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.

Все процессы, происходящие в бизнесе, взаимосвязаны. Между ними прослеживается как прямая, так и косвенная связь. Различные экономические параметры изменяются под действием различных факторов. Факторный анализ (ФА) позволяет выявить эти показатели, проанализировать их, изучить степень влияния.

Понятие факторного анализа

Факторный анализ – это многомерная методика, позволяющая изучить взаимосвязи между параметрами переменных. В процессе происходит исследование строения ковариационных или корреляционных матриц. Факторный анализ используется в самых различных науках: психометрике, психологии, экономике. Основы этого метода были разработаны психологом Ф. Гальтоном.

Задачи проведения

Для получения достоверных результатов лицу требуется сравнить показатели по нескольким шкалам. В процессе определяется корреляция полученных значений, их сходство и различия. Рассмотрим базовые задачи факторного анализа:

• Обнаружение существующих значений.
• Подбор параметров для полноценного анализа значений.
• Классификация показателей для системной работы.
• Обнаружение взаимосвязей между результативными и факторными значениями.
• Определение степени влияния каждого из факторов.
• Анализ роли каждого из значений.
• Применение факторной модели.

Исследован должен быть каждый параметр, который влияет на итоговое значение.

Методики факторного анализа

Методы ФА могут использоваться как в совокупности, так и раздельно.

Детерминированный анализ

Детерминированный анализ используется наиболее часто. Связано это с тем, что он достаточно прост. Позволяет выявить логику воздействия основных факторов компании, проанализировать их влияние в количественных значениях. В результате ДА можно понять, какие факторы следует изменить для улучшения эффективности работы компании. Преимущества метода: универсальность, легкость использования.

Стохастический анализ

Стохастический анализ позволяет проанализировать существующие косвенные связи. То есть происходит исследование опосредованных факторов. Метод используется в том случае, если невозможно найти прямые связи. Стохастический анализ считается дополнительным. Он используется только в некоторых случаях.

Что понимается под косвенными связями? При прямой связи при изменении аргумента изменятся и значение фактора. Косвенная связь предполагает изменение аргумента с последующим изменением сразу нескольких показателей. Метод считается вспомогательным. Связано это с тем, что специалисты рекомендуют изучать в первую очередь прямые связи. Они позволяют составить более объективную картину.

Этапы и особенности факторного анализа

Анализ по каждому фактору дает объективные результаты. Однако применяется он крайне редко. Связано это с тем, что в процессе выполняются сложнейшие вычисления. Для их проведения потребуется специальное программное обеспечение.

Рассмотрим этапы ФА:

1. Установление цели проведения расчетов.
2. Отбор значений, которые непосредственно или косвенно влияют на конечный результат.
3. Классификации факторов для комплексного исследования.
4. Обнаружение зависимости между выбранными параметрами и конечным показателем.
5. Моделирование взаимных связей между результатом и факторами, влияющими на него.
6. Определение степени воздействия значений и оценка роли каждого из параметров.
7. Использование образованной факторной таблицы в деятельности предприятия.

К СВЕДЕНИЮ! Факторный анализ предполагает сложнейшие вычисления. Поэтому лучше доверить его проведение профессионалу.

ВАЖНО! Крайне важно при проведении расчетов правильно отобрать факторы, которые влияют на результат деятельности предприятия. Отбор факторов зависит от определенной сферы.

Факторный анализ рентабельности

ФА рентабельности проводится для анализа рациональности распределения ресурсов. В результате можно определить, какие факторы наибольшим образом влияют на конечный результат. В результате можно оставить только те факторы, которые наилучшим образом воздействуют на эффективность. На основании полученных данных можно изменить ценовую политику компании. На себестоимость продукции могут влиять следующие факторы:

• постоянные издержки;
• переменные издержки;
• прибыль.

Уменьшение издержек провоцирует повышение прибыли. При этом себестоимость не изменяется. Можно сделать вывод о том, что на прибыльность влияют имеющиеся издержки, а также объем проданной продукции. Факторный анализ позволяет определить степень влияния этих параметров. Когда имеет смысл его проводить? Основной повод к проведению – уменьшение или повышение прибыльности.

