Факторный анализ прибыли позволяет оценить влияние каждого фактора в отдельности на финансовый результат в целом. Читайте, как его провести, а также скачайте методику проведения.

Суть факторного анализа

Суть факторного метода в том, чтобы определить влияние каждого фактора в отдельности на результат в целом. Это достаточно сложно сделать, так факторы влияют друг на друга, а если фактор не количественный (например, сервис), то его вес оценивают экспертным путем, что накладывает на весь анализ отпечаток субъективности. Кроме того, когда факторов влияющих на результат становится слишком много, то данные невозможно обрабатывать и рассчитывать без специальных программ математического моделирования.

Одним из самых главных финансовых показателей предприятия является прибыль. В рамках факторного анализа лучше анализировать маржинальную прибыль, где постоянные расходы отсутствуют, либо прибыль от продаж.

Узнайте причины изменений с помощью Excel-модели

Скачайте готовую модель в Excel. Она поможет узнать, как повлияли на выручку объем продаж, цена и структура продаж.

Факторный анализ методом цепных подстановок

При факторном анализе экономисты обычно применяют метод цепных подстановок, однако математически данный метод является некорректным и выдает сильно перекошенные результаты, которые значительно различаются в зависимости от того, какие переменные подставляют вначале, а какие после (например, в таблице 1).

Таблица 1 . Анализ выручки в зависимости от цены и количества проданной продукции

	Базовый год			Текущий год			Прирост выручки
			Выручка В 0			Выручка В 0	За счет цены В p	За счет количества В q
Вариант 1							P 1 Q 0 -P 0 Q 0	P 1 Q 1 -P 1 Q 0	В 1 -В 0
Вариант 2							P 1 Q 1 -P 0 Q 1	P 0 Q 1 -P 0 Q 0	В 1 -В 0

В первом варианте выручка за счет цены выросла на 500 рублей, а во втором на 600 рублей; выручка за счет количества в первом выросла на 300 рублей, а во втором всего на 200 рублей. Таким образом, результаты значительно разнятся в зависимости от порядка подстановки. .

Можно более корректно распределять факторы, влияющие на конченый результат в зависимости от наценки (Нац) и количества продаж (Кол) (см. рисунок 1).

Рисунок 1

Формула прироста прибыли за счет наценки: П нац = ∆ Нац * (Кол (тек) + Кол (баз)) / 2

Формула прироста прибыли за счет количества: П кол = ∆ Кол * (Нац (тек) + Нац (баз)) / 2

Пример двухфакторного анализа

Рассмотрим в таблице 2 пример.

Таблица 2 . Пример двухфакторного анализа выручки

	Базовый год			Текущий год			Прирост выручки
			Выручка В 0			Выручка В 0	За счет наценки В p	количества В q
							∆ P(Q 1 +Q 0)/2	∆ Q(P 1 +P 0)/2	В 1 -В 0
Товар «А»

Получились усредненные величины между вариантами цепных подстановок (см. таблицу 1).

Трехфакторная модель для анализа прибыли

Трехфакторная модель значительно сложнее двухфакторной (рисунок 2).

Рисунок 2

Формула, по которой определяют влияние каждого фактора в 3-х факторной модели (например, наценка, количество, номенклатура) на общий результат похожа на формулу в двухфакторной, но уже сложнее.

П нац = ∆Нац * ((Кол (тек) * Ном (тек) + Кол (баз) * Ном (баз)) / 2 - ∆Кол * ∆Ном / 6)

П кол = ∆Кол * ((Нац (тек) * Ном (тек) + Нац (баз) * Ном (баз)) / 2 - ∆Нац * ∆Ном / 6)

П ном = ∆Ном * ((Нац (тек) * Кол (тек) + Нац (баз) * Кол (баз)) / 2 - ∆Нац * ∆Кол / 6)

Пример анализа

В таблице мы привели пример использования трехфакторной модели.

Таблица 3 . Пример расчета выручки по трехфакторной модели

	Прошлый год				Текущий год				Факторы выручки
											Номенклатура
									∆ Q((N 1 P 1 + N 0 P 0) / 2 - - ∆ N ∆ P/6)	∆ P((N 1 Q 1 + N 0 Q 0) / 2 - - ∆ N ∆ Q/6)	∆ N ((Q 1 P 1 + Q 0 P 0) / 2 - - ∆ Q ∆ P/6)

Если посмотреть на полученные результаты анализа выручки факторным методом, то наибольший прирост выручки произошел за счет повышения цен. Цены повысились на (15 / 10 - 1) * 100% = 50%, следующим по значимости оказалось увеличение номенклатуры с 3 до 4 ед.– темп прироста (4 / 3 - 1) * 100% = 33% и на последнем месте «количество», которое возросло всего на (120/100-1)*100% = 20%. Таким образом, факторы влияют на прибыль пропорционально темпу роста.

Четырехфакторная модель

К сожалению, для функции вида Пр = Kол ср * Ном * (Цен - Cеб), не существует простых формул расчета влияния каждого отдельного фактора на показатель.

Пр – прибыль;

Kол ср – среднее количество на единицу номенклатуры;

Ном – количество номенклатурных позиций;

Цена – цена;

.

Есть метод расчета, основанный на теореме Лагранжа о конечных приращениях, с использованием дифференциального и интегрального исчислений, однако он настолько сложный и трудоемкий, что практически не применим в реальной жизни.

Поэтому для вычленения каждого отдельного фактора сначала вычисляются более общие факторы по обычной двухфакторной модели, а затем уже их составляющие тем же способом.

Общая формула прибыли: Пр = Кол * Нац (Нац – наценка на ед. продукции). Соответственно, мы определяем влияние двух факторов: количества и наценки. В свою очередь количество проданной продукции зависит от номенклатуры и количества продаж приходящихся в среднем на единицу номенклатуры.

Получаем Кол = Kол ср * Ном. А наценка зависит от цены и себестоимости, т.е. Нац = Цен – Себ. В свою очередь влияние себестоимости на изменение прибыли зависит от количества проданной продукции и от изменения самой себестоимости.

Таким образом, нам надо по отдельности определить влияние 4-х факторов на изменение прибыли: Кол, Цена, Себ, Ном, используя 4 уравнения:

1. Пр = Кол * Нац
2. Кол = Kол ср * Ном
3. Затр = Кол * Себ.
4. Выр = Кол * Цена

Пример анализа по четырехфактороной модели

Рассмотрим это на примере. Исходные данные и расчеты в таблице

Таблица 4 . Пример анализа прибыли по 4-х факторной модели

Прошлый год
		Кол (ср) Q (ср 0)				Прибыль П 0
						Q 0 *(P 0 -С 0)
			∑Q 0 P 0 / ∑Q 0	∑Q 0 P 0 / ∑Q 0
Текущий год
		Кол (ср) Q (ср 1)
						Q 1 *(P 1 -С 1)
Итоговые и средневзвешенные значения
			∑Q 1 P 1 /∑Q 1	∑Q 1 P 1 /∑Q 1
Влияние фактора на изменение прибыли
Ном N ∆	Кол Q ∆	Кол (ср) Q (ср)∆	Цен P ∆		Нац Н ∆
∆N * (Q (ср 0) +Q (ср 1)) / 2 * (H 1 + H 0) / 2	∆Q*(H 1 + H 0) / 2	∆Q (ср) * (N 1 + N 0) / 2 * (H 1 + H 0) / 2	∆P * (Q 1 + Q 0) / 2	∆С * (Q 1 + Q 0) / 2	∆H * (Q 1 +Q 0)/2
Итоговые и средневзвешенные значения

Примечание: цифры в таблице Excel могут на несколько единиц не совпадать с данным в текстовом описании, т.к. в таблице они округлены до десятых.

1. Сначала по двухфакторной модели (описанной в самом начале) раскладываем изменение прибыли на количественный фактор и фактор наценки. Это факторы первого порядка.

Пр = Кол * Нац

Кол ∆ = ∆Q * (H 1 + H 0) / 2 = (220 - 180) * (3,9 + 4,7) / 2 = 172

Нац ∆ = ∆H * (Q 1 + Q 0) / 2 = (4,7 - 3,9) * (220 + 180) / 2 = 168

Проверка: ∆Пр = Кол ∆ + Нац ∆ = 172+168 = 340

2. Вычисляем зависимость от параметра себестоимости. Для этого раскладываем затраты на количество и себестоимость по той же формуле, но со знаком минус, так как себестоимость снижает прибыль.

