Виды статистического анализа

Выделяют пять основных видов статистического анализа, используемых при проведении маркетинговых исследований: дескриптивный анализ, выводной анализ, анализ различий, анализ связей и предсказательный анализ. Иногда эти виды анализа используются по отдельности, иногда — совместно.

В основе дескриптивного анализа лежит использование таких статистических мер, как средняя величина (средняя), мода, среднее квадратическое отклонение, размах или амплитуда вариации.

Мода характеризует величину признака, появляющуюся наиболее часто по сравнению с другими величинами данного признака.

Медиана характеризует значение признака, занимающее срединное место в упорядоченном ряду значений данного признака.

Средняя величина чаще всего рассчитывается как средняя арифметическая величина.

Видно, что степень информативности средней величины больше, чем медианы, а медианы — моды.

Помимо знания величин мер центральной тенденции нужно установить, как близко к этим величинам расположены остальные полученные оценки. Для этого используют три меры вариации: распределение частот, размах вариации и среднее квадратическое отклонение.

Распределение частот представляет в табличной или графической форме число случаев появления каждого значения измеренной характеристики (признака) в каждом выбранном диапазоне ее значений. Распределение частот позволяет быстро сделать выводы о степени подробности результатов измерений.

Размах вариации это разница между конечными точками в распределении упорядоченных величин измеренного признака. Данная мера определяет интервал распределения значений признака.

Среднее квадратическое отклонение это обобщающая статистическая характеристика вариации значений признака. Если эта мера мала, то результаты измерений обладают высокой степенью схожести, а если мера велика, то велика степень различия оценок.

В основе выводного анализа лежит использование статистических процедур (например, проверка гипотез) с целью обобщения полученных результатов на всю совокупность.

Анализ различий используется для сравнения результатов исследования двух групп (двух рыночных сегментов) для определения степени реального отличия в их поведении, в реакции на одну и ту же рекламу и т.п.

Анализ связей направлен на определение систематических связей (их направленности и силы) переменных. Например, определение, как увеличение затрат на рекламу влияет на увеличение сбыта.

Предсказательный анализ используется в целях прогнозирования развития событий в будущем, например путем анализа временных рядов.

Очень часто нам нужно ответить на вопросы типа: «Увели­чится ли показатель рыночной доли при увеличении числа дилеров?», «Есть ли связь между объемом сбыта и рекламой?» Такие связи могут иметь просто статисти­ческую природу. В поставленных вопросах можно определенно говорить о влиянии одного фактора на другой. Однако степень влияния изучаемых факторов может быть различной; скорее всего, влияние могут оказывать также какие-то другие факторы. Выделяют четыре типа связей между двумя переменными: немонотонная, монотонная, линейная и криволи­нейная.

Немонотонная связь характеризуется тем, что присутствие (отсут­ствие) одной переменной систематически связано с присутствием (отсут­ствием) другой переменной, но ничего неизвестно о направлении этого взаимодействия (приводит ли, например, увеличение одной переменной к увеличению или уменьшению другой). Например, известно, что посети­тели закусочных в утренние часы предпочитают заказывать кофе, а в се­редине дня — чай.

Немонотонная связь просто показывает, что утренние посетители предпочитают также заказывать яйца, бутерброды и бисквиты, а в обе­денное время скорее заказывают мясные блюда с гарниром.

Монотонная связь характеризуется возможностью указать только общее направление связи между двумя переменными без использования каких-либо количественных характеристик. Нельзя сказать, насколько, например, определенное увеличение одной переменной приводит к уве­личению другой переменной. Существуют только два типа таких связей: увеличение и уменьшение. Например, владельцу обувного магазина из­вестно, что более взрослые дети обычно требуют обувь бoльших размеров. Однако невозможно четко установить связь между конкретным возрастом и точным размером обуви.

Линейная связь характеризует прямолинейную зависимость между двумя переменными. Знание количественной характеристики одной пе­ременной автоматически предопределяет знание величины другой пере­менной:

у=а+bх, (4.3)

где у — оцениваемая или прогнозируемая зависимая переменная (ре­зультативный признак);

а — свободный член уравнения;

b — коэффициент регрессии, измеряющий среднее отношение от­клонения результативного признака от его средней величины к отклонению факторного признака от его средней величины на одну единицу его измерения — вариация у, приходящаяся на единицу вариации х;

х — независимая переменная (факторный признак), используемая для определения зависимой переменной.

Коэффициенты а и b рассчитываются на основе наблюдений вели­чин у и х с помощью метода наименьших квадратов [10].

Предположим, что торговый агент продает детские игрушки, по­сещая квартиры случайным образом. Отсутствие посещения какой-то квартиры означает отсутствие продажи, или а = 0. Если в среднем каж­дый десятый визит сопровождается продажей на 62 доллара, то стоимость продажи на один визит составит 6,2 доллара, или b = 6,2.

