Корреляция - это просто. Валютные корреляции

О. Синаноглу

В первом томе этой книги была изложена теория локализованных и делокализованных молекулярных орбиталей для и -электронов в системах с заполненными и незаполненными оболочками. При этом некоторые корреляционные эффекты неявно уже учитывались при оправдании тех или иных приближений в теории.

Второй том посвящается специально теории корреляционных эффектов, причем главное внимание уделяется тем случаям, когда простая теория МО оказывается несостоятельной.

Соответственно трем типам молекулярных систем (с заполненными и незаполненными оболочками из хартри-фоковских молекулярных орбиталей и систем с локализованными орбиталями) имеется три типа теорий корреляционных эффектов. Теория корреляционных эффектов для систем с заполненными оболочками из хартри-фоковских молекулярных орбиталей и для систем с локализованными орбиталями недавно подробно обсуждалась . В этом томе в разд. 1-7 изложен вариант этой теории с молекулярными орбиталями в применении к системам с незаполненными оболочками.

Влияние электронной корреляции на орбитали заполненных оболочек обычно мало. Проведенные в рамках теории МО расчеты распределения зарядов и дипольных моментов для -систем (т. 1, ч. I) и -систем (т. 1, ч. II) оказываются для замкнутых оболочек вполне удовлетворительными, если только нет больших эффектов «почти вырождения». Иначе обстоит дело для систем с незаполненными оболочками. Здесь, напротив, обязательно нужно учитывать как влияние электронной корреляции на молекулярные орбитали, так и особые эффекты «средней поляризации» орбиталей Последние эффекты могут существенно изменить распределение зарядов по сравнению с тем, к которому приводит расчет просто по хартри-фоковским орбиталям; они могут также

повлиять, например, на дипольные моменты возбужденных состояний.

Если под влиянием электронной корреляции уровни изменяются мало, то применяют обычную теорию возмущений. Вырожденную теорию возмущений (в которой с самого начала производится снятие вырождения и исключение эффектов «почти вырождения») нужно использовать, если уровни пересекаются и меняются местами. До некоторой степени проблема аналогична той, которая возникает в теории систем бесконечно большого числа взаимодействующих частиц, когда адиабатическая теория возмущений в основном состоянии оказывается несостоятельной (см. разд. настоящего тома). При этом, как известно, надо использовать температурную теорию возмущений (которая при сводится к теории возмущений для основного состояния).

В атомных системах эффекты корреляции внешнего электрона с сильно связанными внутренними электронами включают в понятие «поляризация остова». Такого рода корреляция имеет небольшую величину; например, корреляция составляет Корреляции типа «поляризации остова» проявляются также при рассмотрении ридберговских состояний молекул и взаимодействия электрона с растворителем. В последнем случае указанные корреляционные эффекты типа «поляризации остова», конечно, маскируются более сильными корреляционными эффектами орбитального типа, учитываемыми, например, введением нсевдопотенциала (см. разд. II-2 и II-3 настоящего тома). Когда главные квантовые числа соответствующих электронов совпадают, межорбитальные корреляционные эффекты становятся сильнее. Папример, корреляционная энергия между -электронами примерно равна (см. разд. 1-2 настоящего тома); в связи с этим заметную величину должны иметь также корреляционные эффекты между и -электронами в -электронных системах (см. т. 1 разд.

Проблема взаимодействия свободного электрона с жидкостями проливает свет на многие важные эффекты взаимодействия молекул с растворителем. Кроме того, она непосредственно связана с вопросами химии растворов металлов в аммиаке, жидких металлов и радиационной химии (см. разд. II-1, II-3, II-5, а также разд. III-4 и III-5 этого тома).

Корреляции типа «поляризации остова» можно представить себе как результат некоторого вандерваальсова пртдакения между неперекрывающимися распределениями зарядов . Выражение для сил притяжения между различными связями в молекуле или выражение для межмолекулярных сил между двумя изолированными газовыми молекулами можно получить, преобразуя выражение для корреляционной энергии от системы молекулярных

орбиталей к системе локализованных орбиталей . Основанное на этом рассмотрение кривых потенциальной энергии межмолекулярного взаимодействия эффективно в большом интервале расстояний (см. разд. III-2 настоящего тома). Само понятие кривой или поверхности потенциальной энергии, однако, существенно связано с тем, насколько хорошо можно, следуя борн-опненгеймеровскому приближению, разделить ядерньге и электронные координаты в данной задаче (см. разд. III-1).

В статистической механике простых жидкостей обычно с самого начала предполагается, что межмолекуляриый потенциал аддитивно слагается из потенциалов нарного взаимодействия. В приложениях статистической механики каждый такой парный потенциал принимается обычно равным потенциалу парного взаимодействия в газовой фазе. Однако в действительности для жидкостей и твердых тел необходимо принимать во внимание существенные отклонения от аддитивности, даже если учитывать только вандерваальсовы силы. Некоторые примеры таких многоатомных неаддитивных сил, действующих между атомами с заполненными оболочками, рассмотрены в разд. IIT-2 и III-3 этого тома. С крайним случаем неаддитивности межмолекулярных взаимодействий мы сталкиваемся в металлах. В разд. III-4 и III-5 изложены основные сведения об этих взаимодействиях с точки зрения теории молекулярных орбиталей и корреляционной теории в приложении к металлам и сплавам.

