7.Статистическое изучение вариации социально-экономических явлений

    Для выявления наличия  связи, ее характера  и направления  в статистике используются методы:

• приведения параллельных данных;
• аналитических группировок;
• графический;
• корреляции.

    Метод приведения параллельных данных основан на сопоставлении двух или нескольких рядов статистических величин. Такое сопоставление позволяет установить наличие связи и получить представление о ее характере. Сравним изменение двух величин: 

 
 
 

    Мы  видим, что с увеличением величины X величина Y также возрастает. Можно сделать предположение, что связь между ними прямая и что ее можно описать или уравнением прямой или уравнением параболы второго порядка.

    Графически  взаимосвязь двух признаков изображается с помощью поля корреляции. В системе координат на оси абсцисс откладываются значения факторного признака, а на оси ординат - результативного.

    Каждое  пересечение линий, проводимых через  эти оси, обозначаются точкой. При отсутствии тесных связей имеет место беспорядочное расположение точек на графике. Чем сильнее связь между признаками, тем теснее будут группироваться точки вокруг определенной линии, выражающей форму связи.

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

Варианты  корреляционной зависимости:

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

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

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

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

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

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

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

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

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

При построении моделей  регрессии должны соблюдаться 

следующие требования:

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

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

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

4. Наличие  достаточно большого объема исследуемой  выборочной совокупности.

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

6. Отсутствие  количественных ограничений на  параметры модели связи.

7. Постоянство  территориальной и временной  структуры изучаемой совокупности.

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

2.     Парная регрессия  на основе метода наименьших

квадратов и метода группировок

    Парная  регрессия характеризует связь между двумя признаками: результативным и факторным. Аналитически связь между ними описывается уравнениями: 

    прямой                                                  

    гиперболы                                             

    параболы                                                (1.9.3) 

    показательной функции                     

    полулогарифметической функции      и так далее. 

    Определить  тип уравнения можно, исследуя зависимость  графически, однако существуют более общие указания, позволяющие выявить уравнение связи, не прибегая к графическому изображению. Если результативный и факторный признаки возрастают одинаково, то это свидетельствует о том, что связь между ними линейная, а при обратной связи - гиперболическая. Если результативный признак увеличивается в арифметической прогрессии, а факторный значительно быстрее, то используется параболическая или степенная регрессия.

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

    

     (1.9.4) 

    Система нормальных уравнений для нахождения параметров линейной парной регрессии методом наименьших квадратов имеет следующий вид: 

    

   (1.9.5) 

где n - объем исследуемой совокупности (число единиц наблюдения). 

    В уравнениях регрессии параметр a показывает усредненное влияние на результативный признак неучтенных в уравнении факторных признаков; коэффициент регрессии a показывает, на сколько изменяется в среднем значение результативного признака при увеличении факторного на единицу собственного измерения.

Множественная (многофакторная) регрессия

    Изучение  связи между тремя и более  связанными между собой признаками носит название множественной (многофакторной) регрессии: 

    

   (1.9.6) 
 

    Построение  моделей множественной регрессии включает несколько этапов:

    1. Выбор формы связи (уравнения  регрессии);

    2. Отбор факторных признаков;

    3. Обеспечение достаточного объема  совокупности.

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

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

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

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

    Наиболее  приемлемым способом отбора факторных  признаков является шаговая регрессия (шаговый регрессионный анализ). Сущность метода шаговой регрессии заключается в последовательном включении факторов в уравнение регрессии и последующей проверке их значимости. Факторы поочередно вводятся в уравнение так называемым «прямым методом». При проверке значимости введенного фактора определяется на сколько уменьшается сумма квадратов остатков и увеличивается величина множественного коэффициента корреляции (R ). Одновременно используется и обратный метод, то есть исключение факторов, ставших незначимыми. Фактор является незначимым, если его включение в уравнение регрессии только изменяет значения коэффициентов регрессии, не уменьшая суммы квадратов остатков и не увеличивая их значения. Если при включении в модель соответствующего факторного признака величина множественного коэффициента корреляции увеличивается, а коэффициента регрессии не изменяется (или меняется несущественно), то данный признак существенен и его включение в уравнение регрессии необходимо. В противном случае, фактор нецелесообразно включать в модель регрессии.

    При построении модели регрессии возможна проблема мультиколлинеарности, под  которой понимается тесная зависимость  между факторными признаками, включенными в модель ( > 0,8).

    Наличие мультиколлинеарности между признаками приводит к:

• искажению величины параметров модели, которые имеют тенденцию к завышению, чем осложняется процесс определения наиболее существенных факторных признаков;
• изменению смысла экономической интерпретации коэффициентов регрессии.

 

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

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