- •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.
61. Парная регрессия.
Парная регрессия позволяет получить аналитическое выражение связи между двумя признаками: результативным и факторным. Определить тип уравнения можно, исследуя зависимость графически, однако существуют более общие указания, позволяющие выявить уравнение связи, не прибегая к графическому изображению. Если результативный и факторный признаки возрастают одинаково, то это свидетельствует о том, что связь между ними линейная, а при обратной связи - гиперболическая. Если результативный признак увеличивается в арифметической прогрессии, а факторный значительно быстрее, то используется параболическая или степенная регрессия.
62. Применение мнк для оценки параметров уравнения регрессии.
О ценка параметров уравнений регрессии (a0, a1, и a2 – в уравнении параболы второго порядка) осуществляется МНК, в основе которого лежит предположение о независимости наблюдений исследуемой совокупности и нахождении параметров модели (a0 , a1), при которых минимизируется сумма квадратов отклонений эмпирических (фактических) значений результативного признака от теоретических. Система нормальных уравнений для нахождения параметров линейной парной регрессии МНК имеет следующий вид:
где n - объем исследуемой совокупности (число единиц наблюдения). В уравнениях регрессии параметр a0 показывает усредненное влияние на результативный признак неучтенных в уравнении факторных признаков. Коэффициент регрессии a1 показывает, на сколько в среднем изменяется значение результативного признака при увеличении факторного признака на единицу собственного измерения.
65. Множественная регрессия.
Изучение связи между тремя и более связанными между собой признаками носит название множественной (многофакторной) регрессии: 1,2,…к = f(х1, х2,….хк)
Построение моделей множественной регрессии включает несколько этапов:
1. Выбор формы связи (уравнения регрессии);
2. Отбор факторных признаков;
3. Обеспечение достаточного объема совокупности.
Выбор типа уравнения затрудняется тем, что для любой формы зависимости можно выбрать целый ряд уравнений, которые в определенной степени будут описывать эти связи. Основное значение имеют линейные модели в силу простоты и логичности их экономической интерпретации. Важным этапом построения уже выбранного уравнения множественной регрессии является отбор и последующее включение факторных признаков. С одной стороны, чем больше факторных признаков включено в уравнение, тем оно лучше описывает явление. Однако модель размерностью 100 и более факторных признаков сложно реализуема и требует больших затрат машинного времени. Наиболее приемлемым способом отбора факторных признаков является шаговая регрессия (шаговый регрессионный анализ). Сущность метода шаговой регрессии заключается в реализации алгоритмов последовательного “включения”, “исключения” или “включения-исключения” факторов в уравнение регрессии и последующей проверке их статистической значимости. Алгоритм
“включения” заключается в том, что факторы поочередно вводятся в уравнение так называемым «прямым методом». При построении модели регрессии возможна проблема
мультиколлинеарности, под которой понимается тесная зависимость между факторными признаками, включенными в модель (rx ij> 08 ).
Качество уравнения регрессии зависит от степени достоверности и надежности исходных данных и объема совокупности. Исследователь должен стремиться к увеличению числа наблюдений, так как большой объем наблюдений является одной из предпосылок построения адекватных статистических моделей. Аналитическая форма связи результативного признака от нескольких факторных выражается и называется множественным уравнением регрессии или моделью связи. Линейное уравнение множественной регрессии имеет вид: 1,2,…к = а0+а1х1+а2х2+…+акхк; где 1,2,…к - теоретические значения результативного признака, полученные в результате подстановки соответствующих значений факторных признаков в уравнение регрессии; х1,х2….хк - факторные признаки; а1,а2,…ак - параметры модели (коэффициенты регрессии). Параметры уравнения могут быть определены графическим методом или МНК.