Как сделать факторный анализ в powerpoint
На днях приезжала моя теща и попросила помочь ей с построением достаточно замороченных диаграмм в Excel’е (для презентации). Опыт оказался интересным и которым я, собственно, хочу поделиться.
Итак, имеем два значения – одно плановое, второе проектное (или базовое и отчетное) и имеем значения отклонения факторов. Задача: построить в Excel красивую диаграмму отображения этих факторов.
Рис.0. Окончательный результат.
Создаем в Excel таблицу, в которой у нас находятся необходимые данные (см.рис.1).
Рис.1. Исходные данные
После этого разносим их следующим образом (рис.2)
Рис.2. Подготовка данных
Теперь подпишем столбцы – столбец I – Значение, далее – Основа, далее Влияние фактора (рис.3).
Рис.3. Названия столбцов.
В качестве базовой диаграммы мы будем использовать либо гистограмму либо линейчатую с наполнением.
Рис.4. Используемые типы диаграмм
Теперь поясню на рис.5 что я имею в виду под основой – это такое значение некоторого ряда которое позволит построить нам диаграмму максимально точно.
В вычислении значений этого ряда поступаем следующим образом:
1. Значение первой основы (сразу после базового значения) принимаем равным либо базовому значению (если первый фактор имеет позитивное влияние) либо (базовое значение – величина влияния) – если фактор имеет негативное влияние.
2. Для последующих основ применяется та же схема. Если значение фактора положительное, то за основу берем результирующее значение, полученное на предыдущем факторе. Если же отрицательное, то берем (результирующее – абсолютное значение негативного фактора).
Что такое основа легко понять по рис.5.
Ту величину, которую я назвал “Влияние фактора” вычисляем как значение изменения фактора по модулю (абсолютное значение) с помощью функции ABS() – рис.6.
Рис.6. Вычисленные значения “Влияния фактора”
Далее по описанному выше алгоритму рассчитываем значения основы для каждого фактора.
Для первой основы используются следующая функция:
=ЕСЛИ(L6>0;I5;I5+L6) — т.е. если первый фактор больше нуля, то берем базовое значение, в противном случае берем базовое + значение изменения фактора (в нашем примере получается просто 100).
Для всех последующих:
=ЕСЛИ(L7>0;M6;M6+L7) — т.е. если фактор больше нуля, то берем полученное на предыдущем факторе результирующее значение, в противном случае берем базовое + значение изменения фактора.
Ахтунг! Не забывайте про правила сложения – если я говорю “плюс значение”, это значит, что подразумевается не абсолютное значение, а позитивное или негативное. Т.е. для третьего фактора получим следующую логику:
Значение изменения фактора меньше нуля, следовательно берем сумму предыдущего результирующего значения и значения изменения фактора, т.е. основа будет равна 170+(-30)=170-30=140.
Результирующее значение вычисляется по формуле:
=ЕСЛИ(L6>0;J6+L6;J6) – т.е. если изменения фактора позитивное, то результирующим значением будет сумма предыдущего результирующего значения и величины изменения фактора, а в противном случае – просто значение основы. Далее переходим уже непосредственно к построению диаграммы. Выделяем ячейки от названия категорий до столбца “Влияние фактора” включительно.
Рис.7. Выделяемая область.
И вставляем необходимый тип диаграммы (в данном случае – гистограмму).
Рис.8. Полученный результат
Дальше наводим красоту – переносим на новый лист диаграмму и заодно поправляем мою ошибку в выборе исходных данных (Отчетное значение принимаем 160, а не 150).
Удаляем вертикальную ось, удаляем основные вертикальные и горизонтальные линии осей и у нас получается нечто вроде рис.9.
Дальше в свойствах ряда изменяем боковой зазор до 10% и ряду “Основа” выставляем отсутствие заливки и линий – т.е. делаем его невидимым.
В свойствах горизонтальной оси также поставим “Нет линий” (рис.10).
Рис.10. Делаем ось невидимой
Далее добавляем рядам “Влияние фактора” и “Значение” подписи данных. Но получается маленькая нестыковка – даже в тех случаях, когда изменение фактора было отрицательным у нас выводятся положительные значения. Для этого дальше переходим обратно на лист 1 и выставляем соответственные форматы для позитивных и негативных значений.
Для позитивных: +0,0
Для негативных, соответственно: –0,0 – рис.11
Рис.11. Изменение формата чисел в столбце “Влияние фактора”.
Получившийся результат показан на рис.12
Рис.12. Подписи данных после изменения формата
Как видим, уже все изменения отображаются логически верно. Остался маленький штришок – находим точки ряда с негативным изменением и изменяем им цвет заливки на красный, а также меняем цвета подписей данных для этого ряда для большей наглядности (рис.13).