Тогда

у=0 + 6,2х.

Таким образом, можно ожидать, что при 100 визитах доход соста­вит 620 долларов. Надо помнить, что эта оценка не является обязатель­ной, а носит вероятностный характер.

Криволинейная связь характеризует связь между переменными, носящую более сложный характер по сравнению с прямой линией. На­пример, связь между переменными может описываться 5-образной кри­вой (см. раздел 7.3).

В зависимости от своего типа связь может быть охарактеризована путем определения: ее присутствия (отсутствия), направления и силы (тесноты) связи.

Присутствие характеризует наличие или отсутствие систематиче­ской связи между двумя изучаемыми переменными; оно имеет статисти­ческую природу. Проведя испытание статистической значимости, опреде­ляют, существует ли зависимость между данными. Если результаты ис­следования отвергают нулевую гипотезу, это говорит о том, что зависи­мость между данными существует.

В случае монотонных линейных связей последние могут быть опи­саны с точки зрения их направления — в сторону увеличения или уменьшения.

Связь между двумя переменными может быть сильной, умеренной, слабой или отсутствовать. Сильная зависимость характеризуется высокой вероятностью существования связи между двумя переменными, слабая — малой вероятностью.

Существуют специальные процедуры для определения указанных выше характеристик связей. Первоначально надо решить, какой тип свя­зей может существовать между двумя изучаемыми переменными. Ответ на этот вопрос зависит от выбранной шкалы измерений.

Шкала низкого уровня (наименований) может отразить только не­точные связи, в то время как шкала отношений, или интервальная, — очень точные связи. Определив тип связи (монотонная, немонотонная), надо установить, существует ли эта связь для генеральной совокупности в целом. Для этого проводятся статистические испытания.

После того как найдено, что для генеральной совокупности суще­ствует определенный тип связи, устанавливается ее направление. Нако­нец, необходимо установить силу (тесноту) связи.

Для определения, существует или нет немонотонная зависимость, используется таблица сопряженности двух переменных и критерий хи-квадрат. Как правило, критерий хи-квадрат применяется для анализа таб­лиц сопряженности номинальных признаков, однако он может использо­ваться и при анализе взаимосвязи порядковых, или интервальных, пере­менных. Если, скажем, было выяснено, что две переменные не связаны друг с другом, то их дальнейшим исследованием заниматься не стоит. Некоторые указания на связь скорее были обусловлены ошибкой выбор­ки. Если же тест на хи-квадрат указал на связь, то она существует в ре­альности для генеральной совокупности и ее, возможно, следует изучать. Однако этот анализ не указывает на характер связи.

Теснота связи и ее направление определяются путем расчета коэффициента корреляции, который изменяется от -1 до +1. Абсолютная величина коэффициента корреляции характеризует тесноту связи, а знак указывает на ее направление.

Вначале определяется статистическая значимость коэффициента корреляции. Безотносительно к его абсолютной величине коэффициент корреляции, не обладающий статистической значимостью, бессмыслен. Статистическая значимость проверяется с помощью нулевой гипотезы, которая констатирует, что для совокупности коэффициент корреляции равен нулю. Если нулевая гипотеза отвергается, это означает, что коэф­фициент корреляции для выборки является значимым и его значение для совокупности не будет равно нулю. Существуют таблицы, с помощью которых, для выборки определенного объема, можно определить наи­меньшую величину значимости для коэффициента корреляции.

Далее, если коэффициент корреляции оказался статистически зна­чимым, с помощью некоторого общего правила «большого пальца» опре­деляется сила связи (табл. 4.1).


Таблица 4.1

Сила связи в зависимости от величины коэффициента корреляции

Коэффициент корреляции Сила связи
От±0, 81 до±1,00 Сильная
От ±0,61 до ±0, 80 Умеренная
От±0,41 до±0,6 Слабая
От ±0,21 до ±0,4 Очень слабая
От±0,00до ±0,19 Отсутствует

Прогнозирование конъюнктуры рынка. Прогнозирование – это научно обоснованные суждения о возможном состоянии и будущем развитии того или иного объекта или отдельных его элементов, а также об альтернативных путях, методах, сроках достижения определённого состояния этого объекта. Принципами прогнозирования являются: системный подход; научность; альтернативность; выделение генеральной цели, ведущего звена; отражение объективных закономерностей; достоверность.

