- •2. Предмет, метод и задачи статистики.
- •3.Сущность сводки и группировки статистических данных.
- •4. Виды группировок.
- •5. Статистические ряды распределения.
- •6. Понятие статистических таблиц, основные требования построения.
- •7. Статистическое наблюдение: формы, виды, и способы.
- •8. Современная организация государственной статистики России.
- •9. Статистическая отчётность.
- •10. Контроль материалов наблюдения.
- •11. Понятие, методы расчёта абсолютных и относительных величин.
- •12. Виды относительных величин.
- •13. Принципы построения относительных величин. Системы статистических показателей. Общие принципы построения относительных статистических показателей
- •Понятие о системах статистических показателей
- •14. Графическое отображение статистических данных.
- •15. Понятие, сущность, значение средних величин.
- •17.Виды степенных средних.
- •Формула средней гармонической:
- •Гармоническая простая
- •Квадратическая простая
- •Квадратическая взвешенная
- •18.Структурные средние величины.
- •19.Понятие и сущность рядов динамики в статистике.
- •21.Средние показатели рядов динамики.
- •22.Понятие и методология выравнивания рядов динамики.
- •23. Анализ сезонных колебаний.
- •24. Аналитическое выравнивание.
- •Графическое представление полиномов n-порядка
- •25. Методы прогнозирования в статистике.
- •28. Нормальное распределение и его свойства.
- •Моменты
- •Бесконечная делимость
- •Максимальная энтропия
- •29.Сущность, значение и категории выборочного наблюдения.
- •30.Виды и способы отбора.
- •31.Ошибки выборочного наблюдения.
- •32. Определение объема выборки.
- •33. Понятие корреляционно-регрессионного анализа в статистике.
- •I. Множественный корреляционно-регрессионный анализ.
- •37.Понятие и основные элементы индексов.
- •2. Индивидуальные индексы
- •38.Агрегатные индексы.
- •4. Другие агрегатные индексы
- •39. Индексный анализ при изучении экономических явлений.
- •40. Средневзвешенные индексы.
- •41. Понятие вариационного ряда.
- •42. Методологические вопросы построения группировок.
- •43. Статистические таблицы, их виды и основные правила построения и оформления.
- •Групповые таблицы
- •Комбинационные таблицы
- •44. Абсолютные статистические величины, их виды, значение и единицы измерения.
- •45. Понятие о статистическом графике, его основные элементы и правила построения.
- •46. Виды статистических графиков.
- •47. Средняя гармоническая и другие виды средних.
- •48. Обусловленность выбора средней характером исходной информации.
- •49. Мода и медиана, их смысл и значение в социально-экономических исследованиях, способы вычисления.
- •50. Дисперсия альтернативного признака.
- •51. Сущность выборочного наблюдения и его теоретические основы.
- •52. Определение необходимой численности (объема) выборки.
- •53. Понятие о рядах динамики, их виды и правила построения.
- •54. Аналитические показатели динамического ряда, способы их расчета и взаимосвязь.
- •55. Средние показатели динамического ряда и методы их расчета.
- •56. Понятие тенденции ряда динамики и основные методы ее выявления (укрупнение интервалов, способ скользящей средней).
- •57. Аналитическое выравнивание уровней ряда динамики. Уравнение тренда. Понятие о интерполяции и экстраполяции.
- •58. Принципы построения многофакторных индексов.
I. Множественный корреляционно-регрессионный анализ.
Множественный корреляционно-регрессионный анализ
Парная корреляция и парная регрессия
Парная корреляция
Частная корреляция
Регрессионная зависимость и её выбор
Уравнение в натуральном масштабе ŷ =XB
Уравнение в стандартизованном виде
Частные и множественные коэффициенты детерминации
Пример моделей приведён в табл.1.
