результативного признака. Если статистическая совокупность разбита на группы по какому-либо признаку, то для оценки влияния различных факторов, определяющих вариацию индивидуальных значений признака, используют правило сложения дисперсий.

Общая дисперсия представляет собой сумму средней из внутригрупповой и межгрупповой и дисперсий:

2 2 = + о, где о - общая дисперсия - средняя из внутригрупповых дисперсий - межгрупповая дисперсия Общая дисперсия характеризует вариацию признака по всей совокупности как результат влияния всех факторов, определяющих индивидуальные различия единиц совокупности.

- х)2 fi (хI = fi, х i где - отдельные значения признака х i - общая средняя варьирующего признака fi - вес варианта признака в общей совокупности.

Межгрупповая дисперсия характеризует вариацию, обусловленную влиянием фактора, положенного в основу группировки.

j (х - х)2nj = f j, х где - общая средняя варьирующего признака хj - средняя j- ой группы nj = fi nj - число единиц в j-ой группе ( ) Средняя из внутригрупповых дисперсий отражает ту часть вариации результативного признака, которая обусловлена действием всех прочих неучтенных факторов, кроме фактора, по которому осуществлялась группировка. Другими словами внутригрупповая дисперсия отражает случайную вариацию. Внутригрупповая дисперсия рассчитывается отдельно по каждой j-ой группе.

- х ) (х j j = i n j, х i где - значение признака у отдельных элементов j-ой группы xj - средняя j-ой группы nj - число единиц j-ой группы Для всех групп в целом вычисляется средняя из внутригрупповых дисперсий, взвешенных на частоты соответствующих групп по формуле:

n j j f i = Взаимосвязь между тремя видами дисперсий получила название правила сложения дисперсий. Таким образом, зная два вида дисперсий 2 2 о всегда можно определить третий: = +. Из этого равенства следует, что общая дисперсия, как правило, будет больше средней из групповых дисперсий. Это обусловлено тем, что при расчленении общей совокупности единиц на части по какому-либо признаку образуются более или менее однородные группы, в результате чего сокращается колеблемость признаков в пределах каждой группы. Это приводит к тому, что средняя из групповых дисперсий оказывается меньше дисперсии признака по всей совокупности единиц, причем разница между этими показателями будет тем больше, чем однороднее получаются группы в результате расчленения общей совокупности.

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

э = 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 объема выполненных работ от формы собственности проектно-изыскательских организаций.

Таблица 6.2.

Выполнение работ проектно-изыскательскими организациями разной формы собственности Форма Количество Объем Итого собственности предприятий выполненных работ (млн.р.) Государственная 4 10, 30, 20, 40 Негосударственная 6 20, 40, 60, 20, 50, 50 Итого 10 Решение:

1. Определяется средний объем выполненных работ для предприятий двух форм собственности.

Х = = млн.р.

2. Определяется средний объем выполненных работ для каждой формы собственности.

Х госуд = = млн.р.

Хнегосуд. = = млн.р.

3. Рассчитывается общая и внутригрупповые (т.е. для каждой группы) дисперсии.

(10 - 34)2 + (30 - 34)2 + (20 - 34)2 + (40 - 34)2 + (20 - 34)2 +... + (50 - 34) об 2 = = 243, (10 - 25)2 + (30 - 25)2 + (20 - 25)2 + (40 - 25) = = госуд.

(20 - 40)2 + (40 - 40)2 + (60 - 40)2 + (20 - 40)2 + (50 - 40)2 + (50 - 40) негосуд.. = 4. Определяется средняя из внутригрупповых и межгрупповая дисперсия. Для этого расчета полученные ранее данные заносятся в таблицу.

Вспомогательная таблица Форма Число Средняя по Внутригрупповые собственности предприятий группе дисперсии Государственная 4 25 Негосударственная 6 40 Итого • Средняя из внутригрупповых дисперсий 125х4 + 233х = = 189, • Межгрупповая дисперсия (25 - 34)2 х4 + (40 - 34)2 х = = На последнем этапе решения задачи необходимо проверить тождество, отражающее закон сложения дисперсий:

54,0+189,8=243, Таким образом, можно сделать вывод о том, что объем работ, выполненных проектно-изыскательскими организациями на 22% [(54,0/243,8)х100%] зависит от фактора, положенного в основание группировки, т.е. от формы собственности., а на 78% [(189,8/243,8)х100%)] – от прочих факторов.

Вывод о том, что объем выполненных работ в гораздо большей степени зависит от каких-либо других факторов, чем от формы собственности предприятий подтверждается и величиной эмпирического корреляционного отношения:

= = 0, 243, Величина этого показателя свидетельствует о том, что зависимость объема работ от формы собственности предприятия невелика.

Глава 7. Выборочное наблюдение 7.1. Цели и этапы выборочного наблюдения Выборочное наблюдение в настоящее время находит достаточно широкое применение в обследованиях промышленных и сельскохозяйственных предприятий, изучении цен на потребительском рынке, в обследованиях бюджетов и занятости населения. Выборочный метод является важнейшим источником информации в контроле качества продукции, в маркетинговых и социологических исследованиях.

Выборочным наблюдением называется такое несплошное обследование, при котором признаки регистрируются у отдельных единиц изучаемой статистической совокупности, отобранных с использованием специальных методов, а полученные в процессе обследования результаты с определенным уровнем вероятности распространяются на всю исходную совокупность.

Выборочное наблюдение нельзя отождествлять с несплошным обследованием вообще, так как оно является лишь одним из видов последнего, наиболее проработанным с методологической и организационной точек зрения. Помимо выборочного наблюдения несплошное обследование может осуществляться путем монографического описания, методом основного массива или на основе различных видов анкетирования, когда отсутствуют какие-либо специальные методы отбора респондентов и процент заполненных и возвращенных анкет заранее не известен.

Преимущества выборочного наблюдения заключаются в существенной экономии различного вида ресурсов, а именно:

а) финансовых средств, затрачиваемых на сбор и обработку данных, подготовку и оплату кадров;

б) материально-технических ресурсов (канцелярские товары, оргтехника, расходные материалы, транспортное обслуживание и т.п.);

в) трудовых ресурсов, привлекаемых к обследованию на всех его этапах;

г) сокращении времени, затрачиваемого как на получение первичной информации, так и на ее последующую обработку вплоть до публикации итоговых материалов.

