Материал: 5316

её форма. Корреляция в широком смысле объединяет корреляцию в узком смысле и регрессию.

Исследование корреляционных связей называют корреляционным анализом, а исследование односторонних стохастических зависимостей – регрессионным анализом. Корреляционный и регрессионный анализ имеют свои задачи.

К задачам корреляционного анализа относятся следующие: 1.Измерение степени связности (тесноты, силы) двух и более явлений.

2.Отбор факторов, оказывающих наиболее существенное влияние на результирующий признак, на основании измерения тесноты связи между явлениями.

3.Обнаружение неизвестных причинных связей. Корреляция непосредственно не выявляет причинных связей между явлениями, но устанавливает степень необходимости этих связей и достоверность суждений об их наличии. Причинный характер связей выясняется с помощью логически-профессиональных суждений, раскрывающих механизм связей.

Перечислим задачи регрессионного анализа:

1.Установление формы зависимости (линейная, нелинейная, положительная или отрицательная и т.д.).

2.Определение функции регрессии и установление влияния факторов на зависимую переменную. Важно не только определить форму регрессии, указать общую тенденцию изменения зависимой переменной, но и выяснить, каково было бы действие на зависимую переменную главных факторов, если прочие не изменились и если бы были исключены случайные элементы. Для этого определяют функцию регрессии в виде математического уравнения того или иного типа.

Построение корреляционно-регрессионной модели осуществляется в несколько этапов:

1.Постановка задачи.

2.Сбор статистических данных.

3.Корреляционно-регрессионный анализ данных.

4.Прогнозирование на основе полученной зависимости.

Постановка задачи. На первом этапе даётся постановка задачи. Например, определить численность занятых в стране в зависимости от произведённого валового продукта; зависимость затрат от количества работников на предприятии и т.д. На этом этапе также считается, что связь между независимыми показателями и результирующим показателем (зависимым) может существовать и характеризуется функцией Y=f(Xn).

Статистические данные набираются на основе первичных документов и от-

41

чётных данных. Некоторые показатели могут быть получены только после предварительной обработки полученной информации. При сборе данных необходимо определить количество выборочных наблюдений или выборочную совокупность, то есть часть наблюдений, отобранных для дальнейшего исследования.

Объём выборочных наблюдений (Кв) определяется по формуле предельной ошибки случайной бесповторной выборки:

где N – величина генеральной совокупности, то есть величина всей совокупности наблюдений, отображаемых результативных признаков и факторов;

2– дисперсия значений признака в генеральной совокупности;

у– предельная ошибка случайной бесповторной выборки;

– коэффициент доверия.

Дисперсия 2 является характеристикой рассеивания случайных величин, то есть их отклонения от средней величины. Квадратный корень из дисперсии – среднее квадратическое отклонение определяется по формуле

R6 ,

где R – разница между максимальным и минимальным значением признака (фактора). Она устанавливается на основе анализа данных.

Размеры предельной ошибки по абсолютной величине у задаются в зависимости от требований точности к полученным результатам. Например, если признак исчисляется в сотнях рублей, то предельная ошибка может быть установлена в рублях; если в днях, то в части дня (0,1дня).

После сбора данных осуществляется их регрессионный анализ, который включает три этапа:

1)определение вида функции (уравнения регрессии);

2)определение тесноты связи между переменными;

3)установление числового значения параметров уравнения регрессии.

На первом этапе определяется форма связи исследуемых показателей или уравнение регрессии. Функциональная зависимость определяется следующим образом: предположим, что линия регрессии переменной, которую мы обозна-

чим У , от переменной Х имеет вид: У = а0 + а1Х+ . Это простейший вид зави-

симости между двумя показателями – линейная зависимость. Здесь У – результативный показатель, а0 и а1 – постоянные коэффициенты; Х – фактор, – доба-

42

вочный коэффициент, при учёте которого У никогда не может попасть на ли-

нию регрессии, то есть У Х.

Это уравнение можно использовать как предсказывающее уравнение, подстановка в него значения Х позволяет предсказать истинное среднее значение У для этого Х.

