Многофакторный анализ. Детерминированный факторный анализ с помощью надстройки MS EXCEL Variance Analysis Tool. Однородность дисперсии и ковариаций

Свои способности человек может узнать, только попытавшись приложить их. (Сенека)

Дисперсионный анализ

Вводный обзор

В этом разделе мы рассмотрим основные методы, предположения и терминологию дисперсионного анализа.

Отметим, что в англоязычной литературе дисперсионный анализ обычно называется анализом вариации. Поэтому, для краткости, ниже мы иногда будем использовать термин ANOVA (An alysis o f va riation ) для обычного дисперсионного анализа и термин MANOVA для многомерного дисперсионного анализа. В этом разделе мы последовательно рассмотрим основные идеи дисперсионного анализа (ANOVA ), ковариационного анализа (ANCOVA ), многомерного дисперсионного анализа (MANOVA ) и многомерного ковариационного анализа (MANCOVA ). После краткого обсуждения достоинств анализа контрастов и апостериорных критериев рассмотрим предположения, на которых основаны методы дисперсионного анализа. Ближе к концу этого раздела поясняются преимущества многомерного подхода для анализа повторных измерений по сравнению с традиционным одномерным подходом.

Основные идеи

Цель дисперсионного анализа. Основной целью дисперсионного анализа является исследование значимости различия между средними. Глава (глава 8) содержит краткое введение в исследование статистической значимости. Если вы просто сравниваете средние в двух выборках, дисперсионный анализ даст тот же результат, что и обычный t - критерий для независимых выборок (если сравниваются две независимые группы объектов или наблюдений) или t - критерий для зависимых выборок (если сравниваются две переменные на одном и том же множестве объектов или наблюдений). Если вы не достаточно знакомы с этими критериями, рекомендуем обратиться к вводному обзору главы (глава 9).

Откуда произошло название Дисперсионный анализ ? Может показаться странным, что процедура сравнения средних называется дисперсионным анализом. В действительности, это связано с тем, что при исследовании статистической значимости различия между средними, мы на самом деле анализируем дисперсии.

Разбиение суммы квадратов

Для выборки объема n выборочная дисперсия вычисляется как сумма квадратов отклонений от выборочного среднего, деленная на n-1 (объем выборки минус единица). Таким образом, при фиксированном объеме выборки n дисперсия есть функция суммы квадратов (отклонений), обозначаемая, для краткости, SS (от английского Sum of Squares – Сумма Квадратов). В основе дисперсионного анализа лежит разделение (или разбиение) дисперсии на части. Рассмотрим следующий набор данных:

Средние двух групп существенно различны (2 и 6 соответственно). Сумма квадратов отклонений внутри каждой группы равна 2. Складывая их, получаем 4. Если теперь повторить эти вычисления без учета групповой принадлежности, то есть, если вычислить SS исходя из общего среднего этих двух выборок, то получим 28. Иными словами, дисперсия (сумма квадратов), основанная на внутригрупповой изменчивости, приводит к гораздо меньшим значениям, чем при вычислении на основе общей изменчивости (относительно общего среднего). Причина этого, очевидно, заключается в существенной разнице между средними значениями, и это различие между средними и объясняет существующее различии между суммами квадратов. В самом деле, если использовать для анализа приведенных данных модуль Дисперсионный анализ , будут получены следующие результаты:

Как видно из таблицы, общая сумма квадратов SS =28 разбита на сумму квадратов, обусловленную внутригрупповой изменчивостью (2+2=4 ; см. вторую строку таблицы) и сумму квадратов, обусловленную различием средних значений. (28-(2+2)=24; см первую строку таблицы).

SS ошибок и SS эффекта. Внутригрупповая изменчивость (SS ) обычно называется дисперсией ошибки. Это означает, что обычно при проведении эксперимента она не может быть предсказана или объяснена. С другой стороны, SS эффекта (или межгрупповую изменчивость) можно объяснить различием между средними значениями в изучаемых группах. Иными словами, принадлежность к некоторой группе объясняет межгрупповую изменчивость, т.к. нам известно, что эти группы обладают разными средними значениями.

Проверка значимости. Основные идеи проверки статистической значимости обсуждаются в главе Элементарные понятия статистики (глава 8). В этой же главе объясняются причины, по которым многие критерии используют отношение объясненной и необъясненной дисперсии. Примером такого использования является сам дисперсионный анализ. Проверка значимости в дисперсионном анализе основана на сравнении дисперсии, обусловленной межгрупповым разбросом (называемой средним квадратом эффекта или MS эффект ) и дисперсии, обусловленной внутригрупповым разбросом (называемой средним квадратом ошибки или MS ошибка ). Если верна нулевая гипотеза (равенство средних в двух популяциях), то можно ожидать сравнительно небольшое различие в выборочных средних из-за случайной изменчивости. Поэтому при нулевой гипотезе внутригрупповая дисперсия будет практически совпадать с общей дисперсией, подсчитанной без учета группой принадлежности. Полученные внутригрупповые дисперсии можно сравнить с помощью F - критерия, проверяющего, действительно ли отношение дисперсий значимо больше 1. В рассмотренном выше примере F - критерий показывает, что различие между средними статистически значимо.

Основная логика дисперсионного анализа. Подводя итоги, можно сказать, что целью дисперсионного анализа является проверка статистической значимости разницы между средними (для групп или переменных). Эта проверка проводится с помощью анализа дисперсии, т.е. с помощью разбиения общей дисперсии (вариации) на части, одна из которых обусловлена случайной ошибкой (то есть внутригрупповой изменчивостью), а вторая связана с различием средних значений. Последняя компонента дисперсии затем используется для анализа статистической значимости различия между средними значениями. Если это различие значимо, нулевая гипотеза отвергается и принимается альтернативная гипотеза о существовании различия между средними.

Зависимые и независимые переменные. Переменные, значения которых определяется с помощью измерений в ходе эксперимента (например, балл, набранный при тестировании), называются зависимыми переменными. Переменные, которыми можно управлять при проведении эксперимента (например, методы обучения или другие критерии, позволяющие разделить наблюдения на группы) называются факторами или независимыми переменными. Более подробно эти понятия описаны в главе Элементарные понятия статистики (глава 8).

Многофакторный дисперсионный анализ

В рассмотренном выше простом примере вы могли бы сразу вычислить t-критерий для независимых выборок, используя соответствующую опцию модуля Основные статистики и таблицы. Полученные результаты, естественно, совпадут с результатами дисперсионного анализа. Однако дисперсионный анализ содержит гибкие и мощные технические средства, которые могут быть использованы для гораздо более сложных исследований.

Множество факторов. Мир по своей природе сложен и многомерен. Ситуации, когда некоторое явление полностью описывается одной переменной, чрезвычайно редки. Например, если мы пытаемся научиться выращивать большие помидоры, следует рассматривать факторы, связанные с генетической структурой растений, типом почвы, освещенностью, температурой и т.д. Таким образом, при проведении типичного эксперимента приходится иметь дело с большим количеством факторов. Основная причина, по которой использование дисперсионного анализа предпочтительнее повторного сравнения двух выборок при разных уровнях факторов с помощью t - критерия, заключается в том, что дисперсионный анализ более эффективен и, для малых выборок, более информативен.

Управление факторами. Предположим, что в рассмотренном выше примере анализа двух выборок мы добавим еще один фактор, например, Пол - Gender . Пусть каждая группа состоит из 3 мужчин и 3 женщин. План этого эксперимента можно представить в виде таблицы 2 на 2:

	Эксперимент. Группа 1	Эксперимент. Группа 2
Мужчины	2	6
	3	7
	1	5
Среднее	2	6
Женщины	4	8
	5	9
	3	7
Среднее	4	8

До проведения вычислений, можно заметить, что в этом примере общая дисперсия имеет, по крайней мере, три источника:

(1) случайная ошибка (внутригрупповая дисперсия),

(2) изменчивость, связанная с принадлежностью к экспериментальной группе, и

(3) изменчивость, обусловленная полом объектов наблюдения.

(Отметим, что существует еще один возможный источник изменчивости – взаимодействие факторов , который мы обсудим позднее). Что произойдет, если мы не будем включать пол –gender как фактор при проведении анализа и вычислим обычный t -критерий? Если мы будем вычислять суммы квадратов, игнорируя пол – gender (т.е., объединяя объекты разного пола в одну группу при вычислении внутригрупповой дисперсии, получив при этом сумму квадратов для каждой группы равную SS =10, и общую сумму квадратов SS = 10+10 = 20), то получим большее значение внутригрупповой дисперсии, чем при более точном анализе с дополнительным разбиением на подгруппы по полу - gender (при этом внутригрупповые средние будут равны 2, а общая внутригрупповая сумма квадратов равна SS = 2+2+2+2 = 8). Это различие связано с тем, что среднее значение для мужчин - males меньше, чем среднее значение для женщин – female , и это различие в средних значениях увеличивает суммарную внутригрупповую изменчивость, если фактор пола не учитывается. Управление дисперсией ошибки увеличивает чувствительность (мощность) критерия.

На этом примере видно еще одно преимущество дисперсионного анализа по сравнению с обычным t -критерием для двух выборок. Дисперсионный анализ позволяет изучать каждый фактор, управляя значениями остальных факторов. Это, в действительности, и является основной причиной его большей статистической мощности (для получения значимых результатов требуются меньшие объемы выборок). По этой причине дисперсионный анализ даже на небольших выборках дает статистически более значимые результаты, чем простой t - критерий.

Эффекты взаимодействия

Существует еще одно преимущество применения дисперсионного анализа по сравнению с обычным t - критерием: дисперсионный анализ позволяет обнаружить взаимодействие между факторами и, следовательно, позволяет изучать более сложные модели. Для иллюстрации рассмотрим еще один пример.

Главные эффекты, попарные (двухфакторные) взаимодействия. Предположим, что имеется две группы студентов, причем психологически студенты первой группы настроены на выполнение поставленных задач и более целеустремленны, чем студенты второй группы, состоящей из более ленивых студентов. Разобьем каждую группу случайным образом пополам и предложим одной половине в каждой группе сложное задание, а другой - легкое. После этого измерим, насколько напряженно студенты работают над этими заданиями. Средние значения для этого (вымышленного) исследования показаны в таблице:

Какой вывод можно сделать из этих результатов? Можно ли заключить, что: (1) над сложным заданием студенты трудятся более напряженно; (2) целеустремленные студенты работают упорнее, чем ленивые? Ни одно из этих утверждений не отражает сущность систематического характера средних, приведенных в таблице. Анализируя результаты, правильнее было бы сказать, что над сложными заданиями работают упорнее только целеустремленные студенты, в то время как над легкими заданиями только ленивые работают упорнее. Другими словами характер студентов и сложность задания взаимодействуя между собой влияют на затрачиваемое усилие. Это пример парного взаимодействия между характером студентов и сложностью задания. Отметим, что утверждения 1 и 2 описывают главные эффекты .

Взаимодействия высших порядков. В то время как объяснить попарные взаимодействия еще сравнительно легко, взаимодействия высших порядков объяснить значительно сложнее. Представим себе, что в рассматриваемый выше пример, введен еще один фактор пол -Gender и мы получили следующую таблицу средних значений:

Какие теперь выводы можно сделать из полученных результатов? Графики средних позволяют легко интерпретировать сложные эффекты. Модуль дисперсионного анализа позволяет строить эти графики практически одним щелчком мышки.

