Тест статистическое изучение корреляционных взаимосвязей. Статистическое изучение связи между явлениями. Методы выявления корреляционной связи

13.1. Типы связей между явлениями, их характеристика

Изучение действительности показывает, что изменение изучаемого признака находитсяв тесной взаимосвязи с другими признаками.

При изучении конкретных зависимостей одни признаки выступают в качестве факторов , обуславливающих изменения других признаков – они называютсяфакторными признаками (Х).

Признаки, которые являются результатом влияния этих факторных признаков, называются результативными признаками (У).

Например: рассматривая зависимость между производительностью труда и квалификацией рабочих, уровень производительности труда является результативным признаком, а квалификация рабочих факторным, т.к. её повышение ведет к росту производительности труда.

Различают два основных вида связей между явлениями.

- функциональные связи характеризуются полнымсоответствием между изменением факторного и результативного признака (каждому значению признака – фактора соответствует вполне определенные значения результативного признака)

Примером функциональной связи является зависимость длины окружности (L) от радиуса (r).

- корреляционные связи, при которых между изменением факторного и результативного признаков нет полного соответствия, воздействия отдельных факторов проявляется лишь в среднем при массовомнаблюдении, фактических данных.

В простейшем случае применения корреляционной зависимости величина результативного признака рассматривается как следствие изменения только одного фактора (например: рост квалификации рабочих рассматривается как причина роста производительности труда).

Однако выделенный в данном примере в качестве основного признак – фактор не является единственной причиной изменения результативного признака, а на ряду с ним на величину результативного признака влияет множество других причин (в частности на производительность труда влияет уровень энерговооруженности, механизации и автоматизации производства).

При наличии корреляционной зависимости устанавливается лишь тенденция изменения результативного признака при изменении величины факторного признака.

Объяснения этому – сложность взаимосвязей между анализируемыми факторами, взаимодействие которых влияют неучтенные, случайные величины. Поэтому связь появляется лишь в среднем, в массе случаев.

При корреляционной связи каждому значению аргумента (х -признака фактора).

Соответствует случайно распределенные в некотором интервале значения функции (у – признака результата).

Например, в сельском хозяйстве это может быть связь между урожайностью и количеством внесенных удобрений. Очевидно, что удобрения участвуют в формировании урожая, для конкретного поля участии одного и того же количества удобрений вызовет разный прирост урожайности, так как во взаимодействии находится ещё целый ряд факторов (погода, состояние почвы и т. д.), которые формируют урожай. Однако в среднем такая связь наблюдается увеличение массы внесенных, удобрений ведет к росту урожайности.

Виды взаимосвязей:

a) По направлению связи делятся на:
- прямые – когда зависимая переменная растёт с увеличением факторного признака (положительная связь)
- обратные, когда рост факторного признака ведёт к уменьшению результативного (отрицательная связь)

б) По степени тесноты:

в) По аналитическому выражению:
- линейные
- криволинейные.

Задачи статистики в изучении связей между явлениями заключается в следующем:

1. количественная оценка наличия и направления связи;

2. характеристика формы влияния одних факторов на другие (изменение степени тесноты корреляционной связи);

3. нахождение аналитического выражения связи (построение уравнений регрессии или корреляционно-регрессионных моделей);

4. оценка соответствия полученных моделей и их практическое использование.

13.2. Методы выявления наличия корреляционной связи между двумя признаками

Для ответа на вопрос о наличии или отсутствии корреляционной связи используется ряд методов:

- параллельное сопоставление рядов значений результативного и факторного признаков , является простейшим приёмом. Значения факторного признака располагаются в возрастающем порядке, а затем прослеживают направление изменения величины результативного признака;

Однако наличие большого числа различных значений результативного признака, соответствующих одному и тому же значению признака-фактора, затрудняет восприятие таких параллельных рядов. В таких случаях для установления связи – пользуются статистическими таблицами – корреляционными и групповыми .

Построение корреляционной таблицы начинают с группировки значений факторного и результативного признаков.

При этом факторный признак (х), как правило, имеет конкретные значения и располагается в строках; а результативный признак (y) представлен в виде интервалов и располагается в столбцах таблицы.

Числа, расположенные на пересечении строк и столбцов таблицы, означают частоту построения данного сочетания значений Х и Y.

Такая корреляционная таблица уже при общем знакомстве даёт возможность:

Определить наличие или отсутствие связи;

Выяснить её направление.

Если частоты в корреляционной таблице расположены по диагонали из левого верхнего угла в правый нижний (т.е. большим значениям фактора соответствуют большие значения результата), то можно предположить наличие прямой корреляционной зависимости между признаками.

Если же частоты располагаются с правого верхнего угла к левому нижнему, то предполагают наличие обратной связи.

Построение групповой таблицы также начинают с группировки. По каждой группе вычисляют средние значения результативного признака, и дальше происходит сопоставление полученных данных.

- Графический метод применяется для:

· Предварительного выявления наличия или отсутствия связи;

· Определения характера и формы связи.

Используя данные об индивидуальных значениях признака-фактора и соответствующих значениях результативного признака, можно построить в прямоугольных осях точечный график, который называется поле корреляции.

Определив среднее значение точек, можно построить линию, которая является эмпирической линией связи.

Если эмпирическая линия связи приближается к прямой линии связи, то возможно наличие прямолинейной линии корреляционной связи между признаками.

Если к какой-либо кривой, то возможна криволинейная корреляционная связь.

13.3. Измерение степени тесноты корреляционной связи между двумя признаками

Понятно, что одни факторы влияют сильнее, другие слабее на результативный признак.

