Некоторые значения корреляций

НЕКОТОРЫЕ ЗНАЧЕНИЯ КОРРЕЛЯЦИЙ  [c.55]

В определенных обстоятельствах можно использовать коэффициент ранговой корреляции в качестве альтернативного показателя оценки зависимости между двумя наборами значений. Так, часто трудно получить точные показатели некоторых значений, и поэтому единственный надежный метод состоит в расстановке переменных по порядку, иначе говоря — в ранжировании значений. Коэффициент корреляции ранжированных значений называется коэффициентом ранговой корреляции, и он вычисляется по упрощенной формуле, которая приведена в этой главе. Значимая корреляция между двумя переменными подразумевает наличие линейной зависимости между ними. Методы регрессии можно использовать для определения уравнения наилучшей прямой линии, линии регрессии. Уравнение регрессии записывается в виде у = а + Ьх. Это уравнение можно использовать для оценки значения у при заданном значении х. Так, например, объем выручки от реализации можно рассчитать исходя из заданной суммы расходов на рекламу. Нелинейная зависимость между переменными должна быть преобразована в линейную, и только потом следует проводить базовый анализ регрессии.  [c.128]


Следует отметить, что по элементам полученной матрицы коэффициентов парной корреляции rih можно предварительно проанализировать зависимость между производительностью труда и каждым из влияющих на нее факторов, а также между самими факторами и выделить среди них претендентов на дальнейшее исключение. Для этого в первую очередь отыскивают коэффициенты r,ft, близкие к единице и превышающие некоторое пороговое значение 6 = 0,7- 0,8. Затем все коэффициенты rik проверяют на значимость по -критерию (Стьюдента). Если при заданном значении уровня значимости q значение ь>Табличное, то гш значимо.  [c.80]

Значение коэффициента парной корреляции изменяется в пределах от -1 до +1. Знак + означает наличие прямой связи между показателями. Знак - — наличие обратной связи. Значение коэффициента от 0 до 1 характеризует степень приближения корреляционной зависимости между показателями и к функциональной. При р = 1 между показателями существует функциональная связь. При р = 0 линейная связь отсутствует. В целях упрощения расчетов на практике применяются и другие формулы коэффициента парной корреляции, представляющие собой некоторые преобразования исходной формулы.  [c.280]


Ранее представленная формула коэффициента корреляции предполагает, что две переменные могут быть измерены точно. Затем показатели измерений используются в качестве значений х и у в формуле корреляции. Во многих случаях существует вероятность того, что некоторые переменные нельзя точно измерить. Более того, даже если такие измерения и получены, есть вероятность того, что полученные значения окажутся в ряде случаев недостоверными. Рассмотрим, например, результаты группы кандидатов на рабочую вакансию при прохождении ими двух оценочных тестов. Один из кандидатов получил 19 по математике и 17 по логике речи. Означает ли это на самом деле, что этот кандидат более силен в математике, чем в логике Сравнимы ли эти результаты напрямую Теперь рассмотрим результаты теста по математике. Кандидат А получил 12 баллов, а кандидат Д — 18 баллов. Другими словами, кандидат Д получил на 50% баллов больше, чем кандидат А. Говорит ли это о том, что Д на 50% лучше А Вряд ли. Скорее всего, единственное, что мы можем вывести из полученных ими баллов, это то, что Д показал себя лучше, чем А. Фактическая разница между полученными баллами менее значима и может привести к неверному истолкованию. В самом лучшем случае результаты тестов могут указать на относительные различия между кандидатами. Эти результаты тестов позволяют нанимателю расположить кандидатов в порядке их показателей. Так, например, в тесте по математике лучшим был кандидат 3, вторым — Ж и в конце списка — кандидат А. То есть результаты позволяют нам разнести кандидатов в порядке их показателей. Таким образом, мы можем проранжировать кандидатов на основании их показателей в тесте по математике и проделать то же  [c.109]

