Справочник от Автор24
Поделись лекцией за скидку на Автор24

Теория статистики

  • 👀 356 просмотров
  • 📌 307 загрузок
Выбери формат для чтения
Загружаем конспект в формате doc
Это займет всего пару минут! А пока ты можешь прочитать работу в формате Word 👇
Конспект лекции по дисциплине «Теория статистики» doc
Содержание 1. Понятие о статистике 3 1.1. Предмет и метод статистики 3 1.2. Статистическое наблюдение 5 1.3. Сводка и группировка статистических данных 6 1.4. Формы представления статистических данных 7 1.5. Контрольные задания 9 2. Обобщающие статистические показатели 10 2.1. Абсолютные величины 10 2.2. Относительные величины 10 2.3. Средние величины 12 2.4. Контрольные задания 16 3. Вариационные ряды распределения 18 3.1. Построение ряда распределения 18 3.2. Расчет структурных характеристик ряда распределения 20 3.3. Расчет показателей размера и интенсивности вариации 22 3.4. Расчет моментов распределения и показателей его формы 24 3.5. Проверка соответствия ряда распределения нормальному 26 3.6. Проверка соответствия ряда распределения закону Пуассона 30 3.7. Контрольные задания 33 4. Статистическое изучение структуры совокупности 34 4.1. Абсолютные и относительные показатели изменения структуры 34 4.2. Ранговые показатели изменения структуры 37 4.3. Контрольные задания 39 5. Выборочное наблюдение 40 5.1. Понятие выборочного наблюдения 40 5.2. Способы формирования выборки 40 5.3. Средняя ошибка выборки 40 5.4. Предельная ошибка выборки 41 5.5. Необходимая численность выборки 42 5.6. Методические указания 42 5.7. Контрольные задания 43 6. Ряды динамики 44 6.1. Понятие о рядах динамики 44 6.2. Показатели изменения уровней ряда динамики 44 6.3. Средние показатели ряда динамики 46 6.4. Методы выявления основной тенденции (тренда) в рядах динамики 47 6.5. Оценка адекватности тренда и прогнозирование 51 6.6. Анализ сезонных колебаний 52 6.7. Методические указания 56 6.8. Контрольные задания 59 7. Статистическое изучение взаимосвязей 60 7.1. Понятие корреляционной зависимости 60 7.2. Методы выявления и оценки корреляционной связи 61 7.3. Коэффициенты корреляции рангов 72 7.4. Особенности коррелирования рядов динамики 74 7.5. Показатели тесноты связи между качественными признаками 75 7.6. Множественная корреляция 77 7.7. Контрольные задания 79 8. Индексы 80 8.1. Назначение и виды индексов 80 8.2. Индивидуальные индексы 80 8.3. Общие индексы 82 8.4. Индексы средних величин 85 8.5. Территориальные индексы 86 8.6. Контрольные задания 90 Список литературы 91 Приложения – статистические таблицы 92 Приложение 1. Значения интеграла Лапласа 92 Приложение 2. Значения t-критерия Стьюдента 93 Приложение 3. Значения χ2-критерия Пирсона 94 Приложение 4. Значения F-критерия Фишера 95 Приложение 5. Критические значения коэффициента автокорреляции 96 Приложение 6. Значения критерия Колмогорова P(λ) 96 1. Понятие о статистике 1.1. Предмет и метод статистики В научный обиход термин «статистика»1 ввел немецкий ученый Готфрид Ахенваль в 1746 году, предложив заменить название курса «Государствоведение», преподававшегося в университетах Германии, на «Статистику», положив тем самым начало развитию статистики как науки и учебной дисциплины. Несмотря на это, статистический учет велся намного раньше: проводились переписи населения в Древнем Китае, осуществлялось сравнение военного потенциала государств, велся учет имущества граждан в Древнем Риме и пр. У истоков статистической науки стояли 2 школы: немецкая описательная и английская школа политических арифметиков. Представители описательной школы (Герман Конринг, Готфрид Ахенваль, Август Людвиг Шленцер) своей задачей считали описание достопримечательностей государства: территории, населения, климата, политического устройства, вероисповедания, торговли и т.п. – без анализа закономерностей и связей между явлениями. Представители школы политических арифметиков (Уильям Петти, Джон Граунт, Эдмунд Галлей) своей главной задачей считали выявление на основе большого числа наблюдений различных закономерностей и взаимосвязей в изучаемых явлениях. Каждая школа развивалась своим путем, используя свои методы в исследованиях, но предмет изучения у них был общий – государство, общество и, в частности, массовые явления и процессы, происходящие в нем. Статистика сформировалась как наука в результате синтеза государствоведения и политической арифметики, причем от последней она взяла больше, поскольку статистика и в настоящее время призвана выявлять прежде всего различного рода закономерности в исследуемых явлениях. Однако представители этих двух школ не дошли до теоретического обобщения практики учетно-статистических работ, до создания теории статистики. Эта задача была решена позднее, в XIX веке бельгийским ученым Адольфом Кетле, который дал определение предмета статистики, раскрыл суть ее методов. Под влиянием идей Кетле возникло третье направление статистической науки – математико-статистическое, которое получило свое развитие в работах таких ученых как: англичане Фрэнсис Гальтон, Фрэнсис Эджворт, Карл Пирсон, Одни Дж. Юл, Вильям Госсет, Рональд Фишер, Морис Дж.Кендэл, итальянец Коррадо Джини, русские – Пафнутий Львович Чебышёв, Андрей Андреевич Марков, Александр Михайлович Ляпунов, Александр Иванович и Александр Александрович Чупров и пр. В настоящее время данный термин употребляется в 4 значениях: 1) наука, изучающая количественную сторону массовых явлений и процессов в неразрывной связи с их качественным содержанием – учебный предмет в высших и средних специальных учебных заведений; 2) совокупность цифровых сведений, характеризующих состояние массовых явлений и процессов общественной жизни; статистические данные, представляемые в отчетности предприятий, организаций, отраслей экономики, а также публикуемых в сборниках, справочниках, периодической печати и в сети Интернет, которые являются результатом статистической работы; 3) отрасль практической деятельности («статистический учет») по сбору, обработке, анализу и публикации массовых цифровых данных о самых различных явлениях и процессах общественной жизни2; 4) некий параметр ряда случайных величин, получаемый по определенному алгоритму из результатов наблюдений, например, статистические критерии (критические статистики), применяющиеся при проверке различных гипотез (предположительных утверждений) относительно природы или значений отдельных показателей исследуемых данных, особенностей их распределения и пр.3 Как и любая другая наука, статистика имеет свой предмет и метод исследования. Статистика изучает количественную сторону массовых общественных явлений в неразрывной связи с их качественной стороной или содержанием, а также исследует количественное выражение закономерностей общественного развития в конкретных условиях места и времени. Такое изучение основывается на системе категорий и понятий, отражающих наиболее общие и существенные свойства, признаки, связи и отношения предметов и явлений объективного мира. Рассмотрим основные понятия, используемые в статистике. 1. Статистическая совокупность – множество социально-экономических объектов или явлений общественной жизни, объединенных качественной основой, но отличающихся друг от друга отдельными признаками, т.е. однородных в одном отношении, но разнородных в другом. Таковы, например, совокупность домохозяйств, семей, предприятий, фирм и т.п. 2. Единица совокупности – первичный элемент статистической совокупности, являющийся носителем признаков и основой ведущегося при обследовании счета. 3. Признак единицы совокупности – свойства единицы совокупности, которые различаются способами их измерения и другими особенностями, что дает основание для их классификации 1. Таблица 1. Основная классификация признаков в статистике Параметр классификации Вид признака Пример признака По характеру выражения Описательные (атрибутивные) Цвет волос человека Количественные (числовые) Рост человека По способу измерения Первичные (объемные) Вес человека Вторичные (расчетные) Производительность труда По характеру вариации Альтернативные Пол человека Дискретные Возраст человека Интервальные Возраст группы людей По отношению ко времени Моментные Количество денег в кармане человека Периодные Заработная плата человека за месяц 4. Статистический показатель – понятие, отображающее количественные характеристики (размеры) или соотношения признаков общественных явлений. Статистические показатели можно подразделить на первичные (объемные) – характеризуют либо общее число единиц совокупности (объем совокупности), либо сумму значений какого-либо признака (объем признака) и выражаются абсолютными величинами и вторичные (расчетные) – задаются на единицу первичного показателя и выражаются относительными и средними величинами. Статистические показатели могут быть плановыми, отчетными и прогностическими. 5. Система статистических показателей – совокупность статистических показателей, отражающая взаимосвязи, которые объективно существуют между явлениями. Она охватывает все стороны общественной жизни как на макро-, так и на микроуровне. С изменением условий жизни общества меняются и системы статистических показателей, совершенствуется методология их расчета. Совокупность приемов, пользуясь которыми статистика исследует свой предмет, составляет метод статистики. Можно выделить 3 группы статистических методов (этапов статистического исследования): 1) статистическое наблюдение; 2) сводка и 3) научный анализ исследуемых явлений. Статистическое изучение тех или иных явлений предполагает как обязательное условие наличие информации, сведений об этих явлениях, поэтому первый этап, начало статистического исследования сводится к сбору необходимой информации. Научно организованный сбор сведений, заключающийся в регистрации тех или иных фактов, признаков, относящихся к каждой единице изучаемой совокупности, называется статистическим наблюдением. В результате статистического наблюдения образуется масса первичной информации (сведений) о каждой единице совокупности. Чтобы получить характеристику всей исследуемой совокупности в целом, первичные данные должны быть подвергнуты обработке, обобщению. Обработка собранных первичных данных, включающая их группировку, обощение и оформление в таблицах, составляет второй этап статистического исследования, который называется сводкой. На третьем этапе статистического исследования на основе итоговых данных сводки осуществляется научный анализ исследуемых явлений: рассчитываются различные обобщающие показатели в виде средних и относительных величин, выявляются определенные закономерности в распределениях, динамике показателей и т.п. Таким образом, любое законченное статистическое исследование проходит в 3 этапа, между которыми, разумеется, могут быть перерывы во времени. 1.2. Статистическое наблюдение Люди по-разному относятся к статистической информации: одни не воспринимают ее, другие безоговорочно верят, а третьи согласны с мнением английского политика Дизраэли: «Существует 3 типа лжи: ложь, наглая ложь и статистика»4, однако ему же принадлежит следующее утверждение: «В жизни, как правило, преуспевает больше тот, кто располагает лучшей информацией»5. Статистическое наблюдение является начальным этапом статистического исследования, поэтому от того, насколько полными и качественными окажутся собранные первичные данные, зависят в значительной степени и конечные результаты работы, и выводы исследователей. В статистической практике используются разные формы, виды и способы наблюдения. Различают 3 формы организации наблюдения: статистическая отчетность, специально организованные статистические обследования и регистры. 1. Статистическая отчетность – это особая форма организации сбора данных государственной статистикой о деятельности хозяйствующих субъектов, которые обязаны заполнять документы-бланки, называемые формами статистической отчетности. Форма статистической отчетности – это специальный документ-бланк, содержащий перечень определенных показателей, сведений, характеризующих ту или иную хозяйственую единицу и результаты ее деятельности, заполняемый на основе данных опертивного или бухгалтерского учета и представляемые в государственные статистические органы для дальнейшего обобщения. Перечень и содержание форм статистической отчетности утверждается органами государственной статистики и является обязательной для установленного круга предприятий и организаций. Каждая форма отчетности имеет шифр и название. В соответствии со сроками представления отчетность бывает суточная (ежедневная), недельная, месячная, квартальная, полугодовая и годовая. Все эти виды отчетности, кроме годовой, объединяют одним названием – текущая отчетность. Каждая форма отчетности должна прдставляться в установленные для нее сроки. 2. Круг являений общественной жизни настолько велик, что полный охват их отчетностью невозможен. Во всех случаях, когда необходимо получить сведения, по которым отсутствует отчетность, когда требуется уточнить или дополнить данные той или иной отчетности либо провести разовое детальное, всестороннее обследование каких-либо объектов, применяют специально организованные статистические наблюдения, проводимые в виде переписей или специальных обследований (выборочных или сплошных). Такие обследования используются как органами статистики, так и отдельными хозяйствующими субъектами. 3. Наблюдение через регистры – сравнительно новая форма организации статистического наблюдения, основанная на применении компьютерных технологий. Регистр – это поименованный и постоянно уточняемый перечень тех или иных единиц наблюдения, созданный для непрерывного длительного статистического наблюдения за определенной совокупностью, в котором содержится информация о каждой единице совокупности (например, ЕГРПО – Единый государственный регистр предприятий и организаций). Необходимо отметить, что все 3 организационные формы статистического наблюдения не противостоят, а дополняют друг друга, позволяя более глубоко, всесторонне изучать отдельные явления и процессы общественной жизни. По времени регистрации фактов различают текущее (непрерывное) и прерывное наблюдение. Последнее, в свою очередь, подразделяется на единовременное и периодическое. По охвату единиц наблюдения различают сплошное, когда наблюдению подлежат все единицы изучаемой совокупности, и несплошное. Несплошное наблюдение подразделяется на следующие виды: 1) наблюдение основного массива (исключаются из наблюдения малозначимые единицы); 2) анкетное (добровольное заполнение анкет приводит к несплошному виду наблюдения); 3) выборочное (случайный отбор единиц из изучаемой совокупности); 4) монографическое (детальное изучение какой-то одной единицы совокупности). По источникам собираемых сведений различают следующие способы наблюдения: 1) непосредственное (осмотр, измерение, взвешивание); 2) документальное (на основе отчетности); 3) опрос (сведения регистрируются со слов опрашиваемой единицы наблюдения). Способы опроса: экспидиционный, саморегистрация, корреспондентский и явочный. Любое статистическое исследование необходимо начинать с точной формулировки его цели и конкретных задач, а следовательно и тех сведений, которые могут быть получены в процессе наблюдения. После этого определяется объект и единица наблюдения, разрабатывается программа, выбирается вид и способ наблюдения. Объект наблюдения – совокупность социально-экономических явлений и процессов, которые подлежат исследованию, или точные границы, в пределах которых будут регистрироваться статистические сведения. В ряде случаев пользуются цензом. Ценз – ограничительный признак, которому должны удовлетворять все единицы изучаемой совокупности. Единицей наблюдения называется составная часть объекта исследования, которая служит основой счета и обладает признаками, подлежащими регистрации при наблюдении. Программа наблюдения – перечень вопросов, по которым собираются сведения, либо перечень признаков или показателей, подлежащих регистрации. Она оформляется в виде бланка (анкеты, формуляра), в который заносятся первичные сведения. К нему прилагается инструкция (или указания на самих формулярах), разъясняющая смысл вопросов. Организационные вопросы статистического наблюдения связаны с определением субъекта, места, времени, формы и способа наблюдения. Субъект наблюдения – орган, осуществляющий наблюдение. Время наблюдения – период, в течение которого будет проводиться наблюдение (срок наблюдения), либо время, к которому относятся регистрируемые сведения (критический момент наблюдения). 1.3. Сводка и группировка статистических данных Сводка – научно организованная обработка материалов наблюдения (по заранее разработанной программе), включающая в себя кроме обязательного контроля собранных данных, систематизацию, группировку материалов, составление таблиц, получение итогов по группам и в целом. Программа сводки включает определение групп и подгрупп, системы показателей и видов таблиц. По технике и способу выполнения сводка может быть ручной либо механизированной. Группировка – разбиение совокупности на группы, однородные по какому-либо признаку или объединение отдельных единиц совокупности в группы, однородные по каким-либо признакам. Устойчивое разграничение объектов называется классификацией или стандартом, в котором каждая атрибутивная запись может быть отнесена лишь к одной группе или подгруппе. Метод группировки основывается на двух категориях – группировочном признаке и интервале. Группировочный признак – признак, по которому происходит объединение отдельных единиц совокупности в однородные группы. Он может носить как количественный, так и качественный характер. В ряде случаев группировка, которая представляется чисто качественной, в конечном итоге оказывается основанной на количественном признаке. Такова, например, классификация промышленных предприятий по отраслям. Поскольку одно и то же предприятие выпускает продукцию разных видов, статистика решает этот вопрос по количественному преобладанию того или иного вида. Интервал очерчивает количественные границы групп и представляет собой промежуток между максимальным и минимальным значениями признака в группе. Интервалы бывают равные, неравные, закрытые (когда имеется верхняя и нижняя граница) и открытые (когда одна из границ отсутствует). Статистические группировки и классификации преследуют цели выделения качественно однородных совокупностей, изучения структуры совокупности, исследования взаимосвязи факторных и результативных признаков. Каждой из этих целей соответствует особый вид группировки: типологическая, структурная и аналитическая. В зависимости от числа положенных в основание группировки признаков различают простые и многомерные группировки. Простая группировка выполняется по одному признаку. Среди простых группировок особо выделяются ряды распределения. Ряд распределения – группировка, в которой для характеристики групп, упорядоченно расположенных по значению признака применяется один показатель – численность группы (более подробно об этом – тема 3 и 4). Многомерная группировка производится по двум и более признакам. Частным случаем многомерной группировки является комбинационная группировка, базирующаяся на двух и более признаках, взятых во взаимосвязи. По отношениям между признаками выделяют: иерархические группировки, выполняемые по двум и более признакам, при этом значения второго признака определяются областью значений первого (например, классификация отраслей промышленности по подотраслям); неиерархические группировки, когда строгой зависимости значений второго признака от первого не существует. По очередности обработки информации группировки бывают первичными, составленные на основе первичных данных, и вторичные, являющиеся результатом перегруппировки ранее уже сгруппированного материала. В соответствии со временным критерием различают статические группировки, дающие характеристику совокупности на определенный момент или за определенный период, и динамические, показывающие переходы единиц из одних групп в другие. 1.4. Формы представления статистических данных Статистические данные должны быть представлены так, чтобы ими можно было пользоваться. Существует 3 основных формы представления статистических данных: 1) текстовая – включение данных в текст; 2) табличная – представление данных в таблицах; 3) графическая – выражение данных в виде графиков. Текстовая форма применяется при малом количестве цифровых данных. Табличная форма применяется чаще всего, так как является более эффективной формой представления статистических данных. В отличие от математических таблиц, которые по начальным условиям позволяют получить тот или иной результат, статистические таблицы рассказывают языком цифр об изучаемых объектах. Статистическая таблица – это система строк и столбцов, в которых в определенной последовательности и связи излагается статистическая информация о социально-экономических явлениях. Таблица 2. Внешняя торговля РФ за 2000 – 2006 годы, млрд.долл. Показатель 2000 2001 2002 2003 2004 2005 2006 Внешнеторговый оборот 149,9 155,6 168,3 212 280,6 368,9 468,4 Экспорт 105 101,9 107,3 135,9 183,2 243,6 304,5 Импорт 44,9 53,8 61 76,1 97,4 125,3 163,9 Сальдо торгового баланса 60,1 48,1 46,3 59,9 85,8 118,3 140,7            в том числе:                  со странами дальнего зарубежья                     экспорт 90,8 86,6 90,9 114,6 153 210,1 261,1       импорт 31,4 40,7 48,8 61 77,5 103,5 138,6       сальдо торгового баланса 59,3 45,9 42,1 53,6 75,5 106,6 122,5 Например, в табл. 2 представлена информация о внешней торговле России, выражать которую в текстовой форме было бы неэффективным. Различают подлежащее и сказуемое статистической таблицы. В подлежащем указывается характеризуемый объект – либо единицы совокупности, либо группы единиц, либо совокупность в целом. В сказуемом дается характеристика подлежащего, обычно в числовой форме. Обязателен заголовок таблицы, в котором указывается к какой категории и к какому времени относятся данные таблицы. По характеру подлежащего статистические таблицы подразделяются на простые, групповые и комбинационные. В подлежащем простой таблицы объект изучения не подразделяется на группы, а дается либо перечень всех единиц совокупности, либо указывается совокупность в целом (например, табл. 11). В подлежащем групповой таблицы объект изучения подразделяется на группы по одному признаку, а в сказуемом указываются число единиц в группах (абсолютное или в процентах) и сводные показатели по группам (например, табл. 4). В подлежащем комбинационной таблицы совокупность подразделяется на группы не по одному, а по нескольким признакам (например, табл. 2). При построении таблиц необходимо руководствоваться следующими общими правилами. 1. Подлежащее таблицы располагается в левой (реже – верхней) части, а сказуемое – в правой (реже – нижней). 2. Заголовки столбцов содержат названия показателей и их единицы измерения. 3. Итоговая строка завершает таблицу и располагается в ее конце, но иногда бывает первой: в этом случае во второй строке делается запись «в том числе», и последующие строки содержат составляющие итоговой строки. 4. Цифровые данные записываются с одной и той же степенью точности в пределах каждого столбца, при этом разряды чисел располагаются под разрядами, а целая часть отделяется от дробной запятой. 5. В таблице не должно быть пустых клеток: если данные равны нулю, то ставится знак «–» (прочерк); если данные не известны, то делается запись «сведений нет» или ставится знак «…» (троеточие). Если значение показателя не равно нулю, но первая значащая цифра появляется после принятой степени точности, то делается запись 0,0 (если, скажем, была принята степень точности 0,1). Иногда статистические таблицы дополняются графиками, когда ставится цель подчеркнуть какую-то особенность данных, провести их сравнение. Графическая форма является самой эффективной формой представления данных с точки зрения их восприятия. С помощью графиков достигается наглядность характеристики структуры, динамики, взаимосвязи явлений, их сравнения. Статистические графики – это условные изображения числовых величин и их соотношений посредством линий, геометрических фигур, рисунков или географических карт-схем. Графическая форма облегчает рассмотрение статистических данных, делает их наглядными, выразительными, обозримыми. Однако графики имеют определенные ограничения: прежде всего, график не может включить столько данных, сколько может войти в таблицу; кроме того, на графике показываются всегда округленные данные – не точные, а приблизительные. Таким образом, график используется только для изображения общей ситуации, а не деталей. Последний недостаток – трудоемкость построения графиков. Он может быть преодолен использованием персонального компьютера (например, «Мастером диаграмм» из пакета Microsoft Office Excel). По способу построения графики делятся на диаграммы, картограммы и картодиаграммы. Наиболее распространенным способом графического изображения данных являются диаграммы, которые бывают следующих видов: линейные, радиальные, точечные, плоскостные, объемные, фигурные. Вид диаграмм зависит от вида представляемых данных и задачи построения. В любом случае график обязательно сопровождается заголовком – над или под полем графика. В заголовке указывается, какой показатель изображен, по какой территории и за какое время. Линейные графики используются для представления количественных переменных: характеристики вариации их значений, динамики, взаимосвязи между переменными. Вариация данных анализируется с помощью полигона распределения, кумуляты (кривой «меньше, чем») и огивы (кривой «больше, чем»). Полигон распределения рассматривается в теме 4 (напр., рис. 5.). Для построения кумуляты значения варьирующего признака откладываются по оси абсцисс, а на оси ординат помещаются накопленные итоги частот или частостей (от f1 до ∑f). Для построения огивы на оси ординат помещаются накопленные итоги частот в обратном порядке (от ∑f до f1). Кумуляту и огиву по данным табл. 4. изобразим на рис. 1. Рис. 1. Кумулята и огива распределения товаров по величине таможенной стоимости Применение линейных графиков в анализе динамики рассматривается в теме 5 (напр., рис. 13), а использование их для анализа связей – в теме 6 (напр., рис.21). В теме 6 также рассмотрено использование точечных диаграмм (напр., рис. 20). Линейные графики подразделяются на одномерные, используемые для представления данных по одной переменной, и двумерные – по двум переменным. Примером одномерного линейного графика является полигон распределения, а двумерного – линия регрессии (напр., рис. 21). Иногда при больших изменениях показателя прибегают к логарифмической шкале. Например, если значения показателя изменяются от 1 до 1000, то это может вызвать затруднения при построении графика. В таких случаях переходят к логарифмам значений показателя, которые не будут столь сильно различаться: lg 1 = 0, lg 1000 = 3. Среди плоскостных диаграмм по частоте использования выделяются столбиковые диаграммы (гистограммы), на которых показатель представляется в виде столбика, высота которого соответствует значению показателя (напр., рис. 4). Пропорциональность площади той или иной геометрической фигуры величине показателя лежит в основе других видов плоскостных диаграмм: треугольных, квадратных, прямоугольных. Можно использовать и сравнение площадей круга – в этом случае задается радиус окружности. Ленточная диаграмма представляет показатели в виде горизонтально вытянутых прямоугольников, а в остальном не отличается от столбиковой диаграммы. Из плоскостных диаграмм часто используется секторная диаграмма, которая применяется для иллюстрации структуры изучаемой совокупности. Вся совокупность принимается за 100%, ей соответствует общая площадь круга, площади секторов соответствуют частям совокупности. Построим секторную диаграмму структуры внешней торговли РФ в 2006 году по данным табл. 2 (см. рис. 2). При использовании компьютерных программ секторные диаграммы строятся в объемном виде, то есть не в двух, а в трех плоскостях (см. рис. 3). Рис. 2. Простая секторная диаграмма Рис. 3. Объемная секторная диаграмма Фигурные (картинные) диаграммы усиливают наглядность изображения, так как включают рисунок изображаемого показателя, размер которого соответствует размеру показателя. При построении графика одинаково важно все – правильный выбор графического изображения, пропорций, соблюдение правил оформления графиков. Подробнее эти вопросы освещаются в [8] и [5]. Картограммы и картодиаграммы применяются для изображения географической характеристики изучаемых явлений. Они показывают размещение изучаемого явления, его интенсивность на определенной территории – в республике, области, экономическом или административном округе и т.