Статистические методы анализа рынка труда

Метод корреляционно – регрессионного анализа.

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.

Задачи корреляционного анализа сводятся к измерению тесноты связи между варьирующими признаками, определению неизвестных причин связи (причинный характер которых, должен быть выяснен с помощью теоретического анализа) и оценке 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 расчетных значений зависимой переменной (функции регрессии).

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

Для количественной оценки тесноты связи используют линейный коэффициент корреляции. Если заданы значения переменных Х и У, то он вычисляется по формуле:

rxy= (n∑xy-∑x∑y) / (√[n∑x² - (∑x)²]·[n∑y² - (∑y)²])

Коэффициент корреляции принимает значения в интервале от –1 до +1. Принято считать, что если |r|< 0,30, то связь слабая; при |r| = (0,3; 0,7) – средняя; при |r| > 0,70 – сильная, или тесная. Когда |r| = 1 – связь функциональная. Если же r ≈ 0, то это дает основание говорить об отсутствии линейной связи между У и Х.

Для характеристики влияния изменений Х на вариацию У служат методы регрессионного анализа. В случае парной линейной зависимости строится регрессионная модель:

Yi = ao + a1·Xi + εi,i = 1, .,n,

где n – число наблюдений;

ao , a1 - неизвестные параметры уравнения;

εi - ошибка случайной переменной У.

Уравнение регрессии записывается как

Уi теор = ao + a1·Xi,

где Уi теор – рассчитанное выравненное значение результативного признака после подстановки в уравнение Х.

Параметры ao и a1 оцениваются с помощью процедур, наибольшее распространение из которых получил метод наименьших квадратов. Его суть заключается в том, что наилучшие оценки ao и a1 получают, когда

∑( Yi - Уi теор)² = min,

т.е. сумма квадратов отклонений эмпирических значений зависимой переменной от вычисленных по уравнению регрессии должна быть минимальной. Сумма квадратов отклонений является функцией параметров ao и a1. Ее минимизация осуществляется решением системы уравнений:

n ao + a1∑X = ∑У;

ao ∑X + a1∑X² = ∑ХУ.

Важен смысл параметров: a1 – это коэффициент регрессии, характеризующий влияние, которое оказывает Х на У. Он показывает, на сколько единиц в среднем изменится У при изменении Х на одну единицу. Если a1 больше 0, то наблюдается положительная связь. Если a1 имеет отрицательное значение, то увеличение Х на единицу влечет за собой уменьшение У в среднем на a1. Параметр a1 обладает размерностью отношения У к Х.

Параметр ao – это постоянная величина в уравнении регрессии. На мой взгляд, экономического смысла она не имеет, но в ряде случаев его интерпретируют как начальное значение У.