Рис.13. Окончательный результат.
Мы получили симпатичную диаграммку, которую не стыдно вставить в презентацию или в документ.
№ слайда 1
№ слайда 2
№ слайда 3
Факторный анализ Методика факторного анализа Типы детерминированных факторных моделей Способы измерения влияния факторов в детерминированных факторных моделях Стохастические факторные модели Способы измерения влияния факторов в стохастическом факторном анализе
№ слайда 4
Стохастический факторный анализ Корреляционный метод Регрессионный метод Дисперсионный метод Метод кластерного анализа Другие методы
№ слайда 5
Корреляционный анализ — это количественный метод определения тесноты и направления взаимосвязи между выборочными переменными величинами. Целью корреляционного анализа является оценка тесноты связи между признаками. Теснота связи количественно выражается величиной коэффициентов корреляции.
№ слайда 6
Корреляционный анализ: 1. Парная корреляция – связь между двумя признаками (результативным и факторным или двумя факторными). 2. Частная корреляция – зависимость между результативным и одним факторным признаками при фиксированном значении других факторных признаков. 3. Множественная корреляция – зависимость результативного и двух или более факторных признаков, включенных в исследование.
№ слайда 7
Виды корреляционных связей: По форме корреляционная связь может быть прямолинейной или криволинейной. По направлению корреляционная связь может быть положительной (\"прямой\") и отрицательной (\"обратной\"). По силе корреляционная связь определяется шкалой Чеддока
№ слайда 8
№ слайда 9
№ слайда 10
№ слайда 11
№ слайда 13
Формула коэффициента корреляции при линейной зависимости
№ слайда 14
Величина коэффициента линейной корреляции Пирсона не может превышать +1 и быть меньше чем -1. Эти два числа +1 и -1 — являются границами для коэффициента корреляции. Когда при расчете получается величина большая +1 или меньшая -1 — следовательно произошла ошибка в вычислениях.
№ слайда 15
Регрессионный анализ — это количественный метод определения вида математической функции в причинно-следственной зависимости между переменными величинами. Целью регрессионного анализа является установление формы зависимости.
№ слайда 16
Виды регрессий Линейная регрессия: у=а+bх Регрессии, нелинейные по объясняющим переменным: 1) полиномы разных степеней у=а+b1х+b2х2+…; 2) равносторонняя гипербола у=а+b/х. Регрессии, нелинейные по оцениваемым параметрам: 1) степенная у=ахb; 2) показательная у=аbх; 3) экспоненциальная у=еа+bх.
№ слайда 17
Оценки параметров a и b находятся по формулам:
№ слайда 18
№ слайда 19
№ слайда 20
Формально a – значение y при x =0. Если признак-фактор x не может иметь нулевого значения, то вышеуказанная трактовка свободного члена a не имеет смысла, т.е. параметр a может не иметь экономического содержания. Параметр b называется коэффициентом регрессии. Его величина показывает среднее изменение результата с изменением фактора на одну единицу.
№ слайда 21
№ слайда 22
№ слайда 23
№ слайда 24
№ слайда 25
Кластерный анализ Кластерный анализ представляет собой класс методов, используемых для классификации объектов или событий в относительно однородные группы, которые называют кластерами (clusters).
№ слайда 26
Кластерный анализ Объекты в каждом кластере должны быть похожи между собой и отличаться от объектов в других кластерах. Кластерный анализ также называют классификационным анализом (classification analysis) или численной таксономией (систематикой) (numerical taxonomy).
№ слайда 27
№ слайда 28
№ слайда 29
№ слайда 30
№ слайда 31
№ слайда 32
Чтобы скачать материал, введите свой email, укажите, кто Вы, и нажмите кнопку
Нажимая кнопку, Вы соглашаетесь получать от нас email-рассылку
А пока Вы ожидаете, предлагаем ознакомиться с курсами видеолекций для учителей от центра дополнительного образования "Профессионал-Р"
(Лицензия на осуществление образовательной деятельности
№3715 от 13.11.2013).
Факторный анализ Методика факторного анализа Типы детерминированных факторных моделей Способы измерения влияния факторов в детерминированных факторных моделях Стохастические факторные модели Способы измерения влияния факторов в стохастическом факторном анализе
Стохастический факторный анализ Корреляционный метод Регрессионный метод Дисперсионный метод Метод кластерного анализа Другие методы
Корреляционный анализ — это количественный метод определения тесноты и направления взаимосвязи между выборочными переменными величинами. Целью корреляционного анализа является оценка тесноты связи между признаками. Теснота связи количественно выражается величиной коэффициентов корреляции.