К функциям прогнозирования относятся: научный анализ, который включает ретроспекцию (историю развития объекта, идеи или события); диагноз (систематическое описание объекта, идеи или события); проспекцию (разработка прогноза и оценка его достоверности, точности и обоснованности); оценка сложившейся ситуации и выявление узловых проблем социально-экономического развития; установление причинно-следственных связей, их повторяемости в определённых условиях и учёт неопределённости; мониторинг мирового опыта; оценка действия определённых тенденций и закономерностей в будущем; предвидение, т.е. опережающее отображение действительности, основанное на познании действия экономических законов и теорий в форме гипотез и предположений; разработка концепций развития рынка.

Целью прогнозирования рынка является исследование вариантов развития и определение возможных перспектив с учётом факторов объективного и субъективного характера. Задачи прогнозирования развития рынка следующие: определить будущее рынка на основе научного анализа; выявить главные направления развития рынка с позиции научного предвидения; учесть различные факторы и обосновать конкретные способы их регулирования.

Основные виды прогнозов развития рынка классифицируются по следующим критериям: по масштабу прогнозирования – мировой, национальный и региональный; по характеру прогнозируемых процессов – развития торговых и фондовых операций, поведения отдельных участников рынка и операций с отдельными видами товаров; по функциональному признаку – поисковый (основан на условном продолжении в будущее тенденций развития в прошлом и настоящем) и нормативный (разрабатывается на базе заранее определённых целей, т.е. от заданного состояния в будущем к существующим тенденциям его изменения в свете определённой цели); по способам представления результатов – точечный (предполагает единственное сочетание показателей) и интервальный (предполагает набор показателей в заданных интервалах); по степени пространственной и временной согласованности результатов прогнозов: одномерный (по отдельным объектам без последующего согласования результатов), многомерный (по отдельным объектам с последующим согласованием результатов), перекрёстный (с установлением причинно-следственных связей и зависимостей и имитацией возможного взаимодействия) и сквозной (с имитацией поведения совокупности объектов); по срокам – краткосрочный, или текущий (на срок менее 1 года), среднесрочный (на срок 1–3 года) и долгосрочный (на срок более 3 лет). Для построения краткосрочного, или текущего, прогноза применяется технический анализ. Для разработки среднесрочного и долгосрочного прогнозов эффективен фундаментальный анализ; по содержанию – конъюнктурный и исследовательский.

К основным этапам разработки конъюнктурного прогноза относятся: изучение тенденций и динамики развития рынка; отслеживание колебаний спроса и предложения; установление основных причин колебания; выявление факторов, оказывающих определяющее влияние на колебания; определение будущих тенденций развития.

Методика прогнозирования рынка включает совокупность различных методов и приёмов разработки прогнозов. Основными методами прогнозирования являются экспертные, логическое моделирование, статистические (экстраполяция и интерполяция, индексный), нормативный, фактографический, машинная компьютерная имитация, программно-целевой методы.

Экспертные методы прогнозирования достаточно широко применяются. Метод Дельфи является самым распространенным методом экспертной оценки будущего. Суть этого метода состоит в организации систематического сбора мнений экспертов и их обобщения. Экспертами выступают высококвалифицированные специалисты или коллективы профессиональных аналитиков, известных консалтинговых компаний и агентств. Эксперты в процессе прогнозирования развития рынка опираются на так называемые методы тренда и методы анализа причинных связей. На методах тренда построен пассивный прогноз, который основан на изучении тенденций рынка бумаг. На методах анализа причинных связей, лежащих в основе фундаментального анализа, базируется целевой, или условный, прогноз.

Статистические методы прогнозирования развития рынка основаны на построении фондовых индексов, расчете показателей дисперсии, вариации, ковариации, экстраполяции и интерполяции. Фондовые индексы показывают изменение соотношения между текущим и предыдущем базисным состоянием развития анализируемой части рынка ценных бумаг. Показатели дисперсии позволяют судить об абсолютной колеблемости, а показатели вариации – об относительной колеблемости на рынках.

Методы логического моделирования используются преимущественно для качественного описания развития прогнозируемого объекта. Они основаны на выявлении общих закономерностей развития рынка и выделении наиболее важных долгосрочных проблем перспективного развития, определении главных путей и последовательности решения данных проблем. Логическое моделирование включает:

1. Разработку сценариев, содержащих описание последовательности, условий решений, взаимосвязей и значимости событий.

2. Метод прогнозирования по образу (корпоративный метод).

3. Метод аналогий.

Логическое моделирование на перспективу должно учитывать степень детализации показателей и целей и основываться на комплексном, системном подходе.

Экономико-математическое моделирование базируется на построении различных моделей. Экономико-математическая модель – это определённая схема развития рынка при заданных условиях и обстоятельствах. При прогнозировании используют различные модели (однопродуктовые и многопродуктовые, статистические и динамические, натурально-стои­мостные, микро- и макроэкономические, линейные и нелинейные, глобальные и локальные, отраслевые и территориальные, дескриптивные и оптимизационные). Наибольшее значение в прогнозировании имеют оптимизационные модели (модели экстремума).