Изображение на графиках внизу представляет собой изучаемое трехфакторное взаимодействие.

Глядя на графики, можно сказать, что у женщин существует взаимодействие между характером и сложностью теста: целеустремленные женщины работают над трудным заданием более напряженно, чем над легким. У мужчин это же взаимодействие носит обратный характер. Видно, что описание взаимодействия между факторами становится более запутанным.

Общий способ описания взаимодействий. В общем случае взаимодействие между факторами описывается в виде изменения одного эффекта под воздействием другого. В рассмотренном выше примере двухфакторное взаимодействие можно описать как изменение главного эффекта фактора, характеризующего сложность задачи, под воздействием фактора, описывающего характер студента. Для взаимодействия трех факторов из предыдущего параграфа можно сказать, что взаимодействие двух факторов (сложности задачи и характера студента) изменяется под воздействием пола – Gender . Если изучается взаимодействие четырех факторов, можно сказать, что взаимодействие трех факторов, изменяется под воздействием четвертого фактора, т.е. существуют различные типы взаимодействий на разных уровнях четвертого фактора. Оказалось, что во многих областях взаимодействие пяти или даже большего количества факторов не является чем-то необычным.

Сложные планы

Межгрупповые и внутригрупповые планы (планы с повторными измерениями)

При сравнении двух различных групп обычно используется t - критерий для независимых выборок (из модуля Основные статистики и таблицы ). Когда сравниваются две переменные на одном и том же множестве объектов (наблюдений), используется t -критерий для зависимых выборок. Для дисперсионного анализа также важно зависимы или нет выборки. Если имеются повторные измерения одних и тех же переменных (при разных условиях или в разное время) для одних и тех же объектов , то говорят о наличии фактора повторных измерений (называемого также внутригрупповым фактором, поскольку для оценки его значимости вычисляется внутригрупповая сумма квадратов). Если сравниваются разные группы объектов (например, мужчины и женщины, три штамма бактерий и т.п.), то разница между группами описывается межгрупповым фактором. Способы вычисления критериев значимости для двух описанных типов факторов различны, но общая их логика и интерпретации совпадает.

Меж- и внутригрупповые планы. Во многих случаях эксперимент требует включение в план и межгруппового фактора, и фактора повторных измерений. Например, измеряются математические навыки студентов женского и мужского пола (где пол – Gender -межгрупповой фактор) в начале и в конце семестра. Два измерения навыковкаждого студента образуют внутригрупповой фактор (фактор повторных измерений). Интерпретация главных эффектов и взаимодействий для межгрупповых факторов и факторов повторных измерений совпадает, и оба типа факторов могут, очевидно, взаимодействовать между собой (например, женщины приобретают навыки в течение семестра, а мужчины их теряют).

Неполные (гнездовые) планы

Во многих случаях можно пренебречь эффектом взаимодействия. Это происходит или когда известно, что в популяции эффект взаимодействия отсутствует, или когда осуществление полного факторного плана невозможно. Например, изучается влияние четырех добавок к топливу на расход горючего. Выбираются четыре автомобиля и четыре водителя. Полный факторный эксперимент требует, чтобы каждая комбинация: добавка, водитель, автомобиль - появились хотя бы один раз. Для этого нужно не менее 4 x 4 x 4 = 64 групп испытаний, что требует слишком больших временных затрат. Кроме того, вряд ли существует взаимодействие между водителем и добавкой к топливу. Принимая это во внимание, можно использовать план Латинские квадраты, в котором содержится лишь16 групп испытаний (четыре добавки обозначаются буквами A, B, C и D):

Латинские квадраты описаны в большинстве книг по планированию экспериментов (например, Hays, 1988; Lindman, 1974; Milliken and Johnson, 1984; Winer, 1962), и здесь они не будут детально обсуждаться. Отметим, что латинские квадраты это не n олные планы, в которых участвуют не все комбинации уровней факторов. Например, водитель 1 управляет автомобилем 1 только с добавкой А, водитель 3 управляет автомобилем 1 только с добавкой С. Уровни фактора добавок ( A, B, C и D) вложены в ячейки таблицы автомобиль x водитель – как яйца в гнезда. Это мнемоническое правило полезно для понимания природы гнездовых или вложенных планов. Модуль Дисперсионный анализ предоставляет простые способы анализ планов такого типа.

Ковариационный анализ

Основная идея

В разделе Основные идеи кратко обсуждалась идея управления факторами и то, каким образом включение аддитивных факторов позволяет уменьшать сумму квадратов ошибок и увеличивать статистическую мощность плана. Все это может быть распространено и на переменные с непрерывным множеством значений. Когда такие непрерывные переменные включаются в план в качестве факторов, они называются ковариатами .

Фиксированные ковариаты

Предположим, что сравниваются математические навыки двух групп студентов, которые обучались по двум различным учебникам. Предположим также, что имеются данные о коэффициенте интеллекта (IQ) для каждого студента. Можно предположить, что коэффициент интеллекта связан с математическими навыками, и использовать эту информацию. Для каждой из двух групп студентов можно вычислить коэффициент корреляции между IQ и математическими навыками. Используя этот коэффициент корреляции, можно выделить долю дисперсии в группах, объясняемую влиянием IQ и необъясняемую долю дисперсии (см. также Элементарные понятия статистики (глава 8) и Основные статистики и таблицы (глава 9)). Оставшаяся доля дисперсии используется при проведении анализа как дисперсия ошибки. Если имеется корреляция между IQ и математическими навыками, то можно существенно уменьшить дисперсии ошибки SS /(n -1) .

Влияние ковариат на F- критерий. F- критерий оценивает статистическую значимость различия средних значений в группах, при этом вычисляется отношение межгрупповой дисперсии (MS effect ) к дисперсии ошибок (MS error ) . Если MS error уменьшается, например, при учете фактора IQ, значение F увеличивается.

Множество ковариат. Рассуждения, использованные выше для одной ковариаты (IQ), легко распространяются на несколько ковариат. Например, кроме IQ, можно включить измерение мотивации, пространственного мышления и т.д. Вместо обычного коэффициента корреляции при этом используется множественный коэффициент корреляции.

Когда значение F -критерия уменьшается. Иногда введение ковариат в план эксперимента уменьшает значение F -критерия. Обычно это указывает на то, что ковариаты коррелированы не только с зависимой переменной (например, математическими навыками), но и с факторами (например, с разными учебниками). Предположим, что IQ измеряется в конце семестра, после почти годового обучения двух групп студентов по двум разным учебникам. Хотя студенты разбивались на группы случайным образом, может оказаться, что различие учебников настолько велико, что и IQ и математические навыки в разных группах будут сильно различаться. В этом случае, ковариаты не только уменьшают дисперсию ошибок, но и межгрупповую дисперсию. Другими словами, после контроля за разностью IQ в разных группах, разность в математических навыках уже будет несущественной. Можно сказать иначе. После “исключения” влияния IQ, неумышленно исключается и влияние учебника на развитие математических навыков.

Скорректированные средние. Когда ковариата влияет на межгрупповой фактор, следует вычислять скорректированные средние , т.е. такие средние, которые получаются после удаления всех оценок ковариат.

Взаимодействие между ковариатами и факторами. Также как исследуется взаимодействие между факторами, можно исследовать взаимодействие между ковариатами и между группами факторов. Предположим, что один из учебников особенно подходит для умных студентов. Второй учебник для умных студентов скушен, а для менее умных студентов этот же учебник труден. В результате имеется положительная корреляция между IQ и результатом обучения в первой группе (более умные студенты, лучше результат) и нулевая или небольшая отрицательная корреляция во второй группе (чем умнее студент, тем менее вероятно приобретение математических навыков из второго учебника). В некоторых исследованиях эта ситуация обсуждается как пример нарушения предположений ковариационного анализа. Однако так как в модуле Дисперсионный анализ используются самые общие способы ковариационного анализа, можно, в частности, оценить статистическую значимость взаимодействия между факторами и ковариатами.

Переменные ковариаты

В то время как фиксированные ковариаты обсуждаются в учебниках достаточно часто, переменные ковариаты упоминаются намного реже. Обычно, при проведении экспериментов с повторными измерениями, нас интересуют различия в измерениях одних и тех же величин в разные моменты времени. А именно, нас интересует значимость этих различий. Если одновременно с измерениями зависимых переменных проводится измерение ковариат, можно вычислить корреляцию между ковариатой и зависимой переменной.

Например, можно изучать интерес к математике и математические навыки в начале и в конце семестра. Интересно было бы проверить, коррелированы ли между собой изменения в интересе к математике с изменением математических навыков.

Модуль Дисперсионный анализ в STATISTICA автоматически оценивает статистическую значимость изменения ковариат в тех планах, где это возможно.

Многомерные планы: многомерный дисперсионный и ковариационный анализ

Межгрупповые планы

Все рассматриваемые ранее примеры включали только одну зависимую переменную. Когда одновременно имеется несколько зависимых переменных, возрастает лишь сложность вычислений, а содержание и основные принципы не меняются.

Например, проводится исследование двух различных учебников. При этом изучаются успехи студентов в изучении физики и математики. В этом случае имеются две зависимые переменные и нужно выяснить, как влияют на них одновременно два разных учебника. Для этого можно воспользоваться многомерным дисперсионным анализом (MANOVA). Вместо одномерного F критерия, используется многомерный F критерий (l-критерий Уилкса), основанный на сравнении ковариационной матрицы ошибок и межгрупповой ковариационной матрицы.

Если зависимые переменные коррелированы между собой, то эта корреляция должна учитываться при вычислении критерия значимости. Очевидно, если одно и то же измерение повторяется дважды, то ничего нового получить при этом нельзя. Если к имеющемуся измерению добавляется коррелированное с ним измерение, то получается некоторая новая информация, но при этом новая переменная содержит избыточную информацию, которая отражается в ковариации между переменными.

Интерпретация результатов. Если общий многомерный критерий значим, можно заключить, что соответствующий эффект (например, тип учебника) значим. Однако встают следующие вопросы. Влияет ли тип учебника на улучшение только математических навыков, только физических навыков, или одновременно на улучшение тех и других навыков. В действительности, после получения значимого многомерного критерия, для отдельного главного эффекта или взаимодействия исследуется одномерный F критерий. Другими словами, отдельно исследуются зависимые переменные, которые вносят вклад в значимость многомерного критерия.

Планы с повторными измерениями

Если измеряются математические и физические навыки студентов в начале семестра и в конце, то это и есть повторные измерения. Изучение критерия значимости в таких планах это логическое развитие одномерного случая. Заметим, что методы многомерного дисперсионного анализа обычно также используются для исследования значимости одномерных факторов повторных измерений, имеющих более чем два уровня. Соответствующие применения будут рассмотрены позднее в этой части.

Суммирование значений переменных и многомерный дисперсионный анализ

Даже опытные пользователи одномерного и многомерного дисперсионного анализа часто приходят в затруднение, получая разные результаты при применении многомерного дисперсионного анализа, например, для трех переменных, и при применении одномерного дисперсионного анализа к сумме этих трех переменных, как к одной переменной.