Затр = Кол * Себ

Себ∆ = - ∆С*(Q1+Q0) / 2 = -(7,2 - 6,4) * (180 + 220) / 2 = -147

3. Вычисляем зависимость от цены. Для этого раскладываем выручку на количество и цену по той же формуле.

Выр = Кол*Цена

Цена∆ = ∆P * (Q1 + Q0) / 2 = (11,9 - 10,3) * (220 + 180) / 2 = 315

Проверка: Нац∆ = Цена∆ - Себ∆ = 315 - 147 = 168

4. Вычисляем влияние номенклатуры на прибыль. Для этого раскладываем количество проданной продукции на число единиц в ассортименте и среднее количество, приходящееся на одну единицу номенклатуры. Так мы определим соотношение фактора количества и номенклатуры в натуральном выражении. После этого умножаем полученные данные на среднегодовую наценку и переводим в рубли.

Кол = Ном * Кол (ср)

Ном ∆ = ∆N * (Q (ср 0) + Q (ср 1)) / 2 * (H 1 + H 0) / 2 = (3 - 2) (73 + 90) / 2 * (4,7 + 3,9) = 352

Кол (ср) = ∆Q (ср) *(N 1 + N 0) / 2 * (H 1 + H 0) / 2 = (73 - 90) * (2 + 3) / 2 * (4,7 + 3,9) = -180

Проверка: Кол ∆ = Ном ∆ + Кол (ср) = 352-180 = 172

Приведенный четырехфакторный анализ показал, что прибыль увеличилась по сравнению с прошлым годом за счет:

• повышения цен на 315 тыс. руб.;
• изменения номенклатуры на 352 тыс. руб.

А уменьшилась за счет:

• роста себестоимости на 147 тыс. руб.;
• падения количества продаж на 180 тыс. руб.

Казалось бы, парадокс: общее количество единиц проданных в текущем году по сравнению с прошлым увеличилось на 40 единиц, но при этом фактор количества показывает отрицательный результат. Это потому что рост продаж произошел за счет увеличения номенклатурных единиц. Если в прошлом году их было всего 2, то в текущем добавилась еще одна. При этом по количеству товар «Б» продали в отчетном году на 20 ед. меньше, чем в предыдущем.

Это говорит о том, что товар «С» введенный в новом году частично заместил товар «Б», но привлек к себе новых покупателей, которых не было у товара «Б». Если в следующем году товар «Б» продолжит утрачивать свои позиции, то его можно выводить из ассортимента.

Что касается цен, то их повышение на (11,9/10,3 – 1)*100% = 15,5% не сильно затронуло продажи в целом. Если судить по товару «А», который не затронули структурные изменения ассортимента, то его продажи выросли на 20%, не смотря на рост цены на 33%. Это означает, что рост цен не является для фирмы критичным.

С себестоимостью все понятно: она выросла и прибыль уменьшилась.

Факторный анализ прибыли от продаж

Евгений Шагин , финансовый директор УК «РусЧерМет»

Чтобы провести факторный анализ, необходимо:

• выбрать базу для анализа – выручка от продаж, прибыль;
• отобрать факторы, влияние которых необходимо оценить. В зависимости от выбранной базы анализа ими могут быть: объем продаж, себестоимость, операционные расходы, внереализационные доходы, проценты за кредит, налоги;
• оценить влияние каждого фактора на итоговый показатель. В базовый расчет по предыдущему периоду подставить значение выбранного фактора из отчетного периода и скорректировать итоговый показатель с учетом этих изменений;
• определить влияние фактора. Вычесть из полученного промежуточного значения оцениваемого показателя его фактическое значение за предыдущий период. Если цифра положительная, изменение фактора оказало позитивное влияние, отрицательная – негативное.

Пример факторного анализа прибыли от продаж

Рассмотрим на примере. В отчет о финансовых результатах компании «Альфа» за предыдущий период подставим значение объема продаж за текущий период (571 513 512 руб. вместо 488 473 087 руб.), все остальные показатели останутся прежними (см. таблицу 5). Как результат, чистая прибыль увеличилась на 83 040 425 руб. (116 049 828 руб. – 33 009 403 руб.). Это означает, что если бы в предыдущем периоде компании удалось реализовать продукцию на ту же сумму, что и в этом, то ее чистая прибыль выросла бы как раз на эти 83 040 425 руб.

