商务统计_14 统计指数
目 录
- 概念及计算
拉氏 & 帕氏指数 - 指数体系 & 因素分析
概念与计算
以变量在某个基期的值为标准,该变量相对于基期值的比值的大小。
指 数 = 变 量 值 基 期 值 ∗ 100 % 指数=\frac{变量值}{基期值}*100\% 指数=基期值变量值∗100%
指数的作用
1.综合反映复杂经济现象的变化方向及程度。
2.分析经济现象总变动中,各因素对总变动的影响方向和程度。
3.反映现象的长期变动趋势。将不同时期的某种指数排列起来所形成的指数数列,可以用来说明现象综合变动的趋势。个体指数
总体中个体现象的数量对比关系。总体指数
比如要研究一家超市里所有商品的报告期销量较基期销量的变化,由于各种商品的价值不同、计量单位不同,他们的销量不能直接加总。这种总体称为复杂经济社会现象。- 复杂经济社会现象
由各种不能直接相加的要素构成。 - 同度量因素
能使复杂经济现象中各要素相加的媒介。如超市中的商品的销量不能直接相加,但可以通过乘以价格转化为销售额后再相加,这里的价格就是同度量因素。
设报告期价格为p1、销量为q1,基期价格为p0,销量为q0。
拉氏指数(拉斯佩雷斯)
为了分析销量这一变量,需假定价格不变。=将同度量因素固定在基期上:
销量指数 I = ∑ q 1 p 0 ∑ q 0 p 0 I=\frac{\sum{q_1p_0}}{\sum{q_0p_0}} I=∑q0p0∑q1p0.
由于销量增长而增加的销售额 ∑ q 1 p 0 − ∑ q 0 p 0 \sum{q_1p_0}-\sum{q_0p_0} ∑q1p0−∑q0p0.帕氏指数(帕舍)
为了分析价格这一变量,需假定销量不变。=将同度量因素固定在报告期上:
销量指数 I = ∑ q 1 p 1 ∑ q 1 p 0 I=\frac{\sum{q_1p_1}}{\sum{q_1p_0}} I=∑q1p0∑q1p1.
由于销量增长而增加的销售额 ∑ q 1 p 1 − ∑ q 1 p 0 \sum{q_1p_1}-\sum{q_1p_0} ∑q1p1−∑q1p0.
- 复杂经济社会现象
销量指数属于“数量指标指数”,数量指标反映总规模、总水平。
价格指数属于“质量指标指数”,质量指标反映相对水平、平均水平。
实际应用中,数量指标指数的计算多用拉氏指数公式;质量指标指数的计算多用帕氏指数公式。
- 动态指数 & 静态指数
- 动态指数
时间指数,同类现象在不同的两个时间上的数量之比。反映现象随时间变化的方向和程度。
据基期分为环比指数的定基指数。 - 静态指数
1.空间指数
同一时间不同空间的同类现象的数量对比。反映同类现象在不同空间(或区域)的差异程度。
2.计划完成程度指数
计划完成的实际数与计划数的数量对比。反映计划完成情况。
- 动态指数
eg.已知三种商品的基期和报告期的销量和价格。求三种商品的销量指数和价格指数。
1.销量指数
=> 报告期与基期相比,三种商品的销量平均增长了12.42%.