д.. Построение картограмм и картодиаграмм рассматривается в специальной литературе, например [3]. 1.5. Контрольные задания Выбрать какой-либо реальный объект наблюдения (например, студентов курса, факультета, преподавателей, родственников, друзей и т.п.). Спроектировать процесс наблюдения: сформулировать цель наблюдения; определить состав признаков, подлежащих регистрации; выбрать вид наблюдения; разработать инструментарий наблюдения. Провести спроектированное наблюдение, т.е. собрать сведения об объекте наблюдения, оформить результаты наблюдения и сдать преподавателю на проверку. 2. Обобщающие статистические показатели 2.1. Абсолютные величины Для характеристики массовых явлений статистика использует статистические величины (показатели), которые характеризуют группы единиц или совокупность (явление) в целом. Статистические величины (показатели) подразделяются на абсолютные, относительные и средние. Результаты статистических наблюдений представляют собой абсолютные величины, отражающие уровень развития какого-либо явления или процесса (например, величина экспорта/импорта i-го товара в j-ю страну). Абсолютные величины обозначаются X, а их общее количество в статистической совокупности N. Абсолютные величины всегда имеют свою единицу измерения (размерность), присущую изучаемому явлению. Широко распространены следующие виды единиц измерения: 1) натуральные, подразделяющиеся на простые (например, штуки, тонны, метры) и сложные (составные), представляющие собой комбинацию двух разноименных величин (например, киловатт-час); 2) условно-натуральные (например, алкогольные напитки учитываются в дкл 100% спирта, а различные виды топлива соизмеряют по условному топливу с теплотворной способностью 7000 ккал/кг или 29,3 МДж/кг6.); 3) стоимостные, позволяющие соизмерить в денежной форме товары, которые нельзя соизмерить в натуральной форме (доллары США, рубли и т.д.). Количество единиц с одинаковым значением признака обозначается f и называется частота7. Очевидно, что суммируя число всех единиц с одинаковыми значениями признака8, получаем N, то есть (2): . (2) Анализируя абсолютные величины, например, статистические данные о торговле, необходимо сопоставлять эти данные во времени и пространстве, исследовать закономерности их изменения и развития, изучать структуру совокупностей. С помощью абсолютных величин эти задачи не выполнимы, в этом случае необходимо использовать относительные величины. 2.2. Относительные величины Относительная величина – это результат деления (сравнения) двух абсолютных величин. В числителе дроби стоит величина, которую сравнивают, а в знаменателе – величина, с которой сравнивают (база сравнения). Например, если сопоставить величины экспорта США и России, которые в 2005 году составили 904,383 и 243,569 млрд. долл. соответственно, то относительная величина покажет, что величина экспорта США в 3,71 раза (904,383/243,569) больше экспорта России, при этом базой сравнения является величина экспорта России. Полученная относительная величина выражена в виде коэффициента, который показывает, во сколько раз сравниваемая абсолютная величина больше базисной. В данном примере база сравнения принята за единицу. В случае если основание принимается за 100, относительная величина выражается в процентах (%), если за 1000 – в промилле (‰). Выбор той или иной формы относительной величины зависит от ее абсолютного значения: • если сравниваемая величина больше базы сравнения в 2 раза и более, то выбирают форму коэффициента (как в вышеприведенном примере); • если относительная величина близка к единице, то, как правило, ее выражают в процентах (например, сравнив величины экспорта России в 2006 и 2005 годах, которые составили 304,5 и 243,6 млрд. долл. соответственно, можно сказать, что экспорт в 2006 году составляет 125% от 2005 года [304,5/243,6*100%]); • если относительная величина значительно меньше единицы (близка к нулю), ее выражают в промилле (например, в 2004 году Россия экспортировала в страны-СНГ всего 4142 тыс. т нефтепродуктов, в том числе в Грузию 10,7 тыс. т, что составляет 0,0026 [10,7/4142], или 2,6‰ от всего экспорта нефтепродуктов в страны СНГ). Различают относительные величины динамики, структуры, координации, сравнения и интенсивности, для краткости именуемые в дальнейшем индексами. Индекс динамики9 характеризует изменение какого-либо явления во времени. Он представляет собой отношение значений одной и той же абсолютной величины в разные периоды времени. Данный индекс определяется по формуле (2): , (2) где цифры означают: 1 – отчетный или анализируемый период, 0 – прошлый или базисный период. Критериальным значением индекса динамики служит единица (или 100%), то есть если >1, то имеет место рост (увеличение) явления во времени; если =1 – стабильность; если <1 – наблюдается спад (уменьшение) явления. Еще одно название индекса динамики – индекс изменения, вычитая из которого единицу (100%), получают темп изменения (динамики)10 с критериальным значением 0, который определяется по формуле (2): . (2) Если T>0, то имеет место рост явления; Т=0 – стабильность, Т<0 – спад. В рассмотренном выше примере про экспорт России в 2006 и 2005 году был рассчитан именно индекс динамики по формуле (2): iД = 304,5/243,6*100% = 125%, что больше критериального значения 100%, что свидетельствует об увеличении экспорта. Используя формулу (2) получим темп изменения: Т = 125% – 100% = 25%, который показывает, что экспорт увеличился на 25%. Разновидностями индекса динамики являются индексы планового задания и выполнения плана, рассчитываемые для планирования различных величин и контроля их выполнения. Индекс планового задания – это отношение планового значения признака к базисному. Он определяется по формуле (2): , (2) где X’1 – планируемое значение; X0 – базисное значение признака. Например, таможенное управление перечислило в федеральный бюджет в 2006 году 160 млрд.руб., а на следующий год запланировали перечислить 200 млрд.руб., значит по формуле (2): iпз = 200/160 = 1,25, то есть плановое задание для таможенного управления на 2007 год составляет 125% от предыдущего года. Для определения процента выполнения плана необходимо рассчитать индекс выполнения плана, то есть отношение наблюдаемого значения признака к плановому (оптимальному, максимально возможному) значению по формуле (2): . (2) Например, на январь-ноябрь 2006 года таможенные органы запланировали перечислить в федеральный бюджет 1,955 трлн. руб., но фактически перечислили 2,59 трлн. руб., значит по формуле (2): iВП = 2,59/1,955 = 1,325, или 132,5%, то есть плановое задание выполнили на 132,5%. Индекс структуры (доля) – это отношение какой-либо части объекта (совокупности) ко всему объекту. Он определяется по формуле (2): (2) В рассмотренном выше примере про экспорт нефтепродуктов в страны СНГ, была рассчитана доля этого экспорта в Грузию по формуле (2): d=10,7/4142 = 0,0026, или 2,6‰. Индекс координации – это отношение какой-либо части объекта к другой его части, принятой за основу (базу сравнения). Он определяется по формуле (2): . (2) Например, импорт России в 2006 году составил 163,9 млрд.долл., тогда, сравнив его с экспортом (база сравнения), рассчитаем индекс координации по формуле (2): iК  = 163,9/304,5 = 0,538, который показывает соотношение между двумя составными частями внешнеторгового оборота, то есть величина импорта России в 2006 году составляет 53,8% от величины экспорта. Меняя базу сравнения на импорт, по той же формуле получим: iК  = 304,5/163,9 = 1,858, то есть экспорт России в 2006 году в 1,858 раза больше импорта, или экспорт составляет 185,8% от импорта. Индекс сравнения – это сравнение (соотношение) разных объектов по одинаковым признакам. Он определяется по формуле (2): , (2) где А, Б – сравниваемые объекты. В рассмотренном выше примере, в котором сопоставлялись величины экспорта США и России, был рассчитан именно индекс сравнения по формуле (2): iс = 904,383/243,569 = 3,71. Меняя базу сравнения (то есть экспорт России – объект А, а экспорт США – объект Б), по той же формуле получим: iс = 243,569/904,383 = 0,27, то есть экспорт России составляет 27% от экспорта США. Индекс интенсивности – это соотношение разных признаков одного объекта между собой. Он определяется по формуле (2): . (2) где X – один признак объекта; Y – другой признак этого же объекта Например, показатели выработки продукции в единицу рабочего времени, затрат на единицу продукции, цены единицы продукции и т.д. 2.3. Средние величины Как уже неоднократно было сказано ранее, статистика изучает массовые явления и процессы. Каждое из таких явлений обладает как общими для всей совокупности, так и особенными, индивидуальными свойствами. Различие между индивидуальными явлениями называют вариацией, о ней подробно будет рассказано в теме 3. Здесь же рассмотрим другое свойство массовых явлений – присущую им близость характеристик отдельных явлений. В этом свойстве заключается причина широчайшего применения средних величин. Главное значение средних величин состоит в их обобщающей функции, то есть замене множества различных индивидуальных значений признака средней величиной, характеризующей всю совокупность явлений. Виды средних величин различаются прежде всего тем, какое свойство, какой параметр исходной варьирующей массы индивидуальных значений признака должен быть сохранен неизменным. Средней арифметической величиной называется такое среднее значение признака, при вычислении которого общий объем признака в совокупности сохраняется неизменным. Иначе можно сказать, что средняя арифметическая величина – среднее слагаемое. При ее вычислении общий объем признака мысленно распределяется поровну между всеми единицами совокупности. Исходя из определения, формула средней арифметической величины имеет вид (2): . (2) По формуле (2) вычисляются средние величины первичных признаков, если известны индивидуальные значения признака. Если изучаемая совокупность велика, исходная информация чаще представляет собой ряд распределения или группировку, как, например, табл. 3. Таблица 3. Распределение студентов группы дневного отделения по возрасту Возраст студентов, X 17 18 19 20 21 Число студентов, f 3 5 7 4 2 Средний возраст должен представлять собой результат равномерного распределения общего (суммарного) возраста всех студентов. Общий (суммарный) возраст всех студентов, согласно исходной информации табл. 3, можно получить как сумму произведений значений признака в каждой группе Xi, на число студентов с таким возрастом fi (частоты). Получим формулу (2): , (2) где i – число групп. Такую форму средней арифметической величины называют взвешенной арифметической средней11 в отличие от простой средней, рассчитанной по формуле (2). В качестве весов здесь выступают количество единиц совокупности в разных группах. Название «вес» выражает тот факт, что разные значения признака имеют неодинаковую «важность» при расчете средней величины. «Важнее», весомее возраст студентов 18, 19, 20 лет, а такие значения возраста как 17, 20 или 21 при расчете средней не играют большой роли – их «вес» мал. По формуле (2) по данным табл. 3 имеем: = 18,857 (лет). Как видим, средняя арифметическая величина может быть дробным числом, если даже индивидуальные значения признака могут принимать только целые значения. Ничего необычного для метода средних в этом не заключено, так как из сущности средней не следует, что она обязана быть реальным значением признака, которое могло бы встретиться у какой-либо единицы совокупности. Если при группировке значения осредняемого признака заданы интервалами, то при расчете средней арифметической величины в качестве значения признака в группах принимают середины этих интервалов, то есть исходят из предположения о равномерном распределении единиц совокупности по интервалу значений признака. Для открытых интервалов в первой и последней группе, если таковые есть, значения признака надо определить экспертным путем исходя из сущности, свойств признака и совокупности. При отсутствии возможности экспертной оценки значения признака в открытых интервалах, для нахождения недостающей границы открытого интервала применяют размах (разность между значениями конца и начала интервала) соседнего интервала (принцип «соседа»). Например, по данным табл. 4 можно минимальную и максимальную величину веса студентов определить затруднительно, поэтому воспользуемся принципом «соседа» – применим размах соседнего интервала, который у второго и предпоследнего составляет 10 кг, значит первый интервал будет от 50 до 60 кг, а последний – от 80 до 90 кг. Середины интервалов определяем как полусумму нижней и верхней границы интервалов. Таблица 4. Распределение студентов по весу Группы студентов по весу, кг Количество студентов, чел. Середина интервала Xi’ Xi’fi До 60 6 55 330 60 – 70 8 65 520 70 – 80 5 75 375 Более 80 2 85 170 Итого 21 66,429 1395 Средний вес студентов, рассчитанный по формуле (2) с заменой точных значений признака в группах серединами интервалов, составил: кг, что и записано в итоговую строку в 3-м столбце табл. 4. Следует обратить внимание, что итог объемного показателя – это сумма, а итог по столбцам относительных показателей или средних групповых величин – средняя. Средняя арифметическая величина обладает свойствами, знание которых полезно как при ее использовании, так и при ее расчете. 1. Сумма отклонений индивидуальных значений признака от его среднего значения равна нулю. Доказательство12: 2. Если каждое индивидуальное значение признака умножить или разделить на постоянное число, то и средняя увеличится или уменьшится во столько же раз. Доказательство: Вследствие этого свойства индивидуальные значения признака можно сократить в c раз, произвести расчет средней и результат умножить на c. 3. Если к каждому индивидуальному значению признака прибавить или из каждого значения вычесть постоянное число, то средняя величина возрастет или уменьшится на это же число. Доказательство: Это свойство полезно использовать при расчете средней величины из многозначных и слабоварьирующих значений признака аналогично предыдущему свойству. 4. Если веса средней взвешенной умножить или разделить на постоянное число, средняя величина не изменится. Доказательство: Используя это свойство, при расчетах следует сокращать веса на их общий сомножитель либо выражать многозначные числа весов в более крупных единицах измерениях. 5. Сумма квадратов отклонений индивидуальных значений признака от средней арифметической меньше, чем от любого другого числа. Доказательство: составим сумму квадратов отклонений от переменной a: , чтобы найти экстремум этой функции, найдем ее производную по a и приравняем ее нулю, т.е. , отсюда получаем ; ; ; . Таким образом, экстремум суммы квадратов отклонений достигает максимума при a=. Так как логически ясно, что максимума функция иметь не может, этот экстремум является минимумом. Если при замене индивидуальных величин признака на среднюю величину необходимо сохранить неизменную сумму квадратов исходных величин, то средняя будет являться квадратической средней величиной. Ее формула следующая: . (2) Главной сферой применения квадратической средней в силу пятого свойства средней арифметической величины является измерение вариации признака в совокупности. Аналогично, если по условиям задачи необходимо сохранить неизменной сумму кубов индивидуальных значений признака при их замене на среднюю величину, мы приходим к средней кубической величине, имеющей вид: . (2) Если при замене индивидуальных величин признака на среднюю величину необходимо сохранить неизменным произведение индивидуальных величин, то следует применить геометрическую среднюю величину, имеющую следующий вид: . (2) Основное применение средняя геометрическая находит при определении средних относительных изменений, о чем сказано в теме 6. Геометрическая средняя величина дает наиболее точный результат осреднения, если задача стоит в нахождении такого значения признака, который качественно был бы равноудален как от максимального, так и от минимального значения признака. Когда статистическая информация не содержит частот f по отдельным вариантам Xi совокупности, а представлена как их произведение Xf, тогда применяется формула средней гармонической взвешенной, для получения которой обозначим Xf=w, откуда f=w/X, и, подставив эти обозначения в формулу (2), получим формулу (2): . (2) Таким образом, средняя гармоническая взвешенная применяется тогда, когда неизвестны действительные веса f, а известно w=Xf. В тех случаях, когда вес каждого варианта w=1, то есть индивидуальные значения X встречаются по 1 разу, применяется формула средней гармонической простой (2): . (2) Все рассмотренные выше виды средних величин принадлежат к общему типу степенных средних, имеющему следующий вид: =. (2) При m = 1 получаем среднюю арифметическую; при m = 2 – среднюю квадратическую; при m = 3 – среднюю кубическую; при m = 0 – среднюю геометрическую; при m = –1 – среднюю гармоническую. Чем выше показатель степени m, тем больше значение средней величины (если индивидуальные значения признака варьируют). В итоге, можно построить следующее соотношение, которое называется правилом мажорантности средних: ≤ ≤ ≤ ≤ . (2) 2.4. Контрольные задания Вариант 1. По данным об урожайности двух фермерских хозяйств, представленным в таблице 5, рассчитать среднюю урожайность и сравнить эти хозяйства по этой урожайности. Таблица 5. Данные об урожайности двух фермерских хозяйств Зерновая культура Фермерское хозяйство №1 Фермерское хозяйство №2 Урожайность, ц/га Посевная площадь, га Урожайность, ц/га Валовый сбор, ц Пшено 16 100 18 1400 Рожь 20 250 19 5500 Ячмень 25 300 24 8000 Просо 22 200 23 4500 Вариант 2. В 2005 году импорт России составил 98,7 млрд.долл., а экспорт – 241 млрд.долл., а в 2006 году – 137 и 302 млрд.долл. соответственно. Рассчитать всевозможные индексы, построить диаграммы и сделать выводы. Вариант 3. По условным данным табл. 6 рассчитать среднюю экспортную цену товара, применив при этом свойства средней арифметической. Таблица 6. Распределение цены экспортируемого товара Цена товара, долл./т. До 500 500 – 600 600 – 700 Более 700 Физический объем, т. 25000 28000 21000 11000 Вариант 4. По данным о реализации товара по трем коммерческим магазинам представленным в таблице 7, рассчитать среднюю цену товара. Таблица 7. Реализация товара по трем коммерческим магазинам Номер магазина Цена товара, руб./кг Выручка от реализации, руб. 1 17 49020 2 20 17400 3 22 12320 Вариант 5. По официальным данным об индексах цен на вторичном рынке жилья в РФ за 2003 – 2006 гг., представленным в таблице 8, рассчитать среднегодовые индексы цен по федеральным округам и сравнить между собой и с РФ в целом. Таблица 8. Индексы цен на вторичном рынке жилья в 2003 – 2006 гг. (на конец года, в % к предыдущему году) Год 2003 2004 2005 2006 Российская Федерация 118,8 124,1 118,0 154,4 по федеральным округам: Приволжский 113,4 124,2 120,0 157,8 Центральный 123,9 122,9 115,0 170,6 Северо-Западный 130,8 127,2 108,0 156,3 Южный 119,6 117,8 118,6 124,7 Уральский 105,3 122,3 130,6 146,3 Сибирский 111,4 133,2 123,9 134,0 Дальневосточный 121,6 119,2 121,6 124,4 Вариант 6. В 1985 году в Китае было выработано 1544 млрд.кВт-ч электроэнергии, а в США – 2650 млрд.кВт-ч. Ежегодно производство электроэнергии в среднем в Китае увеличивается на 6,9%, а в США – на 4,5%. Когда Китай и США сравняются в производстве электроэнергии? Вариант 7. В отделе заказов торговой фирмы заняты трое работников, имеющих 8-часовой рабочий день. Первый работник на оформление одного заказа в среднем затрачивает 14 мин., второй – 15 мин., третий – 19 мин. Определить средние затраты времени на 1 заказ в целом по отделу, а также после увеличения производительности третьего работника на 25% Вариант 8. За два месяца по цехам завода имеются данные, представленным в таблице 9. Определить изменение средней месячной заработной платы на заводе. Таблица 9. Данные о месячной заработной плате на заводе № цеха Сентябрь Октябрь Средняя месячная заработная плата, руб./чел. Численность работников, чел. Средняя месячная заработная плата, руб./чел. Фонд заработной платы, тыс. руб. 1 15000 150 16000 2240 2 15500 200 16200 3645 3 15900 220 17000 4165 Вариант 9. По данным об экспорте из таблицы 10 рассчитать всевозможные индексы, построить диаграмму и сделать выводы. Таблица 10. Товарная структура экспорта и импорта РФ Группа товаров Экспорт Импорт 2005 2006 2005 2006 Продовольственные товары и сырье (кроме текстильного) 4,5 5,5 17,4 21,6 Минеральные продукты 156 199 3,0 3,3 Продукция химической промышленности, каучук 14,4 16,9 16,3 21,8 Кожевенное сырье, пушнина и изделия из них 0,3 0,4 0,3 0,4 Продукция лесной и целлюлозно-бумажной промышленности 8,3 9,5 3,3 4,0 Текстиль, текстильные изделия и обувь 0,9 0,9 3,6 5,5 Металлы, драгоценные камни и изделия из них 40,9 49,5 7,6 10,6 Машины, оборудование и транспортные средства 13,5 17,5 43,4 65,6 Прочие 2,5 3,1 3,7 4,9 Вариант 10. По данным об импорте из таблицы 10 рассчитать всевозможные индексы, построить диаграмму и сделать выводы. 3. Вариационные ряды распределения 3.1. Построение ряда распределения Признаки, изучаемые статистикой, варьируются (отличаются друг от друга) у различных единиц совокупности в один и тот же период или момент времени. Например, величина внешнеторгового оборота варьируется по подразделениям ФТС; величина экспорта (импорта) варьируется по направлениям экспорта (по разным странам-партнерам по внешней торговле), по видам товаров и т.п. Причиной вариации являются разные условия существования разных единиц совокупности. Например, огромное число причин влияет на масштабы внешней торговли различных стран мира. Для управления и изучения вариации статистикой разработаны специальные методы исследования вариации, система показателей, с помощью которой вариация измеряется, характеризуются ее свойства. Первым этапом статистического изучения вариации является построение ряда распределения (или вариационного ряда) – упорядоченного распределения единиц совокупности по возрастающим (чаще) или по убывающим (реже) значениям признака и подсчет числа единиц с тем или иным значением признака. Существует 3 вида ряда распределения: 1) ранжированный ряд – это перечень отдельных единиц совокупности в порядке возрастания изучаемого признака (например, таблица 11); если численность единиц совокупности достаточно велика ранжированный ряд становится громоздким, и в таких случаях ряд распределения строится с помощью группировки единиц совокупности по значениям изучаемого признака (ели признак принимает небольшое число значений, то строится дискретный ряд, а в противном случае – интервальный ряд); 2) дискретный ряд – это таблица, состоящая из двух столбцов (строк) – конкретных значений варьирующего признака Xi и числа единиц совокупности с данным значением признака fi – частот; число групп в дискретном ряду определяется числом реально существующих значений варьирующего признака; 3) интервальный ряд – это таблица, состоящая из двух столбцов (строк) – интервалов варьирующего признака Xi и числа единиц совокупности, попадающих в данный интервал (частот), или долей этого числа в общей численности совокупностей (частостей). Построим ряд распределения внешнеторгового оборота (ВО) по таможенным постам России, для чего необходимо провести статистическое наблюдение, то есть собрать первичный статистический материал, который представляет собой величину ВО по таможенным постам. Результаты наблюдения ВО по 35 таможенным постам региона за отчетный период представим в виде ранжированного по возрастанию величины ВО ряда распределения (таблица 11). Таблица 11. Внешнеторговый оборот (ВО) по 35 таможенным постам, млн.долл. № поста ВО № поста ВО № поста ВО 1 24,16 13 54,12 25 65,31 2 27,06 14 54,91 26 69,24 3 29,12 15 55,74 27 71,39 4 31,17 16 55,91 28 77,12 5 37,08 17 56,07 29 79,12 6 39,11 18 56,80 30 84,34 7 41,58 19 56,93 31 86,89 8 44,84 20 57,07 32 91,74 9 46,80 21 58,39 33 96,01 10 48,37 22 59,61 34 106,84 11 51,44 23 59,95 35 111,16 12 52,56 24 62,05 Итого 2100,00 Определим средний размер ВО по формуле (2), приняв за X величину ВО, а за N – численность постов: == 2100/35 = 60 (млн.долл.) Дисперсию (о ней будет рассказано чуть позднее – на 4-м этапе анализа вариации в этой теме) определим по формуле (2): = = 445,778 (млн.долл.2) Построим интервальный ряд распределения ВО по таможенным постам, для чего необходимо выбрать оптимальное число групп (интервалов признака) и установить длину (размах) интервала. Поскольку при анализе ряда распределения сравнивают частоты в разных интервалах, необходимо, чтобы длина интервалов была постоянной13. Оптимальное число групп выбирается так, чтобы достаточной мере отразилось разнообразие значений признака в совокупности и в то же время закономерность распределении, его форма не искажалась случайными колебаниями частот. Если групп будет слишком мало, не проявится закономерность вариации; если групп будет чрезмерно много, случайные скачки частот исказят форму распределения. Чаще всего число групп в ряду распределения определяют по формуле Стерждесса (2) или (2): (2) или , (2) где k – число групп (округляемое до ближайшего целого числа); N – численность совокупности. Из формулы Стерджесса видно, что число групп – функция объема данных (N). Зная число групп, рассчитывают длину (размах) интервала14 по формуле (2): , (2) где Xмax и Xmin — максимальное и минимальное значения в совокупности. В нашем примере про ВО по формуле Стерждесса (2) определим число групп: k = 1 + 3,322lg35 = 1+ 3,322*1,544 = 6,129 ≈ 6. Рассчитаем длину (размах) интервала по формуле (2): h = (111,16 – 24,16)/6 = 87/6 = 14,5 (млн.