Существует ошибочное представление, что проигрышей можно полностью избежать, если провести достаточно эффективную диверсификацию. До некоторой степени верно, что проигрыши можно смягчить посредством эффективной диверсификации, но их никогда нельзя полностью исключить. Не вводите себя в заблуждение. Не имеет значения, насколько хороша применяемая система, не имеет значения, как эффективно вы проводите диверсификацию, вы все равно будете сталкиваться со значительными проигрышами. Причина этого не во взаимной корреляции ваших рыночных систем, поскольку бывают периоды, когда большинство или все рыночные системы портфеля работают против вас, когда, по вашему мнению, этого не должно происходить. Попробуйте найти портфель с пятилетними историческими данными, чтобы все торговые системы работали бы при оптимальном f и при этом максимальный убыток был бы менее 30% Это будет непросто. Не имеет значения, сколько при этом рыночных систем используется. Если вы хотите все сделать математически правильно, то надо быть готовым к проигрышу от 30 до 95% от баланса счета. Необходима строжайшая дисциплина, и далеко не все могут ее соблюдать.  [c.40]


Некоторые из перечисленных индикаторов являются несколько мистическими. Трудно, например, поверить, что числа Фибоначчи лежат в основе изменения цен акций, хотя есть работы, выявляющие их корреляции. Изучению этих и других индикаторов можно не без пользы посвятить много времени, но все они имеют общий недостаток они содержат некоторые параметры, которые выбираются по вкусу автора (например, число дней в динамических средних). Чтобы уточнить эти параметры, фактически для каждых акций нужно проводить маленькое исследование. Реально же у трейдера не так много времени, чтобы анализировать графики цен акций множеством различных методов, да еще размышлять при этом о применимости данного индикатора и о значении параметров, которые в него входят. Приобретя некоторый опыт, трейдер использует в основном один или два индикатора, которые он чувствует лучше всего. Эти индикаторы служат ему аналитической базой, а далее он полагается на свой опыт, данные о состоянии рынка и фундаментальные показатели.  [c.186]

Например, как обсуждалось ранее, можно ожидать, что некоторые макроэкономические переменные очень значительно влияют на доходность ценных бумаг. К ним относятся, в частности, ожидаемый темп прироста ВВП, инфляция, процентные ставки и цены на нефть. После выбора таких факторов следующий шаг при построении модели состоит в сборе информации об их значениях и доходности ценных бумаг от периода к периоду. Затем полученные данные используются для вычисления чувствительности доходностей к факторам, нулевых факторов и собственной доходности ценных бумаг, а также стандартных отклонений факторов и их корреляций. В этом подходе решающим моментом является точное измерение значений факторов. На практике это может оказаться довольно трудным.  [c.300]

Коэффициент корреляции для периода с 1950 по 1993 г. равен —0,3. Похожие результаты получаются при использовании данных за месяц. Поэтому некоторые утверждают, что существует обратная зависимость между историческими значениями ставки инфляции и ставкой дохода по акциям.  [c.371]

Рассматриваемые связи математически описываются корреляционными уравнениями (другое название — уравнение регрессии). Напр,, простейшим корреляционным уравнением связи между двумя переменными является уравнение прямой вида у - в + Ъх, При функциональной связи такая прямая точно соответствовала бы всем значениям зависимой переменной. Если представить такую связь графически, то она проходила бы через все наблюдаемые точки у. При корреляции же соответствие, как указано, соблюдается лишь приблизительно, в общем, и точки наблюдений расположены не по прямой, а в виде "облачка", более или менее вытянутого в некотором направлении. Поэтому приходится специальными приемами находить ту линию, которая наилучшим образом отражает корреляционную зависимость, т.е. направление "облачка" (рис, К.1), Распространенный способ решения этой задачи —  [c.155]

