- •В.Н. Артамонов
- •ОБЩАЯ ТЕОРИЯ СТАТИСТИКИ
- •Задача 4.4
- •Задача 4.5
- •Задача 5.1
- •Задача 5.2
- •Задача 6.1
- •Задача 6.2
- •Задача 6.3
- •Задача 6.4
- •Задача 6.5
- •Задача 6.6
- •Задача 6.7
- •Из партии готовой продукции в порядке механической выборки проверено 50 лампочек на продолжительность горения, которая равна 840 ч при среднем квадратическом отклонении 60 ч.
- •Задача 6.8
Задача 6.4
Средняя продолжительность горения, установленная путем испытания 10 случайно отобранных электрических лампочек, оказалось равна 1280 ч при среднем квадратическом отклонении 18 ч. С какой вероятностью можно утверждать, что допущенная при этом предельная ошибка выборки (т.е. расхождение между выборочной и генеральной средней) не превысит 12 ч?
Задача 6.5
Для определения средней заработной платы рабочих завода была произведена двадцатипроцентная бесповторная выборка (по цехам) с отбором единиц пропорционально численности групп. Результаты выборки представлены в табл. 6.1.
|
|
|
Таблица 6.1 |
Цех |
Объем выборки |
Средняя заработная плата |
Среднее квадратическое |
|
( ni ), чел. |
( xi ), р. |
отклонение ( σi ), р. |
1 |
120 |
873 |
30 |
2 |
100 |
886 |
80 |
3 |
180 |
900 |
60 |
Итого |
400 |
– |
– |
С вероятностью 0,997 (т.е. t = 3) определить пределы, в которых находится средняя заработная плата всех рабочих завода.
Задача 6.6
Из коллектива рабочих выборочно обследовано 25 мужчин и 25 женщин. Среднемесячная заработная плата мужчин оказалась равна 830 р. при среднем квадратическом отклонении 20 р., а у женщин – 780 р. при среднем квадратическом отклонении 30 р. Определить, можно ли считать расхождение между средней заработной платой мужчин и женщин случайным?
Задача 6.7
Из партии готовой продукции в порядке механической выборки проверено 50 лампочек на продолжительность горения, которая равна 840 ч при среднем квадратическом отклонении 60 ч.
Определить: 1) среднюю ошибку (μ) выборочной средней про-
должительности горения лампочки; 2) с вероятностью 0,95 доверительные пределы продолжительности горения лампочки в генеральной совокупности.
Ответ: 1) μ = 8,5 ч; 2) 823,3 ч ≤ x ≤856,7 ч.
80
Задача 6.8
На городской телефонной станции в порядке собственно случайной выборки проведено 100 наблюдений и установлено, что средняя продолжительность одного телефонного разговора составляет 10 мин при среднем квадратическом отклонении 5 мин.
Определить: 1) с вероятностью 0,997 доверительные пределы для генеральной средней; 2) можно ли считать данную выборку репрезентативной?
Ответ: 1) 8,5 мин. ≤ x ≤11,5 мин.; 2) нет, т. к. относительная ошибка выборки отн > 5 %.
Тема 7. ВРЕМЕННЫЕ РЯДЫ
Основная цель статистического изучения динамики любой деятельности состоит в выявлении и измерении закономерностей ее развития во времени. Это достигается посредством построения и анализа статистических рядов динамики.
Вкаждом ряду динамики имеются два основных элемента: - показатель времени t;
- соответствующие им уровни развития изучаемого явления y.
Вкачестве показателей времени в рядах динамики выступают либо определенные даты (моменты) времени, либо отдельные периоды (годы, кварталы, месяцы, сутки).
Уровни рядов динамики отображают количественную оценку (меру) развития во времени изучаемого явления.
Рядом динамики называется ряд числовых значений статистического показателя в последовательные моменты или периоды времени. Числовые значения, образующие ряд динамики, называются уровнями ряда. Ряд динамики представляется графически или в виде таблицы.
Трендом называется основная закономерность в изменении уровней ряда. Основной задачей анализа рядов динамики является выявление тренда.
Ряды динамики подразделяются на ряды абсолютных, относительных и средних величин. Ряды динамики относительных величин могут характеризовать темпы роста определенного показателя, изменение удельного веса показателя в совокупности (например, удельного веса городского населения) и др. Примерами рядов динамики средних величин служат данные о средней заработной плате в отраслях, средней урожайности сельскохозяйственных культур и т.п.
81
В зависимости от характера изучаемого явления уровни рядов динамики могут относиться или к определенным датам (моментам) времени, или к отдельным периодам. В соответствии с этим, ряды динамики подразделяются на моментные и интервальные.
Моментные ряды динамики отображают состояние изучаемых явлений на определенные даты (моменты) времени.
Пример 1. В качестве моментного ряда динамики рассмотрим информацию о списочной численности работников фирмы в 2006 г. (табл. 7.1).
Таблица 7.1
Показатель |
|
1999 г. |
|
2000 г. |
||
1 янв. |
1 апр. |
1 июля |
1 окт. |
1 янв. |
||
|
||||||
Число работников, чел. |
192 |
190 |
195 |
198 |
200 |
|
|
|
|
|
|
|
Особенностью моментного ряда динамики является то, что в его уровни могут входить одни и те же единицы изучаемой совокупности. Так, основная часть персонала фирмы, составляющая списочную численность на 1.01.2000 г., продолжающая работать в течение данного года, отображена в уровнях предыдущих периодов. Поэтому при суммировании уровней моментного ряда динамики может возникнуть повторный счет.
Интервальные ряды динамики показывают результаты изменения (функционирования) изучаемых явлений за определенный период времени.
Пример 2. В качестве интервального ряда динамики могут служить следующие данные о розничном товарообороте магазина в
1995–1999 гг.:
Объем розничного |
1995 г. |
1996 г. |
1997 г. |
1998 г. |
1999 г. |
|
|
|
|
|
|
товарооборота, тыс. р. |
885,7 |
932,6 |
980,1 |
1028,7 |
1088,4 |
Особенностью интервального ряда динамики является то, что каждый его уровень складывается из данных за более короткие интервалы времени. Например, суммируя товарооборот за первые три месяца года, получают его объем за первый квартал, а сумма товарооборота четырех кварталов дает объем товарооборота за год и т.д.
Ряды динамики могут быть полными инеполными.
Полный ряд – ряд динамики, в котором одноименные моменты времени или периоды времени строго следуют один за другим в календарном порядке или равноотстоят друг от друга.
82
Неполный ряд динамики – ряд, в котором уровни зафиксированы в неравноотстоящие моменты или периоды времени.
Требования к динамическому ряду:
1)все уровни относятся к одной и той же территории;
2)в разные годы применяется одна и та же методика учета и вычисления показателей;
3)все данные относятся к одной и той же дате;
4)измерения проводятся в одних и тех же единицах;
5)продолжительность периодов, к которым относятся уровни, должна быть одинаковой.
Показатели изменения уровней ряда
Анализ рядов динамики начинается с определения того, как изменяются уровни ряда.
Абсолютным приростом называется показатель, рассчитываемый как разность между двумя уровнями ряда. Вычитая из каждого уровня начальный, получим базисные приросты; вычитая из каждого следующего уровня предшествующий – цепные приросты.
Ускорение – разность между двумя соседними абсолютными цепными приростами.
Коэффициентом роста называется относительный показатель, вычисляемый как отношение двух уровней ряда.
Темп роста – коэффициент роста в процентах.
Темпы и коэффициенты роста называются цепными, если каждый уровень сопоставляется с предыдущим, и базисными, если все уровни сопоставляются с уровнем периода, принятого за базисный.
Темпом прироста называется относительный показатель, определяющий, на сколько процентов данный уровень больше другого, принимаемого за базу сравнения.
Темп прироста Тпр вычисляется:
1) путем вычитания 100 % из темпа роста
Тпр = Тр – 100 %; 2) как процентное отношение абсолютного прироста к тому
уровню, по сравнению с которым рассчитан абсолютный прирост. Средний абсолютный прирост определяется как среднее ариф-
метическое отдельных цепных приростов. Средний темп роста – среднее геометрическое темпов роста. Средний темп прироста рассчитывается путем вычитания из среднего темпа роста 100 %.
83
Пример 3. Проведем расчеты различных показателей по данным табл. 7.2.
|
|
|
Таблица 7.2 |
|
Объемы производства, млн р. |
Цепной прирост (∆y) |
Ускорение (∆2yj) |
|
|
y0 = 4 |
– |
– |
|
|
y1 |
= 16 |
12 |
– |
|
y2 |
= 8 |
–8 |
–20 |
|
y3 |
= 32 |
24 |
32 |
|
y4 |
= 64 |
32 |
8 |
|
Решение:
1. Коэффициент роста:
а) базисный k |
б |
= |
|
yi |
; i=1,…, n. Получим k |
б |
= |
|
y3 |
= |
32 |
= 8; |
||||||
pi |
y0 |
p3 |
|
y0 |
4 |
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
||||||||
б) цепной k |
ц |
= |
yi |
|
; i=1,…, n. Получим k |
ц |
= |
|
y3 |
|
= |
32 |
= 4 . |
|||||
pi |
|
|
|
pi |
|
y2 |
|
8 |
||||||||||
|
|
yi−1 |
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
2. Темп роста: Тр = k p 100% . Получим Tpб3 = 800%.
3. Абсолютный прирост:
а) базисный ∆yi = yi –y0 ; i = 1,…, n;
б) цепной ∆yi = yi –yi-1 ; i = 1,…, n.
4. Абсолютное ускорение:
∆2yi = ∆yi – ∆yi-1 ; i = 1,…n.
5. Средние показатели: а) средние значения:
• ряд интервальный с равными интервалами
|
|
= |
y0 + y1 +... + yn |
, получим |
|
= 4 +16 +8 + 32 + 64 = 24,8, |
|||||||||||
|
Y |
Y |
|||||||||||||||
|
|
|
|
||||||||||||||
|
|
|
• |
n +1 |
|
|
|
|
|
|
|
5 |
|
||||
|
|
|
ряд моментный (измерения периодические через рав- |
||||||||||||||
ные моменты времени) |
|
y0 |
|
|
|
|
yn |
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
+ y1 +... + yn−1 + |
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
хрон = |
2 |
|
|
|
2 |
|
; |
|
|||
|
|
|
|
Y |
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
n |
|
|
||||||
|
|
|
б) средний темп роста: |
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
Tp = n Tp1 Tp2 |
... Tpn , |
|
|
|
||||||
|
|
|
y |
y1 |
|
y2 |
y3 |
yn |
|
|
yn |
|
|||||
|
|
|
Tp |
= n yo |
y1 |
y2 |
... yn−1 |
100% = n |
y0 |
100% . |
84
В нашем примере: |
Tpy = 4 64 |
100% = 4 |
16 100% = 200% ; |
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
4 |
|
|
|
|
|
|
|
|
|
|
|
в) средний абсолютный прирост |
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
y1 + |
y2 |
+...+ |
|
yn |
|
|
|
|
|
||
|
|
|
|
|
|
|
y = |
|
|
, |
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
y |
− y + y |
|
− y |
+ y − y |
|
+...+ y |
|
− y − |
y |
− y |
|
|||||||||
|
цy |
= |
1 |
0 |
|
|
2 |
1 |
3 |
2 |
|
n |
|
n 1 |
= |
n |
0 |
, |
|||||
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
n |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
= |
yn − yo |
= |
|
64 − 4 |
|
|
|
|
|
|||||||
|
|
|
|
|
|
цy |
=15. |
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
4 |
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
Выявление тренда в рядах динамики
Динамика ряда включает три компоненты:
-долговременное изменение (тренд);
-кратковременное систематическое изменение (например, сезонные колебания);
-несистематические случайные изменения.
Для выявления тренда надо освободить основную закономерность от действия случайных факторов.
Существуют три метода выделения тренда: 1) метод укрупнения интервалов; 2) метод скользящей средней; 3) аналитическое выравнивание.
Метод укрупненных интервалов
Чем меньше период, за который проводятся данные, тем больше влияние случайных факторов. В ряду с укрупненными интервалами времени закономерность изменения уровней будет наглядней.
Пример 4. Рассмотрим данные о выпуске продукции на предприятии по месяцам года (пронумерованным от 1 до 12):
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
Выпуск, млнр. 5,1 |
5,4 |
5,2 |
5,3 |
5,6 |
5,8 |
5,6 |
5,9 |
6,1 |
6,0 |
5,9 |
6,2 |
Укрупним интервалы до трех месяцев и рассчитаем суммарный и среднемесячный выпуск продукции по кварталам (табл. 7.3).
Таблица 7.3
Квартал |
Выпуск продукции, млн р. |
||
суммарный |
среднемесячный |
||
|
|||
I |
15,7 |
5,23 |
|
II |
16,7 |
5,57 |
|
III |
17,6 |
5,87 |
|
IV |
18,1 |
6,08 |
85
Новые данные более четко выражают тенденцию увеличения выпуска продукции в кварталах.
Метод скользящего среднего
По этому методу фактические уровни заменяются средними, рассчитанными для последовательных скользящих укрупненных интервалов, охватывающих m уровней (рис. 7.1).
x
Фактические уровни
Сглаженные уровни |
Рис. 7.1 |
t |
|
Например, при m = 3 сначала вычисляется среднее значение для первых трех уровней, затем для второго, третьего и четвертого, потом для третьего, четвертого и пятого и т.д. Это обеспечивает взаимное погашение случайных колебаний уровней. Скользящее среднее относится к середине скользящего интервала.
Аналитическое выравнивание
Каждый фактический уровень y рассматривается как сумма y = y +ε,
где y – систематическая составляющая, отражающая тренд,
ε – случайная величина, вызывающая колебания уровней вокруг тренда.
Задача аналитического выравнивания состоит:
-в определении на основе фактических данных вида функции y = f (t), наиболее точно отражающей тренд;
-нахождении параметров этой функции;
-расчете по найденному уравнению теоретических (выровненных) уровней.
Наиболее часто используются следующие функции:
линейная |
y) = a0 + a1t , |
квадратичная y) = a0 + a1t + a2t2 ,
показательная y) = a0at |
, |
1 |
|
86
гиперболическая |
y) = a0 |
+ a1 |
, |
|
|
t |
|
ряд Фурье y) = a0 + ∑n (ak cos kt +bk sin kt).
k =1
Обычно для нахождения параметров аналитической функции y = f (t) используется метод наименьших квадратов. При этом обес-
печивается минимальная сумма квадратов отклонений эмпирических уровней от теоретических.
Например, при выравнивании по прямой y) = a0 + a1t параметры a0 и a1 определяются путем решения системы нормальных уравнений:
|
|
n |
n |
|
|
na0 + a1 |
∑ti = ∑yi |
|
|||
|
n |
i=1 n |
i=1 |
n |
, |
a0 ∑ti + a1 ∑ti2 = ∑ti yi |
|
||||
|
i=1 |
i=1 |
|
i=1 |
|
где n – количество членов ряда;
ti – порядковый номер i-го члена ряда; yi – уровни эмпирического ряда.
В случае периодических колебаний уровней ряда используется выравнивание с помощью ряда Фурье. Оно дает хорошие результаты для рядов, содержащих сезонные колебания:
|
|
|
|
|
m |
|
|
|
|
|
|
|
|
|
|
y) = a0 + ∑(ak cos kt +bk sin kt). |
|
|
|
||||||
|
|
|
|
|
k =1 |
|
|
|
|
|
|
|
Периодические колебания уровней динамического ряда пред- |
||||||||||||
ставляются в виде суммы m гармоник. |
|
|
|
|
|
|
||||||
Например, при k =1 |
y) = a0 + a1 cost +b1 sin t , |
|
|
|
||||||||
при k = 2 |
|
y) = a0 + a1 cost +b1 sin t + a2 cos 2t +b2 sin 2t . |
|
|
||||||||
Коэффициенты ряда Фурье вычисляются по формулам |
|
|
|
|||||||||
|
|
m |
|
|
n |
|
n |
|
|
|
||
|
|
∑yk |
2∑yk cos kt |
|
2∑yk sin kt |
|
|
|
||||
a0 |
= |
k=1 |
|
, ak = |
k=1 |
, bk = |
k=1 |
|
. |
|
|
|
n |
|
n |
n |
2π |
|
|||||||
|
|
|
|
|
|
|
||||||
Последовательные значения t отсчитываются от 0 с шагом |
|
|||||||||||
n |
||||||||||||
|
|
|
|
|
|
|
|
|
|
(n – число членов ряда).