Характеристика силы воздействия одних факторов на другие даётся при помощи показателей степени тесноты корреляционной связи между двумя признаками, к ним относятся:

· Коэффициент корреляции знаков;

· Линейный коэффициент корреляции;

· Коэффициент корреляции рангов

а) Коэффициент корреляции знаков

Число совпадений знаков отклонения индивидуальных величин от средней факторного и результативного признаков;

Число несовпадений знаков отклонений.

б) Линейный коэффициент корреляции является более совершенным показателем степени тесноты связи. При расчёте этого показателя учитываются не только знаки отклонений, но и сами величины таких отклонений.

Есть много вариантов этой формулы.

Много учёных занималось вопросами корреляции и в целом стохастических зависимостей (проявляется в массе случаев).

Множественная корреляция.

Коэффициент множественной корреляции: , где

Общая дисперсия фактических данных результативного признака, т.е. дисперсия y .

Остаточная дисперсия, характеризующая вариацию y за счёт факторов не включённых в уравнение регрессии.

Отражает тесноту связи между вариацией зависимой переменной и вариациями всех включённых в анализ независимых переменных

0< <1 чем ближе к 1, тем более сильная связь, к 0 - не все факторы учтены, не подходящая форма уравнения.

в) Коэффициент корреляции рангов (коэффициент связи качественных признаков)

Позволяет измерить тесноту связи между качественными признаками, которые не поддаются выражению числом. Каждой единице совокупности присваивается порядковый номер в ряду, который будет упорядочен по уровню признака. Таким образом, ряд значений ранжируется, а номер каждой отдельной единицы будет её рангом.

Можно получить представление, о корреляционной связи сопоставляя ранги факторного и результативного признаков. Метод Спирмена и метод Кенделла.

13.4. Уравнения регрессии, их виды

Изучение корреляционных зависимостей основывается на исследовании таких связей между переменными, при которых значение одной переменной, которую можно применять за зависимую переменную «в среднем» изменяется в зависимости от того, какие значения принимает другая переменная, рассматриваемая, как причина по отношению к зависимой переменной.

Изучение зависимостей ведёт к поиску аналитических связей в виде формул (т.е. функций, который записываются составлением уравнений регрессии ).

А на графическом поле строится теоретическая линия регрессии– это та линия, вокруг которой группируются точки корреляционного поля и которая указывает основное направление, основную тенденцию связи.

Наиболее часто для характеристики связей экономических явлений используются такие типы функций:

Линейную:

Гиперболическую:

Показательную:

Степенную:

13.5. Корреляционно-регрессивные модели (КРМ),

их применение в анализе и прогнозе

На практике чаще всего изменение изучаемого признака зависит от действия нескольких причин. В таких случаях изменение корреляционной связи не может ограничиться парными зависимостями, и в анализ необходимо включить другие признаки-факторы существенно влияющие на изучаемую переменную.

Отбор факторов для построения многофакторных моделей производится на основе качественного и количественного анализа социально-экономических явлений с использованием статистических критериев.

Корреляционно-регрессивной моделью системы взаимосвязанных признаков является такое уравнение регрессии, которое включает основные факторы.

Построение многофакторных регрессионных моделей позволяет дать количественное описание основных закономерностей изучаемых явлений, выделить существенные факторы, обуславливающие изменение экономических показателей, и оценить их влияние.

Полученные модели в основном используются в двух направлениях:

· Для сравнительного анализа

· В прогнозировании

Возможность применения методов корреляционно-регрессивного анализа ещё в недалёком прошлом сдерживалась высокой трудоёмкостью необходимых расчётов. Сегодня широкое распространение получили пакеты прикладных программ по статистике, ликвидировав эти ограничения.

С целью расширения возможностей экономического анализа используют коэффициент эластичности:

, где

Среднее значение факторного признака

Среднее значение результативного признака

Коэффициент регрессии при соответствующем факторном признаке.

Показывает на сколько процентов в среднем изменится значение результативного признака при изменении факторного признака.

Устанавливают как справочную величину.

Следует различать функциональные и корреляционные связи. В отличие от функциональной зависимости, при которой каждому значению одной переменной строго соответствует одно определённое значение другой переменной, зависимость, при которой одному значению переменной (х ) может соответствовать (в силу наслоения действия других причин) множество значений другой переменной (y ), называют корреляционной. Корреляционная зависимость проявляется лишь на основе массового наблюдения.

Примером корреляционной зависимости может служить зависимость производительности труда от стажа работы рабочих, зависимость урожайности от срока сева, зависимость годового удоя коров от количества отёлов и т.п.

Наиболее простым случаем корреляционной зависимости является парная корреляция, т.е. зависимость между двумя признаками (результативными и одним из факторных).

Основными задачами при изучении корреляционных зависимостей являются:

1. отыскание математической формулы, которая бы выражала эту зависимость y от x

2. измерение тесноты такой зависимости.

Решение первой задачи, т.е. определение формы связи с последующим отысканием параметров уравнения, называется нахождением уравнения связи (уравнения регрессии). Показатели, рассматриваемые как функция х , обозначают (читается: «игрек, выровненный по икс»).

Возможны различные формы связи:

1. прямолинейная:

2. криволинейная в виде:
а) параболы второго порядка (или высших порядков)
б) гиперболы
в) показательной функции и т.д.

Параметры для всех уравнений связи чаще всего определяют из так называемой системы нормальных уравнений , отвечающих требованию «метода наименьших квадратов» (МНК). Это требование можно записать как или, при линейной зависимости, т.е. требуется определить, при каких значениях параметров и сумма квадратов отклонений y от будет минимальной. Найдя частные производные указанной суммы по и и приравняв их к нулю, легко записать систему уравнений, решение которой и дают параметры искомой функции, т.е. уравнения регрессии.