Факторный анализ проводится посредством следующей формулы:

Rв= ((Вт-СБ -КРБ-УРБ)/ Вт) - (ВБ-СБ-КРБ-УРБ)/ВБ, где:

ВТ – выручка за нынешний период;

СБ – себестоимость за нынешний период;

КРБ – коммерческие траты за нынешний период;

УРБ – управленческие траты за предшествующий период;

ВБ – выручка за предшествующий период;

КРБ – коммерческие траты за предшествующий период.

Иные формулы

Рассмотрим формулу расчета степени воздействия себестоимости на прибыльность:

Rс= ((Вт-СБот -КРБ-УРБ)/ Вт) - (Вт-СБ-КРБ-УРБ)/Вт ,

СБот – это себестоимость продукции за нынешний период.

Формула для расчета влияния управленческих трат:

Rур= ((Вт-СБ -КРБ-УРот)/ Вт) - (Вт-СБ-КРБ-УРБ)/Вт ,

УРот – это управленческие траты.

Формула для вычисления степени воздействия коммерческих издержек:

Rк= ((Вт-СБ -КРо-УРБ)/ Вт) - (Вт-СБ-КРБ-УРБ)/Вт ,

КРо – это коммерческие траты за предыдущее время.

Совокупное воздействие всех факторов высчитывается по следующей формуле:

Rоб=Rв+Rс+Rур+Rк.

ВАЖНО! При расчетах имеет смысл высчитывать влияние каждого фактора в отдельности. Результаты общего ФА имеют небольшую ценность.

Пример

Рассмотрим показатели организации за два месяца (за два периода, в рублях). В июле доход организации составил 10 тысяч, себестоимость продукции – 5 тысяч, административные траты – 2 тысячи, коммерческие траты – 1 тысяча. В августе доход компании составил 12 тысяч, себестоимость продукции – 5,5 тысяч, административные траты – 1,5 тысячи, коммерческие траты – 1 тысяча. Проводятся следующие расчеты:

R=((12 тысяч-5,5 тысяч-1 тысяча-2 тысячи)/12 тысяч)-((10 тысяч- 5,5 тысяч-1 тысяча-2 тысячи)/10 тысяч)=0,29-0,15=0,14

Из этих расчетов можно сделать вывод о том, что прибыль организации повысилась на 14%.

Факторный анализ прибыли

Р = РР+ РФ + РВН, где:

Р –прибыль или убыток;

РР – прибыль от реализации;

РФ – результаты финансовой деятельности;

РВН – сальдо доходов и расходов от внереализационных действий.

Затем нужно определить результат от продажи товаров:

РР = N – S1 –S2, где:

N – выручка от продажи товаров по отпускным ценам;

S1 – себестоимость проданной продукции;

S2 – коммерческие и управленческие траты.

Ключевым фактором при расчете прибыли является оборот компании по продаже компании.

К СВЕДЕНИЮ! Факторный анализ крайне сложно проводить вручную. Для него можно использовать специальные программы. Самая простая программа для расчетов и автоматического анализа – Microsoft Excel. В ней есть инструменты для анализа.

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

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

Каждое явление можно рассматривать и как причину и как следствие.

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

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

Различают следующие типы факторного анализа :

Детерминированный и стохастический;

Прямой и обратный;

Одноступенчатый и многоступенчатый;

Ретроспективный (исторический) и перспективный (прогнозный).

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

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

В чем разница между функциональной и корреляционной зависимостью?

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

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

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

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

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

Например: рентабельность = прибыль / объем производства.

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

Например: прибыль = объем продаж – затраты

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

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

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

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

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

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

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

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

Определяющий этап факторного анализа – моделирование.

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

В детерминированном факторном анализе выделяют следующие типы факторных моделей:

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

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

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

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

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

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

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

Например ПТ = VВП: Чппп ,

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

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

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

1. цепной подстановки;

2. абсолютных разниц;

3. относительных разниц;

5. пропорционального деления;

6. интегральный;

7. логарифмирование

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

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

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

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

Расчеты проводятся по следующей схеме.

Схема факторного анализа способом цепной подстановки

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

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

Имеются следующие данные о работе предприятия за месяц.

Таблица 6.

Данные о работе предприятия в январе 2007 года.

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

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

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

Следовательно, факторная модель будет иметь вид:

ТП = ЧР х Д х Ч х В.

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

Расчет влияния факторов проведем в таблице.

Таблица 7.

Факторный анализ изменения объема выпуска товарной продукции

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

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

Продолжение примера 5.

Проведем факторный анализ изменения товарной продукции способом абсолютных разниц.

1. измеряем влияние численности рабочих:

(200- 250)х8х12,5=-100 000(грн)

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

3. влияние изменения длительности рабочего дня:

200х22х(7-8)х12,5 = - 55000 (грн)

4. влияние изменения среднечасовой выработки:

200 х22х7х(15,5 -12,5)= 92400 (грн).

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

Изменение результативного показателя определяется следующим образом:

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

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

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

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

1) за счет изменения численности рабочих:

500 000 х (-50:250)= - 100 000 (грн)

2) за счет изменения количества дней

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

3) за счет изменения продолжительности рабочего дня:

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

4) за счет изменения выработки:

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

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

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

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

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

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

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

Индекс товарной продукции имеет вид:

477,4: 500 = 0,955

Δpq = 477,4 – 500 = - 22,6 (тыс.грн)

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

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

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

Влияние изменения численности рабочих определяется на основе индекса численности:

=

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

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

Дисперсионный анализ есть совокупность статистических методов, предназначенных для проверки гипотез о связи между определенными признаками и исследуемыми факторами, которые не имеют количественного описания, а также для установления степени влияния факторов и их взаимодействия. В специальной литературе его часто называют ANOVA (от англоязычного названия Analysis of Variations). Впервые этот метод был разработан Р. Фишером в 1925 г.

Виды и критерии дисперсионного анализа

Этот метод используется для исследования связи между качественными (номинальными) признаками и количественной (непрерывной) переменной. По сути, он осуществляет тестирование гипотезы о равенстве средних арифметических нескольких выборок. Таким образом, его можно рассматривать как параметрический критерий для сравнения центров сразу нескольких выборок. Если использовать этот метод для двух выборок, то результаты дисперсионного анализа будут идентичны результатам t-критерия Стьюдента. Однако, в отличие от других критериев, это исследование позволяет изучить проблему более детально.

Дисперсионный анализ в статистике базируется на законе: сумма квадратов отклонений объединенной выборки равна сумме квадратов внутригрупповых отклонений и сумме квадратов межгрупповых отклонений. Для исследования используется критерий Фишера для установления значимости различия межгрупповых дисперсий от внутригрупповых. Однако для этого необходимыми предпосылками являются нормальность распределения и гомоскедастичность (равенство дисперсий) выборок. Различают одномерный (однофакторный) дисперсионный анализ и многомерный (многофакторный). Первый рассматривает зависимость исследуемой величины от одного признака, второй - сразу от многих, а также позволяет выявить связь между ними.

Факторы

Факторами называют контролируемые обстоятельства, что влияют на конечный результат. Его уровнем или способом обработки называют значение, которое характеризует конкретное проявление этого условия. Эти цифры обычно подают в номинальной или порядковой шкале измерений. Часто выходные значения измеряют в количественных или порядковых шкалах. Тогда возникает проблема группировки выходных данных в ряде наблюдений, что соответствуют примерно одинаковым числовым значениям. Если количество групп взять чрезмерно большим, то количество наблюдений в них может оказаться недостаточным для получения надежных результатов. Если брать число чрезмерно малым, это может привести к потере существенных особенностей влияния на систему. Конкретный способ группировки данных зависит от объема и характера варьирования значений. Количество и размеры интервалов при однофакторном анализе чаще всего определяют по принципу равных промежутков или по принципу равных частот.

Задачи дисперсионного анализа

Итак, существуют случаи, когда нужно сравнить две или больше выборок. Именно тогда и целесообразно применение дисперсионного анализа. Название метода указывает на то, что выводы делают на основе исследования составляющих дисперсии. Суть изучения состоит в том, что общее изменение показателя разбивают на составляющие части, которые соответствуют действию каждого отдельно взятого фактора. Рассмотрим ряд задач, которые решает типичный дисперсионный анализ.

Пример 1

В цехе есть ряд станков - автоматов, которые изготавливают определенную деталь. Размер каждой детали - это случайная величина, которая зависит от настройки каждого станка и случайных отклонений, возникающих в процессе изготовления деталей. Нужно по данным измерений размеров деталей определить, одинаково ли настроены станки.

Пример 2

Во время изготовления электрического аппарата используют различные типы изоляционной бумаги: конденсаторную, электротехническую и др. Аппарат можно пропитать различными веществами: эпоксидной смолой, лаком, смолой МЛ-2 и др. Утечки можно устранять под вакуумом при повышенном давлении, при нагреве. Пропитывать можно методом погружения в лак, под непрерывной струей лака и т. п. Электрический аппарат в целом заливают определенным компаундом, вариантов которого есть несколько. Показателями качества являются электрическая прочность изоляции, температура перегрева обмотки в рабочем режиме и ряд других. Во время отработки технологического процесса изготовления аппаратов надо определить, как влияет каждый из перечисленных факторов на показатели аппарата.

Пример 3

Троллейбусное депо обслуживает несколько троллейбусных маршрутов. На них работают троллейбусы различных типов, и оплату за проезд собирают 125 контролеров. Руководство депо интересует вопрос: как сравнить экономические показатели работы каждого контролера (выручку) учитывая различные маршруты, различные типы троллейбусов? Как определить экономическую целесообразность выпуска троллейбусов определенного типа на тот или другой маршрут? Как установить обоснованные требования к величине выручки, которую приносит кондуктор, на каждом маршруте в различных типах троллейбусов?

Задача по выбору метода состоит в том, как получить максимум информации относительно влияния на конечный результат каждого фактора, определить числовые характеристики такого влияния, их надежность при минимальных затратах и за максимально короткое время. Решить такие задачи позволяют методы дисперсионного анализа.

Однофакторный анализ

Исследование своей целью ставит оценку величины влияния конкретного случая на анализируемый отзыв. Другой задачей однофакторного анализа может быть сравнение двух или нескольких обстоятельств друг с другом с целью определения разницы их влияния на отзыв. Если нулевую гипотезу отвергают, то следующим этапом будет количественное оценивание и построение доверительных интервалов для полученных характеристик. В случае, когда нулевая гипотеза не может быть отброшенной, обычно ее принимают и делают вывод о сущности влияния.

Однофакторный дисперсионный анализ может стать непараметрическим аналогом рангового метода Краскела-Уоллиса. Он разработан американскими математиком Уильямом Краскелом и экономистом Вильсоном Уоллисом в 1952 г. Этот критерий назначен для проверки нулевой гипотезы о равенстве эффектов влияния на исследуемые выборки с неизвестными, но равными средними величинами. При этом количество выборок должно быть больше двух.

Критерий Джонкхиера (Джонкхиера-Терпстра) был предложен независимо друг от друга нидерландским математиком Т. Дж. Терпстром в 1952 г. и британским психологом Е. Р. Джонкхиером в 1954 г. Его применяют тогда, когда заранее известно, что имеющиеся группы результатов упорядочены по росту влияния исследуемого фактора, который измеряют в порядковой шкале.

М - критерий Бартлетта, предложенный британским статистиком Маурисом Стивенсоном Бартлеттом в 1937 г., применяют для проверки нулевой гипотезы о равенстве дисперсий нескольких нормальных генеральных совокупностей, с которых взяты исследуемые выборки, в общем случае имеющие различные объемы (число каждой выборки должно быть не меньше четырех).

G - критерий Кохрена, который открыл американец Вильям Геммел Кохрен в 1941 г. Его используют для проверки нулевой гипотезы о равенстве дисперсий нормальных генеральных совокупностей по независимым выборкам равного объема.

Непараметрический критерий Левене, предложенный американским математиком Ховардом Левене в 1960 г., является альтернативой критерия Бартлетта в условиях, когда нет уверенности в том, что исследуемые выборки подчиняются нормальному распределению.

В 1974 г. американские статистики Мортон Б. Браун и Алан Б. Форсайт предложили тест (критерий Брауна-Форсайта), который несколько отличается от критерия Левене.

Двухфакторный анализ

Двухфакторный дисперсионный анализ применяют для связанных нормально распределенных выборок. На практике часто используют и сложные таблицы этого метода, в частности те, в которых каждая ячейка содержит набор данных (повторные измерения), соответствующих фиксированным значениям уровней. Если предположения, необходимые для применения двухфакторного дисперсионного анализа, не выполняются, то используют непараметрический ранговый критерий Фридмана (Фридмана, Кендалла и Смита), разработанный американским экономистом Милтоном Фридманом в конце 1930 г. Этот критерий не зависит от типа распределения.

Предполагается только, что распределение величин является одинаковым и непрерывным, а сами они независимы одна от другой. При проверке нулевой гипотезы выходные данные подают в форме прямоугольной матрицы, в которой строки соответствуют уровням фактора В, а столбцы - уровням А. Каждая ячейка таблицы (блока) может быть результатом измерений параметров на одном объекте или на группе объектов при постоянных значениях уровней обоих факторов. В этом случае соответствующие данные подают как средние значения определенного параметра по всем измерениям или объектам исследуемой выборки. Для применения критерия выходных данных необходимо перейти от непосредственных результатов измерений к их рангу. Ранжирование осуществляют по каждой строке отдельно, то есть величины упорядочивают для каждого фиксированного значения.

Критерий Пейджа (L-критерий), предложенный американским статистиком Е. Б. Пейджем в 1963 г., предназначен для проверки нулевой гипотезы. Для больших выборок применяют аппроксимацию Пейджа. Они при условии реальности соответствующих нулевых гипотез подчиняются стандартному нормальному распределению. В случае, когда в строках исходной таблицы есть одинаковые значения, необходимо использовать средние ранги. При этом точность выводов будет тем хуже, чем больше будет количеств таких совпадений.

Q - критерий Кохрена, предложенный В. Кохреном в 1937 г. Его используют в случаях, когда группы однородных субъектов подвергаются воздействиям, количество которых превышает два и для которых возможны два варианта отзывов - условно-отрицательный (0) и условно-положительный (1). Нулевая гипотеза состоит из равенства эффектов влияния. Двухфакторный дисперсионный анализ дает возможность определить существование эффектов обработки, однако не дает возможности установить, для каких именно столбцов существует этот эффект. При решении данной проблемы применяют метод множественных уравнений Шеффе для связанных выборок.

Многофакторный анализ

Задача многофакторного дисперсионного анализа возникает тогда, когда нужно определить влияние двух или большего количества условий на определенную случайную величину. Исследование предусматривает наличие одной зависимой случайной величины, измеренной в шкале разницы или отношений, и нескольких независимых величин, каждая из которых выражена в шкале наименований или в ранговой. Дисперсионный анализ данных является достаточно развитым разделом математической статистики, который имеет массу вариантов. Концепция исследования общая как для однофакторного, так и для многофакторного. Сущность ее состоит в том, что общую дисперсию разбивают на составляющие, что соответствует определенной группировке данных. Каждой группировке данных соответствует своя модель. Здесь мы рассмотрим только основные положения, нужные для понимания и практического использования наиболее применяемых его вариантов.