Многие процессы хозяйственной деятельности, торговли, сельского хозяйства и других сфер человеческой деятельности подверже-
87
ны сезонным изменениям, например, продажа мороженого, сельхозпродукции, потребление электроэнергии, производство молока, сахара и др.
Для анализа рядов динамики, подверженных сезонным изменениям, используются специальные методы, позволяющие установить и описать особенности изменения уровней ряда. Прежде, чем использовать методы изучения сезонности, необходимо подготовить данные, приведенные в сопоставимый вид (за несколько лет наблюдения по месяцам или кварталам). Измерения сезонных колебаний производится с помощью индексов сезонности. В зависимости от существующих в ряду динамики тенденций используются различные правила построения индексов.
Индексы сезонности обычно вычисляются следующим методом:
1.По данным ряда лет рассчитывается среднее значение уровня yi для каждого месяца исредний месячный уровень за весь период y .
2.Вычисляется индекс сезонности для каждого месяца как процентное отношение среднего уровня данного месяца к среднему месячному уровню всего ряда
Iсез.i = yyi 100% .
3. Рассчитываются помесячные индексы сезонности для каждого года, а затем для индексов одноименных месяцев находится среднее арифметическое значение.
Аналитическое выравнивание временных рядов (замена системы координат)
Пример 5. Рассмотрим аналитическое выравнивание, используя данные табл. 7.4.
|
|
|
|
Таблица 7.4 |
|
Уровни ряда (у) |
t |
t′ |
t′2 |
y · t′2 |
|
|
|
|
|
–14 |
|
2 |
1 |
–7 |
49 |
|
|
4 |
2 |
–5 |
25 |
–20 |
|
8 |
3 |
–3 |
9 |
–24 |
|
4 |
4 |
–1 |
1 |
–4 |
|
8 |
5 |
1 |
1 |
8 |
|
16 |
6 |
3 |
9 |
48 |
|
4 |
7 |
5 |
25 |
20 |
|
4 |
8 |
7 |
49 |
28 |
|
88
Решение:
1. Коэффициенты уравнения регрессии найдем путем перехода к новой системе отсчета времени. Центрируем переменную t (гр. 3 табл. 7.4). Середина отрезка времени – 0, остальные моменты времени симметричны относительно середины.
Уравнение регрессии ищем в виде y = b t + a ,
где b = |
|
y t |
− |
y |
|
t |
|
, |
|
|
a = |
|
|
−b |
|
. |
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
y |
t |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
t2 −( |
|
)2 |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
t |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
Так как ∑t′ = 0, |
то y = b t′+ a и b = |
|
y t′ |
|
, |
a = |
|
. |
|||||||||||||||||||||||
|
|
y |
|||||||||||||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||||||
|
t′2 |
||||||||||||||||||||||||||||||
В нашем примере |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
∑t′2 =168, b = |
|
428 |
|
= 0,25, |
a = 50 |
= 6,25, |
y = 0,25 t′+ 6,25. |
||||||||||||||||||||||||
|
|
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
164 |
8 |
|
|
|
|
|
8 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2. При прогнозировании указывается доверительный интервал. Считается число степеней свободы: m = n – 2 = 6. Задаемся уровнем значимости, например, α = 0,05, tтабл = 2,45.
Доверительный интервал (yпрогн – ∆; yпрогн + ∆):
= tтабл μ,
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
∑( y)i |
− yi )2 |
|
|
1 |
|
|
(tпрогн |
−t) |
2 |
||
|
μ = |
i=1 |
|
|
(1+ |
+ |
) . |
||||||
|
n − 2 |
|
n |
n |
|
||||||||
|
|
|
|
|
|
|
−t)2 |
||||||
|
|
|
|
|
|
|
∑(ti |
||||||
В нашем примере: |
|
|
|
|
|
|
|
|
i=1 |
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|||
μ = |
(4 −2)2 + (5 −4)2 +... |
(1 |
+ 1 |
+ |
|
152 |
|
) = 0,5, а довери- |
|||||
|
|
6 |
|
|
|
8 |
|
|
49 + 25 +... |
|
тельный интервал (10 −2,45 0,5; 10 + 2,45 0,5) .
Ответ: С вероятностью 95 % результат будет находиться в ин-
тервале (8,8; 11,2).
Приведение рядов динамики в сопоставимый вид
Ряды динамики, изучающие изменение статистического показателя, могут охватывать значительный период времени, на протяжении которого могут происходить события, нарушающие сопоставимость отдельных уровней ряда динамики (изменение методологии учета, изменение цен и т.д.).
89
Для того чтобы анализ ряда был объективен, необходимо учитывать события, приводящие к несопоставимости уровней ряда и использовать приемы обработки рядов для приведения их в сопоставимый вид.
Наиболее характерные случаи несопоставимости уровней ряда динамики:
-территориальные изменения объекта исследования, к которому относится изучаемый показатель (изменение границ городского района, пересмотр административного деления области и т.д.);
-разновеликие интервалы времени, к которым относится пока-
затель. Так, например, в феврале – 28 дней, в марте – 31 день. Анализируя изменения показателя по месяцам, необходимо учитывать разницу в количестве дней;
-изменение даты учета. Например, численность поголовья скота в разные годы могла определяться по состоянию на 1 января или на 1 октября, что в данном случае приводит к несопоставимости;
-изменение методологии учета или расчета показателя;
-изменение цен;
-изменение единиц измерения.
Пример 6. Динамика изменения численности населения района по состоянию на 1 января (тыс. чел.) представлена рядом динамики:
1982 г. |
1983 |
г. |
1984 г. |
22,0 |
22,3 |
|
22,8 – в старых границах района. |
В 1984 г. произошло изменение административного деления области, и площадь района увеличилась, соответственно увеличилась и численность населения района:
1984 г. |
1985 г. |
1986 |
г. |
34,2 |
34,3 |
34,4 |
– в новых границах района. |
Для приведения ряда в сопоставимый вид необходимо для 1984 г. знать численность населения в старых и новых границах района для определения коэффициента пересчета.
Все уровни ряда, предшествующие 1984 г., умножаются на коэффициент К и ряд принимает вид:
1982 г. |
1983 г. |
1984 г. |
1985 г. |
1986 г. |
33,0 |
33,3 |
34,2 |
34,3 |
34,4 |
После этого преобразования ряда динамики возможен дальнейший анализ (определение темпов роста и др.).
90
Определение среднего уровня ряда динамики
В качестве обобщенной характеристики уровней ряда динамики служит средний уровень ряда динамики у. В зависимости от типа ряда динамики используются различные расчетные формулы.
Уровни ряда |
y0 |
y1 … |
yn |
Время |
t0 |
t1 … |
tn |
Интервальный ряд абсолютных величин с равными периодами (интервалами времени)
Y = y0 + y1 +... + yn . n +1
Интервальный ряд абсолютных величин с неравными периодами (интервалами времени):
Y = y0t0 + y1t1 +... + yntn .
Моментный ряд с равными интервалами между датами:
|
|
|
y0 |
+ y1 |
+...yn−1 |
+ |
yn |
|
|
|
|
|
|
|
|||||
|
|
хронол = |
2 |
|
|
2 |
. |
||
Y |
|
|
|||||||
|
|
n |
|
||||||
|
|
|
|
|
|
|
|
|
Моментный ряд с неравными интервалами между датами:
Yхронол = ( y0 + y1)t1 + ( y1 + y2 )t2 +... + ( yn−1 + yn )tn . 2(t1 +... +tn )
Вопросы и задания
1.Каковы правила и принципы построения рядов динамики? Приведите примеры динамических рядов.
2.Какие показатели применяются для характеристики изменений уровней ряда динамики? Приведите примеры вычисления средних темпов роста и темпов прироста.
3.Назовите основные способы построения трендовых моделей. Каковы преимущества и роль аналитического выравнивания уровней ряда динамики?
Тема 8. СТАТИСТИЧЕСКИЕ ИНДЕКСЫ
Важное значение в статистических исследованиях результатов любой деятельности имеет индексный метод. Полученные на основе этого метода показатели используются для характеристики развития во времени, по территории, для изучения структуры и ее взаимосвязей, выявления роли факторов при изменении сложных явлений.
91
Индексы широко применяются в экономических разработках государственной и ведомственной статистики.
Статистический индекс – это относительная величина сравнения сложных совокупностей и их отдельных единиц. При этом под сложной понимается такая статистическая совокупность, отдельные элементы которой непосредственно не подлежат суммированию.
Для определения индекса надо произвести сопоставление не менее двух величин. При изучении динамики социально-экономических явлений сравниваемая величина (числитель индексного отношения) принимается за текущий (или отчетный) период, а величина, с которой производится сравнение, – за базисный период.
Основным элементом индексного отношения является индексируемая величина. Под индексируемой величиной понимается значение признака статистической совокупности, изменение которой является объектом изучения. Так, при изучении изменения цен индексируемой величиной является цена единицы товара р. При изучении изменения физического объема товарной массы в качестве индексируемой величины выступают данные о количестве товаров в натуральных измерителях. Например, ассортимент продовольственных товаров состоит из товарных разновидностей, первичный учет которых на производстве и в оптовой торговле ведется в натуральных единицах измерения: молоко – в литрах, мясо – центнерах, яйцо –штуках, консервы – в условных банках и т.д.
Для определения общего объема производства и реализации продовольственных товаров суммировать данные учета разнородных товарных масс в натуральных измерителях нельзя. Не подлежат непосредственному суммированию и данные о количестве произведенных и реализованных различных видов непродовольственных товаров. Было бы, например, бессмысленно для получения общего объема реализации суммировать данные о продаже тканей (в метрах), костюмов (в штуках), обуви (в парах) и т.д. В этих сложных статистических совокупностях единицами наблюдения являются товары с различными потребительскими свойствами. Данные о натурально-веще- ственной форме реализации отдельных товарных разновидностей непосредственному суммированию не подлежат. Для получения в сложных статистических совокупностях обобщающих (суммарных) величин прибегают к индексному методу.
Основой индексного метода при определении изменений в производстве и обращении товаров является переход от натуральновещественной формы выражения товарных масс к стоимостным (де-
92
нежным) измерителям. Именно посредством денежного выражения стоимости отдельных товаров устраняется их несравнимость как потребительских стоимостей и достигается единство.
Индивидуальные и общие индексы
В зависимости от степени охвата подвергнутых обобщению единиц изучаемой совокупности индексы подразделяются на индивидуальные (элементарные) и общие.
Используются следующие основные обозначения: p – цена единицы продукции; q – количество продукции; Q – стоимость продукции; z – себестоимость единицы продукции; t – время, затрачиваемое на производство единицы продукции; T – общее время производства продукции.
Индивидуальные индексы принято обозначать i, а общие индексы – I.
Знак справа означает период: 0 – базисный, 1 – отчетный (текущий).
Индивидуальные индексы характеризуют относительное изменение отдельного элемента совокупности, например, изменение цены на молоко, изменение объема добычи нефти.
Например:
iq = q1 – индекс объема одного определенного товара; q0
ip = p1 – индекс цены определенного товара. p0
Индивидуальные индексы показывают, во сколько раз увеличилась (уменьшилась) индексируемая величина по сравнению с базовым периодом. Они не учитывают структуру процесса.
Общие индексы могут быть построены как агрегатные или как средние из индивидуальных. Важной особенностью общих индексов является то, что они обладают синтетическими и аналитическими свойствами.
Синтетические свойства индексов состоят в том, что посредст-
вом индексного метода производится соединение (агрегирование) разнородных единиц статистической совокупности.
Аналитические свойства индексов состоят в том, что посредст-
вом индексного метода определяется влияние факторов на изменение изучаемого показателя.
93
Построение агрегатных индексов сводится к тому, что с помощью определенных соизмерителей выражаются итоговые величины сложной совокупности в отчетном и базисном периодах, а затем первая сопоставляется со второй.
Например, нужно показать измерение объема выпускаемой продукции на мебельной фабрике в 1998 г. (базисный период). Фабрика выпускает столы, шкафы, диваны. Ясно, что сложить эту различную несоизмеримую продукцию в физических единицах нельзя. Но если представить всю продукцию в стоимостном выражении (приняв цены в качестве соизмерителя), то тогда можно сравнивать стоимость продукции одного года со стоимостью продукции другого года. А чтобы изменение цен не влияло на величину стоимостного показателя, продукцию двух лет надо оценить в одних и тех же ценах.
Если выпуск продукции условно обозначить через q, а цены – через p, то формула агрегатного индекса физического объема выра-
зится следующим образом (индекс Ласпейреса):
|
|
|
|
|
n |
|
|
|
|
∑q1 p0 |
|
Л |
|
∑q1k pk0 |
|||
Iф.об. = |
или I |
q = |
k =1 |
|
|
. |
||
∑q0 p0 |
|
n |
0 |
0 |
||||
|
|
|
|
|
||||
|
|
|
|
|
|
|||
|
|
|
|
|
∑qk |
pk |
||
|
|
|
|
|
k =1 |
|
|
|
Если количественный набор фиксируется на уровне текущего года, получаем агрегатный индекс цен Пааше:
|
n |
|
I pП = |
∑q1k p1k |
|
k =1 |
, |
|
n |
||
|
∑q1k pk0 |
|
|
k =1 |
|
где q1 и q0 – количество продукции соответственно в отчетном и базисном периодах;
p1 и p0 – цены соответственно отчетного и базисного периода.
Аналогично для построения агрегатного индекса цен определенный набор продуктов (q) оценивается в ценах двух периодов и сопоставляются стоимости набора в разных ценах. При этом количество этого набора (q) может приниматься на уровне базисного периода ( q0 ) или отчетного ( q1).
В первом случае индекс цен именуется индексом Ласпейреса (по имени немецкого ученого, предложившего этот метод) и записывается в виде формулы
94
|
|
|
|
n |
|
|
|
|
∑q0 p1 |
Л |
|
∑qk0 p1k |
|||
|
|
k =1 |
|
|
|
||
Iцен Ласпейреса = |
∑q0 p0 |
или I p |
= |
|
|
|
. |
n |
0 |
0 |
|||||
|
|
|
|
∑qk |
pk |
||
|
|
|
|
k =1 |
|
|
|
Если же принимается продукция в объеме (количестве) отчетного периода ( q1), то индекс цен носит имя своего автора – индекс
Пааше и записывается |
|
∑ q 1 |
p 1 |
|
|
I цен Пааше |
= |
. |
|||
∑ q 1 |
p 0 |
||||
|
|
|
Общий индекс может быть построен и как средний взвешенный из индивидуальных. При этом надо помнить, что веса для индивидуальных индексов должны быть подобраны так, чтобы было обеспечено тождество среднего арифметического или гармонического индекса агрегатному.
Так, для индекса физического объема средний арифметический индекс будет иметь вид
I= ∑iq0 p0 ,
∑q0 p0
где i = q1 – индивидуальные индексы объема; q0
q0 p0 – стоимость продукции базисного периода в базисных це-
нах.
Нетрудно заметить, что этот индекс тождественен агрегатному:
∑ |
q1 |
q0 p0 |
∑q1 p0 |
|
|
q0 |
|
||||
|
|
= |
. |
||
|
|
|
∑q0 p0 |
||
|
|
|
|||
∑q0 p0 |
|
Поскольку агрегатные индексы цен могут быть построены по формуле Ласпейреса или Пааше, то и средние из индивидуальных строятся, соответственно, по-разному. Так, средний арифметический индекс цен, тождественный агрегатному индексу Ласпейреса, исчисляется по формуле
|
|
|
|
|
∑iq0 p0 |
|
|
|
|
|
I ар.(Л) = |
, |
|||
|
|
|
∑q0 p0 |
||||
|
p1 |
|
|
|
|
||
где i = |
– индивидуальные индексы цен, а q0 p0 – веса. |
||||||
p0 |
|||||||
|
|
|
|
|
|
95
Средний арифметический индекс цен, тождественный агрегатному индексу Пааше,
I ар.( П) = ∑iq1 p0 ,
∑q1 p0
т.е. веса здесь иные ( q1 p0 ) .