2.价格指数
=> 报告期与基期相比,三种商品的价格平均上涨了3.1%。
指数体系 & 因素分析
- 指数体系
使用指数描述复杂现象中事物之间的关系。表现为总变动指数与各因素之间的数量关系。
如 | 对应 |
---|---|
商品销售额=产品产量*商品单价 | 商品销售额指数=商品销量指数*商品单价指数 |
产品总成本=产品产量*单位成本 | 产品总成本指数=产量指数*单位成本指数 |
原材料消耗总额=产量*单耗量*原材料价格 | 原材料消耗总额指数=产量指数*单耗量指数*原材料价格指数 |
因素分析法
- 两因素分析
>>> '销售额指数' >>> q1p1 = 250 * 150 + 255 * 65 + 22 * 4200 >>> q0p0 = 200 * 150 + 250 * 60 + 20 * 4000 >>> q1p1/q0p0 1.1718 >>> q1p1 - q0p0 21475>>> '销量指数' >>> q1p0 = (250 * 150 + 255 * 60 + 22 * 4000) >>> q0p0 = 200 * 150 + 250 * 60 + 20 * 4000 >>> q1p0/q0p0 1.1264 >>> q1p0 - q0p0 15800>>> '价格指数' >>> p1q1 = 150 * 250 + 65 * 255 + 4200 * 22 >>> p0q1 = 150 * 250 + 60 * 255 + 4000 * 22 >>> p1q1/p0q1 1.0403053977272727 >>> p1q1 - p0q1 5675>>> '销售额指数' = '销量指数' */+ '价格指数' >>> q1p0/q0p0 * p1q1/p0q1 1.1718 >>> (q1p0 - q0p0) + (p1q1 - p0q1) 21475# 综上,三种商品的销售总额增长了17.18%,增长额为21475元。其中三种商品的销量平均增长12.64%,使得销售额增长12.64%,贡献15800元;三种商品的销售价格平均增长4.03%,使得销售总额增长4.03%,贡献5675元。
多因素分析
- 控制变量法:如需研究某一变量,需假设其它变量不变;
- 一般将数量指标固定在报告期,将质量指标固定在基期。但数量指标与质量指标的划分不是绝对的,需据各指标之间的关系来判断;
eg.2 分析工厂的总产值。
>>> '产值总量指数'
>>> n1q1p1 = 50*7000*1.2 + 120*1250*1 + 125*2000*0.5
>>> n0q0p0 = 50*5000*1 + 100*1500*0.8 + 100*3000*0.6
>>> n1q1p1 / n0q0p0
1.2636363636363637
>>> n1q1p1 - n0q0p0
145000.0>>> '职工人数指数'
>>> n1q0p0 = 50*5000*1 + 120*1500*0.8 + 125*3000*0.6
>>> n0q0p0 = 50*5000*1 + 100*1500*0.8 + 100*3000*0.6
>>> n1q0p0 / n0q0p0
1.1254545454545455
>>> n1q0p0 - n0q0p0
69000.0>>> '人均产量指数'
'人均产量指数'
>>> q1n1p0 = 7000*50*1 + 1250*120*0.8 + 2000*125*0.6
>>> q0n1p0 = 5000*50*1 + 1500*120*0.8 + 3000*125*0.6
>>> q1n1p0 / q0n1p0
1.001615508885299
>>> q1n1p0 - q0n1p0
1000.0>>> '出厂价格'
'出厂价格'
>>> p1n1q1 = 1.2*7000*50 + 1*1250*120 + 0.5*2000*125
>>> p0n1q1 = 1*7000*50 + 0.8*1250*120 + 0.6*2000*125
>>> p1n1q1 / p0n1q1
1.1209677419354838
>>> p1n1q1 - p0n1q1
75000.0>>> 'Check'
>>> (n1q0p0 / n0q0p0) * (q1n1p0 / q0n1p0) * (p1n1q1 / p0n1q1)
1.2636363636363637
>>> n1q0p0 - n0q0p0 + (q1n1p0 - q0n1p0) + p1n1q1 - p0n1q1
145000.0
eg.1 已知两分厂的劳动生产率资料,分析企业的总平均劳动生产率的变动因素。
结论:企业总平均劳动生产率提升了13.23%,其中两分厂的劳动生产率平均提升15%,工人人数的结构变动使得企业的总平均劳动生产率下降了1.54%。从绝对数来看,由于两个工厂的劳动生产率的提升使企业人均产值增加8.4千元,工人结构变动使企业人均产值降低0.88千元,最终企业人均产值增加了7.53千元。
补:劳动生产率指数是固定构成指数;工人人数指数是结构影响指数。
附1.统计指数
商务统计_14 统计指数相关推荐
- 商务统计_7 用图表演示数据 - 定量数据
目录 定量数据 时间序列图(推移图) 时间(或发生次序)为横轴,变量为纵轴.反映变量随时间变化的趋势. 面积图(区域图) 强调数量的变化程度,反映总值趋势. 散点图 横纵坐标分别代表两个变量的取值.用 ...
