Статистические методы анализа данных в системе аграрного образования

Размещено на http://www.allbest.ru/

Волгоградский государственный аграрный университет

Статистические методы анализа данных в системе аграрного образования

А.П. Дарманян

доктор технических наук, профессор

Аннотация

аграрный образование статистический послевузовский

Приведены результаты анализа научных публикаций в журнале «Известия нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование» за период 2014-2017 гг. на предмет использования статистических методов для анализа экспериментальных данных. Показано, что из 52-х статистических методов, которые часто используются в инженерной практике для анализа экспериментальных данных, авторы исследованных публикаций чаще всего применяют только методы описательной статистики (19%). Также имеются отдельные публикации с использованием методов планирования экспериментов (1,4%), корреляционного и регрессионного анализа (2,8%), а множество других статистических методов не используются совсем. Сделан вывод о необходимости повышения научной грамотности по статистической обработке данных в системе аграрного образования для всех форм послевузовского образования путем введения курса «Применение методов статистического анализа данных в агроинженерных исследованиях» объемом 48 час.

Ключевые слова: статистический анализ, описательная статистика, планирование эксперимента, корреляционный анализ, регрессионный анализ, анализ качественных показателей, анализ временных рядов, принцип Парето.

Анализ экспериментальных данных является неотъемлемой частью любого научного исследования в области сельскохозяйственных наук, агроинженерии, ветеринарии, технических и экономических наук, о чем свидетельствуют многочисленные публикации в журнале перечня ВАК «Известия нижневолжского агроинженерного комплекса» [1,2]. В этих областях научной деятельности экспериментальные исследования проводятся, как правило, на сложном объекте, состояние и функционирование которого определяется множеством факторов (переменных). Обработка экспериментальных данных, полученных при изучении таких объектов, заключается в определении количественных значений всех факторов, выявлении взаимосвязей между ними, сравнении средних значений факторов в различных группах, определении их тенденций и многое другое в зависимости от поставленной цели исследования.

Для анализа экспериментальных данных в различных сферах научной деятельности используются многочисленные статистические методы (более 50-ти), вычислительные алгоритмы которых реализованы на ПК, например, в среде MS Excel или в ПП Statistica 6,0 [3]. В таблице 1 приведены 19-ть статистических методов, которые часто применяют для анализа массивов экспериментальных данных (эмпирических выборок). Нет сомнения в том, что научные выводы по результатам экспериментального исследования напрямую зависят от выбранного метода обработки данных и от корректности его применения. Поэтому представлял интерес, какие же из этих статистических методов и насколько корректно используют агроинженеры в своих научных исследованиях.

Целью настоящей работы являлся анализ научных публикаций в журнале «Известия нижневолжского агроуниверситетского комплекса» на предмет использования статистических методов при проведении анализа экспериментальных данных.

За период 2014-2017гг. среди 641-ой научной статьи в 14-ти сборниках журнала были выявлены те публикации, в которых применены статистические методы, количества которых приведены в таблице 1 и показаны графически в процентах на рис. 1.

Полученные результаты позволяют сделать некоторые выводы. Как видно из данных в таблице 1 и на графиках рис.1, среди перечисленных статистических методов только методы описательной статистики наиболее часто используют авторы для анализа экспериментальных данных (19%). Кроме того, имеются отдельные публикации с использованием методов корреляционного и регрессионного анализа (менее 3%), методы планирования экспериментов использованы в 1,4% публикациях, менее 1% - анализ временных рядов и кластерный анализ.

Таблица 1. Статистические методы анализа экспериментальных данных

Несмотря на использование методов описательной статистики в 19% публикациях (как правило, в ветеринарии ), анализ экспериментальных данных этими методами сводится только к вычислению средних значений показателей [2] и вычислению ошибки среднего (standard error of mean, SEM, m). Как известно, ошибка среднего m вычисляется по формуле [4]:

, (1)

где: SD - стандартное отклонение, а n -число наблюдений.

Таким образом, величина m обратно зависит от количества опытов n и отражает только степень отличия средней арифметической выборки от средней генеральной совокупности. На самом деле более корректно все рассчитанные средние значения величин указывать с доверительным интервалом (SE), внутри которого с вероятностью 0,95 находится истинное значение показателя X так, как это делается в медико-биологических исследованиях [5]:

±1,96*SEM (2)

Известно, что применение формулы (2) возможно только в случае нормального распределения эмпирической выборки, а в случае отсутствия нормального распределения для сравнения средних значений в различных группах («контрольная» и «опытная») необходимо использовать непараметрические критерии (методы 12-15 в таблице 1) [3]. Так как проверки на справедливость выборок нормальному распределению в исследованных публикациях не проводились, то сделанные в таких работах выводы нельзя считать корректными.

В таблице 1 обращает на себя внимание малое количество публикаций с использованием множественного корреляционного анализа (около 1%), который нашел широкое применение в различных инженерных науках. С помощью этого метода можно выявить и измерить взаимосвязи различных факторов, найти так называемые определяющие факторы, которые оказывают наибольшее влияние на результирующий показатель, и таким образом значительно можно сократить число исследуемых факторов (показателей).

Из таблицы 1 следует, что практически не используется кластерный анализ (0,5%). С помощью этого метода можно объединять в кластеры различные показатели состояния объекта и проводить сравнение не только между отдельными показателями, но и между кластерами так, как это успешно делается при анализе сложных социально-экономических объектов [6].

Анализ временных рядов, с помощью которого выявляют и моделируют тенденции, используется крайне редко (0,8%), причем в таких публикациях авторы выявляют только тенденцию (математическую модель) какого-либо показателя, как, например, в работе [1]. В тоже время, не менее важно с помощью найденных математических моделей временных рядов проводить прогнозирование на будущие периоды времени, например, урожайности различных культур. А таких публикаций в исследованном периоде в журнале нет.

Рисунок 1. Процент использования статистических методов в научных публикациях журнала «Известия нижневолжского агроуниверситетского комплекса» за период 2014-2017 гг.

Методы факторного анализа и многомерного шкалирования в агроинженерии не используются вообще. В тоже время, с помощью этих методов можно выявить скрытые закономерности, которые позволят более глубоко понять состояние и функционирование исследуемого объекта и правильно выбрать дальнейшее направление научного исследования [3].

Также не используются методы анализа качественных данных типа «да»/«нет», «хуже»/«лучше», «больше»/«меньше», что может быть очень полезно в исследованиях сельскохозяйственных объектов, когда невозможно вычислить количественные показатели. Расчеты с помощью этого метода проводятся путем вычисления критерия Хи-квадрата на ПК [3,5].

Не используется такой простой инженерный метод как АВС-анализ, построенный на применении принципа Парето (правило «20х80») [7,8], когда из множества показателей (факторов), которые определяют суммарный результат, можно выделить только те показатели, которые дают 80% результата (группа показателей «А»). На рис.2 приведена диаграмма Парето, которая показывает, что из 18-ти факторов только 6 факторов дают 80% результата, а все остальные - 20%.

Рисунок 2 .Диаграмма Парето для оценки влияния 16-ти

Резюмируя вышеизложенное можно сделать вывод о том, что для повышения качества научных исследований необходимо повышать научную грамотность статистической обработки данных в системе аграрного образования. Для этого нужно ввести во все формы послевузовского образования курс «Применение методов статистического анализа данных в агроинженерных исследованиях» объемом 48 ч. как показано в таблице 2.

Таблица 2. Содержание курса «Применение методов статистического анализа данных в агроинженерных исследованиях»

Список литературы

1. Кружилин, И.П. Волгоградский государственный аграрный университет в образовании и научном обеспечении комплексных мелиораций [Текст]/И.П. Кружилин, А.С. Овчинников, В.В. Мелихов/ Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. - 2014. - № 4 (36). - С. 8-21.

2. Николаев, С.И. Влияние горчичного белоксодержащего кормового концентрата «Горлинка» на молочную продуктивность коров [Текст]/С.И. Николаев, С.В. Чехранова, А.В. Никишенко// Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. - 2017. - № 4 (48). - С. 205-212.

3. Халафян, А.А. STATISTICA 6. Статистический анализ данных, 3-е изд. Учебник [Текст]/А.А. Халафян. - М.:ООО «Бином-Пресс», 2007. - 512 с.

4. Дарманян, А.П. Экономико-математические методы и модели: Учебное пособие [Текст]/А.П. Дарманян. - Волгоград: Изд-во ВолгГТУ, 2013. -- 126 с.

5. Мамаев, А.Н. Основы медицинской статистики [Текст]/А.Н. Мамаев. - М.: Практическая медицина, 2011. - 128 с.

6. Дарманян, А.П. Применение кластерного анализа для оценки социально-экономического развития городов Федерального округа (на примере Южного Федерального округа) [Текст]/А.П. Дарманян, М.В. Филиппов, А.Ю. Руденко, А.В. Шохнех // Бизнес. Образование. Право. -2017.- № 4 (41). - С. 28-32.

7. Darmanian, А.Р. Analysis of the statistics of failure electric electric with the principle оf Pareto[Text]/ А.Р. Darmanian, N.M. Veselova //Торical areas of fundamenta1 and applied research Х111: Proceedings of the Conference, North Charleston, 13-14.09.2017.Vo1.1 North Charleston, SC, USA: СrеаteSрасе, 2017. -P. 75-78.

8. Правило Парето (Закон Парето). Правило 20/80. [Электронный ресурс]. URL: http://fingeniy.com/princip-pareto-zakon-pareto-pravilo-20/80 (дата обращения: 02.02.2018).

Размещено на Allbest.ru