Влияние ошибок измерения на величину коэффициента корреляции. Пусть мы хотим оценить степень тесноты корреляционной связи между компонентами двумерной нормальной случайной величины ( , TJ), однако наблюдать мы их можем лишь с некоторыми случайными ошибками измерения соответственно es и е (см. схему зависимости D2 во введении). Поэтому экспериментальные данные (xit i/i), i = 1, 2,. .., л, — это практически выборочные значения искаженной двумерной случайной величины ( , г) ), где =  [c.72]

Если представить себе, что каждому объекту некоторой достаточно большой гипотетической совокупности (будем называть ее генеральной совокупностью) приписан какой-то ранг по каждой из рассматриваемых переменных и что статистическому обследованию подлежит лишь часть этих объектов (выборка объема п), то достоверность и практическая ценность выводов, основанных на анализе ранговой корреляции, существенно зависят от следующего вопроса как ведут себя выборочные значения интересующих нас ранговых корреляционных характе.  [c.124]

Один из методов анализа двумерных таблиц сопряженности заключается в том, чтобы приписать градациям классификационных переменных численные значения так, чтобы максимизировать некоторый функционал. Оказывается, что ряд известных под различными названиями и максимизирующих различные функционалы методов таких, как метод взаимных усреднений , аддитивное или оптимальное шкалирование , метод максимизации коэффициента корреляции и др., приводит к приписыванию одних и тех же численных значений.  [c.142]

Теоретический способ отыскания Е состоит в том, что для каждой пары компонент (г, /) подсчитывается частный коэффициент корреляции между i и / при фиксированных значениях всех других компонент [20, 2.5]. Если он не равен нулю, то (/, /) Е, в противном случае (/, /) = Е. На практике, по-видимому, можно задавать некоторый порог б > 0 и считать связь (г, /) , если rtj.v /,/> 2 6, и (i, /) Ф Е — в противном случае. При другом способе все частные коэффициенты корреляции при фиксированных значениях всех других компонент располагают в вариационный ряд по абсолютным величинам и отбирают наперед заданное число наибольших из них. Если (i, /) соответствуют отобранным членам вариационного ряда, то принимают совокупность ( , /) . Статистические свойства этих рекомендаций не изучены.  [c.160]

Все эти эффекты затрудняют и без того сложную задачу интерпретации коэффициентов регрессии или вообще делают невозможным ее решение без привлечения новых способов обработки и дополнительной информации. В этих условиях нельзя применять уравнение регрессии и для прогноза значений переменной у. В то же время если уравнение регрессии предполагается использовать для целей прогноза значений переменной у только в точках, близких к значениям объясняющих переменных х(1 . .., х из матрицы данных X, то оно может оказаться вполне удовлетворительным независимо от степени связи между предсказывающими переменными качество уравнения регрессии определяется значением коэффициента множественной корреляции Ry.x между переменной у и переменными X (хотя при этом может быть необходимо принять некоторые предосторожности чисто вычислительного характера). Таким образом, последствия мультиколлинеарности тем серьезнее, чем больше информации мы хотим получить из имеющейся совокупности наблюдений.  [c.254]

Приведенный в табл. 5.1 морфологический ящик, конечно. неполон (количество возможных значений системных переменных можно увеличить в каждом случае, сделав описание более подробным), но все же содержит 1799 различных определений (и концепций соответственно) хозрасчета. Не все эти определения и концепции логически оправданы (так, естественно потребовать, например, корреляции между 4 и 5 переменными), но мы не беремся утверждать, что и логически необоснованные определения и концепции, попавшие в этот ящик, не были в свое время кем-нибудь предложены. Некоторые из перечисленных выше концепций и определений соответствуют реально существовавшим и существующим формам организации социалистического хозяйства и предложениям по их совершенствованию.  [c.143]

