Статистические методы изучения взаимосвязи социально-экономических явлений

Размещено на http://www.allbest.ru/

Статистические методы изучения взаимосвязи социально-экономических явлений



1. Стохастико-детерминированный характер социально-экономических явлений и виды связей между ними

Наука исходит из объективной закономерной взаимосвязи и причинной обусловленности всех явлений.

Изучение статистических закономерностей -- важнейшая познавательная задача статистики, которую она решает с помощью особых методов, видоизменяющихся в зависимости от характера исходной информации и целей познания. Знание характера и силы связей позволяет управлять социально-экономическими процессами и предсказывать их развитие. Особую актуальность это приобретает в условиях развивающейся рыночной экономики. Изучение механизма рыночных связей, взаимодействия спроса и предложения, влияния объема и структуры товарооборота на объем и состав производства продукции, формирования товарных запасов, издержек производства, прибыли и других качественных показателей имеет первостепенное значение для прогнозирования конъюнктуры рынка, региональной организации производственных и торговых процессов, успешного ведения бизнеса.

Среди многих форм связей важнейшей является причинная, определяющая все другие формы. Сущность причинности состоит в порождении одного явления другим. Вместе с тем, причина сама по себе еще не определяет следствия, она зависит также от условий, в которых протекает действие причины. Для возникновения следствия нужны все определяющие его факторы -- причина и условия. Необходимая обусловленность явлений множеством факторов называется детерминизмом.

Объектами исследования при статистическом измерении связей служит, как правило, детерминированность следствия факторами (причиной и условиями). Признак, характеризующий следствие, называется результативным; признаки, характеризующие причины, -- факторными. Выявление связей между признаками основывается на результатах качественного теоретического анализа. Задача статистики -- количественная оценка закономерности связей, математическая определенность позволяет использовать результаты экономических разработок для практических целей. Вместе с тем, качественный анализ должен не только предшествовать статистическому, но и являться подтверждением справедливости его результатов.

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

1.1 Функциональные и стохастическue связи

Между различными явлениями и их признаками необходимо прежде всего выделить два типа связей: функциональную (жестко детерминированную) и статистическую (стохастически детерминированную).

В соответствии с жестко детерминистическим представлением о функционировании экономических систем необходимость и закономерность однозначно проявляются в каждом отдельном явлении, т. е. любое действие вызывает строго определенный результат; случайными (непредвиденными заранее) воздействиями при этом пренебрегают. Поэтому при заданных начальных условиях состояние такой системы может быть определено с вероятностью, равной единице. Разновидностью такой закономерности является функциональная связь.

Связь признака у с признаком x называется функциональной, если каждому возможному значению независимого признака х соответствует одно или несколько строго определенных значений зависимого признака у. Определение функциональной связи может быть легко обобщено для случая многих признаков х1, х2,...,хп.

Характерной особенностью функциональных связей является то, что в каждом отдельном случае известен полный перечень факторов, определяющих значение зависимого (результативного) признака, а также точный механизм их влияния, выраженный определенным уравнением.

Функциональную связь можно представить уравнением:

где yi -- результативный признак (i = 1,...,n);

f(Xi) -- известная функция связи результативного и факторного признаков;

xi-- факторный признак.

Чаще всего функциональные связи наблюдаются в явлениях, описываемых математикой, физикой и другими точными науками. Имеют место функциональные связи и в социально-экономических процессах, но довольно редко (они отражают взаимосвязь только отдельных сторон сложных явлений общественной жизни). В экономике примером функциональной связи может служить связь между оплатой труда у и количеством изготовленных деталей x при простой сдельной оплате труда. Так, если расценка за одну деталь составляет 3 тыс. руб., то связь между признаками однозначно выразится простым линейным уравнением у = 3х. Для каждого допустимого значения х можно указать вполне определенное значение у.

Если, положим, х = 5, то соответственно у =15.

В реальной общественной жизни, ввиду неполноты информации жестко детерминированной системы, может возникнуть неопределенность, из-за которой эта система по своей природе должна рассматриваться как вероятностная, при этом связь между признаками становится стохастической.

Стохастическая связь -- это связь между величинами, при которой одна из них, случайная величина у, реагирует на изменение другой величины х или других величин х1, х2,...,хп (случайных или неслучайных) изменением закона распределения. Это обусловливается тем, что зависимая переменная (результативный признак), кроме рассматриваемых независимых, подвержена влиянию ряда неучтенных или неконтролируемых (случайных) факторов, а также некоторых неизбежных ошибок измерения переменных. Поскольку значения зависимой переменной подвержены случайному разбросу, они не могут быть предсказаны с достаточной точностью, а только указаны с определенной вероятностью.

Характерной особенностью стохастических связей является то, что они проявляются во всей совокупности, а не в каждой ее единице (причем не известен ни полный перечень факторов, определяющих значение результативного признака, ни точный механизм их функционирования и взаимодействия с результативным признаком). Всегда имеет место влияние случайного. Появляющиеся различные значения зависимой переменной -- реализации случайной величины.

Модель стохастической связи может быть представлена в общем виде уравнением:

(9.1)

где -- расчетное значение результативного признака;

f(xi ) -- часть результативного признака, сформировавшаяся под воздействием учтенных известных факторных признаков (одного или множества), находящихся в стохастической связи с признаком;

еi-- часть результативного признака, возникшая вследствие

действия неконтролируемых или неучтенных факторов, а также измерения признаков, неизбежно сопровождающегося некоторыми случайными ошибками.

Проявление стохастических связей подвержено действию закона больших чисел: лишь в достаточно большом числе единиц индивидуальные особенности сгладятся, случайности взаимопогасятся и зависимость, если она имеет существенную силу, проявится достаточно отчетливо.