Дисперсионный анализ факторов требует достаточно внимательного отношения к сбору и подаче входных данных, а особенно к интерпретации результатов. В отличие от однофакторного, результаты которого можно условно разместить в определенной последовательности, результаты двухфакторного требуют более сложного представления. Еще сложнее ситуация возникает, когда есть три, четыре или больше обстоятельств. Из-за этого в модель достаточно редко включают больше трех (четырех) условий. Примером может быть возникновение резонанса при определенной величине емкости и индуктивности электрического круга; проявление химической реакции при определенной совокупности элементов, из которых построена система; возникновение аномальных эффектов в сложных системах при определенном совпадении обстоятельств. Наличие взаимодействия может в корне изменить модель системы и иногда привести к переосмыслению природы явлений, с которыми имеет дело экспериментатор.

Многофакторный дисперсионный анализ с повторными опытами

Данные измерений достаточно часто можно группировать не по двум, а по большему количеству факторов. Так, если рассматривать дисперсионный анализ срока службы покрышек колес троллейбуса с учетом обстоятельств (завод-производитель и маршрут, на котором эксплуатируются покрышки), то можно выделить как отдельное условие сезон, во время которого эксплуатируются покрышки (а именно: зимняя и летняя эксплуатация). В результате будем иметь задачу трехфакторного метода.

При наличии большего количества условий подход такой же, как и в двухфакторном анализе. Во всех случаях модель пытаются упростить. Явление взаимодействия двух факторов проявляется не так часто, а тройное взаимодействие бывает только в исключительных случаях. Включают то взаимодействие, для которого есть предыдущая информация и серьезные основания, чтобы ее учесть в модели. Процесс выделения отдельных факторов и их учета относительно простой. Поэтому часто возникает желание выделить больше обстоятельств. Этим не следует увлекаться. Чем больше условий, тем менее надежной становится модель и тем больше вероятность ошибки. Сама модель, в которую входит большое количество независимых переменных, становится достаточно сложной для интерпретации и неудобной для практического использования.

Общая идея дисперсионного анализа

Дисперсионный анализ в статистике - это метод получения результатов наблюдений, зависимых от различных одновременно действующих обстоятельств, и оценки их влияния. Управляемую переменную величину, которая соответствует способу воздействия на объект исследования и в некоторый период времени приобретает определенное значение, называют фактором. Они могут быть качественными и количественными. Уровни количественных условий приобретают определенное значение на числовой шкале. Примерами являются температура, давление прессования, количество вещества. Качественные факторы - это разные вещества, разные технологические способы, аппараты, наполнители. Их уровням соответствует шкала наименований.

К качественным можно отнести также вид упаковочного материала, условия хранения лекарственной формы. Сюда же рационально отнести степень измельчения сырья, фракционный состав гранул, имеющих количественное значение, однако плохо поддающихся регулированию, если использовать количественную шкалу. Число качественных факторов зависит от вида лекарственной формы, а также физических и технологических свойств лекарственных веществ. Например, из кристаллических веществ можно получать таблетки прямым прессованием. В этом случае достаточно провести выбор скользящих и смазывающих веществ.

Примеры качественных факторов для различных видов лекарственных форм

• Настойки. Состав экстрагента, тип экстрактора, способ подготовки сырья, способ получения, способ фильтрации.
• Экстракты (жидкие, густые, сухие). Состав экстрагента, способ экстракции, тип установки, способ удаления экстрагента и балластных веществ.
• Таблетки. Состав вспомогательных веществ, наполнители, разрыхлители, связующие, смазывающие и скользящие вещества. Способ получения таблеток, вид технологического оборудования. Вид оболочки и ее компонентов, пленкообразователи, пигменты, красители, пластификаторы, растворители.
• Инъекционные растворы. Вид растворителя, способ фильтрации, природа стабилизаторов и консервантов, условия стерилизации, способ заполнения ампул.
• Суппозитории. Состав суппозиторной основы, способ получения суппозиториев, наполнителей, упаковки.
• Мази. Состав основы, структурные компоненты, способ приготовления мази, вид оборудования, упаковка.
• Капсулы. Вид оболочечного материала, способ получения капсул, тип пластификатора, консерванта, красителя.
• Линименты. Способ получения, состав, тип оборудования, тип эмульгатора.
• Суспензии. Вид растворителя, вид стабилизатора, метод диспергирования.

Примеры качественных факторов и их уровней, изучаемых в процессе изготовления таблеток

• Разрыхлитель. Крахмал картофельный, глина белая, смесь натрия гидрокарбоната с кислотой лимонной, магния карбонат основной.
• Связывающий раствор. Вода, крахмальный клейстер, сахарный сироп, раствор метилцеллюлозы, раствор оксипропилметилцеллюлозы, раствор поливинилпирролидона, раствор поливинилового спирта.
• Скользящая вещество. Аэросил, крахмал, тальк.
• Наполнитель. Сахар, глюкоза, лактоза, натрия хлорид, фосфат кальция.
• Смазывающее вещество. Стеариновая кислота, полиэтиленгликоль, парафин.

Модели дисперсионного анализа в исследовании уровня конкурентоспособности государства

Одним из важнейших критериев оценки состояния государства, по которым проводится оценка уровня его благосостояния и социально-экономического развития, является конкурентоспособность, то есть совокупность свойств, присущих национальной экономике, которые определяют способность государства конкурировать с другими странами. Определив место и роль государства на мировом рынке, можно установить четкую стратегию обеспечения экономической безопасности в международных масштабах, ведь она является залогом положительных взаимоотношений России со всеми игроками мирового рынка: инвесторами, кредиторами, правительствами государств.

Для сравнения уровня конкурентоспособности государств проводится ранжирование стран с помощью комплексных индексов, которые включают различные взвешенные показатели. В основу этих индексов заложены ключевые факторы, влияющие на экономическое, политическое и т. п. положение. Комплекс моделей исследования конкурентоспособности государства предусматривает использование методов многомерного статистического анализа (в частности, это дисперсионный анализ (статистика), эконометрическое моделирование, принятие решений) и включает следующие основные этапы:

1. Формирование системы показателей-индикаторов.
2. Оценку и прогнозирование индикаторов конкурентоспособности государства.
3. Сравнение показателей-индикаторов конкурентоспособности государств.

А теперь рассмотрим содержание моделей каждого из этапов данного комплекса.

На первом этапе с помощью методов экспертного изучения формируется обоснованный комплекс экономических показателей-индикаторов оценки конкурентоспособности государства с учетом специфики ее развития на основе международных рейтингов и данных статистических отделов, отражающих состояние системы в целом и ее процессов. Выбор этих показателей обоснован необходимостью отобрать те из них, которые наиболее полно с точки зрения практики позволяют определить уровень государства, его инвестиционную привлекательность и возможности относительной локализации существующих потенциальных и реально действующих угроз.

Основные показатели-индикаторы международных рейтинг-систем - это индексы:

1. Глобальной конкурентоспособности (ИГК).
2. Экономической свободы (ИЭС).
3. Развития человеческого потенциала (ИРЧП).
4. Восприятия коррупции (ИВК).
5. Внутренних и внешних угроз (ИВЗЗ).
6. Потенциала международного влияния (ИПМВ).

Второй этап предусматривает оценку и прогнозирование индикаторов конкурентоспособности государства по международным рейтингам для исследуемых 139 государств мира.

Третий этап предусматривает сравнение условий конкурентоспособности государств при помощи методов корреляционно-регрессионного анализа.

Используя результаты исследования можно определить характер протекания процессов в целом и по отдельным составляющим конкурентоспособности государства; проверить гипотезу о влиянии факторов и их взаимосвязи при соответствующем уровне значимости.

Реализация предложенного комплекса моделей позволит не только оценить сложившуюся ситуацию уровня конкурентоспособности и инвестиционной привлекательности государств, но и проанализировать недостатки управления, предупредить ошибки неправильных решений, не допустить развития кризиса в государстве.

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.