Проверка линейной зависимости может быть проведена путём сопоставления по собранным данным вариации результативного и факторного признаков. Любую форму зависимости можно проверить графическим путём, отмечая каждое наблюдение точкой в прямоугольной системе координат. По оси ординат откладываются значения У, а по оси абсцисс – значение Х.

Вторым этапом проверяется теснота связи выбранных показателей, то, насколько полно выбраны факторные признаки, как велико влияние неучтённых факторов. Поэтому оценка параметров регрессии обычно сопровождается расчётом такой дополнительной характеристики, как коэффициент корреляции, который представляет собой эмпирическую меру линейной зависимости между Х и Y:

yx

среднеарифметическое значение факторов; n – количество выборочных наблюдений; x y – среднее квадратическое отклонение результирующего и фактор-

ного признаков. Среднее квадратическое отклонение фактора x рассчитывается по формуле

Среднее квадратическое отклонение значений результирующего признака рассчитывается по формуле

Величина коэффициента корреляции лежит между (-1;1). Чем выше значение коэффициента корреляции, тем теснее связь между переменными и тем точнее будет прогноз, произведённый на основе полученного уравнения регрессии. Если коэффициент корреляции равен +1, то связь между показателями выражается в прямой зависимости, то есть при увеличении одного показателя увеличивается второй, и наоборот. Если же коэффициент корреляции равен –1, то связь между

43

двумя показателями выражается в обратной зависимости, то есть при увеличении одного показателя другой уменьшается, и наоборот.

О тесноте связи можно судить по значению коэффициента корреляции, используя шкалу Чеддока:

Завершающим этапом является определение численных значений постоянных коэффициентов уравнения регрессии (а0 и а1). Эти коэффициенты находятся в результате решения системы уравнений. Систему можно получить с помощью метода наименьших квадратов. Метод наименьших квадратов позволяет из бесчисленного множества прямых линий на плоскости выбрать одну, наилучшим образом соответствующую исходным данным.

Этот метод обладает определёнными свойствами: пусть мы имеем множество

из n наблюдений (Х1,Y1), (Х2,Y2)…(Хn, Yn). Тогда уравнениеУ = а0 + а1Х+ можно записать в виде:

У i = а0 + а1Хi+ i, где i=1,2…n.

Следовательно, сумма квадратов отклонений фактических значений от рас-

Будем подбирать значения оценок а0 и а1 так, чтобы их подстановка в урав-

Эти уравнения представляют собой систему нормальных уравнений. Отсюда находим коэффициенты регрессионной функции:

44

Решение системы уравнений относительно а0: а0=Y-a1X. С помощью подста-

новки этого уравнения в уравнение У i = а0 + а1Хi+ уравнение регрессии Yi= Y+a1X.

Для практического использования регрессионных моделей важно установить, насколько точно могут быть рассчитаны значения исследуемого показателя по заданным значениям факторов. Для оценки точности уравнений регрессии на практике используют ряд показателей: коэффициент множественной корреляции (детерминации), критерий Фишера, остаточная дисперсия, критерий Стьюдента и др. 2

Следует отметить, что регрессионные приёмы анализа и прогнозирования не вскрывают специфические причины изучаемых явлений, а только дают возможность определить количественную величину связей между ними. Причины могут быть вскрыты только при тщательном изучении технической, технологической и организационной сторон процесса производства и экономических отношений.

Ведущим направлением корреляционного анализа в экономике является исследование зависимостей в сфере производства как на макро-, так и на микроуровне. Результат процесса производства складывается под влиянием многочисленных и разнообразных факторов. Качественный анализ позволяет в каждом конкретном случае установить, какие именно факторы влияют на результат производства. Цель построения производственных функций – количественно оценить, измерить характер и степень такого влияния.

Одним из наиболее важных направлений использования аппарата производственных функций является анализ эффективности использования ресурсов производства. С помощью производственных функций можно исследовать эффективность трудовых ресурсов, производственных фондов, природных и других ресурсов не изолированно, а в их взаимодействии, выявлять границы взаимозаменяемости ресурсов и наиболее рациональные их пропорции с точки зрения конечного результат производства.

Существенную роль играют производственные функции как инструмент прогнозирования конечных результатов производственной деятельности. Аппарат производственных функций используют при проведении прогнозных расчётов на долгосрочную перспективу, когда необходимо исследовать производственный потенциал

45