В социально-экономической жизни приходится сталкиваться со многими явлениями, имеющими вероятностный характер. Например, уровень производительности труда рабочих стохастически связан с целым комплексом факторов: квалификацией, стажем работы, уровнем механизации и автоматизации производства, интенсивностью труда, простоями, состоянием здоровья работника, его настроением, атмосферным давлением и др. Полный перечень факторов неизвестен. Кроме того, неодинаково действие любого известного фактора на уровень производительности труда каждого рабочего. Изменение атмосферно: давления, к примеру, значительно снижает работоспособность рабочих, страдающих заболеваниями сердечно-сосудистой системы, и практически не сказывается на производительности труда здоровых. В результате -- при одинаковых возможностях наблюдается распределение значений дневной выработки рабочих. Такое распределение носит условный характер, поскольку оно связано с фиксированными значениями факторных признаков. Различия условных распределений имеют выраженную направленность связи (например, выработка растет с повышением квалификации рабочего). Эту направленность связи можно раскрыть более наглядно, если ограничиться рассмотрением только одного аспекта стохастической связи -- изучением вместо условных распределений лишь одного их параметра -- условного математического ожидания (частные случаи стохастической связи -- корреляционная и регрессионная).

Корреляционная связь существует там, где взаимосвязанные явления характеризуются только случайными величинами. При такой связи среднее значение (математическое ожидание) случайной величины результативного признака у закономерно изменяется в зависимости от изменения другой величины x или других случайных величин х1, х2,...,хп. Корреляционная связь проявляется не в каждом отдельном случае, а во всей совокупности в целом. Только при достаточно большом количестве случаев каждому значению случайного признака х будет соответствовать распределение средних значений случайного признака y. Наличие корреляционных связей присуще многим общественным явлениям.

Известно, что увеличение количества внесенных удобрений ведет к повышению урожайности. Это справедливое положение, подтверждаемое в массе явлений, совсем не означает, что на отдельных одинаково удобренных участках будет одинаковая урожайность одной и той же сельскохозяйственной культуры. Вероятнее всего, уровни урожайности будут различаться. Кроме того, существует вероятность, что более высокая урожайность может наблюдаться на менее удобренных участках: на урожайность влияет не только количество внесенных в почву удобрений, но и другие, неучтенные факторы (качество семян, предшествующие культуры, рельеф местности, агротехника земледелия, сроки и качество посева и уборки). Но если в анализ включить достаточно большое число площадей, то обнаружится прямая корреляционная зависимость между количеством внесенных удобрений (в допустимых пределах) и средним уровнем урожайности. Значит, важная особенность корреляционных связей (как и других стохастических) состоит в том, что они обнаруживаются не в единичных случаях, а в массовых явлениях и требуют для своего исследования массовых наблюдений, т. е. статистических данных.

Корреляционная связь -- понятие более узкое, чем стохастическая связь. Последняя может отражаться не только в изменении средней величины, но и в вариации одного признака в зависимости от другого, т. е. любой другой характеристики вариации. Таким образом, корреляционная связь, является частным случаем стохастической связи.

> Прямые и обратные связи. В зависимости от направления действия функциональные и стохастические связи могут быть прямыми и обратными. При прямой связи направление изменения результативного признака совпадает с направлением изменения признака-фактора, т. е. с увеличением факторного признака увеличивается и результативный, и наоборот, с уменьшением факторного признака уменьшается и результативный признак. В противном случае между рассматриваемыми величинами существуют обратные связи. Например, чем выше квалификация рабочего (разряд), тем выше уровень производительности труда -- прямая связь. А чем выше производительность труда, тем ниже себестоимость единицы продукции -- обратная связь.

> Прямолинейные и криволинейные связи. По аналитическому выражению (форме) связи могут быть прямолинейными и криволинейными. При прямолинейной связи с возрастанием значения факторного признака происходит непрерывное возрастание (или убывание) значений результативного признака. Математически такая связь представляется уравнением прямой, а графически -- прямой линией. Отсюда ее более короткое название -- линейная связь.

При криволинейных связях с возрастанием значения факторного признака возрастание (или убывание) результативного признака происходит неравномерно или же направление его изменения меняется на обратное. Геометрически такие связи представляются кривыми линиями (гиперболой, параболой и т.д.).

> Однофакторные и многофакторные связи. По количеству факторов, действующих на результативный признак, связи различаются однофакторные (один фактор) и многофакторные (два и более факторов). Однофакторные (простые) связи обычно называются парными (так как рассматривается пара признаков). Например, корреляционная связь между прибылью и производительностью труда. В случае многофакторной (множественной) связи имеют в виду, что все факторы действуют комплексно, т.е. одновременно и во взаимосвязи, например, корреляционная связь между производительностью труда и уровнем организации труда, автоматизации производства, квалификации рабочих, производственным стажем, простоями и другими факторными признаками.

С помощью множественной корреляции можно охватить весь комплекс факторных признаков и объективно отразить существующие множественные связи.

2. Статистические методы моделирования связи

Для изучения функциональных связей применяются балансовый и индексный методы.

Для исследования стохастических связей широко используется метод сопоставления двух параллельных рядов, метод аналитических группировок, корреляционный анализ, регрессионный анализ и некоторые непараметрические методы.

2.1 Простейшие методы изучения стохастических связей

> Метод сопоставления двух параллельных рядов. Установить наличие стохастической связи, а также получить представление о ее характере и направлении можно с помощью сопоставления двух параллельных рядов статистических величин. Для этого факторы, характеризующие результативный признак, располагают в возрастающем или убывающем порядке (в зависимости от эволюции процесса и целей исследования), а затем прослеживают изменение величины результативного признака. Сопоставление и анализ расположенных таким образом рядов значений изучаемых величин позволяют установить наличие связи и ее направление. Зависимость между факторами и показателями может прослеживаться во времени (параллельные динамические ряды).

До исследования методом параллельных рядов (априори) необходимо провести анализ сопоставляемых явлений и установить наличие между ними причинных связей (а не простого сопутствия). Например, только потому, что между урожайностью и себестоимостью продукции сельского хозяйства имеется причинная связь, становится возможным построение, а затем сопоставление параллельных рядов этих показателей.