Мы уже неплохо углубились в искусство корреляций и теперь займемся непосредственно валютными парами. Вы наверняка не раз замечали, что когда одна валютная пара идет вверх, то вторая стремится вниз. Либо взаимосвязь между ними и вовсе прямая - падает курс одной пары, вместе с ней падает и курс другой.

Так и выглядит корреляция валютных пар - взаимосвязь, что нередко используется в торгах.

Как валютные пары взаимодействуют друг с другом

Корреляция отображает лишь то, как именно два актива двигаются по отношению друг к другу. В случае валютной корреляции абсолютно та же петрушка. Пары могут двигаться вместе, в разных направлениях или вообще никак не взаимодействовать.

Не забывайте, что мы торгуем не просто валюту - а валютную пару, где каждый участник пары влияет на другого. Поэтому корреляция может стать полезным инструментом и чуть ли не единственным, если вы хотите успешно торговать сразу несколькими валютными парами одновременно.

Валютная корреляция основана на так называемом коэффициенте корреляции , который находится в простом диапазоне между -1 и +1.

Идеальная позитивная корреляция (коэффициент +1) означает, что две валютные пары двигаются в одном направлении в 100% случаев.
Идеальная негативная корреляция (коэффициент -1) подразумевает ровно противоположное. Пары постоянно двигаются в разных направлениях.

Если же корреляция равна 0, следовательно корреляции нет вообще, она нулевая и пары никак не связаны.

Где искать корреляцию валют

Уж точно не самому на графике, вот еще, время тратить. Мы воспользуемся замечательным инструментом Oanda, что называется Currensee . Он нам покажет, как именно валютные пары смещаются по отношению друг к другу. Находится он по адресу:

Как видите, все сравнения осуществляются по отношению к исходной и самой популярной паре EUR/USD. По умолчанию предлагается «пузырьковый» формат, где чем больше синий кружок - тем больше отрицательная корреляция, а чем больше красный - тем ярче выражена позитивная связь.

Вариант с таблицей корреляции валютных пар более наглядный:

Тепловая карта - расширенный вариант пузырькового графика

Риски валютных корреляций

Если вы одновременно работаете с несколькими валютными парами, вы должны сразу осознавать, насколько такая торговля подвержена риску. Иногда люди выбирают сразу несколько пар чтобы свои риски минимизировать, но забывают про позитивную корреляцию, когда пары идут в одном и том же направлении.

Предположим, мы взяли две пары на 4-часовом таймфрейме, EUR/USD и GBP/USD:

Коэффициент корреляции составляет 0.94 , очень мило. Это значит, что обе пары следуют буквально друг за другом, как маньяк и его жертва. Как видим, обе идут вниз, практически зеркально.

Если открыть сделки на обе пары - мы, тем самым, сразу же удваиваем нашу позицию - и риски. Они увеличиваются! Потому что если вы окажетесь неправы с прогнозом - вы будете неправы сразу вдвойне, поскольку что пары зеркальны.

Поставили вверх, цена пошла вниз - двойной убыток. Вот вам и корреляция. Также нет смысла продавать один инструмент и покупать другой, ведь даже при точном прогнозе, один из них принесет вам убыток. В бинарных одна успешная сделка не перекрывает неудачную - выплаты-то меньше 100%. А в форексе стоимость пунктов для разных валютных пар тоже разная.

Различается и волатильность. Одна пара может подскочить на 200 пунктов, вторая - только на 180. Поэтому играться с одновременными сделками на разных парах нужно предельно аккуратно и без фанатизма, корреляция здесь решает все.

Теперь сравним противоположный вариант, пары EUR/USD и USD/CHF. У них все наоборот, сильная обратная корреляция, где коэффициент нередко достигает абсолютного значения -1.00 .

Пары как два магнита с противоположными полюсами, постоянно отталкиваются друг от друга.

Если открыть противоположные сделки по двум парам с негативной корреляцией, это будет тоже самое, как две одинаковые сделки на парах с позитивной корреляцией - снова удвоение вашего риска.

Самое разумное, безусловно, работать только с одной парой и не играться в противоположные парные сделки, ибо можно очень быстро доиграться до некрасивых показателей.

Коэффиценты корреляции

Теперь посмотрим, как можно рассматривать коррелирующие коэффициенты.

-1.0. Идеальная обратная корреляция.
-0.8. Очень сильная обратная корреляция.
-0.6. Сильная обратная корреляция
-0.4. Умеренная обратная корреляция.
-0.2. Слабая обратная корреляция
0. Корреляция отсутствует
0.2. Слабая, незначительная корреляция
0.4. Слабая корреляция
0.6. Умеренная корреляция
0.8. Сильная корреляция
1.0. Идеальная корреляция

Так что делать с корреляцией, ее можно использовать или как?

1. Устранение риска

Если вы любите открывать одновременные сделки на разных парах, знание об их корреляции поможет не попасться в описанную ситуацию, когда вы удваиваете риски, если две пары идут в одинаковом направлении.

Либо вы ставите в разных направлениях, не понимая, что у пар - обратная корреляция и это снова удваивает ваш риск.

2. Удвоение доходов или убытков

Если уж вы решили поиграться с одновременными сделками на разные пары, удачная сделка с парами, что имеют прямую корреляцию, удвоит ваши доходы. Или убытки, естественно, если что-то пошло не так и прогноз оказался неверным.

3. Диверсификация рисков

Рыночные риски можно распределять по двум валютным парам. Если вы, безусловно, понимаете, что делаете и если между парами не идеальная корреляция. Для этого берутся пары с прямой корреляцией в районе 0.7 (не выше), скажем, EUR/USD и GBP/USD.

Допустим, вы ставите на рост USD. Вместо двух ставок на понижение курса EUR/USD, можно поставить на понижение EUR/USD и GBP/USD. Если доллар упадет, то евро будет затронуто меньше, нежели фунт.

4. Хеджирование рисков

Этот прием используется уже на форексе, где во внимание берется то, что у каждой валютной пары своя стоимость пункта. Если вы открыли позицию на повышение EUR/USD, а цена идет против вас, то позиция на понижение в противоположной паре, такой как USD/CHF может вас выручить.

Не надо забывать про разную стоимость пунктов в форексе. Скажем, между EUR/USD и USD/CHF почти идеальная корреляция, вот только при торгах минилотом в 10000 долларов, один пункт EUR/USD стоит 1 доллар, а USD/CHF – 0.93 доллара.

В результате, приобретение минилота EUR/USD позволяет хеджировать свои риски при одновременной покупке минилота на USD/CHF. Если EUR/USD упадет на 10 пунктов, вы потеряли 10 долларов. Однако, доход по USD/CHF составит 9.30. А значит, вместо 10 долларов вы потеряете лишь 70 центов, прекрасно.

Хеджирование в форексе выглядит замечательным, однако, недостатков тоже хватает. Ибо при бешеном росте EUR/USD вы одновременно теряете деньги на USD/CHF. Кроме того, корреляция редко бывает идеальной, она постоянно плавает, поэтому вместо хеджирования вы можете все потерять.

5. Корреляция, пробои и ложные пробои

Корреляцию можно использовать и для прогнозирования поведения цены у значимых уровней. Предположим, что EUR/USD тестирует значимый уровень поддержки. Мы это дело изучили и решили входить на пробое уровня. Поскольку EUR/USD позитивно коррелируется с GBP/USD и негативно - с USD/CHF и USD/JPY, необходимо проверить, двигаются ли три другие пары в такой же волатильности, как EUR/USD.

Скорее всего, GBP/USD тоже «трется» около уровня сопротивления, а USD/CHF и USD/JPY около ключевых уровней сопротивления. Все это указывает на то, что балом здесь правит доллар и есть все указания на пробой для EUR/USD, поскольку все три пары двигаются синхронно. Остается дождаться пробоя.

А теперь представим, что эти три пары не двигаются синхронно вместе с EUR/USD. Скажем, GBP/USD и не думает падать, USD/JPY не растет, а USD/CHF вообще «тошнит» в боковом движении. О чем это говорит? Лишь о том, что падение EUR/USD не связано с долларом и явно вызвано негативными новостями из еврозоны.

Цена может находится и ниже ключевого уровня поддержки, однако, если у трех коррелирующих пар нет достаточно синхронного движения с EUR/USD, ждать пробоя не стоит. Мало того - вполне может быть и всеми нами нелюбимый ложный пробой уровня сопротивления.

Да, без корреляционного подтверждения все равно можно входить на пробой, но тогда сделайте объем сделки поменьше, ибо нужно снизить свои риски.

Валютная корреляция постоянно меняется

Валютный рынок не хочет нас порадовать стабильностью и находится в постоянном состоянии возбуждения, как и работающие с ним трейдеры. В результате, даже самые сильные корреляции, что могут держаться месяцами и годами, порой изменяются, причем в самый неподходящий момент. То, что является корреляцией в этом месяце может стать совсем другой историей в месяце новом.

Проиллюстрируем это на примере нескольких пар, выделив USD/CHF:

Как видите, корреляция меняется регулярно, причем зачастую на совершенно полярные значения. Так что они не просто подвержены изменениям - но эти изменения могут быть кардинальными. Следовательно, чтобы использовать эффект корреляции в свою пользу, его банально нужно регулярно проверять и не лениться это делать.

Предположим, целую неделю корреляция между USD/JPY и USD/CHF составляла 0.22. Это весьма низкий коррелирующий коэффициент, который нельзя считать достаточным. Однако, 3-месячный период мы видим, что это число выросло до 0.52, затем 0.78 для 6 месяцев и, наконец, 0.74 для годового таймфрейма.

Другими словами, у пар наблюдается долгосрочная корреляция, но она может сильно изменяться на небольших таймфреймах. Сильная годовая корреляция может превращаться в слабую в краткие периоды времени.

Сравним EUR/USD и GBP/USD, чтобы продемонстрировать и вовсе несусветное поведение.

Неделя - отлично, коэффициент составляет 0.94, пары двигаются практически зеркально. Однако, за месяц это значение падает… до 0.13. В 3-месячный период подскакивает до значимого 0.83 и снова падает в период 6 месяцев.

Как насчет USD/JPY и NZD/USD? Годовая корреляция — -0.69, месячная - аж 0.07, то есть отсутствует. Поэтому такие факторы нужно учитывать.