Прогнозирование рынка с помощью трендовых моделей основано на разложении показателей, представленных временным рядом на три компоненты: тренд, годовая (волновая) и остаточная. Тренд рассматривается здесь как непрерывная функция от времени, годовая компонента является дискретной функцией от времени, которая накладывается на тренд, остаточная компонента по гипотезе является случайным стационарным процессом. Решение задачи прогнозирования рынка можно подразделить на следующие основные этапы: анализ временных рядов рынка, набор соответствующих методов и формулирование предпосылок для выделения функции тренда, прогнозирование трендов, анализ остаточной компоненты.

Экспериментальным методом прогнозирования является машинная имитация на ЭВМ. Машинная имитация предполагает построение модели изучаемого объекта, системы, события, которая затем преобразуется в программу ЭВМ. В ЭВМ вводят необходимые данные и анализируют их в динамике (статистический анализ), под влиянием ряда факторов (факторный анализ), во взаимодействии с другими данными (системный анализ), в определённых условиях экстремума (оптимизационный анализ). Машинная имитация применятся при прогнозировании сложных процессов, систем и объектов, на предварительном этапе преобразования и эксперимента, при разработке долгосрочных и среднесрочных прогнозов. Статистическая имитация позволяет определить относительное значение отдельных факторов, условий ввода новых параметров, влияющих на конечный результат. Машинная имитация может быть организована в форме игры.

Фактографический метод прогнозирования основан на изучении публикуемых, сообщаемых в средствах массовой информации фактов, их сопоставлении и анализе.

Программно-целевой метод широко использовался в России в 1990-е гг. в процессе приватизации и акционирования предприятий. Данный метод основан на разработке конкретных программ под определённую цель, например, программ приватизации. Процесс построения прогнозов делится на две части:

1. Определение специфики прогнозов, их целей и вариантов использования.

2. Выбор метода прогнозирования и математического аппарата его информационного обеспечения.

Быстрое развитие компьютерных технологий открывает новые перспективы для работ в области прогнозирования ситуаций на финансовых и товарных рынках. Наиболее значительным прорывом в этой области большинство специалистов считают развитие нейрокомпьютинг. Нейрокомпьютинг – это научное направление, занимающееся разработкой вычислительных систем шестого поколения – нейрокомпьютеров, которые состоят из большого числа параллельно работающих простых вычислительных элементов (нейронов). Элементы связаны между собой, образуя нейронную сеть. Они выполняют единообразные вычислительные действия и не требуют внешнего управления. Большое число параллельно работающих вычислительных элементов обеспечивают высокое быстродействие. Нейросеть – это компьютерная программа, имитирующая способность человеческого мозга классифицировать примеры, делать предсказания или принимать решения, основываясь на опыте прошлого. Упрощая, технику применения нейронных сетей для прогнозов на рынке можно условно разбить на следующие этапы: подбор базы данных, выделение «входов» (исходные данные) и «выходов» (результаты прогноза).

Результаты исследований конъюнктуры рынка могут быть представлены в виде различных аналитических документов.

1. Сводный обзор, или доклад. Это основной документ с обобщающими показателями рынка товаров народного потребления. Анализируются динамика общеэкономических и отраслевых показателей, особые условия конъюнктуры. Проводится ретроспектива и дается прогноз показателей конъюнктуры, освещаются наиболее характерные тенденции, выявляются взаимосвязи конъюнктуры отдельных товарных рынков.

2. Тематический (проблемный или товарный) обзор конъюнктуры. Документы, отражающие специфику конкретной ситуации или отдельного товарного рынка. Выявляются наиболее актуальные проблемы, типичные для ряда товаров, либо проблема конкретного товарного рынка.

3. Оперативная (сигнальная), конъюнктурная информация. Это документ, содержащий оперативную информацию, которая является своего рода «сигналом» об отдельных процессах конъюнктуры рынка. Основными источниками оперативной информации являются данные торговых корреспондентов, опросов населения, экспертные оценки специалистов.

[1] Голубков Е.П. Измерения в маркетинговых исследованиях. Маркетинг в России и за рубежом №6, 2000

[2] Скворцова Е.В. ИЗМЕРЕНИЕ И ШКАЛИРОВАНИЕ В МАРКЕТИНГОВЫХ ИССЛЕДОВАНИЯХ Маркетинг: идеи и технологии (Производственно-практический журнал), 2013. - №1 (51). – С. 42-49 (Статья)

[3] Чернова Т.В.Экономическая статистика [электронный ресурс]

[4] Чернова Т.В.Экономическая статистика [электронный ресурс]

[5] Там же

Наши рекомендации