Непараметрические показатели связи

Содержание 

Введение…………………………………………………………………………...3

1. Основные понятия  корреляционного и регрессионного  анализа………..….4

2. Корреляционно-регрессионный метод анализа………………...………….....7

3. Непараметрические показатели связи……………………………………….13

Заключение…………………………………………………………………….…20Список использованной литературы…………………………………………...22 
 
 

 

Введение 

     Анализ  взаимосвязей, присущих изучаемым процессам  и явлениям, является важнейшей задачей  статистических исследований. В тех  случаях, когда речь идет о явлениях и процессах, обладающих сложной структурой и многообразием свойственных им связей, такой анализ представляет собой сложную задачу. Прежде всего, необходимо установить наличие взаимосвязей и их характер. Вслед за этим возникает вопрос о тесноте взаимосвязей и степени воздействия различных факторов (причин) на интересующий исследователя результат. Если черты и свойства изучаемых объектов могут быть измерены и выражены количественно, то анализ взаимосвязей может вестись на основе применения математических методов. Использование этих методов позволяет проверить гипотезу о наличии или отсутствии взаимосвязей между теми или иными признаками, выдвигаемую на основе содержательного анализа. Далее, лишь посредством математических методов можно установить тесноту и характер взаимосвязей или выявить силу (степень) воздействия различных факторов на результат.

     Наиболее  разработанными в математической статистике методами анализа взаимосвязей являются корреляционный и регрессионный анализ.

     Анализ  статистической, или корреляционной, связи предполагает выявление формы связи, а также оценку тесноты связи. Первая задача решается методами регрессионного анализа, вторая — методами корреляционного анализа. Регрессионный анализ сводится к описанию статистической связи с помощью подходящей функциональной зависимости. Корреляционный анализ позволяет оценивать тесноту связи посредством специальных показателей, причем выбор их зависит от вида функциональной зависимости, пригодной для адекватного описания рассматриваемой статистической взаимосвязи.

     Целью данной работы является изучение тесноты  связи. Для этого перед нами стоит  ряд задач: для начала необходимо рассмотреть основные понятия анализа взаимосвязей, их цели и задачи. После чего остановимся на каждом конкретном методе измерения связи и выявим их основные направления и способы вычисления. 

Основные  понятия корреляционного  и регрессионного анализа 

     Формы проявления взаимосвязей весьма разнообразны. В качестве двух самых общих их видов выделяют функциональную (полную) и корреляционную (неполную) связи. В первом случае величине факторного признака строго соответствует одно или несколько значений функции. Достаточно часто функциональная связь проявляется в физике, химии. В экономике примером может служить прямо пропорциональная зависимость между производительностью труда и увеличением производства продукции.

     Корреляционная  связь (которую также называют неполной, или статистической) проявляется  в среднем, для массовых наблюдений, когда заданным значениям зависимой  переменной соответствует некоторый ряд вероятных значений независимой переменной. Объяснение тому – сложность взаимосвязей между анализируемыми факторами, на взаимодействие которых влияют неучтенные случайные величины. Поэтому связь между признаками проявляется лишь в среднем, в массе случаев. При корреляционной связи каждому значению аргумента соответствуют случайно распределенные в некотором интервале значения функции.

     Например, некоторое увеличение аргумента  повлечет за собой лишь среднее увеличение или уменьшение (в зависимости  от направленности) функции, тогда как конкретные значения у отдельных единиц наблюдения будут отличаться от среднего. Такие зависимости встречаются повсеместно. Например, в сельском хозяйстве это может быть связь между урожайностью и количеством внесенных удобрений. Очевидно, что последние участвуют в формировании урожая. Но для каждого конкретного поля, участка одно и то же количество внесенных удобрений вызовет разный прирост урожайности, так как во взаимодействии находится еще целый ряд факторов (погода, состояние почвы и др.), которые и формируют конечный результат. Однако в среднем такая связь наблюдается – увеличение массы внесенных удобрений ведет к росту урожайности.

     По  направлению связи бывают прямыми, когда зависимая переменная растет с увеличением факторного признака, и обратными, при которых рост последнего сопровождается уменьшением функции. Такие связи также можно назвать соответственно  положительными и отрицательными.

     Относительно  своей аналитической формы связи  бывают линейными и нелинейными. В первом случае между признаками в среднем проявляются линейные соотношения. Нелинейная взаимосвязь выражается нелинейной функцией, а переменные связаны между собой в среднем нелинейно.

     Существует  еще одна достаточно важная характеристика связей с точки зрения взаимодействующих факторов. Если характеризуется связь двух признаков, то ее принято называть парной. Если изучаются более чем две переменные – множественной.