В то же время, необходимо четко представлять, что выборочное наблюдение, как бы грамотно с методологической точки зрения оно не было организовано, всегда связано с определенными, пусть небольшими и измеряемыми ошибками. Поэтому, когда вариация регистрируемых признаков очень сильная и процент отбора для получения выборочных значений с заданной точностью достигает 20-25%, следует правильно оценить целесообразность несплошного обследования, сопоставив достаточно большие затраты всех ресурсов на такую объемную выборку и ожидаемые погрешности статистических характеристик. Вполне вероятно, что проведение сплошного обследования в подобных случаях будет более оправданным.

В то же время, при решении ряда задач выборочное наблюдение является единственно возможным способом получения необходимой информации. Так, контроль многих видов продукции связан с их порчей, потерей товарного вида, нарушением герметизации и т.п. Например, нельзя проверить каждую производимую предприятием электролампу на соблюдение требований по продолжительности горения. Нельзя проверить на соответствие стандартам каждого пакета с соком или молочной продукцией, так как это связано с вскрытием их упаковки. В подобных случаях контроль качества может осуществляться только с использованием выборочного метода.

Реализация выборочного метода базируется на понятиях генеральной и выборочной совокупностей.

Генеральной совокупностью называется вся исходная изучаемая статистическая совокупность, из которой на основе отбора единиц или групп единиц формируется совокупность выборочная. Поэтому генеральную совокупность также называют основой выборки.

Отбор единиц в выборочную совокупность может быть повторным или бесповторным.

При повторном отборе попавшая в выборку единица подвергается обследованию, т.е. регистрации значений ее признаков, возвращается в генеральную совокупность и наравне с другими единицами участвует в дальнейшей процедуре отбора. Таким образом, некоторые единицы могут попадать в выборку дважды, трижды или даже большее число раз.

И при изучении выборочной совокупности они будут рассматриваться как отдельные независимые наблюдения.

Отметим, что число единиц генеральной совокупности, участвующих в отборе, при таком подходе остается постоянным.

Поэтому вероятность попадания в выборку для всех единиц совокупности на протяжении всего процесса отбора также не меняется.

На практике методология повторного отбора обычно используется в тех случаях, когда объем генеральной совокупности не известен и теоретически возможно повторение единиц с уже встречавшимися значениями всех регистрируемых признаков.

Например, при проведении маркетинговых исследований мы не можем сколько-нибудь точно оценить, какое число потребителей предпочитают стиральный порошок конкретной торговой марки, сколько покупателей предпочитают делать покупки именно в данном супермаркете и т.д. Поэтому возможно повторение совершенно идентичных единиц как по причине практически неограниченных объемов совокупности, так и вследствие возможной повторной регистрации. Предположим, при проведении обследования один и тот же покупатель может дважды прийти в магазин и дважды подвергнуться обследованию.

При выборочном контроле качества продукции объем генеральной совокупности также часто не определен, так как процесс производства может осуществляться постоянно, каждый день дополняя генеральную совокупность новыми единицами - изделиями. Поэтому в выборочную совокупность могут попасть два и более изделий с абсолютно одинаковыми характеристиками. Следовательно, и в этом случае при обработке результатов выборки необходимо ориентироваться на методологию, используемую при повторном отборе.

При бесповторном отборе попавшая в выборку единица подвергается обследованию и в дальнейшей процедуре отбора не участвует. Такой отбор целесообразен и практически возможен в тех случаях, когда объем генеральной совокупности четко определен.

Получаемые при этом результаты, как правило, являются более точными по сравнению с результатами, основанными на повторной выборке.

Как уже отмечалось выше, выборочное наблюдение всегда связано с определенными ошибками получаемых характеристик. Эти ошибки называются ошибками репрезентативности (представительности).

Ошибки репрезентативности обусловлены тем обстоятельством, что выборочная совокупность не может по всем параметрам в точности воспроизвести совокупность генеральную. Получаемые расхождения или ошибки репрезентативности позволяют заключить, в какой степени попавшие в выборку единицы могут представлять всю генеральную совокупность. При этом следует различать систематические и случайные ошибки репрезентативности.

Систематические ошибки репрезентативности связаны с нарушением принципов формирования выборочной совокупности.

Например, вследствие каких-либо причин, связанных с организацией отбора, в выборку попали единицы, характеризующиеся несколько большими или, наоборот, несколько меньшими по сравнению с другими единицами значениями наблюдаемых признаков. В этом случае и рассчитанные выборочные характеристики будут завышенными или заниженными.

Случайные ошибки репрезентативности обусловлены действием случайных факторов, не содержащих каких-либо элементов системности в направлении воздействия на рассчитываемые выборочные характеристики. Но даже при строгом соблюдении всех принципов формирования выборочной совокупности выборочные и генеральные характеристики будут несколько различаться. Получаемые случайные ошибки могут быть статистически оценены и учтены при распространении результатов выборочного наблюдения на всю генеральную совокупность. Оценка ошибок выборочного наблюдения основана на теоремах теории вероятностей.

При дальнейшем рассмотрении теории и методов выборочного наблюдения в данной главе используются следующие общепринятые условные обозначения:

N- объем (число единиц) генеральной совокупности;

n - объем (число единиц) выборочной совокупности;

- генеральная средняя, т.е. среднее значение изучаемого признака по генеральной совокупности (средняя прибыль, средняя величина активов, средняя численность работников предприятия и т.п);

- выборочная средняя, т.е. среднее значение изучаемого признака по выборочной совокупности;

M - численность единиц генеральной совокупности, обладающих определенным вариантом или вариантами изучаемого признака (численность городского населения, численность сельского населения, количество бракованных изделий, число нерентабельных предприятий и т.п.);

p - генеральная доля, т.е. доля единиц, обладающих определенным вариантом или вариантами изучаемого признака, во всей генеральной совокупности (доля городского населения в общей численности населения, доля бракованной продукции в общем выпуске, доля нерентабельных предприятий в общей численности предприятий и т.п.);

M определяется как ;

N m - численность единиц выборочной совокупности, обладающих определенным вариантом или вариантами изучаемого признака;

w - выборочная доля, т.е. доля единиц, обладающих определенным вариантом или вариантами изучаемого признака, в выборочной m совокупности;

определяется как ;

n - средняя ошибка выборки;

- предельная ошибка выборки.

Ошибка выборки или отклонение выборочной средней от средней генеральной находится в прямой зависимости от дисперсии изучаемого признака в генеральной совокупности, и в обратной зависимости - от объема выборки. Таким образом среднюю ошибку выборки можно представить как ген µ =.

n При проведении выборочного наблюдения дисперсия изучаемого признака в генеральной совокупности, как правило, не известна. В то же время, между генеральной дисперсией и средней из всех возможных выборочных дисперсий существует следующее соотношение:

n 2 = ген n -.