Идея суммирования переменных состоит в том, что каждая переменная содержит в себе некоторую истинную переменную, которая и исследуется, а также случайную ошибку измерения. Поэтому при усреднении значений переменных, ошибка измерения будет ближе к 0 для всех измерений и усредненное значений будет более надежным. На самом деле, в этом случае применение дисперсионного анализа к сумме переменных разумно и является мощным методом. Однако если зависимые переменные по своей природе многомерны, суммирование значений переменных неуместно.

Например, пусть зависимые переменные состоят из четырех показателей успеха в обществе . Каждый показатель характеризует совершенно независимую сторону человеческой деятельности (например, профессиональный успех, преуспеваемость в бизнесе, семейное благополучие и т.д.). Сложение этих переменных подобно сложению яблока и апельсина. Сумма этих переменных не будет подходящим одномерным показателем. Поэтому с такими данными нужно обходится как с многомерными показателями в многомерном дисперсионном анализе .

Анализ контрастов и апостериорные критерии

Почему сравниваются отдельные множества средних?

Обычно гипотезы относительно экспериментальных данных формулируются не просто в терминах главных эффектов или взаимодействий. Примером может служить такая гипотеза: некоторый учебник повышает математические навыки только у студентов мужского пола, в то время как другой учебник примерно одинаково эффективен для обоих полов, но все же менее эффективен для мужчин. Можно предсказать, что эффективность учебника взаимодействует с полом студента. Однако этот прогноз касается также природы взаимодействия. Ожидается значительное различие между полами для обучающихся по одной книге и практически не зависимые от пола результаты для обучающихся по другой книге. Такой тип гипотез обычно исследуется с помощью анализа контрастов.

Анализ контрастов

Если говорить коротко, то анализ контрастов позволяет оценивать статистическую значимость некоторых линейных комбинаций эффектов сложного плана. Анализ контрастов главный и обязательный элемент любого сложного плана дисперсионного анализа. Модуль Дисперсионный анализ имеет достаточно разнообразные возможности анализа контрастов, которые позволяют выделять и анализировать любые типы сравнений средних.

Апостериорные сравнения

Иногда в результате обработки эксперимента обнаруживается неожиданный эффект. Хотя в большинстве случаев творческий исследователь сможет объяснить любой результат, это не дает возможностей для дальнейшего анализа и получения оценок для прогноза. Эта проблема является одной из тех, для которых используются апостериорные критерии , то есть критерии, не использующие априорные гипотезы. Для иллюстрации рассмотрим следующий эксперимент. Предположим, что на 100 карточках записаны числа от 1 до 10. Опустив все эти карточки в шапку, мы случайным образом выбираем 20 раз по 5 карточек, и вычисляем для каждой выборки среднее значение (среднее чисел, записанных на карточки). Можно ли ожидать, что найдутся две выборки, у которых средние значения значимо отличаются? Это очень правдоподобно! Выбирая две выборки с максимальным и минимальным средним, можно получить разность средних, сильно отличающуюся от разности средних, например, первых двух выборок. Эту разность можно исследовать, например, с помощью анализа контрастов. Если не вдаваться в детали, то существует несколько, так называемых апостериорных критериев, которые основаны в точности на первом сценарии (взятие экстремальных средних из 20 выборок), т. е. эти критерии основаны на выборе наиболее отличающихся средних для сравнения всехсредних значений в плане. Эти критерии применяются для того, чтобы чисто случайно не получить искусственный эффект, например, обнаружить значимое различие между средними, когда его нет. Модуль Дисперсионный анализ предлагает широкий выбор таких критериев. Когда в эксперименте, связанном с несколькими группами, встречаются неожиданные результаты, то используются апостериорные процедуры для исследования статистической значимости полученных результатов.

Сумма квадратов типа I, II, III и IV

Многомерная регрессия и дисперсионный анализ

Существует тесная взаимосвязь между методом многомерной регрессии и дисперсионным анализом (анализом вариаций). И в том и в другом методе исследуется линейная модель. Если говорить коротко, то практически все планы эксперимента можно исследовать с помощью многомерной регрессии. Рассмотрим следующий простой межгрупповой 2 x 2 план.

DV	A	B	AxB
3	1	1	1
4	1	1	1
4	1	-1	-1
5	1	-1	-1
6	-1	1	-1
6	-1	1	-1
3	-1	-1	1
2	-1	-1	1

Столбцы А и В содержат коды, характеризующие уровни факторов А и В, столбец АxВ содержит произведение двух столбцов А и В. Мы можем анализировать эти данные с помощью многомерной регрессии. Переменная DV определяется как зависимая переменная, переменные от A до AxB как независимые переменные. Исследование значимости для коэффициентов регрессии будет совпадать с вычислениями в дисперсионном анализе значимости главных эффектов факторов A и B и эффекта взаимодействия AxB .

Несбалансированные и сбалансированные планы

При вычислении корреляционной матрицы для всех переменных, например, для данных, изображенных выше, можно заметить, что главные эффекты факторов A и B и эффект взаимодействия AxB некоррелированы. Это свойство эффектов называют также ортогональностью. Говорят, что эффекты A и B - ортогональны или независимы друг от друга. Если все эффекты в плане ортогональны друг другу, как в приведенном выше примере, то говорят, что план сбалансирован .

Сбалансированные планы обладают “хорошим свойством”. Вычисления при анализе таких планов очень просты. Все вычисления сводятся к вычислению корреляции между эффектами и зависимыми переменными. Так как эффекты ортогональны, частные корреляции (как в полной многомерной регрессии) не вычисляются. Однако в реальной жизни планы не всегда сбалансированы.

Рассмотрим реальные данные с неравным числом наблюдений в ячейках.

Фактор A	Фактор B
	B1	B2
A1	3	4, 5
A2	6, 6, 7	2

Если закодировать эти данные как выше и вычислить корреляционную матрицу для всех переменных, то окажется, что факторы плана коррелированы друг с другом. Факторы в плане теперь не ортогональны и такие планы называются несбалансированными. Заметим, что в рассматриваемом примере, корреляция между факторами полностью связана с различием частот 1 и -1 в столбцах матрицы данных. Другими словами, планы экспериментов с неравными объемами ячеек (точнее, непропорциональными объемами) будут несбалансированными, это означает, что главные эффекты и взаимодействия будут смешиваться. В этом случае для вычисления статистической значимости эффектов нужно полностью вычислять многомерную регрессию. Здесь имеется несколько стратегий.

Сумма квадратов типа I, II, III и IV

Сумма квадратов типа I и III . Для изучения значимости каждого фактора в многомерной модели можно вычислять частную корреляцию каждого фактора, при условии, что все другие факторы уже учтены в модели. Можно также вводить факторы в модель пошаговым способом, фиксируя все факторы, уже введенные в модель и игнорируя все остальные факторы. Вообще, в этом и состоит различие между типом III и типом I суммы квадратов (эта терминология была введена в SAS, см. например, SAS, 1982; подробное обсуждение можно также найти в Searle, 1987, стр. 461; Woodward, Bonett, and Brecht, 1990, стр. 216; или Milliken and Johnson, 1984, стр. 138).

Сумма квадратов типа II. Следующая “промежуточная” стратегия формирования модели состоит: в контроле всех главных эффектов при исследовании значимости отдельного главного эффекта; в контроле всех главных эффектов и всех попарных взаимодействий, когда исследуется значимость отдельного попарного взаимодействия; в контроле всех главных эффектов всех попарных взаимодействий и всех взаимодействий трех факторов; при исследовании отдельного взаимодействия трех факторов и т.д. Суммы квадратов для эффектов, вычисляемые таким способом, называются типом II суммы квадратов. Итак, тип II суммы квадратов контролирует все эффекты того же порядка и ниже, игнорируя все эффекты более высокого порядка.

Сумма квадратов типа IV . Наконец, для некоторых специальных планов с пропущенными ячейками (неполными планами) можно вычислять, так называемые, типа IV суммы квадратов. Этот метод будет обсуждаться позднее в связи с неполными планами (планами с пропущенными ячейками).

Интерпретация гипотезы о сумме квадратов типа I, II, и III

Сумму квадратов типа III легче всего интерпретировать. Напомним, что суммы квадратов типа III исследуют эффекты после контроля всех других эффектов. Например, после нахождения статистически значимого типа III эффекта для фактора A в модуле Дисперсионный анализ , можно сказать, что существует единственный значимый эффект фактора A , после введения всех других эффектов (факторов) и соответственно интерпретировать этот эффект. Вероятно в 99% всех приложений дисперсионного анализа именно этот тип критерия интересует исследователя. Этот тип суммы квадратов обычно вычисляется в модуле Дисперсионный анализ по умолчанию, независимо от того выбрана опция Регрессионный подход или нет (стандартные подходы принятые в модуле Дисперсионный анализ обсуждаются ниже).

Значимые эффекты, полученные с помощью сумм квадратов типа или типа II суммы квадратов интерпретировать не так легко. Лучше всего их интерпретировать в контексте пошаговой многомерной регрессии. Если при использовании суммы квадратов типа I главный эффект фактора В оказался значим (после включения в модель фактора А, но перед добавлением взаимодействия между А и В), можно заключить, что существует значимый главный эффект фактора В, при условии, что нет взаимодействия между факторами А и В. (Если при использовании критерия типа III , фактор В также оказался значимым, то можно заключить, что существует значимый главный эффект фактора B, после введения в модель всех других факторов и их взаимодействий).

В терминах маргинальных средних гипотезы типа I и типа II обычно не имеют простой интерпретации. В этих случаях говорят, что нельзя интерпретировать значимость эффектов, рассматривая только маргинальные средние. Скорее представленные p значений средних имеют отношение к сложной гипотезе, которая комбинирует средние и объем выборки. Например, тип II гипотезы для фактора А в простом примере плана 2 x 2, рассматриваемом ранее будут (см. Woodward, Bonett, and Brecht, 1990, стр. 219):

nij - число наблюдений в ячейке

uij - среднее значение в ячейке

n . j - маргинальное среднее

Если не вдаваться в детали (более подробно см. Milliken and Johnson, 1984, глава 10), то ясно, что это не простые гипотезы и в большинстве случаев ни одна из них не представляет особенного интереса у исследователя. Однако существуют случаи, когда гипотезы типа I могут быть интересны.

Принимаемый по умолчанию вычислительный подход в модуле Дисперсионный анализ

По умолчанию, если не отмечена опция Регрессионный подход , модуль Дисперсионный анализ использует модель средних по ячейкам . Для этой модели характерно, что суммы квадратов для разных эффектов вычисляются для линейных комбинаций средних значений по ячейкам. В полном факторном эксперименте это приводит к суммам квадратов, которые совпадают с суммами квадратов, обсуждаемыми ранее как тип III . Однако в опции Спланированные сравнения (в окне Результаты дисперсионного анализа ), пользователь может проверять гипотезу относительно любой линейной комбинации взвешенных или невзвешенных средних по ячейкам. Таким образом, пользователь может проверять не только гипотезы типа III , но гипотезы любого типа (включая тип IV ). Этот общий подход особенно полезен, когда исследуются планы с пропущенными ячейками (так называемые неполные планы).