долл.). Теперь построим интервальный ряд с 6 группами с интервалом 14,5 млн.долл. (см. первые 3 столбца табл. 12). Таблица 12. Интервальный ряд распределения ВО по таможенным постам, млн.долл. i Группы постов по величине ВО Xi Число постов fi Середина интервала Хi’ Хi’fi Накопл. частота fi’ | Хi’ -| fi (Хi’ -)2 fi (Хi’ -)3 fi (Хi’ -)4 fi 1 24,16 – 38,66 5 31,41 157,05 5 147,071 4326,001 -127246,23 3742856,97 2 38,66 – 53,16 7 45,91 321,37 12 104,400 1557,051 -23222,31 346344,16 3 53,16 – 67,66 13 60,41 785,33 25 5,386 2,231 -0,92 0,38 4 67,66 – 82,16 4 74,91 299,64 29 56,343 793,629 11178,84 157461,90 5 82,16 – 96,66 4 89,41 357,64 33 114,343 3268,572 93434,47 2670891,13 6 96,66 – 111,16 2 103,91 207,82 35 86,171 3712,758 159966,81 6892284,32 Итого 35 2128,85 513,714 13660,243 114110,66 13809838,86 Существенную помощь в анализе ряда распределения и его свойств оказывает графическое изображение. Интервальный ряд изображается столбиковой диаграммой, в которой основания столбиков, расположенные по оси абсцисс, – это интервалы значений варьирующего признака, а высоты столбиков – частоты, соответствующие масштабу по оси ординат. Графическое изображение распределения таможенных постов в выборке по величине ВО приведено на рис. 4. Диаграмма такого типа называется гистограммой15. Рис. 4. Гистограмма распределения Рис. 5. Полигон распределения Данные табл. 12 и рис. 4 показывают характерную для многих признаков форму распределения: чаще встречаются значения средних интервалов признака, реже – крайние (малые и большие) значения признака. Форма этого распределения близка к нормальному закону распределения, которое образуется, если на варьирующую переменную влияет большое число факторов, ни один из которых не имеет преобладающего значения. Если имеется дискретный ряд распределения или используются середины интервалов (как в нашем примере про ВО – в таблице 12 в 4-м столбце рассчитаны середины интервалов как полусумма значений начала и конца интервала), то графическое изображение такого ряда называется полигоном (см. рис. 5)16, которое получается соединением прямыми точек с координатами Xi и fi. 3.2. Расчет структурных характеристик ряда распределения При изучении вариации применяются такие характеристики ряда распределения, которые описывают количественно его структуру, строение. Такова, например, медиана – величина варьирующего признака, делящая совокупность на две равные части – со значением признака меньше медианы и со значением признака больше медианы17. В нашем примере про ВО (табл. 11) медиана – это 18-й таможенный пост из 35 с величиной ВО 56,8 млн.долл. Из этого примера видно принципиальное различие между медианой и средней величиной: медиана не зависит от значений на краях ранжированного ряда. Даже если бы ВО 35-го таможенного поста был в 10 раз больше, величина медианы не изменилась бы. Поэтому медиану часто используют как более надежный показатель типичного значения признака, нежели средняя арифметическая, если ряд значений неоднороден, включает резкие отклонения от средней. В интервальном ряду распределения для нахождения медианы применяется формула: , (2) где Ме – медиана; X0 – нижняя граница интервала, в котором находится медиана; h – величина (размах) интервала; – накопленная частота в интервале, предшествующем медианному; fMe – частота в медианном интервале. В табл. 12 медианным является среднее из 35 значений, т.е. 18-е от начала значение ВО. Как видно из столбца накопленных частот (6-й столбец), оно находится в третьем интервале. Тогда по формуле (2): (млн.долл.). Аналогично медиане вычисляются значения признака, делящие совокупность на 4 равные по численности части – квартили, которые обозначаются заглавной латинской буквой Q с подписным значком номера квартиля. Ясно, что Q2 совпадает с Ме. Для первого и третьего квартилей приводим формулы и расчет по данным табл. 12: (млн.долл.) (млн.долл.) Так как Q2 = Ме = 59,30 млн.долл., видно, что различие между первым квартилем и медианой (–15,87) больше, чем между медианой и третьим квартилем (12,89). Этот факт свидетельствует о наличии некоторой несимметричности в средней области распределения, что заметно и на рис. 4. Значения признака, делящие ряд на 5 равных частей, называются квинтилями, на 10 частей – децилями, на 100 частей – перцентилями. Эти характеристики применяются при необходимости подробного изучения структуры ряда распределения18. Безусловно, важное значение имеет такая величина признака, которая встречается в изучаемом ряду распределения чаще всего. Такую величину принято называть модой. В дискретном ряду мода определяется без вычисления как значение признака с наибольшей частотой. Обычно встречаются ряды с одним модальным значением признака. Если в ряду распределения встречаются 2 или несколько равных (и даже несколько различных, но больших чем соседние) значений признака, то он считается соответственно бимодальным или мультимодальным. Это свидетельствует о неоднородности совокупности, возможно, представляющей собой агрегат нескольких совокупностей с разными модами. В интервальном ряду распределения интервал с наибольшей частотой является модальным. Внутри этого интервала находят условное значение признака, вблизи которого плотность распределения (число единиц совокупности, приходящихся на единицу измерения варьирующего признака) достигает максимума. Это условное значение и считается точечной модой. Логично предположить, что такая точечная мода располагается ближе к той из границ интервала, за которой частота в соседнем интервале больше частоты в интервале за другой границей модального интервала. Отсюда получаем обычно применяемую формулу (2): , (2) где Мо – мода; Х0 – нижнее значение модального интервала; fMo – частота в модальном интервале; fMo-1 – частота в предыдущем интервале; fMo+1 – частота в следующем интервале за модальным; h – величина интервала. По данным табл. 12 рассчитаем точечную моду по формуле (2): (млн.долл.). К изучению структуры ряда распределения средняя арифметическая величина также имеет отношение, хотя основное значение этого обобщающего показателя другое. В интервальном ряду распределения ВО по таможенным постам средняя арифметическая рассчитывается как взвешенная по частоте середина интервалов X (расчет числителя – в 5-м столбце табл. 12) по формуле (2): == 2128,85/35 = 60,82 (млн.долл.). Различие между средней арифметической величиной (60,82), медианой (59,30) и модой (58,96) в нашем примере невелико. Чем ближе распределение по форме к нормальному закону, тем ближе значения медианы, моды и средней величины между собой. 3.3. Расчет показателей размера и интенсивности вариации Простейшим показателем является размах вариации – абсолютная разность между максимальным и минимальным значениями признака из имеющихся в изучаемой совокупности значений (2): . (2) Поскольку величина размаха характеризует лишь максимальное различие значений признака, она не может измерять закономерную силу его вариации во всей совокупности. Предназначенный для данной цели показатель должен учитывать и обобщать все различия значений признака в совокупности без исключения. Число таких различий равно числу сочетаний по два из всех единиц совокупности (в нашем примере про ВО число сочетаний составит ). Однако нет необходимости рассматривать, вычислять и осреднять все отклонения. Проще использовать среднюю из отклонений отдельных значений признака от среднего арифметического значения признака, а таковых в нашем примере про ВО всего 35. Но среднее отклонение значений признака от средней арифметической величины согласно первому свойству последней равно нулю. Поэтому показателем силы вариации выступает не арифметическая средняя отклонений, а средний модуль отклонений, или среднее линейное отклонение (2): . (2) В нашем примере про ВО по данным табл. 12 среднее линейное отклонение вычисляется как взвешенное по частоте отклонение по модулю середин интервалов от средней арифметической величины (расчет числителя произведен в 7-м столбце табл. 12), т.е. по формуле (2): (млн.долл.). (2) Это означает, что в среднем величина ВО в изучаемой совокупности таможенных постов отклонялась от средней величины ВО в РФ на 14,678 млн.долл. Простота расчета и интерпретации составляют положительные стороны показателя Л, однако математические свойства модулей «плохие»: их нельзя поставить в соответствие с каким-либо вероятностным законом, в том числе и с нормальным распределением, параметром которого является не средний модуль отклонений, а среднее квадратическое отклонение, обозначаемое малой греческой буквой сигма () или s и вычисляемое по формуле (2) – для ранжированного ряда и по формуле (2) – для интервального ряда: ; (2) . (2) В нашем примере про ВО по данным табл. 12 среднее квадратическое отклонение величины ВО по формуле (2) составило (расчет числителя произведен в 8-м столбце табл. 12): (млн.долл.). Среднее квадратическое отклонение по величине в реальных совокупностях всегда больше среднего модуля отклонений. Разница между ними тем больше, чем больше в изучаемой совокупности резких, выделяющихся отклонений, что служит индикатором «засоренности» совокупности неоднородными с основной массой элементами. Для нормального закона распределения отношение . В нашем примере про ВО: , т.е. в изучаемой совокупности наблюдаются некоторое число таможенных постов с отличающимися от основной массы величинами ВО. Квадрат среднего квадратического отклонения представляет собой дисперсию отклонений, на использовании которой основаны практически все методы математической статистики, ее формула имеет вид (2) – для несгруппированных данных (простая дисперсия) и (2) – для сгруппированных (взвешенная дисперсия): ; (2) . (2) Еще одним показателем силы вариации, характеризующим ее не по всей совокупности, а лишь в ее центральной части, служит среднее квартильное расстояние (отклонение), т.е. средняя величина разности между квартилями, определяемая по формуле (2): . (2) В нашем примере про ВО по формуле (2): (млн.долл.). Сила вариации в центральной части совокупности, как правило, меньше, чем в целом по всей совокупности. Соотношение между средним линейным отклонением и средним квартильным расстоянием служит для изучения структуры вариации: большое значение такого соотношения свидетельствует о наличии слабоварьирующего «ядра» и сильно рассеянного вокруг него окружения в изучаемой совокупности. Для нашего примера про ВО соотношение Л/q = 1,021, что говорит о совсем незначительном различии силы вариации в центральной части совокупности и на ее периферии. Для оценки интенсивности вариации и для сравнения ее в разных совокупностях и тем более для разных признаков необходимы относительные показатели вариации, которые вычисляются как отношение абсолютных показателей силы вариации, рассмотренных ранее, к средней арифметической величине признака, то есть показатели (2) – (2): • относительный размах вариации: ; (2) • линейный коэффициент вариации: ; (2) • квадратический коэффициент вариации: ; (2) • относительное квартильное расстояние: . (2) В нашем примере про ВО эти показатели составляют: = 87/60,82 =1,43, или 143%; = 14,678/60,82 = 0,241, или 24,1%; = 19,756/60,82 = 0,32, или 32%; d = 14,38/60,82 = 0,236, или 23,6%. Оценка степени интенсивности вариации возможна только для каждого отдельного признака и совокупности определенного состава, она состоит в сравнении наблюдаемой вариации с некоторой обычной ее интенсивностью, принимаемой за норматив19. Так, для совокупности таможенных постов вариация величины ВО может быть определена как слабая, если < 25%, умеренная при 25% < < 50% и сильная при > 50%. Различная сила, интенсивность вариации обусловлены объективными причинами, поэтому нельзя говорить о каком-либо универсальном критерии вариации (например, 33%), так как для разных явлений и признаков этот критерий различен20. 3.4. Расчет моментов распределения и показателей его формы Для дальнейшего изучения характера вариации используются средние значения разных степеней отклонений отдельных величин признака от его средней арифметической величины. Эти показатели называются центральные моменты распределения порядка, соответствующего степени, в которую возводятся отклонения (табл. 13) или просто моментов (нецентральные моменты в таможенной статистике практически не используются). Таблица 13. Центральные моменты Порядок момента Формула по несгруппированным данным по сгруппированным данным Первый μ1 Второй μ2 Третий μ3 Четвертый μ4 Величина третьего момента μ3 зависит, как и его знак, от преобладания положительных кубов отклонений над отрицательными кубами либо наоборот. При нормальном и любом другом строго симметричном распределении сумма положительных кубов строго равна сумме отрицательных кубов, поэтому на основе третьего момента строится показатель, характеризующий степень асимметричности распределения – коэффициент асимметрии (2): . (2) В нашем примере про ВО показатель асимметрии по формуле (2) составил (расчет числителя произведен в 9-м столбце табл. 12): = 0,423 > 0, т.е. асимметрия значительна. Английский статистик К.Пирсон на основе разности между средней арифметической величиной и модой предложил другой показатель асимметрии (2): . (2) В нашем примере по данным табл. 12 показатель асимметрии по формуле (2) составил: = 0,09. Показатель асимметрии Пирсона (2) зависит от степени асимметричности в средней части ряда распределения, а показатель асимметрии (2) – от крайних значений признака. Таким образом, в нашем примере про ВО в средней части распределения наблюдается меньшая асимметрия, чем по краям, что видно и по графику (рис. 5). Распределения с сильной правосторонней и левосторонней асимметрией показаны на рис. 6. Рис. 6. Асимметрия распределения С помощью момента четвертого порядка характеризуется еще более сложное свойство рядов распределения – эксцесс (от англ. «излишество»). Показатель эксцесса рассчитывается по формуле (2): . (2) Чаще всего эксцесс интерпретируется как «крутизна» распределения, что не совсем верно. График распределения может выглядеть сколь угодно крутым в зависимости от силы вариации признака: чем слабее вариация, тем круче кривая распределения при данном масштабе. Не говоря уже о том, что, изменяя масштабы по осям абсцисс и ординат, любое распределение можно искусственно сделать «крутым» и «пологим». Чтобы показать, в чем состоит эксцесс распределения, и правильно его интерпретировать, нужно сравнить ряды с одинаковой силой вариации (одной и той же величиной σ) и разными показателями эксцесса. Чтобы не смешать эксцесс с асимметрией, все сравниваемые ряды должны быть симметричными. Такое сравнение изображено на рис. 7. Рис. 7. Эксцесс распределения Наличие положительного эксцесса означает наличие слабоварьирующего «ядра» и сильно рассеянного вокруг него окружения в изучаемой совокупности. Отрицательный эксцесс означает отсутствие такого «ядра». В нашем примере по формуле (2) эксцесс составил (расчет числителя произведен в 10-м столбце табл. 12): , т.е. величина ВО по таможенным постам варьирует сильнее, чем при нормальном распределении. По значениям показателей асимметрии и эксцесса распределения можно судить о близости распределения к нормальному: показатели асимметрии и эксцесса не должны превышать своих двукратных средних квадратических отклонений, т.е. и . Эти средние квадратические отклонения вычисляются по формулам (2) и (2): ; (2) . (2) В нашем примере по формулам (2) и (2): ; . Так как показатели асимметрии и эксцесса не превышают своих двукратных средних квадратических отклонений (As = |0,423| < 0,4*2; Ex = |–0,41| < 0,78*2), можно говорить о сходстве анализируемого распределения с нормальным. 3.5. Проверка соответствия ряда распределения нормальному Под теоретической кривой распределения понимается графическое изображение ряда в виде непрерывной линии изменения частот в вариационном ряду, функционально связанного с изменением вариантов, другими словами, теоретическое распределение может быть выражено аналитически – формулой, которая связывает частоты и соответствующие значения признака. Такие алгебраические формулы носят название законов распределения. Большое познавательное значение имеет сопоставление фактических кривых распределения с теоретическими. Как уже неоднократно отмечалось, часто пользуются типом распределения, которое называется нормальным. Формула функции плотности нормального распределения имеет следующий вид (2): или (2) где X – значение изучаемого признака; – средняя арифметическая ряда; σ – среднее квадратическое отклонение; – нормированное отклонение; π = 3,1415 – постоянное число (отношение длины окружности к ее диаметру); e = 2,7182 – основание натурального логарифма. Следовательно, кривая нормального распределения может быть построена по двум параметрам – средней арифметической и среднему квадратическому отклонению. Поэтому важно выяснить, как эти параметры влияют на вид нормальной кривой. Если не меняется, а изменяется только σ, то чем меньше σ, тем более вытянута вверх кривая и наоборот, чем больше σ, тем более плоской и растянутой вдоль оси абсцисс становится кривая нормального распределения (см. рис. 8). Рис. 8. Влияние величины σ на кривую нормального распределения Если σ остается неизменной, а изменяется, то кривые нормального распределения имеют одинаковую форму, но отличаются друг от друга положением максимальной ординаты (вершины) (см. рис. 9). Рис. 9. Влияние величины на кривую нормального распределения Итак, выделим особенности кривой нормального распределения: 1) кривая симметрична и имеет максимум в точке, соответствующей значению  = Ме = Мо; 2) кривая асимптотически приближается к оси абсцисс, продолжаясь в обе стороны до бесконечности (чем больше отдельные значения X отклоняются от , тем реже они встречаются); 3) кривая имеет две точки перегиба на расстоянии ± σ от ; 4) коэффициенты асимметрии и эксцесса равны нулю. Гипотезы о распределениях заключаются в том, что выдвигается предположение о том, что распределение в изучаемой совокупности подчиняется какому-то определенному закону. Проверка гипотезы состоит в том, чтобы на основании сравнения фактических (эмпирических) частот с предполагаемыми (теоретическими) частотами сделать вывод о соответствии фактического распределения гипотетическому распределению. Под гипотетическим распределением необязательно понимается нормальное распределение. Может быть выдвинута гипотеза о логнормальном, биномиальном распределениях, распределении Пуассона и пр.21 Причина частого обращения к нормальному распределению состоит в том, что, как уже было замечено ранее, в этом типе распределения выражается закономерность, возникающая при взаимодействии множества случайных причин, когда ни одна из не имеет преобладающего влияния. В нашем примере про ВО близость значений средней арифметической величины (60,82), медианы (59,30) и моды (58,96) указывает на вероятное соответствие изучаемого распределения нормальному закону. Проверка гипотезы о соответствии теоретическому распределению предполагает расчет теоретических частот этого распределения. Для нормального распределения порядок расчета этих частот следующий: 1) по эмпирическим данным рассчитывают среднюю арифметическую ряда и среднее квадратическое отклонение σ; 2) находят нормированное (выраженное в σ) отклонение каждого эмпирического значения от средней арифметической: ; (2) 3) по формуле (2) или с помощью таблиц интеграла вероятностей Лапласа находят значение φ(t)22; 4) вычисляют теоретические частоты m по формуле: , (2) где N – объем совокупности, hi – длина (размах) i-го интервала. Определим теоретические частоты нормального распределения в нашем примере про ВО по данным табл. 12, для чего построим вспомогательную таблицу 14. Средняя арифметическая величина и среднее квадратическое отклонение нами уже найдены ранее (); значения нормированных отклонений t рассчитаны в 5-м столбце таблицы 14, а значения плотностей φ(t) – в 8-м столбце (в 6-м и 7-м столбцах приведены промежуточные расчеты по формуле (2)); в последнем столбце – теоретические частоты нормального распределения. Таблица 14. Расчет теоретических частот нормального распределения i Xi fi Хi’ φ(t) mi 1 24,16 – 38,66 5 31,41 -1,4889 -1,1084 0,3301 0,0067 3,383 2 38,66 – 53,16 7 45,91 -0,7549 -0,2850 0,7520 0,0152 7,707 3 53,16 – 67,66 13 60,41 -0,0210 -0,0002 0,9998 0,0202 10,246 4 67,66 – 82,16 4 74,91 0,7130 -0,2542 0,7756 0,0157 7,948 5 82,16 – 96,66 4 89,41 1,4470 -1,0468 0,3510 0,0071 3,598 6 96,66 – 111,16 2 103,91 2,1809 -2,3782 0,0927 0,0019 0,950 Итого 35 33,832 Сравним на графике эмпирические f (ВО по таможенным постам) и теоретические m (нормальное распределение) частоты, полученные на основе данных табл. 14 (рис. 10). Близость этих частот очевидна23, но объективная оценка их соответствия может быть получена только с помощью критериев согласия. Рис. 10. Распределение ВО по таможенным постам (эмпирическое) и нормальное Критерии согласия, опираясь на установленный закон распределения, дают возможность установить, когда расхождения между теоретическими и эмпирическими частотами следует признать несущественными (случайными), а когда – существенными (неслучайными). Таким образом, критерии согласия позволяют отвергнуть или подтвердить правильность выдвинутой гипотезы о характере распределения в эмпирическом ряду и дать ответ, можно ли принять для данного эмпирического распределения модель, выраженную некоторым теоретическим законом распределения. Существует ряд критериев согласия, но чаще всего применяют критерии Пирсона χ2, Колмогорова и Романовского. Критерий согласия Пирсона χ2 (хи-квадрат) – один из основных критериев согласия, рассчитываемый по формуле (2): , (2) где k – число интервалов; fi – эмпирическая частота i-го интервала; mi – теоретическая частота. Для распределения χ2 составлены таблицы, где указано критическое значение критерия согласия χ2 для выбранного уровня значимости α и данного числа степеней свободы ν (см. Приложение 3). Уровень значимости α – это вероятность ошибочного отклонения выдвинутой гипотезы, т.е. вероятность (P) того, что будет отвергнута правильная гипотеза. В статистических исследованиях в зависимости от важности и ответственности решаемых задач пользуются следующими тремя уровнями значимости: 1) α = 0,10, тогда P = 0,90; 2) α = 0,05, тогда P = 0,95 24; 3) α = 0,01, тогда P = 0,99. Число степеней свободы ν определяется по формуле: ν = k – z – 1, (2) где k – число интервалов; z – число параметров, задающих теоретический закон распределения. Для нормального распределения z = 2, так как нормальное распределение зависит от двух параметров – средней арифметической () и среднего квадратического отклонения (σ). Для оценки существенности расхождений расчетное значение χ2 сравнивают с табличным χ2табл. Расчетное значения критерия должно быть меньше табличного, т.е. χ2<χ2табл, в противном случае расхождения между теоретическим и эмпирическим распределением не случайны, а теоретическое распределение не может служить моделью для изучаемого эмпирического распределения. Использование критерия χ2 рекомендуется для достаточно больших совокупностей (N>50), при этом частота каждой группы не должна быть менее 5, в противном случае повышается вероятность получения ошибочных выводов. В нашем примере про ВО для расчета критерия χ2 построим вспомогательную таблицу 15. Таблица 15. Вспомогательные расчеты критериев согласия i Xi fi mi fi’ mi’ |fi’– mi’| 1 24,16 – 38,66 5 3,383 0,773 5 3,383 1,617 2 38,66 – 53,16 7 7,707 0,065 12 11,090 0,910 3 53,16 – 67,66 13 10,246 0,740 25 21,336 3,664 4 67,66 – 82,16 4 7,948 1,961 29 29,284 0,284 5 82,16 – 96,66 4 3,598 0,045 33 32,882 0,118 6 96,66 – 111,16 2 0,950 1,160 35 33,832 1,168 Итого 35 33,832 4,744 Теперь по формуле (2): χ2 =4,744, что меньше табличного (Приложение 3) значения χ2табл=7,8147 при уровне значимости α = 0,05 и числе степеней свободы ν=6–2–1=3, значит с вероятностью 0,95 можно говорить, что в основе эмпирического распределения величины ВО по таможенным постам лежит закон нормального распределения, т.е. выдвинутая гипотеза не отвергается, а расхождения объясняются случайными факторами. Критерий Романовского КР основан на использовании критерия Пирсона χ2, т.е. уже найденных значений χ2 и числа степеней свободы ν, рассчитывается по формуле (2): . (2) Он используется в том случае, когда отсутствует таблица значений χ2. Если КР < 3, то расхождения между теоретическим и эмпирическим распределением случайны, если КР > 3, то не случайны, и теоретическое распределение не может служить моделью для изучаемого эмпирического распределения. В нашем примере про ВО по формуле (2): = 0,712 < 3, что подтверждает несущественность расхождений между эмпирическими и теоретическими частотами. Критерий Колмогорова λ основан на определении максимального расхождения между накопленными частотами эмпирического и теоретического распределений (D), рассчитывается по формуле (2) 25: . (2) Рассчитав значение λ, по таблице P(λ) (см. Приложение 6) определяют вероятность, с которой можно утверждать, что отклонения эмпирических частот от теоретических случайны. Вероятность P(λ) может изменяться от 0 до 1. При P(λ) = 1 (т.е. при λ < 0,3) происходит полное совпадение частот, при P(λ) = 0 – полное расхождение. В нашем примере про ВО в последних трех столбцах таблицы 15 приведены расчеты накопленных частот и разностей между ними, откуда видно, что в 3-ей группе наблюдается максимальное расхождение (разность) D = 3,664. Тогда по формуле (2): . По таблице Приложения 6 находим значение вероятности при λ = 0,6: P = 0,86 (наиболее близкое значение к 0,619), т.е. с вероятностью, близкой к 0,86, можно говорить, что в основе эмпирического распределения величины ВО по таможенным постам лежит закон нормального распределения, а расхождения эмпирического и теоретического распределений носят случайный характер. Итак, подтвердив правильность выдвинутой гипотезы с помощью известных критериев согласия, можно использовать результаты распределения для практической деятельности. Какое же практическое значение может иметь произведенная проверка гипотезы? Во-первых, соответствие нормальному закону позволяет прогнозировать, какое число таможенных постов (или их доля) попадет в тот или иной интервал значений величины ВО. Во-вторых, нормальное распределение возникает при действии на вариацию изучаемого показателя множества независимых факторов. Из чего следует, что нельзя существенно снизить вариацию величины ВО, воздействуя только на один-два управляемых фактора, скажем число работников таможенного поста или степень технической оснащенности. 