В связи с тем, что на практике в большинстве случаев из генеральной совокупности в определенный момент времени производится только одна выборка, дисперсия изучаемого признака по этой выборке и используется при расчете ошибки. Учитывая, что при n достаточно большом объеме выборки отношение близко к 1, n - формула средней ошибки повторной выборки принимает следующий вид:

µ =, n где - дисперсия изучаемого признака по выборочной совокупности.

При определении возможных границ значений характеристик генеральной совокупности рассчитывается предельная ошибка выборки, которая зависит от величины ее средней ошибки и уровня вероятности, с которым гарантируется, что генеральная средняя не выйдет за указанные границы. Согласно теореме А.М.Ляпунова, вероятность той или иной величины предельной ошибки, при достаточно большом объеме выборочной совокупности, подчиняется нормальному закону распределения и может быть определена на основе интеграла Лапласа.

Значения интеграла Лапласа при различных величинах t табулированы и представлены в статистических справочниках. При обобщении результатов выборочного наблюдения наиболее часто используются следующие уровни вероятности и соответствующие им значения t:

P 0,683 0,950 0,954 0, t 1 1,96 2 Например, если при расчете предельной ошибки выборки мы используем значение t=2, то с вероятностью 0,954 можно утверждать, что расхождение между выборочной средней и генеральной средней не превысит двухкратной величины средней ошибки выборки.

Теоретической основой для определения границ генеральной доли, т.е. доли единиц, обладающих тем или иным вариантом признака, является теорема Бернули. Согласно данной теореме вероятность получения сколь угодно малого расхождения между выборочной долей и генеральной долей при достаточно большом объеме выборки будет стремиться к единице. С учетом того, что вероятность расхождения между выборочной и генеральной долями подчиняется нормальному закону распределения, эта вероятность также определяется по функции F(t) при заданном значении t.

Процесс подготовки и проведения выборочного наблюдения включает ряд последовательных этапов:

1. Определение цели обследования.

2. Установление границ генеральной совокупности.

3. Составление программы наблюдения и программы разработки данных.

4. Определение вида выборки, процента отбора и метода отбора.

5. Отбор и регистрация наблюдаемых признаков у отобранных единиц.

6. Расчет выборочных характеристик и их ошибок.

7. Распространение полученных результатов на генеральную совокупность.

В зависимости от состава и структуры генеральной совокупности выбирается вид выборки или способ отбора. К наиболее распространенным на практике видам относятся:

• собственно-случайная (простая случайная) выборка;

• механическая (систематическая) выборка;

• типическая (стратифицированная, расслоенная) выборка;

• серийная (гнездовая) выборка.

Отбор единиц из генеральной совокупности может быть комбинированным, многоступенчатым и многофазным.

Комбинированный отбор предполагает объединение нескольких видов выборки. Так, например, можно комбинировать типическую и серийную, серийную и собственно-случайную выборки. Ошибка такой выборки определяется ступенчатостью отбора.

Многоступенчатым называется отбор, при котором из генеральной совокупности сначала извлекаются укрупненные группы, потом – более мелкие и так до тех пор, пока не будут отобраны те единицы, которые подвергаются обследованию.

Многофазная выборка, в отличие от многоступенчатой, предполагает сохранение одной и той же единицы отбора на всех этапах его проведения;

при этом отобранные на каждой стадии единицы подвергаются обследованию, каждый раз – по более расширенной программе.

7.2. Собственно-случайная (простая случайная) выборка Собственно-случайная выборка заключается в отборе единиц из генеральной совокупности в целом, без разделения ее на группы, подгруппы или серии отдельных единиц. При этом единицы отбираются в случайном порядке, не зависящем ни от последовательности расположения единиц в совокупности, ни от значений их признаков.

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 торговых предприятий необходимо указать, включит ли генеральная совокупность торговые павильоны, коммерческие палатки, передвижные торговые точки и прочие подобные объекты;

при обследовании студентов важно определиться, будут ли приниматься во внимание студенты-заочники, экстерны, учащиеся в магистратуре, лица, находящиеся в академическом отпуске и т.п.

Для проведения отбора единиц в выборочную совокупность используется один из математических алгоритмов, например, метод прямой реализации, включающий следующие этапы:

1. Все единицы генеральной совокупности, расположенные в случайном порядке или ранжированные по какому-либо признаку, нумеруются от 1 до N.

2. С помощью процессора случайных чисел получают n значений в интервале от 1 до N. Если первоначально случайные числа получены в интервале от 0 до 1, их необходимо умножить на N и округлить по правилам до целого значения.

3. Из сформированного списка единиц генеральной совокупности отбираются единицы, соответствующие по номеру полученным случайным числам.

Упрощенным вариантом метода прямой реализации является отбор единиц в выборочную совокупность на основе таблицы случайных чисел (см. Приложение...). Для проведения отбора могут быть использованы цифры любого столбца данной таблицы, при этом необходимо учитывать объем генеральной совокупности.

Рассмотрим процедуру отбора на основе фрагмента таблицы случайных чисел. Предположим, объем генеральной совокупности составляет 70000 единиц и требуется сформировать выборку объемом 500 единиц, то цифры таблицы следует перегруппировать для получения пятизначных чисел следующим образом:

5489 5583 3156 0835 3522 0935 7877 5665 7555 7579 2550 2487 5759 3554 5080 9074 6303 6895 3371 3196 Для формирования выборки мы должны взять 500 чисел в интервале от 00001 до 70000. Таким образом, нам следует из списка единиц генеральной совокупности отобрать единицы под номером 54895, 35220, 57593 и т.д. При этом номера свыше 70000 (75557, 93578 и подобные) будут проигнорированы.

При проведении бесповторного отбора повторяющиеся номера следует учитывать только один раз. При повторном отборе, если тот или иной номер случайно встретится еще один или более раз, соответствующая этому номеру единица в каждом случае повторно включается в выборочную совокупность.

После проведения отбора с использованием какого-либо алгоритма, реализующего принцип случайности, или на основе таблицы случайных чисел, необходимо определить границы генеральных характеристик. Для этого рассчитываются средняя и предельная ошибки выборки.

