Другой вывод, который можно сделать – это тот, что SPSS включал переменные в модель всегда в одном и том же порядке. Сначала число членов семьи, затем – город, затем – доход, затем – число источников дохода (кроме блока 3). Наверное, это логично, поскольку разнообразие товаров длительного пользования, конечно, во многом зависит от размера семьи. В большой семье сложно обойтись без основных вещей. Наличие ТДП, конечно, зависит и от местности проживания, поскольку городские жители все же пока лучше, чем сельские обеспечены самым необходимым. Кроме этого, сельские жители редко владеют, скажем, дачами, т.е. у них показатель ТДП часто оказывается заниженным. С другой стороны, городские жители, например, реже, чем сельские, владеют тракторами. То, что доход домохозяйства за последние 30 дней находился далеко не на 1-м месте, значит, наверное, то, что, хотя мы и пытались учесть срок давности приобретения ТДП, но все же это товары длительного пользования, а, значит, их наличие лишь в очень небольшой степени объясняется доходом за последний месяц.
Замечу, что для всех независимых переменных коэффициенты были положительными, за исключением числа источников дохода. Получается, что чем больше у домохозяйства источников дохода, чем меньше у него индекс ТДП. Конечно, эта переменная влияет на индекс слабее остальных, но все же может показаться странным, что большой спектр источников дохода оборачивается малым количеством (или большой давностью ТДП). Я думаю, этот «парадокс» объясняется довольно просто. При подсчете числа источников доходов мы учитывали и такие источники, как пенсия, субсидии, помощь от государственных и негосударственных организаций, помощь родственников и других людей (в том числе – не только деньгами, но и вещами). Получается, что большое число источников дохода – не показатель благополучия домохозяйства, а, скорее, наоборот - обозначение того, что семья вынуждена прибегать к помощи со стороны. Тогда как состоятельные семьи часто существуют, в основном, на зарплату и, может быть, проценты от акций и т.д. Я считаю это довольно интересным выводом.
Довольно тяжело объяснить, почему аккуратный учет располагаемых ТДП в домохозяйстве выражающийся индексом №1, оказался хуже, чем остальные индексы, которые не учитывают, ни вес ТДП, ни их возраст. Может быть, это от того, что c увеличением дохода потребление различных товаров длительного пользования изменяется в разной степени независимо от их цен. А может быть мы просто подобрали такие веса, которые не точно соответствуют соотношениям цен на товары. Может, сложность заключается еще в том, что у нас как бы смешались ТДП, которые есть почти в каждой семье (холодильник, телевизор) и товары, которые есть лишь у некоторых (автомобиль, компьютер, дополнительная квартира). Возможно, проблема состоит еще и в том, что, если учитывать возраст вещей и не учитывать вещи, которые старше 10 лет (как это было сделано в индексах №1 и 2), то около 20% домохозяйств имеют индекс ТДП, равный 0, т.е. вовсе не имеют вещей, которые нас интересуют. А для третьего индекса таких домохозяйств только 1%.
Итак, в результате проведенных исследований мы выяснили, что зависимость потребления ТДП от дохода и других социально-экономических факторов можно описать с помощью множественной линейной регрессии, но далеко не полностью.
6. Литература
1. Салин В.Н., Шпаковская Е.П. Социально-экономическая статистика: Учебник. – М.: Юристъ, 2001. – 461 с.
2. Социальная статистика: Учебник / Под ред. чл.-кор. РАН И.И. Елисеевой. – 3-е изд., перераб и доп. – М. Финансы и статистика, 2002. – 480 с.
3. Социальное положение и уровень жизни населения России: Стат. сб. / Госкомстат России. – М., 2001. – 463 с.
4. SPSSBase 14.0 Руководство пользователя. – SPSSInc, 2005. – 814 с.
5. Российский статистический ежегодник. 2005: Стат. сб. / Росстат. – М., 2006. – 819 с.
6. Сигел, Эндрю. Практическая бизнес-статистика. : Пер. с англ. – М. : Издательский дом «Вильямс», 2002. – 1056 с.
7. Приложения
Командный синтаксис SPSS-15 для построения моделей. В приложении приводится перечень команд трансформации и статистического анализа в SPSS, выполнение которых позволяет при наличии исходных данных получить расчетные показатели, а также таблицы с результатами моделирования. Синтаксис позволяет при необходимости быстро воспроизвести ход процесса моделирования, а также допускает легкую модификацию для построения аналогичных моделей на других данных, имеющих схожую структуру (либо на этих же данных, но по подгруппам респондентов). Дополнительно о синтаксисе SPSS можно прочитать на сайте www.spsstools.ru, или в руководстве пользователя по синтаксису (см. выше).
Внимание! Перед запуском синтаксиса необходимо определить пропущенные значения по всем переменным, чтобы они исключались из анализа и не искажали результатов расчета.
Вычисление показателей.
