Xreferat.com » Рефераты по экономике » Статистические наблюдения

Статистические наблюдения

экстремально негативная связь

Статистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюдения


Статистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюденияСтатистические наблюдения нелинейная позитивная связь нелинейная связь

Статистические наблюденияСтатистические наблюдения


Статистические наблюденияСтатистические наблюдения


Рис. 9.1. Виды связей между двумя переменными


Основными показателями корреляции являются:

коэффициент Фехнера;

коэффициент ассоциации;

коэффициент контингенции;

критерий согласия - χІ;

коэффициент корреляции рангов;

коэффициент корреляции;

коэффициент детерминации;

корреляционное отношение.

Рассмотрим все эти показатели подробнее.

Коэффициент Фехнера (Fechner-Koeffizient, Fechner coefficient):


Статистические наблюдения


nс – число совпадений знаков отклонений индивидуальных величин от средней;

nн - число несовпадений знаков отклонений индивидуальных величин от средней.

Статистические наблюдения

Статистические наблюдения

Статистические наблюдения

Пример (см. табл.9.1.):.

Вывод: существует слабо выраженная негативная связь между X и Y.

Коэффициент Фехнера изменяется от -1 до +1.

В общем случае, если показатели корреляции:

0 ≤ П ≤ 0,3 , то существует слабая связь;

0,3 ≤ П ≤ 0,7 – умеренная связь;

0,7 ≤ П ≤ 1 – сильная связь.


Таблица 9.1.

Данные для расчета коэффициента Фехнера

Носитель признака

Факторный признак

X

Результативный признак

Y

1 5 (+) 5 (+)
2 4 (-) 5 (+)
3 4 (-) 4 (-)
4 5 (+) 4 (-)
5 5 (+) 3 (-)

По номинально измеряемым признакам можно рассчитать лишь коэффициенты ассоциации (Assoziationskoeffizient, Association coefficient) и контингенции (Kontingenzkoeffizient, Contingent coefficient) .


Таблица 9.2

Данные для расчета коэффициентов ассоциации и контингенции

Участники мероприятия Спортсмены Не спортсмены
Мужчины 20 (а) 60 (в)
Женщины 15 (с) 80 (d)

Существует ли зависимость между двумя качественными признаками – полом и отношением к спорту?

по коэффициенту ассоциации


Статистические наблюдения


Вывод: вряд ли существует такая зависимость, т.е. степень зависимости невелика.

по коэффициенту контингенции:


Статистические наблюдения


Вывод: связь еще слабее.


Статистические наблюдения


Более точным по сравнению с рассматриваемыми коэффициентами является критерий согласия - χІ Пирсона (χІ Anpassungstest nach Pearson, Pearson χІ-test of goodness of fit), отражающий связь между двумя и более признаками.

О – реальные значения признаков;

Е – теоретически выровненные значения признаков.

Пример .По данным таблицы 9.3. нужно ответить на вопрос: зависит ли частота несчастных случаев от смены? Предварительная гипотеза: связь отсутствует.


Таблица 9.3

Данные о несчастных случаях по предприятию N

Номер смены Число несчастных случаев

Реальное Теоретически выровненное
1 1 5
2 7 5
3 7 5
Итого: 15 15

Вычислим критерий согласия - χІ:

Статистические наблюдения

Чем больше χІ, тем больше вероятность того, что между О и Е есть существенные различия, т.е. наша гипотеза (связь отсутствует) неверна. Напротив, чем меньше χІ, тем несущественнее, случайнее различия между О и Е, т.е. тем больше вероятность верности гипотезы.

По специальным таблицам находим критериальное значение χІ с вероятностью 95 % и числом степеней свободы 2 (равно числу строк таблицы-1, т.е. 3-1=2):

χІ = 5,99

Таким образом, в нашем примере χІ небольшой (4,8 < 5,99), различия между О и Е случайны, фактическое распределение несчастных случаев по сменам не отличается существенно от теоретически выровненного. Вывод: с 95 % вероятностью можно утверждать, что наша гипотеза верна.2

Для ординально измеряемых признаков применяется коэффициент корреляции рангов по Спирмену r (Spearmanscher Rangkorrelations-koeffizient, Spearman's rank correlation coefficient).


Статистические наблюдения


d – разность порядковых номеров (рангов) факторного и результативного признаков;

n – число наблюдений.

Пример: (см. табл. 9.4):

Статистические наблюдения

Вывод: существует сильная положительная зависимость между стажем и производительностью


Таблица 9.4

Стаж и производительность труда по 5 работникам предприятия N

№ работника Стаж Производительность X*Y XІ YІ d dІ

X Ранг Y Ранг




1 1 1 2 1 2 1 4 0 0
2 2 2 4 2 8 4 16 0 0
3 3 3 8 4 24 9 64 -1 1
4 4 4 6 3 24 16 36 1 1
5 5 5 10 5 50 25 100 0 0
Итого 15
30
108 55 220
2

Наиболее точным показателем корреляции является коэффициент корреляции (Korrelationskoeffizient, Coefficient of correlation ). Он позволяет учесть не только знаки отклонений значений признака от их средних, но и саму величину отклонений. Его можно рассчитать в два шага:

расчет показателя ковариации (kovarianz, covariance)


Статистические наблюдения

Однако полученные абсолютные величины нельзя сравнивать между собой, т.к. сами признаки X и Y могут быть выражены в разных единицах измерения или средние `Х и`Y могут быть различны по величине. Поэтому отклонения значений признаков от средних нормируют по среднему квадратическому отклонению, т.е. выражают в долях от sx и sy .

расчет коэффициент корреляции


Статистические наблюдения


На практике применяют другую формулу:


Статистические наблюдения


По данным табл. 9.4 рассчитаем коэффициент корреляции:

Статистические наблюдения

Вывод: между стажем и производительностью труда существует сильная положительная связь.