Средняя ошибка повторной собственно-случайной выборки определяется по формуле:

(7.1) µ = n С учетом выбранного уровня вероятности и соответствующего ему значения t предельная ошибка повторной собственно-случайной выборки выборки составит:

(7.2) Тогда можно утверждать, что при заданной вероятности генеральная средняя будет находиться в следующих границах:

~ ~ (7.3) x - x x +.

~ ~ x x Предположим, в результате выборочного обследования доходов домохозяйств региона, осуществленного на основе собственно случайной повторной выборки, получен следующий ряд распределения (табл. 7.1).

Таблица 7.1.

Результаты выборочного обследования доходов домохозяйств региона Доход, тыс.руб. До 5 5-10 10-15 15-20 20 и более Число 52 354 475 170 домохозяйств Рассмотрим определение границ генеральной средней, в данном примере – среднего дохода домохозяйства в целом по данному региону, опираясь только на результаты выборочного обследования. Для определения средней ошибки выборки нам необходимо прежде всего рассчитать выборочную среднюю величину и дисперсию изучаемого признака (табл. 8.2).

Таблица 7.2.

Расчет среднего дохода домохозяйства и дисперсии Доход, Число Середина тыс.руб. домохозяйств интервала xf x2 f f x До 5 52 2,5 130,0 325, 5 - 10 354 7,5 2655,0 19912, 10 - 15 475 12,5 5937,5 74218, 15 - 20 170 17,5 2975,0 52062, 20 и более 49 22,5 1102,5 24806, Итого 1100 - 12800 ~ x = = 11,6;

= -11,62 = 21,19;

= 21,19 = 4,6.

Средняя ошибка выборки составит:

4, µx = = 0,14.

~ Определим предельную ошибку выборки с вероятностью 0, (t=2):

= 2 0,14 = 0,28.

~ x Установим границы генеральной средней (тыс.руб.):

11,6 - 0,28 › 11,6 + 0, или 11,32 x 11,88.

Таким образом, на основании проведенного выборочного обследования с вероятностью 0,954 можно заключить, что средний доход домохозяйства в целом по региону лежит в пределах от 11,3 до 11,9 тыс.руб.

При расчете средней ошибки собственно-случайной бесповторной выборки необходимо учитывать поправку на бесповторность отбора:

1 - n.

(7.4) µx = ~ n N Если предположить, что представленные в табл. 7.1 данные являются результатом 5%-ного бесповторного отбора (следовательно, генеральная совокупность включает 22000 домохозяйств), то средняя ошибка выборки будет несколько меньше:

21,19 1- µx = = 0,135.

~ 1100.

Соответственно уменьшится и предельная ошибка выборки, что вызовет сужение границ генеральной средней. Особенно ощутимо влияние поправки на бесповторность отбора при относительно большом проценте выборки.

Мы рассмотрели определение границ генеральной средней.

Рассмотрим теперь, как определяются границы генеральной доли, т.е.

границы доли единиц, обладающих тем или иным значением признака.

Воспользуемся еще раз данными табл. 7.1 для того, чтобы определить границы доли домохозяйств, доходы которых составляют менее 10 тыс.руб. Согласно результатам обследования, численность таких домохозяйств составила 52+354=406. Определим выборочную долю и дисперсию:

w = = 0,369;

= w(1- w) = 0,369 0,631 = 0,2328.

w Рассчитаем среднюю ошибку выборки:

0,2328 1- µw = = 0,014.

1100 Предельная ошибка выборки с заданной вероятностью составит:

w = 2 0,014 = 0,028.

Определим границы генеральной доли:

0,369 - 0,028 p 0,369 + 0, или 0,341 p 0,397.

Следовательно, с вероятностью 0.954 можно утверждать, что доля домохозяйств, имеющих доходы менее 10 тыс.руб., в целом по данному региону находится в пределах от 34,1 до 39,7%.

Мы рассмотрели определение границ генеральной средней и генеральной доли по результатам уже проведенного выборочного наблюдения, при известном объеме выборки или проценте отбора. На этапе же проектирования выборочного наблюдения именно объем выборочной совокупности и требует определения.

Чем больше объем выборки, тем меньше значения средней и предельной ошибок выборочного наблюдения и, следовательно, тем уже границы генеральной средней и генеральной доли. В то же время, необходимо учитывать, что большой объем выборки приводит к удорожанию обследования, увеличению сроков сбора и обработки материалов, требует привлечения дополнительного персонала и соответствующего материально-технического обеспечения. Затраты всех ресурсов на 20-30%-ное выборочное наблюдение уже сопоставимы с расходами на сплошное обследование. При этом не следует забывать, что статистические характеристики, полученные по выборочной совокупности, всегда имеют вероятностную основу и всегда будут уступать результатам сплошного наблюдения по точности и надежности. Поэтому при подготовке выборочного наблюдения необходимо определить тот минимально необходимый объем выборки, который обеспечит требуемую точность полученных статистических характеристик при заданном уровне вероятности.

Представим формулу (7.2) следующим образом:

(7.5) = t.

~ x n Отсюда можно вывести формулу для определения необходимого объема собственно-случайной повторной выборки:

(7.6) Полученный на основе использования данной формулы результат всегда округляется в большую сторону. Например, если мы получили, что необходимый объем выборки составляет 493,1 единицы, то обследовав 493 единицы мы не достигнем требуемой точности.

Поэтому, для достижения желаемого результата обследованием должны быть охвачены 494 единицы. С другой стороны, рассчитанное значение необходимого объема выборки свободно может быть увеличено в большую сторону на несколько единиц. Если мы располагаем необходимыми ресурсами, если по причинам организационного порядка (компактность расположения единиц, фиксированная нагрузка на каждого регистратора и т.п.) мы вполне можем охватить больший объем, то включение в выборочную совокупность 500 или, например, единиц только уменьшит значения полученных случайной и предельной ошибок.

Как видно из формулы (7.6) необходимый объем выборки будет тем больше, чем выше заданный уровень вероятности и чем сильнее варьирует наблюдаемый признак. В то же время повышение допустимой предельной ошибки выборки приводит к снижению необходимого ее объема.

Расчет необходимого объема выборки предполагает, что организаторы выборочного наблюдения уже на этапе его проектирования располагают по крайней мере косвенными данными о вариации изучаемых признаков. Источниками таких данных могут служить:

а) результаты исследования данного объекта в предшествующие периоды;

б) результаты исследования аналогичных объектов (жителей других населенных пунктов, предприятий других регионов и т.п.);

в) специально проведенное небольшое по объему выборочное обследование данного объекта, ставящее целью лишь изучение вариации наблюдаемых признаков.

При определении необходимого объема выборки для определения границ генеральной доли задача оценки вариации решается значительно проще. Если дисперсия изучаемого альтернативного признака неизвестна, то можно использовать ее максимальное возможное значение:

= w(1- w) = 0,5(1- 0,5) = 0,25.

w max Например, предприятию связи с вероятностью 0,954 необходимо определить удельный вес телефонный разговоров продолжительностью менее 1 минуты с предельной ошибкой 2%. Сколько разговоров нужно обследовать в порядке собственно-случайного повторного отбора для решения этой задачи?

Для получения ответа на поставленный вопрос воспользуемся формулой (7.6) и будем ориентироваться на максимальную возможную дисперсию доли телефонных разговоров такой продолжительности.

Расчет приводит к следующему результату:

22 0, n = = 2500.

0, Таким образом, обследованием должны быть охвачены не менее 2500 разговоров на предмет их продолжительности.

Необходимый объем собственно-случайной бесповторной выборки может быть определен по следующей формуле:

2 t N (7.7) n =.

2 t + 2 N ~ x Укажем на одну особенность формулы (7.7). При проведении вычислений объем генеральной совокупности должен быть выражен только в единицах, а не в тысячах или в миллионах единиц. Например, подставив в данную формулу общую численность населения региона, выраженную в тысячах человек, мы не получим правильное значение необходимой численности выборки, также выраженное в тысячах человек, как это иногда бывает в других расчетах. Результат вычислений будет неверен.

7.3. Механическая (систематическая) выборка Механическая выборка может быть применена в тех 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 отбора желательно, чтобы все единицы также имели порядковые номера от 1 до N.

Для проведения механической выборки устанавливается пропорция отбора, которая определяется соотнесением объемов выборочной и генеральной совокупностей. Так, если их совокупности в 500000 единиц предполагается отобрать 10000 единиц, то пропорция отбора составит. Отбор единиц осуществляется в соответствии с установленной пропорцией через равные интервалы.

Например, при пропорции 1:50 (2%-ная выборка) отбирается каждая 50 я единица, при пропорции 1:20 (5%-ная выборка) - каждая 20-я единица и т.д.

Интервал отбора также можно определить как частное от деления 100% на установленный процент отбора. Так, при 2%-ном отборе интервал составит 50 (100%:2%), при 4%-ном отборе - 25 (100%:4%). В тех случаях, когда результат деления получается дробным, сформировать выборку механическим способом при строгом соблюдении процента отбора не представляется возможным. Например, по этой причине нельзя сформировать 3%-ную или 6%-ную выборки.

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 его завышением (если из каждого интервала регистрируется последнее значение). Поэтому целесообразно из каждого интервала отбирать центральную или одну из двух центральных единиц.

Например, при 5%-ной выборке интервал отбора составит 20 единиц, тогда отбор целесообразно начинать с 10-й или с 11-й единицы. В первом случае в выборку попадут 10, 30, 50, 70 и с таким же интервалом последующие единицы;

во втором случае - единицы с номерами 11, 31, 51, 71 и т.д.

При механической выборке также может появиться опасность систематической ошибки, обусловленной случайным совпадением выбранного интервала и циклических закономерностей в расположении единиц генеральной совокупности. Так, при переписи населения 1989 г.

в ходе 25%-го выборочного обследования семей имела место опасность попадания в выборку квартир только одного типа (например, только однокомнатных или только трехкомнатных), так как на лестничных площадках многих типовых домов располагаются именно по квартиры. Чтобы избежать систематической ошибки, в каждом новом подъезде счетчик менял начало отбора.

Для определения средней ошибки механической выборки, а также необходимой ее численности, используются соответствующие формулы, применяемые при собственно-случайном бесповторном отборе (7.4 и 7.7). При этом, определив необходимую численность выборки и сопоставив ее с объемом генеральной совокупности, как правило, приходится производить соответствующее округление для получения целочисленного интервала отбора.

Например, в области зарегистрировано 12000 фермерских хозяйств. Определим, сколько из них нужно отобрать в порядке механического отбора для определения средней площади сельхозугодий с ошибкой 2 га. (Р=0,997). По результатам ранее проведенного обследования известно, что среднее квадратическое отклонение площади сельхозугодий составляет 8 га. Произведем расчет, воспользовавшись формулой 7.7.:

32 82 n = = 142,3 143.

32 82 + 22 С учетом полученного необходимого объема выборки ( фермерских хозяйства) определим интервал отбора: 12000:143=83,9.

Определенный таким способом интервал всегда округляется в меньшую сторону, так как при округлении в большую сторону произведенная выборка не достигнет рассчитанного по формуле необходимого объема.

Следовательно, в нашем примере, из общего списка фермерских хозяйств необходимо отобрать для обследования каждое 83-е хозяйство.

При этом процент отбора составит 1,2% (100%:83).

7.4. Типическая (стратифицированная) выборка Типический отбор целесообразно использовать в тех случаях, когда все единицы генеральной совокупности объединены в несколько крупных типических групп. Такие группы также называют стратами или слоями, в связи с чем типический отбор также называют стратифицированным или расслоенным. При обследованиях населения в качестве типических групп могут быть выбраны области, районы, социальные, возрастные или образовательные группы, при обследовании предприятий - отрасли или подотрасли, формы собственности и т.п.

Рассматривать генеральную совокупность в разрезе нескольких крупных групп единиц имеет смысл только в том случае, если средние значения изучаемых признаков по группам существенно различаются.

Например, с большой уверенностью можно предположить, что доходы населения крупного города будут в среднем выше доходов населения, проживающего в сельской местности;

численность работников промышленного предприятия в среднем будет выше численности работников торгового или сельскохозяйственного предприятия;

средний возраст студентов будет значительно меньше среднего возраста занятого населения и, тем более, пенсионеров. В то же время, нет никакого смысла при выделении типических групп ориентироваться на признак, не связанный или очень слабо связанный с изучаемым.

Отбор единиц в выборочную совокупность из каждой типической группы осуществляется 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. В то же время, в выделенных типических группах обследуются далеко не все единицы, а только включенные в выборку. Следовательно, на величине полученной ошибки будет сказываться различие между единицами внутри этих групп, т.е. внутригрупповая вариация. Поэтому, ошибка типической выборки будет определяться величиной не общей дисперсии, а только ее части - средней из внутригрупповых дисперсий.

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

Ni (7.8) ni = n, N Ni где - объем i-й группы;

- объем выборки из i-й группы.

ni Предположим, общая численность населения области составляет 1,5 млн. чел., в том числе городское - 900 тыс. чел. и сельское - 600 тыс.