Почему корреляция меняется? Причин масса. Изменение ключевых ставок и монетарной политики, политические и экономические события, любые фундаментальные факторы, что влияют на настроение трейдеров и их отношение к определенной валюте.

Как подсчитать корреляцию в Excel

Если вам не нравится инструмент Oanda и вы все хотите сделать ручками, Excel позволит вам это сделать без каких-либо проблем, прям как калькулятор. Однако, для получения достоверных результатов нужно взять архив котировок минимум за 6 месяцев, иначе вы не заметите сильные колебания в значениях.

Эти данные затем копируются в таблицу:

В таблице корреляции используются ежедневные значения, что наиболее разумно, хотя, конечно, никто не мешает вам импортировать хоть минутные. Хотя, боюсь, это «повесит» ваш Excel и весь компьютер заодно с ним.

Для примера, возьмем ежедневные данные за месяц.

Теперь, в первой пустой клеткой под нужной парой (в нашем случае, EUR/USD, которую мы будем сравнивать с USD/JPY) вводим значение “=correl(“ (без кавычек). Либо, для русской версии Excel, значение “=КОРРЕЛ(“. Как видим, никаких сложных формул не понадобится.

Остается выбрать столбец с диапазоном данных (появится прямоугольник с пунктирными границами). Ставим запятую.

После запятой, аналогичным образом выбираем ценовой диапазон для USD/JPY. Нажимаем Enter и получим наш коэффициент корреляции для выбранной пары.

Это повторяется для других пар, после чего можно сделать удобную табличку с этими коэффициентами для каждого периода, от недели до года.

Обновлять такие данные можно раз в неделю, едва ли разумно делать это чаще - вы устанете намного раньше.

Корреляция: плюсы и минусы

Здесь все очевидно. Минусы - ваши риски удваиваются, если вы открываете сделки для двух зеркально коррелирующих пар. Кроме того, корреляция регулярно меняется в разные временные промежутки, что следует учитывать в работе.

Из плюсов - корреляция дает возможность диверсифицировать риски, хеджировать свои сделки и, в форексе, зарабатывать благодаря кредитному плечу.

Также помните, что:

коэффициенты рассчитываются на основе дневных цен закрытия;
позитивный коэффициент означает, что две пары двигаются в одном направлении;
негативный - в противоположных направлениях;
чем ближе коэффициент к значениям +1 и -1, тем сильнее корреляция.

Примеры пар, что двигаются синхронно:

EUR/USD и GBP/USD;
EUR/USD и AUD/USD;
EUR/USD и NZD/USD;
USD/CHF и USD/JPY;
AUD/USD и NZD/USD.

Пары с негативной корреляцией:

EUR/USD и USD/CHF;
GBP/USD и USD/JPY;
USD/CAD и AUD/USD;
USD/JPY и AUD/USD;
GBP/USD и USD/CHF.

Не забываем использовать все то, чему вы уже научились, помните про риск менеджмент и тогда корреляция валютных пар может стать достойным инструментом в вашем торговом арсенале. А самое главное — позволит избежать ошибок, когда вы торгуете сразу две пары, и даже не понимаете, что удваиваете ваши риски, если между выбранными парами есть полная синхронная корреляция.

Назад:
Вперед:

Термин «корреляция» пугает многих людей и кажется чем-то сложным и непонятным. Однако на практике ничего устрашающего в ней нет. Корреляция – это всего лишь показатель, показывающий зависимость между событиями или объектами.

Данное понятие применяется в экономическом и статистическом анализе, психологии, биологии, математике. Например, если посмотреть на небо и увидеть густые и темные тучи, то можно прийти к выводу, что скоро пойдет дождь. Однако наше умозаключение не дает 100% гарантии. Это и является отличительной особенностью корреляцию от линейной зависимости.

Что такое корреляция?

Корреляция – это взаимозависимость случайных факторов. Она отображает приближенную взаимосвязь и не дает точных ответов. Например, в стране выросла безработица и увеличилось количество преступлений. Можно предположить, что на второй фактор повлияли первый. Но на уровень преступности также влияют воспитание, менталитет людей, уровень образования. Составить точный прогноз нереально, так как всегда есть дополнительные факторы.

Связь между событиями характеризуется коэффициентом корреляции. Значение коэффициента варьируется от -1 до +1.

Связь может быть трех видов:

сильной;
слабой;
отсутствовать.

Например, повышения уровня радиации негативно сказывается на здоровье человека. Межу событиями имеется обратно пропорциональная зависимость – увеличения радиации приводит к ухудшению здоровья. Коэффициент корреляции при этом имеет отрицательное значение.

Некоторые события или явления практически никак не связаны друг с другом. Утром у вас разрядился телефон, а вчера в маршрутке вам на ногу наступил мужчина. Ни одно из событий не влияет на другое. В данном случае коэффициент корреляции равен нулю.

Если коэффициент больше нуля и стремится к 1, то такая корреляция называется положительной. Она показывает прямую взаимосвязь между событиями. Например, чем выше уровень знаний, тем выше шансы поступить в университет на бюджет.

Анализ корреляционного соотношения помогает выдвинуть гипотезу о причинно-следственных связях.

Корреляция цены на нефть и курса доллара

Цена на нефть и курс американского доллара имеют обратную корреляционную связь. При росте стоимости «черного золота» курс доллара снижается и наоборот.

США обладают самой мощной промышленностью в мире и на ее нужды требуется просто огромное количество нефти. В то же время Штаты входят в первую десятку стран по уровню добычи этого природного ресурса. При этом США значительную часть добытой нефти экспортируют, что вызывает дефицит в промышленности. Для его покрытия американцы ежегодно импортируют свыше 8 миллиардов баррелей нефти.

Данного объема достаточно для влияния на курс национальной валюты. Увеличение спроса США на нефть приводит к увеличению цены на международном рынке. В свою очередь, рост объемов импорта влияет на стоимость произведенных товаров. В итоге на валютном рынке наблюдается избыток американской валюты, и ее курс начинает падать.

Корреляция в управлении инвестиционными активами

Корреляция активно используется инвесторами при формировании и управлении своих инвестиционных портфелях. Логично, что нельзя держать все свои активы в одном месте. Диверсификация позволяет значительно снизить риски.

Например, инвестор покупает акции одной крупной компании и нескольких мелких. Коэффициент корреляции акций гигантов отрасли и небольших предприятий приблизительно равен +0,8. Это достаточно большое значение и оно характеризует прямую зависимость между объектами. При падении акции крупной компании существует большая вероятность, что стоимость ценных бумаг небольших фирм тоже снизится существенная. В данном случае лучше подбирать активы таким образом, что корреляционные связи были минимальными.

Для этого, например, инвестор может составить свой портфель из акций и облигаций или акций и казначейских векселей. Облигации между собой, как и акции, также имеют прямую связь. Их коэффициент еще выше. Однако между облигациями и акциями такой зависимости нет, что и позволяет инвестору снизить риски.

Также наблюдается зависимость между странами и даже регионами. Чем ближе они находятся, тем выше коэффициент корреляции. Например, для Канады и США он составляет 0,9. В то же время для Японии и США он на 4 десятых меньше. Собственно, инвестору более выгодно покупать активы эмитентов из разных регионов.

Золото и ценные бумаги практически не коррелируются. Однако серебро и золото очень зависимы друг от друга, так же, как и евро и американский доллар. Их использование в рамках одного инвестиционного портфеля нецелесообразно.

Корреляция – это удобный и необходимый инструмент в различных сферах жизни. Она не является панацеей, но позволяет достаточно точно установить причинно-следственные связи между явлениями.

Понятие корреляции

Все явления в мире взаимосвязаны. Это значит, что каждое событие оказывает влияние на все события, следующие за ним, а само происходит вследствие всех событий, случившихся до него.

До сих пор рассматривались основные статистические характеристики изолированно друг от друга, теперь будем изучать, как и в к5акой форме одно явление оказывает влияние на другое. Это является предметом корреляционно-регрессионного анализа.

Три основные задачи корреляционно-регрессионного анализа:

1. Определение факторов, которые оказывают определяющее воздействие на результативный признак.

2. Определение форм воздействия факторов и результата.

3. Определение степени влияния на результат учтенных и неучтенных факторов.

В статистике изучаются следующие виды связей:

1. Балансовая связь – характеризует зависимость между источниками формирования результатов и их использованием.

2. Компонентные связи – характеризуются тем, что изменение статистического показателя определяется изменением компонентов, входящих в этот показатель, как множители.

3. Факторные связи – характеризуются тем, что они появляются в согласованной вариации изучаемых показателей.

Одни выступают как факторные, другие как результативные.

При функциональной связи изменение результативного признака обусловлено всецело действием одного факторного признака х, т.е. одному факторному соответствует одно и только одно значение результативного признака y=f(x). Функциональная связь проявляется во всех случаях наблюдения и для каждой конкретной единицы изучаемой величины.

Если причинная зависимость проявляется не в каждом отдельном случае, а в общем, в среднем при большом числе наблюдений, то такая зависимость называется стохастической . Частным случаем стохастической связи является корреляционная , при которой изменение среднего значения результатов признака обусловлено изменением факторных признаков. По степени тесноты связи различают количественные критерии оценки тесноты связи.

По направлению выделяют связь прямую, т.е. с увеличением или уменьшением значения факторного признака происходит увеличение или уменьшение результата.

Например, увеличение производительности труда способствует увеличению уровня рентабельности.

И обратную, когда значения результативного признака изменяются под воздействием факторного, но в противоположном направлении.

Например, с увеличением фондоотдачи снижается себестоимость единицы продукции.

По аналитическому выражению выделяют связи прямолинейные и нелинейные.

В статистике не всегда требуются количественные оценки, важно просто определить форму воздействия одних факторов на другие.

Для выявления наличия связи, и характера, и направления используются следующие методы:

Приведение параллельных данных

Аналитических группировок

Графический

Корреляции

1.Метод приведения параллельных данных - основан на сопоставлении двух или нескольких рядов статистических величин. Такое сопоставление позволяет установить наличие связи и получить представление о ее характере.

Т.е. с увеличением x y, т.е. это может быть либо кривая, либо парабола 2 порядка.

2.Графически - взаимосвязь двух признаков изображается с помощью поля корреляции. В системе координат на оси абсцисс откладываются значения факторного признака, а у – результативного.

При отсутствии тесных связей имеет место беспорядочное расположение точки на графике. Чем сильнее связь между признаками, тем теснее будут группироваться точки вокруг определенной линии, выражающей форму связи.

Для социально-экономических явлений характерно, что наряду с существенными факторами, формирующими уровень результативного признака на него оказывают воздействие многие случайные факторы. Поэтому корреляционная связь отражается функцией у=ψ(х)+ε, где ε – влияние случайных факторов.

3.Корреляция – это статистическая зависимость между случайными величинами, не имеющими строго функционального характера, при котором изменение одной из случайных величин приводит к уменьшению математического ожидания другой. В статистике принято различать следующие варианты зависимостей:

1. Парная корреляция – связь между двумя признаками.

2. Частная корреляция – зависимость между результатом и одним факторным признаком при фиксированном значении других факторных признаков.

3. Множественная корреляция – зависимость результативного и двух или более факторных признаков, включенных в исследование.

Корреляционный анализ имеет своей задачей кол-но определить тесноту связи между двумя признаками (при парной связи) и между результативными и множеством факторных признаков (при многофакторной связи).

Теснота связи количественно выражается величиной коэффициентов корреляции. Величина коэффициентов корреляции служит также оценкой соответствия уравнения регрессии выявленным причинно-следственным связям. Одновременно с корреляцией начала использоваться регрессия. Корреляция и регрессия тесно связаны между собой:

Первая оценивает силу статистической связи, вторая исследует ее форму. Та и другая служат для установления соотношения между явлениями.

Корреляционно-регрессионный анализ как общее понятие, включает в себя измерение тесноты направления связей и установления аналитического выражения (формы) связей (регрессионный анализ).

Регрессионный анализ заключается в определении аналитического выражения связи, в котором изменение одной величины (результативный признак) обусловлено влиянием одной или нескольких независимых величин (факторов), а множество всех прочих факторов, также оказывающих влияние на зависимую величину, принимается за постоянные и средние значения. Регрессия может быть однофакторной (парной).

- линейная функция и многофакторной (множественной)

+а 2 х 2 - парабола

- гипербола нелинейная регрессия

По направлению связи распределяют:

а) прямую регрессию (положительную)

б) обратную (отрицательную), т.е. с увеличением или уменьшением независимой величины зависимая соответственно уменьшается или увеличивается.

Прямая (положительная) регрессия

Обратная (отрицательная) регрессия

Методы корреляционно-регрессионного анализа связи показателей

Наиболее разработанная – метод парной корреляции , рассматривающая влияние вариации факторного признака (х) на результативный (у).

Для выявления связи применяются различные виды уравнения прямолинейной и криволинейной связей. Аналитическая связь между ними может быть описана следующими уравнениями:

Прямая

Гипербола

Парабола
+а 2 х 2

Определить тип уравнения можно, исследуя зависимость графически. Однако есть более общее указание.

Если результативный и факторный признаки одинаково, примерно в арифметической прогрессии – прямая.

При обратной – гиперболическая.

Если факторный признак увеличивается в арифметической, а результативный быстрее, то парабола или степенная.

Оценка параметров уравнений регрессии а 0 ; а 1 ; а 2 осуществляется методом наименьших квадратов

при линейной зависимости

n – объем исследуемой совокупности.

; где а 0 – усредненное влияние на результативный признак случайных факторов. а 1 – коэффициент регрессии показывает насколько изменяется в среднем значение результативного признака при увеличении факторного на единицу собственного измерения.

Пример:

Имеются данные, характеризующие деловую активность ЗАО:

прибыль (тыс.р.) и затраты на 1 р. произведенной продукции (коп.)

	затраты на 1 р. произв. продукции (коп.)	прибыль (тыс.р.)

На практике часто исследования проводятся по большому числу наблюдений. В этом случае исходные данные представляют в сводной корреляционной таблице . При этом анализу подвергаются сгруппированные данные и по факторному х и по результативному у, т.е. уравнение парной регрессии целесообразно строить на основе сгруппированных данных.

Если значения х и у заданы в определенных интервалах (а-в), то для каждого интервала сначала определяют середину интервала (а+в)/2, а затем уже коррелируют значения х / и у / и строят уравнения регрессии между ними.

Корреляционная таблица дает общее представление о направлении связи. Если оба признака (х и у) располагаются в возрастающем порядке, а частоты (f xy) сосредоточены по диагонали сверху вниз направо.

прямая обратная

О тесноте связи между признаками х и у по корреляционной таблице можно судить по кучности расположения частот вокруг диагонали (поскольку заполненные клетки таблицы в стороне от нее).

Если клетки заполнены большими цифрами, то связь слабая. Чем ближе частоты (f xy) располагаются к одной из диагоналей, тем теснее связь. Если в расположении частот (f xy) нет системности, то можно судить об отсутствии связи.

Пример:

величина капитала,	величина работающих активов, тыс.р.	Число банков







Число предпр.

Если у нас наличие линейной связи:

где n=30 коммерческих банков.

f x и f y – число банков согласно распределению соответственно по факторному и результативному признакам.

yf y ; xf x – значение результативного и факторного признаков по конкретной группе коммерческих банков.

Для 1 группы yf y = 1714,5*15=25717,5

хyf y =1714,5*4*42+1714,5*6*98+1714,5*2*154+1714,5*3*210=2904363

х 2 f x =42*42*8=14112

Статистические данные обладают ошибками упрощения , которые возникают как следствие:

1. Неполноты охвата единиц совокупности

2. Неполноты факторов, определяющих явление

3. Характера выбранного уравнения связи

Использование метода наименьших квадратов позволяет получить достоверные оценки при небольшом количестве наблюдений.

