Henryk Kowgier
Uniwersytet Szczeciński
Zachodniopomorska Szkoła Biznesu
Kilka uwag o szacowaniu kosztów całkowitych
Streszczenie
Do tej pory trwają spory wśród ekonomistów co do postaci analitycznej funkcji
kosztów całkowitych. W artykule ukazano na przykładach empirycznych użyteczne
wykorzystanie metody regresji liniowej do badania postaci analitycznej funkcji
kosz-tów całkowitych w przypadku produkcji jedno – asortymentowej oraz wielo –
asor-tymentowej.
Słowa kluczowe: koszty całkowite, analiza regresji liniowej
Wiadomości wstępne
Liczne opracowania o charakterze teoretycznym jak i empirycznym stwierdzają,
że zależność między kosztami całkowitymi a wielkością produkcji może przybierać
różne postacie analityczne
1:
Krzywe kosztów całkowitych w przypadkach (2) i (4) odzwierciedlają sytuację
gdy koszty całkowite rosną coraz szybciej a koszty jednostkowe maleją, osiągają
mi-nimum a następnie rosną. Krzywą postaci 5 zaobserwowano w przedsiębiorstwie
transportowo – samochodowym (Z. Hellwig 1969) – tutaj koszty całkowite rosną
co-raz wolniej, a koszty jednostkowe maleją
2.
1 J . Hozer, Mikroekonometria , PWE, Warszawa 1993 . 2 J . Hozer, Mikroekonometria , PWE, Warszawa 1993 .
Henryk Kowgier Uniwersytet Szczeciński
Zachodniopomorska Szkoła Biznesu
Kilka uwag o szacowaniu kosztów całkowitych
Streszczenie
Do tej pory trwają spory wśród ekonomistów co do postaci analitycznej funkcji kosztów całkowitych. W artykule ukazano na przykładach empirycznych użyteczne wykorzystanie metody regresji liniowej do badania postaci analitycznej funkcji kosztów całkowitych w przypadku produkcji jedno - asortymentowej oraz wielo - asortymentowej.
Słowa kluczowe: koszty całkowite, analiza regresji liniowej
Wiadomości wstępne
Liczne opracowania o charakterze teoretycznym jak i empirycznym stwierdzają, że zależność między kosztami całkowitymi a wielkością produkcji może przybierać różne postacie analityczne1: u Q C1 2 (1) u Q Q C 2 2 3 1 (2) 2 2 3 1Q Q C 3Q4u (3) u Qe e C 2 1 . (4) u Q C1log( 1)2 ( 10,20 lub 20) (5) Krzywe kosztów całkowitych w przypadkach (2) i (4) odzwierciedlają sytuację gdy koszty całkowite rosną coraz szybciej a koszty jednostkowe maleją, osiągają minimum a następnie rosną. Krzywą postaci 5 zaobserwowano w przedsiębiorstwie transportowo - samochodowym (Z. Hellwig 1969) - tutaj koszty całkowite rosną coraz wolniej, a koszty jednostkowe maleją2. Koszty jednostkowe dla kosztów całkowitych postaci (1) –(4) przyjmują postać odpowiednio (6) – (9).
1 J. Hozer, Mikroekonometria , PWE, Warszawa 1993. 2 J. Hozer, Mikroekonometria , PWE, Warszawa 1993.
16
Zeszyty Naukowe ZPSB Firma i Rynek 1/2012Koszty jednostkowe dla kosztów całkowitych postaci (1) –(4) przyjmują postać
odpowiednio (6) – (9).
przy ograniczeniach podanych w pracy
3:
Nałożone ograniczenia są jednak dość trudne w realizacji w przypadku (3) wobec
istnienia punktu przegięcia wykresu funkcji kosztów całkowitych.
I tak mamy
4:
Aby zachodził warunek w ostatnim równaniu musi być:
Fakt aproksymacji w badaniach empirycznych funkcji kosztów całkowitych
krzy-wymi postaci (1) – (5) wynika z tego, że w praktyce koszty obserwujemy w krótkim
czasie w warunkach gospodarki rynkowej i ostatnia faza kształtowania się kosztów
oznacza najczęściej bankructwo firmy i stosunkowo rzadko jest obserwowana
5.
Wykorzystanie analizy regresji liniowej do szacowania kosztów całkowitych
w przypadku produkcji jedno – asortymentowej
Aby znaleźć relację między kosztami całkowitymi i wielkością produkcji można
niejednokrotnie zastosować analizę regresji.
3 A . Barczak, Ekonometryczne metody badania kosztów produkcji, PWN, Warszawa 1971 . 4 J . Hozer, Mikroekonometria , PWE, Warszawa 1993 .
5 J . Hozer, Mikroekonometria , PWE, Warszawa 1993 .
Q C Cj - koszty jednostkowe, Q Cj 1 2 (6) Q Q Cj 1 2 3 (7) Q Q Q Cj 1 2 2 3 4 (8) Q e e C Q j 1 1 2 (9) przy ograniczeniach podanych w pracy3:
10,20 - odnośnie funkcji (1), 0 , 0 , 0 2 3 1 - odnośnie funkcji (2), 3 1 2 2 4 3 2 1 0, 0, 0, 0, 3 - odnośnie funkcji (3), 0 , 0 2 1 - odnośnie funkcji (4) .
Nałożone ograniczenia są jednak dość trudne w realizacji w przypadku (3) wobec istnienia punktu przegięcia wykresu funkcji kosztów całkowitych.
I tak mamy4: dCdQ31Q222Q3, 2 1 2 2 2 6 Q dQ C d = 0 1 2 3 Q .
Aby zachodził warunek Q > 0 w ostatnim równaniu musi być:10,30,20. Fakt aproksymacji w badaniach empirycznych funkcji kosztów całkowitych krzywymi postaci (1) – (5) wynika z tego, że w praktyce koszty obserwujemy w krótkim czasie w warunkach gospodarki rynkowej i ostatnia faza kształtowania się kosztów oznacza najczęściej bankructwo firmy i stosunkowo rzadko jest obserwowana5.
