Индексы переменного и постоянного (фиксированного) состава
Сравнение средних значений показателя за отчётный и базисный период производится по формуле индекса средней величины – индекса переменного состава.
Индекс переменного состава получил своё название оттого, что числитель формулы (средняя в отчётном периоде) и знаменатель формулы (средняя в базисном периоде) определяются при разных составах, разных структурах совокупности.
I переменного состава отражает изменение не только индексируемой величины, но и структуры совокупности
I постоянного состава – это индекс, исчисленный с весами, зафиксированными на уровне одного какого-либо периода, и показывающий изменение только индексируемой величины. Он является аналогом агрегатного индекса.
I структуры совокупности характеризует влияние изменения структуры изучаемого явления на динамику среднего уровня этого явления
Расчёты индексов проведём по данным табл. 17.
Таблица 17
Вид продукции | Базисный период | Отчётный период | ||
Объём выпуска продукции, тыс. ед. | Цена, руб. | Объем выпуска продукции, тыс. ед. | Цена, Руб. | |
A | 62 | 35 | 70 | 52 |
B | 89 | 27 | 63 | 48 |
Индивидуальный выпуск физического объема продукции:
или 112,9. Прирост составил 12,9%.
или 70,8%. Объём выпуска продукции снизился на 29,2%.
Индивидуальный индекс цены:
или 148,6%. Увеличение цены составило 48,6%.
|
|
или 177,8%. Увеличение цены составило 77,8%.
Агрегатный индекс физического объёма продукции:
или 88,9%.
Агрегатный индекс цены ПААШЕ:
или 177,9%.
Индекс цены Ласпейреса:
или 163,9%.
Индекс переменного состава:
или 90,3%.
или 88,9%.
или 101,6
СТАТИСТИЧЕСКИЕ МЕТОДЫ МОДЕЛИРОВАНИЯ СВЯЗИ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ЯВЛЕНИЙ И ПРОЦЕССОВ
Парная регрессия и корреляция.
Регрессия – линия или вид зависимости одной случайной величины или нескольких величин.
Регрессионный анализ - определение аналитической формы связи, в которой изменение результативного признака обусловлено влиянием одного или нескольких факторных признаков.
Задачи регрессионного анализа – оценка функциональной зависимости (прямая, обратная) и расчет параметров математической зависимости.
Корреляция – статистическая зависимость между случайными величинами, при которой изменение одной из случайных величин приводит к изменению математического ожидания другой.
Корреляция – соответствие, взаимосвязь.
Корреляция бывает:
• Парная (связь между двумя признаками: результативным и факторным или двумя факторными)
• Частная (зависимость между результативным и одним факторным признаком или двумя факторными признаками при фиксированном значении других факторных признаков)
|
|
• Множественная (зависимость между результативным признаком и двумя и более факторными, включенными в исследование)
Корреляционный анализ- позволяет определить количественную зависимость результативного признака от изучаемых факторов.
Задачи корреляционного анализа – оценить тесноту связи и достоверность (значимость) полученной модели и возможность её использования для всей генеральной совокупности (не только, что рассчитывали, но и для других предприятий). Позволяет определить количественную зависимость результативного признака от изучаемых факторов.
Задача корреляционно-регрессионного анализа – определить общий вид математической модели в виде уравнения регрессии, рассчитать статистические оценки неизвестных параметров, входящих в это уравнение, и проверить статистические гипотезы о зависимости функции от её аргументов.
Пример.
Необходимо определить вид корреляционно-регрессивной зависимости и её достоверность по следующим данным.
По 10 однотипным предприятиям имеются следующие данные по выпуску продукции в тыс. единиц и о расходе топлива в тоннах.
|
|
Фактор или аргумент – выпуск (х).
Функция (результат)– расход топлива (у).
| х | у | х2 | ху | ||
| 1 | 2 | 3 | 4 | 5 | 6 |
1 | 5 | 4 | 25 | 20 | 56,25 | 16 |
2 | 6 | 4 | 36 | 24 | 42,25 | 16 |
3 | 8 | 6 | 64 | 48 | 20,25 | 4 |
4 | 8 | 5 | 64 | 40 | 20,25 | 9 |
5 | 10 | 7 | 100 | 70 | 6,25 | 1 |
6 | 10 | 8 | 100 | 80 | 6,25 | 0 |
7 | 14 | 8 | 196 | 112 | 2,25 | 0 |
8 | 20 | 10 | 400 | 200 | 56,25 | 4 |
9 | 20 | 12 | 400 | 240 | 56,25 | 16 |
10 | 24 | 16 | 576 | 384 | 132,25 | 64 |
å | 125 | 80 | 1961 | 1218 | 398,5 | 130 |
1 этап – определение формы связи между х и у и выбор математической модели
Для этого строится поле корреляции в виде графика. Область, ограничивающая точки – корреляционное облако. Чем плотнее точки, тем теснее связь.
Требования к построению уравнения регрессии:
• Совокупность исходных данных должна быть однородной и математически описываться непрерывными функциями
• Наличие достаточно большого объема исследуемой выборочной совокупности (25 и больше)
• Причинно-следственные связи между явлениями и процессами, по возможности, следует описывать линейной (или приводимой к линейной) формой зависимости
• Количественное выражение факторных признаков
• Постоянство территориальной и временной структуры изучаемой совокупности
|
|
Форма связи может быть выражена как линейной функцией (уравнение прямой) так и нелинейными функциями (полиномы разных порядков, гипербола, степенная функция и др.)
Подбор функции для выражения формы связи между признаками проходит несколько этапов: графический, логический, экономический, математический и т.д.
