Statistické seskupení: základní pojmy, fáze, seskupování materiálů, úkoly

V metodě statistického seskupení je soubor studovaných jevů rozdělen do tříd a podtříd, které mají jednotnou strukturu podle určitých charakteristik. Každé takové oddělení je popsáno systémem statistických ukazatelů. Seskupená data lze reprezentovat v tabulkách.

Tato akce je hlavní metodou používanou při skutečném studiu sociálních jevů. Vzniká jako předpoklad pro použití různých seskupení statistik, postupů a analytických metod. Například klasifikace nezbytné pro použít jakékoli zobecňující indexy, například průměry.

Příspěvek K.A. Lenina

V předrevolučních ruských statistikách, zejména v různých zemích (to jsou orgány místní samosprávy), významné zkušenosti byly získány seskupením různých druhů organizací. A také v této době došlo k značné práci na vývoji nejen tabulek s klasifikací podle jedné charakteristiky, ale také složitějších schémat. V nich jsou všechna data seskupena do dvou nebo více parametrů. Teoretické otázky týkající se použití metod statistického seskupení však neobdržely vědecké zdůvodnění. Tento stav byl zachován až do práce v.A. Lenina. Měl vysoký názor na kognitivní hodnotu a praktický význam klasifikace. Ve vztahu k tabulkám založeným na vlastnostech statistického seskupení ve více než jedné charakteristice Lenin napsal: "lze bez nadsázky říci, že způsobí revoluci ve vědě a samozřejmě v zemědělské ekonomice".

Zásadní význam mají doporučení Vladimíra Iljiče o potřebě předběžné politicko-ekonomické analýzy povahy vzorců a stanovení typů jevů před zahájením experimentů s klasifikací výchozích dat.

Fáze statistických seskupení

Systematizace se používá nejen při analýze struktury populace, ale také při určování typů jevů a při studiu vztahů mezi různými charakteristikami nebo faktory. Příklady skupin, které vyjadřují strukturu populace, jsou klasifikace lidí podle věku (v intervalech jednoho roku nebo častěji pěti let) a podniků podle velikosti.

Kombinací tříd nebo stanovením nerovnoměrných intervalů je možné stanovit kvalitativní rozdíly mezi jednotlivými systémy a poté identifikovat technicko-ekonomické nebo socioekonomické typy příslušných subjektů (například podniků nebo farem). Seskupení populace země podle věku lze tedy provádět na základě, kromě jednoduchých chronologických objektů, takových zvláštních rozdělení, jako jsou ženy ve věku 16 až 54 let a muži ve věku 16 až 59 let. Použití těchto zvláštních tříd umožňuje vypočítat národní ekonomický index známý jako pracovní zdroje země. Hranice intervalů jsou poněkud libovolné a mohou se v různých státech lišit.

Úkol

Podrobná kvantitativní klasifikace podniků a firem umožňuje přechod k identifikaci několika hlavních kvalitativních skupin, jako jsou malé, střední a velké organizace. Poté lze vyjasnit řadu obecných ekonomických problémů, například proces koncentrace výroby, zvýšení efektivity průmyslu a zvýšení efektivity práce. Nová data Vladimíra Iljiče Lenina o zákonech upravujících rozvoj kapitalismu v zemědělství představují skvělý příklad hluboké analýzy, která využívá seskupení k prokázání složité povahy vzorců. A také vztah mezi velikostí podniku a jeho plnou produktivitou.

Nejdůležitějším a nejobtížnějším úkolem statistických seskupení je identifikovat a podrobně popsat typy socioekonomické jevy. Takové subjekty představují vyjádření forem konkrétního sociálního procesu nebo základních charakteristik. Jsou to ty, které jsou společné mnoha jednotlivým jevům. Ve své analýze stratifikace rolnictva použil Vladimir Ilyich Lenin seskupení důkladně a komplexně. Nejprve odhalil proces formování hlavní sociální třídy v předrevolučním Rusku, v západoevropské vesnici a v zemědělství USA.