Соответственно, разную форму будут иметь и средние гармонические индексы цен. Тождественный индексу Ласпейреса
I гарм.( Л) = ∑q0 p1 ,
∑q1ip1
а тождественный индексу Пааше
I гарм.(П) = ∑q1 p1 .
∑q1ip1
На практике всегда оговаривается, по какой методике рассчитывается тот или иной индекс цен.
Надо иметь в виду, что для средних индексов в качестве весов могут приниматься не только абсолютные показатели стоимости продукции (например, q0 p0 или q1 p1 ), но и относительные величины
в виде долей или процентов отдельных групп товаров в структуре производства, потребления, товарооборота и пр.
Следует также обратить внимание на то, что если строится ряд индексов, то они могут быть построены или как цепные (ряд индексов, каждый из которых построен по отношению к предыдущему периоду), или как базисные (ряд индексов, построенных в сравнении с одной и той же базой). Произведение цепных индексов дает базисный индекс. Путем деления двух базисных индексов легко получить цепной.
Индексы качественных показателей
При изучении качественных показателей часто приходится рассматривать изменение во времени или в пространстве средней величины индексируемого показателя для определенной однородной совокупности.
Будучи сводной характеристикой качественного показателя, средняя величина зависит как от значений показателя у индивидуальных единиц, из которых состоит совокупность, так и от соотношения весов отдельных групп совокупности, то есть от структуры совокупности.
96
Обозначим индексируемый показатель k-й группы через xk , а его вес – через fk . Динамика среднего значения показателя будет за-
висеть как от изменения обоих факторов x и f одновременно, так и от каждого фактора в отдельности. В результате получим три разных индекса: индекс переменного состава, индекс фиксированного состава и индекс структурных сдвигов. Особое место в статистике занимают так называемые индексы переменного и фиксированного состава, используемые при анализе динамики средних показателей.
Индексом переменного состава ( I ) называют отношения двух средних уровней. Если индексируемую величину обозначить через x, а веса через f, то в общем виде индекс переменного состава можно записать как
|
|
|
|
|
|
∑x1 f1 |
|
∑x0 f0 |
|
|
I п.с. = x1 ÷ x0 = |
÷ |
. |
||||||||
∑ f1 |
∑ f0 |
|||||||||
|
|
|
|
|
|
|
|
Очевидно, что средняя величина показателя ( х ) может меняться как за счет изменения значений осредняемого признака (x) у отдельных единиц, так и за счет изменения их весов (f ), т.е. за счет изменения состава (структуры) совокупности. Это и является основанием для названия данного отношения средних величин индексом переменного состава.
Если при расчете средних величин за два периода зафиксировать веса одного и того же периода, то при сравнении таких средних влияние изменения структурного фактора будет устранено, и этот индекс называют индексом фиксированного (постоянного) состава
( Iф.с ) . Веса при этом фиксируются, как правило, на уровне текущего периода ( f1 ) , т.е.
Iф.с. = |
∑x1 f1 |
÷ |
∑x0 f1 |
. |
|
∑ f1 |
∑ f1 |
||||
|
|
|
Нетрудно заметить, что при сокращении на ∑ f1 , этот индекс
можно записать как Iф.с. = ∑x1 f1 , т.е. в агрегатном виде.
∑x0 f1
Индекс фиксированного состава характеризует изменение только самого осредняемого признака при постоянстве структуры совокупности.
При сравнении средних показателей можно принять неизменным значение x, тогда на динамику средних будет оказывать влияние
97
только изменение весов, т.е. структуры совокупности. Этот индекс условно называют индексом структуры (индексом структурных сдвигов) ( Iстр. ) :
|
|
|
|
|
|
|
n |
|
|
n |
|
|
|
|
∑x0 f1 |
|
∑x0 f0 |
|
|
|
∑ xk0 fk1 |
|
∑ xk0 fko |
|
|||
Iстр. = |
|
|
|
|
k =1 |
|
|
k =1 |
|
|
|||
÷ |
или I сс = |
|
: |
|
, |
||||||||
∑ f1 |
∑ f0 |
n |
1 |
n |
0 |
||||||||
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
∑ fk |
|
∑ fk |
|
|||
|
|
|
|
|
|
|
k =1 |
|
|
k =1 |
|
|
т.е. индекс структуры можно получить, разделив индекс переменного состава на индекс фиксированного состава.
Индекс структуры показывает, в какой степени изменение средней величины индексируемого показателя произошло за счет изменения структуры (состава) совокупности.
Записанные выше в общем виде формулы индексов переменного и фиксированного состава, а также индекс структуры принимают тот или иной конкретный вид в зависимости от символики, используемой для отдельных показателей. Так, при изучении динамики средней урожайности зерновых, если обозначить урожайность отдельных культур через y, а посевную площадь под ними через П, индекс урожайности переменного состава будет иметь вид
|
|
|
|
|
|
|
|
|
|
|
|
∑y1П1 |
|
|
∑y0 П0 |
|
|
|||||
I ур.п.с. |
= y |
|
÷ y |
|
= |
÷ |
, |
|||||||||||||||
1 |
0 |
∑П1 |
|
|
|
∑П0 |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
индекс урожайности фиксированного состава – |
|
|
|
|||||||||||||||||||
I ур.ф.с. |
= |
∑y1П1 |
|
÷ |
∑y0 П1 |
= |
∑y1 |
П1 |
, |
|||||||||||||
|
∑П1 |
|
|
∑П1 |
|
|
∑y0 |
П1 |
||||||||||||||
и индекс структуры – |
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
∑y0 |
|
|
|
|
|
|
|
|
|
|
|
|
|||||
Iстр. = |
∑y0 |
П1 |
÷ |
|
П0 |
|
или |
Iстр. = Iп.с. ÷ Iф.с. . |
||||||||||||||
∑П1 |
|
|
∑П0 |
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
При изучении различных взаимосвязанных показателей следует иметь в виду, что индексы этих показателей находятся точно в такой же зависимости, как и сами показатели (индивидуальные индексы всегда, общие – при определенном построении). Например, если валовой сбор какой-либо культуры можно представить в виде показателя, зависящего от посевной площади и урожайности (валовой сбор = урожайность × посевная площадь), то и индекс валового сбора можно представить в виде произведения индекса посевных площадей на индекс урожайности. На основе такого рода взаимосвязанных индексов, зная два из трех, легко рассчитать третий.
98
Применение индексов в экономических исследованиях
Индекс потребительских цен
Учет индекса потребительских цен ведется по трем группам то-
варов: |
|
|
продовольственная |
– |
103 |
промтовары |
– |
222 |
услуги |
– |
84 |
Всего |
– |
409 |
В России выбрано 1000 населенных пунктов (Nj = 1000). Индекс считается как средний взвешенный по численности на-
селения пункта Nj:
|
k |
p1 |
|
|
|
∑ |
ij |
N j |
|
|
p0 |
|||
|
i=1 |
|
|
|
I p = |
|
ij |
|
. |
|
k |
|
||
|
∑N j |
j=1
Индекс ценных бумаг
Различают следующие индексы: 1) интегральные; 2) индивидуальные. Они делятся на секторальные по отдельным видам акций, субсекторальные по нескольким видам акций.
Существует четыре способа расчета индексов:
1)по простой арифметической среднего значения цены;
2)взвешенной арифметической среднего значения цены;
3)среднему арифметическому приросту цены;
4)среднему геометрическому приросту цены.
Пример 1. Расчет индексов для фондового рынка (табл. 8.1).
Таблица 8.1
|
Цена, р. |
|
|
Объем, шт. |
|
Разность цен, р. |
|
||
|
p0 |
|
p1 |
|
|
|
|||
|
|
|
|
|
|
|
|
||
|
20 |
|
22 |
|
1000 |
|
+2 |
|
|
|
40 |
|
30 |
|
4000 |
|
–10 |
|
|
|
100 |
|
150 |
|
2000 |
|
+50 |
|
|
1) p1= 22 +30 +150 |
= 67,3, p0 = |
20 + 40 +100 |
= 53,3, |
||||||
3 |
|
|
|
3 |
|
|
p1 = 67,3 =1,26 акции подорожали на 26 %; p0 53,3
99
2) Ip = |
22 1000+30 4000 |
+150 |
2000 |
= 442 |
=1,16 ростна16 %; |
|
20 1000+40 4000 |
+100 |
2000 |
380 |
|
3) ∆p = |
2 −10 +50 =14 , Ip = 14 |
= 0,09 ценавырослана9%; |
|||
|
3 |
60 |
|
|
|
322 30 150
4)Ip = 20 40 100 =1,07 цена выросла на 7 %.
Существует два способа расчета агрегатных индексов через индивидуальные:
1)по формуле среднего арифметического;
2)формуле среднего гармонического.
I pЛ = ∑ pi1 qi0 ∑ pi0 qi0
I pП = ∑ pi1 qi1 ∑ pi0 qi1
|
|
∑ |
pi1 |
|
pi0 q0i |
|
|
0 |
0 |
|||
|
pi0 |
|
|
|
||||||||
= |
|
|
|
|
|
|
|
= |
∑ipi pi |
qi |
||
|
∑ pi0 qi0 |
|
|
∑ pi0 qi0 |
||||||||
|
|
|
|
|
||||||||
= |
∑ pi1 q1i |
= |
∑Qi1 |
|
|
|||||||
1 |
1 |
|
|
1 . |
|
|||||||
|
∑ |
pi |
qi |
|
∑Qi |
|
|
|||||
|
|
|
|
pi1 |
|
|
ipi |
|
|
pi0
=∑ipi Qi0 ,
∑Qi0
Вопросы и задания
1.Какова роль индексного метода анализа в экономических исследованиях?
2.Назовите принципы построения индивидуальных индексов.
3.Назовите принципы построения сезонных индексов.
4.Дайте определение цепных и базисных индексов.
5.Дайте определение индексов фиксированного и переменного состава, индекса структурных сдвигов.
6.В чем состоит различие агрегатных индексов Ласпейреса и Пааше и какие факторы оказывают влияние на расхождение в величине этих индексов?
7.Какие бывают системы индексов?
8.Какая информация необходима для расчета индекса потребительских цен?
Задача 8.1
Имеются следующие данные о продаже и ценах на продукты на одном из рынков города (табл. 8.2).
100
|
|
|
|
|
Таблица 8.2 |
|
Единица |
Продано, тыс. ед. |
Цена единицы, р. |
||
|
в базисном |
в отчетном |
в базисном |
в отчетном |
|
Продукт |
измере- |
периоде |
периоде |
периоде |
|
|
ния |
( q0 ) |
( q1 ) |
( p0 ) |
периоде ( p1 ) |
|
|
|
|||
Молоко |
л |
50 |
60 |
3 |
2,5 |
Картофель |
кг |
40 |
50 |
2 |
1,5 |
Говядина |
кг |
1,5 |
2 |
20 |
18 |
Определить: 1) общее изменение физического объема продаж; 2) общее изменение цен на указанные продукты; 3) абсолютную экономию населения от снижения цен.
Решение:
1. Общее (в среднем) изменение объема продаж определим по
агрегатной формуле индекса физического объема по Ласпейресу: |
||||||||
Iф.об. = |
∑q1 p0 |
= |
60 3 +50 2 + 2 20 |
= |
320 |
=1,23 |
(или 123 %), |
|
∑q0 p0 |
50 3 + 40 2 + 2 20 |
260 |
||||||
|
|
|
|
|
т.е. в отчетном периоде было продано продуктов на 23 % больше (123 – 100 = 23), чем в базисном периоде.
2. Общий индекс цен, характеризующий среднее изменение цен
на все продукты, определяем по формуле Пааше |
|
||||||||
Iц = |
∑q1 p1 |
= |
60 2,5 +50 1,5 + |
2 18 |
= |
261 |
= 0,8156 |
(или81,56 %), |
|
∑q1 p0 |
60 3 +50 2 + 2 |
20 |
320 |
||||||
|
|
|
|
|
т.е. цены на все продукты снизились в среднем на 18,44 % (81,56 – 100 = –18,44).
3. Для ответа на третий вопрос вычтем из числителя агрегатной формулы индекса цен знаменатель:
∑q1 p1 −∑q1 p0 = 261 −320 = −59 (тыс. р.),
т.е. абсолютная экономия населения от снижения цен составила
59 тыс. р.
Задача 8.2
Определить среднее снижение цен на швейные изделия в отчетном периоде по сравнению с базисным по данным табл. 8.3.
|
|
|
|
|
|
Таблица 8.3 |
|
Швейные изделия |
Снижение цен в отчет- |
iц |
= |
p1 |
|
Продановотчетном |
|
ном периоде по сравне- |
|
||||||
p0 |
|||||||
|
нию с базисным, % |
|
|
|
периоде(q1p1), р. |
||
Хлопчатобумажные |
–20 |
|
0,80 |
|
10 |
||
Капроновые |
–15 |
|
0,85 |
|
17 |
101
Задача 8.3
Имеются следующие данные о выпуске продукции мебельной фабрики (табл. 8.4). Рассчитать общий индекс объема продаж.
|
|
Таблица 8.4 |
|
Изделие |
Изменение выпуска в мае |
Выпуск продукции в апреле |
|
по сравнению с апрелем, % |
( q0 p0 ), млн р. |
||
|
|||
Стол |
+12 |
20 |
|
Диван |
+10 |
50 |
|
Стул |
+15 |
30 |
Задача 8.4
Имеются следующие данные о динамике потребительских цен в РФ за 1994 г. (табл. 8.5). Рассчитать сводный (общий) индекс потребительских цен.
|
|
Таблица 8.5 |
|
Индекс потребительских цен |
Структура потребитель- |
Группа |
(1994 г. по отношению |
ских расходов в 1993 г., |
|
к 1993 г.) |
% |
Продовольствен- |
|
|
ные товары |
3,1 |
49,4 |
Непродовольствен- |
|
|
ные товары |
2,9 |
43,1 |
Платные услуги |
7,6 |
7,5 |
Задача 8.5
Имеются следующие данные о производстве и себестоимости продукта А по двум фабрикам за два периода (табл. 8.6).
|
|
|
|
Таблица 8.6 |
|
|
Произведено, тыс. ед. |
Себестоимость |
|
||
|
единицы продукта, р. |
|
|||
|
|
|
|
||
Фабрика |
Базисный |
Отчетный |
Базисный |
Отчетный |
|
|
период |
период |
период |
период |
|
|
( q0 ) |
( q1 ) |
(с0) |
(с1) |
|
1 |
50 |
80 |
150 |
135 |
|
2 |
60 |
40 |
250 |
230 |
|
Итого |
110 |
120 |
– |
– |
|
Определить: 1) изменение себестоимости продукта А по каждой фабрике; 2) изменение себестоимости в целом по обеим фабрикам с помощью индексов переменного и фиксированного составов; 3) индекс структурных сдвигов.
102
Задача 8.6
Имеются следующие данные по РФ об урожайности и посевных площадях озимых зерновых культур в 1991 и 1995 г. (табл. 8.7).
Определить: 1) общий индекс урожайности озимых зерновых культур (переменного состава, фиксированного состава); 2) индекс структурных сдвигов.
|
|
|
|
|
|
|
Таблица 8.7 |
|
|
Урожайность, ц/га |
Посевная пло- |
Валовой сбор, ц |
|
|
|||
Культура |
щадь, млн га |
|
y0П1 |
|||||
1991 г. |
1995 г. |
1991 г. |
1995 г. |
1991 г. |
1995 г. |
|
||
|
(y0) |
(y1) |
(П0) |
(П1) |
(y0П0) |
(y1П1) |
|
|
Пшеница |
28,1 |
16,9 |
9,2 |
8,2 |
258,52 |
138,58 |
|
230,42 |
Рожь |
16,4 |
12,6 |
6,5 |
3,2 |
106,60 |
40,32 |
|
52,48 |
Ячмень |
35,1 |
28,3 |
0,78 |
0,47 |
27,38 |
13,30 |
|
16,50 |
Итого |
– |
– |
16,48 |
11,87 |
392,50 |
192,20 |
|
199,40 |
Задача 8.7
По данным задачи 8.6 определить абсолютное изменение валового сбора озимых культур в 1995 г. по сравнению с 1991 г. и разложить его по факторам, т.е. показать, какая часть этого прироста (убыли) получена за счет изменения: 1) размера посевных площадей; 2) урожайности отдельных культур; 3) структуры посевных площадей.