Все больше внимания Евгений Евгеньевич обращает на теорию и практику статистики. В журнале Вестник статистики он публикует одну за другой три статьи К вопросу о логических основах исчисления вероятностей О некоторых схемах корреляционной связи и о систематической ошибке эмпирического значения коэффициента корреляции и О новом коэффициенте средней плотности населения . Только последняя из них посвящена прикладной задаче [25]. Работа К вопросу о логических основах исчисления вероятностей [26] первоначально была представлена в качестве доклада на секцию теоретической статистики 3-го Всероссийского статистического съезда (1922). Слуцкий делает попытку объективного определения понятия вероятности, используя понятие валентности.  [c.14]

Продолжительность использования сети Интернет и значимость тех или иных факторов также имеет некоторую корреляцию. С увеличением времени использования Интернет растет значение следующих факторов  [c.13]

Профессиональные трейдеры, как правило, отслеживают большое количество рынков, выбирая те, которые, по их мнению, являются в настоящий момент наиболее подходящими для данных систем. Например, некоторые трейдеры отслеживают волатильность по всем фьючерсным рынкам и торгуют только на тех, где волатильность превышает некоторое значение. Иногда имеет смысл торговать на нескольких рынках, иногда вообще прекратить торговлю. Рынки постоянно изменяются, что создает дополнительные проблемы для портфельных менеджеров. Каким образом можно реагировать на эти изменения, сохраняя ваш портфель оптимальным Ответ, на самом деле, довольно прост каждый раз, когда рынок добавляется в портфель или удаляется из него, необходимо рассчитывать новый неограниченный геометрический оптимальный портфель (алгоритм расчета показан в этой главе). Также необходимо принимать во внимание любые изменения размеров существующих позиций и учитывать новые добавленные или удаленные рыночные системы. Таким образом, следует использовать портфель, в котором компоненты постоянно меняются. Целью портфельного менеджера в этом случае будет создание неограниченного геометрического оптимального портфеля и поддержка постоянной величины неактивного баланса. Именно такой подход будет оптимальным в асимптотическом смысле. Если вы используете подобную технику, может возникнуть еще одна проблема. Возьмем два высоко коррелированных рынка, например золото и серебро. Теперь представьте, что ваша система торгует так редко, что сделок на двух рынках в один и тот же день не происходит. Когда вы будете определять коэффициенты корреляции дневных изменений баланса, может оказаться, что коэффициент корреляции между золотом и серебром близок к нулю. Однако если в будущем вы будете торговать на обоих рынках одновременно, они, скорее всего, будут иметь высокую положительную корреляцию. Для решения вышеописанной проблемы следует корректировать коэффициенты корреляции, причем их следует изменять в большую, а не меньшую сторону Допустим, вы получили коэффициент корреляции между облигациями и соевыми бобами, равный нулю, но чувствуете, что он должен быть ниже (например - 0,25). Не следует уменьшать коэффициенты корреляции, так как более низкие значения приводят к увеличению размера позиции. Одним словом, если уж ошибаться в коэффициентах корреляции, то в большую сторону Ошибка, связанная с увеличением коэффициентов корреляции, сместит портфель влево от пика кривой f, в то время как уменьшение сместит его вправо. Некоторые трейдеры в своих рыночных системах используют фильтры, благодаря которым в определенный момент сделки совершаются только на одном рынке. Если фильтр работает и понижает проигрыш на основе одной единицы, тогда f (оптимальное для отфильтрованных сделок) для всей серии сделок до фильтрования будет выше (a f ниже). Если трейдер использует оптимальное f, полученное по неотфильтрованньтм сделкам, для отфильтрованных сделок, он окажется на уровне дробного f по отфильтрованным сериям и, следовательно, не сможет получить геометрический оптимальный портфель. С другой стороны, если трейдер применяет оптимальное f по отфильтрованным сериям, он может получить геометрический оптимальный портфель, но столкнуться с проблемой больших проигрышей при оптимальном  [c.242]