К недостатку метода взаимозависимых параллельных рядов следует отнести невозможность определения количественной меры связи между изучаемыми признаками. Однако он удобен и эффективен, когда речь идет о необходимости установления связей между показателями и факторами, характеризующими экономический процесс.

> Метод аналитических группировок. Стохастическая связь будет проявляться отчетливее, если применить для ее изучения аналитические группировки. Чтобы выявить зависимость с помощью этого метода, нужно произвести группировку единиц совокупности по факторному признаку и для каждой группы вычислить среднее или относительное значение результативного признака. Сопоставляя затем изменения результативного признака по мере изменения факторного, можно выявить направление, характер и тесноту связи между ними с помощью эмпирического корреляционного отношения (см. в главах 5.3 и 9.2.2.3). Однако метод группировок не позволяет определить форму (аналитическое выражение) влияния факторных признаков на результативный.

2.2 Статистическое моделирование связи методом корреляционного и регрессионного анализа

В общем виде задача статистики в области изучения взаимосвязей состоит не только в количественной оценке их наличия, направления и силы связи, но и в определении формы (аналитического выражения) влияния факторных признаков на результативный. Для ее решения применяют методы корреляционного и регрессионного анализа.

Задачи корреляционного анализа сводятся к измерению тесноты известной связи между варьирующими признаками, определению неизвестных причинных связей (причинный характер которых, должен быть выяснен с помощью теоретического анализа) и оценке факторов, оказывающих наибольшее влияние на результативный признак.

Задачи регрессионного анализа -- выбор типа модели (формы связи), установление степени влияния независимых переменных на зависимую и определение расчетных значений зависимой переменной (функции регрессии).

Решение всех названных задач приводит к необходимости комплексного использования этих методов.

2.2.1 Корреляционный и регрессионный анализ

Исследование связей в условиях массового наблюдения и действия случайных факторов осуществляется, как правило, с помощью экономико-статистических моделей. В широком смысле модель -- это аналог, условный образ (изображение, описание, схема, чертеж и т.п.) какого-либо объекта, процесса или события, приближенно воссоздающий «оригинал». Модель представляет собой логическое или математическое описание компонентов и функций, отображающих существенные свойства моделируемого объекта или процесса, дает возможность установить основные закономерности изменения оригинала. В модели оперируют показателями, исчисленными для качественно однородных массовых явлений (совокупностей). Выражение модели в виде функциональных уравнений используют для расчета средних значений моделируемого показателя по набору заданных величин и для выявления степени влияния на него отдельных факторов.

По количеству включаемых факторов модели могут быть однофакторными и многофакторными (два и более факторов).

В зависимости от познавательной цели статистические модели подразделяются на структурные, динамические и модели связи.

Рассмотрим основные проблемы статистического моделирования связи методами корреляционного и регрессионного анализа.

2.2.2 Двухмерная линейная модель корреляционного и регрессионного анализа (однофакторный линейный корреляционный и регрессионный анализ)

Наиболее разработанной в теории статистики является методология так называемой парной корреляции, рассматривающая влияние вариации факторного признака x: на результативный признак y и представляющая собой однофакторный корреляционный и регрессионный анализ. Овладение теорией и практикой построения и анализа двухмерной модели корреляционного и регрессионного анализа представляет собой исходную основу для изучения многофакторных стохастических связей.

Важнейшим этапом построения регрессионной модели (уравнения регрессии) является установление в анализе исходной информации математической функции. Сложность заключается в том, что из множества функций необходимо найти такую, которая лучше других выражает реально существующие связи между анализируемыми признаками. Выбор типа функции т опираться на теоретические знания об изучаемом явлении, опыт предыдущих аналогичных исследований, или осуществляться эмпирически -- перебором и оценкой функций разных типов и т.п.

При изучении связи экономических показателей производства (деятельности) используют различного вида уравнения прямолинейной и криволинейной связи. Внимание к линейным связям объясняется ограниченной вариацией переменных и тем, что в большинстве случаев нелинейные формы связи для выполнения расчетов преобразуют (путем логарифмирования или замены переменных) в линейную форму. Уравнение однофакторной (парной) линейной корреляционной связи имеет вид:

(9.2)

де -- теоретические значения результативного признака, полученные по уравнению регрессии;

a0, a1-- коэффициенты (параметры) уравнения регрессии.

Поскольку a0 является средним значением у в точке х = 0, экономическая интерпретация часто затруднена или вообще невозможна.

Коэффициент парной линейной регрессии а1 имеет смысл показателя силы связи между вариацией факторного признака х и вариацией результативного признака у. Уравнение (9.2) показывает среднее значение изменения результативного признака y при изменении факторного признака х на одну единицу его измерения, т. е. вариацию у, приходящуюся на единицу вариации х. Знак a1 указывает направление этого изменения.

Параметры уравнения a0, a1 находят методом наименьших квадратов (метод решения систем уравнений, при котором в качестве решения принимается точка минимума суммы квадратов отклонений), т. е. в основу этого метода положено требование минимальности сумм квадратов отклонений эмпирических данных yi от выровненных :

Для нахождения минимума данной функции приравняем к нулю ее частные производные и получим систему двух линейных уравнений, которая называется системой нормальных уравнений:

(9.3)

Решим эту систему в общем виде:

Параметры уравнения парной линейной регрессии иногда удобно исчислять по следующим формулам, дающим тот же результат:



или

Определив значения a0 , a1 и подставив их в уравнение связи , находим значения , зависящие только от заданного значения х.

Пример 1. Рассмотрим построение однофакторного уравнения регрессии зависимости производительности труда у от стажа работы х по данным табл. 9.1 (10 рабочих одной бригады заняты производством радиоэлектронных изделий, данные ранжированы по стажу их работы).

