- •1.Статистика как комплекс научных дисциплин. Предмет и объект каждой из них
- •2.Методологические принципы статистики. Основные категории статистической науки
- •4.Задачи сводки и группировки, их содержание и теоретические основы
- •5.Содержание методики статистических группировок.
- •6. Виды статистических группировок
- •7. Статистические таблицы, их виды и правила построения
- •8. Абсолютные величины:виды
- •9. Понятие,значение,формы и выды относительных величин.
- •10.Средние величины :содержание ,типы виды, научные условия применения.
- •11.Показатели вариации их показательное значение.
- •12.Свойства дисперсии, правила сложения(разложения)дисперсии и его использование в статистическом анализе.
- •13. Виды стат-их граф-ов по сод-нию решаемых зад и спос-ам постр-ния.
- •14. Ряды динамики: виды, показатели анализа.
- •15. Методы выявления тенденции в динамических рядах.
- •16. Индексы: определение, основные элементы индексов, обоснование выбора весов, задачи решаемые с помощью индексов.
- •17. Правила построения динамических и территориальных индексов.
- •18. Система индексов в статистике.
- •19. Понятие и показатели структуры и структурных сдвигов социально- экономических явлений.
- •20. Статистические приемы и методы анализа социально- экономических структур.
- •21 Сводная оценка структурных изменений во времени и пространстве
- •22 Стат показатели степени концентрации и централизации признака
- •24 Многомерные средние
- •25. Понятие о методах установления взаимосвязи: факторный анализ, метод главных компонент, канонические корреляции.
- •26. Многомерный статистический анализ
- •27. Статистические методы моделирования: понятия о статистических моделях. Модели тендеции и факторные модели.
- •29 Научные основы и этапы статистического моделирования
- •30 Понятие прогнозирование. Прогнозирование на основе факторных моделей социально- экономических явлений
- •31 Система показателей социально- экономической статистики
- •32 Основные группировки и классификации в социально- экономической статистике
- •33.Статистика национального богатства (нб): понятие, состав.
- •34. Основные показатели статистики населения.
- •35. Земельный фонд
- •36. Статистика основных фондов
- •37. Задачи статистики труда. Понятие и содержание категорий рынка труда.
- •38. Показатели наличия, состава и движения трудовых ресурсов.
- •39. Показатели использ. Рабочей силы и рабочего времени.
- •40.Система показателей произ-ти труда.
- •41. Статистика оплаты труда и издержек на рабочую силу.
- •42.Основные показатели статистики растениеводства
- •43. Основные показатели статистики животноводства
- •44.Основ.Показатели обществ.Затрат и себестоим-ти продукции
- •45. Понятие продуктов труда. Показатели валовой продукции, способы определения.
- •46 Исчисление валовой продукции отдельных отрослей.
- •1. Общие принципы определения показателей продукции отдельных отраслей экономики.
- •2. Промышленность
- •3. Строительство
- •4. Транспорт
- •5. Торговля
- •47 Показатели доходов предприятий и предпринимателей.
- •48. Статистическое изучение динамики цен и тарифов
- •49. Показатели рынка товаров и услуг, оценки рыночной конъюктуры
- •52. Статистика бюджета и бюджетной системы.
- •53.Статистика кредита и страхования.
- •54.Статистика рынка ценных бумаг и фондовых бирж.
- •56. Основные показатели и счета внутренней экономики.
- •57. Основные макроэкономич. Показатели.
- •58Межотраслевой баланс.
- •59. Система показателей уровня жизни.
- •60.Источники информации и основ.Направления анализа уровня жизни.
24 Многомерные средние
Многомерные группировки используются в статистике, когда проводится группировка по нескольким признакам. Применяют на практике метод многомерной классификации с использованием вычислительных машин. Наиболее простым методом многомерной классификации является многомерная средняя, которой называется средняя величина нескольких признаков для одной единицы совокупности. Она определяется из относительных величин, как правило, из отношений абсолютных значений признаков для единицы к средним значениям этих признаков. , где - многомерное среднее дляi-той единицы -число признаков; -абсолютное значение признакаxдляi-той единицы; -среднее значение признакаx.
25. Понятие о методах установления взаимосвязи: факторный анализ, метод главных компонент, канонические корреляции.
