Статистические методы изучения взаимосвязей производственных показателей фирмы (организации)

     Таким образом, гипотеза о наличии прямой зависимости между производительностью труда и заработной платой подтверждается. В группе с самой низкой производительностью труда – 136,67 тыс. руб./чел. заработная плата так же самая низкая и составляет 44,33 тыс. руб./чел. В группе с самой высокой производительностью труда – 337,5 тыс. руб./чел. наблюдается и самый высокий уровень заработной платы – 11,8 тыс. руб. Таким образом рост производительности труда в  337,5 / 136,67 = 2,47 раз приводит к увеличению заработной платы  в  111,8 / 44,33 = 2,52 раза. Следовательно, можно сделать предположение о пропорциональном увеличении заработной платы в зависимости от роста производительности труда. Другим словами, можно предположить, что взаимосвязь между факторами может быть выражена линейной зависимостью.

     Дисперсионный анализ. Аналитические группировки при всей своей значимости не дают количественного выражения тесноты связи между признаками. Эта задача решается с помощью дисперсионного и корреляционного анализа.

     Дисперсионный анализ – статистический метод, позволяющий оценить влияние одного или нескольких факторов на результативный признак. Дисперсионный анализ дает прежде всего возможность определить значение систематической и случайной вариаций в общей вариации, а также установить роль интересующего нас фактора в изменении результативного признака. Наиболее простой, часто встречающейся на практике является ситуация, когда можно указать один фактор, влияющий на конечный результат, и этот фактор принимает конечное число значений. Следует определить, существенно ли это влияние. Такая ситуация может быть проанализирована при помощи однофакторного дисперсионного анализа.

       Сущность применяемой методики в следующем: проводится комбинированная группировка по результативному и факторному признакам. Она обеспечивает разложение общей дисперсии на межгрупповую (факторную) и остаточную. Межгрупповая дисперсия отражает вариацию признака, которая возникает под воздействием признака-фактора, положенного в основу группировки.

        Остаточная дисперсия характеризует  случайную вариацию в каждой  отдельной группе. Эта вариация  возникает под влиянием других  факторов и не зависит от  факторного признака, положенного в основу группировки.

       Общая дисперсия характеризует  вариацию признака, обусловленную  влиянием всех факторов.

     Для оценки существенности различий между  группами по величине какого-либо признака рекомендуется использовать критерий Фишера (F), фактическое значение которого определяется как отношение межфакторной дисперсии к остаточной по формуле:

     Где: – межгрупповая дисперсия; -остаточная дисперсия.

     Фактическое значение критерия Фишера сравнивают с табличным, которое определяется при заданном уровне значимости  и числе степеней свободы для межгрупповой и остаточной дисперсии:

     Если  , утверждают о значительном различии между группами то есть влияние факторного (группировочного) признака на результативный существенно.

     Если  влияние факторного признака существенно, то следует определить корреляционное отношение, как отношение межгрупповой (факторной) дисперсии к общей.

     Корреляционное  отношение по своему абсолютному значению колеблется в пределах от 0 до 1. Чем ближе корреляционное отношение к 1, тем больше влияние оказывает факторный признак на результативный.

     Корреляционно-регрессионный  анализ. Изучение взаимосвязи между признаками заключается в определении формы и количественной характеристики связи, а также степени тесноты связи.  

     Основная  задача корреляционного анализа  – ответить на вопрос – существует ли между признаками зависимость.  В наиболее общем виде задача статистики в области изучения взаимосвязей состоит в количественной оценке их наличия и направления (прямая или обратная связь), а также характеристике силы (слабая, средняя или тесная связь) и формы влияния 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.

     По  существу, и корреляционная таблица, и корреляционное поле, и эмпирическая линия регрессии предварительно уже характеризуют взаимосвязь, когда выбраны факторный и результативный признаки и требуется сформулировать предположения о форме и направленности связи. В то же время количественная оценка тесноты связи требует дополнительных расчетов.

     При исследовании корреляционных зависимостей между признаками решению подлежит широкий круг вопросов, к которым  следует отнести:

• предварительный анализ свойств моделируемой совокупности единиц;
• установление факта наличия связи, определение ее направления и формы;
• измерение степени тесноты связи между признаками;
• построение регрессионной модели, т.е. нахождение аналитического выражения связи;
• оценка адекватности модели, ее экономическая интерпретация и практическое использование.

     Для того чтобы результаты корреляционного  анализа нашли практическое применение и дали желаемый результат, должны выполняться определенные требования в отношении отбора объекта исследования и признаков-факторов. Одним из важнейших условий правильного применения методов корреляционного анализа является требование однородности тех единиц, которые подвергаются изучению методами корреляционного анализа. Например, при корреляционном анализе зависимостей тех или иных технико-экономических показателей работы предприятий от определенных факторов должны быть отобраны предприятия, выпускающие однотипную продукцию, имеющие одинаковый характер технологического процесса и тип используемого оборудования, для предприятий добывающей промышленности определенную роль играет и географическое размещение предприятий.