Исходя из экономических соображений стаж работы выбран в качестве независимой переменной х. Сопоставление данных параллельных рядов признаков х и у (табл. 9.1) показывает, что с возрастанием признака X (стажа работы), растет, хотя и не всегда, результативный признак у (производительность труда). Следовательно, между х и у существует прямая зависимость, пусть неполная, но выраженная достаточно ясно.

Таблица 9.1

Распределение рабочих бригады по выработке и стажу работы

Исходные данные	Расчетные значения
Номер рабочего	Стаж работы, годы X	Дневная выработка рабочего, шт. У			ху
4-й	1	4	1	16	4	4,6
6-й	2	5	4	25	10	5,2
3-й	3	6	9	36	18	5,8
1-й	4	7	16	49	28	6,4
2-й	5	7	25	49	35	7,0
7-й	6	8	36	64	48	7,6
9-й	7	8	49	64	56	8,2
10-й	8	9	64	81	72	8,8
8-й	9	10	81	100	90	9,4
5-й	10	9	100	81	90	10,0
Итого	?x=55	?y = 73	? = 385	?= 565	?xy= 451	73,0

Для уточнения формы связи между рассматриваемыми признаками используем графический метод. Нанесем на график точки, соответствующие значениям х, у, получим корреляционное поле, а соединив их отрезками, -- ломаную регрессии (рис. 9.1).

Анализируя ломаную линию, можно предположить, что возрастание выработки у идет равномерно, пропорционально росту стажа работы рабочих х. В основе этой зависимости в данных конкретных условиях лежит прямолинейная связь (см. пунктирную линию на рис.,9.1), которая может быть выражена простым линейным уравнением регрессии:

= a0 + a1х ,

где -- теоретические расчетные значения результативного признака (выработки одного рабочего, шт.), полученные по уравнению регрессии;

a0, a1, - неизвестные параметры уравнения регрессии;

х - стаж работы рабочих, годы.



Рис.9.1. Зависимость выработки одного рабочего от стажа работы х (по данным табл. 9.1)

Пользуясь расчетными значениями (см. табл. 9.1), исчислим параметры для данного уравнения регрессии:

= 7,3-0,6 • 5,5 = 4,0.

Следовательно, регрессионная модель распределения выработки по стажу работы для данного примера может быть записана в виде конкретного простого уравнения регрессии:

=4,0+0,6x

Это уравнение характеризует зависимость среднего уровня выработки рабочими бригады от стажа работы. Расчетные значения , найденные по данному уравнению, приведены в табл. 9.1. Правильность расчета параметров уравнения регрессии может быть проверена сравнением сумм ?y = ? (при этом возможно некоторое расхождение вследствие округления расчетов).

2.2.3 Проверка адекватности регрессионной модели

Для практического использования моделей регрессии очень важна их адекватность, т. е. соответствие фактическим статистическим данным.

Корреляционный и регрессионный анализ обычно (особенно в условиях так называемого малого и среднего бизнеса) проводится для ограниченной по объему совокупности. Поэтому показатели регрессии и корреляции -- параметры уравнения регрессии, коэффициенты корреляции и детерминации могут быть искажены действием случайных факторов. Чтобы проверить, насколько эти показатели характерны для всей генеральной совокупности, не являются ли они результатом стечения случайных обстоятельств, необходимо проверить адекватность построенных статистических моделей.

При численности объектов анализа до 30 единиц возникает необходимость проверки значимости (существенности) каждого коэффициента регрессии. При этом выясняют, насколько вычисленные параметры характерны для отображения комплекса условий: не являются ли полученные значения параметров результатами действия случайных причин.

Значимость коэффициентов простой линейной регрессии (применительно к совокупностям, у которых n< 30) осуществляют с помощью t-критерия Стьюдента. При этом вычисляют расчетные (фактические) значения t- критерия:

для параметра a0

(9.4)



для параметра a1

(9.5)

где n - объем выборки;

- среднее квадратическое отклонение результативного признака y от выравненных значений ;

или - среднее квадратическое отклонение факторного признака x от общей средней.

Вычисленные по формулам (9.4) и (9.5) значения, сравнивают с критическими t, которые определяют по таблице Стьюдента с учетом принятого уровня значимости б и числом степеней свободы вариации н = n - 2. В социально-экономических исследованиях уровень значимости б обычно принимают равным 0,05. Параметр признается значимым (существенным) при условии, если tрасч > tтабл. В таком случае практически невероятно, что найденные значения параметров обусловлены только случайными совпадениями. Для проверки значимости коэффициентов регрессии исследуемого уравнения = 4,0 + 0,6х исчислим t-критерий Стьюдента с н = 10 -- 2 = 8 степенями свободы. Рассмотрим вспомогательную таблицу (табл. 9.2).



Таблица 9.2

Расчетные значения, необходимые для исчисления дост, дx

у-	(у-)2	-	(-)2	y-
-3,3	10,89	-2,7	7,29	-0,6	0,36
-2,3	5,29	-2,1	4,41	-0,2	0,04
-1,3	1,69	-1,5	2,25	0,2	0,04
-0,3	0,09	-0,9	0,81	0,6	0,36
-0,3	0,09	-0,3	0,09	0,0	0,0
0,7	0,49	0,3	0,09	0,4	0,16
0,7	0,49	0,9	0,81	-0,2	0,04
1,7	2,89	1,5	2,25	0,2	0,04
2,7	7,29	2,1	4,41	0,6	0,36
1,7	2,89	2,7	7,29	-1,0	1,0
Итого	32,10	--	29,70	--	2,40

Средние квадратические отклонения (см. табл. 9.1):

=2,87.

Расчетные значения t- критерия Стьюдента:

По таблице распределения Стьюдента для н= 8 находим критическое значение t-критерия: (tтабл= 3,307 при б = 0,05).

Поскольку расчетное значение tрасч>tтабл, оба параметра a0, a1 признаются значимыми (отклоняется гипотеза о том, что каждый из этих параметров в действительности равен нулю, и лишь в силу случайных обстоятельств оказался равным проверяемой величине).