Вычисление числа членов семьи (это присутствует либо в переменной i1.o, либо в i1.n).
COMPUTE nfam=SUM(i1.o,i1.n).
Вычисление двоичной переменной «город» (если код 1 или 2, то это – город).
COMPUTE gorod=status<3.
Вычисление числа источников дохода (если код в этих переменных равен 1, значит респондент согласился, что у него есть такой источник дохода).
COMPUTE ndohod=SUM(0, if3=1, if6.1=1, if6.2=1,
if9.1a=1,
if9.2a=1,
if9.3a=1,
if9.4a=1,
if9.5a=1,
if9.6a=1,
if9.7a=1,
if9.8a=1,
if9.9a=1,
if9.91a=1,
if9.10a=1,
if10=1,
if11.3=1,
if12.1a=1,
if12.2a=1,
if12.3a=1,
if12.4a=1,
if12.5a=1,
if12.6aa=1,
if12.6ba=1,
if12.7a=1,
if12.8a=1,
if12.9a=1,
if1210ba=1).
Вычисление первого варианта индекса (наличие предмета (код=1), т.е. 1 мы умножаем на вес и на максимум из 0 или 10-«возраст». Если возраст предмета больше или равен 10 годам, мы берем не отрицательное значение, а 0, т.е. не учитываем данный предмет).
COMPUTE indexTDP=SUM( 0, (ic9.1a=1)*0.04*Max(0,10-ic9.1b),
(ic9.2a=1)*0.04*Max(0,10-ic9.2b),
(ic9.3a=1)*0.04*Max(0,10-ic9.3b),
(ic9.4a=1)*0.01*Max(0,10-ic9.4b),
(ic9.5a=1)*0.03*Max(0,10-ic9.5b),
(ic9.6a=1)*0.03*Max(0,10-ic9.6b),
(ic9.6.2a=1)*0.04*Max(0,10-ic9.6.2b),
(ic9.7a=1)*0.1*Max(0,10-ic9.7b),
(ic9.7.1a=1)*0.1*Max(0,10-ic9.7.1b),
(ic9.8a=1)*0.05*Max(0,10-ic9.8b),
(ic9.9a=1)*0.1*Max(0,10-ic9.9b),
(ic9.101a=1)*0.2*Max(0,10-ic9.101b),
(ic9.12a=1)*1*Max(0,10-ic9.12b)).
Вычисление второго варианта индекса ТДП. Тут мы не учитываем вес предмета.
COMPUTE indexTDP1=SUM( 0, (ic9.1a=1)*Max(0,10-ic9.1b),
(ic9.2a=1)*Max(0,10-ic9.2b),
(ic9.3a=1)*Max(0,10-ic9.3b),
(ic9.4a=1)*Max(0,10-ic9.4b),
(ic9.5a=1)*Max(0,10-ic9.5b),
(ic9.6a=1)*Max(0,10-ic9.6b),
(ic9.6.2a=1)*Max(0,10-ic9.6.2b),
(ic9.7a=1)*Max(0,10-ic9.7b),
(ic9.7.1a=1)*Max(0,10-ic9.7.1b),
(ic9.8a=1)*Max(0,10-ic9.8b),
(ic9.9a=1)*Max(0,10-ic9.9b),
(ic9.101a=1)*Max(0,10-ic9.101b),
(ic9.12a=1)*Max(0,10-ic9.12b)).
Вычисление третьего варианта индекса ТДП. Здесь мы учитываем только наличие предметов.
COMPUTE indexTDP2=SUM( 0, (ic9.1a=1),
(ic9.2a=1),
(ic9.3a=1),
(ic9.4a=1),
(ic9.5a=1),
(ic9.6a=1),
(ic9.6.2a=1),
(ic9.7a=1),
(ic9.7.1a=1),
(ic9.8a=1),
(ic9.9a=1),
(ic9.101a=1),
(ic9.12a=1)).
Описательная статистика рассчитанных и присутствующих в базе данных показателей, которые будут использованы для моделирования:
FREQUENCIES
VARIABLES=nfam gorod ndohod
/ORDER=ANALYSIS .
GRAPH
/HISTOGRAM=if14 indexTDP1 indexTDP2 indexTDP3.
EXAMINE
VARIABLES=ndohod nfam if14 indexTDP1 indexTDP2 indexTDP3
/PLOT BOXPLOT STEMLEAF
/COMPARE GROUP
/PERCENTILES(5,10,25,50,75,90,95) HAVERAGE
/STATISTICS DESCRIPTIVES
/CINTERVAL 95
/MISSINGLISTWISE
/NOTOTAL.
Построение 3-х блоков регрессионных моделей, по одному на каждый вариант индекса.
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT indexTDP1
/METHOD=STEPWISE nfam gorod ndohod if14.
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT indexTDP2
/METHOD=STEPWISE nfam gorod ndohod if14.
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT indexTDP3
/METHOD=STEPWISE nfam gorod ndohod if14.