Wykorzystanie analizy regresji liniowej do szacowania kosztów całkowitych w przypadku produkcji jedno - asortymentowej
Aby znaleźć relację między kosztami całkowitymi i wielkością produkcji można niejednokrotnie zastosować analizę regresji.
3 A. Barczak, Ekonometryczne metody badania kosztów produkcji, PWN, Warszawa 1971. 4 J. Hozer, Mikroekonometria , PWE, Warszawa 1993.
5 J. Hozer, Mikroekonometria , PWE, Warszawa 1993. Q C Cj - koszty jednostkowe, Q Cj 1 2 (6) Q Q Cj 1 2 3 (7) Q Q Q Cj 1 2 2 3 4 (8) Q e e C Q j 1 1 2 (9) przy ograniczeniach podanych w pracy3:
10,20 - odnośnie funkcji (1), 0 , 0 , 0 2 3 1 - odnośnie funkcji (2), 3 1 2 2 4 3 2 1 0, 0, 0, 0, 3 - odnośnie funkcji (3), 0 , 0 2 1 - odnośnie funkcji (4) .
Nałożone ograniczenia są jednak dość trudne w realizacji w przypadku (3) wobec istnienia punktu przegięcia wykresu funkcji kosztów całkowitych.
I tak mamy4: dCdQ31Q222Q3, 2 1 2 2 2 6 Q dQ C d = 0 1 2 3 Q .
Aby zachodził warunek Q > 0 w ostatnim równaniu musi być:10,30,20. Fakt aproksymacji w badaniach empirycznych funkcji kosztów całkowitych krzywymi postaci (1) – (5) wynika z tego, że w praktyce koszty obserwujemy w krótkim czasie w warunkach gospodarki rynkowej i ostatnia faza kształtowania się kosztów oznacza najczęściej bankructwo firmy i stosunkowo rzadko jest obserwowana5.
Wykorzystanie analizy regresji liniowej do szacowania kosztów całkowitych w przypadku produkcji jedno - asortymentowej
Aby znaleźć relację między kosztami całkowitymi i wielkością produkcji można niejednokrotnie zastosować analizę regresji.
3 A. Barczak, Ekonometryczne metody badania kosztów produkcji, PWN, Warszawa 1971. 4 J. Hozer, Mikroekonometria , PWE, Warszawa 1993.
5 J. Hozer, Mikroekonometria , PWE, Warszawa 1993. Q C Cj - koszty jednostkowe, Q Cj 1 2 (6) Q Q Cj 1 2 3 (7) Q Q Q Cj 1 2 2 3 4 (8) Q e e C Q j 1 1 2 (9) przy ograniczeniach podanych w pracy3:
10,20 - odnośnie funkcji (1), 0 , 0 , 0 2 3 1 - odnośnie funkcji (2), 3 1 2 2 4 3 2 1 0, 0, 0, 0, 3 - odnośnie funkcji (3), 0 , 0 2 1 - odnośnie funkcji (4) .
Nałożone ograniczenia są jednak dość trudne w realizacji w przypadku (3) wobec istnienia punktu przegięcia wykresu funkcji kosztów całkowitych.
I tak mamy4: dCdQ31Q222Q3, 2 1 2 2 2 6 Q dQ C d = 0 1 2 3 Q .
Aby zachodził warunek Q > 0 w ostatnim równaniu musi być:10,30,20. Fakt aproksymacji w badaniach empirycznych funkcji kosztów całkowitych krzywymi postaci (1) – (5) wynika z tego, że w praktyce koszty obserwujemy w krótkim czasie w warunkach gospodarki rynkowej i ostatnia faza kształtowania się kosztów oznacza najczęściej bankructwo firmy i stosunkowo rzadko jest obserwowana5.
Wykorzystanie analizy regresji liniowej do szacowania kosztów całkowitych w przypadku produkcji jedno - asortymentowej
Aby znaleźć relację między kosztami całkowitymi i wielkością produkcji można niejednokrotnie zastosować analizę regresji.
3 A. Barczak, Ekonometryczne metody badania kosztów produkcji, PWN, Warszawa 1971. 4 J. Hozer, Mikroekonometria , PWE, Warszawa 1993.
5 J. Hozer, Mikroekonometria , PWE, Warszawa 1993. Q C Cj - koszty jednostkowe, Q Cj 1 2 (6) Q Q Cj 1 2 3 (7) Q Q Q Cj 1 2 2 3 4 (8) Q e e C Q j 1 1 2 (9) przy ograniczeniach podanych w pracy3:
10,20 - odnośnie funkcji (1), 0 , 0 , 0 2 3 1 - odnośnie funkcji (2), 3 1 2 2 4 3 2 1 0, 0, 0, 0, 3 - odnośnie funkcji (3), 0 , 0 2 1 - odnośnie funkcji (4) .
Nałożone ograniczenia są jednak dość trudne w realizacji w przypadku (3) wobec istnienia punktu przegięcia wykresu funkcji kosztów całkowitych.
I tak mamy4: dCdQ31Q222Q3, 2 1 2 2 2 6 Q dQ C d = 0 1 2 3 Q .
Aby zachodził warunek Q > 0 w ostatnim równaniu musi być:10,30,20. Fakt aproksymacji w badaniach empirycznych funkcji kosztów całkowitych krzywymi postaci (1) – (5) wynika z tego, że w praktyce koszty obserwujemy w krótkim czasie w warunkach gospodarki rynkowej i ostatnia faza kształtowania się kosztów oznacza najczęściej bankructwo firmy i stosunkowo rzadko jest obserwowana5.
Wykorzystanie analizy regresji liniowej do szacowania kosztów całkowitych w przypadku produkcji jedno - asortymentowej
Aby znaleźć relację między kosztami całkowitymi i wielkością produkcji można niejednokrotnie zastosować analizę regresji.
