MODELOWANIE WYBORU WARIANTU KSZTAI..CENIA POLICEALNEGO UCZNIÓW ZA POMOCĄ METODY CONJOINT ANALYSIS

Wielkość: px
Rozpocząć pokaz od strony:

Download "MODELOWANIE WYBORU WARIANTU KSZTAI..CENIA POLICEALNEGO UCZNIÓW ZA POMOCĄ METODY CONJOINT ANALYSIS"

Transkrypt

1 Józef Dziechciarz, Marek Walesiak Katedra Ekonometrii Katedra Ekonometrii i Informatyki Akademia Ekonomiczna im. Oskara Langego Wrocław MODELOWANIE WYBORU WARIANTU KSZTAI..CENIA POLICEALNEGO UCZNIÓW ZA POMOCĄ METODY CONJOINT ANALYSIS l. Wprowadzenie W zastosowaniach marketingowych metoda eonjoint analysis (measurement)1 służy do pomiaru preferencji produktów przez konsumentów. Każdy z produktów opisany jest wektorem zmiennych, które mierzone są na skali nominalnej (w analizie pełnią one rolę zmiennych niezależnych). Preferencje konsumentów (zmienna zależna) mierzone są na skali porządkowej, przedziałowej lub ilorazowej. Celem metody eonjoint ana/ysis jest określenie łącznego wpływu dwóch lub więcej nominalnych zmiennych niezależnych na zmienną zależną. Wybór skali pomiaru dla zmiennej zależnej detenninuje wybór wariantu metody (por. np. [6]). Rozróżnia się metryczne procedury estymacji dla zmiennej zależnej mierzonej na skati przedziałowej lub ilorazowej (np. metoda najmniejszych kwadratów ze zmiennymi sztucznymi, np. zerojedynkowymi) oraz niemetryczne procedury estymacji dla zmiennej zależnej mierzonej na skali porządkowej (np. monotoniczna analiza wariancji). Rezultatem zastosowania metody eonjoint analysis jest macierz współczynników użyteczności cząstkowych 2, która v.')'korzystywana jest w badaniach marketingowych m.in. w celu [l, s ], [4): Praccc wykonano w ramach grantu KBN nr l H02B pt. Komplllerowo wspomagam gromadzenie i analiza danych markelingowych. 1 Metoda pomiaru (analizy) lącznego oddzialywania zmiennych ~ Pojęcie to zdefiniowano w drugiej części artykułu.

2 146 Józef Dziechciarz, Marek Walesiak - określenja użyteczności każdego poziomu danej zmiennej, - określenia relatywnej ważności każdej zmiennej w procesie wyboru produktu przez nabywcę, - oszacowania udziału w rynku wybranych produktów. 2. Wyniki empiryczne Kierownictwo szkoły zamierza uruchomić nową szkołę policealną. Rozważane są różne warianty kształcenia policealnego. Każdy wariant szkoły opisany jest PJ"7l1Z pięć zmiennych: Z 1 -czas trwania nauki: -rok. -dwa lata. z3- fonna zajęć: -dzienne, -wieczorowe. Z 5 - cena za miesiąc nauki: zł, -200 zł, zł. z2 -liczba godzin zajęć: - 20 godzin tygodniowo, - 30 godzin tygodniowo. Ze -tytuł zawodowy: - tak, -me. Uruchomienie nowej szkoły policealnej wymaga rozpoznania preferencji potencjalnych uczniów. W projekcie badaniem obj~to próbę 165 uczniów szkół średnich miasta Wrocławia. Badania ankietowe przeprowadzono najesieni 1995 roku. Zwykle w tego typu badaniach próba obejmuje od l 00 do l 000 nabywcóv. [2, s ]. Na podstawie wyróżnjooych zmiennych oraz odpowiadających im poziomów można utworzyć zbiór hipotetycznych wariantów kształcenia policealnego. Ich liczbajest iloczynem liczby poziomów wyróżnionych dla wszystkich zmiennych opisujących warianty kształcenia policealnego. Ponieważ w analizowanym projekcie wyróżniono 5 zmiennych odpowiednio o 2, 2, 2, 2 i 3 ich poziomach, otrzymuje się 48 hipotetycznych wariantów kształcenia policealnego. Pricdmiotem dalszego badania mogą być wszystkie możliwe konfiguracje łub ich pewien podzbiór, wyróżniony przez badacza arbitralnie lub przy zastosowaniu odpowiednich procedur statystycznych. Do oceny zaproponowano 10 wariantów kształcenia policealnego, wybranych przy pomocy metody tablic ortogonalnych. Respondenci oceniali te warianty przez podanie prawdopodobieństwa ich wyboru (wybrane -.vyniki ocen

3 Modelowanie wyboru wariantu kształcenia policealnego uczniów respondentów zawiera tabl. 1). Charakterystyki 10 wariantów kształcenia policealnego zawiera rys. 1. Tablica l Oceny lo hipotetycznych wariantów kształcenia policealnego dokonane przez 165 respondentów (wybrane obserwacje) Numer Numer wariantu kształcenia policealnego respondenta l lo lo lo Ol 90 Ol lo Ol 5 99 lo lo lo lo Ol 85 Ol lo lo Żródlo : opracowanie własne. Na podstawie uzyskanych odpowiedli oszacowano za pomocą metody najmniejszych kwadratów użyteczności cząstkowe dla każdego respondenta. Ponadto obliczono średnie wartości użyteczności dla całej próby. W analizie regresji zmienną zależnąjest ocena przypisana przez danego respondenta poszczególnym wariantom kształcenia. Wpływ każdego poziomu zmiennej na ocenę przypisaną wariantom kształcenia policealnego przez danego respondenta uwzględnia się przez wprowadzenie do moddu sztucznych zmiennych niezależnych. Jak wiadomo liczba zmiennych sztucznych musi być mniejsza o jeden od liczby poziomów danej zmiennej nominalnej. Ponieważ w analizowanym przykładzie są cztery zmienne nominalne o dwóch poziomach i jedna o tnech, to liczba wprowadzonych do modelu zmiennych sztucznychjest równa 6. Model regresji wielorakiej z 6 zmiennymi sztucznymi dla respondenta s jest następujący: Ą Y.r =bo.r +blsxls +b2.rx2s +b3sx3.f +b4sx4.r +hssxss +h6sx6s {l)

4 148 Józef Dziechciarz. Marek Walcwak Wariant l Wariant 2 Czas trwania nauki Rok C;r.as t.rwanw nauki Dwa lata Liczba godzin zajęć 30 godl tyg. Liczba god;in 1..ajęć 20 godl tyg. Forma zajęć Dzienne Forma 1..ajęć Dzienne Tyrulz..awodowy Nie Tytuł zawodowy Nic Cena 150 zł za miesiąc Cena 200 zł za miesiąc Preferencja Preferencja... Wariant 3 Wariant ł Czas trwania nauki Rok C1..as trwania nauki Dwa lata Liczba godzin zajęć JO god;r~ tyg. Liczba god1in zajęć.10 godz. tyg. Forma zajęć Wieczorowe Forma l.iljc;ć W1eczorowc Tytuł za,~odmv} raj..: Tytuł awodowy :--li e Cena 200 zł za miesiąc Cena 150 zł.-..a miesiąc Preferencja... Preferencja Wariant 5 Wariant 6 Czas trwania nauki Dwa lata Czas trwania nauki Rok Liczba godzin zajęć 20 godz. tyg. Liczba godzin 1..ajęć 20 godl tyg. Forma ;r.ajęć Wieczorowe Forma zajc;ć Wieczorowe l)tul/.awodowy Tak 'l) tul zawodowy Nic Cena l ~O zl za miesiąc Cena 250 zł za miesiąc Preferencja Preferencja... Wariant 7 Wariant8 C1.as trwania nauki Dwa lata C1ns trwania nauki Rok Liczba godzin 1..ajęć JO godl- t) g. l.iczba godzin 1..ajt.;ć 20 godz. tyg. f-orma J.ąic;ć Dzienne Forma znjc;ć D1ienne Tytuł zawodow) rak Tytuł zawodowy Tul.: C t! na 250 zł.. a micsi;1c c~na 150 zł.-.a mic~i<ic Preferencja Preferencja... War1ant <) Wariant 10 Czas trwania nauki Dwa lata (.';as trwaniu nauki l>wa lata Liczba godzm.-.ajęć JO godz. tyg. l.ic.-ba godzin zajęć 10 godt:. tyg. Forma z.aię ć WieczorO\H: Forma z.aj~ć l>z:ienm: r) tul ZAIWOdllW) l' ak T)tuł awodtmy Tul\ Cena 200 zł /Al micsl<\c Cena 200 zł za mic.si<ic l'rcfcrcncja... - Preferencja..... Rys. l. Charakterystyki l (l proponowan)ch '~nriantów k ształcenia policealnego Żró<lło : opmcm\anie \\lasne.

5 Modelowanie wyboru wariantu kształcenia policealnego uczniów... l 49 gdzie: b"..., b6- parametry równania regresji, bo -wyraz wolny, X"..., X 6 - zmienne sztuczne zdefiniowane następująco: Zmienna Z 1 x, Zmienna Z 2 x2 Zmienna Z 3 x.l Poziom I l Poziom l l Poziom I l Poziom II -l Poziom U -l Poziom II -l Zmienna Z 4 Poziom l x4 Poziom Ił -t l X s x6 ZmiennaZ 5 Poziom l l o Poziom II o Poz.iom Ul -l -l Dla respondenta s otrzymuje się następujące oszacowani a użyteczności cząstkowych (8]: a) dla Lllliennej o dwóch poziomach Zmienna~ Zmienna sztuczna.r,, Ut.yteczności cząstkowe Poziom l l c; 1 =b", Poziom 11 -l u; 2 =-b,., b) dla zmiennej o trzech poziomach Lmienna Zmienna sztuczna Zmienna sztuczna U zyteczności z l.\:'p.\~ cząstkowe Poziom l l o u;, c.=.h 1 " Poziom II o l u; 2 =hą, Poziom III -l -l u;l =-(h 1,. +bq,) gdzie: u s - użyteczność cząs.. owa /-tego poziomuj-tej zmiennej dla respondenta s. j/j j - numer zmiennej (j = J..., S), p, q - numery zmiennych sztucznych (p. q = l... 6). t, - numer poziomu dla zmiennej Z, {1 1 = h=!,= /4 = l, 2: /~ = l. 2. 3).,,. - numer respondenta (s= l..., 165 ).

6 150 Józef Dziechciarz, Marek Walesiak Po oszacowaniu użyteczności cząstkowych określono relatywną ważność każdej zmiennej w procesie wyboru wariantu kształcenia policealnego. Wyniki empiryczne zestawiono w tabl. 2 oraz zaprezentowano graficznie na rys. 2. Relatywną ważność każdej zmiennej Wf dla respondenta s wyznacza się za pomocą formuły [4, s. 608]: (2) Ponadto dla i-tego wariantu kształcenia policealnego i s-tego respondenta szacuje się użyteczność całkowitą według wzoru (8]: gdzie: l~ - numer poziomu dla j-tej zmiennej i i-tego wariantu kształcenia policealnego, i= l,..., l O- numer wariantu kształcenia policealnego, bo., -wyraz wolny dla respondenta s. Na podstawie danych tabl. 2 można oszacować użyteczność całkowitą dla wariantu kształcenia policealnego nr l dla respondenta 3: U 1 3 = 8,75 + s,o + (-2,5)+ (-3,75)+ 23, = 68,75. Użyteczność całkowitą dla i-tego wariantu kształcenia policealnego wylicza się ze wzoru [8]: (3) JS(m s ) U, =-L L U 1'. + bos. S s=l J=l 1 J (4) Na podstawie uzyskanych wyników można wybrać warianty szkolenia policealnego do analizy symulacyjnej. Wybór uzależniony jest od relatywnej ważności poszczególnych zmiennych i ich poziomów. Atrakcyjność (całkowita użyteczność) wariantów symulacyjnych dla poszczególnych respondentów i dla całego zbioru można wyliczyć stosując wzory (3) i (4). Wyniki te stosuje się do oszacowania przewidywanego udziału poszczególnych wariantów szkolenia policealnego w rynku.

7 Modelowanie wyboru wariantu kształcenia policealnego uczniów Wyniki empiryc?jle otrzymane za pomocą metody eonjoint analysts dla całej badanej próby i wybranych respondentów Tablica 2 Wyszaególmcme Oszacowane u2ytecznośc1 cząstkowej Numer respondenta l AV l. Czas uwan a nauki a) rok , ,13 8,25-0,63 9,88 b) dwalata 0, ,25 - -o,63-9,88 2. Liczba godzin zaj~ć (w tygodniu) a) 20 godzin -4,88 0,63-5, ,13-2,75 - -{),63-14,88 b) 30 godzin 4,88 -o.63 5,0-11,13 2, ,88 3. Forma :a!j~ć a) dzienne -2,38 1,63-2,5 - -3,88 1,5-6, b) Wieczorowe 2, ,5-3,88-1, Tytuł zawodowy a) tak 27,38 23,88 3,75-16,13 32,5-17,88 17,38 b) OIC - 27,38-23, , Ccnaza miesiąc a) 250 zl - 12,33-23,17-25, , ,58 7,67 b) 200 zl 12,17 19,33 2, ,83 7,25-4, c) J50zl ,83 23, ,83-3,0 - -o,83-9,83 6. Wyraz wolny ,83 35,75-78,08 52,33 7 Relatywna ważność każdej anieonej (%) a) czas trwania 0,27 '\2,56 19,72-11,24 16, ,54 b) licdla godzin 10,37 0, ,41 5, ,93 c) forma zajęć s.os 2, , 11 2,96-22, d) tytuł zawodowy 58,24 33, ,59 64, ,63 e) cena 26, , , ,43 8. Wspólczynmk R 0,957 0, , ,904-5,0 3,83 5,0-3,83-2,5 -o,l ,12 25,0 1,10-25,0-1,10 1, , , , ,98 10,53 13,31 5,26 9, , ,42 1,000 0,998 A l'- waność średnia. R -współczynnik korelacji ''ielorakiej między aobserwowanymi i oszacowanytm preferencjami uczniów (statystyka. pokazuje stopień dopasowania modelu do danych empirycznych) Żródlo: obliczenia własne wykonane z użyciem pakietu statystycznego SPSS Categories v. 6.1 for Windows (5].

8 152 Józef Dziechciarz, Marek Walesiak ~L ~ ~ O,l.l.----~ Rok Dwu btn 20 god.zln 30 godzul Czas trwanta nauk Ltczba godztn zajęć w tygodmu l.l )0 l.l J.-----~ ) ~---- Wacczorowc Tnlc N te Forma z.aji(ć Tytuł zawodowy -( ~ ~--- ~00 ;d 1.~0,, Cena z.a mtesiąc Zmienna Rys. 2. Graficzne wyniki przedstawiające uzytcczności cząstkowe poszczególnych poziomów 2miennych oraz ważność 2miennych dla danych zagrcgowanych Żródlo: opracowanie własne.

9 Modelowanie wyboru wariantu kształcenia policealnego uczniów... l 53 Dla celów symulacji wybrano sześć wariantów. Wariant li Wariant 12 Czas trwania nauki Rok Czas trwania nauki Dwa lata Liczba godzin zajęć 30 godz. tyg. Liczba godzin zajęć 20 godz. tyg. Fonna zajęć Dzienne Fonna zajęć Dz.ien.111e Tytuł zawodowy Tak Tytuł zawodowy Tak Cena 250 zł za miesiąc Cena 200 zł za miesiąc Preferencja... Preferencja..... Wariant13 Wariant 14 Czas trwania nauki Dwa lata Czas trwania nauki Rok Liczba godzin tajęć 20 godz. tyg. Liczba godzin zajęć 20 godz. tyg. Fonna zajęć Dzienne Fonna zajęć Wiec1.orowe Tytul zawodowy Tak Tytuł zawodowy Nie Cena 150 zł za miesiąc Cena 200 zł za miesiąc Preferencja... Preferencja Wariant 15 Wariant 16 Czas trwania nauki Dwa lata Czas trwania nauki Dwa lata Liczba god7in zaję ć 20 godz. tyg. Liczba godzin zajęć 20 godz tyg. Fonna zajęć Wieczorowe Fonna zajęć Wieczoro'-1-e Tytuł zawodowy Tak Tytuł zawodowy Tak Cena 200 zl za miestąc Cena 250 zł za miesiąc Preferencja... Preferencja.... Testowane warianty szkolenia policealnego podzielono na trzy grupy. W pierwszej grupie (warianty 11-13) znajdują się tylko dzienne formy kształcenia policealnego. zakłada się bowiem, że kierownictwo szkol) jest zainteresowane w uruchomieniu tylko takiej formy kształcenia. W grupie drugiej (warianty 14-16) wybór dotyczy wieczorowej formy kształcenia policealnego. Z kolei w grupie trzeciej (warianty 11-16) wybór dotyczy jednej dziennej i jednej wieczorowej formy kształcenia policealnego, co oznacza, że kierownictwo szkoły planuje uruchomienie dziennej i wieczorowej formy kształcenia policealnego. Prognozowany udział sześciu wariantów kształcenia policealnego w rynku oszacowano wykorzystując do tego celu modele [4, s. 591]: maksymalnej użyteczności, model probabilistyczny BTL (Bradleya-Terry'ego-Luce'a), model logitowy.

10 154 Józef Dziechciarz, Marele Walesiole Rezultaty analizy symulacyjnej dla 6 testowanych wariantów szkolenia policealnego Testowany Prognozowana Prognozowane udziały w rynku Tablica 3 wariant użyteczność całkowita Modeł maksymalnej Modele probabilistyczne ksztalcenia (formuła (4)) użyteczności(%) BTL(%) logitowy (%) Grupa l Ił ,40 32, ,2 18,28 31,80 18, ,1 41,31 35,25 41,63 Grupa II 14 31,9 7, ,0 60,20 41,24 63, ,02 37,15 29,59 Grupa m Ił 65,1 31,01 18,89 29, , ,10 9, ,1 33,74 20,44 34, ,9 3,64 9,52 3, ,45 15, Źródło: opracowanie własne. W modelu maksymalnej użyteczności oblicza się odsetek respondentów. dla których dany wariant kształcenia policealnego otrz)mał najwyższą ocenę użyteczności całkowitej wśród obiektów będących przedmiotem symulacji. W modelu BTL użyteczność całkowitą odpowiadającą danemu wariantowi kształcenia policealnego dzieli się przez sumę użyteczności całkowitych obiektów będących przedmiotem symulacji. Model logitowy różni się od modelu BTL tym. że w obliczeniach stosuje się logarytmy naturalne wartości użyteczności całkowitych zamiast samych użyteczności. Rezultaty analizy symulacyjnej zaprezentowano w tabl. 3. Wszystkie modele wskazują, że w grupie pierwszej wariant szkolenia policealnego o numerze 13. w grupie drugiej - wariant 15, a w grupie trzeciej - warianty 13 i 15 są najbardziej preferowane przez respondentów (rezultaty wyboru oznaczono w tabl. 3 za pomocą gwiazdki).

11 Modelowanie wyboru wariantu kształcenia policealnego uczniów Literatura [l l Anttila M., Heuvel van den R.R., MOlter K., Conjoinl Measuremenl for Mar/reling MaJUJgement,.,European Joumal ofmarketing 1980, vol. 14, nr 7. (2] Cattin P., Winink D.R.. Commerciał Use o/conjoint Analysis: A Survey.,,Joumal o f Marketing". Summer [3] Dziechciarz J., Walesiak M., Pomiar łącznego oddziaływania zm1ennych (conjoinj measurement) w badaniach marlretingowych, Materiały z XVl ogólnopolskiego seminarium naukowego n t. Przestrzenno-czasowe modelowanie 1 prognozowanie zjawisic gospodarczych (Zakopane, VI994 r.), AE. Kraków [4] Multivariate Data Analysis with Readings, J.F. Hair, R.E. Andcrson, R.L. Tatham, W.C. Black., Englewood Cliffs, Prentice Hall [5] SPSSCategoriesfor Windows, Version6.1, SPSS Inc., Chicago [6] Vriens M., Witlink D.R., ConJoint Analysis in Mar/reling, 1994, maszynopis powielony. [7] Walesiak M., Colijoint measurement w analizie danych mar/retingowych (w:) Informatyka i ekonometria, AE, Prace Naukowe, Wrocław [8] Walesiak M., Metody analizy danych marlretingowych, PWN, Warszawa 1996.

PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WROCŁAWIU Nr 780 PROGNOZOWANIE W ZARZĄDZANIU FIRMĄ 1997

PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WROCŁAWIU Nr 780 PROGNOZOWANIE W ZARZĄDZANIU FIRMĄ 1997 PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WROCŁAWIU Nr 780 PROGNOZOWANIE W ZARZĄDZANIU FIRMĄ 1997 Marek Walesiak, Józef Dziechciarz, Anna Blaczkowska Akademia Ekonomiczna we Wrocławiu CONJOINT MEASUREMENT

Bardziej szczegółowo

CONJOINT MEASUREMENT W ANALIZIE DANYCH MARKETINGOWYCH

CONJOINT MEASUREMENT W ANALIZIE DANYCH MARKETINGOWYCH PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WROCLAWIU Nr 744 1997 Informatyka i Ekonometria 3 Marek Walesiak* CONJOINT MEASUREMENT W ANALIZIE DANYCH MARKETINGOWYCH 1. Wstęp Metoda pomiaru łącznego oddziaływania

Bardziej szczegółowo

Badania eksperymentalne

Badania eksperymentalne Badania eksperymentalne Analiza CONJOINT mgr Agnieszka Zięba Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa Najpopularniejsze sposoby oceny wyników eksperymentu w schematach

Bardziej szczegółowo

MAREK WALESIAK. JÓZEF DZIECHCIARZ. POMIAR PREFERENCn STUDENTÓW PRZY WYBORZE WARUNKÓW ZAKWATEROWANIA 1. WPROWADZENIE 2.

MAREK WALESIAK. JÓZEF DZIECHCIARZ. POMIAR PREFERENCn STUDENTÓW PRZY WYBORZE WARUNKÓW ZAKWATEROWANIA 1. WPROWADZENIE 2. PRZEGLĄD STATYSTYCZNY R. XLlV ZESZVT 3 1997 MAREK WALESAK. JÓZEF DZECHCARZ POMAR PREFERENCn STUDENTÓW PRZY WYBORZE WARUNKÓW ZAKWATEROWANA 1. WPROWADZENE Metoda conjoint analysis (measurement)l została

Bardziej szczegółowo

Conjoint analysis jako metoda analizy preferencji konsumentów

Conjoint analysis jako metoda analizy preferencji konsumentów Anna Szymańska Dorota Dziedzic Conjoint analysis jako metoda analizy preferencji konsumentów Wstęp Istotnym aspektem, mającym decydujący wpływ na sukcesy rynkowe przedsiębiorstwa jest zrozumienie postępowania

Bardziej szczegółowo

Ekonometria. Modele regresji wielorakiej - dobór zmiennych, szacowanie. Paweł Cibis pawel@cibis.pl. 1 kwietnia 2007

Ekonometria. Modele regresji wielorakiej - dobór zmiennych, szacowanie. Paweł Cibis pawel@cibis.pl. 1 kwietnia 2007 Modele regresji wielorakiej - dobór zmiennych, szacowanie Paweł Cibis pawel@cibis.pl 1 kwietnia 2007 1 Współczynnik zmienności Współczynnik zmienności wzory Współczynnik zmienności funkcje 2 Korelacja

Bardziej szczegółowo

Wykład 10 Skalowanie wielowymiarowe

Wykład 10 Skalowanie wielowymiarowe Wykład 10 Skalowanie wielowymiarowe Wrocław, 30.05.2018r Skalowanie wielowymiarowe (Multidimensional Scaling (MDS)) Główne cele MDS: przedstawienie struktury badanych obiektów przez określenie treści wymiarów

Bardziej szczegółowo

strona 1 / 11 Autor: Walesiak Marek Subdyscyplina: Klasyfikacja i analiza danych Publikacje:

strona 1 / 11 Autor: Walesiak Marek Subdyscyplina: Klasyfikacja i analiza danych Publikacje: Autor: Walesiak Marek Subdyscyplina: Klasyfikacja i analiza danych Publikacje: 1. Autorzy rozdziału: Borys Tadeusz; Strahl Danuta; Walesiak Marek Tytuł rozdziału: Wkład ośrodka wrocławskiego w rozwój teorii

Bardziej szczegółowo

Implementacja klasycznej metody conjoint analysis w pakiecie conjoint programu R 1

Implementacja klasycznej metody conjoint analysis w pakiecie conjoint programu R 1 Andrzej Bąk, Tomasz Bartłomowicz Uniwersytet Ekonomiczny we Wrocławiu Katedra Ekonometrii i Informatyki Implementacja klasycznej metody conjoint analysis w pakiecie conjoint programu R 1 1. Wprowadzenie

Bardziej szczegółowo

strona 1 / 12 Autor: Walesiak Marek Publikacje:

strona 1 / 12 Autor: Walesiak Marek Publikacje: Autor: Walesiak Marek Publikacje: 1. Autorzy rozdziału: Borys Tadeusz; Strahl Danuta; Walesiak Marek Tytuł rozdziału: Wkład ośrodka wrocławskiego w rozwój teorii i zastosowań metod taksonomicznych, s.

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA Zał. nr 4 do ZW WYDZIAŁ ELEKTRONIKI KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA MATEMATYCZNA Nazwa w języku angielskim Mathematical Statistics Kierunek studiów (jeśli dotyczy): Specjalność (jeśli

Bardziej szczegółowo

Tabela 1. Macierz preferencji dotycząca pięciu przykładowych produktów (obiektów) i sześciu respondentów

Tabela 1. Macierz preferencji dotycząca pięciu przykładowych produktów (obiektów) i sześciu respondentów Marcin Pełka Uniwersytet Ekonomiczny we Wrocławiu Katedra Ekonometrii i Informatyki ZASTOSOWANIE ANALIZY UNFOLDING W OCENIE PREFERENCJI UCZNIÓW SZKOŁY POLICEALNEJ Streszczenie: W artykule przedstawiono

Bardziej szczegółowo

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyczna teoria korelacji i regresji (1) Jest to dział statystyki zajmujący

Bardziej szczegółowo

1551\1 0324- glrlrs ISSf'J 1501- - 386'

1551\1 0324- glrlrs ISSf'J 1501- - 386' PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WROCŁAWIU Nr 1100------------------ Ekonometria 16 2006 Marek Walesiak PRZEGLĄD PODSTAWOWYCH ZASTOSOWAŃ METOD STATYSTYCZNEJ ANALIZY WIELOWYMIAROWEJ W BADANIACH MARKETINGOWYCH

Bardziej szczegółowo

Wprowadzenie do analizy korelacji i regresji

Wprowadzenie do analizy korelacji i regresji Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących

Bardziej szczegółowo

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)

Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego

Bardziej szczegółowo

W1. Wprowadzenie. Statystyka opisowa

W1. Wprowadzenie. Statystyka opisowa W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład

Bardziej szczegółowo

Ekonometria. Regresja liniowa, współczynnik zmienności, współczynnik korelacji liniowej, współczynnik korelacji wielorakiej

Ekonometria. Regresja liniowa, współczynnik zmienności, współczynnik korelacji liniowej, współczynnik korelacji wielorakiej Regresja liniowa, współczynnik zmienności, współczynnik korelacji liniowej, współczynnik korelacji wielorakiej Paweł Cibis pawel@cibis.pl 23 lutego 2007 1 Regresja liniowa 2 wzory funkcje 3 Korelacja liniowa

Bardziej szczegółowo

Conjoint analysis jako metoda analizy preferencji konsumentów

Conjoint analysis jako metoda analizy preferencji konsumentów Zeszyty Naukowe nr 68 Akademii Ekonomicznej w Krakowie 5 Anna Szymaƒska Studium Doktoranckie Wydziału Zarzàdzania Dorota Dziedzic Studium Doktoranckie Wydziału Zarzàdzania Conjoint analysis jako metoda

Bardziej szczegółowo

WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO

WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO Zał. nr 4 do ZW WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA STOSOWANA Nazwa w języku angielskim APPLIED STATISTICS Kierunek studiów (jeśli dotyczy): Specjalność

Bardziej szczegółowo

WYKAZ PRAC PUBLIKOWANYCH

WYKAZ PRAC PUBLIKOWANYCH Dr hab. Andrzej Bąk Prof. nadzw. AE WYKAZ PRAC PUBLIKOWANYCH I. Publikacje zwarte I.1. KsiąŜki 1. Walesiak M., Bąk A. [1997], Realizacja badań marketingowych metodą conjoint analysis z wykorzystaniem pakietu

Bardziej szczegółowo

Rachunek prawdopodobieństwa WZ-ST1-AG--16/17Z-RACH. Liczba godzin stacjonarne: Wykłady: 15 Ćwiczenia: 30. niestacjonarne: Wykłady: 9 Ćwiczenia: 18

Rachunek prawdopodobieństwa WZ-ST1-AG--16/17Z-RACH. Liczba godzin stacjonarne: Wykłady: 15 Ćwiczenia: 30. niestacjonarne: Wykłady: 9 Ćwiczenia: 18 Karta przedmiotu Wydział: Wydział Zarządzania Kierunek: Analityka gospodarcza I. Informacje podstawowe Nazwa przedmiotu Rachunek prawdopodobieństwa Nazwa przedmiotu w j. ang. Język prowadzenia przedmiotu

Bardziej szczegółowo

Rozdział 8. Regresja. Definiowanie modelu

Rozdział 8. Regresja. Definiowanie modelu Rozdział 8 Regresja Definiowanie modelu Analizę korelacji można traktować jako wstęp do analizy regresji. Jeżeli wykresy rozrzutu oraz wartości współczynników korelacji wskazują na istniejąca współzmienność

Bardziej szczegółowo

WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI

WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)

Bardziej szczegółowo

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne

Bardziej szczegółowo

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie:

( x) Równanie regresji liniowej ma postać. By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : Gdzie: ma postać y = ax + b Równanie regresji liniowej By obliczyć współczynniki a i b należy posłużyć się następującymi wzorami 1 : xy b = a = b lub x Gdzie: xy = też a = x = ( b ) i to dane empiryczne, a ilość

Bardziej szczegółowo

Rok akademicki: 2030/2031 Kod: ZZP MK-n Punkty ECTS: 3. Poziom studiów: Studia II stopnia Forma i tryb studiów: Niestacjonarne

Rok akademicki: 2030/2031 Kod: ZZP MK-n Punkty ECTS: 3. Poziom studiów: Studia II stopnia Forma i tryb studiów: Niestacjonarne Nazwa modułu: Komputerowe wspomaganie decyzji Rok akademicki: 2030/2031 Kod: ZZP-2-403-MK-n Punkty ECTS: 3 Wydział: Zarządzania Kierunek: Zarządzanie Specjalność: Marketing Poziom studiów: Studia II stopnia

Bardziej szczegółowo

Metody Ilościowe w Socjologii

Metody Ilościowe w Socjologii Metody Ilościowe w Socjologii wykład 2 i 3 EKONOMETRIA dr inż. Maciej Wolny AGENDA I. Ekonometria podstawowe definicje II. Etapy budowy modelu ekonometrycznego III. Wybrane metody doboru zmiennych do modelu

Bardziej szczegółowo

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007 , transformacja liniowa i estymacja modelu KMNK Paweł Cibis pawel@cibis.pl 9 marca 2007 1 Miary dopasowania modelu do danych empirycznych Współczynnik determinacji Współczynnik zbieżności Skorygowany R

Bardziej szczegółowo

Metoda najmniejszych kwadratów

Metoda najmniejszych kwadratów Model ekonometryczny Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między poziomem wykształcenia a wysokością zarobków Wykształcenie a zarobki Hipoteza badawcza: Istnieje zależność między

Bardziej szczegółowo

Regresja logistyczna (LOGISTIC)

Regresja logistyczna (LOGISTIC) Zmienna zależna: Wybór opcji zachodniej w polityce zagranicznej (kodowana jako tak, 0 nie) Zmienne niezależne: wiedza o Unii Europejskiej (WIEDZA), zamieszkiwanie w regionie zachodnim (ZACH) lub wschodnim

Bardziej szczegółowo

Kilka uwag o testowaniu istotności współczynnika korelacji

Kilka uwag o testowaniu istotności współczynnika korelacji 341 Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Piotr Peternek Uniwersytet Ekonomiczny we Wrocławiu Marek Kośny Uniwersytet Ekonomiczny we Wrocławiu Kilka uwag o testowaniu istotności

Bardziej szczegółowo

Inżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy

Inżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2017/2018 STATYSTYKA

Bardziej szczegółowo

Recenzenci Stefan Mynarski, Waldemar Tarczyński. Redaktor Wydawnictwa Anna Grzybowska. Redaktor techniczny Barbara Łopusiewicz. Korektor Barbara Cibis