Так, система нормальных уравнений при линейной зависимости имеет вид:

Если связь выражена параболой второго порядка

то система нормальных уравнений для отыскания параметров , , выглядит следующим образом:

Вторая задача – измерение тесноты зависимости – для всех форм связи может быть решена с помощью исчисления теоретического корреляционного отношения :

Дисперсия в ряду выравненных значений
результативного показателя ;

Дисперсия в ряду фактических значений y.

Так как дисперсия отражает вариацию в ряду только за счёт вариации фактора x , а дисперсия отражает вариацию y за счёт всех факторов, то их отношение, именуемое теоретическим коэффициентом детерминации , показывает, какой удельный вес в общей дисперсии ряда y занимает дисперсия, вызываемая вариацией фактора х . квадратный корень из отношения этих дисперсий даёт нам теоретическое корреляционное отношение. Если = , то это означает, что роль других факторов в вариации y сведена на нет, и отношение:

Означает полную зависимость вариации y от х .

Если =0, то это означает, что вариация х никак не влияет на вариацию y , и в этом случае .

Следовательно, максимальное значение, которое может принимать корреляционное отношение, равно 1, минимальное значение – 0.

Математически легко доказывается, что в случае линейной зависимости корреляционное отношение может быть заменено выражением которое называют линейным коэффициентом корреляциии обозначают r , т.е. где - коэффициент регрессии в уравнении связи, и - соответственно среднее квадратическое отклонение в ряду x и в ряду y.

Линейный коэффициент корреляции можно выразить и другими формулами, тождественными первой, в частности:

или а также

Линейный коэффициент корреляции может принимать по модулю значения от 0 до 1 (знак «+» при прямой зависимости и знак «-» при обратной зависимости).

Рассмотрим решение задачи по этой теме.

Задача 1

Пусть по 10 однотипным предприятиям имеются следующие данные о выпуске продукции (х ) в тыс. ед. и о расходе условного топлива (y ) в тоннах (графы 1 и 2 таблицы).

Требуется найти уравнение зависимости расхода топлива от выпуска продукции (или уравнение регрессии y по x ) и измерить тесноту зависимости между ними.

Решение.

А.рассматривая уравнение регрессии в форме линейной функции вида , параметры данного уравнения ( и ) найдём из системы нормальных уравнений

Необходимые для решения суммы , , рассчитаны выше в таблице. Подставляем их в уравнения и решаем систему:

Отсюда , предварительно найдя то линейный коэффициент корреляции r=0,96 считается значимым, а связь между x и y – реальной.

Контрольные вопросы к теме :

1. Какие признаки являются результативными, факторными.

2. Какие два основных вида связей между явлениями различают. Объясните их суть.

3. Расскажите классификацию взаимосвязей.

4. В чем заключаются задачи статистики при изучении связей между явлениями.

5. Расскажите, какие вы знаете методы выявления наличия корреляционной связи между двумя признаками.

6. При помощи, каких показателей дается характеристика силы воздействия одних факторов на другие.

7. Расскажите о коэффициенте множественной корреляции.

8. Что такое «корреляционно-регрессивные модели» и каково их применение в анализе и прогнозе.

9. Расскажите о линейном коэффициенте корреляции.

10. В чем суть метода наименьших квадратов.

Библиографический список

1. Елисеева И.И., Юзбашев М.М. Общая теория статистики: Учебник / Под ред. И.И. Елисеевой. 5-е изд., перераб. и доп. М.: Финансы и статистика, 2004.

2. Ефимова М.Р., Петрова Е.В., Румянцева В.Н. Общая теория статистики: Учебник. – 2-е изд., испр. и доп. – М.: ИНФРА-М, 2000. – 416 с.

3. Общая теория статистики: Учебник / Под ред. О.Э. Башиной, А.А. Спирина, 5-е изд. М., 1999.

4. Практикум по теории статистики: Учеб. пособие / Под ред. Р.А. Шмойловой. М.: Финансы и статистика, 1999.

5. Сиденко А.В., Попов Г.Ю., Матвеева В.М. Статистика: Учебник. М., 2000.

6. Социальная статистика: Учебник / Под ред. И.И. Елисеевой. 3-е изд., перераб. и доп. М.: Финансы и статистика, 2003.

7. Статистика товаров и услуг: Учебник / Под ред. И.К. Белявского. М., 2002.

8. Статистика: Учебник / Под ред. В.С. Мхитаряна. М.: Экономист, 2005

9. Теория статистики: Учебник/Под ред. профессора Г.Л. Громыко. – М.: ИНФРА-М, 2000. – 414 с.

10. Экономика и статистика фирм / Под ред. С.Д. Ильенковой. М., 2000

Изучение зависимостей - это сложнейшая задача, поскольку социально-экономические явления сами по себе сложны и многообразны. Кроме того, полученные выводы носят вероятностный характер, так как они делаются на основе данных, представляющих собой выборку во времени или пространстве.

Статистические методы изучения зависимости построены с учетом особенностей изучаемых закономерностей. Статистика изучает преимущественно стохастические связи, когда одному значению признака-фактора соответствует группа значений результативного признака. Если с изменением значений признака-фактора изменяются среднегрупповые значения результативного признака, то такие связи называют корреляционными. Не всякая стохастическая зависимость является корреляционной. Если каждому значению факторного признака соответствует строго определенное значение результативного признака, то такая зависимость функциональная. Ее называют еще полной корреляцией. Неоднозначные корреляционные зависимости называют неполной корреляцией.

По механизму взаимодействия различают:

· Непосредственные связи - когда причина прямо влияет на следствие;

· Косвенные связи - когда между причиной и следствием существуют ряд промежуточных признаков (например, влияние возраста на заработок).

По направлениям различают:

· Прямые связи - когда значение факторного и результативного признаков изменяются в одном направлении;

· Обратные связи - когда значения факторного и результативного признаков изменяются в разных направлениях.