3.6. Проверка соответствия ряда распределения закону Пуассона Таможенная инспекция провела проверку после выпуска товаров. В результате получен следующий дискретный ряд распределения числа нарушений, выявленных в каждой проверке (табл. 16). Таблица 16. Ряд распределения числа нарушений, выявленных таможенной инспекцией Число нарушений 1 2 3 Число проверок 24 4 2 1 Проведем анализ этого ряда распределения. Сначала рассчитаем среднее число нарушений в выборке, а также его дисперсию, для чего построим вспомогательную таблицу 17. Таблица 17. Ряд распределения числа нарушений, выявленных таможенной инспекцией Число нарушений X Число проверок f Xf (Х -)2 f m f’ m’ |f’– m’| 24 3,022 21,7 0,244 24 21,7 2,3 1 4 4 1,665 7,7 1,778 28 29,4 1,4 2 2 4 5,413 1,4 0,257 30 30,8 0,8 3 1 3 6,997 0,2 3,200 31 31 Итого 31 11 17,097 31 5,479 Среднее число нарушений в выборке по формуле (2): = 11/31 = 0,355 (нарушений). Дисперсию определим по формуле (2): = = 0,552 (нарушений2). Построив график этого распределения (полигон) – рис. 11, видно, что данное распределение не похоже на нормальное. Рис. 11. Кривая распределения числа нарушений, выявленных таможенной инспекцией Из структурных характеристик ряда распределения можно определить только моду: Мо = 0, так как по данным табл. 17 такое число нарушений чаще всего встречается (f=24). По формуле (2) определим размах вариации: H = 3 – 0 = 3, что характеризует вариацию в 3 нарушения. По формуле (2) найдем среднее линейное отклонение: . Это означает, что в среднем число нарушений отклоняется от среднего их числа на 0,55. Среднее квадратическое отклонение рассчитаем не по формуле (2), а как корень из дисперсии, которая уже была рассчитана нами выше: , тогда , т.е. в изучаемом распределении наблюдается некоторое число выделяющихся нарушений (с большим числом нарушений, выявленных в одной проверке). Поскольку квартили на предыдущем этапе не определялись, на данном этапе расчет среднего квартильного расстояния пропускаем. Теперь рассчитаем относительные показатели вариации: • относительный размах вариации по формуле (2): = 3/0,355 = 8,45; • линейный коэффициент вариации по формуле (2): = 0,550/0,355 = 1,55; • квадратический коэффициент вариации по формуле (2): = 0,743/0,355 = 2,09. Все расчеты на данном этапе свидетельствуют о значительных размере и интенсивности вариации нарушений, выявленных таможенной инспекцией. Не имеет практического смысла расчет моментов распределения, так как видно из рис. 11, что в изучаемом распределении симметрия отсутствует вовсе, поэтому и расчет эксцесса также бесполезен. Выдвинем гипотезу о соответствии изучаемого распределения распределению Пуассона26, которое описывается формулой (2): , (2) где P(X) – вероятность того, что признак примет то или иное значение X; e = 2,7182 – основание натурального логарифма; X! – факториал числа X (т.е. произведение всех целых чисел от 1 до X включительно); a = – средняя арифметическая ряда распределения. Из формулы (2) видно, что единственным параметром распределения Пуассона является средняя арифметическая величина. Порядок определения теоретических частот этого распределения следующий: 1) рассчитать среднюю арифметическую ряда, т.е. = a; 2) рассчитать e–a; 3) для каждого значения X рассчитать теоретическую частоту по формуле (2): . (2) Поскольку a == 0,355 найдем значение e – 0,355 =0,7012. Затем, подставив в формулу (2) значения X от 0 до 3, вычислим теоретические частоты: m0 = (т.к. 0! = 1); m1 = ; m2 = ; m3 = . Полученные теоретические частоты занесем в 5-й столбец табл. 17 и построим график эмпирического и теоретического распределений (рис. 12), из которого видна близость эмпирического и теоретического распределений. Рис. 12. Эмпирическая и теоретическая (распределение Пуассона) кривые распределения Проверим выдвинутую гипотезу о соответствии изучаемого распределения закону Пуассона с помощью критериев согласия. Рассчитаем значение критерия Пирсона χ2 по формуле (2) в 6-м столбце табл. 17: χ2 =5,479, что меньше табличного (Приложение 3) значения χ2табл=5,9915 при уровне значимости α = 0,05 и числе степеней свободы ν=4–1–1=2, значит с вероятностью 0,95 можно говорить, что в основе эмпирического распределения лежит закон распределения Пуассона, т.е. выдвинутая гипотеза не отвергается, а расхождения объясняются случайными факторами. Определим значение критерия Романовского по формуле (2): = 1,74 < 3, что подтверждает несущественность расхождений между эмпирическими и теоретическими частотами. Для расчета критерия Колмогорова в последних трех столбцах таблицы 17 приведены расчеты накопленных частот и разностей между ними, откуда видно, что в 1-ой группе наблюдается максимальное расхождение (разность) D = 2,3. Тогда по формуле (2): . По таблице Приложения 6 находим значение вероятности при λ = 0,4: P = 0,9972 (наиболее близкое значение к 0,413), т.е. с вероятностью, близкой к единице, можно говорить, что в основе эмпирического распределения величины нарушений, выявленных таможенной инспекцией, лежит закон распределения Пуассона, а расхождения эмпирического и теоретического распределений носят случайный характер. 3.7. Контрольные задания На основе условных ранжированных данных таблицы 18 провести анализ вариации величины налоговых сборов (тыс. руб.) с предприятий района, собранных налоговыми органами. Таблица 18. Распределение вариантов для выполнения контрольного задания № п/п Вариант № п/п Вариант 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 107 109 118 155 104 101 142 123 128 158 26 416 560 593 519 576 603 515 531 574 677 2 139 111 165 178 107 163 143 124 180 177 27 426 571 609 533 577 614 523 544 604 689 3 142 199 168 182 113 200 169 184 208 292 28 428 573 610 539 579 621 526 563 618 702 4 144 226 247 223 133 230 169 247 247 317 29 436 580 612 550 579 633 533 576 624 709 5 150 239 249 227 186 308 223 295 259 327 30 451 593 622 555 589 643 553 584 653 723 6 207 289 293 269 186 314 233 303 262 380 31 496 597 658 555 590 664 559 585 657 734 7 207 318 299 272 195 320 236 312 325 433 32 497 615 680 561 591 666 560 597 673 752 8 217 319 302 286 230 328 290 332 341 449 33 513 649 706 597 598 676 564 602 685 755 9 233 346 339 294 232 367 292 335 344 458 34 517 661 716 600 604 691 580 604 701 756 10 244 390 361 301 243 405 292 351 353 490 35 545 668 726 621 630 692 585 631 702 779 11 271 390 364 306 264 410 338 378 362 505 36 558 680 737 643 687 708 592 639 706 785 12 273 405 405 361 356 420 359 379 366 506 37 571 693 751 674 703 717 595 647 723 802 13 275 428 410 362 368 427 363 388 377 526 38 580 801 795 676 705 726 604 665 734 819 14 300 436 429 392 372 440 367 389 387 553 39 593 813 812 683 729 743 653 671 755 822 15 302 438 439 428 387 458 368 393 389 567 40 597 816 825 689 738 744 671 699 756 829 16 305 450 458 454 403 464 411 420 429 586 41 615 825 849 712 740 753 676 716 785 842 17 312 451 462 462 467 465 436 422 466 604 42 649 675 855 735 776 758 698 719 802 848 18 320 496 492 466 482 482 449 425 485 618 43 661 842 858 766 786 772 700 720 842 864 19 359 497 498 482 491 495 460 461 491 624 44 680 845 861 799 792 793 717 764 864 886 20 369 502 543 487 494 497 480 465 515 627 45 801 650 865 818 825 808 761 803 886 888 21 370 513 550 490 510 545 488 495 523 633 46 816 858 866 824 851 861 808 873 888 926 22 372 517 566 493 511 549 493 498 534 653 47 825 878 867 858 854 867 818 879 926 930 23 382 531 581 501 512 582 500 526 546 656 48 845 958 938 861 895 880 838 898 930 945 24 411 545 588 508 533 590 500 528 550 657 49 961 972 939 898 896 897 869 922 945 951 25 414 558 590 511 540 602 513 531 573 673 50 972 994 989 937 949 929 888 991 961 961 4. Статистическое изучение структуры совокупности 4.1. Абсолютные и относительные показатели изменения структуры Развитие статистической совокупности проявляется не только в количественном росте или уменьшении элементов системы, но также и в изменении ее структуры. Структура – это строение совокупности, состоящее из отдельных элементов и связей между ними. Например, экспорт страны (совокупность) состоит из различных видов товаров (элементов), стоимость которых различается по видам и по странам. Кроме того, происходит постоянное изменение структуры экспорта в динамике. Соответственно возникает задача изучения структуры совокупностей и их динамики, для чего разработаны специальные методы, которые будут рассмотрены далее. В теме 2 был рассмотрен индекс структуры, рассчитываемый по формуле (2), который характеризует долю отдельных элементов в итоге абсолютного признака совокупности. В теме 3 рассмотрена система показателей и методика анализа распределения совокупности по значениям какого-либо отдельного признака (вариационный ряд распределения). Здесь излагаются показатели, характеризующие изменение структуры в целом, т.е. «структурный сдвиг» 27. Практическое применение этих показателей рассмотрим на двух примерах, представленных в таблицах 19 и 20 (первые 4 столбца, выделенные полужирным шрифтом, – исходные данные, а остальные – вспомогательные расчеты). Таблица 19. Распределение населения России по величине среднедушевых денежных доходов (СДД) № группы (j) СДД, руб./чел. в месяц Доли населения |d1–d0| (d1–d0)2 (d1+d0)2 2005 год (d0) 2006 год (d1) 1 до 1500 0,032 0,018 0,014 0,0010 0,0003 0,0002 0,0025 0,0784 2 1500-2500 0,088 0,058 0,030 0,0077 0,0034 0,0009 0,0213 0,0422 3 2500-3500 0,113 0,085 0,028 0,0128 0,0072 0,0008 0,0392 0,0200 4 3500-4500 0,114 0,094 0,020 0,0130 0,0088 0,0004 0,0433 0,0092 5 4500-6000 0,149 0,135 0,014 0,0222 0,0182 0,0002 0,0807 0,0024 6 6000-8000 0,149 0,149 0,000 0,0222 0,0222 0,0000 0,0888 0,0000 7 8000-12000 0,174 0,197 0,023 0,0303 0,0388 0,0005 0,1376 0,0038 8 более 12000 0,181 0,264 0,083 0,0328 0,0697 0,0069 0,1980 0,0348 Итого 1,000 1,000 0,212 0,1420 0,1687 0,0099 0,6114 0,1909 Таблица 20. Распределение численности безработных России по уровню образования в 2006 г. № группы (j) Имеют образование Мужчины (d0) Женщины (d1) |d1–d0| (d1–d0)2 (d1+d0)2 1 Высшее профессиональное 0,087 0,130 0,043 0,0076 0,0169 0,0018 0,0471 0,0393 2 Неполное высшее профессиональное 0,019 0,023 0,004 0,0004 0,0005 0,0000 0,0018 0,0091 3 Сpеднее профессиональное 0,130 0,221 0,091 0,0169 0,0488 0,0083 0,1232 0,0672 4 Начальное профессиональное 0,200 0,149 0,051 0,0400 0,0222 0,0026 0,1218 0,0214 5 Сpеднее (полное) общее 0,398 0,338 0,060 0,1584 0,1142 0,0036 0,5417 0,0066 6 Основное общее 0,148 0,121 0,027 0,0219 0,0146 0,0007 0,0724 0,0101 7 Начальное общее, не имеют образ-я 0,018 0,018 0,000 0,0003 0,0003 0,0000 0,0013 0,0000 Итого 1,000 1,000 0,276 0,2455 0,2177 0,0171 0,9092 0,1536 Обобщающим абсолютным показателем изменения структуры может служить сумма модулей абсолютных изменений долей, определяемая по формуле (2): , (2) где d1j – доля j-ой группы элементов в отчетном периоде; d0j – доля j-ой группы элементов в базисном периоде. По данным таблицы 19 в 5-м столбце произведен расчет по формуле (2): =0,212, то есть суммарное изменение долей в распределении россиян по доходам составило 21,2%. Аналогично по той же формуле по данным таблицы 20: =0,276, то есть различие структуры безработных среди женщин и мужчин по уровню образованию составляет 27,6%. Расчет среднего абсолютного изменения, приходящегося на одну долю (группу, элемент совокупности) не дает никакой дополнительной информации. Зато можно определить, насколько сильно произошедшее изменение структуры в сравнении с предельно возможной величиной суммы модулей, которая равна 2. Для этого используется показатель степени интенсивности абсолютного сдвига (или индекс Лузмора-Хэнби), который определяется по формуле (2): . (2) По данным таблицы 19 по формуле (2): =0,106, то есть интенсивность изменения долей в распределении россиян по доходам составила 10,6% от максимально возможного. Аналогично по той же формуле по данным таблицы 20: =0,138, то есть различие структуры безработных среди женщин и мужчин по уровню образованию составляет 13,8% от максимально возможного. Обобщенная оценка степени структуризации явления в целом обычно выполняется по формуле уровня концентрации (или коэффициент Герфиндаля), который более чувствителен к изменению долей групп с наибольшим удельным весом в итоге, определяемый по формуле (2): (2) где – доля -го объекта в общем итоге изучаемого показателя; k – количество объектов. По данным таблицы 19 в 6-м и 7-м столбцах произведен расчет коэффициента Герфиндаля по формуле (2): H2005=0,142 и H2006=0,1687, то есть уровень концентрации в распределении россиян по доходам увеличился в 2006 году по сравнению с 2005 годом. Аналогично по той же формуле по данным таблицы 20: Hмуж=0,2455 и Hжен=0,2177, то есть уровень концентрации в распределении безработных по уровню образованию среди мужчин выше, чем среди женщин (влияние уровня образования на статус безработного среди мужчин выше, чем среди женщин). Обратная индексу Герфиндаля величина – это эффективное число групп в структуре, которое показывает количество групп без учета групп, имеющих ничтожно малые доли, определяется по формуле (2): E = 1/H. (2) По данным таблицы 19 эффективное число групп по формуле (2): E2005=1/0,142=7,0 и E2006=5,9, то есть эффективное число групп в распределении россиян по доходам уменьшилось с 7 в 2005 году до 6 в 2005 году, что свидетельствует о необходимости пересмотра интервалов распределения россиян по доходам в будущем году. Аналогично по той же формуле по данным таблицы 20: Eмуж=1/0,2455=4,07 и Eжен=1/0,2177=4,59, то эффективное число групп в распределении безработных по уровню образованию среди мужчин выше и среди женщин – 4 у мужчин и 5 у женщин. Еще один вариант оценки степени структуризации явления в целом – индекс Грофмана (2), который представляет собой сумму модулей абсолютных изменений долей, приходящихся на одну эффективную группу: . (2) По данным таблицы 19 в по формуле (2): =0,212*0,142=0,030, то есть изменение долей, приходящихся на одну эффективную группу в распределении россиян по доходам незначительно (3,0%). Аналогично по той же формуле по данным таблицы 20: =0,2455*0,276=0,068, то есть различие структуры в расчете на одну эффектиную группу среди безработных женщин и мужчин по уровню образованию слабое (6,8%). Для оценки изменений двух наибольших долей (доминантные доли) применяется индекс Липхарта (2): . (2) где d1m и d0m – доля m-ой группы элементов в отчетном периоде и базисном периодах; m – максимальная доля в совокупности. По данным таблицы 19 по формуле (2): =0,5*(0,083+0,023)=0,053, то есть среднее изменение долей в двух доминантных группах распределения россиян по доходам составило 5,3%. Аналогично по той же формуле по данным таблицы 20: =0,5*(0,060+0,051)=0,056, то есть различие структуры в двух доминантных группах среди безработных женщин и мужчин по уровню образованию составляет 5,6%. Рассмотренные показатели основаны на средней арифметической в различных вариантах, и из-за их линейности по отклонениям они одинаково учитывают большие и малые отклонения. Квадратические индексы позволяют сравнивать различные структуры, неразличимые с точки зрения суммы изменений. Квадратический индекс структурных сдвигов Казинца (2): . (2) По данным таблицы 19 по формуле (2): ==0,035, то есть среднее измененение долей в группе в распределении россиян по доходам составило 3,5% (незначительно). Аналогично по той же формуле по данным таблицы 20: ==0,049, то есть различие в группах в структуре безработных среди женщин и мужчин по уровню образованию составляет 4,9% (несущественно). Аналогичен индексу Казинца индекс наименьших квдратов (или индекс Галлахера), при расчете которого, в отличие от формулы (2), малые разности долей слабее влияют на индекс, чем большие, определяется по формуле (2)28: . (2) По данным таблицы 19 по формуле (2): ==0,070, то есть интенсивность изменения долей в распределении россиян по доходам составила 7,0%. Аналогично по той же формуле по данным таблицы 20: ==0,092, то есть различие структуры безработных среди женщин и мужчин по уровню образованию составляет 9,2%. Незначительную модификацию индекса наименьших квадратов представляет индекс Монро (2): . (2) По данным таблицы 19 по формуле (2): ==0,093, то есть интенсивность изменения долей в распределении россиян по доходам по формуле Монро составила 9,3%. Аналогично по той же формуле по данным таблицы 20: ==0,117, то есть различие структуры безработных среди женщин и мужчин по уровню образованию по формуле Монро составляет 11,7%. Интегральный коэффициент структурных сдвигов Гатева (2), который различает структуры с равными суммами квадратов отклонений (принимает более высокие значения, когда группы имеют примерно одинаковые доли): . (2) По данным таблицы 19 по формуле (2): ==0,179, то есть интенсивность изменения долей в распределении россиян по доходам по методике Гатева составила 17,9% (незначительно). Аналогично по той же формуле по данным таблицы 20: ==0,192, то есть различие структуры безработных среди женщин и мужчин по уровню образованию по методике Гатева составляет 19,2% (незначительно). Индекс Рябцева, отличающийся от (2) только знаменателем, принимает обычно более низкие значения, рассчитывается по формуле (2): . (2) По данным таблицы 19 по формуле (2): ==0,127, то есть интенсивность изменения долей в распределении россиян по доходам по методике Рябцева составила 12,7% (незначительно). Аналогично по той же формуле по данным таблицы 20: ==0,137, то есть различие структуры безработных среди женщин и мужчин по уровню образованию по методике Рябцева составляет 13,7% (достаточно значительно). Индекс структурных различий Салаи (2), особенноситью которого является то, что чем больше доля j-ой группы, тем большее значение будет принимать 2, что ведет к уменьшению вклада j-ой группы в общей сумме, тем самым увеличивая значимость изменения долей малых групп: (2) По данным таблицы 19 по формуле (2): ==0,154, то есть средняя интенсивность изменения долей в распределении россиян по доходам по методике Салаи составила 15,4%. Аналогично по той же формуле по данным таблицы 20: ==0,148, то есть среднее различие долей в группах безработных среди женщин и мужчин по уровню образованию по методике Салаи составляет 14,8%. Для оценки структуры распределения доходов применяются специфические индексы: индекс Джини, индекс Аткинсона, индекс обобщенной энтропии, которые будут рассмотрены в курсе социально-экономической статистики в теме «Статистика уровня жизни». 4.2. Ранговые показатели изменения структуры Для измерения различий структуры часто используют менее точные, но более простые по расчету показатели, которые основаны на оценки различий не самих значений долей, а их рангов, то есть порядковых номеров. Для этого чаще всего используются 2 показателя29 – линейный и квадратический коэффициенты изменения (различия) рангов долей. Эти показатели как правило применяются для анализа структуры распределения описательных (атрибутивных) признаков (например, таблица 20), а также для оценки вотумов (голосований). В 5-м и 6-м столбцах таблицы 21 определены ранги по данным таблицы 20, а в последующих приведены вспомогательные расчеты, необходимые в дальнейшем. Таблица 21. Вспомогательные расчеты для определения ранговых показателей изменения структуры № группы (j) Имеют образование d0 d1 Ранг мужчин R0 Ранг женщин R1 1 Высшее профессиональное 0,087 0,130 5 4 1 1 2 Неполное высшее профессиональное 0,019 0,023 6 6 3 Сpеднее профессиональное 0,130 0,221 4 2 2 4 4 Начальное профессиональное 0,200 0,149 2 3 1 1 5 Сpеднее (полное) общее 0,398 0,338 1 1 6 Основное общее 0,148 0,121 3 5 2 4 7 Начальное общее, не имеют образ-я 0,018 0,018 7 7 Итого 1,000 1,000 6 10 Линейный коэффициент различия рангов долей (ЛКR) – это отношение фактической суммы модулей изменения рангов к предельно возможной сумме модулей при k элементах структуры. Для четного k определяется по формуле (2), а для нечетного k – по формуле (2): , (2) , (2) где R1j и R0j – ранги доли j-го элемента структуры (группы) в сравниваемых совокупностях. Так по данным таблицы 21, где в предпоследнем столбце рассчитана сумма модулей различий рангов, по формуле (2): = 6/24 = 0,25, то есть различие структуры безработных среди женщин и мужчин по уровню образованию ощутимо и составляет 25% от максимально возможного. Квадратический коэффициент различия рангов долей (ККR) основан на коэффициенте корреляции рангов Спирмена, особенностью которого является то, что он позволяет определить корреляцию по таким признакам, которые нельзя выразить численно, но можно проранжировать (об этом будет подробно рассказано позднее – в теме 7.4). При полном совпадении рангов долей в базисном и отчетном периодах коэффициент Спирмена равен +1, а при максимальном различии рангов (первый становится последним, порядок рангов «переворачивается») коэффициент Спирмена составит –1, следовательно максимальное значение изменения коэффициента Спирмена равно 2. Чтобы получить показатель степени (существенности) различия рангов элементов структуры, следует отклонение фактического коэффициента Спирмена от единицы разделить на 2: . (2) Для расчета квадратического коэффициента различия рангов долей необходима сумма квадратов различий рангов, которая рассчитана в последнем столбце таблицы 21, тогда по формуле (2): = 30/336 = 0,089, то есть различие структуры безработных среди женщин и мужчин по уровню образованию составляет 8,9% от максимально возможного. 4.3. Контрольные задания Вариант 1. По данным ФСГС о распределении численности занятых в экономике России по уровню образования, представленным в таблице 22, проанализировать различия в структурах распределения среди мужчин и женщин. Таблица 22. Варианты выполнения контрольного задания Год (вариант) Имеют образ-е Доля Высшее профес-сиональное Неполное высшее профес-сиональное Сpеднее профес-сиональное Начальное профес-сиональное Сpеднее (полное) общее Основное общее Начальное общее, не имеют образ-я 1995 (1) мужчин женщин 0,160 0,192 0,017 0,014 0,276 0,387 … … 0,377 0,299 0,149 0,096 0,021 0,012 1997 (2) мужчин женщин 0,184 0,220 0,019 0,018 0,280 0,377 0,073 0,049 0,292 0,238 0,124 0,081 0,028 0,017 1998 (3) мужчин женщин 0,189 0,226 0,019 0,019 0,290 0,384 0,088 0,060 0,279 0,225 0,113 0,072 0,022 0,014 1999 (4) мужчин женщин 0,184 0,222 0,022 0,023 0,290 0,377 0,107 0,068 0,268 0,214 0,101 0,071 0,028 0,025 2000 (5) мужчин женщин 0,186 0,228 0,041 0,048 0,247 0,317 0,128 0,095 0,267 0,219 0,107 0,076 0,024 0,017 2001 (6) мужчин женщин 0,205 0,250 0,024 0,027 0,266 0,349 0,146 0,090 0,258 0,216 0,090 0,060 0,011 0,008 2002 (7) мужчин женщин 0,198 0,249 0,023 0,026 0,280 0,353 0,139 0,087 0,265 0,220 0,087 0,057 0,008 0,008 2003 (8) мужчин женщин 0,205 0,248 0,020 0,022 0,211 0,317 0,198 0,130 0,264 0,210 0,093 0,064 0,009 0,009 2004 (9) мужчин женщин 0,215 0,262 0,019 0,022 0,203 0,312 0,219 0,133 0,255 0,213 0,083 0,052 0,006 0,006 2006 (10) мужчин женщин 0,235 0,279 0,017 0,018 0,198 0,315 0,218 0,142 0,255 0,196 0,072 0,045 0,005 0,005 5. Выборочное наблюдение 5.1. Понятие выборочного наблюдения Выборочный метод используется, когда применение сплошного на­блюдения физически невозможно из-за огромного массива данных или экономически нецелесообразно. Физическая невозможность имеет ме­сто, например, при изучении пассажиропотоков, рыночных цен, семей­ных бюджетов. Экономическая нецелесообразность имеет место при оценке качества товаров, связанной с их уничтожением. Например, де­густация, испытание кирпичей на прочность и т.п. Выборочное наблю­дение используется также для проверки результатов сплошного. Статистические единицы, отобранные для наблюдения, составляют выборочную совокупность или выборку, а весь их массив - генеральную совокупность (ГС). При этом число единиц в выборке обозначают п, во всей ГС – N. Отношение n/N называется относительный размер или доля выборки. Качество результатов выборочного наблюдения зависит от репре­зентативности выборки, т.е. от того, насколько она представительна в ГС. Для обеспечения репрезентативности вы­борки необходимо соблюдать принцип случайности отбора единиц, который предполагает, что на включение единицы ГС в выборку не может повлиять какой-либо иной фактор кроме случая.. 5.2. Способы формирования выборки 1. Собственно случайный отбор: все единицы ГС нумеруются, а выпавшие в результате жеребьевки номера соответствуют единицам, попавшим в выборку, причем число номеров равно запланированному объему выборки. На практике вместо жеребьевки используют генераторы случайных чисел. Данный способ отбора может быть повторным (когда каждая единица, отобранная в выборку, после проведения наблюдения возвращается в ГС и может быть вновь подвергнута обследованию) и бесповторным (когда обследованные единицы в ГС не возвращаются и не могут быть обследованы повторно). При повторном отборе вероятность попадания в выборку для каждой единицы ГС остается неизменной, а при бесповторном отборе она меняется (увеличивается), но для оставшихся в ГС после отбора из нее нескольких единиц, вероятность попадания в выборку одинакова. 2. Механический отбор: отбираются единицы генеральной совокупности с постоянным шагом N/п. Так, если она генеральная совокупность содержит 100 тыс.ед., а требуется выбрать 1 тыс.ед., то в выборку попадет каждая сотая единица. 3. Стратифицированный (расслоенным) отбор осуществляется из неоднородной генеральной совокупности, когда ее предварительно разбивают на однородные группы, после чего производят отбор единиц из каждой группы в выборочную совокупность случайный или механическим способом пропорционально их численности в генеральной совокупности. 4. Серий­ный (гнездовой) отбор: случайным или механическим способом вы­бирают не отдельные единицы, а определенные серии (гнезда), внутри которых производится сплошное наблюдение. 5.3. Средняя ошибка выборки После завершения отбора необходимого числа единиц в выборку и регистрации предусмотренных программой наблюдения изучаемых признаков этих единиц, переходят к расчету обобщающих показателей. К ним относят среднюю величину изучаемого признака и долю единиц, обладающих каким-либо значением этого признака. Однако, если ГС произвести несколько выборок, определив при этом их обобщающие характеристики, то можно установить, что их значения будут различными, кроме того, они будут отличаться и от реального их значения в ГС, если такое определить с помощью сплошного наблюдения. Другими словами, обобщающие характеристики, рассчитанные по данным выборки, будут отличаться от их реальных значений в ГС, поэтому введем следующие условные обозначения (табл. 23). Таблица 23. Условные обозначения Показатель Совокупность генеральная выборочная Число единиц совокупности N n Среднее значение Доля единиц, обладающих каким-либо значением признака d Доля единиц, не обладающих каким-либо значением признака 1-d 1- Дисперсия Разность между значением обобщающих характеристик выборочной и генеральной совокупностей называется ошибкой выборки, которая подразделяется на ошибку регистрации и ошибку репрезентативности. Первая возникает из-за неправильных или неточных сведений по причинам непонимания существа вопроса, невнимательно­сти регистратора при заполнении анкет, формуляров и т.