Вначале рассматривается линейная форма связи, так как такая форма связи часто встречается на практике и для неё разработан хороший математический аппарат.
Полученный график показывает, есть ли какая то зависимость: у нас близко к линейной зависимости, которую можно выразить уравнением прямой (парная регрессия: характеризует связь между двумя признаками)
а0-свободный коэффициент, не имеет экономического смысла и показывает значение результативного признака у, если факторный признак х=0
а1- коэффициент регрессии показывает, на какую величину в среднем изменится результативный признак у, если переменную х увеличить на единицу измерения.
Знак показывает направление связи: > 0-связь прямая; при < 0 – связь обратная
2 этап.
Расчет параметров уравнения регрессии с помощью метода наименьших квадратов (квадрат отклонений от прямой линии).
Для нахождения параметров а0 и а1 необходимо решить следующую систему нормальных уравнений
n a0 + a1Sx = Sy
a0Sx + a1Sx2 = Sxy
n – количество наблюдений
10 a0 + a1125 = 80
a0125 + a11961 = 1218
А. Метод определителей
10 125 = 10*1961-1252=3985
125 1961
а0= =4630 а0=4630/3985=1,16
а1=10*1218-125*80=2180 а1=2180/3985=0,547
Б. Формулы.
а1=121.8-12,5*8/196,1-12,52=0,547
а = 8-0,547*12,5=1,16
В. Метод подставки.
а0= (80- 125 а1)/10=8-12.5a1
(8- 12.5 а1)*125+1961a1=1218
a1=1218-8*125/1961-125*12.5=0.547
а0= 8-12.5*0,547=0,1625
Подставляем вычисленные коэффициенты в уравнение линейной регрессии
= 1,16 + 0,547х
если (-), то связь обратная.
Нужно построить на поле корреляции прямую (например, х=0 и х=10) и посмотреть, на сколько линия вписывается в поле корреляции: если близко, то правильно рассчитали (может получиться так, что применение регрессионного анализа вообще проблематично).
Нашли зависимость, но нам важно знать, можно ли распространить её на другие предприятия.
3 этап.
Оценим тесноту связи (близость исследуемой формы связи к линейной) с помощью коэффициента парной корреляции.
КПК характеризует тесноту и вид зависимости между х и у и обозначается rxy или r.
-1 £ r £ 1
Положительное значение коэффициента свидетельствует о наличии прямой связи, отрицательное – обратной.
Чем ближе значение r по абсолютному значению к 1, тем теснее связь между х и у. Принято, что при «от ±0,7 до ±1,0» связь сильная, «от ±0,5 до ±0,7» - умеренная, «от ±0,3 до ± 0,5» - слабая, «от 0 до ± 0,3» - практически отсутствует.
Если = 1, то пропорционально жесткая связь (линейная, функциональная), но в реальной жизни очень редко (например путь и время из дома на работу: разное, хотя путь один).
Если близко к 0, то связь очень слабая или отсутствует.
s - средне-квадратичное отклонение случайных величин.
6,31 3,6
rxy = 0,547*6.31/3.6=0.96
По значению коэффициента видно, что связь тесная, прямая, модель неплохая.
Можно также рассчитать по формуле.
4 этап.
Вычисляем «коэффициент эластичности» - «Э», который показывает, на сколько процентов изменится результативный признак «у» при изменении факторного признака «х» на 1%.
Э = а1
Э = 0,547*12,5/8=0,85
Полученное значение говорит о том, что если х изменится на 1%, то у изменится на 0,85%.
5 этап
Часто на практике для оценки тесноты линейной связи между исследуемыми величинами, т.е. меры адекватности регрессионной модели статистическим данным, используют коэффициент детерминации. Показывает, какая доля вариации переменной у учтена в модели и обусловлена влиянием на нее переменной х.
Чем больше это значение, тем выше степень адекватности уравнения регрессии полученное опытным путем.
R2= r2 *100%
R2= 0,962 *100% = 92.16%
Полученное значение показывает, что расход топлива на 92% зависит от объема производства. Не учтено 8%, т.е. есть другие факторы, которые влияют на результат.
6 этап
Для оценки значимости коэффициента корреляции используют t-критерий Стьюдента, который показывает:
• на сколько значима полученная по данной выборке модель (действительно ли между факторами имеется корреляционная связь или отличие КК от нуля связано со случайной ошибкой эксперимента)
• какой процент отклонений возможен при её использовании для всей генеральной совокупности (других объектов).
Расчетные значения можно определить по формуле:
k – число факторных признаков, включенных в модель (у нас -1)
Полученное уравнение считается достаточно значимым, если tp ³ tТ , принятому при определенном уровне значимости.Табличное значение берется из специальной таблицы «Критические значения t-критерия Стьюдента на уровне значимости 0,1; 0,05;0,01». Столбец 0,1 говорит о том, вероятность значимости равна 90%, т.е. 10% ошибка. Чаще всего сравнивают с a=0,05 и «число средней свободы» = n-2.
В нашем случае tТ=2,31, т.е. tp ³ tТ и это говорит о том, что модель хорошая.
7 этап
Для проверки значимости уравнения регрессии в целом используют F-критерий Фишера.
Fрасч= (0,962/1- 0,962) * (10-1-1)=92
Табличное значение при числе степеней свободы 1 и 8 и уровне значимости 0,05 равно 5,32, т.е. фактическое значение превышает табличное, можно сделать вывод, что уравнение статически значимо.
Дата добавления: 2022-01-22; просмотров: 62; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!