· Прямолинейные (линейные) связи - выражены прямой линией;

· Криволинейные связи - выражены параболой, гиперболой.

По числу взаимосвязанных признаков различают:

· Парные связи - когда анализируется взаимосвязь двух признаков (факторного и результативного);

· Множественные связи - характеризуют влияние нескольких признаков на один результативный.

По силе взаимодействия различают:

· Слабые (заметные) связи;

· Сильные (тесные) связи.

Задача статистики определить наличие, направление, форму и тесноту взаимосвязи.

Для изучения зависимости применяются различные статистические методы. Поскольку зависимости в статистике проявляются через вариацию признаков, то и методы в основном измеряют и сопоставляют вариацию факторного и результативного признаков.

Если изобразить результаты группировки на графике, получим эмпирическую линию регрессии. Интервалы значений факторного признака заменяются средними групповыми показателями.

Помимо эмпирической линии регрессии, непосредственно определяющей форму и направление взаимосвязей, существует корреляционное поле, на котором отражаются параметрические данные.

По корреляционному полю так же можно судить о характере взаимосвязи. Если точки сконцентрированы около диагонали идущей слева направо, снизу вверх - то связь прямая. Если около другой диагонали - обратная. Если точки рассеяны по всему полю графика - связь отсутствует.

При построении аналитической группировки важно правильно определить величину интервала. Если в результате первичной группировки связь не проявляется отчетливо, можно укрупнить интервал. Однако, укрупняя интервалы, можно иногда обнаружить связь даже там, где ее нет. Поэтому при построении аналитической группировки руководствуются правилом: чем больше групп мы можем выделить, не натолкнувшись ни на одно исключение, тем надежнее наша гипотеза о наличии и форме связи.

Нематематические методы дают приближенную оценку о наличии, формы и направлении связи. Более глубокий анализ осуществляется с помощью математических методов, которые развились на базе методов, применяемых статистиками - нематематиками:

· Регрессионный анализ, позволяющий выразить с помощью уравнения форму взаимосвязи.

· Корреляционный анализ используется для определения тесноты или силы взаимосвязи признаков. Корреляционные методы делят:

- Параметрические методы, которые дают оценку тесноты связи непосредственно на базе значений факторного и результативного признаков;

- Непараметрические методы - дают оценку на основе условных оценок признаков.

Оценка тесноты криволинейных зависимостей дается после расчета параметра уравнения регрессии. Поэтому такой метод называется корреляционно-регрессивным.

Если анализируется зависимость одного факторного и результативного признаков, то в этом случае имеем дело с парной корреляцией и регрессией. Если анализируются несколько факторных и результативных признаков - это множественная корреляция и регрессия.

Регрессия - это линия, характеризующая наиболее общую тенденцию во взаимосвязи факторного и результативного признаков.

Предполагается, что аналитическое уравнение выражает подлинную форму зависимости, а все отклонения от этой функции обусловлены действием различных случайных причин. Так как изучаются корреляционные связи, изменению факторного признака соответствует изменение среднего уровня результативного признака. При построении аналитических группировок мы рассматривали эмпирическую линию регрессии. Однако, эта линия не пригодна для экономического моделирования и ее форма зависит от произвола исследователя. Теоретически линия регрессии в меньшей степени зависит от субъективизма исследователя, однако, здесь так же может быть произвол при выборе формы или функции взаимосвязи. Считается, что выбор функции должен опираться на глубокое знание специфики предмета исследования.

На практике чаще всего применяются следующие формы регрессионных моделей:

· Линейная;

· Полулогарифметическая кривая;

· Гипербола;

· Парабола второго порядка;

· Показательная функция;

· Степенная функция.

Данное свойство средней, гласящее, что сумма квадратов отклонений всех вариантов ряда от средней арифметической меньше суммы квадратов их отклонений от любого другого числа, положено в основу метода наименьших квадратов, позволяющего рассчитать параметры избранного уравнения регрессии таким образом, чтобы линия регрессии была в среднем наименее удалена от эмпирических данных.

Непараметрические методы измерения тесноты взаимосвязи количественных признаков были первыми из методов измерения тесноты взаимосвязи. Впервые попытался измерить тесноту связи в 30-ч годах 19 века французский ученый Гиррий. Он сопоставлял между собой среднегрупповые значения факторного и результативного признаков. При этом абсолютные значения заменялись их отношениями к некоторым константам. Полученные результаты ранжировались в порядке возрастания. О наличии или отсутствии связи Гиррий судил сопоставляя ранее по группам и подсчитывая количество совпадений и несовпадений рангов. Если преобладало число совпадений - связь считалась прямой. Несовпадение - обратной. При равенстве совпадений и несовпадений - связь отсутствовала.

Методика Гиррий была использована Фехнером при разработке своего коэффициента, а так же Спирменом при разработке коэффициента корреляции рангов.

Коэффициент указывает на наличие весьма тесной обратной связи.

На ряду с коэффициентом Фехнера для измерения взаимосвязи количественных признаков применяются коэффициенты корреляции рангов. Наиболее распространенным среди них является коэффициент корреляции рангов Спирмена.

Непараметрические методы применяются для измерения тесноты связи качественных и альтернативных признаков, а так же количественных признаков, распределение которых отличается от нормального распределения.

Для измерения связи альтернативных признаков применяются коэффициент ассоциации Дэвида Юла и коэффициент контингенции Карла Пирсона. Для расчета этих показателей применяется следующая матрица взаимного распределения частот:

a, b, c, d - частоты взаимного распределения признаков.

При прямой связи частоты сконцентрированы по диагонали a-d, при обратной связи по диагонали b-c, при отсутствии связи частоты практически равномерно распределены по всему полю таблицы.