     При выполнении указанных общих требований далее необходима количественная оценка однородности исследуемой совокупности по комплексу признаков. Одним из возможных вариантов такой оценки является расчет относительных показателей вариации. Традиционно широкое распространение для этих целей получил коэффициент вариации (если коэффициент вариации менее 33%, то исследуемую совокупность можно считать однородной и пригодной для исследования). Если совокупность неоднородна, то следует откинуть аномальные значения, то есть значения с максимальными и минимальными значениями признака.

     Другим  важным требованием, обеспечивающим надежность выводов корреляционного анализа, является требование достаточного числа наблюдений. Как уже указывалось, влияние существенных причин может быть затушевано действием случайных факторов, "взаимопогашение" влияния которых на результативный показатель в известной мере происходит при выведении средней результативного показателя для массы случаев.

     Определенные  требования существуют и в отношении  факторов, вводимых в исследование. Все множество факторов, оказывающих влияние на величину результативного показателя, к действительности не может быть введено в рассмотрение, да практически в этом и нет необходимости, так как их роль и значение в формировании величины результативного показателя могут иметь существенные различия. Поэтому при ограничении числа факторов, включаемых в изучение, наряду с качественным анализом целесообразно использовать и определенные количественные оценки, позволяющие конкретно охарактеризовать влияние факторов на результативный показатель (к оценкам можно отнести парные коэффициенты корреляции, ранговые коэффициенты при экспертной оценке влияния факторов и др.). Включаемые в исследование факторы должны быть независимыми друг от друга, так как наличие тесной связи между ними свидетельствует о том, что они характеризуют одни и те же стороны изучаемого явления и в значительной мере дублируют друг друга.

     Выбор формы связи. Определяющая роль в выборе формы связи между явлениями принадлежит теоретическому анализу. Так, например, чем больше размер основного капитала предприятия (факторный признак), тем больше при прочих равных условиях оно выпускает продукции (результативный признак).

     С ростом факторного признака здесь, как  правило, равномерно растет и результативный, поэтому зависимость между ними может быть выражена уравнением прямой Y=a+b*x, которое называется линейным уравнением регрессии.

     Параметр b называется коэффициентом регрессии и показывает, насколько в среднем отклоняется величина результативного признака у при отклонении величины факторного признаках на одну единицу. При x = 0 a = Y. Увеличение количества внесенных удобрений приводит, при прочих равных условиях, к росту урожайности, но чрезмерное внесение их без изменения других элементов к дальнейшему повышению урожайности не приводит, а, наоборот, снижает ее.

     Такая зависимость может быть выражена уравнением параболы Y=a+b*x+c*x².

     Параметр c характеризует степень ускорения  или замедления кривизны параболы, и при c>0 парабола имеет минимум, а при c<0 - максимум. Параметр b, характеризует угол наклона кривой, а параметр a - начало кривой.

     Однако  с помощью теоретического анализа не всегда удается установить форму связи. В таких случаях приходится только предполагать о наличии определенной формы связи. Проверить эти предположения можно при помощи графического анализа, который используется для выбора формы связи между явлениями, хотя графический метод изучения связи применяется и самостоятельно.

     Применение  методов корреляционного анализа  дает возможность выражать связь между признаками аналитически - в виде уравнения - и придавать ей количественное выражение. Чтобы измерить тесноту прямолинейной связи между двумя признаками, пользуются парным коэффициентом корреляции, который обозначается r.

     Коэффициент корреляции r применяется только в  тех случаях, когда между явлениями  существует прямолинейная связь. Если же связь криволинейная, то пользуются индексом корреляции, который рассчитывается по формуле:

     Коэффициент корреляции является мерой тесноты  связи только для линейной формы  связи, а индекс корреляции - и для  линейной, и для криволинейной. При прямолинейной связи коэффициент корреляции по своей абсолютной величине равен индексу корреляции:

     |r|=R.

     Если  индекс корреляции возвести в квадрат, то получим коэффициент детерминации.  Коэффициент детерминации является наиболее конкретным показателем, так как он отвечает на вопрос о том, какая доля в общем результате зависит от фактора, положенного в основание группировки.

     Индекс  корреляции принимает значения в интервале от -1 до + 1. Принято считать, что если  |r| < 0,30, то связь слабая; при  |r| = (0,3÷0,7) – средняя; при  |r| > 0,70 – сильная, или тесная. Когда  |r| = 1 – связь функциональная. Если же r принимает значение около 0, то это дает основание говорить об отсутствии связи между У и X.

      1.3. Непараметрические методы оценки связи

     Методы  корреляционного и дисперсионного анализа не универсальны: их можно применять, если все изучаемые признаки являются количественными. При использовании этих методов нельзя обойтись без вычисления основных параметров распределения (средних величин, дисперсий), поэтому они получили название параметрических методов.

     Между тем в статистической практике приходится сталкиваться с задачами измерения связи между качественными признаками, к которым параметрические методы анализа в их обычном виде неприменимы. Статистической наукой разработаны методы, с помощью которых можно измерить связь между явлениями, не используя при этом количественные значения признака, а значит, и параметры распределения. Такие методы получили название непараметрических.