Индексы при анализе структурных изменений

 

Агрегатные индексы качественных показателей применяются в двух формах: в форме индексов переменного состава и в форме индексов фиксированного состава.

 

Индекс среднего уровня может быть представлен как произведение аналитических индексов-сомножителей, каждый из которых отражает изменение только одного фактора, и тем самым – влияние этого изменения на динамику среднего уровня. Первый индекс носит название индекса фиксированного состава, второй – индекса структурных сдвигов.

 

 

(7.31)

 

Например, для анализа динамики среднемесячной производительности труда (w) по группе работников индекс переменного состава определяется по формуле:

 

I   = åq1 p0 : åq0 p0 = åw1T1 : åw0T0 = åw1d1T : åw0 d 0 T = åw1d1 (7.32)  
перем.сост. åT1 åT0   åT1 åT0   åd1T åd 0 T åw0 d 0 T  
                       
                         
где åq1 p0 , åq0 p0   – стоимость произведенной продукции в отчетном и базисном периодах в  
сопоставимых ценах;                                        
åT1,åT0–численность работников в отчетном и базисном периодах.          
Индекс фиксированного состава:                              
                                     
          Iфикчир.сост. = åiw T1 = åw1T1   = åw1d1T         (7.33)  
          åT1         åw 0 d0 T        
                    åw 0 T0          

где iw – индивидуальные индексы производительности труда.

 

Индексные методы широко применяются для анализа факторов изменения сложных показателей, полученных на основе соизмерения абсолютных величин. В связи с этим необходимо изучить вопрос о способах построения взаимосвязанных индексов и способах расчета абсолютного изменения сложной величины за счет влияющих факторов.

 

Индекс результативного показателя связан с индексами показателей-факторов так же, как абсолютные величины этих показателей:


 

 


Iqp = Iq ×Ip (7.34)

 

где I qp – индекс стоимости продукции;

 

I q –индекс физического объема продукции в базисных ценах;

 

I p –индекс цен.

 

Такая взаимосвязь может быть использована не только для выявления относительного изменения уровня изучаемого явления за счет отдельных факторов, но и для определения размера абсолютного изменения уровня сложного явления в связи с влиянием исследуемых факторов:

 

D qp = D q + D p (7.35)  
         
               

 

 


ГЛАВА 8. СТАТИСТИЧЕСКОЕ ИЗУЧЕНИЕ ВЗАИМОСВЯЗЕЙ

План:

 

1. Основные понятия корреляционного и регрессионного анализа

 

2. Парная корреляция и парная линейная регрессия

 

3. Оценка значимости параметров взаимосвязи

 

4. Непараметрические методы оценки связи

 

 

Основные понятия корреляционного и регрессионного анализа

Исследуя природу, общество, экономику, необходимо считаться со взаимосвязью наблюдаемых процессов и явлений. При этом полнота описания так или иначе определяется количественными характеристиками причинно-следственных связей между ними. Оценка наиболее существенных из них, а также воздействия одних факторов на другие является одной из основных задач статистики.

 

Формы проявления взаимосвязей весьма разнообразны. В качестве двух самых общих их видов выделяют функциональную (полную) и корреляционную (неполную) связи. В первом случае величине факторного признака строго соответствует одно или несколько значений функции. Достаточно часто функциональная связь проявляется в физике, химии. В экономике примером может служить прямо пропорциональная зависимость между производительностью труда и увеличением производства продукции.

 

Корреляционная связь (которую также называют неполной, или статистической) проявляется в среднем, для массовых наблюдений, когда заданным значениям зависимой переменной соответствует некоторый ряд вероятных значений независимой переменной. Объяснение тому – сложность взаимосвязей между анализируемыми факторами, на взаимодействие которых влияют неучтенные случайные величины. Поэтому связь между признаками проявляется лишь в среднем, в массе случаев. При корреляционной связи каждому значению аргумента соответствуют случайно распределенные в некотором интервале значения функции.

 

Например, некоторое увеличение аргумента повлечет за собой лишь среднее увеличение или уменьшение (в зависимости от направленности) функции, тогда как конкретные значения у отдельных единиц наблюдения будут отличаться от среднего. Такие зависимости встречаются повсеместно. Например, в сельском

 

хозяйстве это может быть связь между урожайностью и количеством внесенных

 


удобрений. Очевидно, что последние участвуют в формировании урожая. Но для каждого конкретного поля, участка одно и то же количество внесенных удобрений вызовет разный прирост урожайности, так как во взаимодействии находится еще целый ряд факторов (погода, состояние почвы и др.), которые и формируют конечный результат. Однако в среднем такая связь наблюдается – увеличение массы внесенных удобрений ведет к росту урожайности.

 

По направлению связи бывают прямыми, когда зависимая переменная растет с увеличением факторного признака, и обратными, при которых рост последнего сопровождается уменьшением функции. Такие связи также можно назвать соответственно положительными и отрицательными.

 

Относительно своей аналитической формы связи бывают линейными и нелинейными. В первом случае между признаками в среднем проявляются линейные соотношения. Нелинейная взаимосвязь выражается нелинейной функцией, а переменные связаны между собой в среднем нелинейно.

 

Существует еще одна достаточно важная характеристика связей с точки зрения взаимодействующих факторов. Если характеризуется связь двух признаков, то ее принято называть парной. Если изучаются более чем две переменные – множественной.

 

Указанные выше классификационные признаки наиболее часто встречаются в статистическом анализе. Но кроме перечисленных различают также непосредственные, косвенные и ложные связи. Собственно, суть каждой из них очевидна из названия. В первом случае факторы взаимодействуют между собой непосредственно. Для косвенной связи характерно участие какой-то третьей переменной, которая опосредует связь между изучаемыми признаками. Ложная связь – это связь, установленная формально и, как правило, подтвержденная только количественными оценками. Она не имеет под собой качественной основы или же бессмысленна.

 

По силе различаются слабые и сильные связи. Эта формальная характеристика выражается конкретными величинами и интерпретируется в соответствии с общепринятыми критериями силы связи для конкретных показателей.

 

В наиболее общем виде задача статистики в области изучения взаимосвязей состоит в количественной оценке их наличия и направления, а также характеристике силы и формы влияния одних факторов на другие. Для ее решения применяются две


 


группы методов, одна из которых включает в себя методы корреляционного анализа, а другая – регрессионный анализ. В то же время ряд исследователей объединяет эти методы в корреляционно-регрессионный анализ, что имеет под собой некоторые основания: наличие целого ряда общих вычислительных процедур, взаимодополнения при интерпретации результатов и др.

 

Поэтому в данном контексте можно говорить о корреляционном анализе в широком смысле – когда всесторонне характеризуется взаимосвязь. В то же время выделяют корреляционный анализ в узком смысле – когда исследуется сила связи – и регрессионный анализ, в ходе которого оцениваются ее форма и воздействие 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.

 

Методы оценки тесноты связи подразделяются на корреляционные (параметрические) и непараметрические. Параметрические методы основаны на использовании, как правило, оценок нормального распределения и применяются в случаях, когда изучаемая совокупность состоит из величин, которые подчиняются


 


закону нормального распределения. На практике это положение чаще всего принимается априори. Собственно, эти методы – параметрические – и принято называть корреляционными.

 

Непараметрические методы не накладывают ограничений на закон распределения изучаемых величин. Их преимуществом является и простота вычислений.