Для полных факторных планов этот подход полезно также использовать в тех случаях, когда хотят анализировать взвешенные маргинальные средние. Например, предположим, что в рассматриваемом ранее простом 2 x 2 плане, нужно сравнить взвешенные (по уровням фактора B ) маргинальные средние для фактора А. Это бывает полезным, когда распределение наблюдений по ячейкам не готовилось экспериментатором, а строилось случайно, и эта случайность отражается в распределении числа наблюдений по уровням фактора B в совокупности.

Например, имеется фактор - возраст вдов. Возможная выборка респондентов разбита на две группы: моложе 40 лет и старше 40 (фактор В). Второй фактор (фактор А) в плане - получали или нет социальную поддержку вдовы в некотором агентстве (при этом одни вдовы были выбраны случайно, другие служили в качестве контроля). В этом случае распределение вдов по возрастам в выборке отражает действительное распределение вдов по возрастам в совокупности. Оценке эффективности группы социальной поддержки вдов по всем возрастам будет соответствовать взвешенное среднее для двух возрастных групп (с весами соответствующими числу наблюдений в группе).

Спланированные сравнения

Заметим, что сумма введенных коэффициентов контрастов не обязательно равна 0 (нулю). Вместо этого программа будет автоматически вносить поправки, чтобы соответствующие гипотезы не смешивались с общим средним.

Для иллюстрации этого вернемся опять к простому 2 x 2 плану, рассмотренному ранее. Напомним, что числа наблюдений в ячейках этого несбалансированного плана -1, 2, 3, и 1. Предположим, что мы хотим сравнить взвешенные маргинальные средние для фактора А (взвешенные с частотой уровней фактора В). Можно ввести коэффициенты контраста:

Заметим, что эти коэффициенты не дают в сумме 0. Программа будет устанавливать коэффициенты так, что в сумме они будут давать 0, и при этом будут сохраняться их относительные значения, т. е.:

1/3 2/3 -3/4 -1/4

Эти контрасты будут сравнивать взвешенные средние для фактора А.

Гипотезы о главном среднем. Гипотеза, о том, что не взвешенное главное среднее равно 0 может исследоваться с помощью коэффициентов:

Гипотеза о том, что взвешенное главное среднее равно 0 проверяется с помощью:

Ни в одном случае программа не производит корректировки коэффициентов контрастов.

Анализ планов с пропущенными ячейками (неполные планы)

Факторные планы, содержащие пустые ячейки (обработка комбинаций ячеек, в которых нет наблюдений) называются неполными. В таких планах некоторые факторы обычно не ортогональны и некоторые взаимодействия не могут быть вычислены. Вообще не существует лучшего метода анализа таких планов.

Регрессионный подход

В некоторых старых программах, которые основаны на анализе планов дисперсионного анализа с помощью многомерной регрессии, факторы в неполных планах по умолчанию задаются обычным образом (как будто план полный). Затем производится многомерный регрессионный анализ для этих фиктивно закодированных факторов. К несчастью, этот метод приводит к результатам, которые очень трудно, или даже невозможно, интерпретировать, так как неясно, как каждый эффект участвует в линейной комбинации средних значений. Рассмотрим следующий простой пример.

Фактор A	Фактор B
	B1	B2
A1	3	4, 5
A2	6, 6, 7	Пропущено

Если будет выполняться многомерная регрессия вида Зависимая переменная = Константа + Фактор A + Фактор B , то гипотеза о значимости факторов A и B в терминах линейных комбинаций средних выглядит так:

Фактор A: Ячейка A1,B1 = Ячейка A2,B1

Фактор B: Ячейка A1,B1 = Ячейка A1,B2

Этот случай прост. В более сложных планах невозможно фактически определить, что точно будет исследоваться.

Средние ячеек, подход дисперсионного анализа, гипотезы типа IV

Подход, который рекомендуется в литературе и который кажется предпочтительнее - исследование осмысленных (с точки зрения исследовательских задач) априорных гипотез о средних, наблюдаемых в ячейках плана. Подробное обсуждение этого подхода можно найти в Dodge (1985), Heiberger (1989), Milliken and Johnson (1984), Searle (1987), или Woodward, Bonett, and Brecht (1990). Суммы квадратов, ассоциированные с гипотезами о линейной комбинации средних в неполных планах, исследующие оценки части эффектов, называются также суммами квадратов IV .

Автоматическая генерация гипотез типа IV . Когда многофакторные планы имеют сложный характер пропущенных ячеек, желательно определить ортогональные (независимые) гипотезы, исследование которых эквивалентно исследованию главных эффектов или взаимодействий. Были развиты алгоритмические (вычислительные) стратегии (основанные на псевдообратной матрице плана) для генерирования подходящих весов для таких сравнений. К сожалению, окончательные гипотезы определяются не единственным образом. Конечно, они зависят от порядка, в котором эффекты были определены и редко допускают простую интерпретацию. Поэтому рекомендуется внимательно изучить характер пропущенных ячеек, затем формулировать гипотезы типа IV , которые наиболее содержательно соответствуют целям исследования. Затем исследовать эти гипотезы, используя опцию Спланированные сравнения в окне Результаты . Самый легкий путь задать сравнения в этом случае - требовать введения вектора контрастов для всех факторов вместе в окне Спланированные сравнения. После вызова диалогового окна Спланированные сравнения будут показаны все группы текущего плана и помечены те, которые пропущены.

Пропущенные ячейки и проверка специфического эффекта

Существует несколько типов планов, в которых расположение пропущенных ячеек не случайно, но тщательно спланировано, что позволяет проводить простой анализ главных эффектов не затрагивая другие эффекты. Например, когда необходимое число ячеек в плане недоступно, часто используются планы Латинские квадраты для оценивания главных эффектов нескольких факторов с большим числом уровней. Например, 4 x 4 x 4 x 4 факторный план требует 256 ячеек. В то же время можно использовать Греко-латинский квадрат для оценки главных эффектов, имея только 16 ячеек в плане (глава Планирование эксперимента , том IV, содержит детальное описание таких планов). Неполные планы, в которых главные эффекты (и некоторые взаимодействия) могут быть оценены с помощью простых линейных комбинаций средних, называются сбалансированными неполными планами .

В сбалансированных планах стандартный (по умолчанию) метод генерирования контрастов (весов) для главных эффектов и взаимодействий будет затем производить анализ таблицы дисперсий, в которой суммы квадратов для соответствующих эффектов не смешиваются друг с другом. Опция Специфический эффекты окна Результаты будет генерировать пропущенные контрасты, записывая ноль в пропущенные ячейки плана. Сразу после того, как будет запрошена опция Специфический эффекты для пользователя, изучающего некоторую гипотезу, появляется таблица результатов с фактическими весами. Заметим, что в сбалансированном плане, суммы квадратов соответствующих эффектов вычисляются только, если эти эффекты ортогональны (независимы) всем другим главным эффектам и взаимодействиям. В противном случае нужно воспользоваться опцией Спланированные сравнения для изучения содержательных сравнений между средними.

Пропущенные ячейки и объединенные эффекты/члены ошибки

Если опция Регрессионное подход в стартовой панели модуля Дисперсионный анализ не выбрана, то при вычислении суммы квадратов для эффектов будет использоваться модель средних по ячейкам (установка по умолчанию). Если план не сбалансирован, то при объединении неортогональных эффектов (см. выше обсуждение опции Пропущенные ячейки и специфический эффект ) можно получить сумму квадратов, состоящую из неортогональных (или перекрывающихся) компонент. Полученные при этом результаты, обычно не интерпретируемы. Поэтому нужно быть очень осторожным при выборе и реализации сложных неполных экспериментальных планов.

Существует много книг с детальным обсуждением планов разного типа. (Dodge, 1985; Heiberger, 1989; Lindman, 1974; Milliken and Johnson, 1984; Searle, 1987; Woodward and Bonett, 1990), но такого рода информация лежит вне границ этого учебника. Тем не менее, позднее в этом разделе будет продемонстрирован анализ различного типа планов.

Предположения и эффекты нарушения предположений

Отклонение от предположения о нормальности распределений

Предположим, что зависимая переменная измерена в числовой шкале. Предположим также, что зависимая переменная имеет нормальное распределение внутри каждой группы. Дисперсионный анализ содержит широкий набор графиков и статистик для обоснования этого предположения.

Эффекты нарушения. Вообще F критерий очень устойчив к отклонению от нормальности (подробные результаты см. в работе Lindman, 1974). Если эксцесс больше 0, то значение статистики F может стать очень маленьким. Нулевая гипотеза при этом принимается, хотя она может быть и не верна. Ситуация меняется на противоположную, когда эксцесс меньше 0. Асимметрия распределения обычно незначительно влияет на F статистику. Если число наблюдений в ячейке достаточно большое, то отклонение от нормальности не имеет особого значения в силу центральной предельной теоремы , в соответствии с которой, распределение среднего значения близко к нормальному, независимо от начального распределения. Подробное обсуждение устойчивости F статистики можно найти в Box and Anderson (1955), или Lindman (1974).

Однородность дисперсии

Предположения. Предполагается, что дисперсии разных групп плана одинаковы. Это предположение называется предположением об однородности дисперсии. Вспомним, что в начале этого раздела, описывая вычисление суммы квадратов ошибок, мы производили суммирование внутри каждой группы. Если дисперсии в двух группах отличаются друг от друга, то сложение их не очень естественно и не дает оценки общей внутригрупповой дисперсии (так как в этом случае общей дисперсии вообще не существует). Модуль Дисперсионный анализ - ANOVA /MANOVA содержит большой набор статистических критериев обнаружения отклонения от предположений однородности дисперсии.

Эффекты нарушения. Линдман (Lindman 1974, стр. 33) показывает, что F критерий вполне устойчив относительно нарушения предположений однородности дисперсии (неоднородность дисперсии, см. также Box, 1954a, 1954b; Hsu, 1938).

Специальный случай: коррелированность средних и дисперсий. Бывают случаи, когда F статистика может вводить в заблуждение. Это бывает, когда в ячейках плана средние значения коррелированы с дисперсией. Модуль Дисперсионный анализ позволяет строить диаграммы рассеяния дисперсии или стандартного отклонения относительно средних для обнаружения такой корреляции. Причина, по которой такая корреляция опасна, состоит в следующем. Представим себе, что имеется 8 ячеек в плане, 7 из которых имеют почти одинаковое среднее, а в одной ячейке среднее намного больше остальных. Тогда F критерий может обнаружить статистически значимый эффект. Но предположим, что в ячейке с большим средним значением и дисперсия значительно больше остальных, т.е. среднее значение и дисперсия в ячейках зависимы (чем больше среднее, тем больше дисперсия). В этом случае большое среднее значение ненадежно, так как оно может быть вызвано большой дисперсией данных. Однако F статистика, основанная на объединенной дисперсии внутри ячеек, будет фиксировать большое среднее, хотя критерии, основанные на дисперсии в каждой ячейке, не все различия в средних будут считать значимыми.

Такой характер данных (большое среднее и большая дисперсия) - часто встречается, когда имеются резко выделяющиеся наблюдения. Одно или два резко выделяющихся наблюдений сильно смещают среднее значение и очень увеличивают дисперсию.

Однородность дисперсии и ковариаций

Предположения. В многомерных планах, с многомерными зависимыми измерениями, также применяются предположение об однородности дисперсии, описанные ранее. Однако так как существуют многомерные зависимые переменные, то требуется так же чтобы их взаимные корреляции (ковариации) были однородны по всем ячейкам плана. Модуль Дисперсионный анализ предлагает разные способы проверки этих предположений.

Эффекты нарушения . Многомерный аналог F - критерия - λ-критерий Уилкса. Не так много известно об устойчивости (робастности) λ-критерия Уилкса относительно нарушения указанных выше предположений. Тем не менее, так как интерпретация результатов модуля Дисперсионный анализ основывается обычно на значимости одномерных эффектов (после установления значимости общего критерия), обсуждение робастности касается, в основном, одномерного дисперсионного анализа. Поэтому должна быть внимательно исследована значимость одномерных эффектов.

Специальный случай: ковариационный анализ. Особенно серьезные нарушения однородности дисперсии/ковариаций могут происходить, когда в план включаются ковариаты. В частности, если корреляция между ковариатами и зависимыми измерениями различна в разных ячейках плана, может последовать неверное истолкование результатов. Следует помнить, что в ковариационном анализе, в сущности, проводится регрессионный анализ внутри каждой ячейки для того, чтобы выделить ту часть дисперсии, которая соответствует ковариате. Предположение об однородности дисперсии/ковариации предполагает, что этот регрессионный анализ проводится при следующем ограничении: все регрессионные уравнения (наклоны) для всех ячеек одинаковы. Если это не предполагается, то могут появиться большие ошибки. Модуль Дисперсионный анализ имеет несколько специальных критериев для проверки этого предположения. Можно посоветовать использовать эти критерии, для того, чтобы убедиться, что регрессионные уравнения для различных ячеек примерно одинаковы.

Сферичность и сложная симметрия: причины использования многомерного подхода к повторным измерениям в дисперсионном анализе

В планах, содержащих факторы повторных измерений с более чем двумя уровнями, применение одномерного дисперсионного анализа требует дополнительных предположений: предположения о сложной симметрии и предположения о сферичности. Эти предположения редко выполняются (см. ниже). Поэтому в последние годы многомерный дисперсионный анализ завоевал популярность в таких планах (оба подхода совмещены в модуле Дисперсионный анализ ).

Предположение о сложной симметрии Предположение о сложной симметрии состоит в том, что дисперсии (общие внутригрупповые) и ковариации (по группам) для различных повторных измерений однородны (одинаковы). Это достаточное условие для того, чтобы одномерный F критерий для повторных измерений был обоснованным (т.е. выданные F-значения в среднем соответствовали F-распределению). Однако в данном случае это условие не является необходимым.

Предположение о сферичности. Предположение о сферичности является необходимым и достаточным условием того, чтобы F-критерий был обоснованным. Оно состоит в том, что внутри групп все наблюдения независимы и одинаково распределены. Природа этих предположений, а также влияние их нарушений обычно не очень хорошо описаны в книгах по дисперсионному анализу - эта будет описано в следующих параграфах. Там же будет показано, что результаты одномерного подхода могут отличаться от результатов многомерного подхода, и будет объяснено, что это означает.

Необходимость независимости гипотез. Общий способ анализа данных в дисперсионном анализе – это подгонка модели . Если относительно модели, соответствующей данным, имеются некоторые априорные гипотезы, то дисперсия разбивается для проверки этих гипотез (критерии главных эффектов, взаимодействий). С точки зрения вычислений, этот подход генерирует некоторое множество контрастов (множество сравнений средних в плане). Однако если контрасты не независимы друг от друга, разбиение дисперсий становится бессодержательным. Например, если два контраста A и B тождественны и выделяется соответствующая им часть из дисперсии, то одна и та же часть выделяется дважды. Например, глупо и бессмысленно выделять две гипотезы: “среднее в ячейке 1 выше среднего в ячейке 2” и “среднее в ячейке 1 выше среднего в ячейке 2”. Итак, гипотезы должны быть независимы или ортогональны.

Независимые гипотезы при повторных измерениях. Общий алгоритм, реализованный в модуле Дисперсионный анализ , будет пытаться для каждого эффекта генерировать независимые (ортогональные) контрасты. Для фактора повторных измерений эти контрасты задают множество гипотез относительно разностей между уровнями рассматриваемого фактора. Однако если эти разности коррелированы внутри групп, то результирующие контрасты не являются больше независимыми. Например, в обучении, где обучающиеся измеряются три раза за один семестр, может случиться, что изменения между 1 и 2 измерением отрицательно коррелируют с изменением между 2 и 3 измерениями субъектов. Те, кто большую часть материала освоил между 1 и 2 измерениями, осваивают меньшую часть в течение того времени, которое прошло между 2 и 3 измерением. В действительности, для большинства случаев, где дисперсионный анализ используются при повторных измерениях, можно предположить, что изменения по уровням коррелированы по субъектам. Однако когда это случается, предположение о сложной симметрии и предположения о сферичности не выполняются и независимые контрасты не могут быть вычислены.

Влияние нарушений и способы их исправления. Когда предположения о сложной симметрии или о сферичности не выполняются, дисперсионный анализ может выдать ошибочные результаты. До того, как были достаточно разработаны многомерные процедуры, было предложено несколько предположений для компенсации нарушений этих предположений. (см., например, работы Greenhouse & Geisser, 1959 и Huynh & Feldt, 1970). Эти методы до сих пор широко используются (поэтому они представлены в модуле Дисперсионный анализ ).

Подход многомерного дисперсионного анализа к повторным измерениям. В целом проблемы сложной симметрии и сферичности относятся к тому факту, что множества контрастов, включенных в исследование эффектов факторов повторных измерений (с числом уровней большим, чем 2) не независимы друг от друга. Однако им не обязательно быть независимыми, если используется многомерный критерий для одновременной проверки статистического значимости двух или более контрастов фактора повторных измерений. Это является причиной того, что методы многомерного дисперсионного анализа стали чаще использоваться для проверки значимости факторов одномерных повторных измерений с более чем 2 уровнями. Этот подход широко распространен, так как он, в общем случае, не требует предположения о сложной симметрии и предположения о сферичности.

Случаи, в которых подходмногомерного дисперсионного анализа не может быть использован. Существуют примеры (планы), когда подход многомерного дисперсионного анализа не может быть применен. Обычно это случаи, когда имеется небольшое количество субъектов в плане и много уровней в факторе повторных измерений. Тогда для проведения многомерного анализа может быть слишком мало наблюдений. Например, если имеется 12 субъектов, p = 4 фактора повторных измерений, и каждый фактор имеет k = 3 уровней. Тогда взаимодействие 4-х факторов будет “расходовать”(k -1)P = 2 4 = 16 степеней свободы. Однако имеется лишь 12 субъектов, следовательно, в этом примере многомерный тест не может быть проведен. Модуль Дисперсионный анализ самостоятельно обнаружит эти наблюдения и вычислит только одномерные критерии.

Различия в одномерных и многомерных результатах. Если исследование включает большое количество повторных измерений, могут возникнуть случаи, когда одномерный подход дисперсионного анализа к повторным измерениям дает результаты, сильно отличающиеся от тех, которые были получены при многомерном подходе. Это означает, что разности между уровнями соответствующих повторных измерений коррелированы по субъектам. Иногда этот факт представляет некоторый самостоятельный интерес.

Многомерный дисперсионный анализ и структурное моделирование уравнений

В последние годы моделирование структурных уравнений стало популярным, как альтернатива многомерному анализу дисперсии (см. например, Bagozzi and Yi, 1989; Bagozzi, Yi, and Singh, 1991; Cole, Maxwell, Arvey, and Salas, 1993). Этот подход позволяет проверять гипотезы не только о средних в разных группах, но так же и о корреляционных матрицах зависимых переменных. Например, можно ослабить предположения об однородности дисперсии и ковариаций и явно включить в модель для каждой группы дисперсии и ковариации ошибки. Модуль STATISTICA Моделирование структурными уравнениями (SEPATH ) (см. том III) позволяет проводить такой анализ.

Вы помните, что все явления и процессы хозяйственной деятельности предприятия находится во взаимосвязи и взаимообусловленности. Одни из них связаны между собой непосредственно, другие косвенно.

Например, размер прибыли от основной деятельности прямо зависит от объема и структуры продаж, цены и себестоимости единицы продукции. Все другие факторы воздействуют на этот показатель косвенно.

Каждое явление можно рассматривать и как причину и как следствие.

Например, производительность труда можно рассматривать с одной стороны как причину изменения объема производства, себестоимости продукции, а с другой стороны – как результат изменения степени механизации и автоматизации производства, усовершенствования организации труда и т.д.

Каждый результативный показатель зависит от многочисленных и разнообразных факторов. Чем детальнее исследуется влияние фактора на величину результативного показателя, тем точнее результаты анализа и оценка качества работы предприятия. Следовательно изучение и измерение влияния факторов на величину исследуемых экономических показателей является важным методологический вопросом экономического анализа. Без глубокого и всестороннего изучения факторов нельзя сделать обоснованные выводы о результатах деятельности, выявить резервы производства, обосновать планы и управленческие решения.

Различают следующие типы факторного анализа :

Детерминированный и стохастический;

Прямой и обратный;

Одноступенчатый и многоступенчатый;

Ретроспективный (исторический) и перспективный (прогнозный).

Детерминированный факторный анализ представляет собой методику исследования влияния факторов, связь которых с результативным показателем носит функциональный характер. То есть когда результативный показатель представлен в виде произведения, частного или алгебраической суммы факторов.

Стохастический анализ представляет собой методику исследования факторов, связь которых с результативным показателем является неполной, вероятностной (корреляционной).

В чем разница между функциональной и корреляционной зависимостью?

При функциональной зависимости с изменением аргумента всегда происходит определенное изменение функции. При стохастической связи изменение аргумента может дать несколько изменений функции в зависимости от сочетания других факторов, определяющих данный показатель.

Например, производительность труда при одном и том же уровне фондовооруженности может быть неодинаковой на разных предприятиях.

При прямом факторном анализе исследования проводятся дедуктивным способом от общего к частному.

Обратный факторный анализ осуществляет исследование причинно-следственных связей способом индукции – от частных отдельных факторов к обобщающим.

Одноступенчатый факторный анализ используется для исследования факторов только одного уровня (одной ступени) подчинения без их детализации на составные части.

Например: рентабельность = прибыль / объем производства.

При многоступенчатом факторном анализе проводится детализация факторов на составные элементы с целью изучения их поведения.

Например: прибыль = объем продаж – затраты

Детализация факторов может быть продолжена дальше, то есть изучается влияние факторов разного уровня соподчиненности.

Статический факторный анализ применяется при изучении влияния факторов на результативные показатели на определенную дату.

Динамический факторный анализ – методика исследования причинно-следственных связей в динамике.

Ретроспективный факторный анализ изучает причины изменений результативных показателей за прошлые периоды.

Перспективный факторный анализ исследует поведение факторов и результативных показателей в перспективе.

Для проведения факторного анализа, необходимо установить какие показатели будут исследоваться, и как они связаны между собой.