п. Она доста­точно легко обнаруживается и устраняется. Вторая возни­кает из-за несоблюдения принципа слу­чайности отбора единиц в выборку. Ее сложнее обнаружить и устранить, она гораздо боль­ше первой и потому ее измерение является основной задачей выборочного наблюдения. Для измерения ошибки выборки определяется ее средняя ошибка по формуле (2) для повторного отбора и по формуле (2) – для бесповторного: = ; (2) = . (2) Из формул (2) и (2) видно, что средняя ошибка меньше у бес­повторной выборки, что и обусловливает ее более широкое применение. 5.4. Предельная ошибка выборки Учитывая, что на основе выборочного обследования нельзя точно оценить обобщающую характеристику ГС, необходимо найти пределы, в которых он находится. В конкретной выборке разность может быть больше, меньше или равна . Каждое из отклонений от имеет определенную вероятность. При выборочном обследовании реальное значение в ГС неизвестно. Зная среднюю ошибку выборки, с определенной вероятностью можно оценить отклонение выборочной средней от генеральной и установить пределы, в которых находится изучаемый параметр (в данном случае среднее значение) в генеральной совокупности. Отклонение выборочной характеристики от генеральной называется предельной ошибкой выборки . Она определяется в долях средней ошибки с заданной вероятностью, т.е. = t, (2) где t – коэффициент доверия, зависящий от вероятности, с которой определяется предельная ошибка выборки. Вероятность появления определенной ошибки выборки находят с помощью теорем теории вероятностей. Согласно теореме Чебышёва, при достаточно большом объеме выборки и ограниченной дисперсии генеральной ГС вероятность того, что разность между выборочной средней и генеральной средней будет сколь угодно мала, близка к единице: при . (2) А. М. Ляпунов доказал, что независимо от характера распределения генеральной ГС при увеличении объема выборки распределение вероятностей появления того или иного значения выборочной средней приближается к нормальному распределению (центральная предельная теорема). Следовательно, вероятность отклонения выборочной средней от генеральной средней, т.е. вероятность появления заданной предельной ошибки, также подчиняется указанному закону и может быть найдена как функция от t с помощью интеграла вероятностей Лапласа: , (2) где – нормированное отклонение выборочной средней от генеральной средней. Значения P (интеграла Лапласа) для разных t рассчитаны и име­ются в специальной таблице, которая приведена в Приложении 1. Вероятность, которая принимается при расчете выборочной характеристики, называется доверительной. Чаще всего принимают вероятность P = 0,950, которая означает, что только в 5 случаях из 100 ошибка может выйти за установленные границы. Задавшись конкретным уровнем вероятности, выбирают величину нормированного отклонения t по Приложению 1 и рассчитывают предельную ошибку выбор­ки по формуле (2). После расчета предельной ошибки находят доверительный интервал обобщающей характеристики ГС совокупности по формуле (2) – для среднего значения, и по формуле (2) – для доли единиц, обладающих каким-либо значением признака: или (–) (+) (2) или (–) d (+) (2) Следовательно, при выборочном наблюдении определяется не одно, точное значение обобщающей характеристики ГС, а лишь ее доверительный интервал с заданным уровнем вероятно­сти. И это серьезный недостаток выборочного метода статистики. 5.5. Необходимая численность выборки Разрабатывая программу выборочного наблюдения, задаются конкретным значением предельной ошибки и уровнем вероятности. Не­известной остается минимальная численность выборки, обеспечиваю­щая заданную точность. Ее можно получить из формул средней и пре­дельной ошибок в зависимости от типа выборки. Так, подставляя фор­мулы сначала (2) и затем (2) в формулу (2) и решая ее относи­тельно численности выборки, получим следующие формулы: для повторной выборки n = ; (2) для бесповторной выборки n = . (2) Вариация () значений признака к началу выборочного наблюдения как правило неизвестна, поэтому ее берут приближенно одним из способов: 1) берется из предыдущих выборочных наблюдений; 2) по правилу «трех сигм», согласно которому в размахе вариации укладывается примерно 6 стандартных отклонений (H/ = 6, отсюда = Н2 /36); 3) если приблизительно известна средняя величина изучаемого признака, то = 2 /9; 4) если неизвестна дисперсия доли единиц, обладающих каким-либо значением признака, то используется ее максимально возможная величина = 0,25. 5.6. Методические указания Задача. На предприятии в порядке случайной бесповторной выборки было опрошено 100 рабочих из 1000 и получены следующие данные об их доходе за месяц (таблица 24): Таблица 24. Результаты бесповторного выборочного наблюдения на предприятии Доход, у.е. до 300 300-500 500-700 700-1000 более 1000 Число рабочих 8 28 44 17 3 С вероятностью 0,950 определить: 1) среднемесячный размер дохода работников данного предприятия; 2) долю рабочих предприятия, имеющих месячный доход более 700 у.е.; 3) необходимую численность выборки при определении среднемесячного дохода работников предприятия, чтобы не ошибиться более чем на 50 у.е.; 4) необходимую численность выборки при определении доли рабочих с размером месячного дохода более 700 у.е., чтобы при этом не ошибиться более чем на 5%. Решение. Для расчета обобщающих характеристик выборки построим вспомогательную таблицу 25. Таблица 25. Вспомогательные расчеты для решения задачи X f Х’ X’f (Х’ -)2 (Х’ -)2f до 300 8 200 1600 137641 1101128 300 - 500 28 400 11200 29241 818748 500 - 700 44 600 26400 841 37004 700 - 1000 17 850 14450 77841 1323297 более 1000 3 1150 3450 335241 1005723 Итого 100   57100   4285900 По формуле (2) рассчитаем средний доход в выборке: = 57100/100 = 571 (у.е.). Применив формулу (2) и рассчитав ее числитель в последнем столбце таблицы, получим дисперсию среднего выборочного дохода: = 4285900/100 = 42859. Теперь можно определить среднюю ошибку выборки по формуле (2): = = 19,640 (у.е.). В нашей задаче = 0,950, значит t = 1,96. Тогда предельная ошибка выборки по формуле (2): = 1,96*19,64 = 38,494 (у.е.). Для определения средней ошибки выборки при определении доли рабочих с доходами более 700 у.е. в ГС необходимо определить их долю: w = 20/100 = 0,2 или 20%, а затем ее дисперсию по формуле  = w(1-w) = 0,2*(1–0,2) = 0,16. Тогда можно рассчитать среднюю ошибку выборки по формуле (2): = = 0,038 или 3,8%. А затем и предельную ошибку выборки по формуле (2): = 1,96*0,038 = 0,075 или 7,5%. Доверительный интервал среднего дохода находим по формуле (2): 571-38,494 571+38,494 или 532,506 у.е. 609,494 у.е., то есть средний доход всех рабочих предприятия с вероятностью 95% будет лежать в пределах от 532,5 до 609,5 у.е. Аналогично определяем доверительный интервал для доли по формуле (2): 0,2-0,075 p0,2+0,075 или 0,125 p0,275, то есть доля рабочих с доходами более 700 у.е. на всем предприятии с вероятностью 95% будет лежать в пределах от 12,5% до 27,5%. В нашей задаче выборка бесповторная, значит, воспользуемся формулой (2), в которую подставим уже рассчитанные дисперсии среднего выборочного дохода рабочих (= 42859) и доли рабочих с доходами более 700 у.е. (= 0,16): nб/повт = = 62 (чел.), nб/повт= = 197 (чел.). Таким образом, необходимо включить в выборку не менее 62 рабочих при определении среднего месячного дохода работников предприятия, чтобы не ошибиться более чем на 50 у.е., и не менее 197 рабочих при определении доли рабочих с размером месячного дохода более 700 у.е., чтобы при этом не ошибиться более чем на 5%. 5.7. Контрольные задания Для изучения вкладов населения в коммерческом банке города была проведена 5%-я случайная бесповторная выборка лицевых счетов, в результате которой в таблице 26 получено распределение клиентов по размеру вкладов. Таблица 26. Варианты выполнения контрольного задания С вероятностью 0,954 определить: 1) средний размер вклада во всем банке; 2) долю вкладчиков во всем банке с размером вклада свыше 15000 у.е.; 3) необходимую численность выборки при определении среднего размера вклада, чтобы не ошибиться более чем на 500 у.е.; 4) необходимую численность выборки при определении доли вкладчиков во всем банке с размером вклада свыше 30 000 у.е., чтобы не ошибиться более чем на 10%. 6. Ряды динамики 6.1. Понятие о рядах динамики Одной из важнейших задач статистики является изучение изменений анализируемых показателей во времени, то есть их динамика. Эта задача решается при помощи анализа рядов динамики (временных рядов). Ряд динамики – это числовые значения определенного статистического показателя в последовательные моменты или периоды времени (т.е. расположенные в хронологическом порядке). Числовые значения того или иного статистического показателя, составляющего ряд динамики, называют уровнями ряда и обычно обозначают через y. Первый член ряда y1 называют начальным (базисным) уровнем, а последний yn – конечным. Моменты или периоды времени, к которым относятся уровни, обозначают через t. Ряды динамики, как правило, представляют в виде таблицы (см. табл. 27) или графически (см. рис. 13), причем по оси абсцисс строится шкала времени t, а по оси ординат – шкала уровней ряда y. Таблица 27. Внешнеторговый оборот (ВО) России за период 2000-2006 гг. Год 2000 2001 2002 2003 2004 2005 2006 Млрд. долл. США 149,9 155,6 168,3 212,0 280,6 368,9 468,4 Рис. 13. Внешнеторговый оборот (ВО) России за период 2000-2006 гг. Данные табл. 27 и рис. 13 наглядно иллюстрируют ежегодный рост внешнеторгового оборота (ВО) в России за период 2000-2006 гг. 6.2. Показатели изменения уровней ряда динамики Анализ рядов динамики начинается с определения того, как именно изменяются уровни ряда (увеличиваются, уменьшаются или остаются неизменными) в абсолютном и относительном выражении. Чтобы проследить за направлением и размером изменений уровней во времени, для рядов динамики рассчитывают показатели изменения уровней ряда динамики: • абсолютное изменение (абсолютный прирост); • относительное изменение (темп роста или индекс динамики); • темп изменения (темп прироста). Все эти показатели могут определяться базисным способом, когда уровень данного периода сравнивается с первым (базисным) периодом, либо цепным способом – когда сравниваются два уровня соседних периодов. Абсолютное изменение (абсолютный прирост) уровней рассчитывается как разность между двумя уровнями ряда по формуле (2) – для базисного способа сравнения или по формуле (2) – для цепного. Оно показывает, на сколько (в единицах показателей ряда) уровень одного (i-того) периода больше или меньше уровня какого-либо предшествующего периода, и, следовательно, может иметь знак «+» (при увеличении уровней) или «–» (при уменьшении уровней). ; (2) . (2) В табл. 28 в столбце 3 рассчитаны базисные абсолютные изменения по формуле (2), а в столбце 4 – цепные абсолютные изменения по формуле (2). Таблица 28. Анализ динамики ВО России Год y , % ,% 2000 149,9 2001 155,6 5,7 5,7 1,038 1,038 3,8 3,8 2002 168,3 18,4 12,7 1,123 1,082 12,3 8,2 2003 212,0 62,1 43,7 1,414 1,260 41,4 26,0 2004 280,6 130,7 68,6 1,872 1,324 87,2 32,4 2005 368,9 219,0 88,3 2,461 1,315 146,1 31,5 2006 468,4 318,5 99,5 3,125 1,270 212,5 27,0 Итого 1803,7 318,5 3,125 Между базисными и цепными абсолютными изменениями существует взаимосвязь: сумма цепных абсолютных изменений равна последнему базисному изменению, то есть . (2) В нашем примере про ВО подтверждается правильность расчета абсолютных изменений по формуле (2): = 318,5 рассчитана в итоговой строке 4-го столбца, а = 318,5 – в предпоследней строке 3-го столбца табл. 28. Относительное изменение (темп роста или индекс динамики) уровней рассчитывается как отношение (деление) двух уровней ряда по формуле (2) – для базисного способа сравнения или по формуле (2) – для цепного. ; (2) . (2) Относительное изменение показывает во сколько раз уровень данного периода больше уровня какого-либо предшествующего периода (при >1) или какую его часть составляет (при <1). Относительное изменение может выражаться в виде коэффициентов, то есть простого кратного отношения (если база сравнения принимается за единицу), и в процентах (если база сравнения принимается за 100 единиц) путем домножения относительного изменения на 100%. В табл. 28 в столбце 5 рассчитаны базисные относительные изменения по формуле (2), а в столбце 6 – цепные относительные изменения по формуле (2). Между базисными и цепными относительными изменениями существует взаимосвязь: произведение цепных относительных изменений равно последнему базисному изменению, то есть . (2) В нашем примере про ВО подтверждается правильность расчета относительных изменений по формуле (2): = 1,038*1,082*1,260*1,324*1,315*1,270 = 3,125 рассчитано по данным 6-го столбца, а = 3,125 – в предпоследней строке 5-го столбца табл. 28. Темп изменения (темп прироста) уровней – относительный показатель, показывающий, на сколько процентов данный уровень больше (или меньше) другого, принимаемого за базу сравнения. Он рассчитывается путем вычитания из относительного изменения 100%, то есть по формуле (2): , (2) или как процентное отношение абсолютного изменения к тому уровню, по сравнению с которым рассчитано абсолютное изменение (базисный уровень), то есть по формуле (2): . (2) В табл. 28 в столбце 7 рассчитаны базисные темпы изменения ВО по формуле (2), а в столбце 8 – цепные темпы изменения по формуле (2). Все расчеты в табл. 28 свидетельствуют о ежегодном росте ВО России за период 2000-2006 гг. 6.3. Средние показатели ряда динамики Каждый ряд динамики можно рассматривать как некую совокупность n меняющихся во времени показателей, которые можно обобщить в виде средних величин. Такие обобщенные (средние) показатели особенно необходимы при сравнении динамики изменений того или иного показателя ВЭД в разные периоды, в разных странах и т.д. Обобщенной характеристикой ряда динамики служит прежде всего средний уровень ряда . Для разных видов рядов динамики он рассчитывается неодинаково. Ряды динамики бывают равномерные (с равными интервалами времени между уровнями), для которых средний уровень определяется по простой формуле средней величины, и неравномерные (с неравными интервалами), для которых используются формулы средних взвешенных (по интервалам времени) величин. В интервальном ряду динамики (в котором время задано в виде промежутков времени, к которым относятся уровни) определяется по формуле средней арифметической, а в моментном ряду (в котором время задано в виде конкретных моментов времени или дат, к которым относятся уровни) – по формуле средней хронологической. В табл. 29 приводятся виды рядов динамики и соответствующие формулы для расчета их среднего уровня . Таблица 29. Виды средних величин, применяемых при расчете среднего уровня Вид ряда динамики Название средней величины Формула средней величины Номер формулы Равномерный интервальный Арифметическая простая (2) Равномерный моментный Хронологическая простая (2) Неравномерный интервальный Арифметическая взвешенная (2) Неравномерный моментный Хронологическая взвешенная (2) В нашем примере про ВО России за период 2000-2006 гг. имеем равномерный интервальный ряд динамики, поэтому его средний уровень определяем по формуле (2): = 1803,7/7 = 257,671, то есть ВО России в период 2000-2006 гг. составлял ежегодно в среднем 257,671 млрд. долл. США. Кроме среднего уровня ряда рассчитываются и другие средние показатели: • среднее абсолютное изменение (средний абсолютный прирост); • среднее относительное изменение (средний темп роста); • средний темп изменения (средний темп прироста). Каждый из этих показателей может рассчитываться базисным и цепным способом. Базисное среднее абсолютное изменение – это частное от деления последнего базисного абсолютного изменения на количество изменений уровней (2); цепное среднее абсолютное изменение уровней ряда – это частное от деления суммы всех цепных абсолютных изменений на количество изменений (2): Б = (2) Ц = (2) По знаку средних абсолютных изменений также судят о характере изменения явления в среднем: рост, спад или стабильность. Очевидно, что числители формулы (2) и (2) равны между собой по формуле (2), значит, среднее абсолютное изменение не зависит от способа расчета (базисный или цепной), так как результат получится одинаковый. В нашей задаче по формуле (2) или (2): = 318,5/6 = 53,083, то есть ежегодно в среднем ВО растет на 53,083 млрд. долл. Наряду со средним абсолютным изменением рассчитывается и среднее относительное. Базисное среднее относительное изменение определяется по формуле (2), а цепное среднее относительное изменение – по формуле (2): Б== (2) Ц= (2) Естественно, базисное и цепное среднее относительное изменения должны быть одинаковыми и сравнением их с критериальным значением 1 делается вывод о характере изменения явления в среднем: рост, спад или стабильность. В нашем примере про ВО: = = 1,209, то есть ежегодно в среднем в период 2000-2006 гг. ВО России растет в 1,209 раза. Вычитанием 100% из среднего относительного изменения образуется соответствующий средний темп изменения, по знаку которого также можно судить о характере изменения изучаемого явления, отраженного данным рядом динамики. В нашем примере про ВО: = 1,209 – 1 = 0,209, то есть ежегодно в среднем в период 2000-2006 гг. ВО России растет на 20,9%. 6.4. Методы выявления основной тенденции (тренда) в рядах динамики Одна из основных задач изучения рядов динамики – выявить основную тенденцию (закономерность) в изменении уровней ряда, именуемую трендом. Закономерность в изменении уровней ряда в одних случаях проявляется наглядно, в других – может маскироваться колебаниями случайного или неслучайного характера. Поэтому, чтобы сделать правильные выводы о закономерностях развития того или иного показателя, надо суметь отделить тренд от колебаний, вызванных случайными кратковременными причинами. На основании выделенного тренда можно экстраполировать (прогнозировать) развитие явления в будущем. С этой целью (устранить колебания, вызванные случайными причинами) ряды динамики подвергают обработке. Существует несколько методов обработки рядов динамики, помогающих выявить основную тенденцию изменения уровней ряда, а именно: метод укрупнения интервалов, метод скользящей средней и аналитическое выравнивание. Во всех методах вместо фактических уровней при обработке ряда рассчитываются иные (расчетные) уровни, в которых тем или иным способом взаимопогашается действие случайных факторов и тем самым уменьшается колеблемость уровней. Последние в результате становятся как бы «выравненными», «сглаженными» по отношению к исходным фактическим данным. Такие методы обработки рядов динамики называются сглаживанием или выравниванием рядов динамики. Простейший метод сглаживания уровней ряда – укрупнения интервалов, для определяется итоговое значение или средняя величина исследуемого показателя. Этот метод особенно эффективен, если первоначальные уровни ряда относятся к коротким промежуткам времени. Например, если имеются данные о ежесуточном производстве мороженого на предприятии за месяц, то, естественно, в таком ряду возможны значительные колебания уровней, так как чем меньше период, за который приводятся данные, тем больше влияние случайных факторов. Чтобы устранить это влияние, рекомендуется укрупнить интервалы времени, например до 5 или 10 дней, и для этих укрупненных интервалов рассчитать общий или среднесуточный объем производства (соответственно по пятидневкам или декадам). В ряду с укрупненными интервалами времени закономерность изменения уровней будет более наглядной. Или, например, имеются ежемесячные данные о производстве мороженого – табл.32, еще более сильно укрупним интервалы – до трех месяцев (см. табл.33). По своей сути метод скользящей средней похож на метод укрупнения интервалов, но в данном случае фактические уровни заменяются средними уровнями, рассчитанными для последовательно подвижных (скользящих) укрупненных интервалов, охватывающих m уровней ряда. Например, если принять m=3, то сначала рассчитывается средняя величина из первых трех уровней, затем находится средняя величина из 2-го, 3-го и 4-го уровней, потом из 3-го, 4-го и 5-го и т.д., т.е. каждый раз в сумме трех уровней появляется новый уровень, а два остаются прежними, что и обусловливает взаимопогашение случайных колебаний в средних уровнях. Рассчитанные из m членов скользящие средние относятся к середине (центру) каждого рассматриваемого интервала. Сглаживание методом скользящей средней можно проводить по любому числу членов m, но удобнее, если m – нечетное число, так как в этом случае скользящая средняя сразу относится к конкретной временнОй точке – середине (центру) интервала. Если же m – четное, то скользящая средняя относится к промежутку между временнЫми точками: например, при сглаживании по четырем членам (m=4) средняя из первых четырех уровней будет находиться между второй и третьей временной точкой, следующая – между третьей и четвертой и т.д. Тогда, чтобы сглаженные уровни относились непосредственно к конкретным временнЫм точкам, из каждой пары смежных промежуточных значений скользящих средних находят среднюю арифметическую, которую относят к временной точке, находящейся между смежными. Такой прием двойного расчета сглаженных уровней называется центрированием. Недостатком метода скользящей средней является то, что сглаженный ряд укорачивается по сравнению с фактическим с двух концов: при нечетном m на (m-1)/2, а при четном m – на m/2 с каждого конца. Применяя этот метод, надо помнить, что он сглаживает (устраняет) лишь случайные колебания. Если же, например, ряд содержит сезонную волну (см. 6.6), она сохранится и после сглаживания методом скользящей средней. Кроме того, этот метод сглаживания, как и метод укрупнения интервалов не позволяет выражать общую тенденцию изменения уровней в виде математической модели. Наиболее совершенным методом обработки рядов динамики в целях устранения случайных колебаний и выявления тренда является выравнивание уровней ряда по аналитическим формулам (или аналитическое выравнивание). Суть аналитического выравнивания заключается в замене эмпирических (фактических, исходных) уровней yi теоретическими , которые рассчитаны по определенному уравнению, принятому за математическую модель тренда, где теоретические уровни рассматриваются как функция времени: = f(t). При этом каждый фактический уровень yi рассматривается обычно как сумма двух составляющих: , (2) где f(t) =­ ­- систематическая составляющая, отражающая тренд и выраженная определенным уравнением; - случайная величина, вызывающая колебания уровней вокруг тренда. Задача аналитического выравнивания сводится к следующему: 1) определение на основе фактических данных формы (вида) гипотетической функции = f(t), способной наиболее адекватно отразить тенденцию развития исследуемого показателя; 2) нахождение по эмпирическим данным параметров указанной функции (уравнения); 3) расчет по найденному уравнению теоретических (выравненных) уровней. В аналитическом выравнивании наиболее часто используются простейшие функции, представленные в табл. 30, где обозначено - теоретические (выравненные) уровни (читается как «игрек, выравненный по t»); t – условное обозначение времени (1, 2, 3 …); a0, a1, a2, ... – параметры аналитической функции; k – число гармоник (при выравнивании по ряду Фурье). Выбор той или иной функции для выравнивания ряда динамики осуществляется на основании графического изображения эмпирических данных. Если по тем или иным причинам уровни эмпирического ряда трудно описать одной функцией, следует разбить анализируемый период на отдельные части и затем выровнять каждую часть по соответствующей кривой. Таблица 30. Виды математических функций30, используемые при выравнивании Название функции Вид функции Формула Прямая линия (2) Парабола 2-го порядка или (2) Парабола 3-го порядка (2) Гипербола (2) Показательная (2) Степенная (2) Ряд Фурье (2) Нередко один и тот же ряд можно выровнять по разным аналитическим функциям и получить довольно близкие результаты. В нашем примере про ВО России можно произвести выравнивание и по прямой линии, и по параболе. Чтобы решить вопрос о том, использование какой кривой дает лучший результат, обычно сопоставляют суммы квадратов отклонений эмпирических уровней от теоретических (остатки), рассчитанным по разным функциям, то есть: . (2) Та функция, при которой эта сумма минимальна, считается наиболее адекватной, приемлемой. Однако сравнивать непосредственно суммы квадратов отклонений можно в том случае, если сравниваемые уравнения имеют одинаковое число параметров. Если же число параметров k разное, то каждую сумму квадратов делят на разность (n – k), выступающую в роли числа степеней свободы, и сравнивают уже квадраты отклонений уровней, рассчитанные на одну степень свободы (т.е. остаточные дисперсии на одну степень свободы). Параметры искомых уравнений (a0, a1, a2, ...) при аналитическом выравнивании могут быть определены по-разному, но наиболее распространенным методом является метод наименьших квадратов (МНК). При этом методе учитываются все эмпирические уровни и должна обеспечиваться минимальная сумма квадратов отклонений эмпирических значений уровней y от теоретических уровней : . (2) В частности, при выравнивании по прямой вида (2) параметры и отыскиваются по МНК следующим образом. В формуле (2) вместо записываем его конкретное выражение . Тогда . Дальнейшее решение сводится к задаче на экстремум, т.е. к определению того, при каком значении и функция двух переменных S может достигнуть минимума. Как известно, для этого надо найти частные производные S по и , приравнять их к нулю и после элементарных преобразований решить систему двух уравнений с двумя неизвестными. В соответствии с вышеизложенным найдем частные производные: Сократив каждое уравнение на 2, раскрыв скобки и перенеся члены с y в правую сторону, а остальные – оставив в левой, получим систему нормальных уравнений: (2) где n – количество уровней ряда; t – порядковый номер в условном обозначении периода или момента времени; y – уровни эмпирического ряда. Эта система и, соответственно, расчет параметров и упрощаются, если отсчет времени ведется от середины ряда31. Например, при нечетном числе уровней (как в нашем примере про ВО России – 7 уровней) серединная точка времени (год, месяц) принимается за нуль, тогда предшествующие периоды обозначаются соответственно –1, –2, –3 и т.д., а следующие за средним (центральным) – соответственно 1, 2, 3 и т.д. (см. 3-й столбец табл. 31). При четном числе уровней два серединных момента (периода) времени обозначают –1 и +1, а все последующие и предыдущие, соответственно, через два интервала: , , и т.