     Указанные выше классификационные признаки наиболее часто встречаются в статистическом анализе. Но кроме перечисленных различают также непосредственные, косвенные и ложные связи. Собственно, суть каждой из них очевидна из названия. В первом случае факторы взаимодействуют между собой непосредственно. Для косвенной связи характерно участие какой-то третьей переменной, которая опосредует связь между изучаемыми признаками. Ложная связь – это связь, установленная формально и, как правило, подтвержденная только количественными оценками. Она не имеет под собой качественной основы или же бессмысленна.

     По  силе различаются слабые и сильные связи. Эта формальная характеристика выражается конкретными величинами и интерпретируется в соответствии с общепринятыми критериями силы связи для конкретных показателей.

     В наиболее общем виде задача статистики в области изучения взаимосвязей состоит в количественной оценке их наличия и направления, а также характеристике силы и формы влияния одних факторов на другие. Для ее решения применяются две группы методов, одна из которых включает в себя методы корреляционного анализа, а другая – регрессионный анализ. В то же время ряд исследователей объединяет эти методы в корреляционно-регрессионный анализ, что имеет под собой некоторые основания: наличие целого ряда общих вычислительных процедур, взаимодополнения при интерпретации результатов и др.

     Поэтому в данном контексте можно говорить о корреляционном анализе в широком  смысле – когда всесторонне характеризуется  взаимосвязь. В то же время выделяют корреляционный анализ в узком смысле – когда исследуется сила связи, и регрессионный анализ, в ходе которого оцениваются ее форма и воздействие одних факторов на другие.

     Задачи  собственно корреляционного  анализа сводятся к измерению тесноты связи между варьирующими признаками, определению неизвестных причинных связей и оценке факторов, оказывающих наибольшее влияние на результативный признак.

     Задачи  регрессионного анализа лежат в сфере установления формы зависимости, определения функции регрессии, использования уравнения для оценки неизвестных значении зависимой переменной.

     Решение названных задач опирается на соответствующие приемы, алгоритмы, показатели, применение которых дает основание говорить о статистическом изучении взаимосвязей.

     Следует заметить, что традиционные методы корреляции и регрессии широко представлены в разного рода статистических пакетах программ для ЭВМ. Исследователю остается только правильно подготовить информацию, выбрать удовлетворяющий требованиям анализа пакет программ и быть готовым к интерпретации полученных результатов. Алгоритмов вычисления параметров связи существует множество, и в настоящее время вряд ли целесообразно проводить такой сложный вид анализа вручную. Вычислительные процедуры представляют самостоятельный интерес, но знание принципов изучения взаимосвязей, возможностей и ограничений тех или иных методов интерпретации результатов является обязательным условием исследования.

     Методы  оценки тесноты связи подразделяются на корреляционные (параметрические) и непараметрические. Параметрические методы основаны на использовании, как правило, оценок нормального распределения и применяются в случаях, когда изучаемая совокупность состоит из величин, которые подчиняются закону нормального распределения. На практике это положение чаще всего принимается априори. Собственно, эти методы – параметрические – и принято называть корреляционными.

     Непараметрические методы не накладывают ограничений  на закон распределения изучаемых  величин. Их преимуществом является и простота вычислений.

 

Корреляционно-регрессионный  метод анализа 

     Наиболее  простым вариантом корреляционной зависимости является парная корреляция, т.е. зависимость между двумя признаками (результативным и факторным или между двумя факторными). Математически эту зависимость можно выразить как зависимость результативного показателя у от факторного показателя х.

     Важнейшей задачей является определение формы  связи с последующим расчетом параметров уравнения, или, иначе, нахождение уравнения связи (уравнения регрессии).

     Могут иметь место различные формы  связи:

  прямолинейная

  криволинейная в виде:

• параболы второго порядка (или высших порядков)

 

• гиперболы

 

• показательной функции

 и т.д.

     Параметры для всех этих уравнений связи, как  правило, определяют из системы нормальных уравнений, которые должны отвечать требованию метода наименьших квадратов (МНК):

     Если  связь выражена параболой второго порядка ( ), то систему нормальных уравнений для отыскания параметров a₀ , a₁ , a₂ (такую связь называют множественной, поскольку она предполагает зависимость более чем двух факторов) можно представить в виде

 

     Для определения степени тесноты парной линейной зависимости служит линейный коэффициент корреляции r.

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

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

   

     Производя расчет по итоговым значениям исходных переменных, линейный коэффициент корреляции можно вычислить по формуле:

  

     Между линейным коэффициентом корреляции и коэффициентом регрессии существует определенная зависимость, выражаемая формулой:

     ,

где:

a_i - коэффициент регрессии в уравнении связи; 

• - среднее квадратическое отклонение соответствующего факторного признака.

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

Оценка  линейного коэффициента корреляции 

Значение  линейного коэффициента связи	Характеристика  связи	Интерпретация связи
r = 0	отсутствует	-
0 < r < 1	прямая	с увеличением x увеличивается y
-1 < r < 0	обратная	с увеличением x уменьшается y и наоборот
r = 1	функциональная	каждому значению факторного признака строго соответствует одно значение результативного признака