Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
МЕТОДИЧЕСКИЕ УКАЗАНИЯ ПО ТЕМАМ КУРСА.doc
Скачиваний:
1
Добавлен:
01.07.2025
Размер:
391 Кб
Скачать
☆

Тема 2. Средние величины и показатели вариации

Средняя величина — это обобщающая количественная характеристика признака в статистической совокупности в конкретных условиях места и времени. Статистические средние рассчитываются на основе массовых данных (сплошного или выборочного наблюдений). Средняя будет объективна и типична, если она рассчитывается по массовым данным для качественно однородной совокупности.

Существуют две категории средних: степенные средние (средняя арифметическая, средняя геометрическая, средняя гармоническая и др.) и структурные средние (мода, медиана).

Средняя арифметическая простая (невзвешенная) используется в тех случаях, когда расчет осуществляется по несгруппированным данным:

.

Средняя арифметическая взвешенная используется для расчета по сгруппированным данным или вариационным рядам (дискретным или интервальным):

.

Мода – наиболее часто встречающееся значение признака. Модальный интервал – это интервал с наибольшей частотой. Значение моды рассчитывается по формуле:

,

где - нижняя граница модального интервала; imo - модальный интервал; fmo – частота модального интервала; - частоты интервалов, предшествующего и следующего за модальным.

Для расчета медианы сначала определяется медианный интервал ime, в котором сумма накопленных частот превышает половину общего числа наблюдений. Численное значение медианы рассчитывается по формуле:

,

где xme – нижняя граница медианного интервала; - накопленная частота интервала, предшествующего медианному; fme – частота медианного интервала.

Вариация – это различие в значениях какого-либо признака у разных единиц совокупности. К показателям вариации относятся: размах вариации (R), среднее линейное отклонение, дисперсия (2), среднее квадратическое отклонение (), коэффициент вариации (V). Для расчета используются формулы:

(для дискретного ряда);

(для интервального ряда).

Для сравнения степени вариации признака в разных совокупностях используется коэффициент вариации (ν):

Коэффициент вариации может, также, использоваться для характеристики степени однородности исследуемой совокупности.

Тема 3. Выборочные наблюдения

Выборочное наблюдение – вид несплошного наблюдения, при котором отбор единиц совокупности осуществляется в случайном порядке, отобранная часть изучается, а результаты распространяются на всю генеральную совокупность.

Определяется средняя ошибка выборки:

(для средней количественного признака),

(для доли (альтернативного признака)).

Здесь - дисперсия альтернативного признака, . Множитель используется при бесповторном отборе.

Предельную ошибку выборки определяют

для средней: ;

для доли: .

Значение «коэффициента доверия» t определятся в зависимости от вероятности, с которой гарантируется предельная ошибка выборки. Так, для вероятности 0,683 t = 1, для вероятности 0,954 t = 2, для вероятности 0,997 t = 3.

Предельные ошибки выборки позволяют определить доверительные интервалы:

( для средней),

(для доли).

Тема 4. Статистическое изучение связи между явлениями

Среди взаимосвязанных признаков одни рассматриваются как влияющие на изменение других, они называются факторными признаками (или просто факторами). Другие признаки, изменяющиеся под влиянием первых, называются результативными.

Корреляционная связь — частный случай статистической (стохастической) связи, проявляется при большом числе наблюдений. При этой связи среднее значение случайной величины результативного признака (y) закономерно изменяется в зависимости от изменения другой величины (x) - признака-фактора (или других случайных величин).

Корреляционная связь результативного признака у с одним признаком-фактором х, называется парной корреляцией.

По характеру изменений х и у в парной корреляции различают прямую и обратную связь. При прямой связи с увеличением или уменьшением значений факторного признака х происходит увеличение (или уменьшение) значений результативного признака у. При обратной связи значения факторного и результативного признаков изменяются в разных направлениях: например, при росте производительности труда себестоимость единицы продукции снижается.

Статистическая связь может быть приближенно представлена аналитическим выражением. Тогда по аналитическому выражению модели связи называют линейными (прямолинейными) и нелинейными (криволинейными).

В качестве показателей тесноты связи между количественными признаками часто используются линейный коэффициент парной корреляции и корреляционное отношение.

Линейный коэффициент корреляции применяется в случае линейной зависимости между признаками. Он представляет собой среднюю из произведений нормированных отклонений x, y:

Для расчетов удобна формула

.

Линейный коэффициент корреляции принимает значения от –1 до +1. Положительные значения характеризуют прямую зависимость между х и у, отрицательные – обратную. Близость значений r к 0 может означать отсутствие связи или свидетельствовать о нелинейной зависимости.

Тесноту связи между группировочным и результативным признаками можно оценить с помощью эмпирического корреляционного отношения:

,

где δ2 и σ2 - соответственно межгрупповая и общая дисперсия результативного признака (квадрат корреляционного отношения η2 называется коэффициентом детерминации).

Дисперсии рассчитываются по формулам:

, , где

- средние значения результативного признака по группам (j = 1…m, m – число групп по факторному признаку х; i = 1…n; fi = fу - частота в i-ой группе у; fj = fх – частота в j-ой группе х).

Более простой по расчету коэффициент корреляции рангов Спирмэна (). Это непараметрический показатель.

Ранг – порядковый номер значения x и y в ранжированном ряду. Если встречаются одинаковые значения, то им присваивается ранг, равный среднему значению.

Коэффициент рассчитывается по формуле:

 = 1 - ,

где d - разность рангов x и y.

Коэффициент корреляции рангов Спирмэна может принимать значения от –1 до +1.

Исследование связей в условиях массового наблюдения и действия случайных факторов осуществляется с помощью экономико-статистических моделей. Модель представляет собой математическое описание существенных свойств моделируемого объекта или процесса. Широко используются регрессионные модели.

Уравнение регрессии между двумя признаками определяет среднее значение результативного признака y при некотором значении факторного признака x (если не учитывать все другие факторы, влияющие на у). Теоретическая линия регрессии имеет вид:

.

Для аналитической связи между х и у могут использоваться и другие виды уравнений: параболы, гиперболы, показательной и логарифмической функции. Зависимость, выраженную уравнением прямой, называют линейной, все остальные зависимости называют криволинейными.

Выбрав тип функции, по эмпирическим данным определяют параметры уравнения. Для расчета коэффициентов уравнения наиболее часто используется метод наименьших квадратов (МНК):

.

При расчете параметров уравнения по индивидуальным данным

a1 = , a0 = , или a1 = , a0 = .

Параметр a1 (коэффициент при х) в уравнении линейной регрессии называется коэффициентом регрессии. Коэффициент регрессии показывает, на сколько изменяется значение результативного признака у при изменении факторного признака х на единицу.