Коэффициент детерминации (Bestimmtheitskoeffizient, coefficient of determination):

Статистические наблюдения

Он имеет очень простой смысл: какая часть колебаний результативного признака вызвана факторным признаком. В нашем примере 72.25% изменений в производительности труда вызван влиянием стажа работника.

Статистические наблюдения


Все эти коэффициенты применяются без ограничений при прямолинейной зависимости. При криволинейной зависимости (параболической) они не годятся. Здесь применяются показатель, называемый корреляционным отношением h (Korrelationsverhдltnis, Correlation ratio).

δІ - межгрупповая дисперсия;

σобщІ - общая дисперсия совокупности.


Статистические наблюдения


Учитывая правило сложения дисперсии, можно написать видоизмененную формулу корреляционного отношения

Статистические наблюденияСтатистические наблюдения - средняя из групповых дисперсий.

Различают эмпирическое (фактическое) корреляционное отношение и теоретическое корреляционное отношение. В последнем для расчета δІ берут выровненные (т.е. рассчитанные по уравнению регрессии) значения результативного признака y. Теоретическое корреляционное отношение еще называют индексом корреляции.

В целом корреляционное отношение является универсальным показателем корреляции и используется при прямо- и криволинейной зависимости. При строго прямолинейной зависимости коэффициент корреляции и корреляционное отношение совпадают, но чем больше кривизна, тем сильнее они отличаются друг от друга.

Для этого коэффициента существует аналогичный предыдущему коэффициент детерминации - ηІ.

Статистические наблюдения

Статистические наблюдения


Для проверки значимости показателей корреляции рассчитывают их ошибки. Средние квадратические ошибки показателей корреляции имеют вид:


Статистические наблюдения


При количестве наблюдений менее 30 в знаменателе под корнем лучше брать n-1.

Показатель корреляции должен в 2-3 раза превосходить ошибку, чтобы с вероятностью 0,95 (0,997) говорить о связи между явлениями.


9.3 Регрессия


Регрессия (Regression)– это определение формы взаимосвязи 2-х или более признаков (определение тенденции развития явления).

Этапы регрессионного анализа:

определение функций, которыми характеризуется наша зависимость (прямая, парабола, гипербола и т.д.);

определение параметров (коэффициентов) выбранной функции

Статистические наблюдения Y


Статистические наблюденияСтатистические наблюденияСтатистические наблюдения aX+b

Статистические наблюденияСтатистические наблюденияСтатистические наблюдения Yi (Xi;Yi)


Yi=(aXi+b)


Статистические наблюдения


Коэффициенты


Статистические наблюдения aXi+b


b


Статистические наблюдения

Xi X

Рис. 9.2. Графическое изображение метода наименьших квадратов


Статистические наблюдения

Статистические наблюдения


Используют метод наименьших квадратов:

Его сущность заключается в нахождении таких параметров (коэффициентов) уравнения регрессии, при которых минимизируется сумма квадратов отклонений эмпирических (фактических) значений результативного признака от теоретических (выровненных) значений.

Формулы для расчета коэффициентов в случае линейной зависимости:


Статистические наблюдения

Статистические наблюдения


Статистические наблюденияВ нашем примере (см. данные табл. 9.4):

Статистические наблюдения

b = 6 – 1,7*3 = 0,9

определение функции регрессии: Статистические наблюдения

Статистические наблюдения

Y



10

Статистические наблюдения9

8 Ŷ=1.7X+0.9

7

6

5

Статистические наблюдения4

3 a=tg α

2

Статистические наблюденияСтатистические наблюдения1

0 1 2 3 4 5 X



найдя уравнение регрессии можно продолжить зависимость за известные пределы или найти дополнительные показатели внутри их, т.е. экстраполировать или интерполировать значения Статистические наблюдения.


Статистические наблюдения


При этом нужно учитывать среднюю квадратическую ошибку уравнения регрессии.


Статистические наблюдения


Последняя формула более точна и удобна.

.ТЕМА 10. РЯДЫ ДИНАМИКИ

Zeitreiheanalyse The analysis of time series


10.1 Понятие рядов динамики


Ряд динамики (или временной, или хронологический ряд) – это ряд чисел, характеризующих развитие явления во времени. Ряд динамики следует отличать от ряда распределения.

В общем виде ряд динамики обозначается, как


Статистические наблюдения


У каждого ряда динамики имеются два элемента: уровень ряда y и момент (период) времени t. Уровень ряда – это показатель, характеризующие объект исследования.

Различают два вида рядов динамики:

моментный ряд дает сведения о развитии явления на какие-то последовательные моменты времени (например, численность населения на 1.01.2000);

интервальный ряд дает сведения о развитии явления за определенные периоды времени (например, выпуск продукции предприятия за квартал).

В уровнях моментного ряда содержится повторный счет, следовательно, их не имеет смысла суммировать (можно найти только изменение - разность). По интервальным рядам можно определять суммы и нарастающим итогом – конечный показатель.

Компоненты ряда динамики:

тренд (Trend, trend) – это основная тенденция развития явления (в долгосрочном плане) – T(t);

циклическая (конъюнктурная) компонента (zyklische Komponente, cyclical component) показывает влияние конъюнктурных колебаний (периодически повторяющихся в среднесрочном плане) – Z(t);

сезонная компонента (die Saisonkomponente, season component )отражает влияние сезонных или краткосрочных колебаний – S(t);

остаточная компонента (die Restkomponente, rest component)отражает влияние прочих факторов, объяснимых и нет – R(t).


Статистические наблюденияСтатистические наблюденияСтатистические наблюдения

Статистические наблюденияСтатистические наблюдения Z(t)

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: