- •Три этапа развития статистики
- •Основные этапы развития статистики
- •2. Предмет и задачи статистики
- •3.Основные понятия теории статистики
- •Сбор информации;
- •1.Организационные и методологические вопросы статистического наблюдения
- •2. Ошибки статистического наблюдения
- •Классификация ошибок статистического наблюдения
- •3. Организационные формы, виды и способы статистического наблюдения
- •1. Сводка и группировка (понятие и основные виды)
- •2.Ряды распределения: атрибутивные и вариационные
- •3.Статистические таблицы и графики, требования к составлению таблиц
- •Макет таблицы
- •4. Классификация как особый вид группировки. Роль классификаций в статистике
- •2. Классификация относительных показателей
- •Классификация относительных показателей
- •3. Понятие «средняя величина» и основные виды средних величин в статистике Понятие «средняя величина»
- •Различные виды средних величин и способы их расчета
- •В табл. 4.2 те же обозначения, что и в табл. 4.1.
- •Вспомогательная таблица для расчета простой и взвешенной средней арифметической
- •Исходные данные и вспомогательные расчеты для определения средней гармонической
- •1. Понятие вариации и основные виды показателей вариации
- •Вспомогательная таблица для расчета показателей вариации
- •На основе исходных данных вначале подсчитываются средние величины, а затем находятся отклонения от средних. Рекомендуется в расчетах показателей вариации пользоваться формулой средней взвешенной.
- •2.Свойства средней арифметической и дисперсии
- •Свойства дисперсии
- •(Свойство минимальности).
- •3. Изучение структурных характеристик вариационного ряда
- •2. Показатели концентрации и дифференциации
- •3. Показатели структурных сдвигов
- •Лекция №7. Методология организации выборочных наблюдений5.
- •1.Задачи выборочного наблюдения и различные способы формирования выборки
- •Способы отбора единиц из генеральной совокупности
- •2. Понятие «ошибка выборки» и способы ее расчета
- •3. Расчет оптимальной численности выборки
- •Лекция №8. Методы и показатели оценки тесноты статистических взаимосвязей.
- •1.Понятие «статистическая взаимосвязь»
- •2. Классификация методов оценки тесноты статистических связей
- •3. Аналитические показатели оценки тесноты взаимосвязей между количественно измеримыми признаками
- •Вспомогательная таблица для расчета рангового коэффициента корреляции Спирмена
- •4.Способы оценки тесноты взаимосвязей между качественными признаками
- •Лекция №9. Статистическое изучение динамики социально -экономических процессов и явлений.
- •2. Аналитические показатели динамики
- •Аналитические показатели динамики
- •3. Сглаживание (выравнивание) динамических рядов: механическое и аналитическое сглаживание
- •Лекция №10. Построение уравнений тренда и уравнений парной линейной регрессии
- •1. Сущность метода наименьших квадратов
- •2. Построение уравнений регрессии
- •Расчет параметров парной линейной регрессии
- •3. Построение уравнений тренда
- •Вспомогательная таблица для расчета параметров уравнений линейного и квадратического тренда
- •4. Расчет корреляционного отношения на основе уравнения регрессии
- •Способы отбора факторных переменных.
- •Исходные данные для построения уравнений регрессии
- •После подсчета сумм в нижней строке таблицы, находим линейный коэффициент корреляции:
- •Матрица коэффициентов парной корреляции
- •Использование метода наименьших квадратов для построения нелинейных уравнений регрессии
- •Нелинейные относительно оцениваемых параметров
- •1. Понятие «статистический индекс»
- •2.Различные виды статистических индексов и способы их расчета
- •Различные виды агрегатных индексов
- •Вспомогательная таблица для расчета агрегатных индексов по формулам Ласпейреса и Пааше
- •3. Сущность индексного метода в статистике
- •Примеры решения задач индексным методом.
- •1. Понятие «прогноз» и виды прогнозов
- •2. Сущность статистических методов прогнозирования и требования к исходной статистической информации
- •3.Прогнозирование на основе уравнений тренда
- •1.Кластерный анализ
- •Дискриминантный анализ
- •3.Факторный анализ (метод главных компонент)
Использование метода наименьших квадратов для построения нелинейных уравнений регрессии
Метод наименьших квадратов (МНК) изначально был разработан для расчета параметров уравнений линейной регрессии, но на практике многие соотношения между экономическими показателями часто необходимо оценивать с помощью нелинейной функции (параболы, гиперболы).
Для поиска параметров уравнений нелинейной регрессии используются специальные приемы (логарифмирование, замена переменных), позволяющие привести эти уравнения к линейному виду. Такая процедура называется линеаризацией.
При этом принято различать два класса нелинейных уравнений регрессии.
нелинейные относительно факторных переменных (x1,x2…), но линейные относительно параметров (a0,a1,a2…).
Например:
y=a0 + a1x + a2x2(парабола)
y= a0 + a1x + a2x2 + a3x3 + …+ anxn (полином n–ой степени)
y= a0 + a1/x (гипербола)
Нелинейные относительно оцениваемых параметров
y=a0 xa1 (степенная)
y=a0 a1x (показательная)
y=ea0+a1*x(экспоненциальная)
Линеаризация уравнений, нелинейных относительно факторных переменных
Первый класс функций обычно сводится к уравнениям множественной линейной регрессии путем замены переменных.