чел. Если в ходе выборочного наблюдения планируется обследовать тыс. жителей, то эта численность должна быть поделена пропорционально объему типических групп следующим образом:

n‹ = 100000 = городское население - чел.;

n– = 100000 = сельское население - чел..

Средняя ошибка типической выборки определяется по формулам:

(повторный отбор), (7.9) µ = n 1 - n (бесповторный отбор), (7.10) µ = n N где - средняя из внутригрупповых дисперсий.

Рассмотрим данный вариант типической выборки на условном примере.

Предположим, 10%-ный бесповторный типический отбор безработного населения, пропорциональный размерам районов, проведенный с целью оценки продолжительности периода поиска работы, привел к следующим результатам (табл. 7.3).

Таблица 7.3.

Результаты обследования безработного населения области Число недель Район Всего Обследовано, поиска работы зарегистрировано чел.

безработных, чел.

средняя дисперс ия А 5000 500 7 Б 8200 820 15 В 2100 210 5 Рассчитаем среднюю из внутригрупповых дисперсий:

ni 36 500 + 64 820 + 9 i = = = 47,0.

500 + 820 + ni Определим среднюю и предельную ошибки выборки (с вероятностью 0,954):

47,0 1- µx = = 0,17;

~ 1530 = 2 0,17 = 0,34.

~ x Рассчитаем выборочную среднюю:

ni 7 500 +15820 + 5 xi ~ x = = = 11, 500 + 820 + ni недель.

В результате проведенных расчетов с вероятностью 0,954 можно сделать вывод, что среднее число недель, затрачиваемых на поиск работы, в целом по области находится в пределах:

11,0 - 0,34 x 11,0 + 0,34.

При определении необходимого объема типической выборки в рассмотренных выше формулах (7.6) и (7.7) общую дисперсию наблюдаемого признака необходимо заменить на среднюю из внутригрупповых дисперсий. Тогда данные формулы примут следующий вид:

2 t (повторный отбор) (7.11) n = ~ x 2 t N (бесповторный отбор) (7.12) n = 2 t + 2 N ~ x Предположим, в рассмотренном выше примере нам необходимо определить среднее число недель, затрачиваемых на поиск работы, с предельной ошибкой 1 неделя. Учитывая величину полученной ранее средней из внутригрупповых дисперсий определим необходимый объем типической выборки при условии бесповторного отбора:

22 47,0 n = = 185,7.

22 47,0 +12 Таким образом мы получили, что при заданных условиях для достижения требуемой точности достаточно обследовать выборочным методом всего 186 чел. Распределим эту численность на три района рассматриваемой области пропорционально их размерам по числу зарегистрированных безработных:

nА = 186 = 60,8;

nБ = 186 = 99,7;

nВ = 186 = 25,5.

Расчеты показывают, что в районе А необходимо обследовать чел., в районе Б - 100 чел., и в районе В - 25 чел.

Мы рассмотрели типический отбор, пропорциональный объему типических групп. Второй вариант формирования типической выборки заключается в отборе единиц, пропорциональном вариации признака в типических группах. Логика такого отбора заключается в следующем:

если внутри какой-либо типической группы наблюдаемый признак варьирует слабо, то для определения границ генеральных характеристик из данной группы достаточно обследовать относительно небольшое число единиц;

при сильной же вариации признака объем выборки должен быть соответственно увеличен.

7.5. Серийная выборка Сущность серийной выборки заключается в собственно-случайном либо механическом отборе групп единиц (серий), внутри которых производится сплошное обследование. Единицей отбора при этой выборке является группа или серия, а не отдельная единица генеральной совокупности, как это имело место в рассматриваемых ранее выборках.

Данный способ отбора удобен в тех случаях, когда единицы генеральной совокупности изначально объединены в небольшие более или менее равновеликие группы или серии. В качестве таких серий могут выступать упаковки с определенным количеством готовой продукции, партии товара, студенческие группы, бригады и другие подобные объединения.

В большинстве случаев серийная выборка имеет не столько методологические, сколько организационные преимуществами перед другими способами формирования выборочной совокупности.

Например, в Великобритании серийный отбор используется в обследованиях населения, когда серией являются домохозяйства, объединенные общим почтовым индексом. В случайном порядке производится выборка индексов и под обследование попадают все домохозяйства, имеющие индекс попавших в выборочную совокупность почтовых отделений.

В связи с тем, что при серийном отборе внутри отобранных групп обследуются все без исключения единицы, внутригрупповая вариация признака не отразится на ошибках выборочного наблюдения. В то же время, обследуются не все группы, а только попавшие в выборку.

Следовательно на ошибках получаемых характеристик будут отражаться различия между группами, которые определяются межгрупповой дисперсией. Поэтому средняя ошибка серийной выборки определяется по формулам:

(повторный отбор), (7.13) µ = r r (бесповторный отбор), (7.14) µ = 1- r где r - число отобранных серий;

R- общее число серий.

Межгрупповую дисперсию при равновеликих группах вычисляют следующим образом:

(7.15) где - средняя i-й серии;

- общая средняя по всей выборочной совокупности.

Рассмотрим следующий пример. Предположим, партия готовой продукции предприятия упакована в 160 ящиков по 25 изделий в каждом. В целях контроля соблюдения параметров технологического процесса проведена 5%-ная серийная выборка, в ходе которой отбирался каждый 20-й ящик. Все изделия, находящиеся в отобранных ящиках были подвергнуты сплошному обследованию, заключающемуся в определении их точного веса. Полученные результаты представлены в следующей таблице:

Таблица 7.4.

Результаты выборочного обследования готовой продукции Номер коробки 1 2 3 4 5 6 7 Средний вес 563 545 548 560 555 561 547 изделия в ящике, г С вероятностью 0,954 требуется определить границы среднего веса изделия во всей партии.

На основе приведенных в таблице внутригрупповых средних определим средний вес изделия по выборочной совокупности:

563 + 545 +... + ~ x = = 553, г.

С учетом полученной средней рассчитаем межгрупповую дисперсию:

(563 - 553,9)2 + (545 - 553,9)2 +... + (552 - 553,9) = = 42,11.

Рассчитаем среднюю и предельную ошибки выборки:

42,11 1- µ = = 2,2;

8 г;

› = 2 2,2 = 4,4.

~ г.

Определим границы генеральной средней:

553,9 - 4,4 › 553,9 + 4,4.

