Методы исследования в менеджменте (стр. 1 )

МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙ ФЕДЕРАЦИИ

ФГБОУ ВПО «КУБАНСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ»

МЕТОДЫ ИССЛЕДОВАНИЯ В

МЕНЕДЖМЕНТЕ

Методические указания для практических занятий и

самостоятельной работы студентов

для направления 080200.68

Государственное и муниципальное управление

Краснодар

2013

УДК

ББК

Л7

Л74 Методы исследования в менеджменте: методические указания для практических занятий и самостоятельной работы студентов для направления 080200.68 «Государственное и муниципальное управление» / – Краснодар, 2012. – 23с.

Издание содержит перечень заданий для практических занятий и задания для самостоятельной работы студентов по основным темам курса дисциплины «Методы исследования в менеджменте».

УДК

ББК

© , 2012

© ФГБОУ ВПО «Кубанский

государственный аграрный

университет», 2012

Тема - Понятие и особенности прикладного научного исследования

Задание для самостоятельной работы:

Рассмотреть формы организации научного знания и составить терминологический словарь в форме таблицы:

научный факт, положение, понятие, категория, принцип, закон, теория, метатеория, идея, доктрина, парадигма, проблема, гипотеза.

Темы рефератов

1. Понятие науки и особенности научной работы.

2. Статус прикладного исследования в современной науке.

3. Структура прикладного исследования.

Тема - Математико-статистические методы изучения связей

Исследуя природу, общество, экономику, необходимо считаться со взаимосвязью наблюдаемых процессов и явлений.

Формы проявления взаимосвязей весьма разнообразны. В качестве двух самых общих их видов выделяют функциональную (полную) и корреляционную (неполную) связи. В первом случае величине факторного признака строго соответствует одно или несколько значений функции. В экономике примером может служить прямо пропорциональная зависимость между производительностью труда и увеличением производства продукции.

Корреляционная связь (которую также называют неполной, или статистической) проявляется в среднем, для массовых наблюдений, когда заданным значениям зависимой переменной соответствует некоторый ряд вероятных значений независимой переменной.

В наиболее общем виде задача в области изучения взаимосвязей состоит в количественной оценке их наличия и направления, а также характеристике силы и формы влияния одних факторов на другие. Для ее решения применяются две группы методов, одна из которых включает в себя методы корреляционного анализа, а другая – регрессионный анализ. В то же время ряд исследователей объединяет эти методы в корреляционно-регрессионный анализ, что имеет под собой некоторые основания: наличие целого ряда общих вычислительных процедур, взаимодополнения при интерпретации результатов и др.

Задачи собственно корреляционного анализа сводятся к измерению тесноты связи между варьирующими признаками, определению неизвестных причинных связей и оценке факторов оказывающих наибольшее влияние на результативный признак.

Задачи регрессионного анализа лежат в сфере установления формы зависимости, определения функции регрессии, использования уравнения для оценки неизвестных значении зависимой переменной.

Задание. Крупная компания занимается торговлей автомобильными запчастями и принадлежностями. Руководство компании намерено разработать модель оценки годового объема продаж для каждого региона страны. Поскольку, если можно будет прогнозировать региональный объем продаж, то это возможно будет сделать и для совокупных продаж. Кроме того, хорошая модель позволит составить региональный каталог потребителей, что позволит более точно делать заказы поставщикам фирмы. Менеджер по сбыту предложил использовать две переменные: 1) текущее количество розничных продаж в каждом регионе и 2) количество зарегистрированных автомобилей по состоянию на 30 апреля 20ХХ г. Получены следующие данные:

Таблица 1 – Данные для регрессионного анализа

Регион	Объем продаж за год, млн. долл. Y	Количество розничных продаж на рынке сбыта, X1	Количество зарегистрированных автомобилей, млн. ед. Х2
1	52,5	1780,0	21,5
2	24,6	2470,0	20,2
3	18,5	450,0	6,1
4	15,6	440,0	11,5
5	32,2	1650,0	9,2
6	45,0	2102,0	10,6
7	33,0	2305,0	18,9
8	3,6	121,0	4,3
9	34,7	1801,0	9,1
10	24,6	1130,0	5,6
11	40,0	1650,0	8,7

Решение. Прогнозное уравнение составлено с помощью инструмента программы Microsoft Office Excel «Пакет анализа». Программа представляет решение в форме таблицы – 2.

Уравнение регрессии имеет вид:

Y=10,968+0,012Х1+0,043Х2

Y-объем продаж в год, млн. долл.

Х1 – количество розничных продаж в регионе,

Х2 – количество автомобилей, зарегистрированных в каждом регионе.

b1 – увеличение количества розничных продаж на 1 ед. при сохранении на прежнем уровне число зарегистрированных автомобилей может привести к увеличению годового уровня продаж на 12 тыс. долл.,

b2 – увеличение количества зарегистрированных автомобилей в регионе на 1 млн. ед. при сохранении на прежнем уровне количества розничных продаж может привести к увеличению годового уровня продаж на 43 тыс. долл.

Тестирование модели включает в себя два аспекта:

1) тестирование регрессии в целом,

2) тестирование отдельных параметров регрессии.

Тестирование регрессии в целом включает следующие оценки:

1) Множественный R – множественный коэффициент корреляции рассчитывается при наличии линейной связи между результативным признаком и факторными признаками. Чем ближе его значение к 1, тем интенсивнее корреляционная связь и тем меньше наблюдаемые значения изучаемого показателя отклоняются от линии множественной регрессии. В данном случае Множественный R= 0,73, связь квалифицируется как средняя.

2) Совокупный коэффициент множественной детерминации R2 показывает, какая часть общего изменения годового объема продаж определяется изменением выше обозначенных факторов вместе взятых по данному уравнению регрессии. В данном случае 52,6% изменения продаж объясняется влиянием факторов.

3) Нормированный R2 определяет чувствительность коэффициент множественной детерминации R2 к количеству наблюдений, входящих в регрессию. Должно быть пространство для изменения зависимой переменной (годового объема продаж), т. е. число наблюдений должно быть больше числа введенных переменных в 3-4 раза. Данный аспект связан с понятием «степени свободы» df . df=n-k-1, n – показывает количество наблюдений, k - количество независимых переменных. В нашем случае df=11-2-1=8

В распечатке такое же значение. Приемлемым считается, когда нормированный R2 ≥ 0,75.

4) F-тестирование на полную статистическую значимость с помощью критерия Фишера (F). Фактический уровень (Fфакт) сравнивается с теоретическим (табличным) значением

В компьютерной распечатке представлено расчетное значение F, его необходимо сопоставить с критическим значением F по таблице. Критическое значение F-критерия – это верхний предел значений F, которые возможны в случае выполнения т. н. нулевой гипотезы, по которой все истинные регрессионные параметры равны нулю, а значит, нет связи между зависимой переменной и независимыми.

Таблица – это матрица критических значений F с уровнем значимости 0,05 и 0,01, что соответствует уровням доверия 95 и 99% соответственно (мы установили 95%). Для того чтобы воспользоваться таблицей необходимо знать число степеней свободы в числителе (k) и в знаменателе (n-k-1). В нашем случае k=2, n-k-1=8, уровень значимости 0,05, значит критическое значение F по таблице равно 4,46 (рисунок 1). Это значит, что если нулевая гипотеза выполняется, то вероятность превышения F=4,46 составляет 5%. Иначе говоря, если расчетное значение F превышает 4,46, то мы на 95% можем быть уверены, что коэффициенты регрессии не равны нулю. В нашем случае расчетное значение F=4,44. Расчетное значение F-критерия ведется по формуле:

F=4,44 означает, что объяснимая (факторная) дисперсия в 4,44 раза больше чем необъяснимая (остаточная).

Если Fфакт > Fтеор, уравнение адекватно отражает сложившуюся в исследуемом ряду динамики тенденцию.

В данном случае расчетное значение F-критерия меньше критического значения, таким образом, построенная регрессионная модель статистически незначима.

5) Средняя стандартная ошибка – еще один способ статистического тестирования уравнения регрессии. Она определяет разброс случайных наблюдаемых значений Y относительно оцененных значений Y по уравнению регрессии:

В данном случае разброс случайных наблюдаемых значений от теоретической линии регрессии объема продаж составляет 10,8 млн. руб.

В условии задачи просят определить, сколько погрешностей входи в прогноз для 1-го и 3-го регионов.

Прогноз для 1-го региона:

Y1=10,968+0,012×1780+0,043×21,5=33,25 млн. долл.

Расхождение составляет 52,5-33,25=19,25, т. е. в прогноз входит 19,25/10,8=1,78 погрешностей.

Прогноз для 3-го региона:

Y1=10,968+0,012×450+0,043×6,1=16,63 млн. долл.

Расхождение составляет 18,5-16,63=1,87, т. е. в прогноз входит 1,87/10,8=0,17 погрешностей.

Тестирование отдельных параметров регрессии включает следующие оценки:

1) t-статистика или t-соотношение:

Если стандартная ошибка мала по сравнению с оцениваемым параметром, то это значит, что параметр близок к истинному значению.

t-соотношение показывает сколько стандартных ошибок содержится в коэффициенте регрессии. В нашем примере:

в параметре а – 1,4 погрешности,

в параметре b1 – 2,1 погрешность,

в параметре b2 – 0,06 погрешностей.

2) оценка статистической значимости отдельных переменных в регрессионной модели.

Расчетное t-соотношение сравнивают с критическим t-соотношение в таблице. Критическое t-соотношение определяется исходя из выбранного уровня значимости (в нашем случае это 0,05) и соответствующего числа степеней свободы (8 в нашем случае). Если расчетное t-соотношение больше критического, то гипотеза о том, что bi=0 отвергается, а переменная Xi статистически значима на уровне ɑ (т. е. выбранного уровня значимости).

Находим критическое t-соотношение:

на уровне значимости ɑ =0,05,

ɑ/2=0,025,

df=8,

критическое t-соотношение=2,306 (рисунок 2).

Поскольку расчетное t-соотношение для переменной Х1 равно 2,146, а для переменной Х2 равно 0,056, т. е меньше критического, обе переменные являются статистически незначимыми.

3) доверительные интервалы для коэффициентов регрессии выведены в распечатке.

Доверительный интервал определяется по формуле:

bi±tɑ/2×Sbi

Поскольку мы задали уровень надежности 95%, то для b1=0,012 95%-й доверительный интервал составляет:

b1=0,012±2,306×0,0058, т. е. от -0,00093 до 0,0259 (в распечатке),

b2=0,043±2,306×0,7682, т. е. от -1,7287 до 1,8144 (в распечатке).

Менеджер по сбыту не удовлетворен результатами регрессии, построенная модель не имеет прогнозной силы. Он предлагает включить в неё флуктуации региональных экономических условий. Для их учета предлагается ввести новую переменную – личный годовой доход для региона, получена следующая информация.

Таблица 3 - Введение новой переменной

Регион	Объем продаж за год, млн. долл. Y	Количество розничных продаж на рынке сбыта, X1	Количество зарегистрированных автомобилей, млн. ед. Х2	Личный доход, млрд. долл. Х3
1	52,5	1780,0	21,5	97,2
2	24,6	2470,0	20,2	32,5
3	18,5	450,0	6,1	34,6
4	15,6	440,0	11,5	30,2
5	32,2	1650,0	9,2	65,3
6	45,0	2102,0	10,6	92,7
7	33,0	2305,0	18,9	62,1
8	3,6	121,0	4,3	18,6
9	34,7	1801,0	9,1	65,2
10	24,6	1130,0	5,6	60,5
11	40,0	1650,0	8,7	82,0

Задание для самостоятельной работы: оцените новую модель прогноза продаж с учетом введенной переменной.