Корреляционно-регрессионный анализ

Министерство общего и профессионального

образования Российской Федерации

Московский Государственный Технический Университет “МАМИ”

Кафедра:

“Бухгалтерский учет и финансы предприятий”

КУРСОВАЯ РАБОТА

по курсу

“СТАТИСТИКА”

на тему:

«Корреляционно-регрессионый анализ

зависимости работающих активов

от капитала по показателям 32 банков»

Студентки группы 4-ЭФЭ-4
Ревняковой О.В.

Руководитель: Ковалева О.Б.

Москва-2002

План

I. Введение (“Что такое статистика?”; факты из истории)

II. Основная часть

1) Причинно-следственная связь.

2) Функциональные и стохастические связи.

Прямые и обратные связи.

Прямолинейные и криволинейные связи.

Однофакторные и многофакторные связи.

Статистические методы моделирования связи.

Статистическое моделирование связи методом корреляционного и регрессионного анализа.

Двухмерная линейная модель корреляционного и регрессионного анализа.

5) Проверка адекватности регрессионной модели.

6) Экономическая интерпретация параметров регрессии.

III. Заключение

IV. Список литературы

Введение

Слово “статистика” приходит от латинского слова status (состояние), которое употреблялось в значении “политическое состояние”. Отсюда итальянские слова stato – государство и statista – знаток государств, отсюда также и немецкое слово Staat и английское state. В научный оборот слово “статистика” ввёл профессор Геттингенского университета Готфрид Ахенваль (1719 - 1772), и понималось оно тогда как государствоведение.

Прежде чем стать наукой в ее современном понимании статистика прошла многовековую историю развития.

Числовые данные, относящиеся к тем или иным явлениям, начали применяться уже в глубокой древности. Так, известно, что еще за 5 тысяч лет до нашей эры проводился подсчёт населения в Китае, вёлся учет имущества в Древнем Риме, в средние века проводились переписи населения, домашнего имущества, земель. Эти сведения использовались в основном в военных целях и при обложении налогами. В столь отдаленные времена осуществлялся лишь сбор статистических сведений, а их обработку и анализ, то есть зарождение статистики как науки следует отнести ко второй половине 17 века. Именно в это время профессор физиологии и права Г. Ахенваль с 1746 года начал читать впервые в Марбургском, а затем в Геттингенском университетах новую учебную дисциплину, которую он и назвал статистикой. Основным содержанием этого курса было описание политического состояния и достопримечательностей государства.

Это направление развития статистики получило название описательного. Содержание, задачи, предмет изучения статистики в понимании Г. Ахенваля были далеки от современного взгляда на статистику как науку.

Гораздо ближе к современному пониманию статистики была английская школа политических арифметиков, которая возникла на 100 лет раньше немецкой описательной школы, ее основателями были В. Петти (1623-1687гг.) и Дж. Граунт (1620-1674 гг.). Политические арифметики путём обобщения и анализа фактов стремились цифрами охарактеризовать состояние и развитие общества, показать закономерности развития общественных явлений, проявляющихся в массовом материале. История показала, что именно школа политических арифметиков явилась истоком возникновения современной статистики как науки. В. Петти по праву считается создателем экономической статистики.

В первой половине 19 века возникло третье направление статистической науки – статистико-математическое. Среди представителей этого направления следует отметить бельгийского статистика А. Кетле (1796-1874 гг.) – основоположника учения о средних величинах. Математическое направление в статистике развивалось в работах англичан Ф. Гальтона (1822-1911 гг.) и К. Пирсона (1857-1936 гг.), В. Госсета (1876-1937 гг.), более известного под псевдонимом Стьюдента, Р. Фишера (1890-1962 гг.), М. Митчела (1874-1948 гг.) и др. Представители этого направления считали основой статистики теорию вероятностей, составляющую одну из отраслей прикладной математики.

В развитии российской статистической науки и практики видное место принадлежит И.К. Кириллову (1689-1737 гг.), И.Ф. Герману (1755-1815 гг.), Д.Н. Журавскому (1810-1856 гг.), Н.Н. Семенову-Тян-Шанскому (1827-1914 гг.), Ю.Э. Янсону (1835-1893), А.. Чупрову (1874-1926 гг.), В.С. Немчинову (1894-1964 гг.), С.Г. Струмилину (1877-1974 гг.), В.Н. Старовскому (1905-1975 гг.) и др.

Большим шагом в развитии статистической науки послужило применение экономико-математических методов и широкое использование компьютерной техники в анализе социально-экономических явлений.

В настоящее время ведется работа по совершенствованию статистической методологии и завершению перехода Российской Федерации на принятую в международной практике систему учёта и статистике в соответствии с требованиями развития рыночной экономики.

Таким образом, история развития статистики показывает, что статистическая наука сложилась в результате теоретического обобщения накопленного человечеством передового опыта учётно-статистических работ, обусловленных прежде всего потребностями управления жизни общества.