Коэффициент ассоциации

Коэффициент ассоциации непригоден для расчета в том случае, если одна из частот по диагонали равна 0. В этом случае применяется коэффициент контингенции, который рассчитывается по формуле:

Коэффициент контингенции также указывает на практическое отсутствие связи между признаками (его величина всегда меньше К ас).

Для измерения тесноты линейной взаимосвязи применяется коэффициент корреляции. Базовая форма коэффициента корреляции следующая:

Фактически, коэффициент корреляции - это среднее произведения нормативных отклонений:

Если связь между признаками отсутствует, то результативный признак не варьирует при изменении факторного признака, следовательно. Такой же результат получается при сбалансированности сумм отрицательных и положительных произведений.

Обычно для расчета коэффициента корреляции применяются формулы, использующие те показатели, которые уже рассчитывались при определении параметров уравнения регрессии.

Множественная корреляция и регрессия применяется для изучения влияния двух и более факторов на результативный признак. Процесс исследования включает несколько этапов.

Сначала проводится выбор формы уравнения взаимосвязи, чаще всего выбирается n-мерная линейная формула:

Поскольку расчеты важны и трудоемки, важнейшее значение имеет отбор факторов для включения в регрессионную модель. На основе качественного анализа необходимо отбирать наиболее существенные факторы. На этапе отбора факторов, рассчитывается так же единичная матрица парных коэффициентов корреляции между признаками факторов, отобранных для включения в уравнение регрессии.

Таблица 1 – Расчет отклонений Млн.нац.руб.

1) Рассчитаем и по следующим формулам:

2) Рассчитаем коэффициент Фехнера. Его расчет основывается на сопоставлении знаков парных отклонений по факторному и результативному признакам.

где С – количество совпадающих отклонений, шт.;

Так как находится в пределах от 0,3 до 0,5, то связь можно считать слабой

Для проведения дальнейшего анализа взаимосвязи составим таблицу 2

Таблица 2 – расчет значения результата по уравнению связи (y ) Млн.нац.руб

Где - это коэффициент парно-линейной регрессии

Это свободный параметр уравнения регрессии

1)Рассчитаем параметры парной линейной регрессии

(млн.нац.руб.)

В среднем по совокупности увеличение собственного капитала коммерческих банков на 1 рубль приводит к увеличению суммы активов коммерческих банков на 16 млн.нац.руб.

(млн.нац.руб.)

В отчетном периоде среднее совокупное влияние неучтенных факторов или в среднем по группе сумма активов коммерческих банков увеличилась на 288 млн.нац.руб.

2)Составим уравнение регрессии с вычисленными параметрами

3) Получаем следующий график:

Рассчитаем количественные характеристики тесноты связи:

1) Линейный коэффициент корреляции () – это стандартизированный коэффициент регрессии, выраженный не в абсолютных единицах измерения признака, а в долях среднего квадратического изменения результата.

Расчетное значение коэффициента находится от 0,7 до 1, что показывает прямую сильную взаимосвязь исследуемых признаков.

2) Коэффициент детерминации () – показывает какая часть вариации результата обусловлена вариацией исследуемого фактора.

Коэффициент детерминации показывает, что 73% вариации суммы активов коммерческих банков обусловлено вариацией собственных капиталов коммерческих банков. Отсюда следует, что 27% приходится на долю других факторов (не включенных в исследование)

3) Корреляционное отношение:

Расчетное значение корреляционного отношения находится от 0,7 до 1, что показывает прямую сильную взаимосвязь исследуемых признаков.

После расчета коэффициента детерминации и корреляционного отношения, должно выполняться следующее условие:

в моей работе условие выполняется.

4) Коэффициент эластичности:

При увеличении на 1% среднего собственного капитала, в среднем по совокупности приводит к увеличению суммы активов на 0,861 %

Проведем статистическую оценку надежности и точности расчетов показателей тесноты связи.

Где (n -2)- количество степеней свободы для рассматриваемой совокупности

Сравним расчетные значения F -критерия с табличными

Таблица 3 – Значение t - критерия Стьюдента при уровнях доверительной вероятности 0,5; 0,05; 0,01:

Сравнение расчетных значений с табличными, подтверждает сильную взаимосвязь признаков, так как соответствует низкому уровню вероятности 0 значения проверяемых показателей тесноты связи.

ω 2 =0 - означает что применение прямой линии для оценки формы регрессии обоснованы.

5. Рассчитываем коэффициент корреляции ранга

Подтверждает сильную прямую связь.

Осуществим прогнозирование на основании уравнения регрессии.

Оценим изменение суммы активов коммерческих банков, при условии что в следующем отчетном периоде собственный капитал коммерческих банков увеличиться на 7%.

Y прогн. =289,307+288,186+16,012*7,81=702,547

Т.к. было выявлено, что в отчетном периоде были факторы, положительно влияющие на суммы активов коммерческих банков, то прогнозное увеличение исследуемого фактора, т.е. собственного капитала коммерческих банков, на 7 % обеспечивает дальнейший прирост суммы активов коммерческих банков.

ЗАКЛЮЧЕНИЕ

В данной курсовой работе рассмотрено статистическое изучение взаимосвязи социально-экономических явлений. Первая глава моей работы посвящена сущности исследования взаимосвязей социально-экономических признаков, вторая - основным понятия инфляции, показателям ее измерения, а также методике расчета. В практической части мною была изучена зависимость суммы активов коммерческих банков и собственного капитала.

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 влияния факторных признаков на результативный. Для ее решения применяют методы корреляционного и регрессионного анализа.

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

Задачи регрессионного анализа – выбор типа модели, установление степени влияния независимых переменных на зависимую и определение расчетных значений зависимой переменной.

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

На основе анализа инфляции были сделаны следующие выводы.