Факторный анализ заключается в переходе от исходной информации к обобщенным факторам, являющимися результатом их первоначальной агрегации и линейной комбинации. Модель ф.а.- линейная
у
F1,2…=обобщенные факторы, обусл. Сист. вариацию и корреляц. Связь м\д ними.
Аij=факторные нагрузки
Vj=характерные факторы, учит .вариацию.
Фак. Нагрузки оценивают степень тесноты связи м\д исходными признаками х1,х2…..и обобщенными факторами Fj. Связь считается существенной, если парный коэф. > или =0,5.
В практич. Деятельности вклад общего фактора в общую дисперсию сост. Не менее 80-90%.
Метод главных компонент один из основных способов уменьшить размерность данных, потеряв наименьшее количество информации.
Матем. Моделью, на кот. Основыв. Метод гл. комп.,-
Vj1,2…коэф. Общего результ. Фактора
F1,2…общий фактор
Сущность метода- выделении линейных комбинаций исходных факторных признаков, имеющих мах дисперсию. При этом 1 главная компонента обладает мах дисперсией и явл. Нормированной линейной
комбинацией всех возм. Исходных признаков, а 2 учитывает мах значение оставшейся дисперсии и корреляционно не связана с 1 компонентой.
Достоинства метода-
В матрице знач. Компоненты размещаются в убывающей последовательности собст. Признаков,что способствует классификации признаков.
Число компонент= колличеству исходных факторных признаков
Гл.компоненты не коррелированны м\д собой, что сущ.при построении регрессивных моделей
Гл. компоненты полностью обусл. Вариацию исх. Факт. Признаков.
Метод канонических корреляций является обобщением парной корреляции и позволяет находить максимальные корреляционные связи между двумя группами случайных величин. Эта зависимость определяется при помощи новых аргументов - канонических величин (канонических переменных), вычисленных как линейные комбинации исходных признаков по каждой из групп. Эти канонические величины должны максимально коррелировать между собой, а их число определяется по числу переменных в меньшем множестве (если число переменных в них не одинаково).
Пусть имеется k-мерный случайный вектор X. Не умаляя общности можем предположить, что математическое ожидание вектора равно нулю, дисперсии компонент равны единице, корреляционная матрица R положительно определена. Вектор X разбивается на два подвектора X1 и X2 размерности m и p соответственно. При этом m + p = k и m ≤ p. Подвекторы образуют две группы показателей. Задача заключается в выявлении максимальных связей между этими группами. Для этого вводят новые переменные (канонические переменные) d11 и d12 :
d11 = a1*x11+a2*x21+ ... ai*xi1+ ... +am*xm1
d12 = b1*x12+b2*x22+ ... bj*xj2+ ... +bp*xp2
где d11 и d12 - первая пара канонических переменных
xi1 - i-я компонента подвектора X1 ;
xj2 - j-я компонента подвектора X2 ; ai и bj - коэффициенты ; i = 1, ..., m; j = 1, ..., p.
Корреляция между d11 и d12 должна быть максимальной среди всех других возможных линейных комбинаций (канонических переменных). Далее в каждой группе рассматриваются следующие линейные комбинации d21 и d22 , у которых корреляция больше, чем между любыми другими линейными комбинациями, не коррелированными с первыми линейными комбинациями. Затем по аналогии пары d31 и d32 , d41 и d42 и т.д. В общем случае должно быть m корреляций между каноническими переменными, которые не коррелируют с другими.
Общая корреляционная матрица Xт*X вектора X может быть представлена совокупностью подматриц:
R11 R12
R21 R22
где R11 - корреляционная матрица первой группы показателей размером m*m,
R22 - корреляционная матрица второй группы показателей размером p*p,
R12 и R2-корреляционные матрицы взаимных корреляций первой и второй групп показателей размером m*p и p*m соответственно. Причем, R12 =Rт21.
Далее определяется матрица B размером m*m :
B = R-111*R12*R-122*R21
Собственные значения этой матрицы, ранжированные по убыванию, равняются квадратам коэффициентов канонических корреляций. Для разрешимости задачи необходимо, чтобы корреляционные матрицы R11 и R22 были положительно определены. Это означает, что в составе X1 и X2 не должны существовать линейно зависимые компоненты. В противном случае следует один или несколько показателей-факторов исключить.