Задача 8.8
Определить изменение производительности труда на фабрике, если известно, что за отчетный период объем выпускаемой продукции увеличился в 1,2 раза, а численность работающих возросла на12 %.
Задача 8.9
Имеются следующие данные за два периода о ценах и объемах реализации трех видов товара по одному из торговых предприятий
(табл. 8.8).
|
|
|
|
Таблица 8.8 |
|
Вид |
Базисный период |
Текущий период |
|||
Цена за едини- |
Продано това- |
Цена за еди- |
Продано това- |
||
товара |
|||||
|
цу, р. (Р0) |
ров, шт. (q0) |
ницу, р. (Р1) |
ров, шт. ( q1 ) |
|
А |
45 |
2500 |
87 |
1700 |
|
Б |
27 |
830 |
35 |
2300 |
|
В |
12 |
610 |
14 |
1000 |
103
Рассчитать:
1)индивидуальные индексы цен (по каждому виду товаров);
2)индивидуальные индексы физического объема реализации
товаров;
3)общий индекс цен: а) Ласпейреса, б) Пааше, в) Фишера;
4)общий индекс физического объема (по методу Ласпейреса);
5)индекс товарооборота (стоимость товаров).
Ответ: 1) А – 1,93, Б – 1,29, В – 1,17; 2) А – 0,68, Б – 2,77, В – 1,64; 3а) 179 %; 3б) 161 %; 3в) 169 %; 4) 105,9 %; 5) 170,4 %.
Тема 9. СТАТИСТИЧЕСКОЕ ИЗУЧЕНИЕ ВЗАИМОСВЯЗИ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ЯВЛЕНИЙ
Многообразие взаимосвязей, в которых находятся социальноэкономические явления, порождает необходимость их классификации. По видам различают функциональную и корреляционную зависимость.
Функциональной называют такую зависимость, при которой од-
ному значению факторного признака x соответствует одно строго определенное значение результативного признака y.
В отличие от функциональной зависимости, корреляционная выражает такую связь между социально-экономическими явлениями, при которой одному значению факторного признака x могут соответствовать несколько значений результативного признака y.
По направлению различают прямую и обратную зависимости. Прямой зависимостью называют такую, при которой значения
факторного признака x и результативного признака y изменяются в одном направлении, т. е. при увеличении значения x значение y в среднем увеличивается, а при уменьшении x – значение y уменьшается.
Обратная зависимость между факторным и результативным признаками наблюдается в том случае, если они изменяются в противоположных направлениях.
Связь между величинами x и y называется статистической связью, если при многократном повторении наблюдения одному и тому же значению x могут соответствовать разные значения y. Например, с одинаковых участков земли при равных количествах удобрений снимают разный урожай. Это объясняется влиянием таких случайных факторов, как количество осадков, температура воздуха и др.
104
Статистическая связь обнаруживается как статистическая закономерность только при массовом наблюдении. В частном случае статистическая закономерность проявляется в том, что при изменении одной величины изменяется среднее значение другой. Такой тип статистической зависимости называется корреляционной зависимостью.
Теория корреляции изучает зависимость признака от окружающих условий. Выделяют признаки-факторы и признаки-результаты. Случаи зависимости между ними приведены в табл. 9.1
|
Таблица 9.1 |
Функциональная зависимость |
Корреляционная зависимость |
Полное соответствие |
Нет полного соответствия |
|
|
При наличии корреляционной зависимости можно выявить тенденции, но нельзя точно установить значение результативного признака.
Если среднее значение результативного признака y зависит от одного факторного признака x, корреляция называется парной, а если от нескольких факторных признаков – множественной.
Изучение корреляционных связей сводится к решению следующих задач:
1.Выявление наличия или отсутствия корреляционной связи между изучаемыми признаками.
2.Измерение тесноты связи между признаками. Это исследова-
ние называется корреляционным анализом.
3.Определение уравнения регрессии, то есть функциональной зависимости среднего значения результативного признака от факторных признаков. Такое исследование называется регрессионным ана-
лизом.
Рассмотрим методы выявления корреляционной зависимости.
Метод группировки
Чтобы выявить наличие корреляционной зависимости между двумя признаками, проводится группировка единиц совокупности по факторному признаку x и для каждой группы вычисляется среднее значение результативного признака y . Если корреляционная связь
существует, то в изменении среднего значения y будет прослежи-
ваться закономерность.
Важное требование корреляционного анализа – достаточное число измерений.
105
Существуют различные статистические методы определения наличия корреляционной связи между двумя признаками.
Простейшим методом является сопоставление параллельных ря-
дов (ряда результативных и ряда факторных признаков).
Пример 1. Метод приведения параллельных данных рассмотрим по результатам деятельности 20 туристических фирм (табл. 9.2).
Исходные данные по признаку x располагаются в порядке возрастания или убывания, а по признаку y записываются соответствующие им показатели. Путем сопоставления значений x и y делается вывод о наличии и направлении зависимости. В случае двух рядов имеем, что x – признак-фактор, y – признак-результат.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Таблица 9.2 |
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
Затраты на рек- |
|
|
|
|
||||
Фирма |
Затраты на рек- |
|
|
|
Число ту- |
|
Фирма |
Число ту- |
|
||||||||||||
ламу (x), тыс. р. |
|
|
|
ристов (y) |
|
ламу (x), тыс. р. |
ристов (y) |
|
|||||||||||||
1 |
|
8 |
|
|
|
|
800 |
|
|
11 |
|
|
10 |
|
920 |
|
|
||||
2 |
|
8 |
|
|
|
|
850 |
|
|
12 |
|
|
10 |
|
1060 |
|
|
||||
3 |
|
8 |
|
|
|
|
720 |
|
|
13 |
|
|
10 |
|
950 |
|
|
||||
4 |
|
9 |
|
|
|
|
850 |
|
|
14 |
|
|
11 |
|
900 |
|
|
||||
5 |
|
9 |
|
|
|
|
800 |
|
|
15 |
|
|
11 |
|
1200 |
|
|
||||
6 |
|
9 |
|
|
|
|
880 |
|
|
16 |
|
|
11 |
|
1150 |
|
|
||||
7 |
|
9 |
|
|
|
|
950 |
|
|
17 |
|
|
11 |
|
1000 |
|
|
||||
8 |
|
9 |
|
|
|
|
820 |
|
|
18 |
|
|
12 |
|
1200 |
|
|
||||
9 |
|
10 |
|
|
|
|
900 |
|
|
19 |
|
|
12 |
|
1100 |
|
|
||||
10 |
|
10 |
|
|
|
|
1000 |
|
|
20 |
|
|
12 |
|
1000 |
|
|
||||
Построим корреляционную таблицу (табл. 9.3). Для результа- |
|
||||||||||||||||||||
тивного признака вычисляется длина интервала разбиения: |
|
|
|
|
|||||||||||||||||
|
|
H y = |
|
|
ymax − ymin |
= |
1200 |
−720 |
= 96. |
|
|
|
|
|
|||||||
|
|
1 |
+3,332 lg n |
|
|
5 |
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
Проведем в соответствии с данным интервалом группировку по у |
|
||||||||||||||||||||
(табл. 9.3). |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Таблица 9.3 |
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
Интервал (центральное значение) у |
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
Показатель |
|
720– |
|
817– |
|
914– |
|
1011– |
|
1108– |
fx |
|
yi |
|
|||||||
|
|
|
816 |
|
|
913 |
|
|
1010 |
|
1107 |
|
1204 |
|
|
||||||
|
|
|
(768) |
|
(865) |
|
|
(962) |
|
(1059) |
|
(1156) |
|
|
|
|
|
||||
|
8 |
|
2 |
|
|
1 |
|
|
– |
|
– |
|
– |
3 |
|
800 |
|
|
|||
|
9 |
|
1 |
|
|
3 |
|
|
– |
|
– |
|
– |
5 |
|
865 |
|
|
|||
|
10 |
|
– |
|
|
1 |
|
|
3 |
|
1 |
|
– |
5 |
|
962 |
|
|
|||
|
11 |
|
– |
|
|
1 |
|
|
1 |
|
– |
|
2 |
4 |
|
1035 |
|
|
|||
|
12 |
|
– |
|
|
– |
|
1 |
|
1 |
|
1 |
3 |
|
1059 |
|
|
||||
|
fу |
|
3 |
|
|
6 |
|
|
6 |
|
2 |
|
3 |
20 |
|
– |
|
106
Видна тенденция прямой зависимости между факторным и результативным признаком.
Построим групповую таблицу (табл. 9.4).
|
|
Таблица 9.4 |
Группытурфирмпозатратамнарекламу |
Число фирм |
Среднее число туристов |
8 |
3 |
790 |
9 |
5 |
860 |
10 |
5 |
966 |
11 |
4 |
10603 |
12 |
3 |
1100 |
Итого |
20 |
– |
Показатели тесноты связи между двумя количественными признаками
Теснота связи между признаками x и y может быть измерена на основе корреляционной таблицы с помощью эмпирического корреля-
ционного отношения
η = |
δ2 |
|
σ2y |
||
|
или коэффициента детерминации
η= δ2 ,
σ2y
где δ2 – межгрупповая дисперсия результативного признака y; σ2y – общая дисперсия признака y.
Для характеристики связи между двумя признаками используется корреляционный момент.
Корреляционным моментом называется среднее значение произведения отклонений значений признаков от их средних значений:
n
∑(xi − x)( yi − y)
K xy = |
i=1 |
|
. |
|
n |
||
|
|
|
Корреляционный момент характеризует не только зависимость величин, но и их рассеяние. Если один признак весьма мало отклоняется от своего среднего значения, то есть не случаен, то корреляционный момент будет мал даже при тесной связи между признаками. Поэтому, чтобы исключить влияние рассеяния, для характеристики связи между параметрами x и y используют безразмерную величину –
коэффициент парной корреляции:
107
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
K xy |
|
|
∑(xi − x)( yi − y) |
|
|||||
|
rxy = |
|
= |
i=1 |
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
nσxσy |
|
|
|
|||
|
|
σxσy |
|
|
|
||||||
или |
|
|
|
n |
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|||
|
|
|
∑(xi − x)( yi − y) |
|
|||||||
|
rxy = |
|
i=1 |
|
|
|
|
|
|||
|
|
n |
|
|
|
n |
|
|
|
|
|
|
|
|
∑(xi − x)2 ∑( yi − y)2 |
|
|||||||
или |
|
|
i=1 |
|
|
|
i=1 |
|
|
|
|
|
|
|
n |
n |
n |
|
|
|
|||
|
|
|
|
|
|
|
|||||
|
|
|
n∑xi yi − |
∑xi |
∑yi |
|
|||||
rxy = |
|
|
i=1 |
i=1 |
i=1 |
|
|
. |
|||
n |
|
|
|
n |
n |
|
n |
||||
|
n∑xi2 |
−(∑xi )2 |
n∑yi2 |
−(∑yi )2 |
|
||||||
|
i=1 |
|
|
i=1 |
i=1 |
i=1 |
|
Можно показать, что значения коэффициента корреляции заключены в пределах −1 ≤ rxy ≤1.
Коэффициент корреляции характеризует не всякую зависимость, а только линейную, т. е. степень тесноты линейной зависимости между параметрами. При линейной зависимости с возрастанием одного параметра другой имеет тенденцию к возрастанию или убыванию по линейному закону. При rxy > 0 (рис. 9.1) имеем прямую
корреляционную зависимость, при rxy < 0 – обратную (рис. 9.2). Если
между параметрами x и y имеется функциональная зависимость y = ax +b , то rxy = ±1. Если rxy = 0, это означает отсутствие линей-
ной зависимости между параметрами. Чем ближе значение rху к единице, тем ближе связь к функциональной зависимости.
y |
y |
rxy > 0 |
rxy < 0 |
x |
x |
Рис. 9.1 |
Рис. 9.2 |
108
Поскольку коэффициент корреляции вычисляется по ограниченной выборке, то он содержит случайную ошибку и не всегда отражает реальную связь между параметрами. Для того, чтобы оценить существенность (значимость) rxy и, следовательно, реальность связи между x и y, необходимо рассчитать среднюю ошибку коэффициента корреляции σr .
Если число наблюдений достаточно велико (n > 30) и есть основания полагать, что выборка извлечена из совокупности, имеющей нормальное распределение, то
ςr =1−rxy2 . n
Если rxy > 3, то коэффициент корреляции считается значимым,
σr
а связь – реальной.
Если задать вероятность P предельной ошибки вычисления коэффициента корреляции r, то по таблице функции F(t) можно найти коэффициент доверия. Это позволяет утверждать, что с вероятностью P истинное значение коэффициента корреляции находится в пределах
rxy −tσr ≤ r ≤ rxy +tσr .
Наряду с линейным коэффициентом корреляции для измерения тесноты связи между двумя признаками используются знаковые и ранговые коэффициенты корреляции.
Коэффициент знаковой корреляции Фехнера
Коэффициент знаковой корреляции Фехнера является простейшим показателем тесноты связи между двумя признаками. Он основан на сравнении поведения отклонений значений каждого признака от своей средней величины. При этом принимаются во внимание не сами значения отклонений, а только их знаки.
Пример 2. Имеется выборка из 10 заводов, каждый из которых характеризуется объемом основных производственных фондов x и валовым выпуском продукции y (табл. 9.5).
|
|
|
|
|
Таблица 9.5 |
|
Завод |
ОПФ (x), |
млн р. |
Валовой выпуск |
Знак отклонения |
||
xi − x |
|
yi − y |
||||
(y), р. |
|
|||||
|
|
|
|
|||
1 |
12 |
|
28 |
– |
|
– |
2 |
16 |
|
40 |
– |
|
– |
3 |
25 |
|
38 |
– |
|
– |
4 |
38 |
|
65 |
– |
|
– |
109
Окончание табл. 9.5
Завод |
ОПФ (x), |
млн р. |
Валовой выпуск |
Знак отклонения |
||
xi − x |
yi − y |
|||||
(y), р. |
||||||
|
|
|
||||
5 |
43 |
|
80 |
– |
– |
|
6 |
55 |
|
101 |
+ |
+ |
|
7 |
60 |
|
95 |
+ |
– |
|
8 |
80 |
|
125 |
+ |
+ |
|
9 |
91 |
|
183 |
+ |
+ |
|
10 |
100 |
|
245 |
+ |
+ |
|
Итого |
520 |
|
1000 |
– |
– |
Требуется установить, существует ли между связь между параметрами x и y.
Из табл. 9.5 видно, что по мере увеличения x увеличивается значение y. Тесноту связи можно оценить с помощью коэффициента знаковой корреляции Фехнера.
Вычислим средние значения x и y:
|
n |
|
|
|
n |
|
|
|
|
∑xi |
= 520 |
|
|
∑yi |
=1000 |
|
|
x = |
i=1 |
= 52 , |
y = |
i=1 |
=100 . |
|||
n |
n |
|||||||
|
10 |
|
|
10 |
|
В двух последних столбцах табл. 9.5 приведены знаки отклонений значений x и y от их средних значений. Сравним пары знаков в каждой строке и подсчитаем число совпадений знаков (Nс) и число несовпадений (Nн). Коэффициент знаковой корреляции Фехнера вычисляется по формуле
K= Nс − Nн . Nс + Nн
Вданном случае Nс = 9 , Nн =1, следовательно,
K = 99 +−11 = 0,8 .
Такое значение характеризует прямую, достаточно сильную зависимость между x и y. Если знаки всех отклонений совпадают, то Nн = 0 и K =1. Это означает наличие прямой связи. Если знаки всех отклонений не совпадают, то Nс = 0 и K = −1. Это означает наличие обратной связи между x и y. Если Nс = Nн, то K = 0 .
Таким образом, коэффициент знаковой корреляции Фехнера лежит в диапазоне −1 ≤ K ≤1. При этом, чем он ближе к ±1, тем теснее зависимость между x и y.
110
Ранговые коэффициенты корреляции
Ранговые коэффициенты корреляции основаны на корреляции не самих значений признаков, а их рангов. В статистике используются коэффициенты ранговой корреляции Спирмэна и Кендэлла.
Допустим, что объекты генеральной совокупности обладают двумя признаками, которые позволяют сравнивать объекты между собой и располагать их в порядке убывания или возрастания значения признака.