Проверка адекватности регрессионной модели может быть дополнена корреляционным анализом. Для этого необходимо определить тесноту корреляционной связи между переменными х и у. Теснота корреляционной связи, как и любой другой, может быть измерена эмпирическим корреляционным отношением зэ, когда (межгрупповая дисперсия) характеризует отклонения групповых средних результативного признака от общей средней: зэ =.

Говоря о корреляционном отношении как о показателе измерения тесноты зависимости, следует отличать от эмпирического корреляционного отношения -- теоретическое.

Теоретическое корреляционное отношение з представляет собой относительную величину, получающуюся в результате сравнения среднего квадратического отклонения выровненных значений результативного признака д, т. е. рассчитанных по уравнению регрессии, со средним квадратическим отклонением эмпирических (фактических) значений результативного признака у:

зэ =.

Где ;

Тогда з= (9.6)

Изменение значения з объясняется влиянием факторного признака.

В основе расчета корреляционного отношения лежит правило сложения дисперсий (см. главу 5), т. е., где - отражает вариацию у за счет всех остальных факторов, кроме х, т. е. является остаточной дисперсией:

Тогда формула теоретического корреляционного отношения примет вид:

(9.7)

или (9.8)

Подкоренное выражение корреляционного отношения представляет собой коэффициент детерминации (меры определенности, причинности). Коэффициент детерминации показывает долю вариации результативного признака под влиянием вариации признака-фактора.

Теоретическое корреляционное отношение применяется для измерения тесноты связи при линейной и криволинейной зависимостях между результативным и факторным признаком. При криволинейных связях теоретическое корреляционное отношение, исчисляемое по формулам (9.7), (9.8), часто называют индексом корреляции R. При значительной корреляции расчет по формулам (9.7) и (9.8) значительно проще, так как отклонение (у-), как правило, по значению меньше, чем отклонение (-).

Как видно из формул (9.7) и (9.8), корреляционное отношение может находиться в пределах от 0 до 1, т. е. (0 ? з ? 1). Чем ближе корреляционное отношение к 1, тем связь между признаками теснее.

Проиллюстрируем расчет теоретического корреляционного отношения как меры тесноты связи на примере, рассмотренном в табл.9.1, для которого по уравнению прямой регрессии = 4 + 0,6x найдены значения дневной выработки каждого рабочего.

Теоретическое корреляционное отношение рассчитываем двумя способами (см. данные табл.9.2):

По формуле (9.6) =;

По формуле (9.8) =

Полученное значение теоретического корреляционного отношения свидетельствует о возможном наличии весьма тесной прямой зависимости между рассматриваемыми признаками.

Коэффициент детерминации равен 0,925. Отсюда заключаем, что 92,5% общей вариации выработки в изучаемой бригаде обусловлено вариацией фактора -- стажа работы рабочих (и только 7,5% общей вариации нельзя объяснить изменением стажа работы).

Кроме того, при линейной форме уравнения применяется другой показатель тесноты связи - линейный коэффициент корреляции:

(9.9)

где n-- число наблюдений.

Для практических вычислений при малом числе наблюдений, n ? (20 ч30), линейный коэффициент корреляции удобнее исчислять по следующей формуле:



. (9.10)

Значение линейного коэффициента корреляции важно для исследования социально-экономических явлений и процессов, распределение которых близко к нормальному. Он принимает значения в интервале: -1 ? r ? +1.

Отрицательные значения указывают на обратную связь, положительные -- на прямую. При r = 0 линейная связь отсутствует. Чем ближе коэффициент корреляции по абсолютной величине к единице, тем теснее связь между признаками. И, наконец, при r= ±1 связь -- функциональная.

Используем данные табл. 9.1 и рассчитаем линейный коэффициент корреляции по формуле (9.10):

Квадрат линейного коэффициента корреляции называется линейным коэффициентом детерминации. Из определения коэффициента детерминации очевидно, что его числовое значение всегда заключено в пределах от 0 до 1, т. е. 0 < < 1. Степень тесноты связи полностью соответствует теоретическому корреляционному отношению, которое является более универсальным показателем тесноты связи по сравнению с линейным коэффициентом корреляции.

Факт совпадений и несовпадений значений теоретического корреляционного отношения з и линейного коэффициента корреляции r используется для оценки формы связи.

Выше отмечалось, что посредством теоретического корреляционного отношения измеряется теснота связи любой формы, а с помощью линейного коэффициента корреляции - только прямолинейной. Следовательно, значения з и r совпадают только при наличии прямолинейной связи. Несовпадение этих значений свидетельствует, что связь между изучаемыми признаками не прямолинейная, а криволинейная. Установлено, что если разность квадратов и не превышает 0,1, то гипотезу о прямолинейной форме связи можно считать подтвержденной. В приведенном ранее примере совпадение значений з и r (з = r = 0,962) дает основание считать связь между выработкой рабочих и их стажем прямолинейной.

Показатели тесноты связи, исчисленные по данным сравнительно небольшой статистической совокупности, могут искажаться действием случайных причин. Это вызывает необходимость проверки их существенности, дающей возможность распространять выводы по результатам выборки на генеральную совокупность.

Для оценки значимости коэффициента корреляции r используют t-критерий Стьюдента, который применяется при t-распределении, отличном от нормального.

При линейной однофакторной связи t-критерий можно рассчитать по формуле:

(9.11)

где (n -2) -- число степеней свободы при заданном уровне значимости б и объеме выборки п.

Полученное значение tрасч сравнивают с табличным значением t-критерия (для б = 0,05 и 0,01). Если рассчитанное значение tрасч превосходит табличное значение критерия tтабл, то практически невероятно, что найденное значение обусловлено только случайными колебаниями (т. е. отклоняется гипотеза о его случайности).

Так, для коэффициента корреляции между выработкой и стажем работы получим:

Это значительно больше критического значения t для n -- 2 = 8 степеней свободы и б = 0,01 (tтабл = 3,356), что свидетельствует о значимости коэффициента корреляции и существенности связи между выработкой и стажем работы.

Таким образом, построенная регрессионная модель = 4 + 0,6x в целом адекватна, и выводы, полученные по результатам малой выборки, можно с достаточной вероятностью распространить на всю гипотетическую генеральную совокупность.

2.2.4 Экономическая интерпретация параметров регрессии

После проверки адекватности, установления точности и надежности построенной модели (уравнения регрессии) ее необходимо проанализировать. Прежде всего нужно проверить согласуются ли знаки параметров с теоретическими представлениями и соображениями о направлении влияния признака-фактора на результативный признак (показатель).

В рассмотренном уравнении =4+0,6x, характеризующем зависимость выработки за смену рабочим у от стажа работы х, параметр a1>0. Следовательно, с возрастанием стажа выработка, как и ожидалось, также увеличивается.

Из уравнения следует, что возрастание на 1 год стажа рабочего приводит к увеличению им дневной выработки в среднем на 0,6 изделия (величину параметра a1).

Для удобства интерпретации параметра a1используют коэффициент эластичности. Он показывает средние изменения результативного признака при изменении факторного признака на 1% и вычисляется по формуле, %:

(9.12)

В рассматриваемом примере Э = 0,6= 0,45 . Следовательно, с возрастанием стажа работы на 1 % следует ожидать повышения производительности труда в среднем на 0,45 %.

Этот вывод справедлив только для изучаемой совокупности рабочих при конкретных условиях работы.

Если данная совокупность и условия работы типичны, то коэффициент регрессии может быть использован для нормирования и планирования производительности труда рабочих этой профессии.

Имеет смысл вычислить остатки =у - , характеризующие отклонение i -х наблюдений от значений, которые следует ожидать в среднем.

Анализируя остатки, можно сделать ряд практических выводов. Значения остатков (см. табл.9.2) имеют как положительные, так и отрицательные отклонения от ожидаемого уровня анализируемого показателя. Экономический интерес представляют выработки рабочих, обозначенных номерами: 5; 1; 4; 8; 7, поскольку их выработки отличаются наибольшими отклонениями. Тем самым выявляются передовые рабочие -- номера: 1; 8; 7, обеспечивающие наибольшее повышение средней выработки (наибольшие положительные остатки) и отстающие, требующие особого внимания рабочие -- номера: 5, 4 (наибольшие отрицательные остатки). В итоге положительные отклонения выработки большинства рабочих уравновешиваются отрицательными отклонениями небольшого числа рабочих, т. е. ? = 0 .

2.2.5 Многофакторный корреляционный и регрессионный анализ

Как известно, явления общественной жизни складываются под воздействием не одного, а целого ряда факторов, т. е. эти явления многофакторны. Между факторами существуют сложные взаимосвязи, поэтому их влияние комплексное и его нельзя рассматривать как простую сумму изолированных влияний.

Многофакторный корреляционный и регрессионный анализ позволяет оценить меру влияния на исследуемый результативный показатель каждого из включенных в модель (уравнение) факторов при фиксированном положении (на среднем уровне) остальных факторов, а также при любых возможных сочетаниях факторов с определенной степенью точности найти теоретическое значение этого показателя (важным условием является отсутствие между факторами функциональной связи).

Математически задача формулируется следующим образом. Требуется найти аналитическое выражение, наилучшим образом отражающее установленную теоретическим анализом связь независимых признаков с результативным, т. е. функцию

В условиях использования ЭВМ выбор аппроксимирующей математической функции осуществляется перебором решений, наиболее часто применяемых в анализе корреляции уравнений регрессии.

После выбора типа аппроксимирующей функции приступают к многофакторному корреляционному и регрессионному анализу, задачей которого является построение уравнения множественной регрессии и нахождение его неизвестных параметров a0, a1,... ,an .

Параметры уравнения множественной регрессии, как и в случае I парной регрессии, находят по способу наименьших квадратов. Затем с помощью корреляционного анализа осуществляют проверку адекватности полученной модели. Адекватную модель экономически интерпретируют.

2.2.6 Построение и статистический анализ двухфакторной линейной модели (трехмерной регрессии)

Для расчета параметров простейшего уравнения множественной линейной двухфакторной регрессии

где -- расчетные значения зависимой переменной (результативного признака);

-- независимые переменные (факторные признаки);

a0, a1, a2-- параметры уравнения.

Построим следующую систему нормальных уравнений:

(9.13)

Параметры этой системы могут быть найдены, например, методом К. Гаусса.



2.2.7 Трехфакторные линейные регрессионные модели

В случае линейной трехфакторной связи уравнение регрессии имеет вид

Для расчета параметров по способу наименьших квадратов используют следующую систему нормальных уравнений:

(9.14)

Чтобы получить эту систему, необходимо иметь таблицу значений следующих показателей:

Для решения множественной регрессии с n-факторами
= a0+ a1x1+ a2 x2+... + an xn, система нормальных уравнений такова:

(9.15)



Вручную целесообразно выполнять построение и анализ только двух-, максимум трехфакторных моделей. Для n >3 все расчеты рекомендуется осуществлять на компьютерах по специальным программам, предусматривающим исчисление параметров уравнения и показателей, используемых для проверки его адекватности.

Многофакторный корреляционный и регрессионный анализ может быть использован в экономико-статистических исследованиях:

? для приближенной оценки фактического и заданного уровней;

? в качестве укрупненного норматива (для этого достаточно в уравнение регрессии подставить вместо фактических значений факторов их средние значения);

? для выявления резервов производства;

? для проведения межзаводского сравнительного анализа и выявления на его основе скрытых возможностей предприятий;

? для краткосрочного прогнозирования развития производства и др.

Построение и анализ трехмерной регрессионной модели рассмотрим на конкретном примере.

