7.2.2. Анализ признакового пространства

Построение и использование экономико-статистической модели во многом зависит от описания экономической сущности решаемой задачи. Этот этап в практике экономико-статистического моделирования получил название априорного анализа пространства признаков. Основными моментами этого этапа являются:

1. Формирование признакового пространства;

2. Анализ структурных связей переменных и их формализация;

3. Сужение круга переменных, отбор существенных факторов для моделирования.

Рассмотрим каждый из этапов подробнее.

Формирование признакового пространства, в свою очередь, складывается из решения нескольких подзадач.

Первая из них - априорная оценка информативности признаков. Сбор информации связан с большими затратами времени, сил и средств. Кроме того, для многих экономических исследований типична ситуация, когда общее число единиц совокупности ограничено. Поэтому на практике число учитываемых характеристик значительно меньше, чем хотелось бы исследователю по его первоначальной гипотезе. Для решения задачи априорной оценки информативности признаков может быть использован обобщенный опыт специалистов. В частности, одной из форм обобщения коллективного мнения специалистов может быть анкетный опрос. С помощью такого опроса выявляются оценки значимости факторов и на их основе устанавливаются критерии, по которым следует вести сбор информации. Материалы опроса могут оказаться полезными и на других этапах экономико-статистического исследования, например, при определении очередности введения переменных в модель. Организация экспертного опроса, анализ полученных результатов и их интерпретация - это самостоятельные научные проблемы, которые здесь не рассматриваются. Еще одна форма обобщения коллективного опыта - аналитический обзор литературы по интересующей проблеме.

Следующей задачей является формирование информационного массива (8). На стадии формирования информационного массива можно выделить два основных относительно независимых момента: определение списка исследуемых переменных (списка признаков), то есть определение профиля исследуемого явления; определение объектов наблюдения как в смысле уровня наблюдений или уровня агрегирования исходных данных, так и в смысле широты охвата, то есть списка объектов. Обе задачи должны решаться в точном соответствии с целью исследования, так как результаты всей работы в очень большой степени предопределяются именно на стадии отбора признаков и объектов.

Набор признаков должен включать те из них, которые несут самую существенную информацию об исследуемом явлении. При отборе признаков исследователь в неявной форме производит взвешивание различных характеристик явления: наиболее существенные свойства или характеристики, как правило, представлены в исследуемом наборе наибольшим числом признаков.

Весьма часто при формировании исходного массива информации приходится считаться с доступностью информации. По этой причине анализируются не те признаки и объекты, включение которых представляется желательным, а те, которые доступны исследователю и лишь косвенно отражают интересующий нас признак. В таких случаях необходимо попытаться заранее оценить влияние вынужденного искажения профиля или единиц наблюдения. Следует ответить на вопрос: отражает ли искаженный профиль изучаемое явление с достаточной степенью приближения.

Не всегда принятый в статистике или поддающийся непосредственному измерению показатель адекватно отражает то или иное свойство, интересующее исследователя. Если адекватность вызывает сомнение, целесообразно привлечь несколько дополнительных показателей, отображающих изучаемую исследователем характеристику с разных сторон.

Важным критерием отбора является точность. Следует оценить точность анализируемых данных и сопоставить ее с допустимой величиной ошибки. Важно учитывать надежность и сопоставимость: совпадают ли определения признаков и отражаемых ими свойств для различных наблюдений, то есть не изменяется ли содержание признаков от объекта к объекту. Изложенное подчеркивает важность строгого содержательного отбора показателей.

При формировании исходного информационного массива необходимо определить тот уровень агрегирования данных - уровень наблюдений, на котором будет осуществляться сопоставление признаков. Полученные выводы, как правило, действительны для определенного уровня агрегирования и не могут без специального обоснования распространяться на другие уровни. В зависимости от выбранного уровня наблюдения могут быть получены диаметрально противоположные выводы.

Следующим этапом определения информационной среды исследования является задача преобразования матрицы данных с целью изменения характера эмпирического распределения для приведения его в соответствие с целью исследования. Чаще всего таким образом пытаются ослабить влияние экстремальных значений признаков на результаты расчетов, компенсировать влияние возможных ошибок в исходных данных, сделать сопоставимыми изменения значений признаков на разных участках шкалы его значений.

Это сводится к решению следующих проблем.