При изучении корреляционной связи показателей коммерческой деятельности в условиях наблюдения так называемого малого и среднего бизнеса, анализу подвергается сравнительно небольшие по составу единиц совокупности.

Коэффициент эластичности

Для оценки влияния факторного признака на результативный применяется коэффициент эластичности.

Он рассчитывается для каждой точки и в среднем по всей совокупности.

Коэффициент эластичности (Э)

Э=
Коэффициент эластичности показывает, на сколько % изменяется результативный признак при изменении факторного признака на 1%.

Если х=42, то при увеличении его на 1%, т.е. 42*(1+0,01)=42,42; С 42 до 42,42. Капитал. увеличится. Э=(59,7*42)/(7177,6+59,7*42)=2507,4/(7177,6+2507,4)=2507,4/9685=0,259

Это означает, что при увеличении фактического признака с 42 до 42,42 – результативный признак увеличится на 0,259%.

Измерение тесноты связи

Кроме состав. уравн. регрессии для коррелируемых переменных второй задачей является измерение тесноты связи между ними. Измерить ее означает определить насколько вариация результативного признака зависит от вариации факторного. Измерить тесноту зависимости между х и у можно при помощи:

1. Корреляционного отношения (η) (коэффициент корреляции по Персону)

2. Линейного коэффициента корреляции (r)

Первый применим ко всем зависимостям, второй только при линейной зависимости.

а) корреляционное отношение различается:

1. теоретическое

2. эмпирическое

Теоретическое представляет собой относительную величину, получающуюся в результате сравнения среднего квадратического отклонения в ряду выравненных значений результативного признака (), рассчитанных по уравнению регресии, со средним квадратическим отклонением в ряду эмпирических значений результатов признака.

первое – δ, второе – σ.

Учитывая, что выравненные эмпирические совпадают, т.е.

и средние значения признака у рядов одинаково (), среднее квадратическое отклонение ряда выравненных значений результативного признака можно записать

Если дисперсию выравненного σ 2 обозначить через среднее квадратическое для эмпирического ряда результатов признака σ=
σ 2 =D y , то корреляционное отношение можно записать

Возведя обе части в квадрат получим
; это корреляционное отношение называется коэффициентом детерминации. σ 2 =D y , характеризует вариацию в ряду (у) за счет всех факторов, включая и фактор (х), а δ 2 =
характеризует вариацию результативного признака под влиянием фактора х. Если найдем отношение,то получим малую долю, занимаемую дисперсией, определяемую влиянием факторного признака х. Т.е. в основе корреляционного отношения лежит правило сложения дисперсий
.

При изучении корреляционных связей дисперсия в ряду и является межгрупповой дисперсией δ 2 =
ибо она отражает колеблемость групповых значений результативного признака (т.е. характерных для этой группы х) вокруг общей средней ряда, т.е. колеблемость за счет факторного признака.

Т.е. средняя из внутригрупповых дисперсий это и будет остаточная дисперсия, т.е. вариация в ряду у за счет всех остальных факторов, кроме х

Из правила сложения дисперсий

Корреляционное отношение, находится в пределах от 0 до 1.

1. Если результ. полностью зависит от фактора х

2. Фактор х не анализ. влияние на у

Т.е. чем ближе значение корреляционного отношения к 1, тем больше связь у и х. Чем ближе к 0, тем связь слабее. Обычно η меньше 0,3, зависимость маленькая; 0,3-0,6 – зависимость средняя, больше 0,6 – большая.

внесено удобр.,ц/га.	урож.,ц/га

Зависимость параболическая.

5a 0 +15a 1 +55a 2 =50

15a 0 +55a 1 +225a 2 =167

55a 0 +225a 1 +979a 2 =649

Дисперсия ряда теоретическая. Значение результативного признака.

Дисперсия ряда эмпирическая. Значение результативного признака.

Корреляционное отношение характеризует высокую степень тесноты зависимости изменения урожайности от количества внесенных удобрений.

От теоретического следует отличать эмпирическое корреляционное отношение, которое рассчитывается по данным групповых таблиц.

где -дисперсия групповых средних результативного признака

-общая дисперсия результативного признака.

Эмпирическое корреляционное отношение не требует знания и расчета уравнений регрессии, а основывается на сопоставлении межгрупповой и общей дисперсий результативного признака, рассчитанных по групповым таблицам.

Рассмотрим пример с корреляционной таблицей:

На основе этого показателя можно сделать вывод о том, что вариация групповых средних несущественно зависит от вариации группировочного признака.

Линейный коэффициент корреляции

В случае линейной зависимости между двумя коррелируемыми величинами тесноту связи измеряют линейным коэффициентом корреляции (r), который может быть рассчитан по нескольким формулам:

где а 1 - коэффициент регрессии в управлении связи;

σ х - среднее квадратическое отклонение факторного признака;

σ у - среднее квадратическое отклонение результативного признака.