Recenzenci Stefan Mynarski, Waldemar Tarczyński. Redaktor Wydawnictwa Anna Grzybowska. Redaktor techniczny Barbara Łopusiewicz. Korektor Barbara Cibis Komitet Redakcyjny Andrzej Matysiak (przewodniczący), Tadeusz Borys, Andrzej Gospodarowicz, Jan Lichtarski, Adam Nowicki, Walenty Ostasiewicz, Zdzisław Pisz, Teresa Znamierowska Recenzenci Stefan Mynarski,

Bardziej szczegółowo

METODY STATYSTYCZNE W BIOLOGII

METODY STATYSTYCZNE W BIOLOGII METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne

Bardziej szczegółowo

Zagadnienia na egzamin magisterski na kierunku Informatyka i Ekonometria (2 stopień studiów)

Zagadnienia na egzamin magisterski na kierunku Informatyka i Ekonometria (2 stopień studiów) Zagadnienia na egzamin magisterski na kierunku Informatyka i Ekonometria (2 stopień studiów) 1. Topologie sieci komputerowych a. 06IE_2A_W02 - jest w stanie zdefiniować problem decyzyjny, analizować źródła

Bardziej szczegółowo

Przedmiot statystyki. Graficzne przedstawienie danych. Wykład-26.02.07. Przedmiot statystyki

Przedmiot statystyki. Graficzne przedstawienie danych. Wykład-26.02.07. Przedmiot statystyki Przedmiot statystyki. Graficzne przedstawienie danych. Wykład-26.02.07 Statystyka dzieli się na trzy części: Przedmiot statystyki -zbieranie danych; -opracowanie i kondensacja danych (analiza danych);

Bardziej szczegółowo

Marcin Hundert Wykorzystanie metody conjoint do badania preferencji konsumentów telefonii ruchomej. Ekonomiczne Problemy Usług nr 42, 46-54

Marcin Hundert Wykorzystanie metody conjoint do badania preferencji konsumentów telefonii ruchomej. Ekonomiczne Problemy Usług nr 42, 46-54 Marcin Hundert Wykorzystanie metody conjoint do badania preferencji konsumentów telefonii ruchomej Ekonomiczne Problemy Usług nr 42, 46-54 2009 ZESZYTY NAUKOW E UNIW ERSYTETU SZCZECIŃ SK IEG O NR 559 EKONOM

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne

Bardziej szczegółowo

KARTA KURSU. (do zastosowania w roku ak. 2015/16) Kod Punktacja ECTS* 4

KARTA KURSU. (do zastosowania w roku ak. 2015/16) Kod Punktacja ECTS* 4 KARTA KURSU (do zastosowania w roku ak. 2015/16) Nazwa Statystyka 1 Nazwa w j. ang. Statistics 1 Kod Punktacja ECTS* 4 Koordynator Dr hab. Tadeusz Sozański (koordynator, wykłady) Dr Paweł Walawender (ćwiczenia)

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne

Bardziej szczegółowo

ANALIZA WIELOPOZIOMOWA JAKO NARZĘDZIE WSPARCIA POLITYK PUBLICZNYCH

ANALIZA WIELOPOZIOMOWA JAKO NARZĘDZIE WSPARCIA POLITYK PUBLICZNYCH ANALIZA WIELOPOZIOMOWA JAKO NARZĘDZIE WSPARCIA POLITYK PUBLICZNYCH - Adrian Gorgosz - Paulina Tupalska ANALIZA WIELOPOZIOMOWA (AW) Multilevel Analysis Obecna od lat 80. Popularna i coraz częściej stosowana

Bardziej szczegółowo

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU

Analiza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów

Bardziej szczegółowo

MODELE LINIOWE. Dr Wioleta Drobik

MODELE LINIOWE. Dr Wioleta Drobik MODELE LINIOWE Dr Wioleta Drobik MODELE LINIOWE Jedna z najstarszych i najpopularniejszych metod modelowania Zależność między zbiorem zmiennych objaśniających, a zmienną ilościową nazywaną zmienną objaśnianą

Bardziej szczegółowo

P: Czy studiujący i niestudiujący preferują inne sklepy internetowe?

P: Czy studiujący i niestudiujący preferują inne sklepy internetowe? 2 Test niezależności chi-kwadrat stosuje się (między innymi) w celu sprawdzenia czy pomiędzy zmiennymi istnieje związek/zależność. Stosujemy go w sytuacji, kiedy zmienna zależna mierzona jest na skali

Bardziej szczegółowo

Krakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2014/2015

Krakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2014/2015 Krakowska Akademia im. Andrzeja Frycza Modrzewskiego Karta przedmiotu obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 201/2015 WydziałZarządzania i Komunikacji Społecznej Kierunek studiów:

Bardziej szczegółowo

Przedmiot statystyki. Graficzne przedstawienie danych.

Przedmiot statystyki. Graficzne przedstawienie danych. Przedmiot statystyki. Graficzne przedstawienie danych. dr Mariusz Grządziel 23 lutego 2009 Przedmiot statystyki Statystyka dzieli się na trzy części: -zbieranie danych; -opracowanie i kondensacja danych

Bardziej szczegółowo

REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji

REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ. Analiza regresji i korelacji Statystyka i opracowanie danych Ćwiczenia 5 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA I KORELACJA MODEL REGRESJI LINIOWEJ MODEL REGRESJI WIELORAKIEJ MODEL REGRESJI LINIOWEJ Analiza regresji

Bardziej szczegółowo

Data wydruku: Dla rocznika: 2015/2016. Opis przedmiotu

Data wydruku: Dla rocznika: 2015/2016. Opis przedmiotu Sylabus przedmiotu: Specjalność: Statystyka Wszystkie specjalności Data wydruku: 31.01.2016 Dla rocznika: 2015/2016 Kierunek: Wydział: Zarządzanie i inżynieria produkcji Inżynieryjno-Ekonomiczny Dane podstawowe

Bardziej szczegółowo

Przedmowa Wykaz symboli Litery alfabetu greckiego wykorzystywane w podręczniku Symbole wykorzystywane w zagadnieniach teorii

Przedmowa Wykaz symboli Litery alfabetu greckiego wykorzystywane w podręczniku Symbole wykorzystywane w zagadnieniach teorii SPIS TREŚCI Przedmowa... 11 Wykaz symboli... 15 Litery alfabetu greckiego wykorzystywane w podręczniku... 15 Symbole wykorzystywane w zagadnieniach teorii mnogości (rachunku zbiorów)... 16 Symbole stosowane

Bardziej szczegółowo

Wykład ze statystyki. Maciej Wolny

Wykład ze statystyki. Maciej Wolny Wykład ze statystyki Maciej Wolny T1: Zajęcia organizacyjne Agenda 1. Program wykładu 2. Cel zajęć 3. Nabyte umiejętności 4. Literatura 5. Warunki zaliczenia Program wykładu T1: Zajęcia organizacyjne T2:

Bardziej szczegółowo

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI WYDZIAŁ GEOINŻYNIERII, GÓRNICTWA I GEOLOGII KARTA PRZEDMIOTU Nazwa w języku polskim: Statystyka matematyczna Nazwa w języku angielskim: Mathematical Statistics Kierunek studiów (jeśli dotyczy): Górnictwo

Bardziej szczegółowo

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5 STATYSTYKA I DOŚWIADCZALNICTWO Wykład 5 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y

Bardziej szczegółowo

Metodologia badań empirycznych z elementami statystyki.

Metodologia badań empirycznych z elementami statystyki. Metodologia badań empirycznych z elementami statystyki. A. Tematy zajęć: 1. Wprowadzenie. Kiedy i do czego w psychologii potrzebna jest znajomość zasad metodologii badań naukowych i statystyki?. Specyfika

Bardziej szczegółowo

WSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno

WSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE. Statystyka opisowa. Zarządzanie. niestacjonarne. I stopnia. dr Agnieszka Strzelecka. ogólnoakademicki.

PRZEWODNIK PO PRZEDMIOCIE. Statystyka opisowa. Zarządzanie. niestacjonarne. I stopnia. dr Agnieszka Strzelecka. ogólnoakademicki. Politechnika Częstochowska, Wydział Zarządzania PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu Kierunek Forma studiów Poziom kwalifikacji Rok Semestr Jednostka prowadząca Osoba sporządzająca Profil Rodzaj

Bardziej szczegółowo

Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa

Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący

Bardziej szczegółowo

Statystyka i Analiza Danych

Statystyka i Analiza Danych Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania analizy wariancji w opracowywaniu wyników badań empirycznych Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki -

Bardziej szczegółowo

Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna

Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna Regresja wieloraka Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna zmienna niezależna (można zobrazować

Bardziej szczegółowo

Estymacja punktowa i przedziałowa

Estymacja punktowa i przedziałowa Temat: Estymacja punktowa i przedziałowa Kody znaków: żółte wyróżnienie nowe pojęcie czerwony uwaga kursywa komentarz 1 Zagadnienia 1. Statystyczny opis próby. Idea estymacji punktowej pojęcie estymatora

Bardziej szczegółowo

PROBLEMY WYBORU W PROCEDURZE CONJOINT ANALYSIS

PROBLEMY WYBORU W PROCEDURZE CONJOINT ANALYSIS Marek Walesiak Katedra Ekonometrii i Informatyki Akademia Ekonomiczna im. Oskara Langego we Wrocławiu Wydział Gospodarki Regionalnej i Turystyki w Jeleniej Górze PROBLEMY WYBORU W PROCEDURZE CONJOINT ANALYSIS

Bardziej szczegółowo

STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE

STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE 1 W trakcie badania obliczono wartości średniej (15,4), mediany (13,6) oraz dominanty (10,0). Określ typ asymetrii rozkładu. 2 Wymień 3 cechy rozkładu Gauss

Bardziej szczegółowo

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski

Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej

Bardziej szczegółowo

MODEL STRUKTURALNY RELACJI MIĘDZY SATYSFAKCJĄ

MODEL STRUKTURALNY RELACJI MIĘDZY SATYSFAKCJĄ MODEL STRUKTURALNY RELACJI MIĘDZY SATYSFAKCJĄ I LOJALNOŚCIĄ WOBEC MARKI Adam Sagan Akademia Ekonomiczna w Krakowie, Katedra Analizy Rynku i Badań Marketingowych Wstęp Modelowanie strukturalne ma wielorakie

Bardziej szczegółowo

Opis programu studiów

Opis programu studiów IV. Opis programu studiów Załącznik nr 9 do Zarządzenia Rektora nr 35/19 z dnia 1 czerwca 019 r. 3. KARTA PRZEDMIOTU Kod przedmiotu I-IŚ-103 Nazwa przedmiotu Statystyka w inżynierii środowiska Nazwa przedmiotu

Bardziej szczegółowo

WYKŁAD 8 ANALIZA REGRESJI

WYKŁAD 8 ANALIZA REGRESJI WYKŁAD 8 ANALIZA REGRESJI Regresja 1. Metoda najmniejszych kwadratów-regresja prostoliniowa 2. Regresja krzywoliniowa 3. Estymacja liniowej funkcji regresji 4. Testy istotności współczynnika regresji liniowej

Bardziej szczegółowo

Statystyka w pracy badawczej nauczyciela

Statystyka w pracy badawczej nauczyciela Statystyka w pracy badawczej nauczyciela Wykład 1: Terminologia badań statystycznych dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka (1) Statystyka to nauka zajmująca się zbieraniem, badaniem

Bardziej szczegółowo

Metodyczne problemy badań preferencji konsumenckich

Metodyczne problemy badań preferencji konsumenckich Anna Szymańska Metodyczne problemy badań preferencji konsumenckich Wstęp Badania preferencji konsumenckich prowadzone są w celu poznania systemu ocen odzwierciedlających potrzeby i upodobania konsumenta,

Bardziej szczegółowo

Uczelnia Łazarskiego. Sylabus. 1. Nazwa przedmiotu EKONOMETRIA 2. Kod przedmiotu

Uczelnia Łazarskiego. Sylabus. 1. Nazwa przedmiotu EKONOMETRIA 2. Kod przedmiotu Uczelnia Łazarskiego Sylabus 1. Nazwa przedmiotu EKONOMETRIA 2. Kod przedmiotu 3. Język wykładowy Język polski 4. Status przedmiotu podstawowy do wyboru Języki X kierunkowy specjalistyczny Inne 5. Cel

Bardziej szczegółowo

Podstawowe pojęcia statystyczne

Podstawowe pojęcia statystyczne Podstawowe pojęcia statystyczne Istnieją trzy rodzaje kłamstwa: przepowiadanie pogody, statystyka i komunikat dyplomatyczny Jean Rigaux Co to jest statystyka? Nauka o metodach ilościowych badania zjawisk

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 3. Zmienne losowe 4. Populacje i próby danych 5. Testowanie hipotez i estymacja parametrów 6. Test t 7. Test

Bardziej szczegółowo

Egzamin / zaliczenie na ocenę*

Egzamin / zaliczenie na ocenę* Zał. nr do ZW /01 WYDZIAŁ / STUDIUM KARTA PRZEDMIOTU Nazwa w języku polskim Identyfikacja systemów Nazwa w języku angielskim System identification Kierunek studiów (jeśli dotyczy): Inżynieria Systemów

Bardziej szczegółowo

POMIAR I ANALIZA PREFERENCJI WYRAŻONYCH Z WYKORZYSTANIEM PAKIETU CONJOINT PROGRAMU R 1 1. WSTĘP. nr N N111 446037. MARCIN PEŁKA, ANETA RYBICKA