Отбор факторов для анализа осуществляется на основе теоретических и практических знаний аналитика. При этом обычно исходят из принципа: чем больший комплекс факторов исследуется, тем точнее будут результаты анализа. но факторы должны рассматриваться не как простая совокупность цифр, а с учетом взаимодействия, выделением главного и второстепенных связей.

Зависимость между факторами и результативным признаком может быть прямая или обратная, прямолинейная или криволинейная. Для выбора вида связи используется теоретический и практический опыт, способы сравнения параллельных и динамических рядов, аналитическая группировка информации, графики и т.д.

Определяющий этап факторного анализа – моделирование.

Моделирование – это один из методов научного познания, с помощью которого создается модель (условный образ) объекта исследования. Сущность его заключается в том, что взаимосвязь исследуемого показателя с факторным передается в форме конкретного математического уравнения.

В детерминированном факторном анализе выделяют следующие типы факторных моделей:

1. Аддитивные модели используются в случаях, когда результативный показатель представляет собой алгебраическую сумму нескольких факторных показателей.

Например, модель расходов по элементам: Р = МЗ + ЗП + СС + А + Рпроч ,

Где Р – общая сумма расходов предприятия, МЗ – материальные затраты, ЗП - заработная плата, СС – отчисления на социальное страхование, А – амортизация, Рпроч – прочие расходы.

2. Мультипликативные модели , в которых результативный показатель представляет собой произведение нескольких факторов.

Например, определение заработной платы работника при сдельной форме оплаты труда: ЗП = Ст х К.

Где ЗП – заработная плата, Ст – ставка за 1 изделие, К – количество произведенных изделий.

3. Кратные модели, в которых результативный признак получают путем деления одного факторного показателя на другой.

Например ПТ = VВП: Чппп ,

Где ПТ – производительность труда, VВП – объем выпуска продукции, Чппп – численность промышленно-производственного персонала.

1. Смешанные (комбинированные) модели – сочетание в различных комбинациях предыдущих моделей.

Для определения величины влияния отдельных факторов на изменение результативных показателей используются следующие способы факторного анализа:

1. цепной подстановки;

2. абсолютных разниц;

3. относительных разниц;

5. пропорционального деления;

6. интегральный;

7. логарифмирование

Чаще всего используют первые четыре способа, основанные на методе элиминирования.

Элиминирование – исключение воздействия всех факторов на величину результативного, кроме одного- изучаемого.

Этот метод основан на том, что все факторы изменяются независимо друг от друга: сначала изменяется один, а все другие остаются без изменения, затем изменяется второй, третий и т.д. при неизменных остальных это позволяет определить величину влияния каждого фактора на величину исследуемого показателя в отдельности.

Наиболее универсальным является способ цепной подстановки . Он позволяет определить влияние отдельных факторов на изменение результативного показателя путем постепенной замены базисной величины каждого факторного показателя в объеме результативного показателя на фактическую.

Расчеты проводятся по следующей схеме.

Схема факторного анализа способом цепной подстановки

					произведение факторов	величина влияния фактора
Нулевая подстановка
Первая подстановка. Первый фактор
Вторая подстановка. Второй фактор
Третья подстановка. Третий фактор.
Четвертая подстановка. Четвертый фактор

Б – базисное значение показателя, Ф – фактическое значение показателя, Р – результат.

Имеются следующие данные о работе предприятия за месяц.

Таблица 6.

Данные о работе предприятия в январе 2007 года.

показатель			отклонение от плана
товарная продукция, тыс.грн (ТП)
среднесписочная численность рабочих, чел. (ЧР)
среднее число дней работы одного работника (Д)
средняя продолжительность 1 рабочего дня, час. (Ч)
среденчасовая выработка одного рабочего, тыс. грн/час, (В)

Проведем факторный анализ выполнения плана выпуска товарной продукции способом абсолютных разниц.

В данном случае результативный признак – объем товарной продукции. На него влияют факторы: численность рабочих, число дней, отработанное одним рабочим, продолжительность одного рабочего дня, среднечасовая выработка.

Следовательно, факторная модель будет иметь вид:

ТП = ЧР х Д х Ч х В.

Обратите внимание, что в факторной модели, используемой в методе цепных подстановки в первую очередь указываются количественные факторы, а во вторую – качественные.

Расчет влияния факторов проведем в таблице.

Таблица 7.

Факторный анализ изменения объема выпуска товарной продукции

номер подстановки и название фактора	факторы, влияющие на показатель				произведение факторов	величина влияния фактора
1. Численность рабочих
2. количество дней
3. продолжительность дня
4. выработка

Способ абсолютных разниц является упрощенным вариантом способа цепных подстановок, когда в каждой подстановке абсолютное значение фактора, влияние которого рассчитывается заменяют отклонением его фактической величины от плановой. Этот способ используется только в мультипликативных моделях.

Продолжение примера 5.

Проведем факторный анализ изменения товарной продукции способом абсолютных разниц.

1. измеряем влияние численности рабочих:

(200- 250)х8х12,5=-100 000(грн)

2. влияние изменения среднего числа дней, отработанных одним рабочим: 200 х(22-20)х8х12,5 = 40 000 (грн)

3. влияние изменения длительности рабочего дня:

200х22х(7-8)х12,5 = - 55000 (грн)

4. влияние изменения среднечасовой выработки:

200 х22х7х(15,5 -12,5)= 92400 (грн).

Способ относительных разниц используется для анализа мультипликативных и аддитивно-мультипликативных моделях типа

Изменение результативного показателя определяется следующим образом:

Согласно этому правилу для расчета влияния первого фактора необходимо базисную величину результативного показателя умножить на относительный прирост первого фактора, выраженного в виде десятичной дроби.

Чтобы рассчитать влияние второго фактора, нужно к базисной величине результативного показателя прибавить изменение его за счет первого фактора и затем полученную сумму умножить на относительный прирост второго фактора.

Влияние третьего фактора определяется аналогично: к плановой величине результативного показателя прибавляем его прирост за счет первого и второго факторов и полученную сумму умножить на относительный прирост третьего фактора и т.д.

Рассчитаем влияние факторов на изменение объема товарной продукции методом относительных разниц.

1) за счет изменения численности рабочих:

500 000 х (-50:250)= - 100 000 (грн)

2) за счет изменения количества дней

(500 000 - 100 000)х(2:20)= 40 000(грн)

3) за счет изменения продолжительности рабочего дня:

(500 000 – 100 000 + 40 000)х(-1:8)= - 55 000 (грн)

4) за счет изменения выработки:

(500 000 – 100 000 + 40 000 – 55 000)х(3:12,5) =92 400 (грн).

Индексный метод основан на анализе относительных показателей динамики, выражающих отношение фактического уровня показателя в отчетном периоде к его уровню в базисном периоде.

С помощью агрегатных индексов можно оценить влияние только двух факторов на изменение уровня результативного показателя в мультипликативных и кратных моделях.

Если из числителя формулы, образующее индекс вычесть знаменатель, то будут получены абсолютные приросты результативного признака за счет влияния каждого фактора.

Если три последних фактора в нашем примере объединить в один комплексный фактор – среднемесячную выработку одного рабочего, то мы сможем решить эту задачу индексным методом:

Среднемесячная выработка одного рабочего плановая = 20Х8Х12,5 = 2000 грн.

Среднемесячная выработка одного рабочего фактическая = 22Х7Х15,5 = 2387 грн.

Индекс товарной продукции имеет вид:

477,4: 500 = 0,955

Δpq = 477,4 – 500 = - 22,6 (тыс.грн)

Фактический выпуск товарной продукции по сравнению с плановым уменьшился на 0,5% что составило 22,6 тыс.грн.

Влияние изменения среднемесячной выработки определяем с помощью индекса физического объема по формуле:

Δpq (q) = 596750 – 500000 = 96750 грн.

Влияние изменения численности рабочих определяется на основе индекса численности:

=

Δpq (p) = 477400 - 596750 = - 119350 грн.

Таким образом за счет изменения выработки выпуск товарной продукции предприятия увеличился на 96750 грн, а за счет изменения численности рабочих уменьшился на 119 350 грн.

Одним из основных инструментов экономических исследований является факторный анализ, представляющий собой раздел многомерного статистического анализа, объединяющего методы оценки размерности множества наблюдаемых переменных посредством исследования структуры ковариационных или корреляционных матриц. В отличие от других методов анализа, он позволяет аналитикам решить две основные задачи: компактно и всесторонне описать предмет измерения и выявить отвечающие за наличие линейных статистических корреляционных связей между наблюдаемыми переменными факторы.

Оправданно применяя метод главных компонентов, предназначенных для замены коррелированных факторов некоррелированными, а также ограничиваясь исследованием наиболее существенных информативных факторов и исключая остальные из анализа, упростив тем самым интерпретацию результатов, факторный анализ предстает как методика комплексного и системного исследования зависимости остальных факторов от величины критериального результативного показателя.

Основными типами факторного анализа являются: детерминированный, функциональный (результативный критериальный показатель, представляющий собой произведение частных или алгебраическую сумму факторов); стохастический, корреляционный (при наличии между результативным и факторными показателями неполной или вероятностной связи); прямой, дедуктивный (от общего к частному); обратный, индуктивный (от частного к общему); статический и динамический; ретроспективный и перспективный; одноступенчатый и многоступенчатый.

Факторный анализ начинают с проверки его обязательных условий, согласно которым: все признаки являются количественными; число признаков в два раза превышает число переменных; выборка однородна; распределение исходных переменных носит симметричный характер; изучение факторов осуществляется по коррелирующим переменным. Факторный анализ проводится в несколько этапов: отбор факторов; классификация и систематизация факторов; моделирование взаимосвязей между результативными и факторными показателями; расчет влияния факторов и оценка роли каждого из них в изменении величины результативного показателя; практическое использование факторной модели (подсчет резервов прироста результативного показателя). По характеру взаимосвязи между показателями различают методы детерминированного и стохастического факторного анализа (табл. 1.5).

Методы факторного анализа

Таблица 1.5

Методы	Краткая характеристика
Детерминированный факторный анализ	Детерминированный факторный анализ - это методика влияния факторов, функционально связанных с критериальным результативным показателем, позволяющим представить критериальный показатель факторной модели как частное, произведение или алгебраическую сумму переменных. Детерминированному факторному анализу свойственны следующие методы: цепных подстановок; абсолютных разниц; относительных разниц; интегральный; логарифмирования
Стохастический	Стохастический анализ - методика исследования факторов, связь с критериальным результативным показателем которых носит, в отличие от функциональной связи, неполный, вероятностный (корреляционный) характер. При корреляционной связи путем изменения аргумента в зависимости от сочетания других переменных, влияющих на величину показателя результативного показателя, можно получить ряд значений прироста функции, в то время как при функциональной (полной) зависимости изменение аргумента всегда приводит к соответствующим изменениям функции. Стохастический анализ проводится с помощью применения следующих методов факторного анализа: парной корреляции; множественного корреляционного анализа; матричной модели; математического программирования; теории игр
Статический и динамический	Статический факторный анализ практикуется в целях оценки влияния факторов на критериальные результативные показатели на конкретную дату, а динамический - для выявления динамики причинно-следственных связей
Ретроспективный и перспективный	Факторный анализ может носить как ретроспективный характер (выявлять причины изменения величины результативного показателя за прошедший период), так и перспективный (исследовать влияние факторов на значение критериального показателя в перспективе)

Для проведения экономического анализа важное значение имеет применение детерминированного моделирования и разных типов факторных детерминированных моделей, предназначенных для моделирования корреляций между критериальным результативным фактором и остальными переменными факторными показателями. Суть данного моделирования заключается в представлении взаимосвязи исследуемого показателя с факторами как конкретное математическое уравнение, выражающее функциональную или корреляционную связь.

Детерминированные факторные модели позволяют исследовать функциональную зависимость между исследуемыми показателями в случае соблюдения при построении факторной модели следующих требований: факторы, включенные в модель, должны быть реальными, а не абстрактными; факторы должны быть в причинно-следственной взаимосвязи с исследуемым результативным показателем; показатели факторной модели должны быть количественно измеримы; должна быть возможность измерения влияния отдельных факторов; вначале в факторную модель записываются количественные факторы, затем качественные; если в факторной модели присутствует несколько количественных или качественных факторов, то вначале записываются факторы более высокого порядка, а затем - более низкого.

Наибольшее распространение в факторном анализе получили следующие типы детерминированных факторных моделей (табл. 1.6).

Типы детерминированных факторных моделей

Таблица 1.6

Факторные модели

Краткая характеристика

Аддитивные

Используются, если критериальный результативный показатель представлен в виде алгебраической суммы ряда факторных параметров показателей: Разработанная факторная модель может быть подвергнута дополнительным преобразованиям при возникновении углубления проводимого исследования, с использованием в этих целях ряда способов и приемов. Оттого, насколько реально и точно разработанные модели отражают взаимосвязь между исследуемыми показателями, зависят конечные результаты экономического анализа бизнеса организации. Моделирование аддитивных факторных систем предполагает осуществление последовательного разложения факторов исходной факторной системы на составные переменные: у = a + b. Так, факторы первого уровня а и b зависят, в свою очередь, от ряда других факторов: a = с + d, b = е + m, y = c + d + e + m.

Факторные модели	Краткая характеристика
Мультипликативные модели	Применяются в тех случаях, когда критериальный результативный показатель выражается в виде произведения ряда факторных показателей: Суть моделирования мультипликативных факторных систем кроется в детальном последовательном разложении комплексных факторов исходной факторной системы на факторы-сомножители: у = Я X Ь. Величина факторов первого уровня а и Ь, в свою очередь, зависят от ряда других факторов: a = с х, b = е х т, y=cxd*exm
Кратные модели	Если критериальный результативный показатель можно определить как отношение одного факторного показателя к другому, то Различают следующие способы преобразования факторных кратных моделей: 1) удлинение (преобразовывает числитель, заменяя один фактор или ряд факторов на сумму однородных показателей): 2) формальное разложение (удлиняет знаменатель, заменяя один или ряд факторов на сумму или произведение однородных показателей):
	3) расширение (преобразовывает исходную факторную модель, умножая числитель и знаменатель соотношения на один показатель или несколько новых показателей):

Критериальные результативные показатели можно разложить на факторы различными способами и представить как различные типы детерминированных моделей факторов. Способ моделирования выбирают в зависимости от объекта исследования и поставленных целей, а также от профессиональных знаний и навыков аналитика.

Большинство способов оценки факторов в моделях детерминации основаны на элиминировании, наиболее универсальным методом в котором являются цепные подстановки, используемые для того, чтобы измерить влияние факторов во всех типах моделей факторной детерминации: мультипликативных, аддитивных, кратных и смешанных (комбинированных). Благодаря данному способу можно оценить как отдельные факторы оказывают влияние на величину критериального результативного показателя, постепенно заменяя базисную величину каждого фактора показателя в составе критериального показателя на фактическую величину в отчетном периоде. Для этого исчисляют ряд условных значений критериального результативного показателя, учитывающих последовательное изменение одного, двух и более факторов, при неизменном значении остальных. Сравнительная оценка изменения величины критериального параметра до и после изменения уровня того или иного фактора позволяет исключать (элиминировать) влияние всех факторов, за исключением того, воздействие которого на прирост результативного показателя определяется.

Влияние того или иного показателя оценивается благодаря последовательному вычитанию: из второго расчета первого, из третьего - второго и т.д. В первом расчете все величины являются плановыми, в последнем - фактическими. Например, алгоритм расчета при трехфакторной мультипликативной модели выглядит следующим образом:

В алгебраическом виде сумма влияния факторов равноценна общему приросту критериального результативного показателя:

При несоблюдении указанного равенства аналитику следует искать ошибки в произведенных им расчетах. Исходя из этого, разработано правило, согласно которому следует, что число расчетов на единицу больше числа показателей приведенного уравнения.

При использовании метода цепных подстановок предполагается обеспечение соблюдения строгой последовательности подстановки, ибо ее произвольное изменение чревато искажением результатов анализа. В процессе аналитических процедур целесообразно выявить влияние в первую очередь количественных показателей, затем - качественных. Например, требуется оценить влияние численности работников и производительности труда на объем производства промышленной продукции. Для этого сначала оценивается влияние количественного показателя (численности работников), а затем - качественного показателя (производительности труда).

Метод цепной подстановки обладает существенным недостатком, так как при его использовании следует считать, что величины факторов меняются независимо друг от друга. Хотя в действительности они изменяются одновременно и во взаимосвязи, что влечет за собой дополнительный прирост результативного показателя, как правило, присоединяемый к последнему из исследуемых факторов. Таким образом, величина влияния факторов на изменение результативного показателя зависит от месторасположения того или иного фактора в схеме аналитической модели. Этим объясняется разница в расчетах при изменении последовательности подстановки. Таким образом, степень влияния факторов на изменение критериального показателя колеблется в зависимости от места фактора в модели детерминации. Этот недостаток детерминированного факторного анализа устраняется благодаря использованию более сложного интегрального метода, позволяющего оценить влияние факторов в мультипликативных, кратных и смешанных моделях кратно-аддитивного вида.

Способ абсолютных разниц - это модификация способа цепной подстановки, в котором изменение критериального показателя за счет каждого фактора способом абсолютных разниц определяется как произведение отклонения изучаемого фактора на базисное или отчетное значение другого фактора в зависимости от выбранной последовательности подстановки:

Способ относительных разниц предназначен для оценки влияния факторов на прирост критериального показателя в мультипликативных и смешанных моделях вида:

Он предполагает нахождение относительного отклонения каждого факторного показателя и определение направления и размера влияния факторов в процентах путем последовательного вычитания (из первого - всегда 100%).

При применении способа сокращенных подстановок показатели для расчета представляют собой промежуточные произведения с последовательным накоплением влияющих факторов. Производятся подстановки, а затем путем последовательного вычитания находятся размеры влияния факторов.

Интегральный метод позволяет достигнуть полного разложения результативного показателя по факторам и носит универсальный характер, т.е. применим к мультипликативным, кратным и смешанным моделям. Изменение критериального показателя измеряется на бесконечно малых отрезках времени, путем суммирования приращения результата, определяемого как частные произведения, умноженные на приращения факторов на бесконечно малых промежутках.

Применение интегрального метода обеспечивает более высокую точность расчетов влияния факторов по сравнению со способами цепной подстановки, абсолютных и относительных разниц, позволяя устранить неоднозначную оценку влияния, ибо в данном случае результаты не зависят от местоположения факторов в модели, а дополнительный прирост результативного показателя, возникающий из-за взаимодействия факторов, распределяется между ними равномерно.

Для распределения дополнительного прироста недостаточно взять его часть, соответствующую количеству факторов, так как факторы могут действовать в разных направлениях. Поэтому изменение результативного показателя измеряется на бесконечно малых отрезках времени путем суммирования приращения результата, определяемого как частные произведения, умноженные на приращения факторов на бесконечно малых промежутках. Операция вычисления определенного интеграла сводится к построению подынтегральных выражений, зависящих от вида функции или модели факторной системы.

В связи со сложностью вычисления некоторых определенных интегралов и дополнительных трудностей, связанных с возможным действием факторов в противоположных направлениях, на практике используются специально сформированные рабочие формулы:

1. Модель вида

2. Модель вида

3. Модель вида

4. Модель вида

К основным приемам элиминирования, которые опираются на относительные показатели динамики, пространственных сравнений, выполнения плана (оцениваемых отношением фактического уровня исследуемого показателя со сравниваемым), относится индексный метод.

Индексные модели позволяют построить количественную оценку роли отдельных факторов в тенденциях динамики изменений обобщающих показателей в статистике, планировании и экономическом анализе. Расчет любого индекса предполагает сопоставление соизмеряемой величины с базисной. Если индекс отражается в виде соотношения непосредственно соизмеряемых величин, то его называют индивидуальным, а если индекс представляет соотношения сложных явлений, то групповым, или тотальным. Различают несколько форм индексов (агрегатные, арифметические, гармонические).

Основу любой формы общего индекса составляет агрегатный индекс, позволяющий оценить степень влияния различных факторов на изменение уровня критериальных показателей в мультипликативных и кратных моделях. На корректность определения размера каждого фактора влияют: количество знаков после запятой (не менее четырех); количество самих факторов (связь обратно пропорциональна).

Принципами построения агрегатных индексов являются: изменение одного фактора при неизменном значении всех остальных. При этом если обобщающий экономический показатель представляет собой произведение количественного (объемного) и качественного показателей факторов, то при определении влияния количественного фактора качественный показатель фиксируется на базисном уровне, а при определении влияния качественного фактора количественный показатель фиксируется на уровне отчетного периода.

Допустим, что Y - а * b * с х d,

а;

Факторный индекс, показывающий, как изменяется показатель b и т.д.;

Так называемый «общий индекс изменений в результирующем показателе» в зависимости от всех факторов.

При этом

С помощью индексного метода можно разложить по факторам не только относительные, но и абсолютные отклонения обобщающего показателя, определяя при этом влияние отдельных факторов с помощью разности между числителем и знаменателем соответствующих индексов, т.е. при расчете влияния одного фактора элиминируя влияние другого:

С помощью индексного метода факторного анализа можно разложить по факторам не только относительные, но и абсолютные отклонения в обобщающем показателе. Другими словами, влияние отдельного фактора можно определить при помощи разности между числителем и знаменателем соответствующих индексов, т.е. при расчете влияния одного фактора элиминируя влияние другого.

Допустим:

где а - количественный фактор, а b - качественный,

показателя за счет фактора а ;

Абсолютный прирост результирующего

показателя за счет фактора Ь

- абсолютный прирост результирующего

показателя за счет влияния всех факторов.

Рассмотренный принцип разложения абсолютного прироста обобщающего показателя по факторам целесообразно применять, если число факторов равно двум (один из них количественный, другой - качественный), а анализируемый показатель представлен как их произведение, так как теория индексов не дает общего метода разложения абсолютных отклонений обобщающего показателя по факторам при числе факторов более двух. Для решения этой задачи используется метод цепных подстановок.