Рангом называется порядковый номер объекта в ранжированном ряду. Оба признака необходимо ранжировать, то есть нумеровать в одном и том же порядке: по возрастанию или по убыванию. Если в ряду встречается несколько одинаковых значений x, то каждому из них присваивается ранг, равный частному от деления суммы рангов, приходящихся на эти значения, на число равных значений.
Ранги признаков x и y обозначаются Nx и Ny. Суждение о связи между изменениями значений x и y основано на сравнении поведения рангов. Если у каждой пары x и y ранги совпадают, это характеризует максимально тесную прямую связь. Если же в одном ряду ранги возрастают от 1 до n, а в другом убывают от n до 1, то между признаками существует максимально возможная обратная связь.
Для каждой пары значений признаков x и y вычислим разность
их рангов di = Nxi − Nxi и квадрат разности di2 .
Ранговой коэффициент корреляции Спирмэна вычисляется по формуле
|
n |
|
|
|
|
|
6∑di2 |
||||
ρ =1− |
i=1 |
|
|
. |
|
n(n2 |
− |
1) |
|||
|
|
Эту формулу можно получить из формулы для коэффициента корреляции, если вместо x и y подставить их ранги.
Если ранги обоих признаков совпадают, то есть все di = 0 и ρ=1, – это означает, что между признаками имеется тесная прямая
связь.
Если ранги признаков имеют строго противоположные направления, т. е. первому рангу x соответствует n-й (последний) ранг y, второму рангу x соответствует (n −1) и т. д. то di будет принимать
значения d1 =1−n, d2 = 3 −n, … , dn = (2n −1) − n . Отсюда получаем
111
|
n |
|
|
|
= (1 − n)2 + (3 − n)2 +... +[(2n −1) − n]2 . |
|
|
|
|||||
|
∑di2 |
|
|
|
|||||||||
|
i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
Раскрывая скобки и группируя члены суммы, получим |
|
|
|
||||||||||
n |
=[12 +3 |
2 +... + (2n −1)2 ] − 2n[1 +3 +... + (2n −1)] + n |
n2 . |
|
|||||||||
∑di2 |
|
||||||||||||
i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Методом математической индукции можно доказать, что |
|
|
|||||||||||
|
|
|
|
12 +32 +... + (2n −1)2 = n(4n2 −1) , |
|
|
|
|
|||||
|
|
|
|
|
|
|
3 |
|
|
|
|
|
|
|
|
|
|
|
1 + 3 +... + (2n −1) = n2 . |
|
|
|
|
|
|
||
Тогда |
2 |
|
|
|
|
|
|
|
2 |
|
|
||
n |
|
−1) − 2n n2 + n3 = 4n |
3 |
|
3 |
|
3 |
|
|
||||
∑di2 = n(2n |
|
|
|
− n − 6n |
|
+ 3n |
= n(n |
3 |
−1) |
, |
|||
i=1 |
3 |
|
|
|
|
3 |
|
|
|
|
|
||
следовательно, |
ρ = −1. Это означает, что между признаками имеется |
максимально тесная обратная связь.
Таким образом, ранговый коэффициент корреляции Спирмэна лежит в диапазоне −1 ≤ ρ ≤1.
Поскольку этот коэффициент учитывает только разности рангов, а не сами значения x и y, он менее точен, чем коэффициент корреляции. Поэтому при ρ = ±1 нельзя утверждать, что между x и y
имеется функциональная связь. Во всех случаях, когда ρ не принимает крайних значений, он довольно близок к коэффициенту корреляции r.
Пример 3. Имеется выборка из деятельности 8 заводов, каждый из которых характеризуется почасовой оплатой труда x и текучестью кадров y. Результаты расчета рангового коэффициента корреляции Спирмэна приведены в табл. 9.6.
|
|
|
|
|
|
Таблица 9.6 |
|
x |
y |
|
Ранг |
Разность рангов |
Квадрат |
|
|
|
|
Nx |
|
Ny |
d = Nx – Ny |
разности |
|
3 |
34 |
1 |
|
7 |
–6 |
36 |
|
4 |
35 |
2 |
|
8 |
–6 |
36 |
|
5 |
33 |
3 |
|
6 |
–3 |
9 |
|
6 |
28 |
4 |
|
5 |
–1 |
1 |
|
7 |
20 |
5 |
|
3 |
2 |
4 |
|
8 |
24 |
6 |
|
4 |
2 |
4 |
|
9 |
15 |
7 |
|
2 |
5 |
25 |
|
10 |
11 |
8 |
|
1 |
7 |
49 |
|
n = 8 |
– |
– |
|
– |
– |
∑di2 =164 |
|
112
В данном примере ранговый коэффициент корреляции Спирмэна равен
|
n |
|
|
|
|
|
6∑di2 |
|
6 164 |
|
|
ρ =1 − |
i=1 |
=1 − |
= −0,952. |
||
n(n2 −1) |
8(64 −1) |
||||
|
|
|
Такое значение ρ говорит о сильной обратной связи между x и y
(прил. 7).
Нахождение уравнения регрессии между двумя признаками
Уравнением регрессии называется функция y)x = f (x) ,
описывающая зависимость среднего значения результирующего признака y от факторного признака x. Читается: «y, выровненный по x».
Вид уравнения регрессии заранее неизвестен и при анализе данных делается предположение о виде этого уравнения. Нахождение вида уравнения регрессии называется регрессионным анализом.
Наиболее часто используются уравнения следующего вида:
y)x = a0 |
+ a1x |
– |
линейная регрессия, |
y)x = a0 |
+ a1x + a2 x2 |
– |
параболическая регрессия, |
y)x = a0 |
+ a1 1 |
– |
гиперболическая регрессия. |
|
x |
|
|
Выбрав тип уравнения, по эмпирическим данным определяют коэффициенты уравнения. Они должны быть такими, чтобы вычисленные по уравнению регрессии значения результативного признака y)x были бы максимально близки к эмпирическим данным.
Существует несколько методов нахождения коэффициентов регрессии. Наиболее часто используется метод наименьших квадратов, суть которого заключается в следующем: значения коэффициентов уравнения регрессии должны быть такими, при которых обеспечивается минимальная сумма квадратов отклонений линии регрессии от эмпирических данных.
Линейная регрессия наиболее часто используется для описания связи между признаками. Она описывается уравнением прямой линии
y)x = a0 + a1x.
Коэффициент a1 называется коэффициентом регрессии.
113
Потребуем, чтобы сумма квадратов отклонений эмпирических точек от теоретической линии регрессии была минимальной
n
s = ∑( yi − yi )2 → min,
i=1
где yi – наблюдаемое значение y, соответствующее x;
y)i – вычисленное по уравнению регрессии значение y. Подставив значений y)i из уравнения регрессии, получим
n
S = ∑(a0 + a1xi − yi )2 → min .
i=1
Задача сводится к нахождению минимума величины S как функции двух переменных a0 и a1. Для этого найдем частные производные S по a0 и a1 и приравняем их к нулю:
∂S |
n |
|
||
|
|
|
= 2∑(a0 |
+ a1xi − yi ) = 0 |
|
|
|||
∂a0 |
in=1 |
. |
||
|
∂S |
|
= 2∑(a0 + a1xi − yi )xi = 0 |
|
|
||||
|
||||
∂a1 |
i=1 |
|
Для нахождения a0 и a1 получаем систему уравнений, которая называется системой нормальных уравнений для линейного уравнения регрессии
|
|
|
|
|
|
|
n |
|
n |
|
|
|
|
|
|
|
|
|
na0 |
+ a1 ∑xi = ∑yi |
|
|
|
|
|||||
|
|
|
|
|
n |
i=1 |
n |
i=1 |
n |
. |
|
|
|
|
|
|
|
|
a0 |
∑xi + a1 ∑xi2 = ∑xi yi |
|
|
|
|
|||||
|
|
|
|
|
|
i=1 |
i=1 |
i=1 |
|
|
|
|
||
Пример 4. Найти уравнение линейной регрессии по данным пя- |
||||||||||||||
ти наблюдений: |
|
|
|
|
|
|
|
|
|
|
|
|
||
x |
1,00 |
1,50 |
|
3,00 |
4,50 |
5,00 |
|
|
|
|
||||
y |
1,25 |
1,40 |
|
1,50 |
1,75 |
2,25 |
|
|
|
|
||||
Расчет сведем в табл. 9.7. |
|
|
|
|
Таблица 9.7 |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
xi · yi |
|
|
|
|
xi |
|
|
|
|
yi |
|
|
xi2 |
|
|
||
|
|
1,00 |
|
|
|
1,25 |
|
|
1,00 |
|
1,250 |
|
|
|
|
|
1,50 |
|
|
|
1,49 |
|
|
2,25 |
|
2,100 |
|
|
|
|
|
3,00 |
|
|
|
1,50 |
|
|
9,00 |
|
4,500 |
|
|
|
|
|
4,50 |
|
|
|
1,75 |
|
20,25 |
|
7,815 |
|
|
||
|
|
5,00 |
|
|
|
2,25 |
|
25,00 |
|
11,250 |
|
|
||
|
|
n |
|
|
n |
|
|
|
n |
|
|
n |
|
|
|
|
∑xi =15 |
|
∑yi |
= 8,15 |
|
∑xi2 |
= 57,50 |
|
∑xi yi = 26,975 |
|
|
||
|
|
i=1 |
|
|
i=1 |
|
|
|
i=1 |
|
|
i=1 |
|
|
114
Система нормальных уравнений имеет вид
5a |
0 |
+15a |
= 8,15 |
. |
|
1 |
|
||
15a0 + 57,50a1 = |
26,975 |
Решая ее любым методом, получим a0 =1,024, a1 = 0,202 .
Такимобразом, уравнениерегрессииимеетвид y = 0,202x +1,024.
Анализ взаимосвязи качественных признаков
Для исследования взаимосвязи качественных альтернативных признаков, принимающих только два взаимоисключающих значения,
используется коэффициент ассоциации КА и контингенции КК. При расчете этих коэффициентов составляется так называемая таблица четырех камней, а сами коэффициенты рассчитываются по формуле
K A = adad +− bcbc ,
|
KK = |
|
ad −bc |
|
||
|
(a +b)(b + d)(a + c)(c + d) . |
|
||||
Приведем расчет качественных показателей (табл. 9.8). |
||||||
|
|
|
|
|
|
Таблица 9.8 |
Группыпоприз- |
|
|
|
|
|
|
Группы |
наку |
|
+ |
– |
|
Итого |
попризнакуy |
x |
|
|
|
|
|
+ |
|
|
a |
b |
|
a + b |
|
|
|
|
|
|
|
– |
|
|
c |
d |
|
c + d |
|
|
|
|
|
|
|
Итого |
|
|
a + c |
c + d |
|
a + b + c + d |
|
|
|
|
|
|
|
Если коэффициент ассоциации ≥ 0,5, а коэффициент контингенции ≥ 0,3, то можно сделать вывод о наличии существенной зависимости между изучаемыми признаками.
Если признаки имеют 3 или более градаций, то для изучения взаимосвязей используются коэффициенты Пирсона (С) и Чупрова (К). Они рассчитываются по формулам
C = − |
ϕ2 |
, |
|
+ϕ2 |
|||
1 |
|
115
K = |
ϕ2 |
(K1 −1)(K2 −1) , |
где ϕ – показатель взаимной сопряженности,
K1 – число значений (групп) первого признака, K2 – число значений (групп) второго признака.
ϕ2 = ∑ |
fij2 |
−1 , |
|
mi nj |
|||
|
|
где fij – частоты соответствующих клеток таблицы, mi – столбцы таблицы,
nj – строки.
Для расчета коэффициентов Пирсона и Чупрова составляется вспомогательная табл. 9.9.
|
|
|
|
|
Таблица 9.9 |
Группа признака |
|
|
|
|
|
x |
1 |
2 |
… |
i |
Итого |
Группа признака y |
|
|
|
|
|
1 |
f11 |
f12 |
... |
f1i |
n1 |
2 |
f21 |
f22 |
... |
f2i |
n2 |
... |
... |
... |
... |
... |
... |
j |
fji |
fj2 |
... |
fji |
nj |
Итого |
m1 |
m2 |
... |
mi |
ΣΣminj |
При ранжировании качественных признаков с целью изучения их взаимосвязи используется коэффициент корреляции Кендэлла:
τ = (2S ), n n −1
где n – число наблюдений,
S – сумма разностей между числом последовательностей и числом инверсий по второму признаку.
S = P + Q ,
где P – сумма значений рангов, следующих за данными с превышением их величины, Q – сумма значений рангов, следующих за данными и меньших его величины (учитывается со знаком «–»).
При наличии связанных рангов формула коэффициента Кендэлла будет следующей:
τ = |
2S |
, |
[n ×(n −1) − 2Vx ] [n ×(n −1) − 2Vy ] |
где Vx и Vy определяются отдельно для рангов x и y по формуле
116
V = 12 ∑t j ×(t j −1) .
Порядок расчета коэффициента Кендэлла следующий:
1.Значения х и у ранжируются, т.е. определяются Nx и N y .
2.Значения Nx записываются строго в порядке возрастания (или, наоборот, убывания);
3.Ранги второго показателя ( N y ) располагаются в порядке, со-
ответствующем значению х в исходных данных.
4. Для каждого значения N y подсчитывается число следующих
за ним рангов более высокого порядка. Общая сумма таких случаев «правильного следования» последовательно учитывается для всех рангов как баллы со знаком «+» и обозначается буквой Р.
5. Аналогично для каждого значения N y последовательно под-
считывается число следующих за ним рангов меньших по значению. Общая сумма таких случаев (инверсий) учитывается как баллы со знаком «–» и обозначается символом Q.
6.Определяется общая сумма баллов, которая обозначается символом S, т. е. S = Р + Q.
7.Полученная сумма (S) сопоставляется с максимальной сум-
мой, которая равна n(n2−1) в случае, если в обоих рядах ранги сле-
дуют строго последовательно от 1 до п.
Сопоставимость уровней и смыкаемость рядов динамики
Важнейшим условием правильного построения ряда динамики является сопоставимость всех входящих в него уровней. Данное условие решается либо в процессе сбора и обработки данных, либо путем их пересчета.
Несопоставимость уровней ряда может возникнуть вследствие изменения единиц измерения или единиц счета. На сопоставимость уровней ряда динамики непосредственно влияет методология учета или расчета показателей. Например, если в одни годы среднюю урожайность считали с засеянной площади, а в другие – с убранной, то такие уровни будут несопоставимы.
Условием сопоставимости уровней ряда динамики является периодизация динамики. В процессе развития во времени прежде всего происходят количественные изменения явлений, а затем, на определенных ступенях, совершаются качественные скачки, приводящие к
117
изменению закономерности явления. Поэтому научный подход к изучению рядов динамики заключается в том, что ряды, охватывающие большие периоды времени, необходимо расчленять на такие, которые бы объединяли лишь однокачественные периоды развития совокупности, характеризующейся одной закономерностью развития.
Процесс выделения однородных этапов развития носит название
периодизации динамики.
Также важно, чтобы в ряду динамики интервалы или моменты, по которым определены уровни, имели одинаковый экономический смысл. Например, при изучении роста поголовья скота бессмысленно сравнивать цифры поголовья по состоянию на 1 октября с 1 января, так как первая цифра включает не только скот, оставшийся на зимовку, но и предназначенный к убою, а вторая цифра включает только скот, оставленный на зимовку.
Уровни ряда динамики могут оказаться несопоставимыми по кругу охватываемых объектов вследствие перехода ряда объектов из одного подчинения в другое. Несопоставимость уровней ряда может возникнуть вследствие изменений территориальных границ областей, районов и т.д. При этом, говоря об изменении территории, к которой относятся уровни ряда за разное время, следует иметь в виду, что вопрос о сопоставимости или несопоставимости при изменении территории решается по-разному, в зависимости от цели исследования.
Для того чтобы привести уровни ряда динамики к сопоставимому виду, иногда приходится прибегать к приему, который называется смыкание рядов динамики. Под смыканием понимают объединение в один ряд (более длинный) двух или нескольких рядов динамики, уровни которых исчислены по разной методике или разным территориальным границам.
Вопросы и задания
1.В чем состоит отличие между функциональной и корреляционной связью?