- python 博弈论 社会网络_【 统计应用 】 社会网络分析SNA报告-学习
因对社会计算和舆情感兴趣,决定从SNA报告开始学习. 一个舆情事件通常有六要素:who,when,where,why,how,result.根据第三方的统计结果,平均一个热点持续时间为15天,且平均一 ...
- 统计|两个总体方差比的区间估计(用公式计算)
本博文源于<商务统计>,主要研究两个总体方差比的区间估计的计算,如何更好的套用公式. 实验起源及引例 现有两套A.B卷子,由一群20名同学去做测试,观察A.B卷的难易程度.每个同学测得两份 ...
- 统计|如何理解估计量的三条评价标准
本博文源于<商务统计>,主要探究理解估计量的三条评价标准,为后面的假设检验学习作出相应的铺垫. 估计量起源 我们一般会用样本的一些特性去描述总体的一些特性,以达到最好的估计.样本去估计整体 ...
- 统计|如何理解多元线性回归的F检验的作用与目的
本博文源于<商务统计>,旨在讲述如何理解多元线性回归中的F检验. 问题起源 我们通过统计软件计算多元线性回归的参数,计算测得后,如何更好的描述你拥有回归参数对y的影响呢?换句话说,如果某一 ...
- 统计|如何理解线性回归分析中残差检验的基本步骤
本博文源于<商务统计>,旨在讲述如何对线性回归分析中已经拟合好的直线做残差分析.当谈起残差,必须了解残差是y的实际值和预测值之差. 线性回归模型的残差检验假定条件 线性假定:X与Y之间的关 ...
- 上海财经应用统计考python_2020上财应用统计432考研高分经验贴
一.个人情况 本科双非院校统计学专业,专业课初试前20.复试前3,总成绩前10录取至第一志愿数据科学与商务统计方向.上财复试不问本科背景,信息公开透明,对双非很友好(全匿名双盲),这一点坊间广为流传, ...
- 统计|如何理解和进行两个总体方差的假设检验
本博文源于<商务统计>,旨在研究两个总体方差的假设检验问题. 例子:现有工厂两台机器,测得加工零件直径,标准规格10mm,现需要判断两台机器加工精度是否存在差异 实验分析 一台机器的零件的 ...
- 统计|如何理解假设检验中单侧检验与双侧检验
本博文源于<商务统计>.旨在讲述单侧检验与双侧检验的理解.假设检验的本质是根据小概率原理.小概率的事件不应该发生的事情竟然发生了,所以里面有猫腻.如何理解这两种呢?就需要借助一个例子. 双 ...
最新文章
- 睿熙科技完成Pre-A融资,用于VCSEL芯片量产
- 提升 DevOps 效率,试试 ChatOps 吧!
- Python编程基础:第三节 字符串方法String Methods
- 多个Activity与Fragment之间的数据传递
- C语言 记录程序运行时间(以秒为单位)
- PWN-PRACTICE-CTFSHOW-3
- 全面IT资源监控 构建新一代数字化校园——天津大学
- 在三层交换上配置ciscoVTP实验
- 华三服务器bios中查看硬盘,H3C服务器升级BIOS
- 深度Linux操作系统使用体验
- 前端,html,css,js,vue
- MYSQL之数据库高级SQL语句详细操作步骤详情介绍
- PS制作搞笑印章 - 仿真印章 - 水印滤色
- Dynamic Scoping (动态范围)
- redit mysql_如何搭建自己的网站?
- 电容的工作原理、分类选择与应用
- 今日行业报告更新10月25日
- JavaWeb7.2【HTML标签:文件标签、文本标签】
- deepin安装卡死在蓝色背景_win10系统中登陆时的背景蓝色背景要怎么改
- vue2项目中封装echarts地图的比较优雅的方式
热门文章
- 深度学习机器臂控制_基于深度强化学习的机器人手臂控制
- xcode 打包framework时去除某些架构
- SCA、CSA、SOA比较
- nginix配置某个域名跳转到另一个域名
- [前端踩坑]引入组件报错Already included file name ‘XXX‘ differs from file name ‘XXX‘ only in casing.
- 基于matlab的绿色番茄识别定位方法
- PHP封装curd,ThinkPHP5.0的模型CURD创建Create操作
- 携程App网络服务通道治理和性能优化
- [创业之路-64]:股权激励的十种形式
- webupload 上传图片后图片被压缩解决方法