A jak se ukázalo, sovětská data mají značné zkušenosti s typologickými a statistickými seskupeními. Například rovnováha národního hospodářství SSSR předpokládá složitý a rozsáhlý klasifikační systém. Mezi další příklady typologického statistického seskupení v sovětském prostoru patří systematizace populace podle sociálních tříd. A také sdružování hlavních výrobních fondů podle socioekonomických typů průmyslových jednotek. A můžete také uvést příklad, jako je statistické seskupení kolektivu veřejnosti produktu.

Buržoazní klasifikace nevyužívá systematizaci dostatečně. Když se použije seskupení, je z velké části nesprávné a nepřispívá k charakterizaci skutečného stavu věcí v kapitalistických zemích. Například kategorizace zemědělských podniků podle rozlohy půdy zveličuje postavení malé produkce v daném kanálu. A seskupení populace podle povolání neodhaluje skutečnou třídní strukturu buržoazní společnosti.

Socioekonomické charakteristiky socialistického státu poskytují nové aplikace pro statistické seskupení. Klasifikace se používá k analýze provádění národních ekonomických plánů, k určení příčin nevyřízených podniků a sektorů. A také identifikace nevyužitých zdrojů. Například podniky mohou být seskupeny podle stupně provádění plánu nebo úrovně ziskovosti. Seskupení podniků má velký význam pro charakterizaci zavádění vědeckého a technologického pokroku v průmyslu, podle takových technických a ekonomických údajů, jako je stupeň automatizace a mechanizace a množství elektřiny dostupné pro práci.

Seskupená data jsou informace vytvořené kombinací jednotlivých seskupení statistického pozorování o přítomnosti proměnné do samostatných tříd, takže frekvenční distribuce těchto systémů slouží jako vhodný prostředek pro zobecnění a analýzu všech materiálů.

Informace

Data lze definovat jako skupiny s materiálem, které představují kvalitativní nebo kvantitativní atributy proměnné nebo sady nestálých. To je podobné tvrzení, že třídy mohou být jakoukoli sadou informací, které popisují entitu. Systémy v seskupení statistických údajů lze klasifikovat do seskupených a ne seskupených objektů.

Jakékoli informace, které osoba shromáždí jako první, jsou nezařazené. Ne seskupená statistická seskupení jsou data, ale pouze nezpracovaná. Příkladem takových systémů je jakýkoli seznam čísel, na který lze myslet.

První typ klasifikace

Seskupená data jsou informace, které byly uspořádány do skupin známých jako třídy. Tento typ již byl klasifikován, a tak byla provedena určitá úroveň analýzy. To znamená, že všechny informace již nejsou nezpracované.

Datová třída je skupina, která souvisí s určitou uživatelskou vlastností. Například pokud vedoucí podniku shromáždil lidi, kteří přijímá práci v určitém roce by je mohl seskupit do systémů podle věku: dvacet, třicet, čtyřicet let atd. A každá z těchto skupin se nazývá třída.

To zase není poslední rozdělení. Každá z těchto tříd má určitou šířku a nazývá se interval nebo velikost. Tento pojem při konstrukci histogramů a frekvenčních diagramů je velmi důležité. Všechny třídy mohou mít stejnou nebo odlišnou velikost podle toho, jak budou všechny informace seskupeny. Interval systému je vždy celé číslo.

Omezení třídy a její hranice

První koncept odkazuje na skutečné hodnoty, které lze vidět v konečné tabulce. Omezení třídy spadají do dvou kategorií: dolní hranice systému a horní hranice. K zajištění správnosti a informativnosti se samozřejmě používají všechna oddělení při sestavování tabulek.

Na druhé straně však hranice tříd nejsou vždy dodržovány ve frekvenční tabulce. Tento koncept dává skutečný interval systémů a podobně jako různá omezení je také rozdělen na hranice dolní a horní hodnoty.

Živé a neživé skupiny

Věda se snaží porozumět a vysvětlit přírodní jevy. Vědci chápou věci jejich klasifikací. To platí jak pro živé bytosti, tak pro neživá seskupení statistických materiálů.