Развитие статистической науки, расширение сферы применения практических статистических исследований, ее активное участие в механизме управления экономикой привели к изменению содержания самого понятия “статистика”.

Сейчас термин “статистика” употребляется в трёх значениях:

Отрасль практической деятельности (“статистический учёт”) по сбору, обработке, анализу и публикации массовых цифровых данных о самых различных явлениях и процессах общественной жизни; эту деятельность на профессиональном уровне осуществляет государственная статистика – Государственный комитет по статистике Российской Федерации и система его учреждений, организованных по административно-территориальному признаку, а также ведомственная статистика (на предприятиях, в объединениях, ведомствах, министерствах);

Совокупность цифровых сведений, статистические данные, предоставляемые в отчетности предприятий, организаций, отраслей экономики, а также публикуемые в сборниках, справочниках, периодической прессе, которые являются результатом статистической работы;

Отрасль общественных наук, специальная научная дисциплина, изучаемая в высших и средних специальных учреждениях.

Цель статистики в экономике – это возможность правильно выбрать решения в условиях неопределенности сложившейся ситуации, умение спрогнозировать и предугадать социально-экономические явления, сделать правильные выводы и внести свой вклад в развитие экономической жизни.

Выявление взаимосвязей – одна из важнейших задач применения статистики в экономике.

В своей работе я рассмотрю корреляционно-регрессионный метод выявления взаимосвязи и проиллюстрирую его на примере взаимосвязи капитала и работающих активов 32 банков.

Причинно-следственная связь.

Исследование объективно существующих связей между явлениями – важнейшая задача общей теории статистики. В процессе статистического исследования зависимостей вскрываются причинно-следственные отношения между явлениями, что позволяет выявлять факторы (признаки), оказывающие существенное влияние на вариацию изучаемых явлений и процессов. Причинно-следственные отношения – это связь явлений и процессов, когда изменение одного и них – причины – ведет к изменению другого – следствия.

Причина – это совокупность условий, обстоятельств, действие которых приводит к появлению следствия. Если между явлениями действительно существуют причинно-следственные отношения, то эти условия должны обязательно реализовываться вместе с действием причин. Причинные связи носят всеобщий и многообразный характер, и для обнаружения причинно-следственных связей необходимо отбирать отдельные явления и изучать их изолированно.

Особое значение при исследовании причинно-следственных связей имеет выявление временной последовательности: причина всегда должна предшествовать следствию, однако не каждое предшествующее событие следует считать причиной, а последующее следствием.

В реальной социально-экономической действительности причину и следствие необходимо рассматривать как смежные явления, появление которых обусловлено комплексом сопутствующих более простых причин и следствий. Между сложными группами причин и следствий возможны многозначительные связи, когда за одной причиной будет следовать то одно, то другое действие или одно действие имеет несколько различных причин. Чтобы установить однозначную причинную связь между явлениями или предсказать возможные следствия конкретной причины, необходима полная абстракция от всех прочих явлений в исследуемой временной или пространственной среде. Теоретически такая абстракция воспроизводится. Приемы абстракции часто применяются при изучении взаимосвязей между двумя признаками (парной корреляции). Но чем сложнее изучаемые явления, тем труднее выявить причинно-следственные связи между ними. Взаимное переплетение различных внутренних и внешних факторов неизбежно приводит к некоторым ошибкам в определении причины и следствия.

Социально-экономические явления представляют собой результат одновременного воздействия большого числа причин. Следовательно, при изучении этих явлений необходимо выявлять главные, основный причины, абстрагируясь от второстепенных.

В основе первого этапа статистического изучения связи лежит качественный анализ изучаемого явления, связанный с анализом природы, социального или экономического явления методами экономической теории, социологии, конкретной экономики. Второй этап – построение модели связи. Он базируется на методах статистики: группировках, средних величинах, таблицах и т.д. Третий, последний этап – интерпретация результатов – вновь связан с качественными особенностями изучаемого явления.

Статистика разработала множество методов изучения связей, выбор которых зависит от целей исследования и от поставленных задач. Связи между признаками и явлениями, ввиду их большого разнообразия, классифицируются по ряду оснований. Признаки по их значению для изучения взаимосвязи делятся на 2 класса. Признаки, обуславливающие изменения других, связанных с ними признаков, называются факторными, или просто факторами. Признаки, изменяющиеся под действием факторных признаков, являются результативными. Связи между явлениями и их признаками классифицируются по степени тесноты связи, направлению и аналитическому выражению.

Функциональные и стохастические связи.

Между различными явлениями и их признаками необходимо прежде всего выделить 2 типа связей: функциональную (жестко детерминированную) и статистическую (стохастически детерминированную).

В соответствии с жестко детерминистическим представлением о функционировании экономических систем необходимость и закономерность однозначно проявляются в каждом отдельном явлении, то есть любое действие вызывает строго определенный результат; случайными (непредвиденными заранее) воздействиями при этом пренебрегают. Поэтому при заданных начальных условиях состояние такой системы может быть определено с вероятностью, равной 1. Разновидностью такой закономерности является функциональная связь.

Связь признака у с признаком х называется функциональной, если каждому возможному значению независимого признака х соответствует 1 или несколько строго определенных значений зависимого признака у. Определение функциональной связи может быть легко обобщено для случая многих признаков х₁,х₂ …х_n .

Характерной особенностью функциональных связей является то, что в каждом отдельном случае известен полный перечень факторов, определяющих значение зависимого (результативного) признака, а также точный механизм их влияния, выраженный определенным уравнением.

Функциональную связь можно представить уравнением:

y_i= (x_i),

где y_i - результативный признак ( i = 1, … , n);

f(x_i) - известная функция связи результативного и факторного признаков;

x_i - факторный признак.

В реальной общественной жизни ввиду неполноты информации жестко детерминированной системы, может возникнуть неопределенность, из-за которой эта система по своей природе должна рассматриваться как вероятностная, при этом связь между признаками становится стахостической.

Стахостическая связь – это связь между величинами, при которой одна из них, случайная величина у, реагирует на изменение другой величины х или других величин х₁,х₂ …х_n (случайных или неслучайных) изменением закона распределения. Это обуславливается тем, что зависимая переменная (результативный признак), кроме рассматриваемых независимых, подвержена влиянию ряда неучтенных или неконтролируемых (случайных) факторов, а также некоторых неизбежных ошибок измерения переменных. Поскольку значения зависимой переменной подвержены случайному разбросу, они не могут быть предсказаны с достаточной точностью, а только указаны с определенной вероятностью.

Характерной особенностью стахостических связей является то, что они проявляются во всей совокупности, а не в каждой ее единице. Причём неизвестен ни полный перечень факторов, определяющих значение результативного признака, ни точный механизм их функционирования и взаимодействия с результативным признаком. Всегда имеет место влияние случайного. Появляющиеся различные значения зависимой переменной – реализация случайной величины.

Модель стохастической связи может быть представлена в общем виде уравнением:

ŷ_i = (x_i) + _i ,

где ŷ_i - расчётное значение результативного признака;

f(x_i) - часть результативного признака, сформировавшаяся под воздействием учтенных известных факторных признаков(одного или множества), находящихся в стахостической связи с признаком;

_i - часть результативного признака, возникшая в следствие действия неконтролируемых или неучтенных факторов, а также измерения признаков, неизбежно сопровождающегося некоторыми случайными ошибками.

Проявление стохастических связей подвержено действию закона больших чисел: лишь в достаточно большом числе единиц индивидуальные особенности сгладятся, случайности взаимопогасятся, и зависимость, если она имеет существенную силу, проявится достаточно отчётливо.

Корреляционная связь существует там, где взаимосвязанные явления характеризуются только случайными величинами. При такой связи среднее значение (математическое ожидание) случайной величины результативного признака у закономерно изменяется в зависимости от изменения другой величины х или других случайных величин х₁,х₂ …х_n. Корреляционная связь проявляется не в каждом отдельном случае, а во всей совокупности в целом. Только при достаточно большом количестве случаев каждому значению случайного признака х будет соответствовать распределение средних значений случайного признака у. Наличие корреляционных связей присуще многим общественным явлениям.

Корреляционная связь – понятие более узкое, чем стохастическая связь. Последняя может отражаться не только в изменении средней величины, но и в вариации одного признака в зависимости от другого, то есть любой другой характеристики вариации. Таким образом, корреляционная связь является частным случаем стохастической связи.

Прямые и обратные связи. В зависимости от направления действия, функциональные и стахостические связи могут быть прямые и обратные. При прямой связи направление изменения результативного признака совпадает с направлением изменения признака-фактора, то есть с увеличением факторного признака увеличивается и результативный, и, наоборот, с уменьшением факторного признака уменьшается и результативный признак. В противном случае между рассматриваемыми величинами существуют обратные связи. Например, чем выше квалификация рабочего (разряд), тем выше уровень производительности труда – прямая связь. А чем выше производительность труда, тем ниже себестоимость единицы продукции – обратная связь.

Прямолинейные и криволинейные связи. По аналитическому выражению (форме) связи могут быть прямолинейными и криволинейными. При прямолинейной связи с возрастанием значения факторного признака происходит непрерывное возрастание (или убывание) значений результативного признака. Математически такая связь представляется уравнением прямой, а графически – прямой линией. Отсюда ее более короткое название – линейная связь. При криволинейных связях с возрастанием значения факторного признака возрастание (или убывание) результативного признака происходит неравномерно, или же направление его изменения меняется на обратное. Геометрически такие связи представляются кривыми линиями (гиперболой, параболой и т.д.).

Однофакторные и многофакторные связи. По количеству факторов, действующих на результативный признак, связи различаются: однофакторные (один фактор) и многофакторные (два и более факторов). Однофакторные (простые) связи обычно называются парными (т.к. рассматривается пара признаков). Например, корреляционная связь между прибылью и производительностью труда. В случае многофакторной (множественной) связи имеют в виду, что все факторы действуют комплексно, то есть одновременно и во взаимосвязи. Например, корреляционная связь между производительностью труда и уровнем организации труда, автоматизации производства, квалификации рабочих, производственным стажем, простоями и другими факторными признаками. С помощью множественной корреляции можно охватить весь комплекс факторных признаков и объективно отразить существующие множественные связи.

Статистические методы моделирования связи.

Для исследования стохастических связей широко используется метод сопоставления двух параллельных рядов, метод аналитических группировок, корреляционный анализ, регрессионный анализ и некоторые непараметрические методы.

Метод сопоставления двух параллельных рядов является одним из простейших методов. Для этого факторы, характеризующие результативный признак располагают в возрастающем или убывающем порядке (в зависимости от эволюции процесса и цели исследования), а затем прослеживают изменение величины результативного признака. Сопоставление и анализ расположенных таким образом рядов значений изучаемых величин позволяют установить наличие связи и ее направление. Зависимость между факторами и показателями может прослеживаться во времени (параллельные динамические ряды).

Метод аналитических группировок тоже относится к простейшим методам. Чтобы выявить зависимость с помощью этого метода, нужно произвести группировку единиц совокупности по факторному признаку и для каждой группы вычислить среднее или относительное значение результативного признака. Сопоставляя затем изменения результативного признака по мере изменения факторного можно выявить направление, характер и тесноту связи между ними.

В общем виде задача статистики в области изучения взаимосвязей состоит не только в количественной оценке их наличия, направления и силы связи, но и в определении формы (аналитического выражения) влияния факторных признаков на результативный. Для ее решения применяют методы корреляционного и регрессионного анализа.

Статистическое моделирование связи методом

корреляционного и регрессионного анализа.

Задачи корреляционного анализа сводятся к измерению тесноты известной связи между варьирующими признаками, определению неизвестных причинных связей (причинный характер которых должен быть выяснен с помощью теоретического анализа) и оценки факторов, оказывающих наибольшее влияние на результативный признак.

Задачами регрессионного анализа являются выбор типа модели (формы связи), установление степени влияния независимых переменных на зависимую и определение расчётных значений зависимой переменной (функции регрессии).

Решение всех названных задач приводит к необходимости комплексного использования этих методов.

Корреляционный и регрессионный анализ. Исследование связей в условиях массового наблюдения и действия случайных факторов осуществляется, как правило, с помощью экономико-статистических моделей. В широком смысле модель – это аналог, условный образ (изображение, описание, схема, чертёж и т.п.) какого-либо объекта, процесса или события, приближенно воссоздающий «оригинал». Модель представляет собой логическое или математическое описание компонентов и функций, отображающих существенные свойства моделируемого объекта или процесса, даёт возможность установить основные закономерности изменения оригинала. В модели оперируют показателями, исчисленными для качественно однородных массовых явлений (совокупностей). Выражение и модели в виде функциональных уравнений используют для расчёта средних значений моделируемого показателя по набору заданных величин и для выявления степени влияния на него отдельных факторов.

По количеству включаемых факторов модели могут быть однофакторными и многофакторными (два и более факторов).

В зависимости от познавательной цели статистические модели подразделяются на структурные, динамические и модели связи.

Двухмерная линейная модель корреляционного и регрессионного анализа (однофакторный линейный корреляционный и регрессионный анализ). Наиболее разработанной в теории статистики является методология так называемой парной корреляции, рассматривающая влияние вариации факторного анализа х на результативный признак у и представляющая собой однофакторный корреляционный и регрессионный анализ. Овладение теорией и практикой построения и анализа двухмерной модели корреляционного и регрессионного анализа представляет собой исходную основу для изучения многофакторных стохастических связей.

Важнейшим этапом построения регрессионной модели (уравнения регрессии) является установление в анализе исходной информации математической функции. Сложность заключается в том, что из множества функций необходимо найти такую, которая лучше других выражает реально существующие связи между анализируемыми признаками. Выбор типов функции может опираться на теоретические знания об изучаемом явлении, опят предыдущих аналогичных исследований, или осуществляться эмпирически – перебором и оценкой функций разных типов и т.п.

При изучении связи экономических показателей производства (деятельности) используют различного вида уравнения прямолинейной и криволинейной связи. Внимание к линейным связям объясняется ограниченной вариацией переменных и тем, что в большинстве случаев нелинейные формы связи для выполнения расчётов преобразуют (путём логарифмирования или замены переменных) в линейную форму. Уравнение однофакторной (парной) линейной корреляционной связи имеет вид:

ŷ = a₀ + a₁x ,

где ŷ - теоретические значения результативного признака, полученные по уравнению регрессии;

a₀, a₁ - коэффициенты (параметры) уравнения регрессии.

Поскольку a₀ является средним значением у в точке х=0, экономическая интерпретация часто затруднена или вообще невозможна.

Коэффициент парной линейной регрессии a₁ имеет смысл показателя силы связи между вариацией факторного признака х и вариацией результативного признака у. Вышеприведенное уравнение показывает среднее значение изменения результативного признака у при изменении факторного признака х на одну единицу его измерения, то есть вариацию у, приходящуюся на единицу вариации х. Знак a₁ указывает направление этого изменения.

Параметры уравнения a₀, a₁ находят методом наименьших квадратов (метод решения систем уравнений, при котором в качестве решения принимается точка минимума суммы квадратов отклонений), то есть в основу этого метода положено требование минимальности сумм квадратов отклонений эмпирических данных y_i от выравненных ŷ :

(y_i – ŷ)² = (y_i – a₀ – a₁x_i)²  min

Для нахождения минимума данной функции приравняем к нулю ее частные производные и получим систему двух линейных уравнений, которая называется системой нормальных уравнений:

.

Р
ешим эту систему в общем виде:

П


араметры уравнения парной линейной регрессии иногда удобно исчислять по следующим формулам, дающим тот же результат:

Определив значения a₀, a₁ и подставив их в уравнение связи ŷ = a₀ + a₁x , находим значения ŷ , зависящие только от заданного значения х.

Рассмотрим построение однофакторного уравнения регрессии зависимости работающих активов у от капитала х (см. приложение, таблица 1).

Здесь представлены показатели 32 банков: размер капитала и работающих активов. Передо мной стоит задача определить, есть ли зависимость между этими двумя признаками и, если она существует, определить форму этой зависимости, то есть уравнение регрессии.

За факторный признак я взяла размер капитала банка, а за результативный признак – работающие активы.

Сопоставление данных параллельных рядов признаков х и у показывает, что с убыванием признака х (капитал), в большинстве случаев убывает и признак у (работающие активы).

Следовательно, можно предположить, что между х и у существует прямая зависимость, пусть неполная, но выраженная достаточно ясно.

Для уточнения формы связи между рассматриваемыми признаками я использовала графический метод. Я нанесла на график точки, соответствующие значениям х и у, и получила корреляционное поле (см. приложение, график 1).

Анализируя поле корреляции, можно предположить, что возрастание признака у идет пропорционально признаку х. В основе этой зависимости лежит прямолинейная связь, которая может быть выражена простым линейным уравнением регрессии:

ŷ = a₀ + a₁x,

где ŷ - теоретические расчётные значения результативного признака (работающие активы), полученные по уравнению регрессии;

a₀, a₁ - коэффициенты (параметры) уравнения регрессии;

х – капитал исследуемых банков.

Пользуясь вышеуказанными формулами для вычисления параметров линейного уравнения регрессии и расчётными значениями из таблицы 1, получаем:

Следовательно, регрессионная модель зависимости работающих активов от капитала банков может быть записана в виде конкретного простого уравнения регрессии:

.

Это уравнение характеризует зависимость работающих активов от капитала банка. Расчётные значения ŷ , найденные по этому уравнению, приведены в таблице 1. Правильность расчёта параметров уравнения регрессии может быть проверена сравниванием сумм ∑у = ∑ŷ . В моем случае эти суммы равны.

Но для того, чтобы применить мою формулу, надо рассчитать, насколько она приближенна к реальности, то есть проверить ее адекватность.

Проверка адекватности регрессионной модели.

Для практического использования моделей регрессии большое значение имеет их адекватность, т.е. соответствие фактическим статистическим данным.

Корреляционный и регрессионный анализ обычно (особенно в условиях так называемого малого и среднего бизнеса) проводится для ограниченной по объёму совокупности. Поэтому показатели регрессии и корреляции – параметры уравнения регрессии, коэффициенты корреляции и детерминации могут быть искажены действием случайных факторов. Чтобы проверить, насколько эти показатели характерны для всей генеральной совокупности, не являются ли они результатом стечения случайных обстоятельств, необходимо проверить адекватность построенных статистических моделей.

При численности объектов анализа до 30 единиц возникает необходимость проверки значимости (существенности) каждого коэффициента регрессии. При этом выясняют насколько вычисленные параметры характерны для отображения комплекса условий: не являются ли полученные значения параметров результатами действия случайных причин.

Значимость коэффициентов простой линейной регрессии (применительно к совокупностям, у которых n t_табл. В таком случае практически невероятно, что найденные значения параметров обусловлены только случайными совпадениями.

Т
еперь я рассчитаю t-критерий Стьюдента для моей модели регрессии.

- это средние квадратические отклонения.