3 A. Barczak, Ekonometryczne metody badania kosztów produkcji, PWN, Warszawa 1971. 4 J. Hozer, Mikroekonometria , PWE, Warszawa 1993.
5 J. Hozer, Mikroekonometria , PWE, Warszawa 1993. Q C Cj - koszty jednostkowe, Q Cj 1 2 (6) Q Q Cj 1 2 3 (7) Q Q Q Cj 1 2 2 3 4 (8) Q e e C Q j 1 1 2 (9) przy ograniczeniach podanych w pracy3:
10,20 - odnośnie funkcji (1), 0 , 0 , 0 2 3 1 - odnośnie funkcji (2), 3 1 2 2 4 3 2 1 0, 0, 0, 0, 3 - odnośnie funkcji (3), 0 , 0 2 1 - odnośnie funkcji (4) .
Nałożone ograniczenia są jednak dość trudne w realizacji w przypadku (3) wobec istnienia punktu przegięcia wykresu funkcji kosztów całkowitych.
I tak mamy4: dQ31Q222Q3 dC , 2 1 2 2 2 6 Q dQ C d = 0 1 2 3 Q .
Aby zachodził warunek Q > 0 w ostatnim równaniu musi być:10,30,20. Fakt aproksymacji w badaniach empirycznych funkcji kosztów całkowitych krzywymi postaci (1) – (5) wynika z tego, że w praktyce koszty obserwujemy w krótkim czasie w warunkach gospodarki rynkowej i ostatnia faza kształtowania się kosztów oznacza najczęściej bankructwo firmy i stosunkowo rzadko jest obserwowana5.
Wykorzystanie analizy regresji liniowej do szacowania kosztów całkowitych w przypadku produkcji jedno - asortymentowej
Aby znaleźć relację między kosztami całkowitymi i wielkością produkcji można niejednokrotnie zastosować analizę regresji.
3 A. Barczak, Ekonometryczne metody badania kosztów produkcji, PWN, Warszawa 1971. 4 J. Hozer, Mikroekonometria , PWE, Warszawa 1993.
Polega ona na jak najlepszym dopasowaniu linii kosztów do wszystkich
obserwa-cji oraz określeniu stopnia dopasowania tej linii do tych obserwaobserwa-cji. W tym celu
zasto-sujemy metodę najmniejszych kwadratów. W metodzie tej minimalizujemy wartość
wyrażenia:
szukając zmiennych obrazujących wysokość kosztów stałych i jednostkowych
kosztów zmiennych. Metoda ta polega na takim dobraniu ocen szacowanych
para-metrów, aby suma kwadratów odchyleń (tzn. różnic) empirycznych wartości danej
funkcji od jej wartości szacowanych była minimalna.
Warunek konieczny ekstremum, który jest jednocześnie warunkiem
dostatecz-nym przyjmuje postać:
W tym celu rozwiązujemy układ równań:
przy założeniu, że dwuwymiarowa zmienna losowa (
Q, C) ma rozkład normalny
6.
Wtedy regresja C względem Q jak i Q względem C jest w tym rozkładzie
funkcją liniową.
Oznaczenia do układu (12):
n – liczba obserwacji,
– suma obserwacji kosztów całkowitych,
– suma kwadratów obserwacji wielkości produkcji,
– suma iloczynów wielkości produkcji i kosztów całkowitych,
– koszty stałe
– jednostkowe koszty zmienne.
6
Porównaj: J . Greń: Statystyka matematyczna, PWN, Warszawa 1987; H . Kowgier: Elementy rachunku
prawdopodo-bieństwa i statystyki na przykładach z ekonomii, WNT , Warszawa 2011 .
Polega ona na jak najlepszym dopasowaniu linii kosztów do wszystkich obserwacji oraz określeniu stopnia dopasowania tej linii do tych obserwacji. W tym celu zastosujemy metodę najmniejszych kwadratów. W metodzie tej minimalizujemy wartość wyrażenia:
n i i jz i s C Q C C 1 2 ) ( (10) szukając zmiennych obrazujących wysokość kosztów stałych i jednostkowych kosztów zmiennych. Metoda ta polega na takim dobraniu ocen szacowanych parametrów, aby suma kwadratów odchyleń (tzn. różnic) empirycznych wartości danej funkcji od jej wartości szacowanych była minimalna.Warunek konieczny ekstremum, który jest jednocześnie warunkiem dostatecznym przyjmuje postać:
n i i jz i s s n i i jz i s i jz C Q C C C Q C Q C C C 1 1 0 ) 1 )( ( 2 0 ) )( ( 2 . (11)W tym celu rozwiązujemy układ równań:
n i n i n i i s i jz i i n i n i i jz s i Q C Q C C Q Q C C n C 1 1 1 2 1 1 , (12)przy założeniu, że dwuwymiarowa zmienna losowa (Q, C) ma rozkład normalny6. Wtedy regresja C względem Q jak i Q względem C jest w tym rozkładzie funkcją liniową.
Oznaczenia do układu (12): n - liczba obserwacji,
n i i C 1- suma obserwacji kosztów całkowitych,
n i i Q 12 - suma kwadratów obserwacji wielkości produkcji,
n i1QiCi
2 - suma iloczynów wielkości produkcji i kosztów całkowitych,
s
C - koszty stałe
jz
C - jednostkowe koszty zmienne.
6 Porównaj: J. Greń: Statystyka matematyczna, PWN, Warszawa 1987; H. Kowgier: Elementy rachunku
prawdopodobieństwa i statystyki na przykładach z ekonomii, WNT , Warszawa 2011.