Методы факторного анализа успешно применяются в целях объективной оценки влияния факторов на критериальный показатель деятельности организации. В качестве одного из примеров такого подхода рассмотрим, каким образом изменения в объеме реализации продукции оказывают влияние на финансовые результаты деятельности организации. Как правило, изменение выручки от реализации происходит вследствие: 1) изменения объема реализации (в натуральном выражении); 2) изменения отпускных цен. Общее изменение выручки от реализации может быть представлено в виде суммы факторных отклонений:

где N x - выручка отчетного года;

N 0 - выручка базисного года;

А N - изменение выручки в результате изменения объема реализации;

AN p - изменение выручки в результате изменения отпускных цен на продукцию;

AN c - изменение выручки в результате изменения структуры реализации продукции.

Представим выручку (N) как произведение цены реализации (Р) на объем реализации (Q ):

N 0 = Р 0 х Q 0 - выручка базисного года;

jV, = Р, х (2, - выручка отчетного года.

Оценка влияния изменения объема реализации продукции (при неизменных ценах) на изменение выручки производится следующим образом:

Оценка влияния изменения цены реализации (при неизменном объеме) на изменение выручки осуществляется следующим образом:

В процессе анализа определяется влияние такого фактора, как изменение структуры реализации, а также удельный вес отдельных ассортиментных позиций в общем объеме реализации в базисном и анализируемом периодах, а затем рассчитывается влияние структурных сдвигов на общий объем реализации. Недополученная выручка в результате изменения ассортимента реализованной продукции оценивается отрицательно, а сверхплановая выручка - положительно.

Все хозяйственные процессы деятельности предприятий взаимосвязаны и взаимообусловлены. Одни из них напрямую связаны между собой, некоторые проявляются косвенно. Таким образом, важным вопросом в экономическом анализе является оценка влияния фактора на тот или иной экономический показатель и для этого используют факторный анализ.

Факторный анализ предприятия. Определение. Цели. Виды

Факторный анализ относится в научной литературе к разделу многомерного статистического анализа, где оценку наблюдаемых переменных проводят с помощью ковариационных или корреляционных матриц.

Факторный анализ впервые стал применяться в психометрике и в настоящее время используется почти во всех науках начиная от психологии и кончая нейрофизиологией и политологией. Основные концепции факторного анализа были определены английским психологом Гальтоном и затем развиты Спирменом, Терстоуном, Кеттелом.

Можно выделить 2 цели факторного анализа :
– определение взаимосвязи между переменными (классификация).
– сокращение числа переменных (кластеризация).

Факторный анализ предприятия – комплексная методика системного изучения и оценки воздействия факторов на величину результативного показателя.

Можно выделить следующие виды факторного анализа :

1. Функциональный, где результативный показатель определен в виде произведения или алгебраической суммы факторов.
2. Корреляционный (стохастический) – связь между результативным показателем и факторами являются вероятностой.
3. Прямой / Обратный – от общего к частном и наоборот.
4. Одноступенчатый/многоступенчатый.
5. Ретроспективный/ перспективный.

Остановимся на первых двух более подробно.

Для того, чтобы можно было провести факторный анализ необходимо :
– Все факторы должны быть количественными.
– Число факторов в 2 раза больше чем результативные показатели.
– Однородная выборка.
– Нормальное распределение факторов.

Факторный анализ осуществляется в несколько этапов:
1 этап. Отбираются факторы.
2 этап. Факторы классифицируются и систематизируются.
3 этап. Моделируется взаимосвязь между результативным показателем и факторами.
4 этап. Оценка влияния каждого фактора на результативный показатель.
5 этап. Практическое использование модели.

Выделяются методы детерминированного факторного анализа и методы стохастического факторного анализа.

Детерминированный факторный анализ – исследование, в котором факторы влияют на результативный показатель функционально. Методы детерминированного факторного анализа – метод абсолютных разниц, метод логарифмирования, метод относительных разниц. Данный вид анализ наиболее распространен в силу своей простоты применения и позволяет понять факторы, которые необходимо изменить для увеличения / уменьшения результативного показателя.

Стохастический факторный анализ – исследование, в котором факторы влияют на результативный показатель вероятностно, т.е. при изменении фактора может быть несколько значений (или диапазон) результирующего показателя. Методы стохастического факторного анализа – теория игр, математическое программирование, множественный корреляционный анализ, матричные модели.

Деятельность любой коммерческой компании направлена на получение прибыли. Основные факторы, влияющие на прибыль, — объем, ассортимент, себестоимость проданной продукции и расходы на ее реализацию. Анализ этих факторов поможет компании выявить недостатки, повысить рентабельность продаж и подготовить бизнес-план по продажам.

ФАКТОРНЫЙ АНАЛИЗ: ОБЩАЯ ХАРАКТЕРИСТИКА И СПОСОБЫ ПРОВЕДЕНИЯ

Факторный анализ — это способ комплексного и системного исследования влияния отдельных факторов на размер итоговых показателей. Основная цель проведения такого анализа — найти способы увеличить доходность фирмы.

Факторный анализ позволяет определить общее изменение прибыли в текущем периоде по отношению к предыдущему (базовому) периоду или изменение фактических показателей прибыли по отношению к плану, а также влияние на эти изменения следующих факторов:

• объем продажи продукции;
• себестоимость реализуемой продукции;
• цены реализации;
• ассортимент реализуемой продукции.

Таким образом, с помощью факторного анализа можно установить объем продаж, себестоимость или цену реализации, которые увеличат прибыль компании, а факторный анализ по ассортименту реализуемой продукции даст возможность выявить товар, который продается лучше всего, и товар, пользующийся наименьшим спросом.

Показатели для факторного анализа берут из бухгалтерского учета. Если анализируют итоги за год, то используют данные формы № 2 «Отчет о финансовых результатах».

Факторный анализ можно проводить:

1) способом абсолютных разниц;

2) способом цепных подстановок.

Математическая формула модели факторного анализа прибыли от продаж:

ПР = V прод × (Ц - S ед),

где ПР — прибыль от продаж (плановая или базовая);

V прод — объем продаж продукции (товаров) в натуральных величинах (штуки, тонны, метры и т. д.);

Ц — продажная цена единицы реализованной продукции;

S ед — себестоимость единицы реализованной продукции.

Способ абсолютных разниц

За основу факторного анализа берется математическая формула ПР (прибыль от продаж). Формула включает три анализируемых фактора:

• объем продаж в натуральных единицах;
• цену;
• себестоимость одной единицы продаж.

Рассмотрим ситуации, влияющие на прибыль. Определим изменение величины прибыли за счет каждого фактора. Расчет строится на последовательной замене плановых значений факторных показателей на их отклонения, а затем на фактический уровень этих показателей. Приведем формулы расчета для каждой ситуации, оказавшей влияние на прибыль.

Ситуация 1. Влияние на прибыль объема продаж:

ΔПР объем = ΔV прод × (Ц план - S ед. план) = (V прод. факт - V прод. план) × (Ц план - S ед. план).

Ситуация 2. Влияние на прибыль продажной цены:

ΔПР цена = V прод. факт × ΔЦ = V прод. факт × (Ц факт - Ц план).

Ситуация 3. Влияние на прибыль себестоимости единицы продукции:

ΔПР S ед = V прод. факт × (-ΔS ед) = V прод. факт × (-(S ед. факт - S ед. план)).

Способ цепной подстановки

Используя такой метод, сначала рассматривают влияние одного фактора при неизменности прочих, затем второго и т. д. За основу берут все ту же математическую формулу модели факторного анализа прибыли от продаж.

Выявим влияние факторов на сумму прибыли.

Ситуация 1. Изменение объема продаж.

ПР1 = V прод. факт × (Ц план - S ед. план);

ΔПР объем = ПР1 - ПР план.

Ситуация 2. Изменение цены продаж.

ПР2 = V прод. факт × (Ц факт - S ед. план);

ΔПР цена = ПР2 - ПР1.

Ситуация 3. Изменение себестоимости продаж единицы продукции.

ПР S ед = V прод. факт × (Ц факт - S ед. факт);

ΔПР S ед = ПР3 - ПР2.

Условные обозначения, применяемые в приведенных формулах:

ПР план — прибыль от реализации (плановая или базовая);

ПР1 — прибыль, полученная под влиянием фактора изменения объема продаж (ситуация 1);

ПР2 — прибыль, полученная под влиянием фактора изменения цены (ситуация 2);

ПР3 — прибыль, полученная под влиянием фактора изменения себестоимости продаж единицы продукции (ситуация 3);

ΔПР объем — сумма отклонения прибыли при изменении объема продаж;

ΔПР цена — сумма отклонения прибыли при изменении цены;

ΔП S ед — сумма отклонения прибыли при изменении себестоимости единицы реализованной продукции;

ΔV прод — разница между фактическим и плановым (базисным) объемом продаж;

ΔЦ — разница между фактической и плановой (базисной) ценой продаж;

ΔS ед — разница между фактической и плановой (базисной) себестоимостью единицы реализованной продукции;

V прод. факт — объем продаж фактический;

V прод. план — объем продаж плановый;

Ц план — цена плановая;

Ц факт — цена фактическая;

S ед. план — себестоимость единицы реализованной продукции плановая;

S ед. факт — себестоимость единицы реализованной продукции фактическая.

Замечания

1. Способ цепной подстановки дает те же результаты, что и способ абсолютных разниц.
2. Суммарное отклонение прибыли будет равно сумме отклонений под влиянием всех факторов, по которым проводят факторный анализ.

ФАКТОРНЫЙ АНАЛИЗ ПРИБЫЛИ ОТ ПРОДАЖ

Проведем факторный анализ прибыли от продаж с помощью Excel. Сначала сравним фактические и плановые показатели в Excel-таблицах, далее построим диаграмму и график, которые наглядно покажут результаты и отклонения проведенного факторного анализа.

В Excel можно построить стандартную план-факт таблицу, состоящую из нескольких блоков: в левой части таблицы в колонке будет стоять название показателя, в центре — данные с планом и фактом, в правой части — отклонение (в абсолютных и относительных величинах).

ПРИМЕР 1

Организация реализует металлопрокат. Косвенные расходы распределяются на себестоимость реализованной продукции, то есть формируется полная себестоимость продукции. Проведем факторный анализ прибыли от продаж двумя способами (метод абсолютных разниц и метод цепных подстановок) и определим, какие из показателей оказали наибольшее влияние на прибыль компании.

Плановые показатели взяты из бизнес-плана по продажам, фактические — из бухгалтерской отчетности (формы № 2) и бухгалтерского учета — (отчетов о продажах в натуральных единицах).

Данные о результатах финансовой деятельности компании (фактические и плановые) представлены в табл. 1.

Таблица 1. Данные о результатах финансовой деятельности компании, тыс. руб.
Фактор	План	Факт	Отклонения от плана
			абсолютные	в процентах
				5 = / × 100 %
Объем продаж, тыс. т
Себестоимость продаж
Себестоимость продаж 1 т

Из данных табл. 1 следует, что объем продаж фактический ниже планового на 10,1 тыс. т, продажная цена была выше плановой на 0,15 тыс. руб. При этом сумма фактической выручки меньше плановой на 276,99 тыс. руб., а себестоимость продаж, наоборот, выше плановой на 1130 тыс. руб. Все перечисленные факторы снизили фактическую прибыль по сравнению с плановой на 1404,78 тыс . руб .

Е. В. Акимова, аудитор

Материал публикуется частично. Полностью его можно прочитать в журнале