На основе результатов проведенных расчетов с вероятностью 0,954 можно утверждать, что средний вес изделия в целом по всей партии продукции находится в пределах от 549,5 г до 558,3 г.

Для определения необходимого объема серийной выборки при заданной предельной ошибке используются следующие формулы:

(повторный отбор);

2 t R (бесповторный отбор). (7.16) r = 2 t + 2 R ~ x Предположим, в рассмотренном выше примере необходимо определить границы среднего веса изделия с предельной ошибкой 3, г. Используя полученные выше данные о вариации веса определим, сколько ящиков с изделиями нужно обследовать в порядке бесповторной серийной выборки, чтобы получить результат с заданной точностью и при выбранном уровне вероятности:

22 42, r = = 16,8.

22 42,11+ 3,02 Выполненный расчет позволяет заключить, что для получения границ генеральной средней с заданной точностью необходимо обследовать не менее 17 ящиков с изделиями, отобранных собственно случайным или механическим способом.

Глава 8. Статистическое изучение взаимосвязи социально экономических явлений 8.1. Причинность, регрессия, корреляция Исследование объективно существующих связей между социально-экономическими явлениями и процессами является важнейшей задачей 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.

Финансово-экономические процессы представляют собой результат одновременного воздействия большого числа причин.

Следовательно, при изучении этих процессов 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, 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 познавательной цели и задач исследования.

Признаки по их сущности и значению для изучения взаимосвязи делятся на два класса. Признаки, обуславливающие изменения других, связанных с ними признаков, называются факторными, или просто факторами. Признаки, изменяющиеся под действием факторных признаков, называются результативными.

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

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 (табл.8.1):

Таблица 8.1.

Количественные критерии оценки тесноты связи Величина показателя связи Характер связи 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 связь, при которой с увеличением или с уменьшением значений факторного признака происходит увеличение или уменьшение значений результативного признака. Так, рост объемов производства способствует увеличению прибыли предприятия. В случае обратной связи значения результативного признака изменяются под воздействием факторного, но в противоположном направлении по сравнению с изменением факторного признака, то есть обратная – это связь, при которой с увеличением или с уменьшением значений одного признака происходит уменьшение или увеличение значений другого признака. Так снижение себестоимости единицы производимой продукции влечет за собой рост рентабельности.

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, то такую связь называют нелинейной или криволинейной, например:

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

и т.д..

Для выявления наличия связи, ее характера и направления в статистике используются методы: приведения параллельных данных;

графический;

аналитических группировок;

корреляции, регрессии.

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.

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 В статистике принято различать следующие виды 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 и направления 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. Знаки при коэффициентах корреляции характеризуют направление связи между признаками.

Регрессия тесно связана с корреляцией и позволяет исследовать аналитическое выражение взаимосвязи между признаками.

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 (факторных признаков).

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 (числовое) выражение.

4. Наличие достаточно большого объема исследуемой совокупности (в последующих примерах в целях упрощения изложения материала это условие нарушено, т.е. объем очень мал).

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 социально-экономические явления и процессы.

8.2. Парная регрессия на основе метода наименьших квадратов Парная регрессия позволяет получить аналитическое выражение связи между двумя признаками: результативным и факторным.

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:

n y y i=1 i x S = ( - ) min Система нормальных уравнений для нахождения параметров линейной парной регрессии методом наименьших квадратов имеет следующий вид:

n n na0 + a1 i = y x i i=1 i= n n n a0 i + 1 i = i y x a x x i i=1 i=1 i= (8.3) 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 в среднем изменяется значение результативного признака при увеличении факторного признака на единицу собственного измерения.

Пример.

Имеются следующие данные о размере страховой суммы и страховых возмещений на автотранспортные средства одной из страховых компаний г. Москвы на 01.01.2004 г.

Таблица 8.2.

Зависимость между размером страховых возмещений и страховой суммой на автотранспорт одной из страховых компаний г. Москвы на 01.01.2004 г.

№ Объем страхового Стоимость автомобиля в возмещения застрахованного регистре (тыс.долл.США), Yi автомобиля (тыс.долл.США), Xi 1 0,1 8, 2 1,3 9, 3 0,1 10, 4 2,6 10, 5 0,1 11, 6 0,3 11, 7 4,6 12, 8 0,3 13, 9 0,4 15, 10 7,3 16, Итого 17,1 120, Предположим наличие линейной зависимости между рассматриваемыми признаками.

Построим расчетную таблицу для определения параметров линейного уравнения регрессии объема страхового возмещения (табл. 8.3).

Таблица 8.3.

Расчетная таблица для определения параметров уравнения регрессии № Объем Стоимость автомо- страхового застрахованного x2 xy yx биля в возмещения автомобиля регистре (тыс.долл. (тыс.долл.США), Xi США), Yi 1 0,1 8,8 77,44 0,88 0, 2 1,3 9,4 88,36 12,22 0, 3 0,1 10,0 100,00 1,00 0, 4 2,6 10,6 112,36 27,56 0, 5 0,1 11,0 121,00 1,10 1, 6 0,3 11,9 141,61 3,57 1, 7 4,6 12,7 161,29 58,42 2, 8 0,3 13,5 182,25 4,05 2, 9 0,4 15,5 240,25 6,20 3, 10 7,3 16,7 278,89 121,91 4, Итого 17,1 120,1 1503,45 236,91 17, Система нормальных уравнений для данного примера имеет вид:

10a0 +120,1a1 = 17, +1503,45a1 = 236, 120,1a Отсюда: a0 = -4,4944;

a1 = 0,5166.

yx Следовательно, =-4,4944+0,5166 х.

yx Значения в таблице 8.3 получены путем подстановки значений факторного признака хi (стоимость застрахованного автомобиля) в yx уравнение регрессии =-4,4944+0,5166 х.

Коэффициент регрессии a1 = 0,5166 означает, что при увеличении стоимости застрахованного автомобиля на 1 тыс.долл.США, объем страхового возмещения (тыс.долл.США) возрастет в среднем на 0, тыс.долл. США.

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 математико-статистических методов анализа.

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

Сущность метода шаговой регрессии заключается в реализации алгоритмов последовательного “включения”, “исключения” или “включения-исключения” факторов в уравнение регрессии и последующей проверке их статистической значимости. Алгоритм “включения” заключается в том, что 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 алгоритм последовательного «исключения», сущность которого заключается в том, что исключаются факторы, ставшие незначимыми по статистическим критериям.

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, xij между факторными признаками, включенными в модель (r > 08).