Polega ona na jak najlepszym dopasowaniu linii kosztów do wszystkich obserwacji oraz określeniu stopnia dopasowania tej linii do tych obserwacji. W tym celu zastosujemy metodę najmniejszych kwadratów. W metodzie tej minimalizujemy wartość wyrażenia:
n i i jz i s C Q C C 1 2 ) ( (10) szukając zmiennych obrazujących wysokość kosztów stałych i jednostkowych kosztów zmiennych. Metoda ta polega na takim dobraniu ocen szacowanych parametrów, aby suma kwadratów odchyleń (tzn. różnic) empirycznych wartości danej funkcji od jej wartości szacowanych była minimalna.Warunek konieczny ekstremum, który jest jednocześnie warunkiem dostatecznym przyjmuje postać:
n i i jz i s s n i i jz i s i jz C Q C C C Q C Q C C C 1 1 0 ) 1 )( ( 2 0 ) )( ( 2 . (11)W tym celu rozwiązujemy układ równań:
n i n i n i i s i jz i i n i n i i jz s i Q C Q C C Q Q C C n C 1 1 1 2 1 1 , (12)przy założeniu, że dwuwymiarowa zmienna losowa (Q, C) ma rozkład normalny6. Wtedy regresja C względem Q jak i Q względem C jest w tym rozkładzie funkcją liniową.
Oznaczenia do układu (12): n - liczba obserwacji,
n i i C 1- suma obserwacji kosztów całkowitych,
n i i Q 12 - suma kwadratów obserwacji wielkości produkcji,
n i i i C Q 12 - suma iloczynów wielkości produkcji i kosztów całkowitych,
s
C - koszty stałe
jz
C - jednostkowe koszty zmienne.
6 Porównaj: J. Greń: Statystyka matematyczna, PWN, Warszawa 1987; H. Kowgier: Elementy rachunku
prawdopodobieństwa i statystyki na przykładach z ekonomii, WNT , Warszawa 2011.
Polega ona na jak najlepszym dopasowaniu linii kosztów do wszystkich obserwacji oraz określeniu stopnia dopasowania tej linii do tych obserwacji. W tym celu zastosujemy metodę najmniejszych kwadratów. W metodzie tej minimalizujemy wartość wyrażenia:
n i i jz i s C Q C C 1 2 ) ( (10) szukając zmiennych obrazujących wysokość kosztów stałych i jednostkowych kosztów zmiennych. Metoda ta polega na takim dobraniu ocen szacowanych parametrów, aby suma kwadratów odchyleń (tzn. różnic) empirycznych wartości danej funkcji od jej wartości szacowanych była minimalna.Warunek konieczny ekstremum, który jest jednocześnie warunkiem dostatecznym przyjmuje postać:
n i i jz i s s n i i jz i s i jz C Q C C C Q C Q C C C 1 1 0 ) 1 )( ( 2 0 ) )( ( 2 . (11)W tym celu rozwiązujemy układ równań:
n i n i n i i s i jz i i n i n i i jz s i Q C Q C C Q Q C C n C 1 1 1 2 1 1 , (12)przy założeniu, że dwuwymiarowa zmienna losowa (Q, C) ma rozkład normalny6. Wtedy regresja C względem Q jak i Q względem C jest w tym rozkładzie funkcją liniową.
Oznaczenia do układu (12): n - liczba obserwacji,
n i i C 1- suma obserwacji kosztów całkowitych,
n i i Q 12 - suma kwadratów obserwacji wielkości produkcji,
n i i i C Q 12 - suma iloczynów wielkości produkcji i kosztów całkowitych,
s
C - koszty stałe
jz
C - jednostkowe koszty zmienne.
6 Porównaj: J. Greń: Statystyka matematyczna, PWN, Warszawa 1987; H. Kowgier: Elementy rachunku
prawdopodobieństwa i statystyki na przykładach z ekonomii, WNT , Warszawa 2011.
Polega ona na jak najlepszym dopasowaniu linii kosztów do wszystkich obserwacji oraz określeniu stopnia dopasowania tej linii do tych obserwacji. W tym celu zastosujemy metodę najmniejszych kwadratów. W metodzie tej minimalizujemy wartość wyrażenia:
n i i jz i s C Q C C 1 2 ) ( (10) szukając zmiennych obrazujących wysokość kosztów stałych i jednostkowych kosztów zmiennych. Metoda ta polega na takim dobraniu ocen szacowanych parametrów, aby suma kwadratów odchyleń (tzn. różnic) empirycznych wartości danej funkcji od jej wartości szacowanych była minimalna.Warunek konieczny ekstremum, który jest jednocześnie warunkiem dostatecznym przyjmuje postać:
n i i jz i s s n i i jz i s i jz C Q C C C Q C Q C C C 1 1 0 ) 1 )( ( 2 0 ) )( ( 2 . (11)W tym celu rozwiązujemy układ równań:
n i n i n i i s i jz i i n i n i i jz s i Q C Q C C Q Q C C n C 1 1 1 2 1 1 , (12)przy założeniu, że dwuwymiarowa zmienna losowa (Q, C) ma rozkład normalny6. Wtedy regresja C względem Q jak i Q względem C jest w tym rozkładzie funkcją liniową.
Oznaczenia do układu (12): n - liczba obserwacji,
n i i C 1- suma obserwacji kosztów całkowitych,
n i i Q 12 - suma kwadratów obserwacji wielkości produkcji,
n i i i C Q 12 - suma iloczynów wielkości produkcji i kosztów całkowitych,
s
C - koszty stałe
jz
C - jednostkowe koszty zmienne.
6 Porównaj: J. Greń: Statystyka matematyczna, PWN, Warszawa 1987; H. Kowgier: Elementy rachunku
prawdopodobieństwa i statystyki na przykładach z ekonomii, WNT , Warszawa 2011.