Расчетные значения t-критерия Стьюдента:

По таблице распределения Стьюдента я нахожу критическое значение t-критерия для ν= 32-2 = 30 . Вероятность α я принимаю 0,05. t_табл равно 2,042. Так как, оба значения ta₀ и ta₁ больше t_табл , то оба параметра а₀ и а₁ признаются значимыми и отклоняется гипотеза о том, что каждый из этих параметров в действительности равен 0 , и лишь в силу случайных обстоятельств оказался равным проверяемой величине.

Проверка адекватности регрессионной модели может быть дополнена корреляционным анализом. Для этого необходимо определить теснотукорреляционной связи между переменными х и у. Теснота корреляционной связи, как и любой другой, может быть измерена эмпирическим корреляционным отношением η_э , когда δ² (межгрупповая дисперсия) характеризует отклонения групповых средних результативного признака от общей средней:.

Говоря о корреляционном отношении как о показателе измерения тесноты зависимости, следует отличать от эмпирического корреляционного отношения – теоретическое.

Теоретическое корреляционное отношение η представляет собой относительную величину, получающуюся в результате сравнения среднего квадратического отклонения выравненных значений результативного признака δ, то есть рассчитанных по уравнению регрессии, со средним квадратическим отношением эмпирических (фактических) значений результативности признака σ:

,

где ; .

Тогда .

Изменение значения η объясняется влиянием факторного признака.

В основе расчёта корреляционного отношения лежит правило сложения дисперсий, то есть , где - отражает вариацию у за счёт всех остальных факторов, кроме х , то есть являются остаточной дисперсией:

.

Тогда формула теоретического корреляционного отношения примет вид:

,

или .

Подкоренное выражение корреляционного выражения представляет собой коэффициент детерминации (мера определенности, причинности).

Коэффициент детерминации показывает долю вариации результативного признака под влиянием вариации признака-фактора.

Теоретическое корреляционное выражение применяется для измерения тесноты связи при линейной и криволинейной зависимостях между результативным и факторным признаком.

Как видно из вышеприведенных формул корреляционное отношение может находиться от 0 до 1. Чем ближе корреляционное отношение к 1, тем связь между признаками теснее.

Теоретическое корреляционное отношение применительно к моему анализу я рассчитаю двумя способами:

Полученное значение теоретического корреляционного отношения свидетельствует о возможном наличии среднестатистической связи между рассматриваемыми признаками. Коэффициент детерминации равен 0,62. Отсюда я заключаю, что 62% общей вариации работающих активов изучаемых банков обусловлено вариацией фактора – капитала банков (а 38% общей вариации нельзя объяснить изменением размера капитала).

Кроме того, при линейной форме уравнения применяется другой показатель тесноты связи – линейный коэффициент корреляции:

,

где n – число наблюдений.

Для практических вычислений при малом числе наблюдений (n≤20ч30) линейный коэффициент корреляции удобнее исчислять по следующей формуле:

.

Значение линейного коэффициента корреляции важно для исследования социально-экономических явлений и процессов, распределение которых близко к нормальному. Он принимает значения в интервале: -1≤ r ≤ 1.

Отрицательные значения указывают на обратную связь, положительные – на прямую. При r = 0 линейная связь отсутствует. Чем ближе коэффициент корреляции по абсолютной величине к единице, тем теснее связь между признаками. И, наконец, при r = ±1 – связь функциональная.

Используя данные таблицы 1 я рассчитала линейный коэффициент корреляции r. Но чтобы использовать формулу для линейного коэффициента корреляции рассчитаем дисперсию результативного признака σ_y:

Квадрат линейного коэффициента корреляции r² называется линейным коэффициентом детерминации. Из определения коэффициента детерминации очевидно, что его числовое значение всегда заключено в пределах от 0 до 1, то есть 0 ≤ r²≤ 1. Степень тесноты связи полностью соответствует теоретическому корреляционному отношению, которое является более универсальным показателем тесноты связи по сравнению с линейным коэффициентом корреляции.

Факт совпадений и несовпадений значений теоретического корреляционного отношения η и линейного коэффициента корреляции r используется для оценки формы связи.

Выше отмечалось, что посредством теоретического корреляционного отношения измеряется теснота связи любой формы, а с помощью линейного коэффициента корреляции – только прямолинейной. Следовательно, значения η и r совпадают только при наличии прямолинейной связи. Несовпадение этих величин свидетельствует, что связь между изучаемыми признаками не прямолинейная, а криволинейная. Установлено, что если разность квадратов η и r не превышает 0,1 , то гипотезу о прямолинейной форме связи можно считать подтвержденной. В моем случае наблюдается примерное совпадение линейного коэффициента детерминации и теоретического корреляционного отношения, что дает мне основание считать связь между капиталом банков и их работающими активами прямолинейной.

Показатели тесноты связи, исчисленные по данным сравнительно небольшой статистической совокупности, могут искажаться действием случайных причин. Это вызывает необходимость проверки их существенности, дающей возможность распространять выводы по результатам выборки на генеральную совокупность.

Для оценки значимости коэффициента корреляции r используют t-критерийСтьюдента, который применяется при t-распределении, отличном от нормального.