Инфляция – это сложный многопрофильный процесс, наносящий серьезный ущерб экономике страны, ее населению. Инфляция в настоящее время в той или иной степени охватывает практически все страны мира. Борьба с ней с целью ее снижения требует больших сил и материальных затрат.

Вся прогрессивная экономическая мысль человечества, положила немало усилий для борьбы с инфляцией, но инфляция окончательно побеждена не была, т.к. появились новые и более сложные ее формы.

Интенсивный инфляционный пресс всегда сопровождает преобразование административно-коммерческой системы в рыночную. Корни его находятся в структурно-системных диспропорциях развивающегося хозяйства. Для борьбы с инфляцией необходимо разработать и реализовать комплекс мероприятий, сочетающий меры денежно-кредитной политики и государственной политики по стимулированию экономического роста, структурной политики и социальной политики. Необходимо преодолеть межведомственные разногласия и определиться с методикой подсчета роста цен. В целях более объективного отражения ситуации с ростом цен в экономике целесообразно рассчитывать инфляцию также и по росту оптовых цен.

В конце работы хочу подчеркнуть, что Россия имеет все возможности для выхода из инфляционного тупика, т.к., несмотря на все трудности, она без всякого сомнения остается сверхдержавой, обладающей громадными ресурсами и в значительной степени определяющей обстановку во всем мире.

Изучение зависимости суммы активов коммерческих банков и собственного капитала было проведено при помощи корреляционно-регрессионого анализа парной линейной зависимости признаков. Интерпретация полученных показателей показала сильную прямую взаимосвязь суммы активов от собственного капитала коммерческих банков. В отчетном периоде были выявлены резервы увеличения суммы активов, т.е. факторы, не учтенные в исследовании, которые положительно влияли на сумму активов коммерческих банков. Прогноз изменения суммы активов подтверждает необходимость работы с неучтенными факторами.

ЛИТЕРАТУРА

Андрианов В. Деньги и инфляция. //Общество и экономика № 1 2002г.

Гусаров В.М. Статистика: Учебное пособие для вузов. – М: ЮНИТИ-ДАНА, 2001 – 463с.

Кудрин А. Инфляция: российские и мировые тенденции. //Вопросы экономики №10 2007 г.

Чернова Т.В. Экономическая статистика: Учебное пособие. Таганрог: Изд-во ТРТУ, 1999. 140 с.

ИЗУЧЕНИЕ ДИНАМИКИ СОЦИАЛЬНО -ЭКОНОМИЧЕСКИХ ЯВЛЕНИЙ ПОНЯТИЕ И КЛАССИФИКАЦИЯ РЯДОВ ДИНАМИКИ Процесс развития, движения социально -экономических явле­ний ... соци­ально -экономических явлений . Выявление и характеристика трендов и моделей взаимосвязи ...

1. 7.Статистическое изучение вариации социально -экономических явлений

   Реферат >> Маркетинг

   Независимо от типа планируемой выборки. 9 Статистические методы изучения взаимосвязей социально -экономических явлений 1.9.1 Причинность, регрессия, корреляция Исследование...

2. Регрессионный анализ в статистическом изучении взаимосвязи показателей

   Реферат >> Маркетинг

   ... : Регрессионный анализ в статистическом изучении взаимосвязи показателей Выполнил Проверил: Тюмень, 2010 СОДЕРЖАНИЕ Введение 3 1.Статистическое изучение взаимосвязи социально -экономических явлений и процессов...

3. Исследование регрессионного анализа в статистическом изучении взаимосвязи показателей

   Реферат >> Маркетинг

   ... изучение взаимосвязи социально - экономических явлений и процессов; - рассмотрение регрессионного анализа; - исследование регрессионного анализа для изучения объекта исследования. 1. СТАТИСТИЧЕСКОЕ ИЗУЧЕНИЕ ВЗАИМОСВЯЗИ СОЦИАЛЬНО -ЭКОНОМИЧЕСКИХ ЯВЛЕНИЙ ...

Исследование объективно существующих связей между социально-экономическими явлениями и процессами является важнейшей задачей теории статистики. В процессе статистического исследования зависимостей вскрываются причинно-следственные отношения между явлениями, что позволяет выявлять факторы (признаки), оказывающие основное влияние на вариацию изучаемых явлений и процессов.

Причинно-следственные отношения - это связь явлений и процессов, при которой изменение одного из них - причины - ведет к изменению другого - следствия.

Социально-экономические явления представляют собой результат одновременного воздействия большого числа причин. Следовательно, при изучении этих явлений необходимо выявлять главные, основные причины, абстрагируясь от второстепенных.

ГС основе первого этапа статистического изучения взаимосвязей лежит качественный анализ, основанный на исследовании природы социального или экономического явления методами экономической теории, социологии, конкретной экономики.

Второй этап - построение модели связи, базируется на методах статистики: группировках, средних величинах, корреляционном и регрессионном методах анализа и т.д.

Третий этап - интерпретация результатов, связан с качественными особенностями изучаемого явления.

Статистика разработала множество методов изучения связей между признаками. Выбор конкретного метода зависит от познавательной цели и задач исследования.

Признаки по их сущности и значению для изучения взаимосвязи делятся на результативные и факторные.

Результативными называются признаки, изменяющиеся под действием факторных признаков, а факторными - признаки, обусловливающие изменения других, связанных с ними признаков.

В статистике различают функциональную и стохастическую зависимости.

Функциональной называют такую зависимость, при которой определенному значению факторного признака соответствует одно и только одно значение результативного признака.

Стохастическая зависимость проявляется не в каждом отдельном случае, а в общем, среднем при большом числе наблюдений.

Корреляционная связь является частным случаем стохастической связи, при которой изменение среднего значения результативного признака обусловлено изменением факторных признаков.

Связи между явлениями и их признаками классифицируются по степени тесноты, направлению и аналитическому выражению.