Polega ona na jak najlepszym dopasowaniu linii kosztów do wszystkich obserwacji oraz określeniu stopnia dopasowania tej linii do tych obserwacji. W tym celu zastosujemy metodę najmniejszych kwadratów. W metodzie tej minimalizujemy wartość wyrażenia:
n i i jz i s C Q C C 1 2 ) ( (10) szukając zmiennych obrazujących wysokość kosztów stałych i jednostkowych kosztów zmiennych. Metoda ta polega na takim dobraniu ocen szacowanych parametrów, aby suma kwadratów odchyleń (tzn. różnic) empirycznych wartości danej funkcji od jej wartości szacowanych była minimalna.Warunek konieczny ekstremum, który jest jednocześnie warunkiem dostatecznym przyjmuje postać:
n i i jz i s s n i i jz i s i jz C Q C C C Q C Q C C C 1 1 0 ) 1 )( ( 2 0 ) )( ( 2 . (11)W tym celu rozwiązujemy układ równań:
n i n i n i i s i jz i i n i n i i jz s i Q C Q C C Q Q C C n C 1 1 1 2 1 1 , (12)przy założeniu, że dwuwymiarowa zmienna losowa (Q, C) ma rozkład normalny6. Wtedy regresja C względem Q jak i Q względem C jest w tym rozkładzie funkcją liniową.
Oznaczenia do układu (12): n - liczba obserwacji,
n i i C 1- suma obserwacji kosztów całkowitych,
n i i Q 12 - suma kwadratów obserwacji wielkości produkcji,
n i i i C Q 12 - suma iloczynów wielkości produkcji i kosztów całkowitych,
s
C - koszty stałe
jz
C - jednostkowe koszty zmienne.
6 Porównaj: J. Greń: Statystyka matematyczna, PWN, Warszawa 1987; H. Kowgier: Elementy rachunku
prawdopodobieństwa i statystyki na przykładach z ekonomii, WNT , Warszawa 2011.
Polega ona na jak najlepszym dopasowaniu linii kosztów do wszystkich obserwacji oraz określeniu stopnia dopasowania tej linii do tych obserwacji. W tym celu zastosujemy metodę najmniejszych kwadratów. W metodzie tej minimalizujemy wartość wyrażenia:
n i i jz i s C Q C C 1 2 ) ( (10) szukając zmiennych obrazujących wysokość kosztów stałych i jednostkowych kosztów zmiennych. Metoda ta polega na takim dobraniu ocen szacowanych parametrów, aby suma kwadratów odchyleń (tzn. różnic) empirycznych wartości danej funkcji od jej wartości szacowanych była minimalna.Warunek konieczny ekstremum, który jest jednocześnie warunkiem dostatecznym przyjmuje postać:
n i i jz i s s n i i jz i s i jz C Q C C C Q C Q C C C 1 1 0 ) 1 )( ( 2 0 ) )( ( 2 . (11)W tym celu rozwiązujemy układ równań:
n i n i n i i s i jz i i n i n i i jz s i Q C Q C C Q Q C C n C 1 1 1 2 1 1 , (12)przy założeniu, że dwuwymiarowa zmienna losowa (Q, C) ma rozkład normalny6. Wtedy regresja C względem Q jak i Q względem C jest w tym rozkładzie funkcją liniową.
Oznaczenia do układu (12): n - liczba obserwacji,
n i i C 1- suma obserwacji kosztów całkowitych,
n i i Q 12 - suma kwadratów obserwacji wielkości produkcji,
n i i i C Q 12 - suma iloczynów wielkości produkcji i kosztów całkowitych,
s
C - koszty stałe
jz
C - jednostkowe koszty zmienne.
6 Porównaj: J. Greń: Statystyka matematyczna, PWN, Warszawa 1987; H. Kowgier: Elementy rachunku
prawdopodobieństwa i statystyki na przykładach z ekonomii, WNT , Warszawa 2011.
Polega ona na jak najlepszym dopasowaniu linii kosztów do wszystkich obserwacji oraz określeniu stopnia dopasowania tej linii do tych obserwacji. W tym celu zastosujemy metodę najmniejszych kwadratów. W metodzie tej minimalizujemy wartość wyrażenia:
n i i jz i s C Q C C 1 2 ) ( (10) szukając zmiennych obrazujących wysokość kosztów stałych i jednostkowych kosztów zmiennych. Metoda ta polega na takim dobraniu ocen szacowanych parametrów, aby suma kwadratów odchyleń (tzn. różnic) empirycznych wartości danej funkcji od jej wartości szacowanych była minimalna.Warunek konieczny ekstremum, który jest jednocześnie warunkiem dostatecznym przyjmuje postać:
n i i jz i s s n i i jz i s i jz C Q C C C Q C Q C C C 1 1 0 ) 1 )( ( 2 0 ) )( ( 2 . (11)W tym celu rozwiązujemy układ równań:
n i n i n i i s i jz i i n i n i i jz s i Q C Q C C Q Q C C n C 1 1 1 2 1 1 , (12)przy założeniu, że dwuwymiarowa zmienna losowa (Q, C) ma rozkład normalny6. Wtedy regresja C względem Q jak i Q względem C jest w tym rozkładzie funkcją liniową.
Oznaczenia do układu (12): n - liczba obserwacji,
n i i C 1- suma obserwacji kosztów całkowitych,
n i i Q 12 - suma kwadratów obserwacji wielkości produkcji,
n i i i C Q 12 - suma iloczynów wielkości produkcji i kosztów całkowitych,
s
C - koszty stałe
jz
C - jednostkowe koszty zmienne.
6 Porównaj: J. Greń: Statystyka matematyczna, PWN, Warszawa 1987; H. Kowgier: Elementy rachunku
prawdopodobieństwa i statystyki na przykładach z ekonomii, WNT , Warszawa 2011.