Корреляционный анализ: 1. Парная корреляция – связь между двумя признаками (результативным и факторным или двумя факторными). 2. Частная корреляция – зависимость между результативным и одним факторным признаками при фиксированном значении других факторных признаков. 3. Множественная корреляция – зависимость результативного и двух или более факторных признаков, включенных в исследование.
Виды корреляционных связей: По форме корреляционная связь может быть прямолинейной или криволинейной. По направлению корреляционная связь может быть положительной ("прямой") и отрицательной ("обратной"). По силе корреляционная связь определяется шкалой Чеддока
Положительная корреляция
Отсутствие корреляции
№ слайда 1
№ слайда 2
№ слайда 3
Факторный анализ Методика факторного анализа Типы детерминированных факторных моделей Способы измерения влияния факторов в детерминированных факторных моделях Стохастические факторные модели Способы измерения влияния факторов в стохастическом факторном анализе
№ слайда 4
Стохастический факторный анализ Корреляционный метод Регрессионный метод Дисперсионный метод Метод кластерного анализа Другие методы
№ слайда 5
Корреляционный анализ — это количественный метод определения тесноты и направления взаимосвязи между выборочными переменными величинами. Целью корреляционного анализа является оценка тесноты связи между признаками. Теснота связи количественно выражается величиной коэффициентов корреляции.
№ слайда 6
Корреляционный анализ: 1. Парная корреляция – связь между двумя признаками (результативным и факторным или двумя факторными). 2. Частная корреляция – зависимость между результативным и одним факторным признаками при фиксированном значении других факторных признаков. 3. Множественная корреляция – зависимость результативного и двух или более факторных признаков, включенных в исследование.
№ слайда 7
Виды корреляционных связей: По форме корреляционная связь может быть прямолинейной или криволинейной. По направлению корреляционная связь может быть положительной (\"прямой\") и отрицательной (\"обратной\"). По силе корреляционная связь определяется шкалой Чеддока
№ слайда 8
№ слайда 9
№ слайда 10
№ слайда 11
№ слайда 13
Формула коэффициента корреляции при линейной зависимости
№ слайда 14
Величина коэффициента линейной корреляции Пирсона не может превышать +1 и быть меньше чем -1. Эти два числа +1 и -1 — являются границами для коэффициента корреляции. Когда при расчете получается величина большая +1 или меньшая -1 — следовательно произошла ошибка в вычислениях.
№ слайда 15
Регрессионный анализ — это количественный метод определения вида математической функции в причинно-следственной зависимости между переменными величинами. Целью регрессионного анализа является установление формы зависимости.
№ слайда 16
Виды регрессий Линейная регрессия: у=а+bх Регрессии, нелинейные по объясняющим переменным: 1) полиномы разных степеней у=а+b1х+b2х2+…; 2) равносторонняя гипербола у=а+b/х. Регрессии, нелинейные по оцениваемым параметрам: 1) степенная у=ахb; 2) показательная у=аbх; 3) экспоненциальная у=еа+bх.
№ слайда 17
Оценки параметров a и b находятся по формулам:
№ слайда 18
№ слайда 19
№ слайда 20
Формально a – значение y при x =0. Если признак-фактор x не может иметь нулевого значения, то вышеуказанная трактовка свободного члена a не имеет смысла, т.е. параметр a может не иметь экономического содержания. Параметр b называется коэффициентом регрессии. Его величина показывает среднее изменение результата с изменением фактора на одну единицу.
№ слайда 21
№ слайда 22
№ слайда 23
№ слайда 24
№ слайда 25
Кластерный анализ Кластерный анализ представляет собой класс методов, используемых для классификации объектов или событий в относительно однородные группы, которые называют кластерами (clusters).
№ слайда 26
Кластерный анализ Объекты в каждом кластере должны быть похожи между собой и отличаться от объектов в других кластерах. Кластерный анализ также называют классификационным анализом (classification analysis) или численной таксономией (систематикой) (numerical taxonomy).
№ слайда 27
№ слайда 28
№ слайда 29
№ слайда 30
№ слайда 31
№ слайда 32
Чтобы скачать материал, введите свой email, укажите, кто Вы, и нажмите кнопку
Нажимая кнопку, Вы соглашаетесь получать от нас email-рассылку
А пока Вы ожидаете, предлагаем ознакомиться с курсами видеолекций для учителей от центра дополнительного образования "Профессионал-Р"
(Лицензия на осуществление образовательной деятельности
№3715 от 13.11.2013).
Читайте также: