- •Оглавление
- •2.Статистические показатели экономической преступности
- •1.Интенсивность
- •Коэффициент преступности (к):
- •Коэффициент преступной активности (I)
- •2)Динамика
- •3)Удельный вес отдельного вида
- •4)Расчет характера преступности
- •3.Оценка зарегистрированных преступлений в Поволжском регионе
- •Базисные показатели ряда динамики
- •4.Анализ ряда распределения
- •Интервальный ряд распределения
- •Аналитическая таблица
- •График фактора х
- •Комбинированная таблица
- •Факторный признак
- •6.Результативный признак
- •Для оценки ряда распределения найдем следующие показатели:
- •7.Корелляционно-регрессионный анализ
- •1. Параметры уравнения регрессии.
- •1.1. Коэффициент корреляции
- •8.Выявление социальных последствий
- •1) По содержанию наносимого преступлением ущерба:
- •2) По объекту уголовно-правовой охраны, которому наносится вред:
- •3) По тяжести наступивших последствий в результате преступного посягательства:
- •4) По времени наступления общественно опасных последствий:
1. Параметры уравнения регрессии.
Выборочные средние.
Выборочные дисперсии:
Среднеквадратическое отклонение
1.1. Коэффициент корреляции
Ковариация.
Линейный коэффициент корреляции принимает значения от –1 до +1.
1.2. Уравнение регрессии (оценка уравнения регрессии).
Линейное уравнение регрессии имеет вид y = 0.0414 x -46120.33
Коэффициентам уравнения линейной регрессии можно придать экономический смысл.
1.3. Коэффициент эластичности.
Бета – коэффициент
1.4. Ошибка аппроксимации.
Для оценки качества параметров регрессии построим расчетную таблицу
x |
y |
y(x) |
(yi-ycp)2 |
(y-y(x))2 |
(xi-xcp)2 |
|y - yx|:y |
690349 |
7129 |
-17532.53 |
1212019569.43 |
608190962.83 |
2062783080652 |
3.46 |
818566 |
7645 |
-12222.98 |
1176357703.72 |
394736576.81 |
1710922113064.9 |
2.6 |
1243431 |
10574 |
5370.96 |
984018642.29 |
27071655.08 |
779966665144.9 |
0.49 |
1274487 |
12453 |
6657.01 |
869664312.86 |
33593543.21 |
726076479387.18 |
0.47 |
1319076 |
13253 |
8503.47 |
823120198.58 |
22558075.57 |
652075976220.61 |
0.36 |
1368657 |
19548 |
10556.65 |
501539224.29 |
80844425.36 |
574459725588.61 |
0.46 |
1517692 |
19939 |
16728.28 |
484179159.43 |
10308701.01 |
370754599771.47 |
0.16 |
2016086 |
21074 |
37367.1 |
435518142.29 |
265465202.39 |
12210739362.04 |
0.77 |
2503305 |
29905 |
57543.16 |
144915163.72 |
763867799.24 |
141915536638.91 |
0.92 |
2634461 |
31384 |
62974.41 |
111493989.43 |
997954231.57 |
257934766469.19 |
1.01 |
3213289 |
31589 |
86944.06 |
107206795.15 |
3064182370.96 |
1180918597672.1 |
1.75 |
3289841 |
39210 |
90114.13 |
7469679.43 |
2591229982.67 |
1353157043472.1 |
1.3 |
3822038 |
44587 |
112152.75 |
6990358.29 |
4565130451.09 |
2874549975878.7 |
1.52 |
4060957 |
298913 |
122046.54 |
66033544190.01 |
31281744607.59 |
3741782599145.8 |
0.59 |
29772235 |
587203 |
587203 |
72898037128.93 |
44706878585.36 |
16439507898468 |
15.86 |
Выводы:
Коэффициент регрессии b = 0.0414 показывает среднее изменение результативного показателя (в единицах измерения у) с повышением или понижением величины фактора х на единицу его измерения. В данном примере с увеличением на 1 единицу y повышается в среднем на 0.0414.
В нашем примере связь между признаком Y фактором X заметна и прямая В нашем примере коэффициент эластичности больше 1. Следовательно, при изменении Х на 1%, Y изменится более чем на 1%. Другими словами - Х существенно влияет на Y.
увеличение x на величину среднеквадратического отклонения Sx приведет к увеличению среднего значения Y на 0.62 среднеквадратичного отклонения Sy.
Ошибка аппроксимации в пределах 5%-7% свидетельствует о хорошем подборе уравнения регрессии к исходным данным.