д. При таком порядке отсчета времени (от середины ряда) = 0, поэтому, система нормальных уравнений (2) упрощается до следующих двух уравнений, каждое из которых решается самостоятельно: (2) Как видим, при такой нумерации периодов параметр представляет собой средний уровень равномерного интервального ряда, то есть формулу (2). Определим по формуле (2) параметры уравнения прямой для нашего примера про ВО России, для чего исходные данные и все расчеты необходимых сумм представим в табл. 31. Таблица 31. Вспомогательные расчеты для линейного тренда Год y t t2 yt 2000 149,9 -3 9 -449,7 97,557 2739,775 25636,584 11614,681 2001 155,6 -2 4 -311,2 150,929 21,822 11394,038 10418,577 2002 168,3 -1 1 -168,3 204,300 1296,000 2848,509 7987,252 2003 212 257,671 2085,879 0,000 2085,879 2004 280,6 1 1 280,6 311,043 926,768 2848,509 525,719 2005 368,9 2 4 737,8 364,414 20,122 11394,038 12371,795 2006 468,4 3 9 1405,2 417,786 2561,806 25636,584 44406,531 Итого 1803,7 28 1494,4 1803,700 9652,171 79758,263 89410,434 Из табл. 31 получаем, что: a0 = 1803,7/7 = 257,671 и a1 = 1494,4/28 = 53,371. Отсюда искомое уравнение тренда: =257,671+53,371t. В 6-м столбце табл. 31 приведены теоретические (трендовые) уровни, рассчитанные по этому уравнению, а в итоге 7-го столбца – остатки по формуле (2). Для иллюстрации построим график эмпирических и трендовых уровней – рис. 14. Рис. 14. Эмпирические и трендовые уровни ряда динамики ВО России 6.5. Оценка адекватности тренда и прогнозирование Для найденного уравнения тренда необходимо провести оценку его надежности (адекватности), что осуществляется обычно с помощью критерия Фишера, сравнивая его расчетное значение Fр с теоретическим (табличным) значением FТ (Приложение 4). При этом расчетный критерий Фишера определяется по формуле (2): , (2) где k – число параметров (членов) выбранного уравнения тренда. Для проверки правильности расчета сумм в формуле (2) можно использовать следующее равенство (2): . (2) В нашем примере про ВО равенство (2) соблюдается (необходимые суммы рассчитаны в трех последних столбцах табл. 31): 89410,434 = 9652,171 + 79758,263. Сравнение расчетного и теоретического значений критерия Фишера ведется при заданном уровне значимости32 с учетом степеней свободы: и . При условии Fр > FТ считается, что выбранная математическая модель ряда динамики адекватно отражает обнаруженный в нем тренд. Проверим тренд на адекватность в нашем примере про ВО по формуле (2): FР = 79758,263*5/(9652,171*1) = 41,32 > FТ, значит, модель адекватна и ее можно использовать для прогнозирования (FТ = 6,61 находим по Приложению 4 в 1-ом столбце [= k – 1 = 2 – 1 = 1] и 5-й строке [= n – k = 5]). Как уже было отмечено ранее, в нашем примере про ВО России можно произвести выравнивание не только по прямой линии, но и по параболе, чего делать не будем, так как уже найденный линейный тренд адекватно описывает тенденцию33. При составлении прогнозов уровней социально-экономических явлений обычно оперируют не точечной, а интервальной оценкой, рассчитывая так называемые доверительные интервалы прогноза. Границы интервалов определяются по формуле (2): , (2) где – точечный прогноз, рассчитанный по модели тренда; – коэффициент доверия по распределению Стьюдента при уровне значимости и числе степеней свободы =n–1 (Приложение 2)34; – ошибка аппроксимации, определяемая по формуле (2): . (2) Спрогнозируем ВО России на 2007 и 2008 годы с вероятностью 0,95 (значимостью 0,05), для чего найдем ошибку аппроксимации по формуле (2): == 43,937 и найдем коэффициент доверия по распределению Стьюдента по Приложению 2: = 2,4469 при = 7 – 1= 6. Прогноз на 2007 и 2008 годы с вероятностью 0,95 по формуле (2): Y2007 = (257,671+53,371*4)2,4469*43,937 или 363,630) по Приложению 1: t = 1,96. Тогда прогноз на январь 2007 года с вероятностью 0,95 по формуле (2): Yянв07 = 31,711,99*4,727 или 22,44 FТ, значит модель адекватна и ее можно использовать для прогнозирования (FТ = 6,94 находим по Приложению 4 в 2-ом столбце [= k – 1 = 3 – 1 = 2] и 4-й строке [= n – k = 4]). Спрогнозируем СВТ России на 2007 и 2008 годы с вероятностью 0,95, для чего найдем ошибку аппроксимации по формуле (2): == 6,597 и найдем коэффициент доверия по распределению Стьюдента по Приложению 2: = 2,4469 при = 7 – 1= 6. Прогноз СВТ России на 2007 и 2008 годы с вероятностью 0,95 по формуле (2): Y2007 = (62,357+15,061*4+4,382*42)2,4469*6,597 или 176,630), то σr рассчитывается по формуле (2): . (2) Обычно, если >3, то r считается значимым (существенным), а связь – реальной. Задавшись определенной вероятностью, можно определить доверительные пределы (границы) r = (), где t – коэффициент доверия, рассчитываемый по интегралу Лапласа (см. Приложение 1). 2. Если число наблюдений небольшое (n<30), то σr рассчитывается по формуле (2): , (2) а значимость r проверяется на основе t-критерия Стьюдента, для чего определяется расчетное значение критерия по формуле (2) и сопоставляется c tТАБЛ. . (2) Табличное значение tТАБЛ находится по таблице распределения t-критерия Стьюдента (см. Приложение 2) при уровне значимости α=1-β и числе степеней свободы ν=n–2. Если tРАСЧ> tТАБЛ , то r считается значимым, а связь между х и у – реальной. В противном случае (tРАСЧ< tТАБЛ) считается, что связь между х и у отсутствует, и значение r, отличное от нуля, получено случайно. В нашей задаче число наблюдений небольшое, значит, оценивать существенность (значимость) линейного коэффициента корреляции будем по формулам (2) и (2): = 0,349/3,162 = 0,110; = 0,937/0,110 = 8,482. Из приложения 2 видно, что при числе степеней свободы ν = 12 – 2 = 10 (в 10-й строке) и вероятности β = 95% (уровень значимости α =1 – β = 0,05) tтабл=2,2281, а при вероятности 99% (α=0,01) tтабл=3,169, значит, tРАСЧ > tТАБЛ, что дает возможность считать линейный коэффициент корреляции r = 0,937 значимым. 7. Подбор уравнения регрессии45 представляет собой математическое описание изменения взаимно коррелируемых величин по эмпирическим (фактическим) данным. Уравнение регрессии должно определить, каким будет среднее значение результативного признака у при том или ином значении факторного признака х, если остальные факторы, влияющие на у и не связанные с х, не учитывать, т.е. абстрагироваться от них. Другими словами, уравнение регрессии можно рассматривать как вероятностную гипотетическую функциональную связь величины результативного признака у со значениями факторного признака х. Уравнение регрессии можно также назвать теоретической линией регрессии. Рассчитанные по уравнению регрессии значения результативного признака называются теоретическими. Они обычно обозначаются или (читается: «игрек, выравненный по х») и рассматриваются как функция от х, т.е. = f(x). Найти в каждом конкретном случае тип функции, с помощью которой можно наиболее адекватно отразить ту или иную зависимость между признаками х и у, — одна из основных задач регрессионного анализа. Выбор теоретической линии регрессии часто обусловлен формой эмпирической линии регрессии; теоретическая линия как бы сглаживает изломы эмпирической линии регрессии. Кроме того, необходимо учитывать природу изучаемых показателей и специфику их взаимосвязей. Для аналитической связи между х и у могут использоваться виды уравнений, приведенные в таблице 30 (при условии замены t на x). Обычно зависимость, выражаемую уравнением прямой, называют линейной (или прямолинейной), а все остальные — криволинейными зависимостями. Выбрав тип функции (таблица 30), по эмпирическим данным определяют параметры уравнения. При этом отыскиваемые параметры должны быть такими, при которых рассчитанные по уравнению теоретические значения результативного признака были бы максимально близки к эмпирическим данным. Существует несколько методов нахождения параметров уравнения регрессии. Наиболее часто используется метод наименьших квадратов (МНК). Его суть заключается в следующем требовании: искомые теоретические значения результативного признака должны быть такими, при которых бы обеспечивалась минимальная сумма квадратов их отклонений от эмпирических значений, т.е. . Поставив данное условие, легко определить, при каких значениях a0, a1 и т.д. для каждой аналитической кривой эта сумма квадратов отклонений будет минимальной. Данный метод уже использовался нами в теме 6 «Статистическое изучение динамики ВЭД», поэтому, воспользуемся формулой (2) для нахождения параметров теоретической линии регрессии, заменив параметр t на x: (2) Выразив из первого уравнения системы (2) a0, получим46: . (2) Подставив (2) во второе уравнение системы (2), затем разделив обе его части на n, получим: . (2) Применяя 3 раза формулу средней арифметической, получим: . (2) Раскрыв скобки и перенеся члены без a1 в правую часть уравнения, выразим a1: . (2) Параметр a1 в уравнении линейной регрессии называется коэффициентом регрессии, который показывает на сколько изменяется значение результативного признака y при изменении факторного признака x на единицу. Исходные данные и расчеты для нашего примера представим в таблице 45. Таблица 45. Вспомогательные расчеты для нахождения уравнения регрессии № п/п x y x2 xy 1 27,068 172,17 732,677 4660,298 187,124 223,612 2657,453 2 29,889 200,90 893,352 6004,700 202,377 2,181 1317,497 3 33,158 232,10 1099,453 7695,972 220,052 145,147 346,774 4 34,444 231,83 1186,389 7985,153 227,006 23,274 136,153 5 37,299 246,53 1391,215 9195,322 242,443 16,706 14,202 6 37,554 236,99 1410,303 8899,922 243,821 46,669 26,495 7 37,755 233,40 1425,440 8812,017 244,908 132,441 38,864 8 37,909 256,43 1437,092 9721,005 245,741 114,256 49,940 9 38,348 261,89 1470,569 10042,958 248,115 189,761 89,122 10 39,137 259,36 1531,705 10150,572 252,381 48,710 187,871 11 40,370 253,62 1629,737 10238,639 259,048 29,459 415,076 12 46,298 278,87 2143,505 12911,123 291,100 149,580 2748,498 Итого 439,229 2864,09 16351,437 106317,681 2864,115 1121,795 8027,945 По формуле (2): = 5,407. По формуле (2): a0 = 238,674 – 5,407*36,602 = 40,767. Отсюда получаем уравнение регрессии:=40,767+5,407x, подставляя в которое вместо x эмпирические значения факторного признака (2-й столбец таблицы 45), получаем выравненные по прямой линии теоретические значения результативного признака (6-й столбец таблицы 45)47. Для иллюстрации различий между эмпирическими и теоретическими линиями регрессии построим график (рисунок Error: Reference source not found). Рис. 22. График эмпирической и теоретической линий регрессии Из рисунка 22 видно, что небольшие различия между эмпирической и теоретической линиями регрессии существуют, поэтому необходимо оценить существенность коэффициента регрессии и уравнения связи, для чего определяют среднюю ошибку параметров уравнения регрессии и сравнивают их с этой ошибкой. Расчет ошибок параметров уравнения регрессии основан на использовании остаточной дисперсии, характеризующей расхождение (отклонение) между эмпирическими и теоретическими значениями результативного признака. Для линейного уравнения регрессии () средние ошибки параметров a1 и a2 определяются по формулам (2) и (2) соответственно: , (2) , (2) . (2) Значимость параметров проверяется путем сопоставления его значения со средней ошибкой. Обозначим это соотношение как t: , (2) При большом числе наблюдений (n>30) параметр ai считается значимым, если >3. Если выборка малая (n<30), то значимость параметра ai проверяется путем сравнения с табличным значения t-критерия Стьюдента при числе степеней свободы ν=n-2 и заданном уровне значимости α (Приложение 2). Если рассчитанное по формуле (2) значение больше табличного, то параметр считается значимым. В нашем примере по формуле (2): = 9,669. Находим среднюю ошибку параметра a0 по формуле (2): = 3,06. Теперь находим среднюю ошибку параметра a1 по формуле (2): =0,639. Теперь по формуле (2) для параметра a0: =13,3. И по той же формуле для параметра a1: =8,46. Так как выборка малая, то задавшись стандартной значимостью α=0,05 находим в 10-й строке Приложения 2 табличное значение tα=2,23, которое значительно меньше полученных значений 13,3 и 8,46, что свидетельствует о значимости обоих параметров уравнения регрессии. Наряду с проверкой значимости отдельных параметров осуществляется проверка значимости уравнения регрессии в целом или, что то же самое, проверка адекватности модели с помощью критерия Фишера по Приложению 4. Данный метод уже использовался нами для проверки адекватности уравнения тренда в предыдущей теме, поэтому воспользовавшись формулой (2) в нашем примере получим48: Сравнивая расчетное значение критерия Фишера Fр = 71,56 с табличным Fт = 4,96, определяемое по Приложению 4 при числе степеней свободы ν1 = k – 1 = 2 –1 = 1 и ν2 = n – k = 12 – 2 = 10 (т.е. 1-й столбец и 10-я строка) и стандартном уровне значимости α=0,05, можно сделать вывод, что уравнение регрессии значимо. 8. Коэффициент эластичности показывает, на сколько процентов изменяется в среднем результативный признак y при изменении факторного признака x на 1%. Он рассчитывается на основе уравнения регрессии: , (2) где – первая производная уравнения регрессии y по x. Коэффициент эластичности – величина переменная, т.е. изменяется с изменением значений фактора x. Так, для линейной зависимости : . (2) Применительно к рассмотренному уравнению регрессии, выражающему зависимость величины таможенных платежей в федеральный бюджет от величины стоимостного внешнеторгового оборота (= 40,767 + 5,407x), коэффициент эластичности по формуле (2): . Подставляя в данное выражение разные значения x, получаем и разные значения Э. Так, например, при x = 40 коэффициент эластичности = 0,84, а при x = 50 соответственно = 0,87 и т.д. Это значит, что при увеличении внешнеторгового товарооборота x с 40 до 40,4 млрд.долл. (т.е. на 1%), величина таможенных платежей возрастет в среднем на 0,84% прежнего уровня; при увеличении x с 50 до 50,5 млрд.долл. (т.е. на 1%) y возрастет на 0,87% и т.д. 9. Теоретическое корреляционное отношение как универсальный показатель тесноты связи. Измерить тесноту связи между коррелируемыми величинами – значит определить, насколько вариация результативного признака обусловлена вариацией факторного (факторных) признака. Ранее были рассмотрены показатели, с помощью которых можно выявить наличие корреляционной связи между двумя признаками x и y и измерить тесноту этой связи. Наряду с ними существует универсальный показатель – корреляционное отношение (или коэффициент корреляции по Пирсону), применимое ко всем случаям корреляционной зависимости независимо от формы этой связи. Следует различать эмпирическое и теоретическое корреляционное отношение. Эмпирическое корреляционное отношение рассчитывается на основе правила сложения дисперсий как корень квадратный из отношения межгрупповой дисперсии к общей дисперсии, т.е. . (2) Теоретическое корреляционное отношение определяется на основе выравненных (теоретических) значений результативного признака , рассчитанных по уравнению регрессии. представляет собой относительную величину, получаемую в результате сравнения среднего квадратического отклонения в ряду теоретических значений результативного признака со средним квадратическим отклонением в ряду эмпирических значений. Если обозначить дисперсию эмпирического ряда игреков через , а теоретического ряда – , то каждая из них выразится формулами , . Сравнивая вторую дисперсию с первой, получим теоретический коэффициент детерминации: , (2) который показывает, какую долю в общей дисперсии результативного признака занимает дисперсия, выражающая влияние вариации фактора x на вариацию y. Извлекая корень квадратный из коэффициента детерминации, получаем теоретическое корреляционное отношение . (2) Оно может находиться в пределах от 0 до 1, чем ближе его значение к 1, тем теснее связь между вариацией y и x. Для оценки тесноты связи обычно применяется шкала Чэддока (таблица 43). Корреляционное отношение применимо как для парной, так и для множественной корреляции независимо от формы связи. В этом смысле его можно назвать универсальным показателем тесноты связи. При линейной зависимости . Покажем расчет на условном примере. Исходные данные и расчет дополнительных показателей приведен в таблице 46. Таблица 46. Исходные данные и вспомогательные расчеты для нахождения теоретического корреляционного отношения В данном примере общая средняя урожайность: (ц/га). Общая дисперсия: =30/5=6, факторная дисперсия: =29,46/5=5,892. Отсюда теоретическое корреляционное отношение: =0,99. Данное значение характеризует очень тесную зависимость изменения урожайности от изменения количества внесенных удобрений. В нашем примере незначительные расхождения (3029,46+0,46 – это правило сложения дисперсий) объясняются округлением значений параметров уравнения регрессии и самих . 7.3. Коэффициенты корреляции рангов Коэффициенты корреляции рангов – это менее точные, но более простые по расчету непараметрические показатели для измерения тесноты связи между двумя коррелируемыми признаками. К ним относятся коэффициенты Спирмэна (ρ) и Кендэла (τ), основанные на корреляции не самих значений коррелируемых признаков, а их рангов – порядковых номеров, присваиваемых каждому индивидуальному значению х и у (отдельно) в ранжированном ряду. Оба признака необходимо ранжировать (нумеровать) в одном и том же порядке: от меньших значений к большим и наоборот. Если встречается несколько значений х (или у), то каждому из них присваивается ранг, равный частному от деления суммы рангов (мест в ряду), приходящихся на эти значения, на число равных значений. Ранги признаков х и у обозначают символами Rx и Ry (иногда Nx и Ny). Суждение о связи между изменениями значений х и у основано на сравнении поведения рангов по двум признакам параллельно. Если у каждой пары х и у ранги совпадают, это характеризует максимально тесную связь. Если же наблюдается полная противоположность рангов, т.е. в одном ряду ранги возрастают от 1 до n, а в другом – убывают от n до 1, это максимально возможная обратная связь. Подходы для оценки тесноты связи у Спирмэна и Кендэла несколько различаются. Для расчета коэффициента Спирмэна значения признаков х и у нумеруют (отдельно) в порядке возрастания от 1 до n, т.е. им присваивают определенный ранг (Rx и Ry) – порядковый номер в ранжированном ряду. Затем для каждой пары рангов находят их разность (обозначается как d= Rx – Ry), и квадраты этой разности суммируют. , (2) где d – разность рангов х и у; n – число наблюдаемых пар значений х и у. Коэффициент ρ может принимать значения от 0 до ±1. Следует иметь в виду, что, поскольку коэффициент Спирмэна учитывает разность только рангов, а не самих значений х и у, он менее точен по сравнению с линейным коэффициентом. Поэто­му его крайние значения (1 или 0) нельзя безоговорочно расцени­вать как свидетельство функциональной связи или полного от­сутствия зависимости между х и у. Во всех других случаях, т.е. когда ρ не принимает крайних зна­чений, он довольно близок к r. Формула (2) применима строго теоретически только тогда, когда отдельные значения х (и у), а следовательно, и их ранги не повторяются. Для случая повторяющихся (связанных) рангов есть другая, более сложная формула, скорректированная на число по­вторяющихся рангов. Однако опыт показывает, что результаты расчетов по скорректированной формуле для связанных рангов мало отличаются от результатов, полученных по формуле для не­повторяющихся рангов. Поэтому на практике формула (2) ус­пешно применяется как для неповторяющихся, так и для повто­ряющихся рангов. Коэффициент корреляции рангов Кендэла τ строится несколь­ко по-другому, хотя его расчет также начинается с ранжирования значений признаков х и у. Ранги х (Rx) располагают строго в порядке возрастания и па­раллельно записывают соответствующее каждому Rx значение Ry. Поскольку Rx записаны строго по возрастанию, то ставится задача определить меру соответствия последовательности Ry «пра­вильному» следованию Rx. При этом для каждого Ry последо­вательно определяют число следующих за ним рангов, превыша­ющих его значение, и число рангов, меньших по значению. Первые («правильное» следование) учитываются как баллы со знаком «+», и их сумма обозначается буквой Р. Вторые («непра­вильное» следование) учитываются как баллы со знаком «–», и их сумма обозначается буквой Q. Очевидно, что максимальное значение Р достигается в том слу­чае, если ранги y (Ry) совпадают с рангами х (Rx) и в каждом ряду представляют ряд натуральных чисел от 1 до п. Тогда после первой пары значений Rx = 1 и Ry = 1 число превышения данных значений рангов составит (n – 1), после второй пары, где Rx = 2 и Ry = 2, соответственно (п – 2) и т.д. Таким образом, если ранги х и у совпадают и число пар рангов равно n, то . Если же последовательность рангов х и у имеет обратную тенденцию по отношению к последовательности рангов х, то Q будет такое же максимальное значение по модулю: . Если же ранги у не совпадают с рангами х, то суммируются все положительные и отрицательные баллы (S=P+Q); отношение этой суммы S к максимальному значению одного из слагаемых и представляет собой коэффициент корреляции рангов Кендэла τ, т.е.: . (2) Формула коэффициента корреляции рангов Кендэла (2) применяется для случаев, когда отдельные значения признака (как х, так и у) не повторяются и, следовательно, их ранги не объе­динены. Если же встречается несколько одинаковых значений х (или у), т.е. ранги повторяются, становятся связанными, коэффици­ент корреляции рангов Кендэла определяется по формуле: , (2) где S – фактическая общая сумма баллов при оценке +1 каж­дой пары рангов с одинаковым порядком изменения и –1 каждой пары рангов с обратным порядком изме­нения; – число баллов, корректирующих (уменьшающих) максимальную сумму баллов за счет повторений (объединений) t рангов в каждом ряду. Отметим, что случаи следования одинаковых повторяющихся рангов (в любом ряду) оцениваются баллом 0, т.е. они не учиты­ваются при расчете ни со знаком «+», ни со знаком «–». Преимущества ранговых коэффициентов корреля­ции Спирмэна и Кендэла: они легко вычисляются, с их помощью можно изучать и измерять связь не только между количественны­ми, но и между качественными (описательными) признаками, ранжированными определенным образом. Кроме того, при ис­пользовании ранговых коэффициентов корреляции не требуется знать форму связи изучаемых явлений. Если число ранжируемых признаков (факторов) больше двух, то для измерения тесноты связи между ними можно использовать предложенный М. Кендэлом и Б. Смитом коэффициент конкордации (множественный коэффициент ранговой корреляции): , (2) где S — сумма квадратов отклонений суммы т рангов от их средней величины; т — число ранжируемых признаков; п — число ранжируемых единиц (число наблюдений). Формула (2) применяется для случая, кода ранги по каж­дому признаку не повторяются. Если же есть связанные ран­ги, то коэффициент конкордации рассчитывается с учетом числа таких повторяющихся (связанных) рангов по каждому фактору: , (2) где t – число одинаковых рангов по каждому признаку. Коэффициент конкордации W может принимать значения от 0 до 1. Однако, необходимо проверить его на существенность (значимость) с помощью критерия χ2 при отсутствии связанных рангов по формуле (2), а при их наличии – по формуле (2): , (2) . (2) Фактическое значение χ2 сравнивается с табличным, соответ­ствующим принятому уровню значимости α (0,05 или 0,01) и числу степеней свободы v = п – 1. Если χ2факт > χ2табл, то W – существенен (значим). Коэффициент конкордации особенно часто используется в экспертных оценках, например, для того, чтобы определить сте­пень согласованности мнений экспертов о важности того или иного оцениваемого показателя или составить рейтинг отдельных единиц по какому-либо признаку. В формуле (2) в этих случаях т означает число экспертов, а n — число ранжируемых единиц (или признаков). 7.4. Особенности коррелирования рядов динамики Во многих исследованиях приходится изучать динамику нескольких показателей одновременно, т.е. рассматривать параллельно несколько рядов динамики. В этом случае возникает необходимость измерить зависимость между ними, вернее, определить, насколько изменения уровней одного ряда зависят от изменения уровней другого ряда. Эта задача решается путем коррелирования рядов динамики. Однако при этом возникает следующая проблема: если показатели ряда x и ряда y рассматривать как функцию времени, т.е. x = f(t) и y = f(t), то при однонаправленности их трендов можно получить большое значение коэффициента корреляции между x и y даже тогда, когда они независимы, именно в силу однонаправленности их изменения. Поэтому, прежде чем коррелировать ряды динамики, необходимо установить путем логического (качественного) анализа, возможна ли связь между исследуемыми показателями x и y. Кроме того, одно из условий корреляции – независимость отдельных значений переменных множества x, так же как и множества y. Для рядов динамики это равнозначно отсутствию автокорреляции между уровнями ряда, т.е. отсутствию зависимости между последовательными (соседними) уровнями ряда динамики. Другими словами, прежде чем коррелировать ряды динамики, необходимо проверить каждый ряд на автокорреляцию. Если исходные фактические уровни ряда, относящиеся к определенному моменту (периоду) времени t, обозначить через yt, то сдвинутые на один момент (период) уровни обозначают yt-1. Тогда, подставив в формулу коэффициента корреляции (2) значения yt и yt-1, получим формулу: , (2) а поскольку и , получим следующие формулы49 для расчета коэффициента автокорреляции: , (2) или . (2) Сдвинутый (укороченный) ряд условно дополняют, принимая y1 = yn (чтобы сдвинутый ряд не укорачивался и чтобы средний уровень и дисперсия исходного и сдвинутого рядов были одинаковы). Найденное по формуле (2) или (2)50 значение коэффициента автокорреляции само по себе еще не говорит о наличии или отсутствии автокорреляции. Его нужно сравнить с критическим. Существуют специальные таблицы, в которых для разного числа членов ряда n и разных уровней значимости α определено критическое значение коэффициента автокорреляции: если найденное по формуле (2) или (2) значение окажется меньше критического, то автокорреляция отсутствует. Одна из таких таблиц, составленная Р. Андерсоном, приведена в Приложении 5. В нашем примере про внешнеторговый оборот и таможенные платежи проверим оба эти ряда динамики на автокорреляцию с помощью формулы (2), для чего построим таблицу 47. Таблица 47. Вспомогательные расчеты для проверки на автокорреляцию Месяц xt xt-1 xt xt-1 xt2 yt yt-1 yt yt-1 yt2 1 27,068 46,298 1253,194 732,677 172,170 278,870 48013,048 29642,509 2 29,889 27,068 809,035 893,352 200,900 172,170 34588,953 40360,810 3 34,444 29,889 1029,497 1186,389 231,830 200,900 46574,647 53745,149 4 33,158 34,444 1142,094 1099,453 232,100 231,830 53807,743 53870,410 5 37,755 33,158 1251,880 1425,440 233,400 232,100 54172,140 54475,560 6 37,554 37,755 1417,851 1410,303 236,990 233,400 55313,466 56164,260 7 37,299 37,554 1400,727 1391,215 246,530 236,990 58425,145 60777,041 8 40,370 37,299 1505,761 1629,737 253,620 246,530 62524,939 64323,104 9 37,909 40,370 1530,386 1437,092 256,430 253,620 65035,777 65756,345 10 38,348 37,909 1453,734 1470,569 261,890 256,430 67156,453 68586,372 11 39,137 38,348 1500,826 1531,705 259,360 261,890 67923,790 67267,610 12 46,298 39,137 1811,965 2143,505 278,870 259,360 72327,723 77768,477 Итого 439,229 439,229 16106,951 16351,437 2864,090 2864,090 685863,823 692737,647 Теперь по формуле (2) для ряда x: ra == 0,111. Аналогично по формуле (2) для ряда y: ra == 0,249. По таблице Приложения 5 определяем критическое (предельное) значение коэффициента корреляции для числа уровней n = 12 и уровне значимости α = 0,05. Оно равно 0,348. Оба рассчитанных значения оказались меньше критического, значит автокорреляция между уровнями в обоих рядах динамики отсутствует, следовательно, можно коррелировать уровни x и y. Исключение автокорреляции в рядах динамики. Если между уровнями ряда (при коррелировании рядов динамики) существует автокорреляция, она должна быть устранена. Есть несколько способов исключения автокорреляции в рядах динамики. Наиболее простой – коррелирование отклонений от выравненных уровней. Для этого каждый ряд динамики выравнивают по определенной для него аналитической формуле (т.