Пример 2. По выборочным данным, представленным в табл.9.3, о выработке деталей за смену 20 рабочими цеха требуется выявить зависимость производительности труда у от двух факторов: внутрисменных простоев x1 и квалификации рабочих x2.

Таблица 9.3

Стохастическая связь между производительностью труда, внутрисменными простоями и квалификацией рабочих

Порядковый номер рабочего	Внутрисменные простои, мин x1	Квалификация рабочего (тарифный разряд) x2	Дневная выработка рабочего, шт. y
1 2 3 ... 19 20	5 8 15 ... 20 14	3 4 5 ... 2 4	86 88 94 ... 77 92
Итого	220	80	1800
Средние значения	= 11	=4	= 90

Теоретический анализ исходных данных позволяет установить наличие причинно-следственной связи факторных признаков (внутрисменных простоев и квалификации рабочих) с результативным показателем - производительностью труда. Регрессионную двухфакторную модель построим в линейной форме и проверим ее адекватность.

Для нахождения параметров этого уравнения произведем вычисления вспомогательных величин, которые запишем в табл. 9.4.

Таблица 9.4

К расчету параметров и оценке линейной двухфакторной регрессионной модели

			yx1	yx2	x1x2
7396 7744 8836 ... 5929 8464	25 64 225 ... 400 196	9 16 25 ... 4 16	430 704 1410 ... 1540 1288	258 352 470 ... 154 368	15 32 45 ... 40 56	89,0 91,2 91,7 ... 79,6 88,7	-3,0 -3,2 2,3 ... -2,6 3,3	9,0 10,24 5,29 ... 6,76 10,89
162 640	2830	342	19 436	7298	822	1800	-	177,2

=8132; = 141,5; = 17,1; = 971,8; = 364,9; = 41,1;



Составим систему нормальных уравнений:

Решая данную систему методом К. Гаусса, получаем

a0 =81,03; a1 =-0,41; a2 =3,37.

Уравнение множественной регрессии, выражающее зависимость производительности труда у от внутренних простоев x1и квалификации рабочих x2, примет вид:

= 81,03 - 0,41 x1 + 3,37 x2.

Вычислим по нему и занесем полученные значения в табл.9.4.

После построения регрессионной модели необходимо исчислить различного рода характеристики тесноты связи между зависимой и независимой переменными: парные, частные и множественные коэффициенты корреляции, множественный коэффициент детерминации, а затем проверить адекватность данной модели.

статический моделирование корреляция регрессионный

2.2.8 Парные коэффициенты корреляции

Для измерения тесноты связи между двумя из рассматриваемых переменных (без учета их взаимодействия с другими переменными) применяются парные коэффициенты корреляции. Методика расчета таких коэффициентов и их интерпретация аналогичны методике расчета линейного коэффициента корреляции в случае однофакторной связи. Если известны средние квадратические отклонения анализируемых величин, то парные коэффициенты корреляции можно рассчитать проще по следующим формулам:

(9.16)

(9.17)

(9.18)

Предварительно исчислим средние квадратические отклонения:

Тогда парные коэффициенты корреляции будут равны:

2.2.9 Частные коэффициенты корреляции

Однако в реальных условиях все переменные, как правило, взаимосвязаны. Теснота этой связи определяется частными коэффициентами корреляции, которые характеризуют степень и влияние одного из аргументов на функцию при условии, что остальные независимые переменные закреплены на постоянном уровне. В зависимости от количества переменных, влияние которых исключается, частные коэффициенты корреляции могут быть различного порядка: при исключении влияния одной переменной получаем частный коэффициент корреляции первого порядка; при исключении влияния двух переменных -- второго порядка и т.д. Парный коэффициент корреляции между функцией и аргументом обычно не равен соответствующему частному коэффициенту.

Частный коэффициент корреляции первого порядка между признаками x1и у при исключении влияния признака x2 вычисляют по формуле:

(9.19)

то же - зависимость y от x2 при исключении влияния x1:

(9.20)

Можно рассчитать взаимосвязь факторных признаков при устранении влияния результативного признака:

(9.21)

где r - парные коэффициенты корреляции между соответствующими признаками.

Выполним расчет частных коэффициентов корреляции для нашего примера:

Итак, связь каждого фактора с изучаемым показателем при условии комплексного воздействия факторов слабее. Практически отсутствует связь между факторными признаками при элиминировании результативного показателя =-0,058. Это вполне понятно -- внутрисменные простои и квалификация рабочих никак не связаны между собой (если не принимать во внимание необходимость выполнения задания). Другое дело, если вопрос о выполнении задания: более квалифицированный рабочий допустит меньше внутрисменных простоев. Значение парного коэффициента корреляции, в этом случае = -0,609, подтверждает наличие довольно заметной обратной связи между этими факторами.

Изучение парных и частных коэффициентов корреляции позволяет отобрать наиболее существенные, значимые факторы.

На основе парных коэффициентов корреляции и средних квадратических отклонений можно легко рассчитать параметры уравнения линейной двухфакторной связи = a0+ a1x1+ a2 x2 по следующим формулам:



2.2.10 Совокупный коэффициент множественной корреляции

Показателем тесноты связи, устанавливаемой между результативными и двумя или более факторными признаками, является совокупный коэффициент множественной корреляции . В случае линейной двухфакторной связи совокупный коэффициент множественной корреляции может быть рассчитан по формуле:

(9.22)

где r -- линейные коэффициенты корреляции (парные); подстрочные индексы показывают, между какими признаками они исчисляются.

Совокупный коэффициент множественной корреляции измеряет одновременное влияние факторных признаков на результативный. Его значения находятся в пределах -1 до +1. Чем меньше наблюдаемые значения изучаемого показателя отклоняются от линии множественной регрессии, тем корреляционная связь является более интенсивной, а следовательно, значение R ближе к единице.

