- •4. Программно-методологические и организационные вопросы плана статистического наблюдения.
- •7. Понятие и правила вычисления ошибки выборки.
- •13. Статистические графики. Виды, основные элементы и правила построения. Графические образы, вспомогательные элементы, Диаграммы. Полигон, гистограмма, кумулята, огива.
- •14. Категории статистических показателей и системы статистических показателей. Виды и способы получения статистических показателей.
- •15. Абсолютные и относительные величины: понятия, виды, способы получения и единицы измерения.
- •16. Виды и взаимосвязи относительных величин
- •17. Ряды распределения (атрибутивные, вариационные). Частота, частость. Абсолютная и относительная плотность распределения.
- •18. Ряды динамики. Виды, основные элементы рядов динамики. Правила построения. Цепные и базисные показатели анализа рядов динамики.
- •19. Средние показатели рядов динамики. Сопоставимость рядов динамики.
- •21. Непосредственное выделение тренда: укрупнение интервалов, метод "скользящей" средней, аналитическое выравнивание.
- •23. Анализ сезонных колебаний: индексы сезонности, гармонический анализ.
- •24. Анализ взаимосвязанных рядов динамики: коэффициенты опережения по темпам роста и прироста. Автокорреляция. Критерий Дарбина-Уотсона.
- •27. Коэффициенты эластичности и детерминации.
- •30. Общие индексы. Индексы физического объема, цен, товарооборота, себестоимости, фондоотдачи, производительности труда.
- •32. Мультипликативные индексные модели затрат на пр-во, фонда оплаты труда, объема продукции (в связи с изменением численности, производительности труда, опф и фондоотдачи).
- •33. Индексный анализ структурных изменений. Индекс переменного и постоянного состава. Вычисление абсолютных величин изменения результирующего показателя при помощи индексов.
- •34. Понятие о различных видах связей между признаками в совокупности: функциональные и статистические связи. Формы их проявления и возможности статистического анализа и учета.
- •35.Корреляционно-регрессионный метод. Сущность, основные задачи и показатели. Множественная линейная регрессия.
- •37. Парная и множественная корреляция. Оценка существенности связи.
- •39. Коэффициент ассоциации и контингенции.
- •40. Ранговые коэффициенты.
19. Средние показатели рядов динамики. Сопоставимость рядов динамики.
Средние величины- обобщающий показатель. 1)Средний уровень ряда динамики/ средняя хронологическая: 1.Интервальные ряды: * с равными интервалами (n=0,1,2…) ; (n=1,2,3…) ; *с неравными . 2.Моментные ряды: *с равными интервалами (n=0,1,2…); *с нерав.интерв. для этого 1)вычислить среднее значение на интервалах ; ;потом (i=1,2…n),t-число периодов времени, в течение которых ур-нь не изменяется. 2)Средний абсолютный прирост (n=0,1…) 3)Средний темп роста или . 4) Средний коэффициент роста = (n=0,1….) 5) Средний темп прироста .
20. Структура ряда динамики. Проверка на наличие тренда: метод средних, фазочастотный критерий знаков первой разности, критерий Кокса-Стюарта, метод серий. Компоненты ряда динамики: 1. Тренд/тенденция. 2) Циклические колебания/сезонные колебания. 3)Случайные отклонения Ei . Тренд характеризует тенденцию развития явления. Проверка на наличие тренда: 1)Метод средних : 1)разбить на 2 равных интервал; 2)Вычислить средние значения для каждого Таня объясняла.
21. Непосредственное выделение тренда: укрупнение интервалов, метод "скользящей" средней, аналитическое выравнивание.
1) Укрупнение интервалов. Ряд динамики разделяют на некоторое достаточно большое число равных интервалов . Если средние уровни по интервалам не позволяют увидеть тенденцию развития явления , переходят к расчету уровней за большие промежутки времени , увеличивая длину каждого интервала (одновременно уменьшается количество интервалов) . 2)Скользящая средняя . В этом методе исходные уровни ряда заменяются средними величинами , которые получают из данного уровня и нескольких симметрично его окружающих . Целое число уровней, по которым рассчитывается среднее значение, называют интервалом сглаживания . Интервал может быть нечетным (3,5,7 и т.д. точек) или четным (2,4,6 и т.д. точек). Недостаток методики сглаживания скользящими средними состоит в условности определения сглаженных уровней для точек в начале и конце ряда . Получают их специальными приемами – расчетом средней арифметической взвешенной . Так , при сглаживании по трем точкам выровненное значение в начале ряда рассчитывается по формуле. Для последней точки расчет симметричен: . 3) Аналитическое выравнивание/аппроксимация=регрессионный анализ рядов . У нас дана кучка точек. Нужно произвести выравнивание ряда, т.е. среди этих точек провести такую линию, которая наиболее точно находится между ними. Чаще всего при выравнивании используются следующий зависимости : линейная; параболическая; экспоненциальная. 1) Линейная зависимость выбирается в тех случаях , когда в исходном временном ряду наблюдаются более или менее постоянные абсолютные и цепные приросты , не проявляющие тенденции ни к увеличению , ни к снижению. 2) Параболическая зависимость используется , если абсолютные цепные приросты сами по себе обнаруживают некоторую тенденцию развития , но абсолютные цепные приросты абсолютных цепных приростов (разности второго порядка) никакой тенденции развития не проявляют . 3) Экспоненциальные зависимости (показательные) применяются , если в исходном временном ряду наблюдается либо более или менее постоянный относительный рост. Если ЭТ ничего не говорит, то зависимость линейная, т.е. абсолютный прирост () цепной постоянный. Экспоненциальная, если средний цепной темп прироста () постоянный, где . Рассмотрим пример линейной зависимости. .?-. Их найдем с помощью метода наименьших квадратов (МНК). Нужно, чтобы Е стремилось к минимуму. Функционал: . Может быть минимальным, если производная равна 0. Т.к. фун-я двух переменных, то ищем частные производные и решаем систему из двух этих уравнений: & . Дальше делим все на 2 и выносим за знак суммы. Получаем опять систему: +=0 &
=0. Находим а1 и а2. Затем записываем уравнение регрессии. И проводим его.
22. Оценка надежности уравнения регрессии по критерию Фишера. F критерий Фишера-Снедекора: ; – средняя сумма остаточных отклонений, где (отклонение). показывает насколько влияние описывает изучаемый процесс. сравниваем с (v1,v2,α) ; k-число параметров в уравнение регрессии. ; n- объем наблюдений. Если , то уравнение регрессии значимо математическая модель адекватна наблюдениям.