е. находят и )51, затем из эмпирических уровней вычитают выравненные (т.е. находят остаточные величины52, не описываемые уравнением тренда: и ). Так как остаточные величины могут содержать автокорреляцию (например, в случае недостаточно точно подобранного уравнения тренда), необходимо убедиться, что между ними автокорреляция отсутствует. Лишь после этого можно определять тесноту связи между dx и dy. Формулу коэффициента корреляции между остаточными величинами можно записать в следующем виде: . (2) 7.5. Показатели тесноты связи между качественными признаками Метод корреляционных таблиц применим не только к количественным, но и к описательным (качественным) признакам, взаимосвязи между которыми часто приходится изучать при проведении различных социологических исследований путем опросов или анкетирования. В этом случае такие таблицы называют таблицами сопряженности. Они могут иметь различную размерность. Простейшая размерность – 2х2 (таблица «четырех полей»), когда по альтернативному признаку («да» – «нет», «хорошо» – «плохо» и т.д.) выделяются 2 группы. В таблице 48 приведены условные данные о распределении 500 опрошенных человек по двум показателям: наличие (отсутствии) у них прививки против гриппа и факт заболевания (незаболевания) гриппом во время его эпидемии. Таблица 48. Распределение 500 опрошенных человек Группа лиц Число лиц заболевших гриппом не заболевших гриппом Итого Сделавших прививку 30 (а) 270 (b) 300 Не сделавших прививку 120 (c) 80 (d) 200 Итого 150 350 500 Нетрудно заметить, что среди сделавших прививку подавляющее большинство (270 из 300, или 90%) не заболели гриппом, а среди не сделавших большая часть заболела (120 из 200, или 60%). Таким образом, можно предположить, что прививка положительно влияет на предупреждение заболевания; другими словами, можно предположить, что распределение в таблице (a, b, c, d) не случайно и существует стохастическая зависимость между группировочными признаками. Однако выводы о зависимости, сделанные «на глаз», часто могут быть ненадежными (ошибочными), поэтому они должны подкрепляться определенными статистическими критериями, например критерием Пирсона χ2. Он позволяет судить о случайности (или неслучайности) распределения в таблицах взаимной сопряженности, а следовательно, и об отсутствии или наличии зависимости между признаками группировки в таблице. Чтобы воспользоваться критерием Пирсона χ2, в таблице взаимной сопряженности наряду с эмпирическими частотами записывают теоретические частоты, рассчитываемые исходя из предположения, что распределение внутри таблицы случайно и, следовательно, зависимость между признаками группировки отсутствует. То есть считается, что распределение частот в каждой строке (столбце) таблицы пропорционально распределению частот в итоговой строке (столбце). Поэтому теоретические частоты по строкам (столбцам) рассчитывают пропорционально распределению единиц в итоговой строке (столбце). Так, в нашем примере в итоговой строке число заболевших 150 из 500, т.е. их доля – 30%, а доля не заболевших – 70%. Следовательно, теоретические частоты в первой строке для заболевших составят 30% от 300, т.е. 0,3*300=90, а для не заболевших – 0,7*300=210. По второй строке произведем аналогичные расчеты и их результаты занесем в таблицу в скобках. Таблица 49. Эмпирические и теоретические частоты Группа I (да) II (нет) ∑ I (да) 30 (90) 270 (210) 300 II (нет) 120 (60) 80 (140) 200 ∑ 150 350 500 На сопоставлении эмпирических и теоретических частот и основан критерий Пирсона χ2, рассчитываемый по формуле (2): . Рассчитанное (фактическое) значение χ2 сопоставляют с табличным (критическом), определяемым по таблице Приложения 3 для заданного уровня значимости α и числа степеней свободы , где k1 и k2 – число групп по одному и второму признакам группировки (число строк и число столбцов в таблице). В рассматриваемом примере ν=(2-1)(2-1)=1, а приняв уровень значимости α=0,01, по таблице Приложения 3 находим χ2табл=6,63. Поскольку рассчитанное значение χ2> χ2табл, значит существует стохастическая зависимость между рассматриваемыми показателями. При независимости признаков частоты теоретического и эмпирического распределений совпадают, а значит χ2=0. Чем больше различия между теоретическими и эмпирическими частотами, тем больше значение χ2 и вероятность того, что оно превысит критическое табличное значение, допустимое для случайных расхождений. Аналогично рассчитываются теоретические частоты и χ2 в таблицах большей размерности. В корреляционном анализе недостаточно лишь выявить тем или иным методом наличие связи между исследуемыми показателями. Теснота такой связи может быть различной, поэтому весьма важно ее измерить, т.е. определить меру связи в каждом конкретном случае. В статистике для этой цели разработан ряд показателей (коэффициентов), используемых как для количественных, так и для качественных признаков. Для измерения тесноты связи между группировочными признаками в таблицах взаимной сопряженности могут быть использованы такие показатели, как коэффициент ассоциации и контингенции (для «четырехклеточных таблиц»), а также коэффициенты взаимной сопряженности Пирсона и Чупрова (для таблиц любой размерности). Применительно к таблице «четырех полей», частоты которых можно обозначить через a, b, c, d, коэффициент ассоциации (Д. Юла) выражается формулой (2): . (2) Его существенный недостаток: если в одной из четырех клеток отсутствует частота (т.е. равна 0), то 1, и тем самым преувеличена мера действительной связи. Чтобы этого избежать, предлагается (К. Пирсоном) другой показатель – коэффициент контингенции53: . (2) Рассчитаем коэффициенты (2) и (2) для нашего примера (таблица 48): ; Связь считается достаточно значительной и подтвержденной, если >0,5 или >0,3. Поэтому в нашем примере оба коэффициента характеризуют достаточно большую обратную зависимость между исследуемыми признаками. Теснота связи между 2 и более признаками измеряется с помощью коэффициентов взаимной сопряженности Пирсона (2) или Чупрова (2), рассчитываемых на основе показателя χ2 : , (2) (2) В нашем примере . Рассчитывать коэффициент Чупрова для таблицы «четырех полей» не рекомендуется, так как при числе степеней свободы ν=(2-1)(2-1)=1 он будет больше коэффициента Пирсона (в нашем примере КЧ=0,54). Для таблиц же большей размерности всегда КЧ<КП. 7.6. Множественная корреляция При решении практических задач исследователи сталкиваются с тем, что корреляционные связи не ограничиваются связями между двумя признаками: результативным y и факторным x. В действительности результативный признак зависит от нескольких факторных. Например, инфляция тесно связана с динамикой потребительских цен, розничным товарооборотом, численностью безработных, объемами экспорта и импорта, курсом доллара, количеством денег в обращении, объемом промышленного производства и другими факторами. В условиях действия множества факторов показатели парной корреляции оказываются условными и неточными. Количественно оценить влияние различных факторов на результат, определить форму и тесноту связи между результативным признаком y и факторными признаками x1, x2, …, xk можно методами множественной (многофакторной) корреляции. Математически задача сводится к нахождению аналитического выражения, наилучшим образом описывающего связь факторных признаков с результативным, т.е. к отысканию функции . Выбрать форму связи довольно сложно. Эта задача на практике основывается на априорном теоретическом анализе изучаемого явления и подборе известных типов математических моделей. Среди многофакторных регрессионных моделей выделяют линейные (относительно независимых переменных) и нелинейные. Наиболее простыми для построения, анализа и экономической интерпретации являются многофакторные линейные модели, которые содержат независимые переменные только в первой степени: , (2) где – свободный член; – коэффициенты регрессии; – факторные признаки. Если связь между результативным признаком и анализируемыми факторами нелинейна, то выбранная для ее описания нелинейная многофакторная модель (степенная, показательная и т.д.) может быть сведена к линейной путем линеаризации. Параметры уравнения множественной регрессии, как и парной, рассчитываются методом наименьших квадратов, при этом решается система нормальных уравнений с (k+1) неизвестным: (2) где – значение j-го факторного признака в i-м наблюдении; – значение результативного признака в i-м наблюдении. Как правило, прежде чем найти параметры уравнения множественной регрессии, определяют и анализируют парные коэффициенты корреляции. При этом систему нормальных уравнений можно видоизменить таким образом, чтобы при вычислении параметров регрессии использовать уже найденные парные коэффициенты корреляции. Для этого в уравнении регрессии заменим переменные y, x1, x2, …, xk переменными tj, полученными следующим образом: , . ( ). Эта процедура называется стандартизацией переменных. В результате осуществляется переход от натурального масштаба переменных xij к центрированным и нормированным отклонениям tij. В стандартизированном масштабе среднее значение признака равно 0, а среднее квадратическое отклонение равно 1, т.е. =0, =1. При переходе к стандартизированному масштабу переменных уравнение множественной регрессии принимает вид , (2) где () – коэффициенты регрессии. Параметры уравнения множественной регрессии в натуральном масштабе и уравнения регрессии в стандартизированном виде взаимосвязаны: (). (2) Нетрудно заметить, что это обычная формула коэффициента регрессии, выраженного через линейный коэффициент корреляции. Стандартизированные коэффициенты множественной регрессии также вычисляют методом наименьших квадратов, который приводит к системе нормальных уравнений (2) где – парный коэффициент корреляции результативного признака y с j-м факторным; – парный коэффициент корреляции j-го факторного признака с l-м факторным. После того как получено уравнение множественной регрессии (в стандартизированном или натуральном масштабе), необходимо измерить тесноту связи между результативным признаком и факторными признаками. Для измерения степени совокупного влияния отобранных факторов на результативный признак рассчитывается совокупный коэффициент детерминации R2 и совокупный коэффициент множественной корреляции R – общие показатели тесноты связи многих признаков независимо от формы связи. Приведем несколько формул для их расчета. 1. При линейной форме связи расчет совокупного коэффициента детерминации можно выполнить, используя парные коэффициенты корреляции: , (2) где – параметры уравнения множественной регрессии в натуральном масштабе. 2. Еще легче вычислить совокупный коэффициент детерминации, используя уравнение регрессии в стандартизированном виде: . (2) 3. Через соотношение факторной и общей дисперсий (или остаточной и общей дисперсий): , или , (2) где – факторная дисперсия, характеризующая вариацию результативного признака, обусловленную вариацией включенных в анализ факторов; – общая дисперсия результативного признака; – остаточная дисперсия, характеризующая отклонения фактических уровней результативного признака от рассчитанных по уравнению множественной регрессии . Совокупный коэффициент множественной корреляции R представляет собой корень квадратный из совокупного коэффициента детерминации R2. Пределы его изменения: . Чем ближе его значение к 1, тем точнее уравнение множественной линейной регрессии отражает реальную связь. Иначе говоря, среди отобранных факторов присутствуют те, которые решающим образом влияют на результативный. Малое значение R можно объяснить тем либо тем, что в уравнение множественной регрессии не включены существенно влияющие на результат факторы, либо тем, что установленная линейная форма зависимости не отражает реальной взаимосвязи признаков. Добиться адекватности модели множественной регрессии эмпирическим данным возможно, соответственно, либо включением в уравнение регрессии дополнительных, ранее не учитываемых факторов, либо построением нелинейной модели множественной регрессии. Для более глубокого знакомства с темой «Множественная корреляция» необходимо воспользоваться литературой курса «Эконометрика». 7.7. Контрольные задания На основе исходных данных контрольных заданий по теме 6 (таблица 38) с использованием таблицы 50 проанализировать взаимосвязь между признаками x и y всеми возможными методами, изложенными в теме 7. Таблица 50. Распределение вариантов для выполнения контрольного задания Признак Вариант 1 2 3 4 5 6 7 8 9 10 x (№ варианта темы 6) 1 4 3 6 7 3 3 3 3 2 y (№ варианта темы 6) 2 5 9 8 8 1 2 4 7 10 8. Индексы 8.1. Назначение и виды индексов Индекс – относительная величина, показывающая во сколько раз уровень изучаемого явления в данных условиях отличается от уровня того же явления в других условиях. Различие условий может проявляться во времени (тогда получается индекс динамики), в пространстве (территориальный индекс), в выборе в качестве базы сравнения планового показателя (индекс выполнения плана) и т.п. Каждый индекс включает 2 вида данных: оцениваемые данные, которые принято называть отчетными и обозначать значком «1», и данные, которые используются в качестве базы сравнения – базисные, обозначаемые значком «0». Индекс, который строится как сравнение обобщенных величин, называется общим (сводным) и обозначается I. Если же сравниваются необобщенные величины, то индекс называется индивидуальным и обозначается i. Как правило, подстрочно ставится значок, показывающий для оценки какой величины построе индекс. Например, Iq и iq – это общий и индивидуальный индекс для величины q. В статистическе индексы используются не только для сопоставления уровней изучаемого явления, но и для определения экономической значимости факторов, объясняющих абсолютное различие сравниваемых уровней. В зависимости от сложности сравниваемых уровней принято выделять 2 типа индексов: индивидуальные и общие. 8.2. Индивидуальные индексы Относительная величина, получаемая при сравнении уровней, называется индивидуальным индексом, если не имеет значения структура изучаемого явления. Индивидуальные индексы обозначаются i. Расчет индивидуальных индексов прост: их определяют вычислением отношения двух индексируемых величин, то есть по формуле (2). Например, если уровень товарооборота в виде суммы выручки от продажи товара в условиях отчетного периода сравнивается с аналогичным показателем базисного периода, то в итоге получаем индивидуальный индекс выручки (2), показывающий во сколько раз изменилась (или сколько процентов составляет) выручка в отчетном периоде по сравнению с базисным: iQ=Q1/Q0. (2) Разность между числителем и знаментелем формулы (2) представляет собой абсолютное изменение выручки (2), показывающее на сколько в денежных единицах (например, рублях) изменилась выручка в отчетном периоде по сравнению с базисным: ∆Q = Q1 – Q0. (2) Аналогично определяются индивидуальные индексы можно для любого интересующего показателя (производительности, заработной платы, себестоимости и т.д.). В частности, поскольку сумма выручки определяется ценой товара p (от англ. «price») и количеством (физическим объемом, или объемом продаж в натуральном выражении) q (от англ. «quantity») т.е. можно определить соответствующие индивидуальные индексы – цены (2) и количества (2): ip=p1/p0, (2) iq=q1/q0. (2) Очевидно, что произведение индивидуальных индексов цены и количества дает индивидуальный индекс выручки (2): iQ=iqip. (2) Например, вчера бабушка торговала семечками по 5 руб. за кулёк и всего продала 50 кульков, а сегодня – по 7 руб. и продала 20 кульков. Определим индивидуальный индекс цены по формуле (2): ip = 7/5 = 1,4, то есть бабушка увеличила цену семечек в 1,4 раза, или на 40%. Рассчитаем индивидуальный индекс количества по формуле (2): iq = 20/50 = 0,4, то есть количество проданных семечек сегодня составило 40% от вчерашнего, то есть уменьшилось на 60%. Найдем индивидуальный индекс выручки по формуле (2): iQ = 0,4*1,4 = 0,56, то есть выручка сегодня составила 56% от вчерашней, то есть она уменьшилась на 44%. Рассчитав выручку вчера Q0 = 50*5 = 250 (руб.) и сегодня Q1 = 20*7 = 140 (руб.), можно получить аналогичный результат по формуле (2): iQ = 140/250 = 0,56. Очевидно, что абсолютное изменение выручки по формуле (2) составило: ∆Q = 140 – 250 = –110 (руб.), то есть выручка уменьшилась на 110 руб. (или на 44%), что объясняется изменением количества проданных семечек в 0,4 раза (уменьшением на 60%) и изменением их цены в 1,4 раза (повышением цены на 40%). Подставим формулу (2) в формулу (2) и выразим выручку отчетного периода: Q1=iqipQ0. (2) Формула (2) представляет собой двухфакторную мультипликативную индексную модель итогового показателя, в данном случае – выручки, посредством которой находят изменение этого показателя под влиянием каждого фактора (цены и количества) в отдельности (факторный анализ), то есть: ∆Q = ∆Qq + ∆Qp, (2) где ∆Qq – изменение выручки под влиянием изменения количества товара q (экстенсивный фактор); ∆Qp – изменение выручки под влиянием изменения цены p товара (интенсивный фактор). Для проведения факторного анализа по формуле (2) необходимо определить очередность влияния факторов на результативный показатель (выручку), которая может быть следующей: 1) сначала менялось количество q, а затем цена p (то есть количество – это 1-ый фактор, а цена – 2-ой)54; 2) сначала менялась цена p, а потом количество q (то есть цена – это 1-ый фактор, а количество – 2-ой). В соответствии с этой очередностью влияния факторов запись факторов в мультипликатиавной модели: то есть формула (2) – это ее запись для количества как 1-го фактора и цены как 2-го. В случае, когда цена является 1-ым фактором, а количество – 2-ым, необходимо мультипликативную модель записывать в виде (2), то есть меняя факторы местами: Q1=ipiqQ0. (2) Чтобы найти изменение результативного показателя на основе мультипликативной модели за счет 1-го фактора, необходимо исключить влияние остальных факторов. Тогда при использовании формулы (2) влияние 1-го определяем по формуле (2), а при использовании формулы (2) – по формуле (2): ∆Qq= iqQ0 –Q0 = (iq – 1)Q0, (2) ∆Qp= ipQ0 –Q0 = (ip – 1)Q0. (2) В нашем примере про бабушку сначала изменилась цена, то есть цена – это 1-ый фактор, а количество – 2-ой, значит необходимо использовать формулу (2) и, как следствие, влияние 1-го фактора – цены определяем по формуле (2): ∆Qp= (1,4–1)*250 = 100 (руб.), то есть повышение цены семечек с 5 до 7 руб. за кулёк должно было увеличить сегодняшнюю выручку на 100 руб., однако выручка уменьшилась на 110 руб., значит – это отрицательное влияние 2-го фактора – изменение количества. Чтобы найти изменение результативного показателя на основе мультипликативной модели за счет 2-го фактора, необходимо из общего изменения результативного показателя вычесть его изменение под влиянием только 1-го фактора. Тогда, подставляя формулы (2) и (2) в формулу (2), можно выразить влияние второго фактора – цена: ∆Qp = ∆Q – ∆Qq = (Q1 – Q0) – (iqQ0 –Q0) = iqipQ0 – Q0 – iqQ0 +Q0 = (iqip – 1 – iq + 1)Q0 = iq (ip–1)Q0. В итоге получим формулу для расчета влияния второго фактора – цена (2): ∆Qp = iq (ip–1)Q0. (2) Аналогично, подставляя формулы (2) и (2) в формулу (2) выводится формула для определения влияния второго фактора – количества: ∆Qq = ∆Q – ∆Qp = (Q1 – Q0) – (ipQ0 –Q0) = ipiqQ0 – Q0 – ipQ0 +Q0 = (ipiq – 1 – ip + 1)Q0 = ip (iq–1)Q0. В итоге получим формулу для расчета влияния второго фактора – количества (2): ∆Qq = ip (iq–1)Q0. (2) В нашем примере про бабушку изменение выручки под влиянием второго фактора – количества определим по формуле (2): ∆Qq = 1,4*(0,4–1)*250 = –210 (руб.), то есть снижение количества проданных семечек с 50 кульков до 20 уменьшило выручку на 210 руб. Проверка правильности расчета влияния факторов осуществляется по формуле (2): ∆Q = 100 + (–210) = –110, что совпадает с общим изменением выручки, рассчитанным ранее по формуле (2). В статистике нередки случаи использования индексных моделей с тремя и более факторными индексами55. В случае необходимости проведения факторного анализа таких моделей применяется метод Чалиева: для определения влияния i-го фактора на результативный показатель необходимо его базисную величину умножить на индексы факторов, влиявших на него с 1-го до i-го фактора и на темп изменения самого i-го фактора. Темп изменения определяется по формуле (2), то есть надо из индекса вычесть единицу (100%). Например, общая сумма материальных затрат (M) зависит от объема производства продукции (q), от расхода данного материала на единицу продукции – удельного расхода (m) и от цены единицы данного материала (p) т.е. M = qmp. Сравнивая сумму материальных затрат в отчетном периоде с суммой материальных затрат базисного периода получаем (если q - 1-ый фактор, m – 2-ой и p – 3-ий): или (2) Тогда, применяя метод Чалиева, изменение общей суммы материальных затрат ∆M = M1 – M0 объясняется: 1) изменением объема продукции ∆Mq = TqM0 = (iq – 1)M0; 2) изменением удельного расхода материала ∆Mm = iqTmM0 = iq(im – 1)M0; 3) изменением цены на материал ∆Mp = iqimTpM0 = iqim(ip – 1)M0. 8.3. Общие индексы Если изучаемое явление неоднородно и сравнение уровней можно провести только после приведения их к общей мере, экономический анализ выполняют посредством общих индексов. Индекс становится общим, когда в его расчетной формуле показывается неоднородность изучаемой совокупности. Примером неоднородной совокупности является общая масса проданных товаров всех или нескольких видов. Действительно нельзя, например, складывать непосредственно килограммы мяса и рыбы, так как полученный результат в прямом смысле не являлся бы «ни рыбой, ни мясом». Любые общие индексы могут быть построены 2-мя способами: как агрегатные и как средние из индивидуальных. Агрегатный индекс является основной и наиболее распространенной формой индекса, если числитель и знаменатель представляют собой набор – «агрегат» (от лат. aggregatus – складываемый, суммируемый) непосредственно несоизмеримых и не поддающихся суммированию элементов – сумму произведений двух величин, одна из которых меняется (индексируется), а другая остается неизменной в числителе и знаменателе (вес индекса). Вес индекса служит для целей соизмерения индексируемых величин. Например, общую сумму выручки можно записать в виде агрегата (суммы произведений объемного показателя q на взвешивающий – p), т.е. ∑Q = ∑qp. (2) Отношение агрегатов, построенных для разных условий, дает общий индекс показателя в агрегатной форме. Так получают индекс общего объема товарооборота (выручки), показывающий во сколько раз он изменился (или сколько процентов составляет) в отчетном периоде по сравнению с базисным: IQ=. (2) Разность между числителем и знаментелем формулы (2) представляет собой абсолютное изменение общего товарооборота (выручки) (2), показывающее на сколько в денежных единицах (например, рублях) он изменился в отчетном периоде по сравнению с базисным: ∆∑Q = ∑Q1 – ∑Q0 = ∑q1p1 – ∑q0p0. (2) Например, дедушка торговал яблоками двух сортов: «антоновкой» и «белым наливом», результаты торговли за 2 дня представлены в таблице 51: Таблица 51. Условные данные о торговле яблоками дедушкой за 2 дня Сорт яблок Цена за кг, руб. Объем продаж, кг вчера (p0) сегодня (p1) вчера (q0) сегодня (q1) Антоновка 20 18 100 160 Белый налив 22 25 150 120 Рассчитаем выручку дедушки по формуле (2): – в отчетном периоде: ∑Q1= 18*160+25*120 = 5880 (руб.) – это выручка от продажи яблок сегодня; – в базисном периоде: ∑Q0= 20*100+22*150 = 5300 (руб.) – это выручка от продажи яблок вчера. Теперь определим изменение общей выручки дедушки: – по формуле (2): IQ= 5880/5300 = 1,1094, то есть выручка увеличилась в 1,1094 раза, или на 10,94%. – по формуле (2): ∆∑Q = 5880 – 5300 = 580, то есть выручка увеличилась на 580 руб. При анализе изменения общего объема товарооборота (выручки) это изменение также объясняется изменением уровня цен и количества проданных товаров. Влияние этих факторов выражается агрегатными индексами физического объема (количества) и цен. Если уровни взвешивающего показателя взяты по данным базисного периода, то получают агрегатный индекс Ласпейреса: ; (2) . (2) Формула (2) применяется, когда количество – это 1-ый фактор, а формула (2) – когда цена является 1-ым фактором. Если уровни взвешивающего показателя взяты по данным отчетного периода, то получают агрегатный индекс Пааше: ; (2) . (2) Формула (2) применяется, когда количество – это 2-ой фактор, а формула (2) – когда цена является 2-ым фактором. Произведение агрегатных индексов Ласпейреса и Пааше дает общий индекс выручки: IQ =; (2) IQ = . (2) Для облегчения запоминания студентами формул Ласпейреса и Пааше предлагаю обратить внимание на букву «Ш» в слове «Пааше», которая напоминает «111» - так обозначены отчетные периоды в общей формуле (две единицы – в числителе и одна – в знаменателе). В формуле Ласпейреса нет буквы «Ш», значит в ней не будет трех единиц, а будут три нуля (два нуля – в знаменателе и один – в числителе). В нашем примере про дедушку (как и в примере про бабушку) цена яблок – это 1-ый фактор, а количество – 2-ой. Поэтому для определения агрегатного индекса цен применяем формулу (2): = 1,0472, то есть цена на яблоки увеличилась в 1,0472 раза (на 4,72%). Определим агрегатный индекс количества проданных яблок по формуле (2): = 1,0594, то есть количество проданных яблок выросло в 1,0594 раза (на 5,94%). Контроль правильности расчетов производим по формуле (2): IQ= 1,0472*1,0594 = 1,1094, то есть изменение общей выручки дедушки в 1,1094 раза (на 10,94%) объясняется изменением цены в 1,0472 раза (на 4,72%) и изменением количества продаж в 1,0594 раза (на 5,94%). Из формул (2) – (2) видно, что индексы Ласпейреса и Пааше по одному и тому же фактору не равны между собой, то есть ≠ и ≠. Амери­канский экономист Гершенкрон обширными расчетами установил, что по одному и тому же фактору индекс Ласпейреса обычно больше индекса Пааше, и это открытие названо эффектом Гершенкрона56, то есть > и >. Когда нет возможности определить очередность влияния факторов на результативный показатель (какой из факторов 1-ый – цена или количество) проблематично выбрать одну из формул (2) или (2) и (2) или (2). В таких случаях рекомендуется применить все формулы (2) – (2) и рассчитать среднюю геометрическую величину из однофакторных индексов – индексы Фишера: ; (2) . (2) Сравнивая значения индексов Фишера, которые показывают среднее изменение цен (2) и количества (2), решается вопрос об очередности влияния факторов: какой из индексов показывает большее изменение, тот фактор и считают 1-ым. Из формул (2) и (2) легко получить двухфакторные мультипликативные индексные модели общей выручки, подставив в них формулу (2) и выразив ∑Q1: ∑Q1= Q0, (2) ∑Q1= Q0. (2) Формула (2) применяется, когда количество товара – 1-ый фактор, а цена 2-ой, а формула (2) – наоборот, цена – 1-ый фактор, а количество – 2-ой. Тогда, применяя метод Чалиева, можно выполнить факторный анализ, то есть объяснить изменение результативного показателя (общей выручки) изменением каждого фактора (цен и количества) в отдельности в абсолютных (денежных) единицах. Более детальный анализ изменения итогового показателя возможен при изучении так называемых структурных сдвигов. В нашем примере про дедушку мы применяли формулу (2), значит должны производить факторный анализ по модели (2). Тогда, применяя метод Чалиева, изменение общей выручки ∆∑Q = ∑Q1 – ∑Q0 объясняется изменением: 1) количества проданных проданных яблок ∆∑Qq = (–1) ∑Q0 =(1,0594–1)*5300 ≈ 315 (руб.) 2) цены яблок ∆∑Qp = (–1) ∑Q0 =1,0594*(1,0472–1)*5300 ≈ 265 (руб.) Проверка правильности расчета влияния факторов: ∆∑Q = 265 + 315 = 580, что совпадает с общим изменением общей выручки, рассчитанным ранее по формуле(2). Помимо записи общих индексов в агрегатной форме на практике часто используют формулы их расчета как величин, средних из соответствующих индивидуальных индексов. Так, общий индекс выручки может быть записан как средняя арифметическая взвешенная (2) или средняя гармоническая взвешенная (2) из индивидуальных индексов выручки по отдельным товарным группам: (2) (2) В формуле (2) весами являются показатели объема товарооборота отдельных товарных групп в отчетном периоде, в формуле (2) – в базисном. Аналогично через индивидуальных индексы количества товара и цены могут быть выражены общие агрегатные индексы Ласпейреса и Пааше: ; (2) ; (2) ; (2) . (2) 8.4. Индексы средних величин При изучении качественных показателей часто приходится рассматривать изменение во времени (или пространстве) средней величины индексируемого показателя для определенной однородной совкупности. Например, в статистических сборниках публикуются данные о динамике средних цен, средней номинальной заработной плате в отдельных отраслях и т.