Tyto typy lze zase rozdělit do skupin na základě kontrastních vlastností. Pokud například studenti sestavili seznamy ve svých vědeckých časopisech o různých materiálech a předmětech, které studovali, mohou tato data použít k rozšíření znalostí a informací o systémech, které zkoumali.

Všechny znalosti lze třídit nebo klasifikovat podle různých kontrastních vlastností. Zde jsou některé příklady:

• Kovy vs. různé nekovy.
• Kamenný terén místo pouště nebo louky.
• Viditelné krystaly vs. neviditelné minerály.
• Přirozený proces místo umělého.
• Látky jsou hustší než voda nebo méně závažné než tato kapalina.
• Magnetické vs nemagnetické.

A také můžete sestavte skupinové rozdíly podle následujících znaků:

• Stav látek při pokojové teplotě (pevná látka, kapalina, plyn).
• Tavitelnost kovů.
• Fyzikální vlastnosti atd.

Materiály:

• Různé články, které slouží jako příklady výše uvedených kategorií.
• Magnet pro kontrolu vlastností materiálů.
• Nádoba na vodu pro kontrolu, zda se předměty vznášejí nebo topí.
• Vědecké časopisy.

Postup práce

Jak přesně se všechno děje:

1. Studenti pracují ve skupinách. Každý dostane nějaký materiál a je požádán, aby našel způsoby, jak seskupit položky do kategorií. Navrhují kritéria, která budou použita, a poté odpovídajícím způsobem třídí prvky. Výsledkové tabulky jsou zachyceny v jejich vědeckých časopisech.
2. Po seskupení materiálů jsou znovu tříděny podle jiných kritérií. Dalším krokem bude také vytvoření seznamu výsledků. A poté je napsána další řada prvků, které byly kvůli změně kritérií seřazeny odlišně.
3. Studenti zaznamenávají pozorování a tabulky ve svých vědeckých časopisech.

Výsledky

Studenti zachycují řadu tabulek, které ukazují, jak jsou jejich předměty tříděny na základě každého z kritérií. Například skupina studentů má kancelářskou sponku, malý kousek žuly, korek, plastovou hračku. A pak pár třídicích tabulek může vypadat, jak je napsáno níže.

1. Položky seřazené podle magnetismu.
   Reagují na magnet: kancelářská sponka, žula. Nereagují: korek, plast.
2. Položky jsou seřazeny podle hustoty ve srovnání s vodou.
   Plovoucí: korek, plast. Potopení: papírová sponka, žula.

Poté, studenti dělají prezentace pro třídu. Diskutují o tom, proč jsou různé položky klasifikovány odlišně podle použitých kritérií.

Studenti opakují tato pozorování pokaždé pomocí různých vlastností.

Diskuse

V této fázi:

1. Studenti mohou tato pozorování rozšířit na další materiály, již bez praktického výzkumu.
2. Příklady zahrnují vzorky různých typů hornin. Studenti se naučí, jak provádět důkladnější pozorování a psát přesně, co vidí, pomocí lupů a dalších předmětů, které používají.
3. Pokud studenti vytvořili indexový soubor vlastností zapsaný na kartách, lze je také třídit. To bude užitečné, pokud ukazatel obsahuje další materiály, které ve třídě nejsou.

Běžným způsobem zpracování nepřetržitých kvantitativních dat je rozdělení celého rozsahu významů na několik dílčích pásem. Každému materiálu je nutné přiřadit konstantní hodnotu třídy, do které spadá. Stojí všimnout si, že se datová sada mění z kontinuální na diskrétní.

Pojem statistického seskupení

Systematizace se provádí definováním sady rozsahů a poté spočítáním počtu dat, která do každého spadají. Dílčí pásma se nepřekrývají. Měly by pokrývat celý rozsah datové sady.

Jedním z nejúspěšnějších způsobů vizualizace seskupených systémů je histogram. Je to sada obdélníků, kde základna obrázku pokrývá hodnoty v rozsahu s ním souvisejícím. A výška odpovídá množství informací.