Polega ona na jak najlepszym dopasowaniu linii kosztów do wszystkich obserwacji oraz określeniu stopnia dopasowania tej linii do tych obserwacji. W tym celu zastosujemy metodę najmniejszych kwadratów. W metodzie tej minimalizujemy wartość wyrażenia:
n i i jz i s C Q C C 1 2 ) ( (10) szukając zmiennych obrazujących wysokość kosztów stałych i jednostkowych kosztów zmiennych. Metoda ta polega na takim dobraniu ocen szacowanych parametrów, aby suma kwadratów odchyleń (tzn. różnic) empirycznych wartości danej funkcji od jej wartości szacowanych była minimalna.Warunek konieczny ekstremum, który jest jednocześnie warunkiem dostatecznym przyjmuje postać:
n i i jz i s s n i i jz i s i jz C Q C C C Q C Q C C C 1 1 0 ) 1 )( ( 2 0 ) )( ( 2 . (11)W tym celu rozwiązujemy układ równań:
n i n i n i i s i jz i i n i n i i jz s i Q C Q C C Q Q C C n C 1 1 1 2 1 1 , (12)przy założeniu, że dwuwymiarowa zmienna losowa (Q, C) ma rozkład normalny6. Wtedy regresja C względem Q jak i Q względem C jest w tym rozkładzie funkcją liniową.
Oznaczenia do układu (12): n - liczba obserwacji,
n i1Ci- suma obserwacji kosztów całkowitych,
n i i Q 12 - suma kwadratów obserwacji wielkości produkcji,
n i i i C Q 12 - suma iloczynów wielkości produkcji i kosztów całkowitych,
s
C - koszty stałe
jz
C - jednostkowe koszty zmienne.
6 Porównaj: J. Greń: Statystyka matematyczna, PWN, Warszawa 1987; H. Kowgier: Elementy rachunku
18
Zeszyty Naukowe ZPSB Firma i Rynek 1/2012Rozwiązując układ (12) względem otrzymujemy:
Aby obliczyć odchylenie standardowe zmiennych Q i C w próbce
może-my skorzystać z następujących wzorów:
Natomiast kowariancja w próbce wyraża się wzorem:
Wykorzystując odchylenie standardowe oraz kowariancję możemy
obli-czyć estymator współczynnika korelacji generalnej na mocy współczynnika
korelacji r w próbce, który ma postać:
przy czym mamy po podstawieniu za oraz :
Przykład empiryczny dotyczący produkcji jedno – asortymentowej
W pewnej firmie produkcję i koszty całkowite w danym roku po uwzględnieniu
inflacji opisuje tabela 1.
Rozwiązując układ (12) względem Cjzi Cs otrzymujemy:
n i n i i jz i s n C C n Q C 1 1 1 1 =C C Q jz (13)
n i i n i i i n i n i i i n i n i n i i i i i jz Q Q C C Q Q Q Q n C Q C Q n C 1 2 1 1 1 2 2 1 1 1 ) ( ) )( ( ) ( . (14)Aby obliczyć odchylenie standardowe zmiennych Q i C w próbce możemy skorzystać z następujących wzorów:
n i i Q n Q Q 1 2 ) ( 1 ~ ,
n i i C n C C 1 2 ) ( 1 ~ . (15) Natomiast kowariancja w próbce wyraża się wzorem:
n i i i C C Q Q n C Q 1 ) )( ( 1 ) , cov( . (16) Wykorzystując odchylenie standardowe oraz kowariancję możemy obliczyć estymator współczynnika korelacji generalnej na mocy współczynnika korelacji r w próbce, który ma postać: r aQCaCQ, (17) gdzie cov(~2, ) C QC C Q a , cov(~2, ) Q CQ QC a - współczynniki regresji w próbce przy czym mamy po podstawieniu za ~ , Q ~ oraz C cov( CQ, ) :
n i n i i i n i i i C C Q Q C C Q Q r 1 1 2 2 1 ) ( ) ( ) )( ( . (18)Przykład empiryczny dotyczący produkcji jedno - asortymentowej
W pewnej firmie produkcję i koszty całkowite w danym roku po uwzględnieniu inflacji opisuje tabela 1:
Tabela 1.
Miesiąc Produkcja ( w sztukach) - Q i Koszty całkowite - C i Styczeń Q1120 C19800
Luty Q2140 C210000
Rozwiązując układ (12) względem Cjzi Cs otrzymujemy:
n i n i i jz i s n C C n Q C 1 1 1 1 =C C Q jz (13)
n i i n i i i n i n i i i n i n i n i i i i i jz Q Q C C Q Q Q Q n C Q C Q n C 1 2 1 1 1 2 2 1 1 1 ) ( ) )( ( ) ( . (14) Aby obliczyć odchylenie standardowe zmiennych Q i C w próbce możemy skorzystać z następujących wzorów:
n i i Q n Q Q 1 2 ) ( 1 ~ ,
n i i C n C C 1 2 ) ( 1 ~ . (15) Natomiast kowariancja w próbce wyraża się wzorem:
n i i i C C Q Q n C Q 1 ) )( ( 1 ) , cov( . (16) Wykorzystując odchylenie standardowe oraz kowariancję możemy obliczyć estymator współczynnika korelacji generalnej na mocy współczynnika korelacji r w próbce, który ma postać: r aQCaCQ, (17) gdzie ~2 ) , cov( C QC QC a , ~2 ) , cov( Q CQ QC a - współczynniki regresji w próbce przy czym mamy po podstawieniu za ~ , Q ~ oraz C cov( CQ, ) :
n i n i i i n i i i C C Q Q C C Q Q r 1 1 2 2 1 ) ( ) ( ) )( ( . (18)Przykład empiryczny dotyczący produkcji jedno - asortymentowej
W pewnej firmie produkcję i koszty całkowite w danym roku po uwzględnieniu inflacji opisuje tabela 1:
Tabela 1.
Miesiąc Produkcja ( w sztukach) - Q i Koszty całkowite - C i Styczeń Q1120 C19800 Luty Q2140 C210000 Rozwiązując układ (12) względem Cjzi Cs otrzymujemy:
n i n i i jz i s n C C n Q C 1 1 1 1 =C C Q jz (13)
n i i n i i i n i n i i i n i n i n i i i i i jz Q Q C C Q Q Q Q n C Q C Q n C 1 2 1 1 1 2 2 1 1 1 ) ( ) )( ( ) ( . (14) Aby obliczyć odchylenie standardowe zmiennych Q i C w próbce możemy skorzystać z następujących wzorów:
n i i Q n Q Q 1 2 ) ( 1 ~ ,
n i i C n C C 1 2 ) ( 1 ~ . (15) Natomiast kowariancja w próbce wyraża się wzorem:
n i i i C C Q Q n C Q 1 ) )( ( 1 ) , cov( . (16) Wykorzystując odchylenie standardowe oraz kowariancję możemy obliczyć estymator współczynnika korelacji generalnej na mocy współczynnika korelacji r w próbce, który ma postać: r aQCaCQ, (17) gdzie ~2 ) , cov( C QC QC a , ~2 ) , cov( Q CQ QC a - współczynniki regresji w próbce przy czym mamy po podstawieniu za ~ , Q ~ oraz C cov( CQ, ) :
n i n i i i n i i i C C Q Q C C Q Q r 1 1 2 2 1 ) ( ) ( ) )( ( . (18)Przykład empiryczny dotyczący produkcji jedno - asortymentowej
W pewnej firmie produkcję i koszty całkowite w danym roku po uwzględnieniu inflacji opisuje tabela 1:
Tabela 1.
Miesiąc Produkcja ( w sztukach) - Q i Koszty całkowite - C i Styczeń Q1120 C19800 Luty Q2140 C210000 Rozwiązując układ (12) względem Cjzi Cs otrzymujemy:
n i n i i jz i s n C C n Q C 1 1 1 1 =C C Q jz (13)
n i i n i i i n i n i i i n i n i n i i i i i jz Q Q C C Q Q Q Q n C Q C Q n C 1 2 1 1 1 2 2 1 1 1 ) ( ) )( ( ) ( . (14) Aby obliczyć odchylenie standardowe zmiennych Q i C w próbce możemy skorzystać z następujących wzorów:
n i i Q n Q Q 1 2 ) ( 1 ~ ,
n i i C n C C 1 2 ) ( 1 ~ . (15) Natomiast kowariancja w próbce wyraża się wzorem:
n i i i C C Q Q n C Q 1 ) )( ( 1 ) , cov( . (16) Wykorzystując odchylenie standardowe oraz kowariancję możemy obliczyć estymator współczynnika korelacji generalnej na mocy współczynnika korelacji r w próbce, który ma postać: r aQCaCQ, (17) gdzie ~2 ) , cov( C QC QC a , cov(~2, ) Q CQ QC a - współczynniki regresji w próbce przy czym mamy po podstawieniu za ~ , Q ~ oraz C cov( CQ, ) :
n i n i i i n i i i C C Q Q C C Q Q r 1 1 2 2 1 ) ( ) ( ) )( ( . (18)Przykład empiryczny dotyczący produkcji jedno - asortymentowej
W pewnej firmie produkcję i koszty całkowite w danym roku po uwzględnieniu inflacji opisuje tabela 1:
Tabela 1.
Miesiąc Produkcja ( w sztukach) - Q i Koszty całkowite - C i
Styczeń Q1120 C19800 Luty Q2140 C210000
Rozwiązując układ (12) względem Cjzi Cs otrzymujemy:
n i n i i jz i s n C C n Q C 1 1 1 1 =C C Q jz (13)
n i i n i i i n i n i i i n i n i n i i i i i jz Q Q C C Q Q Q Q n C Q C Q n C 1 2 1 1 1 2 2 1 1 1 ) ( ) )( ( ) ( . (14)Aby obliczyć odchylenie standardowe zmiennych Q i C w próbce możemy skorzystać z następujących wzorów:
n i i Q n Q Q 1 2 ) ( 1 ~ ,
n i i C n C C 1 2 ) ( 1 ~ . (15) Natomiast kowariancja w próbce wyraża się wzorem:
n i i i C C Q Q n C Q 1 ) )( ( 1 ) , cov( . (16) Wykorzystując odchylenie standardowe oraz kowariancję możemy obliczyć estymator współczynnika korelacji generalnej na mocy współczynnika korelacji r w próbce, który ma postać: r aQCaCQ, (17) gdzie cov(~2, ) C QC C Q a , cov(~2, ) Q CQ QC a - współczynniki regresji w próbce przy czym mamy po podstawieniu za ~ , Q ~ oraz C cov( CQ, ) :
n i n i i i n i i i C C Q Q C C Q Q r 1 1 2 2 1 ) ( ) ( ) )( ( . (18)Przykład empiryczny dotyczący produkcji jedno - asortymentowej
W pewnej firmie produkcję i koszty całkowite w danym roku po uwzględnieniu inflacji opisuje tabela 1:
Tabela 1.
Miesiąc Produkcja ( w sztukach) - Q i Koszty całkowite - C i Styczeń Q1120 C19800
Luty Q2140 C210000
Rozwiązując układ (12) względem Cjzi Cs otrzymujemy:
n i n i i jz i s n C C n Q C 1 1 1 1 =C C Q jz (13)
n i i n i i i n i n i i i n i n i n i i i i i jz Q Q C C Q Q Q Q n C Q C Q n C 1 2 1 1 1 2 2 1 1 1 ) ( ) )( ( ) ( . (14) Aby obliczyć odchylenie standardowe zmiennych Q i C w próbce możemy skorzystać z następujących wzorów:
n i i Q n Q Q 1 2 ) ( 1 ~ ,
n i i C n C C 1 2 ) ( 1 ~ . (15) Natomiast kowariancja w próbce wyraża się wzorem:
n i i i C C Q Q n C Q 1 ) )( ( 1 ) , cov( . (16) Wykorzystując odchylenie standardowe oraz kowariancję możemy obliczyć estymator współczynnika korelacji generalnej na mocy współczynnika korelacji r w próbce, który ma postać: r aQCaCQ, (17) gdzie ~2 ) , cov( C QC QC a , ~2 ) , cov( Q CQ QC a - współczynniki regresji w próbce przy czym mamy po podstawieniu za ~ , Q ~ oraz C cov( CQ, ) :
n i n i i i n i i i C C Q Q C C Q Q r 1 1 2 2 1 ) ( ) ( ) )( ( . (18)Przykład empiryczny dotyczący produkcji jedno - asortymentowej
W pewnej firmie produkcję i koszty całkowite w danym roku po uwzględnieniu inflacji opisuje tabela 1:
Tabela 1.
Miesiąc Produkcja ( w sztukach) - Q i Koszty całkowite - C i Styczeń Q1120 C19800 Luty Q2140 C210000
Rozwiązując układ (12) względem Cjzi Cs otrzymujemy:
n i n i i jz i s n C C n Q C 1 1 1 1 =C C Q jz (13)
n i i n i i i n i n i i i n i n i n i i i i i jz Q Q C C Q Q Q Q n C Q C Q n C 1 2 1 1 1 2 2 1 1 1 ) ( ) )( ( ) ( . (14) Aby obliczyć odchylenie standardowe zmiennych Q i C w próbce możemy skorzystać z następujących wzorów:
n i i Q n Q Q 1 2 ) ( 1 ~ ,
n i i C n C C 1 2 ) ( 1 ~ . (15) Natomiast kowariancja w próbce wyraża się wzorem:
n i i i C C Q Q n C Q 1 ) )( ( 1 ) , cov( . (16) Wykorzystując odchylenie standardowe oraz kowariancję możemy obliczyć estymator współczynnika korelacji generalnej na mocy współczynnika korelacji r w próbce, który ma postać: r aQCaCQ, (17) gdzie ~2 ) , cov( C QC QC a , ~2 ) , cov( Q CQ QC a - współczynniki regresji w próbce przy czym mamy po podstawieniu za ~ , Q ~ oraz C cov( CQ, ) :
n i n i i i n i i i C C Q Q C C Q Q r 1 1 2 2 1 ) ( ) ( ) )( ( . (18)Przykład empiryczny dotyczący produkcji jedno - asortymentowej
W pewnej firmie produkcję i koszty całkowite w danym roku po uwzględnieniu inflacji opisuje tabela 1:
Tabela 1.
Miesiąc Produkcja ( w sztukach) - Q i Koszty całkowite - C i Styczeń Q1120 C19800 Luty Q2140 C210000 Rozwiązując układ (12) względem Cjzi Cs otrzymujemy:
n i n i i jz i s n C C n Q C 1 1 1 1 =C C Q jz (13)
n i i n i i i n i n i i i n i n i n i i i i i jz Q Q C C Q Q Q Q n C Q C Q n C 1 2 1 1 1 2 2 1 1 1 ) ( ) )( ( ) ( . (14) Aby obliczyć odchylenie standardowe zmiennych Q i C w próbce możemy skorzystać z następujących wzorów:
n i i Q n Q Q 1 2 ) ( 1 ~ ,
n i i C n C C 1 2 ) ( 1 ~ . (15) Natomiast kowariancja w próbce wyraża się wzorem:
n i i i C C Q Q n C Q 1 ) )( ( 1 ) , cov( . (16) Wykorzystując odchylenie standardowe oraz kowariancję możemy obliczyć estymator współczynnika korelacji generalnej na mocy współczynnika korelacji r w próbce, który ma postać: r aQCaCQ, (17) gdzie ~2 ) , cov( C QC QC a , cov(~2, ) Q CQ C Q a - współczynniki regresji w próbce przy czym mamy po podstawieniu za ~ , Q ~ oraz C cov( CQ, ) :
n i n i i i n i i i C C Q Q C C Q Q r 1 1 2 2 1 ) ( ) ( ) )( ( . (18)Przykład empiryczny dotyczący produkcji jedno - asortymentowej
W pewnej firmie produkcję i koszty całkowite w danym roku po uwzględnieniu inflacji opisuje tabela 1:
Tabela 1.
Miesiąc Produkcja ( w sztukach) - Q i Koszty całkowite - C i
Styczeń Q1120 C19800 Luty Q2140 C210000
Zeszyty Naukowe ZPSB Firma i Rynek 1/2012
19
Tabela 1 .
Źródło: Opracowanie własne .
Tabela 2 .
Obliczenia pomocnicze .
Źródło: Opracowanie własne .
Miesiąc
Produkcja ( w sztukach) -
Q
i Koszty całkowite -C
iStyczeń
Q
1
120C
1
9800 LutyQ
2
140C
2
10000 MarzecQ
3
180C
3
10500 KwiecieńQ
4
200C
4
11000 MajQ
5
180C
5
10500 CzerwiecQ
6
160C
6
10200 LipiecQ
7
140C
7
10000 SierpieńQ
8
180C
8
10500 WrzesieńQ
9
200C
9
11000 PaździernikQ
10
210C
10
11200 ListopadQ
11
200C
11
11000 GrudzieńQ
12
190C
12
10800 iQ
Q
2iC
iQ
iC
i
1Q
120 14400C
1
9800 117600
2Q
140 19600C
2
10000 1400000
3Q
180 32400C
3
10500 1890000
4Q
200 40000C
4
11000 2200000
5Q
180 32400C
5
10500 1890000
6Q
160 25600C
6
10200 1632000
7Q
140 19600C
7
10000 1400000
8Q
180 32400C
8
10500 1890000
9Q
200 40000C
9
11000 2200000
10Q
210 44100C
10
11200 2352000
11Q
200 40000C
11
11000 2200000
12Q
190 36100C
12
10800 2052000
12 12100
i iQ
12 1 2 i iQ
376600
12 1126500
i iC
i i iC
Q
12 1 22282000 MiesiącProdukcja ( w sztukach) -
Q
i Koszty całkowite -C
iStyczeń