Таблица 5 . Факторный анализ прибыли по объему продаж

Показатель	Предыдущий период, руб.
		с подстановкой значения фактора из текущего периода
Объем продаж
Валовая прибыль
Операционные расходы
Операционная прибыль
Проценты за кредит
Прибыль до налогообложения
Чистая прибыль
1 Значение объема продаж за текущий период. 2 Показатель пересчитан с учетом корректировки объема продаж.

По аналогичной схеме можно оценить влияние каждого фактора и пересчитать чистую прибыль, а итоговые результаты свести в одну таблицу (см. таблицу 6).

Таблица 6 . Влияние факторов на прибыль, руб.

Объем продаж
Себестоимость реализованной продукции, услуг
Операционные расходы
Внереализационные доходы/расходы
Проценты за кредит
Итого	32 244 671

Как видно из таблицы 6, наибольшее влияние в анализируемом периоде оказал рост продаж (83 040 425 руб.). Сумма влияния всех факторов совпадает с фактическим изменением прибыли за прошедший период. Отсюда можно сделать вывод о корректности результатов анализа.

Заключение

В заключение хочется понять: с чем же нужно сравнивать прибыль при факторном анализе? С прошлым годом, с базовым годом, с конкурентами, с планом? Как понять хорошо отработало предприятие этот год или нет? Например, предприятие увеличило прибыль за текущий год в два раза, казалось бы, это отличный результат! Но в это время конкуренты провели техническое переоснащение предприятия и со следующего года вытеснят счастливчиков с рынка. А если сравнивать с конкурентами, то у них доходы меньше, т.к. вместо, скажем, рекламы или расширения номенклатуры они вкладывали деньги в модернизацию. Таким образом, все зависит от целей и планов предприятия. Из чего следует, что прибыль фактическую нужно сравнивать, прежде всего, с плановой.

Любое коммерческое предприятие, работающее на рынке в достаточно жесткой конкурентной среде, обязано эффективно распоряжаться имеющимися внутренними ресурсами и своевременно реагировать на изменение внешних условий. Эти цели и преследуют соответствующие аналитические мероприятия, о которых пойдет речь в публикации.

Факторный анализ прибыли

Объектом пристального внимания аналитика является прибыль предприятия , поскольку именно она отображает эффективность работы компании, ее ликвидность и платежеспособность. Прибыль выступает индикатором, реагируя на любые изменения внешней среды и внутри фирмы, поэтому важно уметь анализировать этот показатель, правильно оценивая степень воздействия всех критериев.

Факторный анализ чистой прибыли компании рассматривает два влияющих блока: внешние и внутренние.

Внутренними считают факторы, влиять на которые предприятие в состоянии. К примеру, фирма может влиять на прибыль, поскольку степень загруженности мощностей и уровень применяемых технологий сказываются на качестве выпускаемых продуктов. Сложнее с непроизводственными факторами, как то – реакция персонала на изменение трудовых условий, логистика и др.

Под внешними понимают факторы рыночных реалий, контролировать которые компания не может, но принимает во внимание. Например, невозможно воздействовать на рыночную конъюнктуру, уровень инфляции, удаленность от ресурсов, особенности климата, смену гостарифов, нарушение условий соглашений партнерами и др.

Факторный анализ чистой прибыли – составляющая анализа финансовой деятельности компании. Применяется он для определения степени воздействия различных показателей на результат. К примеру, исследуют:

• динамику изменений величины выручки ;
• прирост объема продаж;
• влияние на прибыль динамики продаж, изменения цен и себестоимости .

Анализируют показатели, сравнивая итоги двух конкретных периодов. Начинают анализ с группировки влияющих на прибыль факторов. Чистая прибыль определяется как выручка, уменьшенная на себестоимость, налоги, коммерческие, административные и прочие расходы.

В основе факторного анализа лежит исследование изменений каждого фактора, влияющего на величину прибыли, т. е. анализ изменения чистой прибыли в рассматриваемом периоде осуществляется сравнением изменений всех составляющих ее значений.

Факторный анализ чистой прибыли: пример расчета

Рассмотрим детальнее все этапы анализа перечисленных факторов на основе данных таблицы:

Значение	Объем продаж (т. р.) за		Абсолютное отклонение
	прошлый год	отчетный год	(гр 3 - гр2)	100 х ((гр 3 / гр2)) – 100
Себестоимость

Проведем факторный анализ чистой прибыли. Пример наш упрощен и базируется на вычислении (по формулам в таблице):

• абсолютных величин отклонений данных выручки и себестоимости за отчетный период в сравнении с предыдущим годом;
• прироста показателей в %.

Вывод: за отчетный год чистая прибыль компании выросла к прошлому году на 1000 тыс. руб. Негативным фактором стало увеличение себестоимости, составившее 11,2% к предыдущему году. Необходимо обратить внимание на рост себестоимости и выявить причины явления, поскольку его увеличение существенно опережает рост прибыли.

Упростив задачу и проанализировав показатели, мы выяснили, что необходимо провести более детальное исследование себестоимости, поскольку в нашем примере она складывается из нескольких показателей и расчет следует провести по группам всех затрат: производственных, коммерческих и управленческих. Расширив блок исходных данных, приступим к факторному анализу прибыли от продаж и определим основные изменяющие критерии.

Факторный анализ прибыли от продаж: пример расчета

Значение	Объем реализации (т. р.) за		Абсолютное отклонение
	прошлый год	отчетный год	(гр 3 – гр 2)	100 х ((гр 3 / гр 2)) – 100
Себестоимость
Коммерческие расходы
Управленческие расх.
Прибыль от продаж
Индекс изменения цен
Объем продаж в сопоставимых ценах

Определим влияние:

1. Объема продаж умножением прибыли на изменение объема:
   • 73 451 т.р. (83 000 / 1,13)
   • фактический объем продаж с учетом изменений составил 88,5% (73 451 / 83 000 х 100), т. е. объем продаж снижен на 11,5% (100 – 88,5).
   • из-за этого прибыль от продаж фактически снизилась на 1495 тыс. руб. (13 000 х (– 0,115) = – 1495).
2. Ассортимента продукции:
   • фактические продажи, рассчитанные по базисной себестоимости 47 790 тыс. руб. (54 000 х 0,885);
   • прибыль отчетного года, вычисленная по базисным себестоимости и ценам (АУР и коммерческие расходы) 16 661 тыс. руб. (73 451 – 47 790 – 4000 – 5000). Т.е. изменение состава ассортимента повлекло изменение прибыли на 5156 тыс. руб. (16 661 – (13 000 х 0,885). Это означает, что увеличился удельный вес продуктов с большей доходностью.
3. Себестоимости в пересчете по базису:
   • (54 000 х 0,885) – 60 000 = – 12 210 тыс. руб. – себестоимость повысилась, а, значит, прибыль от продаж снизилась на ту же сумму.
4. АУР и коммерческих расходов, сравнив их абсолютные величины:
   • коммерческие расходы увеличились на 6000 тыс. руб. (10 000 – 4000), т. е. прибыль снизилась;
   • за счет снижения АУР на 1000 тыс. руб. (4000 – 5000) прибыль увеличилась.
5. Продажных цен, сопоставив объем реализации в базовых и отчетных ценах:
   • 83 000 – 73451 = 9459 тыс. руб.
   • Подсчитаем влияние всех факторов:
   • 1495 + 5156 – 12 210 – 6000 + 1000 + 9459 = – 4090 тыс. руб.

Вывод: Существенный рост себестоимости произошел на фоне повышения цен на сырье и тарифы. Отрицательно сказалось уменьшение объема продаж, хотя фирма обновила ассортимент, выпустив ряд продуктов с большей доходностью. К тому же, значительно увеличились коммерческие расходы. Резервами роста прибыли фирмы являются повышение объема продаж, выпуска рентабельных продуктов и снижение себестоимости и коммерческих расходов.

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.

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.

1. Понятие, типы и задачи факторного анализа.

2. Способы измерения влияния факторов в детерминированном анализе.

Каждый результативный показатель зависит от многочислен­ных и разнообразных факторов. Чем более детально исследуется влияние факторов на величину результативного показателя, тем точнее результаты анализа и оценка качества работы предприя­тий. Отсюда важным методологическим вопросом в анализе яв­ляется изучение и измерение влияния факторов на величину ис­следуемых экономических показателей.

Под факторным анализом (диагностикой) понимается методика и системного изучения и измерения воздействия факторов на величину результативных показателей.

Различают следующие типы факторного анализа :

Детерминированный (функциональный) и стохастический (корреляционный);

Прямой (дедуктивный) и обратный (индуктивный);

Одноступенчатый и многоступенчатый;

Статический и динамический;

Ретроспективный и перспективный (прогнозный).

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

Стохастический факторный анализ представляет собой методику иссле­дования влияния факторов, связь которых с результативным показателем в отличие от функциональной является неполной, ве­роятностной (корреляционной). Если при функциональной зави­симости с изменением аргумента всегда происходит соответству­ющее изменение функции, то при корреляционной связи измене­ние аргумента может дать несколько значений прироста 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. Это зависит от оптимальности сочета­ния других факторов, воздействующих на этот показатель.

При прямом факторном анализе исследование ведется дедук­тивным способом - от общего к частному. Обратный факторный анализ осуществляет исследование причинно-следственных свя­зей способом логичной индукции - от частных, отдельных факто­ров к обобщающим.

Факторный анализ может быть одноступенчатым и многоступенчатым. Первый тип используется для исследования факторов только одного уровня (одной ступени) подчинения без их детали­зации на составные части. Например, у = а - b. При многоступен­чатом факторном анализе проводится детализация факторов а и b на составные элементы с целью изучения их поведения. Дета­лизация факторов может быть продолжена дальше. В данном случае изучается влияние факторов различных уровней соподчиненности.

Статический анализ применяется при изучении влияния фак­торов на результативные показатели на соответствующую дату. Динамический анализ представляет собой методику исследования причинно-следственных связей в динамике.

Ретроспективный факторный анализ изучает причины изме­нения результативных показателей за прошлые периоды, а перс­пективный - исследует поведение факторов и результативных по­казателей в перспективе.

Основными задачами факторного анализа являются следую­щие:

· отбор факторов, которые определяют исследуемые результа­тивные показатели;

· классификация и систематизация факторов с целью обеспече­ния возможностей системного подхода;

· определение формы зависимости между факторами и: резуль­тативным показателем;

· моделирование взаимосвязей между результативными и фак­торными показателями;

· расчет влияния факторов и оценка роли каждого из них в из­менении величины результативного показателя;

· работа с факторной моделью, т.е. практическое ее использо­вание для управления экономическими процессами.

Отбор факторов для анализа того или другого показателя осу­ществляется на основе теоретических и практических знаний, при­обретенных в этой отрасли. При этом обычно исходят из принци­па : чем больше комплекс факторов исследуется, тем точнее будут результаты анализа.

Вместе с тем необходимо иметь в виду, что если этот комплекс факторов рассматривается как механическая сумма, без учета их взаимодействия, без выделения главных, оп­ределяющих, то выводы могут быть ошибочными. В экономичес­ком анализе взаимосвязанное исследование влияния факторов на величину результативных показателей достигается с помощью их систематизации.

В детерминированном анализе для определения величины вли­яния отдельных факторов на изменение результативных показа­телей используются следующие способы: цепной подстановки, индексный, абсолютных разниц, относительных разниц, пропор­ционального деления, интегральный и логарифмирования.

Простейшие детерминированные математические модели широко используются в анализе факторов производства. В практике анализа используют различные типы и виды моделей.

Аддитивные модели представляют собой алгебраическую сумму показателей и имеют следующий вид:

К таким моделям, например, относятся показатели себестоимости во взаимосвязи с элементами затрат на производство и со статьями затрат; показатель объема производства продукции в его взаимосвязи с объемом выпуска отдельных изделий или объема выпуска в отдельных подразделениях.

Мультипликативные модели в обобщенном виде могут быть представлены следующей формулой.

Примером мультипликативной модели является двухфакторная модель объема реализации:

где Ч – среднесписочная численность работников;

CB – средняя выработка на одного работника.

Кратные модели:

Примером кратной модели служит показатель срока оборачиваемости товаров (в днях) - Т ОБ.Т:

где ЗТ – средний запас товаров;

ОР – однодневный объем реализации.

Смешанные модели представляют собой комбинацию перечисленных выше моделей и могут быть описаны с помощью специальных выражений:

Примерами таких моделей служат показатели затрат на 1 руб. товарной продукции, показатели рентабельности и др.

Наиболее универсальным из сложных детерминированных моделей является способ цепной под­становки . Его сущность состоит в пос­ледовательном рассмотрении влияния отдельных факторов на общий результат. При этом последовательно заменяют базисные или плановые показатели фактическими и сравнивают новый ре­зультат, получаемый после замены, с прежним.

В общем виде применение способа цепных постановок можно описать следующим образом:

где a 0 , b 0 , c 0 – базисные значения факторов, оказывающих влияние на обобщающий показатель у;

a 1 , b 1 , c 1 – фактические значения факторов;

y a , y b – промежуточные изменения результирующего показателя, связанного с изменением факторов а, b, соответственно.

Общее изменение ∆у=у 1 –у 0 складывается из суммы изменений результирующего показателя за счет изменения каждого фактора при фиксированных значениях остальных факторов:

Способ абсолютных разниц является модификацией способа цепной подстановки. Изменение результативного показателя за счет каждого фактора способом разниц определяется как произведение отклонения изучаемого фактора на базисное или отчетное значение другого фактора в зависимости от выбранной последовательности подстановки:

Способ относительных разниц применяется для измерения влияния факторов на прирост результативного показателя в мультипликативных и смешанных моделях вида у = (а – в) х с. Он используется в случаях, когда исходные данные содержат определенные ранее относительные отклонения факторных показателей в процентах.

Для мультипликативных моделей типа у = а х в х с методика анализа следующая:

Находят относительное отклонение каждого факторного показателя:

Определяют отклонение результативного показателя у за счет каждого фактора

Метод цепных подстановок и способ абсолютных разниц име­ют общий недостаток, суть которого сводится к возникновению неразложимого остатка, который присоединяется к числовому значению влияния последнего фактора. В связи с этим величина влияния факторов на изменение ре­зультативного показателя меняется в зависимости от места, на которое поставлен тот или иной фактор в детерминированной модели.

Чтобы избавиться от этого недостатка, в детерминированном факторном анализе в мультипликативных, кратных и смешанных моделях используется интегральный метод. Использование интег­рального метода позволяет получать более точные результаты расчета влияния факторов по сравнению со способами цепной подстановки, абсолютных и относительных разниц и избежать неоднозначной оценки влияния факторов потому, что в данном случае результаты не зависят от местоположения факторов в мо­дели, а дополнительный прирост результативного показателя, который образуется от взаимодействия факторов, раскладывает­ся между ними пропорционально изолированному их воздействию на результативный показатель.

В ряде случаев для определения величины влияния факторов на прирост результативного показателя может быть использован способ пропорционального деления. Например, рентабельность ак­тивов снизилась на 5% в связи с увеличением активов предприя­тия на 200 тыс. руб. При этом стоимость внеоборотных активов возросла на 300 тыс. руб., а оборотных - уменьшилась на 100 тыс. руб. Значит, за счет первого фактора уровень рентабельности сни­зился, а за счет второго, повысился:

∆Р осн = *300 = -7,5%;

∆Р об = *(-100) = +2,5%.

Индексный метод основывается на относительных показате­лях, выражающих отношение уровня данного явления к уровню его в прошлое время или к уровню аналогичного явления, приня­тому в качестве базы. Всякий индекс исчисляется соизмерением отчетной величины с базисной.

Классическая задача, решаемая с помощью индексного метода, - расчет влияния на объем продаж факторов количества и цен по схеме:

∑q 1 p 1 - ∑q 0 p 0 = (∑q 1 p 0 - ∑q 0 p 0) + (∑q 1 p 1 - ∑q 1 p 0),

где ∑q 1 p 0 - ∑q 0 p 0 – влияние количества;

∑q 1 p 1 - ∑q 1 p 0 – влияние цен.

Тогда индекс объема продаж (товарооборота), взятый в ценах соответствующих лет, имеет вид:

А индекс физического товарооборота:

Способ логарифмирования применяется для измерения влияния факторов в мультипликативных моделях. В данном случае резуль­таты расчета, как и при интегрировании, не зависят от места рас­положения факторов в модели и по сравнению с интегральным методом обеспечивается более высокая точность расчетов. Если при интегрировании дополнительный прирост от взаимодействия факторов распределяется поровну между ними, то с помощью логарифмирования результат совместного действия факторов распределяется пропорционально доли изолированного влияния каждого фактора на уровень результативного показателя. В этом его преимущество, а недостаток в ограниченности сферы его при­менения.