- •01.Предмет, задачи и анализ статистики.
- •2.Статистическое наблюдение(программно-методологические и организационные вопросы).
- •3.Формы,видыспособы статистического наблюдения.
- •4.Сущность выборочного метода.Генеральная и выборочная совокупности.
- •5.Виды отбора единиц в выборочную совокупность.
- •6 Ошибки выборочного наблюдения, примеры.
- •7. Определение численности выборки, примеры.
- •8. Сводка и группировка статических данных
- •9. Этапы группировки. Ряды распределения, примеры.
- •10. Статистические таблицы и графики
- •12) Средние величины. Примеры
- •13) Структурные средние. Примеры
- •14) Показатели вариации. Примеры
- •15) Моменты распределения. Показатели асимметрии и …
- •21 Критерий Дурбина – Ватсона. Индекс сезонности.
- •25. Основные задачи индексного метода. Индивидуальный и сводные индексы.
- •26. Агрегатная форма сводных индексов. Сводные индексы в агрегатной форме цен, товарооборота, физического объема реализации. Примеры.
- •1) Сводный индекс товарооборота.
- •30. Территориальные индексы. Примеры.
- •31. Статистические методы изучения связи между двумя признаками. Расчет коэффициента корреляции.
- •32. Анализ связи двух порядковых переменных
- •33. Анализ связи двух номинальных переменных
- •34. Корреляционно-регрессионный анализ
- •17Методы исчисления показателей ряда динамики.
- •24. Критерии согласия. Критерий Пирсона, Критерий Романовского, Критерий Холмогорова.
- •19) Структура ряда динамики. Методы выделения тренда.
- •20) Аналитическое выравнивание ряда динамики.
- •23) Выравнивание вариационных рядов. Закон распределения Пуассона.
- •16. Динамические ряды и их виды. Пример
- •18. Средние характеристики ряда динамики. Пример
- •19. Структура ряда динамики. Методы выделения тренда. Метод скользящей средней.
34. Корреляционно-регрессионный анализ
Регрессионный анализ – это метод установления функциональной (в виде уравнения) зависимости между переменными. При этом одна переменная зависима, а другая (другие) – не зависимые.
Чаще всего сталкиваются с уравнениями:
1 – для парной регрессии
и
2 - для множественной регрессии с двумя факторными признаками
Для расчета параметров уравнений: 1и 2 применяется метод МНК решая систему нормальных уравнений.
Для парной регрессии
Для множественной регрессии:
В уравнениях регрессии параметр а0 – показывает усредненное влияние на результативный признак неучтенных (не выделенных для исследования) факторов; параметр а1 – показывает на сколько изменяется в среднем значение результативного признака при изменении i-го факторного на единицу его собственного измерения
Проверка адекватности моделей, построенных на основе уравнений регрессии начинается с проверки значимости каждого коэффициента регрессии. Значимость коэффициента регрессии осуществляется с помощью средней ошибки каждого параметра :
;
– среднее квадратическое отклонение признака х
– остаточная дисперсия.
Сопоставляя значения параметра с его средней ошибкой по значению судят о значимости данного параметра.
Если число наблюдений n >20, то параметр считается значимым при t>3.
Если n>20, то обращаются к специальным таблицам значений, t – критерий Стьюдента.
И в данном случае параметр считается значимым при
– уровень значимости;
k – число факторных признаков в упавнении.
Адекватность полученной модели можно оценить с помощью средней ошибки аппроксимации.
n – количество признаков (единиц наблюдения)
– точки на прямой (кривой)
Ее значение не должно превышать 12-15%, в противном случае модель считается не адекватной.
Оценка тесноты связи измеряется различными способами:
1. с помощью коэффициента Фихнера, основанного на количестве совпадений и несовпадений знаков отклонений, индивидуальных значений факторного и результативного признаков от их средних значений:
С – количество совпадений; Н – количество несовпадений.
2. При линейной зависимости – с помощью линейного коэффициента корреляции.
3. При криволинейной зависимости измеряется с помощью эмпирического корреляционного отношения:
,
где – дисперсия результативного признака
– факторная дисперсия.
4. Коэффициент детерминации, определяемый по формуле:
т.е. корреляционное отношение в квадрате характеризует долю вариации результативного признака, обусловленную изменчивостью изучаемого фактора.
5. Для множественной регрессии тесноту связи можно оценить с помощью множественного коэффициента корреляции R.
Если находится зависимость результативного признака только от двух факторных, то множественный коэффициент корреляции можно найти по формуле:
где - полные коэффициенты корреляции (тождественны линейному коэффициенту корреляции)
Наличие мультиколлинеарности признается, если парный коэффициент корреляции между факторными признаками
Замечание: на практике все типы зависимости можно описать при помощи:
1) линейной зависимости
2) параболической зависимости
3)гиперболической зависимости
4) показательной зависимости
5) степенной зависимости
1) Выдвигают две альтернативные гипотезы:
– коэффициент детерминации статистически не значим (=0)
- коэффициент детерминации статистически значим ( )
2) ;
k – число независимых переменных в модели регрессии (при парной регрессии k=1);
n – объем выборки.
3) , то М0 – принимается; F – критерий Фишера.
, то М1 – принимается;
Fтабл (k; n-k-1; ) k – число степеней свободы числителя.