Торговля фиксированной долей счета дает наибольшую отдачу в асимптотическом смысле, т.е. максимизирует отношение потенциальной прибыли к потенциальному убытку Когда известно значение оптимального f, можно преобразовать дневные изменения баланса на основе одной единицы в HPR, определить арифметическое среднее HPR и стандартное отклонение полученных HPR, а также рассчитать коэффициенты корреляции HPR между любыми двумя рыночными системами. Далее мы должны использовать эти параметры для определения оптимальных весов оптимального портфеля (когда используется рычаг (leverage), вес и количество не одно и то же). Затем значения f следует разделить на соответствующие веса. В результате, мы получаем новые значения f, которые позволяют добиться наибольшего геометрического роста, принимая во внимание веса и взаимные корреляции рыночных систем. Наибольший геометрический рост достигается при использовании весов, сумма которых не ограничена, причем разность среднего арифметического HPR и стандартного отклонения HPR, возведенного в квадрат, должна быть равна единице [Уравнение (7.06в)]. Вместо разбавления (которое сдвигает нас влево на неограниченной эффективной границе), как в случае стратегии статического дробного f, можно использовать портфель при полном f, задей-ствуя только часть средств счета. Такой метод называется стратегией динамического дробного f. Оставшаяся часть средств (неактивный баланс) в торговле не используется. Так как торговля активной частью происходит на оптимальных уровнях f, активный баланс может довольно сильно колебаться. В результате, при некотором значении баланса или в некоторый момент времени, вы, вероятно, захотите (возможно, просто под воздействием эмоций) переразместить средства между активной и неактивной частями. Мы рассмотрели четыре метода переразмещения, хотя, конечно же, могут использоваться и другие методы, возможно, более подходящие для вас  [c.243]

I) Проведено сравнение прогнозов четырех финансовых аналитиков относительно изменений на фондовом рынке с фактическими колебаниями. Для каждого случая произведено вычисление коэффициента корреляции производного момента. Аналитиков попросили оценить изменения некоторых индикаторов фондового рынка индекса Доу-Джонса1, индекса Никкей-Доу и индекса ФТ100. В таблице приведены значения коэффициента корреляции между прогнозами аналитиков и фактическими значениями за период в 20 недель.  [c.116]

Статистические проблемы возникают потому, что модель оценки долгосрочных активов компании трудно обосновать статистически, но так же трудно и опровергнуть. Выявлено, что нормы доходности инвестиций в акции с низкими значениями бета слишком высоки (т. е. выше, чем этого следовало ожидать в соответствии с моделью), а доходность акций с высокими коэффициентами бета слишком низкая. Но это может объясняться тем, каким способом применялась модель, а не моделью как таковой4. Кроме того, некоторые тесты, подготовленные специалистами для испытания данной модели, указывают, что средние нормы доходности связаны как с диверсифицируемым риском, так и с показателем бета5. Это, безусловно, не отвечает концептуальной основе модели, в соответствии с которой диверсифицируемый риск не должен быть предметом вознаграждения инвестора, а поэтому не влияет на ожидаемые или средние нормы доходности инвестиций. Конечно, эти статистические результаты могут быть искусственными, т.е. случайными итогами неадекватной процедуры испытания модели. Но если они верны, то задают исследователю загадку если индивидуальные инвесторы вознаграждаются за диверсифицируемый риск, тогда корпорации должны быть способны наращивать собственную стоимость только за счет диверсификации. Однако столь же очевидно, что инвесторы не платят более высокую цену за акции компаний, которые всего лишь осуществили диверсификацию. Да и трудно понять, зачем бы им платить больше, ведь индивидуальные инвесторы обычно способны диверсифицировать свои вложения дешевле и эффективнее, чем компании. Может быть, диверсифицируемый риск только представляется важным фактором, поскольку он оказался в состоянии корреляции с другой переменной х, которая наряду с коэффициентом бета на самом деле определяет ожидаемые инвестором нормы доходности. Это разрешило бы данную загадку, но мы не можем пока определить этот параметр и доказать, что он действительно влияет на вознаграждение за риск.  [c.1020]

