|
Статистической значимости
Для определения статистической зависимости между технико-экономическими показателями и показателями уровня организации производства (составляющими) следует использовать метод регрессионно-корреляционного анализа.
КАУЗАЛЬНОЕ (ПРИЧИННО-СЛЕДСТВЕННОЕ) МОДЕЛИРОВАНИЕ. Каузальное моделирование — наиболее хитроумный и математически сложный количественный метод прогнозирования из числа применяемых сегодня. Он используется в ситуациях с более чем одной переменной. Уровеньличныхдоходов.демографическис изменения и преобладающая ставка процента по закладным, например, влияют на будущий спрос на новые односемейные дома. КАУЗАЛЬНОЕ МОДЕЛИРОВАНИЕ — это попытка спрогнозировать то, что произойдет в подобных ситуациях, путем исследования статистической зависимости между рассматриваемым фактором и другими переменными. Каузальная модель может показать, что всякий раз, когда ставка процента по закладным увеличивается на 1%, спрос на новые дома падает на 5%.
Для изучения сложных зависимостей, какой является зависимость производительности труда от факторов, ее определяющих, наиболее приемлемы методы корреляционного и регрессионного анализа, так как они дают наиболее полную характеристику статистической зависимости между производи-' тельностью труда и группой исследуемых факторов. Кроме того, с помощью этого метода можно выделить из множества рассматриваемых факторов подмножество наиболее существенных и построить регрессионную модель производительности труда. Такой обоснованный выбор группы основных факторов в свою очередь определяет адекватность получаемых в дальнейшем регрессионных моделей производительности труда. Применение данного метода предпочтительно в условиях оснащения предприятий ЭВМ.
все факторы должны быть количественно измеримы. Если фактор характеризуется качественным показателем, учет его влияния и включение в уравнение экономико-статистической зависимости требует обязательной количественной определенности. Это может быть сделано, например, с помощью балльной оценки;
Под. множественной корреляцией понимается исследование статистической зависимости результативного признака от нескольких факторных признаков.
В силу неоднозначности статистической зависимости между Y и X для исследователя, в частности, представляет интерес усредненная по X схема зависимости, т. е. закономерность в измерении условного математического ожидания МХ(У) или M(Y/X = x) (математического ожидания случайной переменной Y, вычисленного в предположении, что переменная X приняла значение х) в зависимости от х.
Изобразим полученную зависимость графически точками координатной плоскости (рис. 3.1). Такое изображение статистической зависимости называется полем корреляции.
рующий показатель, и подбора вида статистической зависимости, обычно
Проверка статистической зависимости между темпами прироста
На основе указанной статистической зависимости (курсив наш. — Б. Г.) Илларионов рассматривает девять "сценариев экономического развития для России в XX веке" [Там же. С. 21]. Это делается достаточно просто — путем вычисления значений у при различных х и комментирования полученных величин. Исходя из рассмотренных сценариев (практически — расчетов по приведенной статистической формуле), Илларионов утверждает: "Таким образом, при осуществлении одного из восьми базовых сценариев экономической политики результаты развития страны к концу 1998 г. были бы хуже, при осуществлении двух — такими же и при осуществлении пяти из восьми сценариев — .существенно лучше, чем фактически достигнутые" [Там же. С. 25].
К, используется для выявления статистической зависимости величин при обработке данных. Наряду с указанной формулой используется ряд формул эмпирического определения тесноты корреляционной связи между наблюдаемыми признаками исследуемых величин. См. также: Ратовал корреляция.
Одним из способов анализа сопрягаемых свойств является оценка статистической зависимости между ними. Такая оценка проводится с помощью коэффициента Юла:
Границы контроля можно задавать желаемым уровнем статистической значимости (± 1 или 2а от среднего), тогда легко изобразить схему границ контроля, образец которой представлен на рис. 13.2.
В экономических исследованиях нашли применение следующие математико-статистические методы стохастического моделирования хозяйственных явлений и процессов: оценка связи и корреляции между показателями; оценка статистической значимости связей; регрессионный анализ; выявление параметров периодических колебаний экономических показателей; группировка многомерных наблюдений, дисперсионный анализ; современный факторный (компонентный) анализ; трансформационный анализ.
В экономических исследованиях нашли применение следующие математико-статистические методы стохастического моделирования хозяйственных явлений и процессов: оценка связи и корреляции между показателями; оценка статистической значимости связей; регрессионный анализ; выявление параметров периодических колебаний экономических показателей; группировка многомерных наблюдений, дисперсионный анализ; современный факторный (компонентный) анализ; трансформационный анализ.
На основе F-критерия принимаются решения о форме уравнения регрессии, о статистической значимости той или иной объясняющей переменной при построении многофакторного уравнения регрессии (см. гл. 8) и др.
Устанавливается как можно большим для достижения статистической значимости
t-статистика (или t-значение) суть мера статистической значимости влияния независимой переменной X на зависимую переменную Y, определяется путем деления оценки коэффициента b на его стандартное отклонение Sb. Полученное значение затем сравнивается с табличным (см. табл. в Приложении II).
Мера статистической значимости независимой переменной b уравнения регрессии Y = а + Ьх по влиянию на зависимую переменную Y. Рассчитывается как частное: оценка коэффициента регрессии/стандартное отклонение.
Используется в регрессионном анализе с целью проверки статистической значимости коэффициента регрессии. Выполняется за два шага: 1. Рассчитать t-значение для коэффициента регрессии по формуле: коэффициент/стандартное отклонение коэффициента. 2. Сравнить полученное значение с табличным. Высокое значение улучшает достоверность коэффициента по прогнозированию. Малая величина (на основе практического опыта, меньше 2,0) говорит о низкой надежности коэффициента применительно к прогнозированию. См. t-значение.
• проверка статистической значимости уравнения в целом и его отдельных параметров;
ргг — вероятность коммерческого успеха на целевом рынке, принимаемая также как экспертная оценка (результаты опроса руководителей предприятий перерабатывающей и пищевкусовой промышленности). Например, для маисового крахмала эта вероятность определена на уровне статистической значимости в 0,95;
Чтобы провести полный циклический анализ рядов данных, технический аналитик должен предпринять восемь шагов: (1) выбрать данные, (2) визуально их проанализировать, (3) перевести данные в логарифмическую форму, (4) сгладить данные, (5) отыскать возможные циклы, (6) окончательно удалить трендовые компоненты данных, использовав отклонения от скользящей средней, (7) проверить циклы с точки зрения статистической значимости и доминантности, (8) скомбинировать и спроецировать циклы в будущее.
Структура фондового Структура имущества Структура инвестиционного Структура комплекса Структура маркетинговой Структура населения Структура оборудования Следовательно ожидаемая Структура отношений Структура показателей Структура поведение Структура предприятия Структура продукции вывоз мусора снос зданий
|
|
|
|
Навигация
