Статистическое исследование взаимосвязи социально-экономических показателей

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

     Прямолинейные и криволинейные связи. По аналитическому выражению (форме) связи могут быть прямолинейными и криволинейными. При  прямолинейной связи с возрастанием значения факторного признака происходит непрерывное возрастание (или убывание) значений результативного признака. Математически такая связь представляется уравнением прямой, а графически – прямой линией. Отсюда ее более короткое название – линейная связь. При криволинейных связях с возрастанием значения факторного признака возрастание (или убывание) результативного признака происходит неравномерно, или же направление его изменения меняется на обратное. Геометрически такие связи представляются кривыми линиями (гиперболой, параболой и т.д.).

     Однофакторные и многофакторные связи. По количеству факторов, действующих на результативный признак, связи различаются: однофакторные (один фактор) и многофакторные (два и более факторов). Однофакторные (простые) связи обычно называются парными (т.к. рассматривается пара признаков). Например, корреляционная связь между прибылью и производительностью труда. В случае многофакторной (множественной) связи имеют в виду, что все факторы действуют комплексно, то есть одновременно и во взаимосвязи. Например, корреляционная связь между производительностью труда и уровнем организации труда, автоматизации производства, квалификации рабочих,  производственным стажем, простоями и другими факторными признаками. С помощью множественной корреляции можно охватить весь комплекс факторных признаков и объективно отразить существующие множественные связи.  

1.2. Статистические методы моделирования связи 

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

• Метод сопоставления двух параллельных рядов является одним из простейших методов. Для этого факторы, характеризующие результативный признак располагают в возрастающем или убывающем порядке (в зависимости от эволюции процесса и цели исследования), а затем прослеживают изменение величины результативного признака. Сопоставление и анализ расположенных таким образом рядов значений изучаемых величин позволяют установить наличие связи и ее направление. Зависимость между факторами и показателями может прослеживаться во времени (параллельные динамические ряды).
• Метод аналитических группировок тоже относится к простейшим методам. Чтобы выявить зависимость с помощью этого метода, нужно произвести группировку единиц совокупности по факторному признаку и для каждой группы вычислить среднее или относительное значение результативного признака. Сопоставляя затем изменения результативного признака по мере изменения факторного можно выявить направление, характер и тесноту связи между ними.

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

1.3. Статистическое моделирование связи методом корреляционного и регрессионного анализа 

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

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

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

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

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

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

     Двухмерная  линейная модель корреляционного и  регрессионного анализа (однофакторный  линейный корреляционный и регрессионный анализ). Наиболее разработанной в теории статистики является методология так называемой парной корреляции, рассматривающая влияние вариации факторного анализа х на результативный признак у и представляющая собой однофакторный корреляционный и регрессионный анализ. Овладение теорией и практикой построения и анализа двухмерной модели корреляционного и регрессионного анализа представляет собой исходную основу для изучения многофакторных стохастических связей.

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

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

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

a₀ , a₁ -  коэффициенты (параметры) уравнения регрессии.

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

     Коэффициент парной линейной регрессии a₁ имеет смысл показателя силы связи между вариацией факторного признака х и вариацией результативного признака у. Вышеприведенное уравнение показывает среднее значение изменения результативного признака у при изменении факторного признака х на одну единицу его измерения, то есть вариацию у, приходящуюся на единицу вариации х. Знак a₁ указывает направление этого изменения.

     Параметры уравнения a₀ , a₁ находят методом наименьших квадратов (метод решения систем уравнений, при котором в качестве решения принимается точка минимума суммы квадратов отклонений), то есть в основу этого метода положено требование минимальности сумм квадратов отклонений эмпирических данных y_i от выравненных :

     S(y_i –

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

                       _(1.1.5)

Решим эту  систему в общем виде:

                                                                                                                    (1.1.6)

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

                                                                                                           (1.1.7)  

Определив значения a₀ , a₁ и подставив их в уравнение связи   =a₀+a₁x, находим значения , зависящие только от заданного значения х. 

1.4. Парная корреляция и регрессия 

     Часто при анализе взаимосвязей социально-экономических  явлений среди различных факторов, влияющих на результат, бывает важно  выделить наиболее значимый факторный признак, который в большей степени обусловливает вариацию результативного признака (например, зависимость проданных туристическими фирмами путевок от затрат на рекламу или зависимость производительности труда операторов ЭВМ от стажа работы). Этим обусловлена необходимость измерения парных корреляций и построения уравнений парных регрессий.

     Парная  корреляция характеризует тесноту  и направленность связи между  результативным и факторным признаками. Парная регрессия позволяет описать  форму связи в виде уравнения парной регрессии (табл.2). 
 
 

Таблица 1

               Основные виды уравнений парной  регрессии

     В данной таблице  – теоретическое значение результативного признака (y) при определенном значении факторного признака (x), подставленном в регрессионное уравнение; а₀ – свободный член уравнения; a₁, a₂ – коэффициенты регрессии.

     Параметры уравнений парной регрессии a₁, a₂ называют коэффициентами регрессии. Для оценки параметров уравнения парной регрессии используется метод наименьших квадратов (МНК). Он заключается в определении параметров а₀, a₁, a₂, при которых сумма квадратов отклонений фактических значений результата (y_i) от теоретических ( ) минимизируется. Так, (1.1.8) описывает исходное условие МНК для парной линейной корреляционной связи:

                                   или                                 (1.1.8)

     На  основе (1.1.8) определяются частные производные  функции f(а₀, a₁), которые затем приравниваются к 0. Далее полученные уравнения преобразуются в систему нормальных уравнений, из которых определяются параметры а₀, a₁. При этом число нормальных уравнений в общем случае будет равно числу параметров. При использовании СПП параметры регрессионного уравнения определяются автоматически.

     В частности, коэффициент парной линейной регрессии a₁ определяется в соответствии с (1.1.9) и характеризует меру связи между вариациями факторного и результативного признаков. Коэффициент регрессии показывает, на сколько в среднем изменяется значение результативного признака при изменении факторного на единицу:

                                             (1.1.9)

где n –  объем совокупности.

     Тесноту и направление парной линейной корреляционной связи измеряют с помощью линейного  коэффициента корреляции (1.1.10), принимающего значения в пределах от –1 до +1 (см. табл.2):

                  (1.1.10)

     Квадрат коэффициента корреляции называют коэффициентом  детерминации (r²). Коэффициент детерминации можно интерпретировать как долю общей дисперсии результативного признака (y), которая объясняется вариацией факторного признака (x).