- •Предмет статистической науки.
- •Основные методы статистической науки.
- •Место общей теории статистики в комплексе статистических дисциплин.
- •Отраслевые статистики их роль в статистической науке.
- •Основные категории статистической науки (статистическая совокупность, ее единицы, статистическая закономерность).
- •Основные категории статистической науки (статистические признаки и показатели).
- •Статистическое наблюдение, его роль в процессе статистического исследования.
- •Формы статистического наблюдения
- •Виды и способы статистического наблюдения.
- •Виды несплошного наблюдения
- •Способы статистического наблюдения
- •Организационные формы статистического наблюдения.
- •Виды несплошного наблюдения.
- •Статистические таблицы и их виды.
- •Понятие системы статистических показателей объекта.
- •Основные функции статистических показателей.
- •Абсолютные величины и их разновидности в зависимости от применяемых единиц измерения.
- •Относительные величины и их разновидности
- •Виды относительных величин
- •Средние величины, их сущность и виды.
- •Свойства средней арифметической и техника ее вычисления.
- •Расчет средней арифметической по данным интервального вариационного ряда.
- •Средняя гармоническая величина, ее смысл и обоснование применения.
- •Ряды распределения (вариационные ряды) статистических данных и их виды. Основы техники построения интервальных рядов.
- •Графические методы отображения вариационных рядов.
- •Техника построения гистограмм. 24.Техника построения полигонов.
- •25.Техника перехода от гистограммы к полигону и наоборот.
- •26. Общая характеристика показателей центра распределения вариационного ряда.
- •27. Мода вариационного ряда, ее определение для дискретного и интервального ряда.
- •28. Медиана вариационного ряда, ее определение для дискретного и интервального ряда.
- •Абсолютные показатели колеблемости (вариации) признака в ряду.
- •Относительные показатели колеблемости (вариации) признака в ряду, области их целесообразного применения.
- •Показатели формы распределения вариационного ряда, их интерпретация.
- •Статистическая проверка гипотезы о соответствии данных вариационного ряда некоторой теоретической функции распределения.
- •Критерий согласия Пирсона.
- •36. Простая случайная выборка.
- •40. Типическая выборка
- •41. Серийная выборка
- •42. Районированная
- •43. Механическая
- •44. Понятие корреляционной связи.
- •46. Метод параллельных рядов.
- •Метод групповых таблиц.
- •Метод корреляционных таблиц.
- •Метод корреляционных полей.
- •50. Парная корреляция. Линейный коэффициент корреляции.
- •51. Эмпирическое корреляционное отношение, его значение и свойства, техника расчета.
- •52. Коэффициент ранговой корреляции.
- •53. Коэффициент Спирмена, его свойства.
- •54. Коэффициент ранговой корреляции Кендела.
- •55. Понятие связанных рангов.
- •56. Коэффициент конкордации, его свойства и техника расчета.
- •59. Коэффициенты Пирсона и Чупрова, их свойства.
- •60. Понятие уравнение регрессии.
- •61. Парная регрессия.
- •62. Применение мнк для оценки параметров уравнения регрессии.
- •65. Множественная регрессия.
- •67. Ряды динамики: понятие, виды. Показатели ряда динамики.
- •68. Содержание и аспекты проблемы сопоставимости уровней ряда.
- •69. Тренд динамического ряда.
- •70. Простейшие показатели динамики количественных признаков, связь между ними.
- •71. Техника расчета средних значений для интервальных рядов.
- •72. Техника расчета средних значений для моментных рядов.
- •73. Выравнивание динамического ряда, его цель, метод скользящей средней.
- •74. Аналитическое выравнивание динамического ряда мнк.
- •75. Использование трендовых моделей динамических рядов в прогнозировании.
- •76.Анализ сезонной неравномерности динамического ряда и ее аналитическое выражение.
59. Коэффициенты Пирсона и Чупрова, их свойства.
Когда каждый из качественных признаков состоит более чем из 2 групп, то для определения тесноты связи возможно применение коэффициентов взаимной сопряженности Пирсона и Чупрова. Эти коэффициенты вычисляются по следующим формулам: Kп = ; К= где - показатель взаимной сопряженности; - определяется как сумма отношений квадратов частот каждой клетки таблицы к произведению итоговых частот соответствующего столбца и строки. Вычитая из этой суммы «1», получим величину : = -1; где K1 - число значений (групп) первого признака; K2 - число значений (групп) второго признака. Чем ближе величина Kп и Kч к 1, тем теснее связь.
60. Понятие уравнение регрессии.
В практических исследованиях возникает необходимость апроксимировать (математически описать приблизительно) корреляционную зависимость между двумя признаками уравнением. Для линейной зависимости сделать это относительно просто: вытянутое корреляционное поле заменить усредненной прямой линией и найти ее уравнение по статистическим данным коррелируемых признаков. В прямоугольной системе координат уравнение прямой линии записывается в виде: . Это математическое выражение корреляционной зависимости называется уравнением регрессии. Коэффициенты a и b называются параметрами уравнения регрессии. Параметр а определяет на графике (рис.12) отрезок, отсекаемый графиком уравнения (прямой линией) на оси Y. Параметр b показывает, как изменяется признак Y при изменении признака X. Это "b " еще называют коэффициентом регрессии. Уравнение регрессии тем лучше описывает корреляционную зависимость, чем ближе она к линейной и чем больше ее достоверность. В случае нелинейной зависимости математически запись может выражаться в виде более сложных уравнений различных кривых линий (экспоненциальной кривой, параболы, гиперболы и т.д.). При наличии достоверной криволинейной корреляционной зависимости можно подобрать уравнение, хорошо ее описывающее. Особенно эта возможность становится реальной при наличии электронно-вычислительной техники. Одной из проблем построения уравнений регрессии является их размерность, то есть определение числа факторных признаков, включаемых в модель. Их число должно быть оптимальным. Сокращение размерности за счет исключения второстепенных, несущественных факторов позволяет получить модель, быстрее и качественнее реализуемую. В то же время, построение модели малой размерности может привести к тому, что она будет недостаточно полно описывать исследуемое явление или процесс. При построении моделей регрессии должны соблюдаться следующие требования:
1. Совокупность исследуемых исходных данных должна быть однородной и математически описываться непрерывными функциями.
2. Возможность описания моделируемого явления одним или несколькими уравнениями причинно-следственных связей.
3. Все факторные признаки должны иметь количественное (числовое) выражение.
4. Наличие достаточно большого объема исследуемой совокупности (в последующих примерах в целях упрощения изложения материала это условие нарушено, т.е. объем очень мал).
5. Причинно-следственные связи между явлениями и процессами должны описываться линейной или приводимой к линейной форме зависимостью.
6. Отсутствие количественных ограничений на параметры модели связи.
7. Постоянство территориальной и временной структуры изучаемой совокупности.
Соблюдение данных требований позволяет построить модель, наилучшим образом описывающую реальные социально-экономические явления и процессы.