При линейной однофакторной связи t-критерий можно рассчитать по формуле:

,

где (n - 2) – число степеней свободы при заданном уровне значимости α и объеме выборки n.

Полученное значение t_расч сравнивают с табличным значением t-критерия (для α = 0,05 и 0,01). Если рассчитанное значение t_расч превосходит табличное значение критерия t_табл, то практически невероятно, что найденное значение обусловлено только случайными колебаниями (то есть отклоняется гипотеза о его случайности).

Так, для коэффициента корреляции между капиталом и работающими активами получается:

Если сравнить полученное t_расч с критическим значением из таблицы Стьюдента, где ν=30, а α=0,01 (t_табл=2,750), то полученное значение t-критерия будет больше табличного, что свидетельствует о значимости коэффициента корреляции и существенной связи между капиталом и работающими активами.

Таким образом, построенная регрессионная модель ŷ=245,75+1,42x в целом адекватна, и выводы полученные по результатам малой выборки можно с достаточной вероятностью распространить на всю гипотетическую генеральную совокупность.

Экономическая интерпретация параметров регрессии.

После проверки адекватности, установления точности и надежности построенной модели (уравнения регрессии), ее необходимо проанализировать. Прежде всего нужно проверить, согласуются ли знаки параметров с теоретическими представлениями и соображениями о направлении влияния признака-фактора на результативный признак (показатель).

В рассмотренном уравнении ŷ=245,75+1,42х , характеризующем зависимость размера работающих активов (у) от капиталов банков (х), параметр а₁>0. Следовательно, с возрастанием размера капитала банка размер работающих активов увеличивается.

Из уравнения следует, что возрастание капитала банка на 1 млн рублей приводит к увеличению работающих активов в среднем на 1,4 млн рублей (величину параметра а₁).

Для удобства интерпретации параметра a₁ используют коэффициент эластичности. Он показывает средние изменения результативного признака при изменении факторного признака на 1% и вычисляется по формуле, %:

.

В представленном анализе деятельности банков эта величина равна:

Это означает, что с увеличением размера капитала на 1% следует ожидать повышения размера работающих активов банков в среднем на 0,78% .

Этот вывод справедлив только для данной совокупности банков при конкретных условиях их деятельности.

Если же эти банки и условия считать типичными, то коэффициент регрессии может быть применен для расчета размера работающих активов по их капиталу и для других банков.

Имеет смысл вычислить остатки ε_i= y – ŷ, характеризующие отклонение i-х наблюдений от значений, которые следует ожидать в среднем.

Анализируя остатки, можно сделать ряд выводов о деятельности банков. Значения остатков (таблица 1, графа 8) имеют как положительные, так и отрицательные отклонения от ожидаемого. Таким образом выявляются банки, которые вкладывают больше денежных средств в оборот (положительные значения), и банки, предпочитающие пускать в оборот небольшую часть своих денежных средств (отрицательные значения остатков).

В итоге положительные отклонения размеров работающих активов уравновешиваются отрицательными значениями, то есть получается ∑ε_i=0.

Таким образом, в данной работе я установила корреляционную зависимость показателей 32 российских банков, провела регрессионный анализ и нашла регрессионную модель данной взаимосвязи показателей.

Полученное уравнение ŷ=245,75+1,42х позволяет проиллюстрировать зависимость размера работающих активов банков от размера их капитала.

А также я проверила мою модель на адекватность по критерию Стьюдента, результат оказался положительным (модель адекватна, т.е. ее можно применять), а затем дала экономическую оценку этой модели.

И так, с помощью корреляционно-регрессионного анализа, я исследовала показатели банков.

Список использованной литературы:

«Теория статистики», учебник под ред. Р.А. Шмойловой,

М.: Финансы и статистика, 2000. - 510 с.

«Практикум по теории статистики»., под ред. Р.А. Шмойловой,

М.: Финансы и статистика, 2001. - 456 с.

«Общая теория статистики» И.И. Елисеева, М.М. Юзбашев,

М.: Финансы и статистика, 2002. – 480 с.

«Теория статистики» В.М. Гусаров, М.: ЮНИТИ, 2001. – 247 с.

Журнал «Профиль», № 12, 25 марта 2002 г.

Overview Лист1
Лист2
Лист3

Sheet 1: Лист1

Банк	Капитал (млн.руб.) x	Раб./риск. активы (млн.руб.) y	x2	y2	xy	ŷ	y-ŷ	(y-ŷ)2	y-y	(y-y)2	ŷ-у	(ŷ-у)2
1	2	3	4	5	6	7	8	9	10	11	12	13
Славянский банк	936	1545	876096	2387025	1446120	1571.40	26.40	697.04	454.03	206143.24	480.43	230814.48
Локо-Банк	877	1758	769129	3090564	1541766	1487.84	-270.16	72986.25	667.03	444929.02	396.87	157506.06
Союзобщемашбанк	833	1075	693889	1155625	895475	1425.52	350.52	122866.71	-15.97	255.04	334.55	111926.03
БВТ	823	1369	677329	1874161	1126687	1411.36	42.36	1794.42	278.03	77300.68	320.39	102650.11
Финпромбанк	805	966	648025	933156	777630	1385.87	419.87	176288.55	-124.97	15617.50	294.90	86964.42
Московско-Парижский	750	1005	562500	1010025	753750	1307.97	302.97	91791.57	-85.97	7390.84	217.00	47089.54
Оптбанк	748	1590	559504	2528100	1189320	1305.14	-284.86	81145.98	499.03	249030.94	214.17	45868.21
Ми-Банк	730	1620	532900	2624400	1182600	1279.65	-340.35	115841.25	529.03	279872.74	188.68	35598.41
Интурбанк	703	1423	494209	2024929	1000369	1241.41	-181.59	32976.56	332.03	110243.92	150.44	22630.84
БРП	615	906	378225	820836	557190	1116.77	210.77	44424.76	-184.97	34213.90	25.80	665.73
Алеф-Банк	613	817	375769	667489	500821	1113.94	296.94	88172.91	-273.97	75059.56	22.97	527.59
"Аверс"	607	780	368449	608400	473460	1105.44	325.44	105912.16	-310.97	96702.34	14.47	209.42
"Первомайский"	603	1277	363609	1630729	770031	1099.78	-177.22	31408.23	186.03	34607.16	8.81	77.55
Русский Банкирский Дом	586	1426	343396	2033476	835636	1075.70	-350.30	122710.54	335.03	112245.10	-15.27	233.19
"Электроника"	570	1410	324900	1988100	803700	1053.04	-356.96	127421.38	319.03	101780.14	-37.93	1438.79
Первый Республиканский	551	1161	303601	1347921	639711	1026.13	-134.87	18190.15	70.03	4904.20	-64.84	4204.34
"Снежинский"	546	1208	298116	1459264	659568	1019.05	-188.95	35702.98	117.03	13696.02	-71.92	5172.82
Национальный Банк Развития	543	1355	294849	1836025	735765	1014.80	-340.20	115736.86	264.03	69711.84	-76.17	5802.05
Меритбанк	526	872	276676	760384	458672	990.72	118.72	14094.87	-218.97	47947.86	-100.25	10049.70
ВКАБанк	518	736	268324	541696	381248	979.39	243.39	59239.42	-354.97	126003.70	-111.58	12449.76
Ланта-Банк	511	1293	261121	1671849	660723	969.48	-323.52	104666.84	202.03	40816.12	-121.49	14760.44
"Транснациональный"	510	722	260100	521284	368220	968.06	246.06	60546.09	-368.97	136138.86	-122.91	15106.58
"Адмиралтейский"	510	678	260100	459684	345780	968.06	290.06	84135.48	-412.97	170544.22	-122.91	15106.58
Центральное ОВК	506	1072	256036	1149184	542432	962.40	-109.60	12013.04	-18.97	359.86	-128.57	16531.28
Российский Промышленный	504	1209	254016	1461681	609336	959.56	-249.44	62218.61	118.03	13931.08	-131.41	17267.69
"Смоленский"	490	1001	240100	1002001	490490	939.74	-61.26	3753.36	-89.97	8094.60	-151.23	22871.93
АПР-Банк	459	1268	210681	1607824	582012	895.83	-372.17	138510.31	177.03	31339.62	-195.14	38079.52
СудКомБанк	448	817	200704	667489	366016	880.25	63.25	4000.70	-273.97	75059.56	-210.72	44402.47
"Военный"	440	665	193600	442225	292600	868.92	203.92	41583.66	-425.97	181450.44	-222.05	49305.88
"Золото-Платина"	425	743	180625	552049	315775	847.68	104.68	10957.14	-347.97	121083.12	-243.29	59191.81
"Андреевский"	410	618	168100	381924	253380	826.43	208.43	43443.88	-472.97	223700.62	-264.54	69980.38
Народный Банк Сбережений	401	526	160801	276676	210926	813.69	287.69	82762.85	-564.97	319191.10	-277.28	76886.79
Сумма	19097	34911	12055479	41516175	21767209	34911	0	2107994.57	9.96	3429375.97	11.96	1321383.40
Средние(сумма/кол-во банков)	596.78	1090.97	376733.72	1297380.47	680225.28

Sheet 2: Лист2 Sheet 3: Лист3

ч	е	р	н	о	в	и	к	!
	х	у	х2	у2	ху
Сумма	19097	34911	12055479	41516175	21767209
SigX=	143.48	SigY=	327.36
Коэф. Корреляции	0.62	Rxy=	0.62		SigOst=	256.66
a0 =	245.75	Сигма 1=	0.62
a1 =	1.42	Сигма 2=	0.62
Ta0 =	5.24
Ta1 =	4.34