2.Перечислите основные этапы построения эмпирического и теоретического уравнения регрессии.
3.Приведите формулу линейного коэффициента корреляции.
Задача 9.1
Пусть по 10 однотипным предприятиям имеются следующие данные о выпуске продукции (х) в тыс. ед. и о расходе условного топлива (у) в тоннах (гр. 1 и 2 табл. 9.10). Требуется найти уравнение
118
зависимости расхода топлива от выпуска продукции (уравнение регрессии у по х) и измерить тесноту зависимости между ними.
Решение:
1. Рассматривая уравнение регрессии в форме линейной функции вида yx = a0 +а1х, найдем параметры данного уравнения ( a0 и
a1) из системы нормальных уравнений:
|
|
па0 + а1 ∑х = ∑ у |
|
. |
|
|
|||||||
|
|
|
∑х+ а1 ∑х |
2 |
= ∑ху |
|
|
||||||
|
|
а0 |
|
|
|
Таблица 9.10 |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
х |
у |
х2 |
|
|
|
ху |
|
|
ух |
=1,16 + 0,547х |
|
у2 |
|
1 |
2 |
3 |
|
|
|
4 |
|
|
|
|
5 |
|
6 |
5 |
4 |
25 |
|
|
|
20 |
|
|
|
|
3,9 |
|
16 |
6 |
4 |
36 |
|
|
|
24 |
|
|
|
|
4,4 |
|
16 |
8 |
6 |
64 |
|
|
|
48 |
|
|
|
|
5,5 |
|
36 |
8 |
5 |
64 |
|
|
|
40 |
|
|
|
|
5,5 |
|
25 |
10 |
7 |
100 |
|
|
|
70 |
|
|
|
|
6,6 |
|
49 |
10 |
8 |
100 |
|
|
|
80 |
|
|
|
|
6,6 |
|
64 |
14 |
8 |
196 |
|
|
|
112 |
|
|
|
|
8,8 |
|
64 |
20 |
10 |
400 |
|
|
|
200 |
|
|
|
12,1 |
|
100 |
|
20 |
12 |
400 |
|
|
|
240 |
|
|
|
12,1 |
|
144 |
|
24 |
16 |
576 |
|
|
|
384 |
|
|
|
14,3 |
|
256 |
|
125 |
80 |
1961 |
|
|
|
1218 |
|
|
|
80 |
|
770 |
|
Необходимые для решения суммы ∑х, ∑ у, ∑х2 , |
∑ху рассчи- |
||||||||||||
таны в табл. 9.10. Подставляем их в уравнение и решаем систему: |
|||||||||||||
|
|
10а |
0 |
+125а |
= 80 |
, |
|
|
|
||||
|
|
|
|
1 |
|
|
|
|
|
|
|||
|
|
125а0 +1961а1 =1218 |
|
|
|
||||||||
|
|
а0 =1,16, |
а1 = 0,547. |
|
Отсюда ух =1,16 + 0,547х.
Подставляя в это уравнение последовательно значения х = 5; 6; 8; 10 и т.д., получаем выровненные (теоретические) значения результативного показателя ух (гр. 5 табл. 9.10).
Поскольку параметры уравнения регрессии являются оценочными, то для каждого из них рассчитывается средняя ошибка, т.е. μа1 .
Конкретный расчет ошибок для a0 и a1 по данным нашего примера приведен далее.
2. Для измерения тесноты зависимости между х и у воспользуемся линейным коэффициентом корреляции (поскольку зависимость
119
рассматривалась линейной). По формуле |
r = |
ху− х у |
находим |
|
|||
|
|
σхσу |
|
ху =121,8; х =12,5; у = 8; х2 =196,1. |
|
|
|
Определяем σх и σу, предварительно найдя ∑ у2 = 770, у2 = 77 , получим:
σх = х2 −(х) 2 = |
196,1−12,52 = |
196,1−156,25 = 39,85 = 6,31; |
||
σу = |
у2 −( у) 2 = 77 −82 = 13 = 3,6. |
|||
Отсюда r =121,8 −12,5 = |
21,8 |
= 0,96. |
||
22,716 |
||||
6,31 3,6 |
|
Значение линейного коэффициента корреляции r = 0,96 (т.е. близкое к единице) характеризует не только меру тесноты зависимости вариации у от вариации х, но и степень близости этой зависимости к линейной.
3. Воспользуемся еще одной формулой линейного коэффициента корреляции:
r = а1 |
σх |
= 0,547 |
6,31 |
= 0,96, т.е. результат тот же. |
|
σу |
|
3,6 |
|
При расчете коэффициента корреляции, особенно если он исчислен для небольшого числа наблюдений (n), очень важно оценить его надежность (значимость). Для этого рассчитывается средняя ошибка коэффициента корреляции (σr ) по формуле
σr = 1−r 2 |
, |
n −2 |
|
где (п – 2) – число степеней свободы при линейной зависимости. Затем находится отношение коэффициента корреляции к его средней
r
ошибке, т.е. t = σr , которое сравнивается с табличным значением t-
критерия Стьюдента. |
|
|
|
|
|
|
|
|
|
|||||||
|
В |
рассматриваемом |
примере |
средняя ошибка |
коэффициента |
|||||||||||
корреляции |
σr = |
1−r 2 |
= |
1−0,962 |
= |
1 |
−0,9216 |
= |
0,0784 |
= 0,028 , а |
||||||
n −2 |
10 −2 |
|
8 |
2,83 |
||||||||||||
|
r |
|
|
0,96 |
|
|
|
|
|
|
|
|||||
t = |
|
= |
|
= 34. |
|
|
|
|
|
|
|
|
|
|||
σr |
|
|
|
|
|
|
|
|
|
|
|
|||||
|
0,028 |
|
|
|
|
|
|
|
|
|
|
|
120
По таблице прил. 4 находим, что при числе степеней свободы k = 10 – 2 = 8 и уровне значимости α = 0,05 табличное (критическое,
пороговое) tтабл = 2,306 .
Поскольку фактическое (расчетное) t больше табличного, т.е. tфакт > tтабл, то линейный коэффициент корреляции r = 0,96 счита-
ется значимым, а связь между х и у – реальной.
4. Кроме линейного коэффициента корреляции для изменения тесноты зависимости можно воспользоваться теоретическим корре-
ляционным отношением: η= |
δ2 |
= |
Dу |
, где |
δ2 и σ2 – дисперсии, |
|
σ2 |
Dy |
|||||
|
|
|
|
соответственно, теоретических и эмпирических значений результативного показателя.
Расчет их показан в табл. 9.11.
|
|
|
|
|
|
|
|
Таблица 9.11 |
х |
у |
ух |
у− у |
( у− у)2 |
ух − у |
(ух − у)2 |
у− ух |
( у − ух)2 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
5 |
4 |
3,9 |
–4 |
16 |
–4,1 |
16,81 |
0,1 |
0,01 |
6 |
4 |
4,4 |
–4 |
16 |
–3,6 |
12,96 |
–0,4 |
0,16 |
8 |
6 |
5,5 |
–2 |
4 |
–2,5 |
6,25 |
0,5 |
0,25 |
8 |
5 |
5,5 |
–3 |
9 |
–2,5 |
6,25 |
–0,5 |
0,25 |
10 |
7 |
6,6 |
–1 |
1 |
–1,4 |
1,96 |
0,4 |
0,16 |
10 |
8 |
6,6 |
0 |
0 |
–1,4 |
1,96 |
1,4 |
1,96 |
14 |
8 |
8,8 |
0 |
0 |
0,8 |
0,64 |
–0,8 |
0,64 |
20 |
10 |
12,1 |
2 |
4 |
4,1 |
16,81 |
–2,1 |
4,41 |
20 |
12 |
12,1 |
4 |
16 |
4,1 |
16,81 |
–0,1 |
0,01 |
24 |
16 |
14,3 |
8 |
64 |
6,3 |
39,69 |
1,7 |
2,89 |
125 |
80 |
80 |
– |
130 |
– |
120,14 |
– |
10,74 |
|
|
|
Дисперсия выровненных значений результативного показателя, |
|||||||||||||
или факторная дисперсия, |
δ |
2 |
= |
∑( ух − у)2 |
= |
120,14 |
=12,014 . Общая |
|||||||||
|
n |
10 |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
дисперсия |
эмпирических |
значений результативного показателя |
||||||||||||||
σ |
2 |
= |
∑( у− у)2 |
= |
130 |
=13, |
теоретическое |
корреляционное отноше- |
||||||||
|
|
п |
|
10 |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
ние η = |
δ2 |
= |
12,014 |
= |
0,924 = 0,96. |
|
|
|
||||||||
σ2 |
|
13 |
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Рассчитанные показатели позволяют сделать вывод о том, что связь между вариацией результативного показателя (у) и факторного (х) весьма высокая.
121
Вместо дисперсии выровненных значений у, то есть δ2 , можно воспользоваться остаточной дисперсией. В соответствии с правилом
сложения дисперсий |
можно записать, |
что |
δ2 = σ2 − σост2 , где |
||||||
2 |
∑( у− |
ух)2 |
|
σ2 |
−σост2 |
= 1− |
σост2 |
. |
|
σост = |
п |
, тогда η = |
|
σ2 |
σ2 |
|
|||
|
|
|
|
|
|
|
|||
В нашем примере расчет остаточной дисперсии (σост2 ) показан в |
|||||||||
гр. 8 и 9 табл. 9.11: σост2 |
=1,074 . Отсюда |
η = 1−1,074 |
= 0,96 . |
||||||
|
|
|
|
|
|
|
13 |
|
Остаточная дисперсия, вернее корень квадратный из нее (σост), используется для расчета средних ошибок параметров уравнения рег-
рессии. Так, |
средняя ошибка параметра |
а |
равна μ |
|
= |
σост |
, а для |
||||
|
|
|
|
σост |
|
0 |
|
а0 |
|
п−2 |
|
а |
– равна μ |
а1 |
= |
. |
|
|
|
|
|
|
|
1 |
|
|
σх п−2 |
|
|
|
|
|
|
|
Сопоставляя значение параметра с его средней ошибкой, по
значению t = аi судят о значимости данного параметра. Если число
μai
наблюдений п > 20, то параметр считается значимым при t > 3. Если п < 20, то обращаются к специальным таблицам значения
t-критерия Стьюдента (прил. 4). И в данном случае параметр считается значимым при tфакт > tтабл.
|
|
В |
|
рассмотренном |
примере для |
уравнения |
регрессии |
||||||||
ух |
=1,16 +0,547х ошибки параметров |
|
|
||||||||||||
|
|
μа0 |
= |
|
σост |
= |
|
1.074 |
= |
1,036 = 0,366, |
т. е. а0 =1,16 ±0,366, |
||||
|
|
|
|
|
|
|
п−2 |
|
|
10 −2 |
|
2,828 |
|
|
|
|
|
μ |
а |
= |
|
σост |
= |
|
1,036 |
= 0,058, т. е. а |
= 0,547 ±0,058. |
|
|||
|
|
|
|
|
|
σх п−2 |
|
6,31 8 |
|
1 |
|
|
|||
|
|
|
|
1 |
|
|
|
|
|
|
|
||||
|
|
Чтобы сделать |
вывод |
о значимости параметров, |
находим |
||||||||||
tа0 |
= |
|
1,16 |
|
= 3,2 и tа1 |
= |
0,547 |
= 9,43. |
|
|
|||||
0,366 |
|
|
|
||||||||||||
|
|
|
|
|
0,058 |
|
|
|
Так как п < 20, обращаемся к таблице значений t-критерия. Для
α = 0,05 и k = 10 – 2 = 8 находим tтабл = 2,306. Поскольку t > 2,306 и
для а0 , и для а1, то считаем параметры значимыми.
122
Задача 9.2. По данным 10 предприятий (гр. 1, 2 табл. 9.12) с помощью коэффициентов корреляции рангов Спирмэна (ρ) и Кендэлла
(τ) измерить тесноту зависимости между объемом выпуска продукции (у), и стоимостью основных производственных фондов (х).
Таблица 9.12
х |
у |
Nx |
N y |
d = N x − N y |
d 2 |
Подсчет баллов |
||
+ |
– |
|||||||
|
|
|
|
|
|
|||
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
|
1,5 |
3,9 |
1 |
3 |
–1 |
4 |
7 |
2 |
|
1,8 |
4,4 |
2 |
5 |
–3 |
9 |
5 |
3 |
|
2,0 |
3,8 |
3 |
2 |
1 |
1 |
6 |
1 |
|
2,2 |
3,5 |
4 |
1 |
3 |
9 |
6 |
0 |
|
2,3 |
4,8 |
5 |
6 |
–1 |
1 |
3 |
1 |
|
2,6 |
4,3 |
6 |
4 |
2 |
4 |
4 |
0 |
|
3,0 |
7,0 |
7 |
9 |
–2 |
4 |
1 |
2 |
|
3,1 |
6,5 |
8 |
8 |
0 |
0 |
1 |
1 |
|
3,5 |
6,1 |
9 |
7 |
2 |
4 |
1 |
0 |
|
3,8 |
8,2 |
10 |
10 |
0 |
0 |
– |
– |
|
|
|
|
|
|
∑d 2 = 36 |
P = 35 |
Q = –10 |
Решение:
1. Для расчета коэффициента корреляции рангов Спирмэна (ρ)
вначале ранжируем значения признаков в каждом ряду, т.е. каждому значению х и у в порядке их возрастания присваиваем порядковый номер (ранг) Nx и N y (гр. 3, 4 табл. 9.12), затем находим разности
рангов (d), возводим их в квадрат (гр. 6) и суммируем. Полученную сумму ∑d 2 подставляем в формулу
ρ =1 − |
6 ∑d 2 |
=1 − |
|
6 36 |
= 0,78 . |
|
n(n2 −1) |
10 99 |
|||||
|
|
|
Судя по значению полученного коэффициента, связь между х и у довольно большая.
2. Для расчета коэффициента корреляции рангов Кендэлла τ = n(n2S−1) определяем S в соответствии с описанным выше поряд-
ком как сумму положительных (Р) и отрицательных (Q) баллов. Вспомогательные расчеты этих баллов показаны и гр. 7, 8 табл.
9.12. Так как значения рангов x идут строго и возрастающем порядке, то следим лишь за поведением рангов у. Например, после первой пары значений рангов, где N y = 3, в семи случаях идут значения N y > 3,
123
а в двух случаях – значения N y < 3 ( N y = 2; 1). После второй пары, где N y = 5, наблюдается пять случаев рангов выше рассматриваемого, а три ( N y = 2; 1; 4) – ниже и т. д.
По результатам подсчетов находим общую сумму баллов S = = Р + Q = 35 – 10 = 25.
Подставляя ее в формулу коэффициента корреляции рангов Кендэлла (τ), определяем
τ = n(n2S−1) = 102 259 = 5090 = 0,44.
Коэффициент Кендалла всегда меньше по значению, чем коэффициент Спирмэна τ = 23 ρ.
Интерпретация значений ранговых коэффициентов корреляции аналогична любым другим, т.е. чем ближе значение ρ или τ к 1, тем
теснее зависимость, а близость к нулю означает отсутствие связи или весьма малую зависимость.