Рассчитаем линейный коэффициент корреляции по разным формулам:

основные произв. фонды, млн.р. х	валовая продукция, млн.р. у

Научные термины пугают и притягивают одновременно. Термин «корреляция» все чаще можно встретить на страницах газет, по радио, на телевидении. Им козыряют экономисты, политологи, аналитики. Но, похоже, частота использования этого термина в СМИ отрицательно коррелирует с уровнем его понимания потребителями.

В переводе на простой язык, сказанная фраза означает следующее: «Чем чаще используется термин «корреляция», тем менее точным становится содержание этого понятия в сознании людей». В реальности, возможно, это и не так - исследования не проводились. Но важно другое - корреляция в обыденном понимании отражает взаимосвязь между явлениями.

Взаимосвязи вокруг нас

В человеке живет интуитивное ощущение взаимосвязи всех явлений. В фантастическом рассказе Рэя Брэдбери герой попадает в далекое прошлое и, нарушая запрет, сходит с тропы. Он лишь раздавил бабочку. Но вернулся в другой мир, с другим языком и даже президентом. Все связано вокруг…

При чем здесь корреляция? А при том, что пытливое сознание человека пытается выявлять корреляции. Зная взаимосвязи между явлениями, на них можно влиять, ими можно управлять.

Я не буду «грузить» вас математической терминологией, сложными формулами. Давайте разберемся в сути этого понятия; уясним что значит отрицательная и положительная корреляция; значимая и незначимая.

Понятие корреляции

Слово «корреляция» происходит от латинского «correlatio», что означает «соотношение» или «взаимосвязь».

Взаимосвязь присуща многим явлениям. Например, кепка, надетая на голову, связана с ней - куда голова, туда и кепка. Или палочка в руке дирижёра - они взаимосвязаны, и она послушна руке хозяина, полету его вдохновения. Но можно ли говорить, что их движения коррелируют между собой? Нет, и вот почему.

Функциональная связь

Палочка и рука взаимосвязаны и эта связь - функциональная. Она детерминирующая - жестко связывает между собой объекты. Если дирижёр сосредоточен и крепко держит палочку, то в их согласованном движении не будет моментов, когда которых рука движется в одну сторону, а палочку - в другую. Корреляционная связь совсем иной природы.

Посмотрим за спину нашего дирижёра. В зале сидят слушатели, любители музыки. Они испытывают какие-то эмоции. Их переживания, возможно, как-то связаны с уровнем их музыкального образования. Чем больше они знают про музыку, тем выше их эмоциональный отклик. Эта связь - корреляционная.

Корреляционная связь

В отличие от функциональной связи, корреляция отражает не жесткую зависимость между явлениями. Кто-то очень подкован теоретически, но эмоциональный отклик на музыку слабый. Другой мало образован, но его «пробило» на эмоции. Такая связь называется случайной, стохастической. И это сфера статистики - науки, занимающейся не отдельными явлениями, а массовыми.

Итак, корреляция отражает не функциональную, а статистическую случайную связь между явлениями (переменными). Почему случайную? Потому что заранее не известно, кто и как из слушателей будет реагировать на музыку. Но если статистический (массовый) расчет показал положительную корреляцию между образованностью и эмоциональным откликом, то это дает основания для важных выводов. Знание корреляционной связи позволяет предсказывать.

В данном примере мы с большой долей вероятности сможем утверждать, что из двух слушателей более эмоционально слушал тот, кто более образован. Это не будет однозначный вывод, ведь связь у нас не функциональная. Это будет вывод статистический, вероятностный - мы всегда можем ошибиться. Но вероятность этой ошибки не велика и заранее известна. Она называется «уровень статистической значимости». Как видим, без математики в этом вопросе все-таки не обойтись.

Коэффициент корреляции

В повседневной жизни, говоря о корреляции, например, успеха и затраченных усилий или ощущения счастья и материального достатка, мы опираемся на мифы, интуицию или досужие домыслы. Эти величины трудно измерить, перевести на язык цифр потом строго доказать их взаимосвязи. Но если мы имеем дело с явлениями, которые можно измерить, то здесь корреляцию можно рассчитать и получить коэффициент, который будет отражать силу и направление взаимосвязи.

Например, мы взяли группу из 20-ти человек и определили для каждого два параметра: возраст (посмотрели паспорт) и уровень оптимизма (провели психологический тестирование). Эти данные нужно занести в так называемую таблицу исходных данных и загрузить в статистическую программу . В итоге получим значение коэффициента корреляции. Не стоит пугаться этого числа, разгадать его тайны не так сложно.

Коэффициент корреляции может принимать численные значения в диапазоне от -1 до +1. Для анализа важны два показателя:

Знак коэффициента корреляции (положительный или отрицательный).
Абсолютное значение коэффициента корреляции (то есть, без учета знака, «по модулю»).

Отрицательная связь не значит плохая, положительная не значит хорошая

Если расчет корреляции между возрастом и оптимизмом среди испытуемых дал отрицательный показатель, это значит следующее: с годами растет оптимизм. То есть, чем выше возраст испытуемого, тем более оптимистично он смотрит на жизнь (мудрецы).

Но мы могли получить и обратный результат - отрицательную корреляцию между возрастом и оптимизмом. То есть, чем больше прожитых лет, тем меньше хорошего видится вокруг (скептики).

Надеюсь, эта статья поможет вам написать работу по психологии самостоятельно. Если понадобится помощь, обращайтесь (все виды работ по психологии; статистические расчеты).