2.2.11 Совокупный коэффициент множественной детерминации

Совокупным коэффициентом множественной детерминации называется величина R2, которая показывает, какая доля вариации изучаемого показателя объясняется влиянием факторов, включенных в уравнение множественной регрессии. Значение совокупного коэффициента множественной детерминации находится в пределах от 0 до 1. Поэтому, чем ближе R2 к единице, тем вариация изучаемого показателя в большей мере характеризуется влиянием отобранных факторов.

Для выявления, в нашем примере, тесноты связи производительности труда с обоими факторами одновременно исчисляем совокупный коэффициент множественной корреляции:

Совокупный коэффициент множественной детерминации = 0,749 показывает, что вариация производительности труда на 74,9 % обусловливается двумя анализируемыми факторами. Значит, выбранные факторы существенно влияют на показатель производительности труда. Таким образом, изучаемая с помощью многофакторного корреляционного и регрессионного анализа стохастическая связь между исследуемыми показателями свидетельствует о целесообразности построения двухфакторной регрессионной модели производительности труда в виде линейного уравнения регрессии:

=81,03-0,41 x1+3,37х2.

2.2.12 Многошаговый регрессионный анализ

Однако показатели множественной регрессии и корреляции могут оказаться подверженными действию случайных факторов. Поэтому только после проверки адекватности уравнения оно может быть пригодно, например, для выявления резервов повышения производительности труда.

Общая оценка адекватности уравнения может быть получена с помощью дисперсионного F-критерия Фишера. Применение же в этих целях множественного коэффициента корреляции недопустимо ввиду того, что многофакторный регрессионный анализ оперирует случайными наблюдениями, но не обязательно распределенными по многомерному нормальному закону (этому закону должны подчиняться отклонения фактических значений функции от расчетных). Совокупный коэффициент множественной детерминации определяет только качество выравнивания по уравнению регрессии.

Проверку значимости уравнения регрессии производят на основе вычисления F-критерия Фишера:

(9.23)

где m- число параметров в уравнении регрессии.

Полученное значение -- критерия Fpacч сравнивают с критическим (табличным) для принятого уровня значимости 0,05 или 0,01 и чисел степеней свободы н1 = m -- 1 и н2 = n- m. Если оно окажется больше соответствующего табличного значения, то данное уравнение регрессии статистически значимо, т. е. доля вариации, обусловленная регрессией, намного превышает случайную ошибку.

Принято считать, что уравнение регрессии пригодно для практического использования в том случае, если Fpacч > Fтабл не менее чем в 4 раза.

Для оценки значимости коэффициентов регрессии при линейной зависимости у от x1 и x2 - (двух факторов) используют t-критерий Стьюдента при n-m-1 степенях свободы:

(9.24, a)



(9.24, б)

Существенность совокупного коэффициента корреляции определяют по формуле:

(9.25)

Значения оцениваемых a1, a2, берутся по модулю.

Если в уравнении все коэффициенты регрессии значимы, то данное уравнение признают окончательным и применяют в качестве модели изучаемого показателя для последующего анализа.

Оценку значимости коэффициентов регрессии с помощью t-критерия используют для завершения отбора существенных факторов в процессе многошагового регрессионного анализа. Он заключается в том, что после оценки значимости всех коэффициентов регрессии из модели исключают тот фактор, коэффициент при котором незначим и имеет наименьшее значение критерия. Затем уравнение регрессии строится без исключенного фактора, и снова проводится оценка адекватности уравнения и значимости коэффициентов регрессии. Такой процесс длится до тех пор, пока все коэффициенты регрессии не окажутся значимыми, что свидетельствует о наличии в регрессионной модели только существенных факторов. В некоторых случаях расчетное значение tрасч находится вблизи tтабл, поэтому с точки зрения содержательности модели такой фактор можно оставить для последующей проверки его значимости в сочетании с другим набором факторов.

Последовательный отсев несущественных факторов рассмотренным выше приемом (или последовательным включением новых факторов) составляет основу многошагового регрессионного анализа.

Проверим адекватность построенной двухфакторной модели производительности труда по F-критерию Фишера:

Табличное значение F-критерия при доверительной вероятности 0.95, т. е. (1-0,05) при н1 = т - 1 = 2 - 1 = 1; н2= n - т = 20 -2 = 18 составляет 4,41.

Поскольку Fpacч > Fтабл уравнение регрессии = 81,03-0,41 x1+3,37 x2 следует признать адекватным.

Значимость a1 , a2 и оценим t-критерием Стьюдента:

Табличное значение t-критерия при 5 %-ном уровне значимости и 17степенях свободы (n-m = 20--2--1 = 17) составляет 2,11. Так как соответствующие tрасч> tтабл, оба фактора a1, a2 и совокупный коэффициент корреляции следует признать значимыми (существенными).

Таким образом, построенная регрессионная модель производительности труда = 81,03 -0,41 x1+3,37 x2 пригодна для практического применения. Она может быть использована для выявления резервов повышения производительности труда.

2.2.13 Экономическая интерпретация многофакторной регрессионной модели

Анализ коэффициентов уравнения множественной регрессии: =81,03 -0,41 x1+3,37 x2 позволяет сделать вывод о степени влияния каждого из двух факторов на показатель производительности труда. Так, параметр a1 =-0,41 свидетельствует о том, что с увеличением продолжительности внутрисменных простоев на 1 мин следует ожидать снижения производительности труда (дневной выработки деталей одним рабочим) на 0,41 шт. (обратная связь). Повышение же квалификации рабочего на 1 разряд может привести к увеличению выработки на 3,37 детали. Отсюда можно сделать соответствующие практические выводы и осуществить мероприятия, направленные на повышение производительности труда.

Однако на основе коэффициентов регрессии нельзя сказать, какой из факторных признаков оказывает наибольшее влияние на результативный признак, так как коэффициенты регрессии между собой не сопоставимы, поскольку они измерены разными единицами. На их основе нельзя также установить, в развитии каких факторных признаков заложены наиболее крупные резервы изменения результативного показателя, потому что в коэффициентах регрессии не учтена вариация факторных признаков.