Таблица 1
Наиболее распространенные нелинейные модели
|
Нелинейная модель |
Преобразование исходных данных для перехода к линейному виду |
Описываемые процессы |
1. |
Полиномиальная ŷ=a0+a1x1+a2x22+…+amxmm
|
x11x122… x1mm y*=y; x*= x12x222… x2mm |
Процессы, меняющие направление |
2. |
Линейно-логарифмическая ŷ=ax1a1.x2a2…xmam |
y*=lg(y); x*=||ajlgxij|| |
|
3. |
Экспоненциальная ŷ=e a0+a1x1+…+amxm |
y*=ln(y); x*=x |
|
4. |
Сложная экспоненциальная ŷ=1/(1+e a0+a1x1+…+amxm) |
y*=ln(y-1-e); x*=x |
|
5. |
Обратная ŷ=1/(a0+a1x1+a2x22+…+amxmm) |
y*=y-1; x*=x |
|
Оценка достоверности полученной модели и её параметрических характеристик.
А. Статистические оценки надежности регрессионной модели в целом:
коэффициент множественной детерминации и корреляции;
средний квадрат модельной ошибки;
коэффициент аппроксимации;
F-критерий Фишера.
В. Статистическая оценка надежности коэффициентов регрессии:
t - критерий Стьюдента
С. Статистические оценки достоверности коэффициентов корреляции:
t - критерий Стьюдента для частных и парных коэффициентов корреляции;
F-критерий Снедекора для коэффициентов множественной детерминации.
Анализ проводить по принципу: от простого к более сложному:
а) рассматривать простейший случай линейной зависимости двух переменных Y и X, где Y ‑ зависимая переменная, Х ‑ факторная переменная;
b) произвести статистическое оценивание неизвестных параметров регрессионного уравнения b0 и b1 (Y= b0 + b1Х+U) и дисперсионной ошибки 2;
с) оценить качество регрессионной модели и параметрические значения: b0, b1, 2;
d) перейти к случаю с любым числом факторных переменных Х;
е) перейти на нелинейные регрессионные модели.
Исходные данные регрессионного анализа могут быть центрированы:
где ‑ средние значения.
Два особых случая регрессионной модели:
1) регрессионная модель не содержит параметра b0;
2) регрессионная модель содержит один коэффициент регрессии:
Первый случай: Yi= b1Хi+Ui , Ui N(0, 2);
Второй случай: Yi= b0 + Ui, Ui N(0, 2);
Авторегрессионая модель
y=Xb+Uyi= bХi+Ui
Ui= Ui-1 +i
Авторегрессионая модель представляет случай коррелированности наблюдений, например, во времени (последующее событие часто зависит от совершения предыдущего).
Метод корреляционно-регрессионного анализа.
Термин «регрессия» ввел английский психолог и антрополог Ф.Гальтон.
Для точного описания уравнения регрессии необходимо знать закон распределения результативного показателя у. В статистической практике обычно приходится ограничиваться поиском подходящих аппроксимаций для неизвестной истинной функции регрессии Д(х), так как исследователь не располагает точным знанием условного закона распределения вероятностей анализируемого результатирующего показателя у при заданных значениях аргумента х.
Рассмотрим взаимоотношение между истинной f(х) = М(у/х). модельной регрессией у и оценкой у регрессии. Пусть результа–тив–ный показатель у связан с аргументом х соотношением:
у=2х1,5 +?i,
где Ei – случайная величина, имеющая нормальный закон распределения, причем M? = 0 и d? – ?2.
Истинная функция регрессии в этом случае имеет вид:
f(х) = М(у/х) = 2х11,5 1,5+?i
Для наилучшего восстановления по исходным статистическим данным условного значения результативного показателя f(х) и неизвестной функции регрессии /(х) = М(у/х) наиболее часто используют следующие критерии адекватности (функции потерь).
Согласно методу наименьших квадратов минимизируется квадрат отклонения наблюдаемых значений результативного показателя yi(i= 1, 2, ..., п) от модельных значений yi = f(хi), где хi значение вектора аргументов в i – м наблюдении:
?(yi – f(хi)2 > min,
Получаемая регрессия называется среднеквадратической.
Согласно методу наименьших модулей, минимизируется сумма абсолютных отклонений наблюдаемых значений результативного показателя от модульных значений:
yi = f (хi)
И получаем среднеабсолютную медианнуюрегрессию:
Регрессионный анализ – это метод статистического анализа зависимости случайной величины у от переменных хj-(j=1, 2, ...,k), рассматриваемых в регрессионном анализе как неслучайные величины, независимо от истинного закона распределения хj.