Диссертационное исследование магистранта, аспиранта, докторанта

Анализ силы и слабости организации дает возможность установить связь между потенциалом и проблемами организации, с одной стороны, а с другой – установить связи между ее сильными и слабыми сторонами, что позволяет определить варианты успешного существования и перспектив развития организации.

Таким образом, весь мир как бы делится на две части: организацию как таковую и все остальное (внешнюю среду), а содержание каждой из частей – на благоприятные и неблагоприятные составляющие.

Матрица анализа параметров организации приведена на рис. 3.4. В месте пересечения столбцов и строк получаем следующие оценки состояния организации:

ближняя внешняя среда – возможности и угрозы;

дальняя внешняя среда – возможности и угрозы;

анализ менеджмента – сильные и слабые стороны организации;

анализ процесса трансформации ресурсов в продукцию и услуги – сильные и слабые стороны организации.

Метод исследования взаимодействия факторов

Метод исследования взаимодействия факторов, определяющих поведение объектов, характер ситуаций, содержание проблем. Любая проблема или ситуация может быть представлена в совокупности факторов ее проявления и существования. Все факторы существуют не каждый в отдельности, а находятся во взаимодействии, которое и раскрывает суть проблемы и подсказывает ее решение. Но не всегда эти взаимодействия заметны, понятны, структурированы и ранжированы в сознании исследователя. Поэтому и необходимо определить состав и характер взаимодействий. На этом основан метод.

Его использование заключается в следующем. Необходимы четкое выделение факторов по определенным критериям и четкость в понимании взаимодействия. Далее на этой основе строится матрица взаимодействий, которая должна показать картину существующих и возможных взаимодействий между различными факторами. Эти взаимодействия можно ранжировать по группам: взаимодействия существенные, несущественные, желательные, нежелательные, устойчивые, неустойчивые.

Составленная таким образом матрица может показать существующую картину, новые грани проблемы, возможные пути ее решения.

В исследовании иногда используются научные абстракции. Примерами таких абстракций являются идеализация и формализация.

Идеализация и формализация

Идеализация представляет собой построение объекта, обладающего определенными свойствами в степени, несовместимой с реальностью, действительностью. Такой объект служит эталоном этих свойств или используется в качестве модели для теоретических построений и выводов.

Формализация – это представление и изучение какой-либо содержательной области знаний или объекта в виде формализованной системы или исчисления.

Регрессионные методы

Регрессионные методы относятся к методам статистического моделирования. В процессе статистического анализа и прогнозирования социально-экономических явлений необходимо количественно описать самые существенные взаимосвязи. Для достоверного отражения сущности и характера явлений и процессов следует выявлять причинно-следственные связи.

Причинная связь характеризуется временной последовательностью причины и следствия: причина всегда предшествует следствию. Для корректного понимания следует исключать совпадения событий, не имеющих причинной взаимосвязи.

Многие социально-экономические явления представляют результат одновременно и совокупно действующих причин. В таких случаях отделяются главные причины от второстепенных, несущественных.

Между явлениями различают два вида зависимостей: функциональную, или жестко детерминированную, и статистическую, или стохастически детерминированную.

Статистическая, или стохастическая зависимость, проявляется только в массовых явлениях, при большом числе единиц совокупности. При стохастической зависимости для заданных значений независимой переменной  x можно указать ряд значений y , случайно рассеянных в интервале. Каждому фиксированному значению аргумента соответствует определенное статистическое распределение значений функции. Это связано с тем, что зависимая переменная, кроме выделенной переменной x, подвержена влиянию также других неконтролируемых или неучтенных факторов, а также с тем, что накладываются ошибки измерения. Поскольку значения зависимой переменной подвержены случайному разбросу, они не могут быть предсказаны с достаточной точностью, а только указаны с определенной вероятностью. Появляющиеся значения зависимой переменной являются реализациями случайной величины.

Односторонняя стохастическая зависимость одной случайной переменной от другой или нескольких других случайных переменных рассматривается как регрессия. Функция, при помощи которой выражается односторонняя стохастическая зависимость, называется функцией регрессии или просто регрессией.

Существует различие между функциональной зависимостью и регрессией. Кроме того, что переменная  x при функциональной зависимости  y=f(x) полностью определяет значение функции , функция обратима, т. е. существует обратная функция x=f(y). Функция регрессии таким свойством не обладает. Только в предельном случае, когда стохастическая зависимость переходит в функциональную зависимость, из одного уравнения регрессии можно перейти в другое.

Формализация вида уравнения регрессии неадекватна целям, связанным с измерениями в экономике и с анализом тех или иных форм зависимостей между переменными. Решение подобных задач становится возможным в результате введения в экономические соотношения стохастического члена: ŷ=f(x)+u

При изучении зависимостей следует иметь в виду, что функция регрессии только формально устанавливает соответствие между переменными, в то время как они могут не состоять в причинно-следственных отношениях. В этом случае могут возникнуть ложные регрессии вследствие случайных совпадений в вариациях переменных, которые не имеют содержательного смысла. Поэтому обязательным этапом перед подбором уравнения регрессии является качественный анализ зависимости между независимой переменной x   и зависимой переменной y , основанный на предварительных гипотезах.

Относительно числа явлений (переменных), учитываемых в регрессии, различаются: простая (парная) и множественная регрессии.

Простая (парная) регрессия, то есть регрессия между двумя переменными. Одна переменная, подлежащая объяснению, является зависимой, результативной переменной или регрессандом. Другая независимая переменная, предсказывающая изменение зависимой, является факторным признаком или регрессором. Таким образом, простая регрессия есть односторонняя стохастическая зависимость результативной переменной только от одной объясняющей переменной. В уравнении  ŷ=f(x) справа находится оценка зависимой переменной, полученная на основе уравнения при некоторых усредненных условиях.

Множественная регрессия , то есть зависимость между переменной  y и несколькими причинно обусловленными объясняющими переменными x1,x2,...,xn . Функция регрессии ŷ=f(x1,x2,...,xn)  . С помощью функции регрессии количественно оценивается усредненная зависимость между исследуемыми переменными.

Случайная переменная u ,

u = y – ŷ  , характеризует величину отклонения переменной  y от величины ŷ , вычисленной по функции регрессии ŷ=f(x) . Случайная переменная  u называется возмущающей или, кратко, возмущением. Она включает влияние неучтенных факторов, случайных помех и ошибок измерения. Отдельные значения возмущающей переменной ведут себя случайным образом или рандомизированно.

Зависимую переменную  можно представить в виде:

y = ŷ + u

или

y =f(x1,x2,...,xn) + u

Такой вид записи позволяет интерпретировать случайную переменную  как учитывающую неправильную спецификацию функции регрессии, т. е. неправильный выбор вида уравнения, описывающего зависимость.

Благодаря введению случайной переменной u, переменная y также становится случайной, поскольку ей нельзя при заданных значениях объясняющих переменных x1,x2,...,xn поставить в соответствие только одно определенное значение.