Например, рассмотрим расчет параметров следующего уравнения:
y=a0 + a1x + a2x2 (уравнение парной квадратической регрессии или просто параболы).
Обозначим x=x1 ; x2=x2
И получим уравнение линейной двухфакторной регрессии y=a0 + a1x1+ a2x2, для которого ранее (в лекции №10) уже была рассмотрена система нормальных уравнений.
Система уравнений для расчета параметров двухфакторной линейной регрессии y=a0 + a1x1+ a2x2 имеет вид:
a0n+ a1 ∑x1+a2 ∑x2=∑y
a0∑x1 + a1 ∑x21+a2 ∑x1x2=∑yx1 (11.1)
a0∑x2+ a1 ∑x1x2+a2∑x22 =∑yx2
Если в системе (1) выполнить обратную замену переменных (заменить x1 на x, а x2 на x2) то мы получим систему (2) для расчета параметров уравнения парной квадратической регрессии y=a0 + a1x + a2x2
a0n+ a1 ∑x+a2 ∑x2=∑y
a0∑xn + a1 ∑x2+a2 ∑x3=∑yx (11.2)
a0∑x2+ a1 ∑x3+a2∑x4 =∑yx2
Точно так же можно определить системы нормальных уравнений для других нелинейных зависимостей. Например, построим систему нормальных уравнений для расчета параметров гиперболы y= a0 + a1/x
Выполняя замену переменных 1/x=z, получаем обычное линейное уравнение y=a0+a1z и соответствующую ему систему нормальных уравнений:
a0+a1Σz=Σy
a0Σz+a2Σz2=Σyz (11.3)
Подставляя в систему (11.3) вместо z переменную 1/x получаем систему (11.4) нормальных уравнений для расчета параметров гиперболы:
na0+a1∑1/x=∑y
a0∑1/x+a1∑1/x2=∑y/x (11.4)
Такое уравнение регрессии (в виде гиперболы) часто используется для описания различных экономических процессов, например, если a2>0, то классическим примером такой зависимости будет так называемая кривая Филлипса.
В конце 50-х ХХ в. английский экономист Филлипс установил (на основе статистики за 100 лет) такую (обратную) зависимость между уровнем безработицы и приростом средней заработной платы.
Если a2<0, то гипербола имеет вид:
Такая кривая известна в экономической теории под названием «Кривая Энгеля». Такой зависимостью хорошо описывается взаимосвязь между долей расходов и покупку товаров длительного пользования в общей сумме потребительских расходов и величиной доходов населения.
Эту закономерность вывел в 1857 году немецкий статистик Э.Энгель.
Для описания “кривой Энгеля”, т.е. монотонно возрастающей функциис заданным пределом насыщения, может использоваться не только гипербола. Экономисты Уоркинг (1943г.) и Лизер (1964г.) использовали для описания “кривой Энгеля” полулогарифмическую функцию y= a0+a1ln x.
Чтобы рассчитать параметры такого уравнения регрессии, строится система:
na0+a1∑ln x =∑y
a0∑ln x +a1∑(ln x)2 =∑y ln x (11.5)
Линеаризация второго класса функций (нелинейных по оцениваемым параметрам).
Второй класс функций приводится к линейному виду путём специальных процедур линеаризации. Наиболее часто используют логарифмирование.
Однако эта процедура применима не ко всем функциям.
Некоторые уравнения (которые в эконометрике называют нелинейными, но внутренне линейными уравнениями) легко приводятся к линейному виду путём логарифмирования.
Например, рассмотрим уравнение степенной функции y=a0 xa1
Логарифмируя, получаем ln y = ln a0 + a1 ln x
Затем заменяем переменные:
y1=ln y
x1= ln x
y1 = ln a0 + a1 x1
Пользуясь методом наименьших квадартов, находим параметры этого уравнения, т.е. ln a0 и a1
Затем рассчитываем параметр a0 = eln a0
При использовании таких процедур линеаризации, которые затрагивают преобразование зависимой переменной, необходимо проверять выполнение предпосылок метода наименьших квадратов (МНК), так как они могут нарушаться при преобразовании.
Например, для линейных уравнений регрессии обычно выполняется (y – yx)=0 – это одна из предпосылок МНК. Иными словами, сумма отклонений фактических значений у от расчётных, равна 0.
Напомним, что расчётные значения yx - это те, которые рассчитаны по уже построенному уравнению регрессии, т.е. yx =a0 + a1x
В нелинейных уравнениях регрессии эта сумма может отличаться от 0, так как после логарифмирования мы применяем МНК к логарифмам переменных, то есть должно соблюдаться условие:
(ln y – ln yx) =0, но при этом вообще говоря (y – yx) 0
Это будет нарушением одной из предпосылок, на которых основано использование МНК.
Поэтому при построении нелинейных уравнений регрессии обычно осуществляют последующую проверку исходных предпосылок МНК. Более подробно процедуры, используемые для такой проверки, изучаются в дисциплине «Эконометрика».
Лекция №12. Индексный метод в статистических исследованиях социально-экономических явлений и процессов.
Введение
На предыдущих лекциях мы изучали различные аналитические показатели: средние величины, показатели вариации, показатели корреляции, показатели динамики. На данной лекции мы изучим особый вид аналитических показателей – статистические индексы, о которых иногда говорят, что эти показатели предназначены для анализа изменений структуры сложных статистических совокупностей. Мы рассмотрим сущность понятия «статистический индекс» и роль индексного метода в статистике.