Степень тесноты связи оценивается с помощью коэффициентов корреляции (табл. 7.1).

Таблица 7.1. Критерии оценки тесноты связи

По направлению выделяют связь прямую и обратную.

Прямой называется связь, при которой с увеличением или уменьшением значений одного признака происходит увеличение или уменьшение значений другого признака. При этом возможны два варианта интерпретации прямой связи между признаками. Например, увеличение объемов строительно-монтажных работ по виду экономической деятельности "Строительство" способствует увеличению прибыли строительной компании; снижение материалоемкости продукции способствует снижению ее себестоимости.

Обратной называется связь, при которой с увеличением или уменьшением значений одного признака происходит уменьшение или увеличение значений другого признака. Например, снижение себестоимости единицы производимой продукции влечет за собой рост се рентабельности.

По аналитическому выражению различают связи прямолинейные (или просто линейные) и нелинейные.

Если статистическая связь между признаками описывается уравнением прямой вида

то ее называют линейной связью.

Если статистическая связь между признаками описывается любой нелинейной функцией, например параболой

или гиперболой

то такую связь называют нелинейной.

Для определения взаимосвязей между признаками в статистике используют методы:

• приведения параллельных данных;
• аналитических группировок (см. гл. 4);
• графический;
• корреляционный;
• регрессионный.

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.

Пример. Имеются данные о доходах местного бюджета и числе муниципальных образований субъектов Дальневосточного федерального округа (табл. 7.2). Методом приведения параллельных данных определим взаимосвязь между этими показателями.

Таблица 7.2. Основные показатели муниципальных образований в субъектах Дальневосточного федерального округа РФ на 1 января 2010 г.

На основе данных табл. 7.2 построим ряд приведенных данных путем ранжирования (упорядочения) субъектов Дальневосточного федерального округа по числу муниципальных образований. Соответственно им проставим значения доходов местного бюджета (табл. 7.3).

Таблица 7.3. Приведенные данные по основным показателям муниципальных образований в субъектах Дальневосточного федерального округа РФ на 1 января 2010 г.

По данным табл. 7.3 можно наблюдать, что с увеличением числа муниципальных образований доходы местных бюджетов в основном также возрастают. Исключение составляют Сахалинская (на 25 муниципальных образований приходится 27 211 мли руб. доходов местного бюджета) и Амурская области - наименее доходная (на 316 муниципальных образований приходится 14 921 млн руб. доходов местного бюджета). Можно сделать предположение, что связь между изучаемыми признаками прямая.

Метод аналитических группировок позволяет выявить направление связи между признаками. В качестве группировочного признака выступает факторный признак. Каждая выделенная группа характеризуется изменением среднего значения результативного признака.

Графический метод используют для изображения взаимосвязи двух признаков 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, обозначается 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 (рис. 7.1).

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

Рис. 7.1.

В статистике принято различать следующие виды корреляции:

• 1) парная - связь между двумя признаками (результативным и факторным, или двумя факторными);
• 2) частная - зависимость между результативным и одним факторным признаками при фиксированном значении других факторных признаков;
• 3) множественная - зависимость результативного и двух или более факторных признаков, включенных в исследование.

Корреляционный метод анализа используют для количественного определения тесноты и направления связи между двумя признаками (при парной связи) и между результативным и множеством факторных признаков (при многофакторной связи).

Теснота связи количественно выражается величиной коэффициентов корреляции. Знаки при коэффициентах корреляции характеризуют направление связи между признаками.

Регрессия тесно связана с корреляцией и позволяет исследовать аналитическое выражение взаимосвязи между признаками.

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

При построении моделей регрессии должны соблюдаться следующие требования:

• 1) возможность описания моделируемого явления одним или несколькими уравнениями причинно-следственных связей;
• 2) количественное (числовое) выражение всех факторных признаков;
• 3) наличие достаточно большого объема исследуемой выборочной совокупности;
• 4) описание причинно-следственных связей между явлениями и процессами линейной или приводимой к линейной формами зависимости;
• 5) отсутствие количественных ограничений на параметры модели связи;
• 6) постоянство территориальной и временной структуры изучаемой совокупности.

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

При изучении различных экономических явлений постоянно сталкиваемся с причинно-следственными связями, когда некоторые явления, именуемые причинами, порождают другое явление, именуемое следствием (результатом). Причины будем называть факторными признаками или просто факторами, а результат – результативным признаком. Изучение и измерение связей между причинами и следствием проводятся с помощью статистических методов.

Основной задачей корреляционного анализа является измерение тесноты связи между переменными (случайными величинами) путем точечной и интервальной оценок соответствующих коэффициентов (характеристик).

С помощью корреляционного анализа производиться отбор факторов, оказывающих наиболее существенное влияние на результативный признак (на основании степени связи между ними), обнаружение ранее неизвестных причинных связей.

Корреляция непосредственно не выявляет причинных связей между переменными, но устанавливает численное значение тесноты этих связей и достоверность суждений об их наличии.

Пусть требуется изучить влияние на экономический показатель Y факторов X 1 ,X m .

Рассматривая зависимость между результативным показателем Y и факторными признаками X 1 ,X m , можно выявить две категории связей:

1) Функциональную зависимость;

2) Корреляционную зависимость;

Функциональные связи характеризуются полным соответствием между изменением факторных признаков и изменением результативной величины, то есть каждому конкретному набору значений факторов соответствует определенное значение результативного признака.

В экономике имеем дело, как правило, с явлениями и процессами, где нет таких жестких связей. Причинная обусловленность экономических явлений связана с огромной совокупностью взаимозависимых обстоятельств. Число обстоятельств (факторов), которые влияют на исследуемый экономически показатель, достигает несколько сотен.

Связь между причинами и следствием многозначна и носит вероятностный характер. В данном, случаем имеет место корреляционная зависимость.

