26. Многомерный статистический анализ

- раздел математич. статистики, посвященный математич. методам построения оптимальных планов сбора, систематизации и обработки многомерных статистич. данных, направленным на выявление характера и структуры взаимосвязей между компонентами исследуемого многомерного признака и предназначенным для получения научных и практич. выводов.

Под многомерным признаком понимается р-мерный вектор показателей (признаков, переменных) среди к-рых могут быть: количественные, т. е. скалярно измеряющие в определенной шкале степень проявления изучаемого свойства объекта, п о-рядковые (или ординальные), т. е. позволяющие упорядочивать анализируемые объекты по степени проявления в них изучаемого свойства; и классификационные (или номинальные), т. е. позволяющие разбивать исследуемую совокупность объектов на не поддающиеся упорядочиванию однородные (по анализируемому свойству) классы.

Многомерный статистический анализ. Перейдем к многомерному статистическому анализу. Его применяют при решении следующих задач: • исследование зависимости между признаками;• классификация объектов или признаков, заданных векторами;• снижение размерности пространства признаков. При этом результат наблюдений – вектор значений фиксированного числа количественных и иногда качественных признаков, измеренных у объекта. Напомним, что количественный признак – признак наблюдаемой единицы, который можно непосредственно выразить числом и единицей измерения. Количественный признак противопоставляется качественному - признаку наблюдаемой единицы, определяемому отнесением к одной из двух или более условных категорий (если имеется ровно две категории, то признак называется альтернативным). Статистический анализ качественных признаков – часть статистики объектов нечисловой природы. Количественные признаки делятся на признаки, измеренные в шкалах интервалов, отношений, разностей, абсолютной.А качественные – на признаки, измеренные в шкале наименований и порядковой шкале. Методы обработки данных должны быть согласованы со шкалами, в которых измерены рассматриваемые признаки (см. раздел 2.1 о теории измерений). Целями исследования зависимости между признаками являются доказательство наличия связи между признаками и изучение этой связи. Для доказательства наличия связи между двумя случайными величинами Х и У применяют корреляционный анализ. Если совместное распределение Х и У является нормальным, то статистические выводы основывают на выборочном коэффициенте линейной корреляции, в остальных случаях используют коэффициенты ранговой корреляции Кендалла и Спирмена, а для качественных признаков – критерий хи-квадрат. Регрессионный анализ применяют для изучения функциональной зависимости количественного признака У от количественных признаков x(1), x(2), … , x(k). Эту зависимость называют регрессионной или, кратко, регрессией. Дисперсионный анализ применяют для изучения влияния качественных признаков на количественную переменную.

27. Статистические методы моделирования: понятия о статистических моделях. Модели тендеции и факторные модели.

Моделирование — многофункциональное исследование, применяющееся для определения или уточнения характеристик существующих или вновь конструируемых объектов. Его основной научной задачей является воспроизводство модели на основании ее сходства с существующим объектом. Модель должна иметь сходство с оригиналом, но не быть его полным аналогом (это основное условие), так как в этом случае моделирование теряет смысл. Основное отличие модели от оригинала — способность к гибкому прогнозному изменению, не влияющему на исходные данные модели.

Социальная модель может представлять собой математическое уравнение, графическое отображение различных факторов, таблицы взаимозависимых признаков (событий, явлений) и т.д. В отличие от физической социальная модель не копирует изучаемый объект или явление, а преобразует значения одних признаков социального, явления или процесса, выбранных в качестве независимых, в значения других признаков, выбранных в качестве зависимых. Информационное значение социальной модели можно оценивать по степени точности отображения (прогнозирования) изменений изучаемых социальных процессов и явлений (зависимые признаки) при новых значениях независимых признаков (объективных условий).

28.