Рисунок 8.6 показывает местоположение данных портфелей вместе с верхними и нижними пограничными значениями, которые были представлены на рис. 8.5. Как можно заметить, эти портфели, так же как и все остальные возможные портфели, состоящие из акций Ark Shipping и Gold Jewelry, лежат на изогнутой линии, наклоненной влево. Хотя это и не показано здесь, если корреляция будет меньше нуля, то данная линия сильнее изогнется влево. Если корреляция будет больше нуля, она не изогнется так сильно влево. Важно отметить, что, пока корреляция остается больше —1 и меньше 1, линия, представляющая множество портфелей, состоящих из различных комбинаций двух ценных бумаг, будет иметь некоторую степень кривизны влево. Кроме того, ее верхняя левая часть будет вогнутой.  [c.204]

Метод пространственной выборки (gross-se tional approa hes) менее распространен, чем метод временных рядов, но часто оказывается не менее мощным средством. Построение модели начинается с оценки чувствительности ценных бумаг к определенным факторам. Затем для некоторого периода времени оцениваются значения этих факторов на основе анализа доходностей ценных бумаг и их чувствительности к факторам. Этот процесс повторяется для большого числа временных интервалов, что позволяет дать оценки для стандартных отклонений факторов и их корреляций.  [c.304]

При анализе временных рядов автокорреляционная функция характеризует внутреннюю зависимость между временным рядом и тем же рядом, но сдвинутым на некоторый промежуток времени (сдвиг). Иначе говоря, это корреляция членов ряда и передвинутых на L единиц времени членов того же ряда х,, х2, xv. .. и хм, x1+L, x3+L,. .. Запаздывание L называетсялагаи и является положительным целым числом. В некоторых работах А. определяется как корреляционная зависимость между соседними значениями уровней временного ряда.  [c.7]

КОРРЕЛЯЦИЯ [ orrelation] — величина, характеризующая взаимную зависимость двух случайных величин, XnY, безразлично, определяется ли она некоторой причинной связью или просто случайным совпадением (ложной К.). Для того чтобы определить эту зависимость, рассмотрим новую случайную величину — произведение отклонения значений х от его среднего Мх и отклонения у от своего среднего My, Можно вычислить среднее значение новой случайной величины  [c.155]

На практике частота забастовок имеет положительную коррелляцию с размером предприятия, скоростью изменения производительности, ценовой инфляцией и отрицательную корреляцию с прошлым темпом роста реальной или номинальной заработной платы, уровнем доходов и уровнем безработицы (как показателем экономической активности). Хотя существует определенный консенсус относительно значения конкретных факторов, определяющих частоту забастовок, объяснения их результатов значительно различаются. Некоторые считают забастовки ошибками и несчастными случаями, связанными с неопределенностью и недостатком знаний. Другие считают забастовки следствием воинственности рабочих и упорства работодателей. Существует и такое мнение, что профсоюзные лидеры, более осведомленные о возможных перспективах переговоров, чем рядовые члены, выдвигают за-  [c.476]

