Относительные веса факторов!!!

3 Применение методов непараметрической корреляции для решения задач учета обращений граждан в гусзн

Явления общественной жизни – самые сложные из явлений, известных человеку, поскольку они формируются под действием многочисленных, разнообразных и взаимосвязанных факторов. Чтобы правильно понять философскую природу общественных явлений, надо исходить из диалектико – материалистических принципов их взаимосвязи и развития. Согласно этим принципам общественные явления органически связаны между собой, зависят друг от друга, обуславливают друг друга и находятся в постоянном движении и развитии. Поэтому изучение взаимосвязей – важнейшая задача всякого статистического анализа.

Связи между общественными явлениями многообразны и сложны. Они отражаются в статистических показателях, которые находятся между собой в определенных связях и отношениях. Эти субъективные связи отражают показатели статистики, которые связаны между собой соответствующим образом. Показатели статистики измеряют признаки зависимостей, причем одни из них выступают как признаки – факторы (причины), а другие – как результативные признаки (следствия). Задача анализа – выявить и показать эти связи, измерить их тесноту.

Показатели статистики находятся между собой в связи, отражая объективную взаимную обусловленность и взаимную зависимость общественных явлений. Эти связи многообразны и по своему характеру различны. Чтобы раскрыть и измерить их, необходимо применять различные статистические приемы анализа. Одним из видов этих взаимосвязей можно выделить факторные, которые изучаются методом группировок и при помощи теории корреляции.

По мере развития экономики значение статистических методов в экономическом анализе повышается, расширяются масштабы их применения, совершенствуется методика. Использование разработанных к настоящему времени статистических методов анализа позволяет изучить, измерить и дать количественное выражение взаимосвязей между явлениями общественной жизни, установленными на основе качественного анализа /20 / .

3.1 Сущность теории непараметрической статистики

3.1.1 Краткая история возникновения корреляционного анализа

Начало применения математико – статистических приемов для изучения корреляционных зависимостей относится к 70 годам девятнадцатого столетия. Многие историки - статистики историю развития теории корреляции ведут от сороковых годов девятнадцатого столетия – от того времени, когда французский математик О.Браве предложил формулу для распределения двух случайных величин, удовлетворяющих требованиям закона нормального распределения.

Однако истинным основателем корреляционной теории считается английский математик – статистик К.Пирсон, создавший в конце девятнадцатого начале двадцатого веков данную теорию. В ней корреляция выступает как форма диалектической связи, при которой действует множество различных причин, как необходимых, так и случайных, как общих для обеих корреляционных величин, так и частных, влияющих только на одну из них. Причем, не все закономерные связи – причинные.

Развитие теории осуществлялось с помощью других исследователей, когда основные положения теории корреляции были уже созданы. Одними из таких исследователей были наши соотечественники Б.И. Срезненский и А.А. Чупров. Причем в области изучения корреляций практика резко расходилась с теорией, ставя исследователей в такие условия, которые не удовлетворяли ее требованиям.

Основой формирования способов изучения корреляций и регрессий были данные, характеризующие какие – либо количественно выраженные признаки. Поэтому исследователи на первых же шагах встретились с задачей корреляции качественных признаков, например, связь между цветом глаз у отцов и сыновей. Общий принцип, который был положен в основу конструкции показателей корреляции качественных признаков, заключался в том, что два качественных признака можно считать взаимозависимыми, если действие одного из них А при действии признака Б таково же , как и при действии признака не Б. В развитие этого принципа и предлагались различные конструкции таких показателей, как, например, коэффициент средней квадратичной сопряженности Пирсона или коэффициент взаимной сопряженности Чупрова.

Изучение корреляции качественных признаков породило в общем учении о корреляции так называемую теорию рангов и основанную на ней теорию ранговой корреляции. М.Кендалл, автор монографии, посвященной проблемам ранговой корреляции, указывал, что теория рангов впервые возникла как ответвление теории случайных процессов. На начальной стадии в рангах чаще всего видели просто удобный аппарат, благодаря которому удается обойтись без измерения абсолютной величины переменных и тем самым сэкономить время и усилия. Позднее статистика рангов смогла завоевать признание благодаря своим собственным достоинствам. Начало исследованию вопроса об измерении тесноты корреляции рангов также было положено еще Ч.Спирменом. Затем Кендалл сконструировал показатель, который применим и для изучения частной корреляции между рангами. Современную теорию ранговой корреляции невозможно представить без наиболее полно ее освещающих исследований М.Кендалла.

Таким образом, уже к началу двадцатого столетия математико – статистические методы измерения корреляций и регрессий сложились в общем в достаточно стройную целостную систему, включающую в себя методы непараметрической статистики и непараметрические ранговые методы / 16 /.

3.1.2 Непараметрические методы изучения социальных явлений

Методы непараметрической статистики уже доказали свою широкую применяемость, важность и актуальность.

Непараметрическими называются такие методы, которые не предназначены специально для какого-нибудь параметрического свойства распределений и не использует его свойства. Благодаря этому непараметрические методы имеют более широкую область применения.

Интенсивные исследования последних двух десятилетий двадцатого столетия привели к тому, что многие задачи, ранее разрешимые лишь тогда, когда был известен закон распределения, и соответственно этому выбирали статистические средства, теперь оказались в сфере действия непараметрических методов.

Основные достижения непараметрической статистики приходятся на последние 25 лет двадцатого столетия. Некоторые начальные результаты были получены ранее статистическими исследователями Р.Фишером, Спирменом, Фридманом, Питменом и т.д.

Классические статистические методы, предназначенные для результатов изменений, хотя и основаны на предположении о нормальности, часто относительно не чувствительны к отклонениям от нее.

Непараметрические методы же были построены специально для того, чтобы обходиться вовсе без этого предположения, причем они широко применимы и просты в работе. Более того, непараметрические методы обладают высокой степенью эффективности, по сравнению с классическими при наличии нормальности, а также и в других ситуациях.

Всякий непараметрический метод – это статистический метод с некоторыми желательными свойствами, сохраняющимися при относительно слабых допущениях о рассматриваемых генеральных совокупностях, из которых получаются данные / 17 /.

Быстрое развитие непараметрических методов можно отчасти отнести за счет следующего:

• непараметрические методы требуют немногочисленных предположений

относительно генеральных совокупностей, из которых извлекаются данные, в частности, эти методы, в отличии от своих предшественников, не требуют традиционных допущений о нормальном распределении генеральных совокупностей;

• непараметрические методы часто проще в применении, чем их

конкуренты из нормальной теории, а также непараметрические приемы наиболее понятны;

• непараметрические методы применяются в ситуациях, в которых методы

нормальной теории не «работают», например, для многих непараметрических методов требуется не действительные значения наблюдений, а только их ранги;

• хотя на первый взгляд может показаться, что, применяя ранговые

процедуры, теряется много существенной информации, содержащейся в выборке, то теоретические исследования показали, что это не так. Тем более они могут оказаться значительно эффективнее, чем их соперники, если распределение генеральных совокупностей отличается от нормального.

Однако непараметрические методы до сих пор не нашли широкого применения как в других странах, так и в России. Одной из причин является отсутствие системных разработок по приложению непараметрических методов.

Необходимо стимулировать широкое применение непараметрических методов в прикладных исследованиях различной направленности, особенно там, где распределения наблюдений имеют сложные, малоизученные и неясные законы распределения, препятствующие применению классической теории / 18 /.