В корреляционных связях между измерением факторов и результативного признака нет полного соответствия. Воздействие отдельных факторов проявляется лишь в среднем при массовом наблюдении фактических данных. Дело в том, что выделенные факторы не являются единственной причиной изменения результативного показателя. Наряду с ним на величину Y влияет множество других причин.

Поэтому для одного и того же набора значений факторов значение Y может оказаться различным. Таким образом, одновременное воздействие на изучаемый признак Y большого количества самых разнообразных факторов приводит к тому, что одному набору значений факторов соответствует целое распределение значений результативного признака Y .

При сравнении функциональных и корреляционных зависимостей следует иметь ввиду, что при наличии функциональной зависимости можно, зная значение факторов, точно определить величину Y . При наличии же корреляционной зависимости устанавливается лишь тенденция изменения Y при изменении факторов.

При исследовании корреляционных зависимостей необходимо:

1) Установить факт наличия связи, определить ее направления и форму;

2) Измерить степень тесноты связи между признаками;

3) Найти аналитическое выражение связи, то есть построить регрессионную модель;

4) Оценить адекватность модели и дать ее интерпретацию.

Для того, чтобы результаты корреляционного анализа дали желаемый результат, должны выполняться определенные требования в отношении отбора объекта исследования и признаков-факторов. Одним из важнейших условий правильного применения методов корреляционного анализа являются требования односторонности тех объектов, которые подвергаются изучению. Другим важным требованием, обеспечивающим надежность выводов корреляционного анализа, является требование достаточного числа наблюдений. Кроме того, большое значение имеет отбор факторов, оказывающих влияние на результативный показатель. Включаемые в рассмотрение факторы-признаки должны быть по возможности 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.

Следует заметить, что все основные положения корреляционного анализа разработаны в предположении о нормальном характере распределения рассматриваемых признаков (случайных величин). В действительности сталкиваемся с теми или иными отклонениями от исходных предпосылок. Но это не означает, что следует отказаться от применения методов корреляционного анализа.

В корреляционном анализе различают следующие варианты зависимостей:

1) Парную корреляцию – связь между двумя признаками (результативным и факторным или двумя факторными);

2) Частную корреляцию – зависимость между результативным и одним факторным признаками при фиксированных значениях других факторных признаков;

3) Множественную корреляцию – зависимость между результативным и двумя и более факторными признаками.

Конец работы -

Эта тема принадлежит разделу:

Предмет, задачи и методы эконометрики

Цели и задачи изучения темы.. изучить предмет задачи и методы эконометрики.. основные понятия эконометрики измерения в экономике наблюдение сводка и группировка статистических данных..

Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ:

Что будем делать с полученным материалом:

Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:

Все темы данного раздела:

Наблюдение, сводка и группировка статистических данных
Объект наблюдения – явление или совокупность явлений, информацию о которых собирают в процессе наблюдения. В зависимости от цели наблюдения объектами наблюдения могут стать различные территории, от

Цели и задачи изучения темы
изучить понятия статистического ряда распределения, вариационного ряда распределения (дискретного/интервального); исследовать статистическое распределение выборки; определять величины интервала; из

Статистическим распределением выборки
Статистическим распределением выборкиназывают перечень вариант и соответствующих им частот (или относительных частот). Статистическое распределение выборки можно задать в виде таблицы, в п

Определение величины интервала. Формула Стерджесса
Величина интервала - разность между наибольшим и наименьшим значениями признака в каждой группе, называемыми границами интервала.

Графический способ изображения статистических данных
Графическим способом изображения статистических данных называют их условное изображение при помощи точек, линий, плоскостей, геометрических фигур и условных знаков. Графики в статистике применяются

Результаты сводки и группировки материалов статистического наблюдения оформляются в виде статистических рядов распределения. Статистический ряд распределения представляет собой упорядоченн

Цели и задачи изучения темы
изучить абсолютные и относительные величины; средние величины (понятие средней величины, формула степенной средней, формула средней геометрической, свойство мажорантности средних, мода, медиана, фо

Абсолютные и относительные величины
В результате статистического наблюдения, сводки и группировки собранного статистического материала получена разносторонняя информация об изучаемых процессах и явлениях. Итоговые данные по изучаемой

Средние величины
Средняя величина представляет собой обобщенную характеристику совокупности однородных явлений по какому-либо одному количественно варьируемому признаку. Средние величины играют важную роль

Показатели вариации признака
Под вариациейв статистике понимают такие количественные изменения величины исследуемого признака в пределах однородной совокупности, которые обусловлены перекрещивающимся влиянием действия различны

Различают два вида обобщающих показателей, характеризующих количественную сторону исследуемых явлений и процессов: абсолютные и относительные. Абсолютные показатели - именованные числа, им

Законы распределения случайных величин

Числовые характеристики случайных величин
Закон распределения полностью характеризует случайную величину. Однако он часто неизвестен. В ряде случаев даже удобнее пользоваться числами, которые описывают случайную величину суммарно. Такие чи

Экономические показатели, как правило, являются случайными величинами. Случайной величиной называется величина, которая в результате опыта (испытания) может принять одно и только одно возм

Закон равномерной плотности
На практике встречаются непрерывные случайные величины, о которых заранее известно, что их возможные значения лежат в пределах некоторого определенного интервала. Кроме того, известно, что в предел

Показательное распределение
Показательным (экспоненциальным) называют распределение вероятностей величины Х, которое описывается плотностью

Нормальный закон распределения
Нормальный закон распределения (закон Гаусса) характеризуется плотностью В экономике часто вст

Усеченные законы распределения
Пусть случайная величина Химеет функцию распределения F(x), заданную на всей числовой оси. Выберем на этой оси интересующий нас отрезок }