124
ПРИЛОЖЕНИЯ
Приложение 1
|
|
|
|
|
|
|
|
|
1 |
|
t2 |
|
|
|
|
Таблица значений функции ϕ(t) = |
|
e− 2 |
|
|
|||||||
|
|
|
|
|
|
|
|
|
2π |
|
|
|
|
t |
0 |
|
1 |
2 |
3 |
4 |
5 |
|
6 |
|
7 |
8 |
9 |
|
|
|
|
|
|
|
|
|
|
|
|
||
0,0 |
3989 |
|
3989 |
3989 |
3988 |
3986 |
3984 |
3982 |
3980 |
3977 |
3973 |
||
|
|
|
|
|
|
|
|
|
|
|
|
||
0,1 |
3970 |
|
3965 |
3961 |
3956 |
3951 |
3945 |
3939 |
3932 |
3925 |
3918 |
||
0,2 |
3910 |
|
3902 |
3894 |
3885 |
3876 |
3867 |
3857 |
3847 |
3836 |
3825 |
||
0,3 |
3814 |
|
3802 |
3790 |
3778 |
3765 |
3752 |
3739 |
3725 |
3712 |
3697 |
||
0,4 |
3683 |
|
3668 |
3653 |
3637 |
3621 |
3605 |
3589 |
3572 |
3555 |
3538 |
||
0,5 |
3521 |
|
3503 |
3485 |
3467 |
3448 |
3429 |
3410 |
3391 |
3372 |
3352 |
||
0,6 |
3332 |
|
3312 |
3292 |
3271 |
3251 |
3230 |
3209 |
3187 |
3166 |
3144 |
||
0,7 |
3123 |
|
3101 |
3079 |
3056 |
3034 |
3012 |
2989 |
2966 |
2943 |
2920 |
||
0,8 |
2897 |
|
2874 |
2850 |
2827 |
2803 |
2780 |
2756 |
2732 |
2709 |
2685 |
||
0,9 |
2661 |
|
2637 |
2613 |
2589 |
2565 |
2541 |
2516 |
2492 |
2468 |
2444 |
||
1,0 |
2420 |
|
2396 |
2371 |
2347 |
2323 |
2299 |
2275 |
2251 |
2227 |
2203 |
||
1,1 |
2179 |
|
2155 |
2131 |
2107 |
2083 |
2059 |
2036 |
2012 |
1989 |
1965 |
||
1,2 |
1942 |
|
1919 |
1895 |
1872 |
1849 |
1826 |
1804 |
1781 |
1758 |
1736 |
||
1,3 |
1714 |
|
1691 |
1669 |
1647 |
1626 |
1604 |
1582 |
1561 |
1539 |
1518 |
||
1,4 |
1497 |
|
1476 |
1456 |
1435 |
1415 |
1394 |
1374 |
1354 |
1334 |
1315 |
||
1,5 |
1295 |
|
1276 |
1257 |
1238 |
1219 |
1200 |
1182 |
1163 |
1145 |
1127 |
||
1,6 |
1109 |
|
1092 |
1074 |
1057 |
1040 |
1023 |
1006 |
0989 |
0973 |
0957 |
||
1,7 |
0940 |
|
0925 |
0909 |
0893 |
0878 |
0863 |
0848 |
0833 |
0818 |
0804 |
||
1,8 |
0790 |
|
0775 |
0761 |
0748 |
0734 |
0721 |
0707 |
0694 |
0681 |
0669 |
||
1,9 |
0656 |
|
0644 |
0632 |
0620 |
0608 |
0596 |
0584 |
0573 |
0562 |
0551 |
||
2,0 |
0540 |
|
0529 |
0519 |
0508 |
0498 |
0488 |
0478 |
0468 |
0459 |
0449 |
||
2,1 |
0440 |
|
0431 |
0422 |
0413 |
0404 |
0396 |
0387 |
0379 |
0371 |
0363 |
||
2,2 |
0355 |
|
0347 |
0339 |
0332 |
0325 |
0317 |
0310 |
0303 |
0297 |
0290 |
||
2,3 |
0283 |
|
0277 |
0270 |
0264 |
0258 |
0252 |
0246 |
0241 |
0235 |
0229 |
||
2,4 |
0224 |
|
0219 |
0213 |
0203 |
0203 |
0198 |
0194 |
0189 |
0184 |
0180 |
||
2,5 |
0175 |
|
0171 |
0167 |
0163 |
0158 |
0154 |
0151 |
0147 |
0143 |
0139 |
||
2,6 |
0136 |
|
0132 |
0129 |
0126 |
0122 |
0119 |
0116 |
0113 |
0109 |
0107 |
||
2,7 |
0104 |
|
0101 |
0099 |
0096 |
0093 |
0091 |
0088 |
0086 |
0084 |
0081 |
||
2,8 |
0079 |
|
0077 |
0075 |
0073 |
0071 |
0069 |
0067 |
0065 |
0063 |
0061 |
||
2,9 |
0060 |
|
0058 |
0056 |
0055 |
0053 |
0051 |
0050 |
0048 |
0047 |
0046 |
||
3,0 |
0044 |
|
0043 |
0042 |
0040 |
0039 |
0038 |
0037 |
0036 |
0035 |
0034 |
||
4,0 |
0001 |
|
0001 |
0001 |
0001 |
0000 |
0000 |
0000 |
0000 |
0000 |
0000 |
Значения ординат увеличены в 10 000 раз
125
Приложение 2
Значение верхнего q предела χ2q
взависимости от вероятности P(χ2 > χ2q)
ичисла степеней свободы χ2-распределения
|
Число |
|
|
|
Вероятность |
|
|
|
|
|
степеней |
|
|
|
|
|
|
||
|
|
|
|
P(χ2> χ2q) |
|
|
|
||
|
свободы |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0,80 |
|
|
|
|
|
0,99 |
0,98 |
0,95 |
0,90 |
0,70 |
0,50 |
0,30 |
|
|
|
|
|
|
|
6,6 |
|
|
|
|
1 |
1,64 |
2,7 |
3,8 |
5,4 |
7,9 |
9,5 |
10,8 |
|
|
|
|
|
|
|
9,2 |
|
|
|
|
2 |
3,22 |
4,6 |
6,0 |
7,8 |
10,6 |
12,3 |
13,8 |
|
|
3 |
4,64 |
6,3 |
7,8 |
9,8 |
11,3 |
12,8 |
14,8 |
16,3 |
|
4 |
6,0 |
7,8 |
9,5 |
10,7 |
13,3 |
13,9 |
16,9 |
18,5 |
|
5 |
7,3 |
9,2 |
11,1 |
13,4 |
15,1 |
16,3 |
18,9 |
20,5 |
|
6 |
8,6 |
10,6 |
12,6 |
15,0 |
16,8 |
18,6 |
20,7 |
22,5 |
|
7 |
9,8 |
12,0 |
14,1 |
16,6 |
18,5 |
20,3 |
22,6 |
24,3 |
|
8 |
11,0 |
13,4 |
15,5 |
18,2 |
20,1 |
21,9 |
24,3 |
26,1 |
|
9 |
12,2 |
14,7 |
16,9 |
19,7 |
21,7 |
23,6 |
26,1 |
27,9 |
|
10 |
13,4 |
16,0 |
18,3 |
21,2 |
23,2 |
25,2 |
27,7 |
29,6 |
|
11 |
14,6 |
17,3 |
19,7 |
22,6 |
24,7 |
26,8 |
29,4 |
31,3 |
|
12 |
15,8 |
18,5 |
21,0 |
24,1 |
26,2 |
28,3 |
31,0 |
32,9 |
|
13 |
17,0 |
19,8 |
22,4 |
25,5 |
27,7 |
29,8 |
32,5 |
34,5 |
|
14 |
18,2 |
21,1 |
23,7 |
26,9 |
29,1 |
31,0 |
34,0 |
36,1 |
|
15 |
19,3 |
22,3 |
25,0 |
28,3 |
30,6 |
32,5 |
35,5 |
37,7 |
|
16 |
20,5 |
23,5 |
26,3 |
29,6 |
32,0 |
34,0 |
37,0 |
39,2 |
|
17 |
21,6 |
24,8 |
27,6 |
31,0 |
33,4 |
35,5 |
38,5 |
40,8 |
|
18 |
22,8 |
26,0 |
28,9 |
32,3 |
34,8 |
37,0 |
40,0 |
42,3 |
|
19 |
23,9 |
27,2 |
30,1 |
33,7 |
36,2 |
38,9 |
41,5 |
43,8 |
|
20 |
25,0 |
28,4 |
31,4 |
35,0 |
37,6 |
40,0 |
43,0 |
45,3 |
|
21 |
26,2 |
29,6 |
32,7 |
36,3 |
38,9 |
41,5 |
44,5 |
46,8 |
|
22 |
27,3 |
30,8 |
33,9 |
37,7 |
40,3 |
42,5 |
46,0 |
48,3 |
|
23 |
28,4 |
32,0 |
35,2 |
39,0 |
41,6 |
44,0 |
47,5 |
49,7 |
|
24 |
29,6 |
33,2 |
36,4 |
40,3 |
43,0 |
45,5 |
48,5 |
51,2 |
|
25 |
30,7 |
34,4 |
37,7 |
41,6 |
44,3 |
47,0 |
50,0 |
52,6 |
|
26 |
31,8 |
35,6 |
38,9 |
42,9 |
45,6 |
48,0 |
51,5 |
54,1 |
|
27 |
32,9 |
36,7 |
40,1 |
44,1 |
47,0 |
49,5 |
53,0 |
55,5 |
|
28 |
34,0 |
37,9 |
41,3 |
45,4 |
48,3 |
51,0 |
54,5 |
56,9 |
|
29 |
35,1 |
39,1 |
42,6 |
46,7 |
49,9 |
52,5 |
56,0 |
58,3 |
|
30 |
36,3 |
40,3 |
43,8 |
48,0 |
50,9 |
54,0 |
57,5 |
59,7 |
|
|
|
|
|
|
|
|
|
|
126
Приложение 3
Удвоенная нормированная функция Лапласа Ф(t) = |
2 |
t |
t 2 |
||||||||||
∫e− 2 |
|||||||||||||
|
|
|
|
|
|
|
|
|
|
2π 0 |
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
t |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
|
8 |
|
|
9 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0,0 |
0000 |
0080 |
0160 |
0239 |
0319 |
0399 |
0478 |
0558 |
|
0638 |
|
|
0717 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0,1 |
0797 |
0876 |
0955 |
1034 |
1113 |
1192 |
1271 |
1350 |
|
1428 |
|
|
1507 |
0,2 |
1585 |
1663 |
1741 |
1819 |
1897 |
1974 |
2051 |
2128 |
|
2205 |
|
|
2282 |
0,3 |
2358 |
2434 |
2510 |
2586 |
2661 |
2737 |
2812 |
2886 |
|
2961 |
|
|
3035 |
0,4 |
3108 |
3182 |
3255 |
3328 |
3401 |
3473 |
3545 |
3616 |
|
3683 |
|
|
3759 |
0,5 |
3829 |
3899 |
3969 |
4039 |
4108 |
4177 |
4245 |
4313 |
|
4381 |
|
|
4448 |
0,6 |
4515 |
4581 |
4647 |
4713 |
4778 |
4843 |
4907 |
4971 |
|
5035 |
|
|
5098 |
0,7 |
5161 |
5223 |
5385 |
5346 |
5407 |
5467 |
5527 |
5587 |
|
5646 |
|
|
5705 |
0,8 |
5763 |
5821 |
5878 |
5935 |
5991 |
6047 |
6102 |
6157 |
|
6211 |
|
|
6265 |
0,9 |
6319 |
6372 |
6424 |
6176 |
6528 |
6579 |
6629 |
6680 |
|
6729 |
|
|
6778 |
1,0 |
6827 |
6875 |
6923 |
6970 |
7017 |
7063 |
7109 |
7154 |
|
7199 |
|
|
7243 |
1,1 |
7287 |
7339 |
7373 |
7415 |
7457 |
7499 |
7540 |
7580 |
|
7620 |
|
|
7660 |
1,2 |
7699 |
7737 |
7775 |
7813 |
7850 |
7887 |
7923 |
7959 |
|
7995 |
|
|
8029 |
1,3 |
8064 |
8098 |
8132 |
8165 |
8198 |
8230 |
8262 |
8293 |
|
8324 |
|
|
8355 |
1,4 |
8385 |
8415 |
8444 |
8473 |
8501 |
8529 |
8557 |
8584 |
|
8611 |
|
|
8638 |
1,5 |
8664 |
8690 |
8715 |
8740 |
8764 |
8789 |
8812 |
8836 |
|
8859 |
|
|
8882 |
1,6 |
8904 |
8926 |
8948 |
8969 |
8990 |
9011 |
9031 |
9051 |
|
9070 |
|
|
9090 |
1,7 |
9109 |
9127 |
9146 |
9164 |
9181 |
9199 |
9216 |
9233 |
|
9249 |
|
|
9265 |
1,8 |
9281 |
9297 |
9312 |
9327 |
9342 |
9357 |
9371 |
9385 |
|
9399 |
|
|
9412 |
1,9 |
9426 |
9439 |
9451 |
9464 |
9476 |
9488 |
9500 |
9512 |
|
9523 |
|
|
9534 |
2,0 |
9545 |
9556 |
9566 |
9576 |
9586 |
9596 |
9606 |
9616 |
|
9625 |
|
|
9634 |
2,1 |
9643 |
9651 |
9660 |
9668 |
9674 |
9684 |
9692 |
9700 |
|
9707 |
|
|
9715 |
2,2 |
9722 |
9729 |
9736 |
9743 |
9749 |
9756 |
9762 |
9768 |
|
9774 |
|
|
9780 |
2,3 |
9786 |
9701 |
9797 |
9802 |
9807 |
9812 |
9817 |
9822 |
|
9827 |
|
|
9832 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2,4 |
9836 |
9840 |
9845 |
9849 |
9853 |
9857 |
9861 |
9865 |
|
9869 |
|
|
9872 |
2,5 |
9876 |
9879 |
9883 |
9886 |
9889 |
9892 |
9895 |
9898 |
|
9901 |
|
|
9904 |
2,6 |
9907 |
9909 |
9912 |
9915 |
9917 |
9920 |
9922 |
9924 |
|
9926 |
|
|
9929 |
2,7 |
9931 |
9933 |
9935 |
9937 |
9939 |
9940 |
9942 |
9944 |
|
9946 |
|
|
9947 |
2,8 |
9949 |
9950 |
9952 |
9953 |
9955 |
9956 |
9958 |
9959 |
|
9960 |
|
|
9961 |
2,9 |
9963 |
9964 |
9965 |
9966 |
9967 |
9968 |
9969 |
9970 |
|
9971 |
|
|
9972 |
3,0 |
9973 |
9981 |
9986 |
9990 |
9993 |
9995 |
9997 |
9998 |
|
9999 |
|
|
9999 |
Значения ординат увеличены в 10 000 раз.