д. Средняя величина является обощающей характеристикой качественного показателя и складывается как под влиянием значений показателя у индивидуальных элементов (единиц), из которых состоит объект, так и под влиянием соотношения их весов («структуры» объекта). Если любой качественный индексируемый показатель обозначить через x, а его веса – через f, то динамику среднего показателя можно отразить как за счет изменения обоих факторов (x и f), так и за счет каждого фактора отдельно. В результате получим 3 различных индекса: индекс переменного состава, индекс фиксированного состава и индекс структурных сдвигов. Индекс переменного состава отражает динамику среднего показателя (для однородной совокупности) за счет изменения индексируемой величины x у отдельных элементов (частей целого) и за счет изменения весов f, по которым взвешиваются отдельные значения x. Любой индекс переменного состава – это отношение двух средних величин для однородной совокупности (за два периода или по двум территориям) (2): . (2) Свое название этот индекс получил потому, что он характеризует динамику средних величин не только за счет изменения индексируемой величины у отдельных элементов (частей целого), но и за счет изменения удельного веса этих частей в общей совокупности, т.е. изменения состава совокупности. Индекс фиксированного состава отражает динамику среднего показателя лишь за счет изменения индексируемой величины x, при фиксировании весов. Если фиксировать веса на уровне отчетного периода f1, то получим формулу самую распространенную57 формулу индекса фиксированного состава (2): . (2) Другими словами, индекс фиксированного состава исключает влияние структуры (состава) совокупности на динамику средних величин, рассчитанных для двух периодов по одной и той же фиксированной структуре весов (на уровне отчетного или базисного периода). По аналогии можно показать динамику среднего показателя лишь за счет изменения только весов f при фиксировании индексируемой величины x. Такой индекс условно назван индексом структурных сдвигов, который определеятся при фиксировании индексируемой величины на уровне базисного периода x0 по самой распространенной58 формуле (2): , (2) Формулы (2) – (2) обычно применяются в тех случаях, когда влияние изменения структуры совокупности на динамику среднего показателя сильнее (1-ый фактор) влияния изменения только самой индексируемой величины (2-ой фактор)59. Если от абсолютных весов f перейти к относительным весам (долям) по формуле (2), то формулы (2) – (2) примут следующий вид: ; (2) ; (2) . (2) В формулах (2) – (2) при анализе конкретных качественных индексируемых показателей (например, цены товара, себестоимости, производительности труда, урожайности и т.п.) вместо обозначений x и f должны использоваться другие общепринятые обозначения. Например, при анализе такого качественного показателя как цена формулы (2) – (2) примут следующий вид: ; (2) ; (2) . (2) Нетрудно заметить, что индекс переменного состава есть произведение индекса фиксированного состава на индекс структурных сдвигов: . (2) Из формулы (2) видно, что, например, индекс структурных сдвигов можно рассчитать путем деления индекса переменного состава на индекс фиксированного состава. В нашем примере про дедушку определяем индекс переменного состава по формуле (2): , то есть средняя цена яблок сегодня составляет 99,06% от вчерашней, то есть средняя цена снизилась с 21,2 руб. до 21,0 руб. за кг, что составило 0,94%. Чтобы исключить влияние изменения структуры продаж яблок на динамику средней цены, рассчитаем индекс цены фиксированного состава по формуле (2)60: . Влияние изменения структуры продаж (доля продаж яблок сорта «антоновка» увеличилась, а сорта «белый налив» – уменьшилась) на динамику средней цены яблок отразим с помощью индекса структурных сдвигов, расчитав его по формуле (2): =0,9838. Проверку правильности расчетов выполним по формуле (2): 1,0069*0,9838 = 0,9906. 8.5. Территориальные индексы Территориальные индексы применяются для пространственных, межрегиональных сопоставлений различных показателей. Их расчет более сложен, чем расчет традиционных (динамических) индексов, рассмотренных ранее, по следующим причинам: 1) различия в структуре цен и количества товаров между странами гораздо значительнее, чем между периодами в рамках одной страны, что обусловлено особенностями экономики разных стран. 2) территориальные (международные) сопоставления нередко осуществляются одновременно для группы стран (например, стран ЕС или СНГ), поэтому необходимо согласовывать индексы, исчисленные для всей группы стран. Для исчисления территориальных индексов применяются особые формулы, которые разработаны на основе положений двух теорий индексов: аксиоматической и экономической. В аксиоматической теории индексов сформулирован ряд требований к индексам с точки зрения формальной логики (например, требования факторной пробы, обратимости во времени, тождественности и др.) Так, требование тождественности означает, что если цены в отчетном периоде не изменились по сравнению с ценами в базисном периоде, то общий индекс цен должен быть равен единице независимо от изменения физического объема. Другое требование этой теории ­­­­– пропорциональность индексов… В экономической теории индексов содержится концептуальная основа для поиска «истинного» индекса. Так, истинный индекс цен можно получить, сопоставив расходы потребителей в текущем и базисном периодах при условии, что они обеспечивают равную полезность потребителям при разных ценах, т.е. фактические расходы потребителей сравниваются с условными, гипотетическими, которые при разных ценах в двух периодах обеспечивают одинаковую полезность. Это сравнение и должно обеспечить отыскание «истинного» индекса цен. Заметим, что экономическая теория индексов достаточно абстрактна, поскольку статистики не оперируют категорией полезности, а имеют дело с конкретными товарами и услугами. Тем не менее, теория выражает некий общий теоретический подход к разработке индексов. В специальной литературе не прекращается дискуссия об обоснованности аксиоматической и экономической теорий индексов и о возможности применения положений этих теорий в статистической практике. Аксиоматическую теорию критикуют за то, что в ней предполагается отсутствие связи между изменением цен и изменением физического объема. Экономическую теорию критикуют за абстрактный характер, то есть за то, что невозможно использовать ее выводы в практической деятельности. Основные требования к территориальным индексам: 1. Характерность весов, то есть для показателей двух стран А и Б в качестве весов должны использоваться цены (физический объем) этих стран А и Б (или средние из них), а не цены (физический объем) какой-либо третьей страны. 2. Независимость от выбора базисной страны (требование обратимости индексов во времени, адаптированное к территориальным сопоставлениям), то есть IА/Б IБ/А = 1, (2) где IА/Б – индекс цен (физического объема) страны А по отношению к стране Б; IБ/А – индекс цен (физического объема) страны Б по отношению к стране А. 3. Транзитивность, то есть IА/Б = IА/В : IБ/В, (2) где IА/В – индекс цен (физического объема) страны А по отношению к стране В; IБ/В – индекс цен (физического объема) страны Б по отношению к стране В. Суть требования транзитивности состоит в том, что индекс, полученный для некоторой пары стран А и Б путем прямого сопоставления их цен (физического объема), должен быть равен этому же индексу, полученному косвенным путем, то есть делением индекса IА/В на индекс IБ/В. 4. Аддитивность, то есть индексы цен (физического объема), рассчитанные для всей совокупности товаров и услуг, должны быть четко согласованы с индексами, исчисленными для всех групп этой совокупности. 5. Требование факторной пробы, то есть произведение индекса цен и индекса физического объема должно быть равно индексу стоимости: . (2) В теории и практике международных сопоставлений различают прямые парные и многосторонние сопоставления. Каждые имеют свою специфику, поэтому для их проведения используют различные формулы индексов. Прямые парные сопоставления проводятся для какой-либо изолированной пары стран (например, для России и США), на которые не влияют показатели третьих стран. Для таких сопоставлений важным является требование характерности весов, факторной пробы и независимости от выбора базисной страны. Многосторонние сопоставления проводятся одновременно для группы стран, поэтому особое значение приобретает требование транзитивности индексов. Например, прямые парные сопоставления ВВП и паритетов покупательной способности (ППС) валют проводят в 4 этапа: 1) ВВП сопоставляемых стран А и Б подразделяется на однородные товарные группы (как правило, около 300 групп); 2) для каждой товарной группы подбирается несколько идентичных товаров-представителей с ценами, что дает возможность вычислить индивидуальные индексы цен для всех отобранных товаров-представителей (i1, i2, i3, …, in); 3) для каждой товарной группы по индивидуальным индексам цен на товары-представители исчисляется средний индекс цен по формуле средней геометрической простой: , (2) что связано с необходимостью обеспечить независимость индексов от выбора базисной страны (формула средней арифметической не обеспечивает этого требования) и с практическим отсутствием информации о весах товаров-представителей; 4) рассчитываются средние индексы цен (физического объема) для ВВП в целом по формулам Ласпейреса (2) и Пааше (2), в которых в качестве весов Q используются доли отдельных товарных групп в ВВП: , (2) ; (2) 5) рассчитывается средний индекс цен (физического объема) по формуле Фишера (2); 6) определяется индекс физического объема ВВП стран А и Б путем делением индекса стоимости ВВП этих стран на средний индекс цен Фишера. Еще один способ прямого парного сопоставления ВВП – это последовательно сопоставить ВВП двух стран А и Б соответственно в ценах стран А и Б, при этом получим 2 индекса физического объема по формулам Ласпейреса (2) и Пааше (2) и исчислить средний индекс физического объема по формуле Фишера (2). Для проведения многосторонних сопоставлений ВВП и ППС разработаны формулы индексов, которые удовлетворяют требованию транзитивности: формулы ЭКШ, Гири-Камиса, Уолша и Джерарди. Чаще других используется формула ЭКШ61, которая представляет собой среднюю геометрическую из индексов Фишера для любой пары сравниваемых стран А и Б, исчисленных косвенным путем, т.е. через третью страну j: , (2) где – индекс Фишера для стран А и Б; – индекс Фишера для стран А и j; – индекс Фишера для стран j и Б; n – число стран, участвующих в сопоставлении. Недостатком формулы (2) является то, что она не удовлетворяет требованию аддитивности. Этого недостатка нет у формулы Гири-Камиса. Формула Гири-Камиса позволяет исчислять средние международные цены на различные группы товаров, выраженные в единицах условной международной валюты, а также ППС валют всех стран, участвующих в многосторонних сопоставлениях, по отношению друг к другу и к условной международной валюте: , (2) где qij– количество i-го товара в j-ой стране; pij– цена i-го товара в j-ой стране; – международная цена i-го товара. Недостатком формулы (2) является то, что она не удовлетворяет требованию характерности весов. Еще один метод территориальных сопоставлений, для которого разработана особая форма индекса, носит название метода Уолша, формула которого имеет следующий вид: , (2) где – средний индекс цен для i-ой товарной группы в стране А по сравнению со страной Б; – средняя доля i-ой товарной группы для всей совокупности стран, принимающих участие в сопоставлении. По формуле (2) рассчитывается средний геометрический индекс, взвешенный по средним весам для группы стран, участвующих в сопоставлении; в качестве этих средних весов выступают средние (для всей совокупности стран) доли товарных групп в соответствующих показателях (например, в ВВП). Формула (2) удовлетворяет требованиям транзитивности и независимости от выбора базисной страны, но не удовлетворяет требованию аддитивности, а также в меньшей мере, чем индексы ЭКШ, удовлетворяет требованию характерности весов. В практике международных сопоставлений ВВП, проводимых в рамках ЕС, в течение нескольких лет применялся метод Джирарди, в основе которого лежит исчисление индексов физического объема ВВП различных стран с помощью оценки ВВП в средних международных ценах, получаемых по формуле средней геометрической простой. Этот метод похож на метод Гири-Камиса, однако, в отличие от него средние международные цены исчисляются здесь по формуле средней геометрической простой (а не по формуле средней арифметической взвешенной, как в методе Гири-Камиса). При территориальном сопоставлении макроэкономических показателей широко применяется также метод цепных индексов, когда в рамках некоторой группы стран интересующий показатель (например, ВВП) сравнивается с этим показателем какой-либо одной базисной страны, тогда анализируемые показатели каждой из этой группы стран, кроме базисной, сравниваются с помощью цепных индексов, то есть по отнишению к базисной стране. 8.6. Контрольные задания Имеются данные (табл. 52) о продажах минимаркетом 3-х видов однородных товаров (A, B и C). Таблица 52. Варианты выполнения контрольного задания Вид товара Цена за единицу товара, руб. Объем продаж, тыс. штук Вид товара Цена за единицу товара, руб. Объем продаж, тыс. штук 1 квартал 2 квартал 1 квартал 2 квартал 1 квартал 2 квартал 1 квартал 2 квартал 1 вариант 6 вариант А 102 105 205 195 А 130 125 138 198 В 56 51 380 423 В 50 56 339 264 С 26 30 510 490 С 20 21 613 511 2 вариант 7 вариант А 112 109 202 260 А 107 110 220 189 В 51 48 365 420 В 46 44 490 550 С 22 26 477 316 С 18 20 720 680 3 вариант 8 вариант А 99 103 198 182 А 95 98 264 197 В 55 59 370 361 В 48 50 360 294 С 20 18 502 456 С 26 25 448 640 4 вариант 9 вариант А 99 109 188 182 А 89 92 360 294 В 55 56 380 385 В 58 56 410 482 С 20 21 508 444 С 24 25 558 593 5 вариант 10 вариант А 120 110 170 220 А 120 125 150 108 В 60 58 350 390 В 44 46 513 461 С 19 20 550 490 С 16 19 891 550 Рассчитать индивидуальные, общие и средние индексы, выполнить факторный анализ общей выручки от продажи товаров. По итогам расчетов сделать аргументированные выводы. Список литературы 1 Агапова Т.Н. Методы статистического изучения структуры сложных систем и ее изменения. – М.: Финансы и статистика, 1996 2 Анализ временных рядов и прогнозирование: Учеб­ник / Афанасьев В.Н., Юзбашев М.М. – М.: Финансы и статистика, 2001. – 228 с. 3 Герчук Я. П. Графические методы в статистике. – М.: Статистика, 1968 4 Общая теория статистики: Учебник/ Под ред. И.И. Елисеевой. – 4-е изд., перераб. и доп. – М.: Финансы и статистика, 2002. – 480 с. 5 Практикум по теории статистики: Учеб. пособие / Под ред. Р.А. Шмойловой. – М.: Финансы и статистика, 2003. – 416 с. 6 Статистика: Учеб. пособие / Под ред. В.Г. Ионина. – Изд. 2-е, перераб. и доп. – М.: ИНФРА-М, 2006. – 384 с. 7 Теория статистики: Учебник / Под ред. Г.Л. Громыко. – Изд. 2-е, перераб. и доп. – М.: ИНФРА-М, 2005. – 476 с. 8 Теория статистики: Учебник для вузов (под ред. Шмойловой Р.А.). – Изд. 4-е, доп., перераб. – М.: Финансы и статистика, 2007. – 656 с. 9 Чалиев А.А., Овчаров А.О. СТАТИСТИКА. Учебно-методическое пособие. Часть 1. – Нижний Новгород: Издательство Нижегородского госуниверситета, 2007.– 87 с. 10 http://www.gks.ru – официальный сайт ФСГС России 11 http://www.chaliev.narod.ru – персональный сайт автора этого конспекта лекций Приложения – статистические таблицы Приложение 1. Значения интеграла Лапласа t Сотые доли 1 2 3 4 5 6 7 8 9 0,00 0,0000 0,0080 0,0160 0,0239 0,0319 0,0399 0,0478 0,0558 0,0638 0,0717 0,10 0,0797 0,0876 0,0955 0,1034 0,1113 0,1192 0,1271 0,1350 0,1428 0,1507 0,20 0,1585 0,1663 0,1741 0,1819 0,1897 0,1974 0,2051 0,2128 0,2205 0,2282 0,30 0,2358 0,2434 0,2510 0,2586 0,2661 0,2737 0,2812 0,2886 0,2961 0,3035 0,40 0,3108 0,3182 0,3255 0,3328 0,3401 0,3473 0,3545 0,3616 0,3688 0,3759 0,50 0,3829 0,3899 0,3969 0,4039 0,4108 0,4177 0,4245 0,4313 0,4381 0,4448 0,60 0,4515 0,4581 0,4647 0,4713 0,4778 0,4843 0,4907 0,4971 0,5035 0,5098 0,70 0,5161 0,5223 0,5285 0,5346 0,5407 0,5467 0,5527 0,5587 0,5646 0,5705 0,80 0,5763 0,5821 0,5878 0,5935 0,5991 0,6047 0,6102 0,6157 0,6211 0,6265 0,90 0,6319 0,6372 0,6424 0,6476 0,6528 0,6579 0,6629 0,6680 0,6729 0,6778 1,00 0,6827 0,6875 0,6923 0,6970 0,7017 0,7063 0,7109 0,7154 0,7199 0,7243 1,10 0,7287 0,7330 0,7373 0,7415 0,7457 0,7499 0,7540 0,7580 0,7620 0,7660 1,20 0,7699 0,7737 0,7775 0,7813 0,7850 0,7887 0,7923 0,7959 0,7995 0,8029 1,30 0,8064 0,8098 0,8132 0,8165 0,8198 0,8230 0,8262 0,8293 0,8324 0,8355 1,40 0,8385 0,8415 0,8444 0,8473 0,8501 0,8529 0,8557 0,8584 0,8611 0,8638 1,50 0,8664 0,8690 0,8715 0,8740 0,8764 0,8789 0,8812 0,8836 0,8859 0,8882 1,60 0,8904 0,8926 0,8948 0,8969 0,8990 0,9011 0,9031 0,9051 0,9070 0,9090 1,70 0,9109 0,9127 0,9146 0,9164 0,9181 0,9199 0,9216 0,9233 0,9249 0,9265 1,80 0,9281 0,9297 0,9312 0,9328 0,9342 0,9357 0,9371 0,9385 0,9399 0,9412 1,90 0,9426 0,9439 0,9451 0,9464 0,9476 0,9488 0,9500 0,9512 0,9523 0,9534 2,00 0,9545 0,9556 0,9566 0,9576 0,9586 0,9596 0,9606 0,9615 0,9625 0,9634 2,10 0,9643 0,9651 0,9660 0,9668 0,9676 0,9684 0,9692 0,9700 0,9707 0,9715 2,20 0,9722 0,9729 0,9736 0,9743 0,9749 0,9756 0,9762 0,9768 0,9774 0,9780 2,30 0,9786 0,9791 0,9797 0,9802 0,9807 0,9812 0,9817 0,9822 0,9827 0,9832 2,40 0,9836 0,9840 0,9845 0,9849 0,9853 0,9857 0,9861 0,9865 0,9869 0,9872 2,50 0,9876 0,9879 0,9883 0,9886 0,9889 0,9892 0,9895 0,9898 0,9901 0,9904 2,60 0,9907 0,9909 0,9912 0,9915 0,9917 0,9920 0,9922 0,9924 0,9926 0,9929 2,70 0,9931 0,9933 0,9935 0,9937 0,9939 0,9940 0,9942 0,9944 0,9946 0,9947 2,80 0,9949 0,9950 0,9952 0,9953 0,9955 0,9956 0,9958 0,9959 0,9960 0,9961 2,90 0,9963 0,9964 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 3,00 0,9973 0,9974 0,9975 0,9976 0,9976 0,9977 0,9978 0,9979 0,9979 0,9980 3,10 0,9981 0,9981 0,9982 0,9983 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 3,20 0,9986 0,9987 0,9987 0,9988 0,9988 0,9988 0,9989 0,9989 0,9990 0,9990 3,30 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993 3,40 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995 0,9995 3,50 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997 0,9997 Приложение 2. Значения t-критерия Стьюдента при уровне значимости : 0,10, 0,05, 0,01 Число степеней свободы ν  Число степеней свободы ν  0,1 0,05 0,01 0,1 0,05 0,01 1 6,314 12,706 63,66 18 1,734 2,101 2,878 2 2,92 4,3027 9,925 19 1,729 2,093 2,861 3 2,353 3,1825 5,841 20 1,725 2,086 2,845 4 2,132 2,7764 4,604 21 1,721 2,08 2,831 5 2,015 2,5706 4,032 22 1,717 2,074 2,819 6 1,943 2,4469 3,707 23 1,714 2,069 2,807 7 1,895 2,3646 3,5 24 1,711 2,064 2,797 8 1,86 2,306 3,355 25 1,708 2,06 2,787 9 1,833 2,2622 3,25 26 1,706 2,056 2,779 10 1,813 2,2281 3,169 27 1,703 2,052 2,771 11 1,796 2,201 3,106 28 1,701 2,048 2,763 12 1,782 2,1788 3,055 29 1,699 2,045 2,756 13 1,771 2,1604 3,012 30 1,697 2,042 2,75 14 1,761 2,1448 2,977 40 1,684 2,021 2,705 15 1,753 2,1315 2,947 60 1,671 2 2,66 16 1,746 2,1199, 2,921 120 1,658 1,98 2,617 17 1,74 2,1098 2,898 1,645 1,96 2,576 Приложение 3. Значения χ2-критерия Пирсона α ν 0,10 0,05 0,025 0,01 0,005 1 2,7055 3,8415 5,0239 6,6349 7,8794 2 4,6052 5,9915 7,3778 9,2103 10,5966 3 6,2514 7,8147 9,3484 11,3449 12,8382 4 7,7794 9,4877 11,1433 13,2767 14,8603 5 9,2364 11,0705 12,8325 15,0863 16,7496 6 10,6446 12,5916 14,4494 16,8119 18,5476 7 12,0170 14,0671 16,0128 18,4753 20,2777 8 13,3616 15,5073 17,5346 20,0902 21,9550 9 14,6837 16,9190 19,0228 21,6660 23,5894 10 15,9872 18,3070 20,4832 23,2093 25,1882 11 17,2750 19,6751 21,9201 24,7250 26,7569 12 18,5494 21,0261 23,3367 26,2170 28,2995 13 19,8119 22,3620 24,7356 27,6883 29,8195 14 21,0641 23,6848 26,1190 29,1412 31,3194 15 22,3071 24,9958 27,4884 30,5779 32,8013 16 23,5418 26,2962 28,8454 31,9999 34,2672 17 24,7690 27,5871 30,1910 33,4087 35,7185 18 25,9894 28,8693 31,5264 34,8053 37,1565 19 27,2036 30,1435 32,8523 36,1909 38,5823 20 28,4120 31,4104 34,1696 37,5662 39,9969 21 29,6151 32,6706 35,4789 38,9322 41,4011 22 30,8133 33,9244 36,7807 40,2894 42,7957 23 32,0069 35,1725 38,0756 41,6384 44,1813 24 33,1962 36,4150 39,3641 42,9798 45,5585 25 34,3816 37,6525 40,6465 44,3141 46,9279 26 35,5632 38,8851 41,9232 45,6417 48,2899 27 36,7412 40,1133 43,1945 46,9629 49,6449 28 37,9159 41,3371 44,4608 48,2782 50,9934 29 39,0875 42,5570 45,7223 49,5879 52,3356 30 40,2560 43,7730 46,9792 50,8922 53,6720 Приложение 4. Значения F-критерия Фишера при уровне значимости  = 0,05 ν1 ν2 1 2 3 4 5 6 8 12 24 1 161,5 200 215,7 224,6 230,2 234 238,9 243,9 249 254,3 2 18,5 19 19,16 19,25 19,3 19,33 19,37 19,41 19,45 19,5 3 10,13 9,55 9,28 9,12 9,01 8,94 8,84 8,74 8,64 8,53 4 7,71 6,94 6,59 6,39 6,26 6,16 6,04 5,91 5,77 5,63 5 6,61 5,79 5,41 5,19 5,05 4,95 4,82 4,68 4,53 4,36 6 5,99 5,14 4,76 4,53 4,39 4,28 4,15 4 3,84 3,67 7 5,59 4,74 4,35 4,12 3,97 3,87 3,73 3,57 3,41 3,23 8 5,32 4,46 4,07 3,84 3,69 3,58 3,44 3,28 3,12 2,93 9 5,12 4,26 3,86 3,63 3,48 3,37 3,23 3,07 2,9 2,71 10 4,96 4,1 3,71 3,48 3,33 3,22 3,07 2,91 2,74 2,54 11 4,84 3,98 3,59 3,36 3,2 3,09 2,95 2,79 2,61 2,4 12 4,75 3,88 3,49 3,26 3,11 3 2,85 2,69 2,5 2,3 13 4,67 3,8 3,41 3,18 3,02 2,92 2,77 2,6 2,42 2,21 14 4,6 3,74 3,34 3,11 2,96 2,85 2,7 2,53 2,35 2,13 15 4,54 3,68 3,29 3,06 2,9 2,79 2,64 2,48 2,29 2,07 16 4,49 3,63 3,24 3,01 2,85 2,74 2,59 2,42 2,24 2,01 17 4,45 3,59 3,2 2,96 2,81 2,7 2,55 2,38 2,19 1,96 18 4,41 3,55 3,16 2,93 2,77 2,66 2,51 2,34 2,15 1,92 19 4,38 3,52 3,13 2,9 2,74 2,63 2,48 2,31 2,11 1,88 20 4,35 3,49 3,1 2,87 2,71 2,6 2,45 2,28 2,08 1,84 21 4,32 3,47 3,07 2,84 2,68 2,57 2,42 2,25 2,05 1,81 22 4,3 3,44 3,05 2,82 2,66 2,55 2,4 2,23 2,03 1,78 23 4,28 3,42 3,03 2,8 2,64 2,53 2,38 2,2 2 1,76 24 4,26 3,4 3,01 2,78 2,62 2,51 2,36 2,18 1,98 1,73 25 4,24 3,38 2,99 2,76 2,6 2,49 2,34 2,16 1,96 1,71 26 4,22 3,37 2,98 2,74 2,59 2,47 2,32 2,15 1,95 1,69 27 4,21 3,35 2,96 2,73 2,57 2,46 2,3 2,13 1,93 1,67 28 4,2 3,34 2,95 2,71 2,56 2,44 2,29 2,12 1,91 1,65 29 4,18 3,33 2,93 2,7 2,54 2,43 2,28 2,1 1,9 1,64 30 4,17 3,32 2,92 2,69 2,53 2,42 2,27 2,09 1,89 1,62 35 4,12 3,26 2,87 2,64 2,48 2,37 2,22 2,04 1,83 1,57 40 4,08 3,23 2,84 2,61 2,45 2,34 2,18 2 1,79 1,52 45 4,06 3,21 2,81 2,58 2,42 2,31 2,15 1,97 1,76 1,48 50 4,03 3,18 2,79 2,56 2,4 2,29 2,13 1,95 1,72 1,44 60 4 3,15 2,76 2,52 2,37 2,25 2,1 1,92 1,7 1,39 70 3,98 3,13 2,74 2,5 2,35 2,23 2,07 1,89 1,67 1,35 80 3,96 3,11 2,72 2,49 2,33 2,21 2,06 1,88 1,65 1,31 90 3,95 3,1 2,71 2,47 2,32 2,2 2,04 1,86 1,64 1,28 100 3,94 3,09 2,7 2,46 2,3 2,19 2,03 1,85 1,63 1,26 125 3,92 3,07 2,68 2,44 2,29 2,17 2,01 1,83 1,6 1,21 150 3,9 3,06 2,66 2,43 2,27 2,16 2 1,82 1,59 1,18 200 3,89 3,04 2,65 2,42 2,26 2,14 1,98 1,8 1,57 1,14 300 3,87 3,03 2,64 2,41 2,25 2,13 1,97 1,79. 1,55 1,1 400 3,86 3,02 2,63 2,4 2,24 2,12 1,96 1,78 1,54 1,07 500 3,86 3,01 2,62 2,39 2,23 2,11 1,96 1,77 1,54 1,06 1000 3,85 3 2,61 2,38 2,22 2,1 1,95 1,76 1,53 1,03 3,84 2,99 2,6 2,37 2,21 2,09 1,94 1,75 1,52 Приложение 5. Критические значения коэффициента автокорреляции при уровне значимости α: 0,05 и 0,01 Объем выборки n Положительные значения Отрицательные значения α = 0,05 α = 0,01 α = 0,05 α = 0,01 5 0,253 0,297 -0,753 -0,798 6 0,345 0,447 -0,708 -0,863 7 0,370 0,510 -0,674 -0,799 8 0,371 0,531 0,625 -0,764 9 0,366 0,533 -0,593 -0,737 10 0,360 0,525 -0,564 -0,705 11 0,353 0,515 -0,539 -0,679 12 0,348 0,505 -0,516 -0,655 13 0,341 0,495 -0,497 -0,634 14 0,335 0,485 -0,479 -0,615 15 0,328 0,475 -0,462 -0,597 20 0,299 0,432 -0,399 -0,524 Приложение 6. Значения критерия Колмогорова P(λ) λ P λ P 0,30 1 0,80 0,5441 0,35 0,9997 0,85 0,4653 0,40 0,9972 0,90 0,3927 0,45 0,9874 0,95 0,3275 0,50 0,9639 1,0 0,2700 0,55 0,9228 1,1 0,1777 0,60 0,8643 1,2 0,1122 0,65 0,7920 1,3 0,0681 0,70 0,7112 1,4 0,0397 0,75 0,6272 1,5 0,0222
«Теория статистики» 👇
Готовые курсовые работы и рефераты
Купить от 250 ₽
Решение задач от ИИ за 2 минуты
Решить задачу
Помощь с рефератом от нейросети
Написать ИИ
Получи помощь с рефератом от ИИ-шки
ИИ ответит за 2 минуты

Тебе могут подойти лекции

Автор(ы) Шульгин О.В.
Автор(ы) Шульгин О. В.
Автор(ы) Минашкин В. Г., Гусынин А. Б., Садовникова Н. А., Шмойлова Р. А.
Автор(ы) Якушев И. А.
Автор(ы) Чалиев А. А.
Автор(ы) Е.В.Гордеева
Смотреть все 270 лекций
Все самое важное и интересное в Telegram

Все сервисы Справочника в твоем телефоне! Просто напиши Боту, что ты ищешь и он быстро найдет нужную статью, лекцию или пособие для тебя!

Перейти в Telegram Bot