Предположим, что имеется набор экспериментальных данных - значения x1,x2,...xN временного ряда в равноотстоящие моменты времени t1,t2...tN. С помощью специальных программ (см. выше) по этим данным можно вычислить приближение г к точному значению г коэффициента корреляции (это приближение называют оценкой). Назовем это значение г экспериментальным. Общая идея метода статистической проверки гипотез такова. Выдвигается некоторая гипотеза, в нашем случае это гипотеза о равенстве нулю коэффициенте корреляции. Далее, задается некоторый уровень вероятности а. Смысл этой величины заключается в том, что она является вероятностной мерой допустимой ошибки. А именно, мы допускаем, что сделанный нами вывод о справедливости или несправедливости гипотезы на основании заданного массива экспериментальных данных может оказаться ошибочным, ибо абсолютно точного вывода на основании лишь частичной информации ожидать, конечно, не стоит. Однако мы можем потребовать, чтобы вероятность этой ошибки не превосходилв некоторой заранее выбранной величины а (уровня вероятности). Обычно берут ее значение равным 0.05 (т.е. 5%) или 0.10, иногда берут и 0.01. Событие, вероятность которого меньше, чем а, считается настолько редким, что мы берем на себя смелость им пренебрегать. Для временных рядов разной природы эту величину выбирают по-разному. Если речь идет о ряде цен на акции какой-то небольшой фирмы, то риск ошибиться не несет катастрофических последствий (для независимых от этой фирмы участников торгов) и потому а можно взять не очень маленьким. Если же речь идет о крупной сделке, то последствия ошибки могут быть очень тяжелыми и значение а берут поменьше.  [c.32]

Если некоторые или все независимые переменные в множественной регрессии являются высоко коррелированными, регрессионной модели трудно разграничить их отдельные объясняющие воздействия на Y. В результате высококоррелированные независимые переменные действуют в одном направлении и имеют недостаточно независимое колебание, чтобы дать возможность модели изолировать влияние каждой переменной. Не существует точного граничного значения уровня корреляции переменных, при котором возникает проблема мультиколлинеарности, таким образом, необходимо собственное суждение.  [c.290]

Множественный (совокупный) коэффициент корреляции измеряет степень тесноты статистической связи (любой формы) между некоторым (результирующим) показателем, с одной стороны, и совокупностью других (объясняющих) переменных — с другой. Формально он определен для любой многомерной системы наблюдений. Квадрат его величины (называемый коэффициентом детерминации) показывает, какая доля дисперсии исследуемого результирующего показателя определяется (детерминируется) совокупным влиянием контролируемых нами (в виде функции регрессии) объясняющих переменных. Оставшаяся необъясненной доля дисперсии результирующего показателя определяет ту верхнюю границу точности, которой мы можем добиться при восстановлении (прогнозировании, аппроксимации) значения результирующего показателя по заданным значениям объясняющих переменных.  [c.98]

Главным экономическим показателем работы автотранспортного предприятия является прибыль, которая находится в прямой зависимости от себестоимости перевозок. В структуре себестоимости заработная плата водителей с начислениями составляет значительную величину. Так, за 1970 г. эти расходы по предприятиям Владимирского транспортного управления составили 31,9% к общей сумме расходов по грузовым сдельным автомобилям. В то же время снижение расходов по заработной платг может быть обеспечено при условии правильного установления плановых з а д а н и и по дайной статье себестоимости. Применяемые в настоящее время методы планирования заработной платы громоздки и не могут в полной мере учесть специфику отдельных предприятий. Они не позволяют быстро устанавливать величину заработной платы в зависимости от изменения размеров транспортной работы и других факторов, оказывающих на нее влияние. Использование метода цепных подстановок для анализа размера заработной платы также не дает желаемого результата. Корреляционный метод, особенно множественная корреляция, дает возможность количественно оценить связь между измеряемыми величинами в условиях действия большого числа факторов, причем некоторые из них неизвестны. Метод корреляции позволяет установить, как в среднем изменяется случайная величина при изменении значения одной или нескольких других случайных величин при фиксированном значении неучтенных факторов.  [c.33]

Некоторая (не слишком существенная) часть из сочетаний Коткл и КИНБ> приведенных в табл. 6.10, и особенно те из сочетаний, в которых исчислено значение KPA3B при положительных и отрицательных значениях исходных коэффициентов ранговой корреляции (такие случаи редки), на практике может оказаться бессодержательной. Но без их значений данная таблица не давала бы полной системной картины математической зависимости между различными значениями этих коэффициентов, а потому она приведена именно в этом виде.  [c.148]