127
Приложение 4
Значения функции S(t) для распределения Стьюдента в зависимости от t и числа k степеней свободы
t |
k |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0,500 |
|
|
|
|
0,0 |
|
0,500 |
0,500 |
0,500 |
0,500 |
0,500 |
0,500 |
0,500 |
0,500 |
0,500 |
|
0,1 |
|
532 |
535 |
537 |
537 |
538 |
538 |
538 |
539 |
539 |
539 |
0,2 |
|
563 |
570 |
573 |
574 |
575 |
576 |
576 |
577 |
577 |
577 |
0,3 |
|
593 |
604 |
608 |
610 |
612 |
613 |
614 |
614 |
614 |
615 |
0,4 |
|
621 |
636 |
642 |
645 |
647 |
648 |
650 |
650 |
651 |
651 |
0,5 |
|
648 |
667 |
674 |
678 |
681 |
683 |
684 |
685 |
686 |
686 |
0,6 |
|
672 |
695 |
705 |
710 |
713 |
715 |
716 |
717 |
718 |
719 |
0,7 |
|
694 |
722 |
733 |
739 |
742 |
745 |
747 |
748 |
749 |
750 |
0,8 |
|
715 |
746 |
759 |
766 |
770 |
773 |
775 |
777 |
778 |
779 |
0,9 |
|
733 |
768 |
783 |
790 |
795 |
799 |
801 |
803 |
804 |
805 |
1,0 |
|
0,750 |
789 |
804 |
813 |
818 |
822 |
825 |
827 |
828 |
830 |
1,1 |
|
765 |
807 |
824 |
834 |
839 |
843 |
846 |
848 |
850 |
851 |
1,2 |
|
779 |
824 |
842 |
852 |
858 |
862 |
865 |
868 |
870 |
871 |
1,3 |
|
791 |
838 |
858 |
868 |
875 |
879 |
883 |
885 |
887 |
889 |
1,4 |
|
803 |
852 |
872 |
883 |
890 |
894 |
898 |
900 |
902 |
904 |
1,5 |
|
813 |
864 |
885 |
896 |
903 |
908 |
911 |
914 |
916 |
918 |
1,6 |
|
822 |
875 |
896 |
908 |
915 |
920 |
923 |
926 |
928 |
930 |
1,7 |
|
831 |
884 |
906 |
918 |
925 |
930 |
934 |
936 |
938 |
940 |
1,8 |
|
839 |
893 |
915 |
927 |
934 |
939 |
943 |
945 |
947 |
949 |
1,9 |
|
846 |
901 |
923 |
935 |
942 |
947 |
950 |
953 |
955 |
957 |
2,0 |
|
0,852 |
908 |
930 |
942 |
949 |
954 |
957 |
960 |
962 |
963 |
2,2 |
|
864 |
921 |
942 |
954 |
960 |
965 |
968 |
970 |
972 |
974 |
2,4 |
|
874 |
931 |
952 |
963 |
969 |
973 |
976 |
978 |
980 |
981 |
2,6 |
|
883 |
938 |
960 |
970 |
976 |
980 |
982 |
984 |
986 |
987 |
2,8 |
|
891 |
946 |
966 |
976 |
981 |
984 |
987 |
988 |
990 |
991 |
3.0 |
|
898 |
952 |
971 |
980 |
985 |
988 |
990 |
992 |
992 |
993 |
3,2 |
|
904 |
957 |
975 |
984 |
988 |
991 |
992 |
994 |
995 |
995 |
3,4 |
|
909 |
962 |
979 |
986 |
990 |
993 |
994 |
995 |
996 |
997 |
3,6 |
|
914 |
965 |
982 |
989 |
992 |
994 |
996 |
996 |
997 |
998 |
3,8 |
|
918 |
969 |
984 |
990 |
994 |
996 |
997 |
997 |
998 |
998 |
4,0 |
|
922 |
971 |
986 |
992 |
995 |
996 |
997 |
998 |
998 |
999 |
4,2 |
|
926 |
974 |
988 |
993 |
996 |
997 |
998 |
998 |
999 |
999 |
4,4 |
|
929 |
976 |
989 |
994 |
996 |
998 |
998 |
999 |
999 |
999 |
4,6 |
|
932 |
978 |
990 |
995 |
997 |
998 |
999 |
999 |
999 |
1,000 |
|
|
|
|
|
|
|
998 |
|
|
|
|
4,8 |
|
935 |
980 |
991 |
996 |
998 |
999 |
999 |
1,000 |
1,000 |
|
5,0 |
|
937 |
981 |
992 |
996 |
998 |
999 |
999 |
1,000 |
1,000 |
1,000 |
5,2 |
|
940 |
982 |
993 |
997 |
998 |
999 |
999 |
1,000 |
1,000 |
1,000 |
|
|
|
|
|
|
|
|
|
|
|
|
128
Приложение 5
Таблица значения F'
для доверительной вероятности Р = (1 – 0,05) = 0,95
К1 |
1 |
2 |
3 |
4 |
5 |
6 |
8 |
12 |
24 |
|
К2 |
||||||||||
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
1 |
161,45 |
199,50 |
215,72 |
224,57 |
230,17 |
233,97 |
238,89 |
243,91 |
249,04 |
|
|
|
|
|
|
|
|
|
|
|
|
2 |
18,54 |
19,00 |
19,16 |
19,25 |
19,30 |
19,33 |
19,37 |
19,41 |
19,45 |
|
3 |
10,18 |
9,55 |
9,28 |
9,12 |
9,01 |
8,94 |
8,84 |
8,74 |
8,64 |
|
4 |
7,71 |
6,94 |
6,59 |
6,39 |
6,26 |
6,16 |
6,04 |
5,91 |
5,77 |
|
5 |
6,61 |
5,79 |
5,41 |
5,19 |
5,05 |
4,95 |
4,82 |
4,68 |
4,53 |
|
6 |
5,99 |
5,14 |
4,76 |
4,53 |
4,39 |
4,28 |
4,15 |
4,00 |
3,84 |
|
7 |
6,59 |
4,74 |
4,35 |
4,12 |
3,97 |
3,87 |
3,73 |
3,57 |
3,41 |
|
8 |
5,32 |
4,46 |
4,07 |
3,84 |
3,69 |
3,58 |
3,44 |
3,28 |
3,12 |
|
9 |
5,12 |
4,26 |
3,86 |
3,63 |
3,48 |
3,37 |
3,23 |
3,07 |
2,90 |
|
10 |
4,96 |
4,10 |
3,71 |
3,48 |
3,33 |
3,22 |
3,07 |
2,91 |
2,74 |
|
11 |
4,84 |
3,98 |
3,59 |
3,36 |
3,20 |
3,09 |
2,95 |
2,79 |
2,61 |
|
12 |
4,75 |
3,88 |
3,49 |
3,26 |
3,11 |
3,00 |
2,85 |
2,69 |
2,50 |
|
13 |
4,67 |
3,80 |
3,41 |
3,18 |
3,02 |
2,92 |
2,77 |
2,60 |
2,42 |
|
14 |
4,60 |
3,74 |
3,34 |
3,13 |
2,96 |
2,85 |
2,70 |
2,53 |
2,35 |
|
15 |
4,54 |
3,68 |
3,29 |
3,06 |
2,90 |
2,79 |
2,64 |
2,48 |
2,29 |
|
16 |
4,49 |
3,63 |
3,24 |
3,01 |
2,85 |
2,74 |
2,59 |
2,42 |
2,24 |
|
17 |
4,45 |
3,59 |
3,20 |
2,96 |
2,81 |
2,70 |
2,55 |
2,38 |
2,19 |
|
18 |
4,41 |
3,55 |
3,16 |
2,93 |
2,77 |
2,66 |
2,51 |
2,34 |
2,15 |
|
19 |
4,38 |
3,52 |
3,13 |
2,90 |
2,74 |
2,63 |
2,48 |
2,31 |
2,11 |
|
20 |
4,35 |
3,49 |
3,10 |
2,87 |
2,71 |
2,60 |
2,45 |
2,28 |
2,08 |
|
21 |
4,32 |
3,47 |
3,07 |
2,84 |
2,68 |
2,57 |
2,42 |
2,25 |
2,05 |
|
22 |
4,30 |
3,44 |
3,05 |
2,82 |
2,66 |
2,55 |
2,40 |
2,23 |
2,03 |
|
23 |
4,28 |
3,42 |
3,03 |
2,80 |
2,64 |
2,53 |
2,38 |
2,20 |
2,00 |
|
24 |
4,26 |
3,40 |
3,01 |
2,78 |
2,62 |
2,51 |
2,36 |
2,18 |
1,98 |
|
25 |
4,24 |
3,38 |
2,99 |
2,76 |
2,60 |
2,49 |
2,34 |
2,16 |
1,96 |
|
26 |
4,22 |
3,37 |
2,98 |
2,74 |
2,59 |
2,47 |
2,32 |
2,15 |
1,95 |
|
27 |
4,21 |
3,35 |
2,96 |
2,73 |
2,57 |
2,46 |
2,30 |
2,13 |
1,93 |
|
28 |
4,20 |
3,34 |
2,95 |
2,71 |
2,56 |
2,44 |
2,29 |
2,12 |
1,91 |
|
29 |
4,18 |
3,33 |
2,93 |
2,70 |
2,54 |
2,43 |
2,28 |
2,10 |
1,90 |
|
30 |
4,17 |
3,32 |
2,92 |
2,69 |
2,53 |
2,42 |
2,27 |
2,09 |
1,89 |
|
35 |
4,12 |
3,26 |
2,87 |
2,64 |
2,48 |
2,37 |
2,22 |
2,04 |
1,83 |
|
40 |
4,08 |
3,23 |
2,84 |
2,61 |
2,45 |
2,34 |
2,18 |
2,00 |
1,79 |
|
45 |
4,06 |
3,21 |
2,81 |
2,58 |
2,42 |
2,31 |
2,15 |
1,97 |
1,76 |
|
50 |
4,03 |
3,18 |
2,79 |
2,56 |
2,40 |
2,29 |
2,13 |
1,95 |
1,74 |
|
|
|
|
|
|
|
|
|
|
|
129
Приложение 6
Значения α-процентных пределов tα,k
взависимости от k степеней свободы
изаданного уровня значимости α для распределения Стьюдента
|
|
α |
10,0 |
5,0 |
2,5 |
2,0 |
1,0 |
0,5 |
0,3 |
0,2 |
0,1 |
|
|
k |
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
127,3 |
|
|
|
|
|
1 |
|
6,314 |
12,706 |
25,452 |
31,821 |
63,657 |
212,2 |
318,3 |
636,6 |
|
|
|
2 |
|
2,920 |
4,303 |
6,205 |
6,965 |
9,925 |
14,089 |
18,216 |
22,327 |
31,600 |
|
|
3 |
|
2,353 |
3,182 |
4,177 |
4,541 |
5,841 |
7,453 |
8,891 |
10,214 |
12,922 |
|
|
4 |
|
2,132 |
2,776 |
3,495 |
3,747 |
4,604 |
5,597 |
6,435 |
7,173 |
8,610 |
|
|
5 |
|
2,015 |
2,571 |
3,163 |
3,365 |
4,032 |
4,773 |
5,376 |
5,893 |
6,869 |
|
|
6 |
|
1,943 |
2,447 |
2,969 |
3,143 |
3,707 |
4,317 |
4,800 |
5,208 |
5,959 |
|
|
7 |
|
1,895 |
2,365 |
2,841 |
2,998 |
3,499 |
4,029 |
4,442 |
4,785 |
5,408 |
|
|
8 |
|
1,860 |
2,306 |
2,752 |
2,696 |
3,355 |
3,833 |
4,199 |
4,501 |
5,041 |
|
|
9 |
|
1,833 |
2,262 |
2,685 |
2,821 |
3,250 |
3,690 |
4,024 |
4,297 |
4,781 |
|
|
10 |
|
1,812 |
2,228 |
2,634 |
2,764 |
3,169 |
3,581 |
3,892 |
4,144 |
4,587 |
|
|
12 |
|
1,782 |
2,179 |
2,560 |
2,681 |
3,055 |
3,428 |
3,706 |
5,930 |
4,318 |
|
|
|
|
|
|
|
|
|
3,326 |
|
|
|
|
|
14 |
|
1,761 |
2,145 |
2,510 |
2,624 |
2,977 |
5,583 |
3,787 |
4,140 |
|
|
|
16 |
|
1,746 |
2,120 |
2,473 |
2,583 |
2,921 |
5,252 |
3,494 |
3,686 |
4,015 |
|
|
18 |
|
1,734 |
2,101 |
2,445 |
2,552 |
2,878 |
3,193 |
5,428 |
3,610 |
3,922 |
|
|
20 |
|
1,725 |
2,086 |
2,423 |
2,528 |
2,845 |
3,153 |
3,376 |
3,552 |
3,849 |
|
|
22 |
|
1,717 |
2,074 |
2,405 |
2,508 |
2,819 |
3,119 |
3,335 |
3,505 |
3,792 |
|
|
24 |
|
1,711 |
2,064 |
2,391 |
2,492 |
2,797 |
3,092 |
3,302 |
3,467 |
3,745 |
|
|
26 |
|
1,706 |
2,056 |
2,379 |
2,479 |
2,779 |
3,067 |
3,274 |
3,435 |
3,704 |
|
|
28 |
|
1,701 |
2,048 |
2,369 |
2,467 |
2,763 |
3,047 |
3,250 |
3,408 |
3,674 |
|
|
30 |
|
1,697 |
2,042 |
2,360 |
2,457 |
2,750 |
3,030 |
3,230 |
3,386 |
3,646 |
|
|
32 |
|
1,645 |
1,960 |
2,241 |
2,326 |
2,576 |
2,807 |
2,968 |
3,090 |
3,291 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
130
Приложение 7
Значение коэффициента корреляции рангов Спирмэна для двухсторонних пределов уровня значимости α
n |
α |
0,20 |
0,10 |
0,05 |
0,02 |
0,01 |
0,002 |
|
|||||||
|
|
|
|
|
0,8000 |
|
|
4 |
|
0,8000 |
0,8000 |
0,8000 |
0,8000 |
0,8000 |
|
|
|
|
|
|
|
0,9000 |
|
5 |
|
0,7000 |
0,8000 |
0,9000 |
0,9000 |
0,9000 |
|
6 |
|
0,6000 |
0,7714 |
0,8286 |
0,8857 |
0,9429 |
0,9512 |
7 |
|
0,5357 |
0,6786 |
0,7450 |
0,8571 |
0,8929 |
0,9643 |
8 |
|
0,5000 |
0,6190 |
0,7143 |
0,8095 |
0,8571 |
0,9286 |
9 |
|
0,4667 |
0,5833 |
0,6833 |
0,7667 |
0,8167 |
0,9000 |
10 |
|
0,4424 |
0,5515 |
0,6364 |
0,7333 |
0,7818 |
0,8667 |
11 |
|
0,4182 |
0,5273 |
0,6091 |
0,7000 |
0,7455 |
0,8364 |
12 |
|
0,3986 |
0,4965 |
0,5804 |
0,6713 |
0,7273 |
0,8182 |
13 |
|
0,3791 |
0,4780 |
0,5549 |
0,6429 |
0,6978 |
0,7912 |
14 |
|
0,3626 |
0,4593 |
0,5341 |
0,6220 |
0,6747 |
0,7670 |
15 |
|
0,3500 |
0,4429 |
0,5179 |
0,6000 |
0,6536 |
0,7464 |
16 |
|
0,3382 |
0,4265 |
0,5000 |
0,5824 |
0,6324 |
0,7265 |
17 |
|
0,3260 |
0,4118 |
0,4853 |
0,5637 |
0,6152 |
0,7083 |
18 |
|
0,3148 |
0,3994 |
0,4716 |
0,5480 |
0,5975 |
0,6904 |
19 |
|
0,3070 |
0,3895 |
0,4579 |
0,5333 |
0,5825 |
0,6737 |
20 |
|
0,2977 |
0,3789 |
0,4451 |
0,5203 |
0,5684 |
0,6586 |
21 |
|
0,2909 |
0,3688 |
0,4351 |
0,5078 |
0,5545 |
0,6455 |
22 |
|
0,2829 |
0,3597 |
0,4241 |
0,4963 |
0,5426 |
0,6312 |
23 |
|
0,2767 |
0,3518 |
0,4150 |
0,4852 |
0,5306 |
0,6159 |
24 |
|
0,2704 |
0,3435 |
0,4061 |
0,4748 |
0,5200 |
0,6078 |
25 |
|
0,2646 |
0,3362 |
0,3977 |
0,4654 |
0,5100 |
0,5963 |
26 |
|
0,2588 |
0,3299 |
0,3894 |
0,4564 |
0,5002 |
0,5854 |
27 |
|
0,2540 |
0,3236 |
0,3822 |
0,4481 |
0,4915 |
0,5755 |
28 |
|
0,2490 |
0,3175 |
0,3749 |
0,4401 |
0,4828 |
0,5667 |
29 |
|
0,2443 |
0,3113 |
0,3685 |
0,4320 |
0,4744 |
0,5568 |
30 |
|
0,2400 |
0,3059 |
0,3620 |
0,4251 |
0,4665 |
0,5471 |
131
Приложение 8
Значение функции P(λ) для критерия Колмогорова
λ |
P(λ) |
λ |
P(λ) |
λ |
P(λ) |
|
|
|
|
|
|
0,30 |
1,0000 |
0,80 |
0,5441 |
1,60 |
0,0120 |
|
|
|
|
|
|
0,35 |
0,9997 |
0,85 |
0,4653 |
1,70 |
0,0062 |
|
|
|
|
|
|
0,40 |
0,9972 |
0,90 |
0,3927 |
1,80 |
0,0032 |
|
|
|
|
|
|
0,45 |
0,9874 |
0,95 |
0,3275 |
1,90 |
0,0015 |
|
|
|
|
|
|
0,50 |
0,9639 |
1,00 |
0,2700 |
2,00 |
0,0007 |
|
|
|
|
|
|
0,55 |
0,9228 |
1,10 |
0,1777 |
2,10 |
0,0003 |
|
|
|
|
|
|
0,60 |
0,8643 |
1,20 |
0,1122 |
2,20 |
0,0001 |
|
|
|
|
|
|
0,65 |
0,7920 |
1,30 |
0,0681 |
2,30 |
0,0001 |
|
|
|
|
|
|
0,70 |
0,7112 |
1,40 |
0,0397 |
2,40 |
0,0000 |
|
|
|
|
|
|
0,75 |
0,6272 |
1,50 |
0,0222 |
2,50 |
0,0000 |
|
|
|
|
|
|
132