Наличие мультиколлинеарности между признаками вызывает:

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

• изменение 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 изучаемого 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. Например: показатели выработки продукции на одного работающего и численность работающих одновременно в модель включать нельзя, так как в основе расчета показателей лежит один и тот же показатель – численность работающих на предприятии.

• 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, логического анализа изучаемого явления, а также на основе анализа тесноты связи между результативным (y) c каждым из сильно коллинеарно связанных факторных признаков. Из дальнейшего анализа целесообразно исключить тот факторный признак, связь которого с результативным наименьшая.

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 нескольких факторных выражается и называется многофакторным (множественным) уравнением регрессии или моделью связи.

Линейное уравнение множественной регрессии имеет вид:

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

x1, x2,..., x k - факторные признаки;

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

Параметры уравнения могут быть определены графическим методом или методом наименьших квадратов.

Пример.

По следующим данным о выручке (y), спросу по номиналу (x1) и объему продаж (x2) корпоративных ценных бумаг определим зависимость между признаками.

Таблица 8.4.

Основные характеристики корпоративных ценных бумаг Серия Выручка, Спрос по Объем продаж по ценной млрд. руб., y номиналу, млрд. номиналу, млрд. руб., бумаги руб., x1 x 0001 3,0 6,8 3, 0002 5,4 11,2 6, 0003 5,9 9,1 6, 0004 4,8 6,9 5, 0005 3,3 6,4 3, 0006 3,4 6,9 4, 0007 5,3 12,2 6, Итого 31,1 59,5 37, 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 Для определения параметров линейного уравнения регрессии составим расчетную таблицу:

Таблица 8.5.

Расчетная таблица для определения параметров уравнения регрессии выручки от реализации корпоративных ценных бумаг 2 Серия Выру- Спрос по Объем x1 x1 x2 x1 y x2 x2 y ценной чка, номина- продаж по бумаги млрд. лу, номиналу, руб., млрд. млрд. руб., y руб., x x 0001 3,0 6,8 3,5 46,24 23,80 20,40 12,25 10, 0002 5,4 11,2 6,7 125,44 75,04 60,48 44,89 36, 0003 5,9 9,1 6,8 82,81 61,88 53,69 46,24 40, 0004 4,8 6,9 5,9 47,61 40,71 33,12 34,81 28, 0005 3,3 6,4 3,8 40,96 24,32 21,12 14,44 12, 0006 3,4 6,9 4,3 47,61 29,67 23,46 18,49 14, 0007 5,3 12,2 6,9 148,84 84,18 64,66 47,61 36, Итого 31,1 59,5 37,9 539,51 339,6 276,93 218,73 178, Система уравнений примет следующий вид:

7a0 + 59,5a1 + 37,9a2 = 31, 59,5a0 + 539,51a1 + 339,6a2 = 276, 37,9a + 339,60a1 + 218,73a2 = 178, Таким образом:

yx,x2 = 0,378 - 0,082x1 + 0,879x.

8.4. Собственно-корреляционные параметрические методы изучения связи Измерение тесноты (силы) 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 и одного (при изучении парных зависимостей) или нескольких (множественных зависимостей) факторных признаков.

Линейный коэффициент корреляции (К. Пирсона) 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 = x y (8.4) Производя расчет по итоговым значениям исходных переменных, линейный коэффициент корреляции можно вычислить по формуле:

n - y xy x r = n - 2 n y2 y ( ) ( ) x x (8.5) Между линейным коэффициентом корреляции и коэффициентом регрессии существует определенная зависимость, выражаемая формулой:

r = ai xi y (8.6) ai где - коэффициент регрессии в уравнении связи;

xi - среднее квадратическое отклонение соответствующего, статистически существенного, факторного признака.

Линейный коэффициент корреляции изменяется в пределах от - -1 r до 1: [ ]. Знаки коэффициентов регрессии и корреляции совпадают. При этом интерпретацию выходных значений коэффициента корреляции можно осуществлять следующим образом (табл.8.6):

Таблица 8.6.

Оценка линейного коэффициента корреляции Значение линейного Характеристика Интерпретация связи коэффициента связи связи r = 0 отсутствует 0

Расчетная таблица для определения коэффициента корреляции Объем Затраты произведен- на № п/п ной изделий, yx y2 x продукции, чел.-час, млн. руб., Y 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 (8.4) 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 (8.5) значение коэффициента корреляции составило:

6 362404 - 4466 r = = [642280 - (502)2][6 3792338 - (4466)2] 2174424 - = = (253680 - 252004) (22754028 -19945156) -67508 - = = = -, 68612, 1676 Таким образом, результат по всем формулам одинаков и свидетельствует о сильной обратной зависимости между изучаемыми признаками.

В случае наличия линейной или 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- = 2 2 (8.7) 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 2 (8.8) где - дисперсия выровненных значений результативного признака, то есть рассчитанных по уравнению регрессии;

- дисперсия эмпирических (фактических) значений результативного признака;

ост - остаточная дисперсия.

Корреляционное отношение изменяется в пределах от 0 до 0 ().

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 = y/x1x 1- rx x (8.9) ryx i где - парные коэффициенты корреляции между признаками.

Множественный коэффициент корреляции изменяется в пределах 0 R 1 R от 0 до 1 и по определению положителен:. Приближение к единице свидетельствует о сильной зависимости между признаками.

На основе данных таблицы 8.4 рассчитаем коэффициент множественной корреляции:

yx1 - y x1 yx2 - y x ryx = = 0,748 ryx = = 0, 1 y x1 y x, ;

1 2- 1* rx x = x x x x = 0,817.

.

x x 1 Множественный коэффициент корреляции составит:

- 0,7482 + 0,9832 - 2 0,748 0,983 0, Ry / x1x2 = = 0,975.

1 - 0, Частные коэффициенты корреляции характеризуют степень x1 x тесноты связи между двумя признаками и при фиксированном k ( - ) факторных признаков, то есть когда влияние x значении других x1 x исключается, то есть оценивается связь между и в «чистом виде».

y x1 x В случае зависимости от двух факторных признаков и 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 = 1- rx2 1- rx ( ) ( ) y x (8.10) r где - парные коэффициенты корреляции между указанными в индексе переменными.

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

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

0,748 - 0,817 0, ryx / x2 = = -0, (1- 0,9832) (1- 0,8172) ryx / x1 = 0,972 rx x2 / y = 0,668.

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.

Прежде всего необходимо рассмотреть коэффициенты регрессии.

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.

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.