POMIAR I ANALIZA PREFERENCJI WYRAŻONYCH Z WYKORZYSTANIEM PAKIETU CONJOINT PROGRAMU R 1 1. WSTĘP. nr N N111 446037. MARCIN PEŁKA, ANETA RYBICKA PRZEGLĄD STATYSTYCZNY R. LIX ZESZYT 3 2012 MARCIN PEŁKA, ANETA RYBICKA POMIAR I ANALIZA PREFERENCJI WYRAŻONYCH Z WYKORZYSTANIEM PAKIETU CONJOINT PROGRAMU R 1 1. WSTĘP W badaniach preferencji konsumentów

Bardziej szczegółowo

Nazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych. Informatics systems for the statistical treatment of data Kierunek:

Nazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych. Informatics systems for the statistical treatment of data Kierunek: Nazwa przedmiotu: Informatyczne systemy statystycznej obróbki danych I KARTA PRZEDMIOTU CEL PRZEDMIOTU Informatics systems for the statistical treatment of data Kierunek: Forma studiów Informatyka Stacjonarne

Bardziej szczegółowo

Zastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego. Łukasz Kończyk WMS AGH

Zastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego. Łukasz Kończyk WMS AGH Zastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego Łukasz Kończyk WMS AGH Plan prezentacji Model regresji liniowej Uogólniony model liniowy (GLM) Ryzyko ubezpieczeniowe Przykład

Bardziej szczegółowo

KARTA KURSU. (do zastosowania w roku akademickim 2015/16) Kod Punktacja ECTS* 3. Dr hab. Tadeusz Sozański

KARTA KURSU. (do zastosowania w roku akademickim 2015/16) Kod Punktacja ECTS* 3. Dr hab. Tadeusz Sozański KARTA KURSU (do zastosowania w roku akademickim 2015/16) Nazwa Statystyka 2 Nazwa w j. ang. Statistics 2 Kod Punktacja ECTS* 3 Koordynator Dr hab. Tadeusz Sozański (koordynator, konwersatorium) Zespół

Bardziej szczegółowo

Przykład 2. Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku

Przykład 2. Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku Przykład 2 Na podstawie książki J. Kowal: Metody statystyczne w badaniach sondażowych rynku Sondaż sieciowy analiza wyników badania sondażowego dotyczącego motywacji w drodze do sukcesu Cel badania: uzyskanie

Bardziej szczegółowo

Statystyka i Analiza Danych

Statystyka i Analiza Danych Warsztaty Statystyka i Analiza Danych Gdańsk, 20-22 lutego 2014 Zastosowania wybranych technik regresyjnych do modelowania współzależności zjawisk Janusz Wątroba StatSoft Polska Centrum Zastosowań Matematyki

Bardziej szczegółowo

Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych

Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo

Bardziej szczegółowo

S YLABUS MODUŁU (PRZEDMIOTU) I nformacje ogólne. Nie dotyczy

S YLABUS MODUŁU (PRZEDMIOTU) I nformacje ogólne. Nie dotyczy S YLABUS MODUŁU (PRZEDMIOTU) I nformacje ogólne Nazwa modułu: Moduł B - Statystyka z elementami matematyki Rodzaj modułu/przedmiotu Wydział PUM Kierunek studiów Specjalność Poziom studiów Forma studiów

Bardziej szczegółowo

Analiza składowych głównych. Wprowadzenie

Analiza składowych głównych. Wprowadzenie Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących

Bardziej szczegółowo

Liczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną

Liczba godzin Punkty ECTS Sposób zaliczenia. ćwiczenia 16 zaliczenie z oceną Wydział: Zarządzanie i Finanse Nazwa kierunku kształcenia: Finanse i Rachunkowość Rodzaj przedmiotu: podstawowy Opiekun: prof. nadzw. dr hab. Tomasz Kuszewski Poziom studiów (I lub II stopnia): II stopnia

Bardziej szczegółowo

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1. tel. 44 683 1 55 tel. kom. 64 566 811 e-mail: biuro@wszechwiedza.pl Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: gdzie: y t X t y t = 1 X 1

Bardziej szczegółowo

Informatyka I stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny) podstawowy (podstawowy / kierunkowy / inny HES)

Informatyka I stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny) podstawowy (podstawowy / kierunkowy / inny HES) KARTA MODUŁU / KARTA PRZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013

Bardziej szczegółowo

Wprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe

Wprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje

Bardziej szczegółowo

Janusz Wywiał Katedra Statystyki Akademia Ekonomiczna w Katowicach

Janusz Wywiał Katedra Statystyki Akademia Ekonomiczna w Katowicach Janusz Wywiał Katedra Statystyki Akademia Ekonomiczna w Katowicac Analiza dokładności ocen wartości średnic cec małyc firm W niniejszej pracy przedstawiono na odpowiednim materiale statystycznym praktyczny

Bardziej szczegółowo

KORELACJE I REGRESJA LINIOWA

KORELACJE I REGRESJA LINIOWA KORELACJE I REGRESJA LINIOWA Korelacje i regresja liniowa Analiza korelacji: Badanie, czy pomiędzy dwoma zmiennymi istnieje zależność Obie analizy się wzajemnie przeplatają Analiza regresji: Opisanie modelem

Bardziej szczegółowo

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski Zadanie 1 Eksploracja (EXAMINE) Informacja o analizowanych danych Obserwacje Uwzględnione Wykluczone Ogółem

Bardziej szczegółowo

Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).

Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y). Statystyka i opracowanie danych Ćwiczenia 12 Izabela Olejarczyk - Wożeńska AGH, WIMiIP, KISIM REGRESJA WIELORAKA Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych

Bardziej szczegółowo

Metoda Johansena objaśnienia i przykłady

Metoda Johansena objaśnienia i przykłady Metoda Johansena objaśnienia i przykłady Model wektorowej autoregresji rzędu p, VAR(p), ma postad gdzie oznacza wektor zmiennych endogenicznych modelu. Model VAR jest stabilny, jeżeli dla, tzn. wielomian

Bardziej szczegółowo

Marcin Błażejowski Wyższa Szkoła Bankowa w Toruniu

Marcin Błażejowski Wyższa Szkoła Bankowa w Toruniu DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Wyższa Szkoła Bankowa w Toruniu

Bardziej szczegółowo

FORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS

FORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION

Bardziej szczegółowo

Politechnika Krakowska im. Tadeusza Kościuszki. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2014/2015

Politechnika Krakowska im. Tadeusza Kościuszki. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2014/2015 Politechnika Krakowska im. Tadeusza Kościuszki Karta przedmiotu Wydział Inżynierii Środowiska obowiązuje studentów rozpoczynających studia w roku akademickim 2014/2015 Kierunek studiów: Inżynieria Środowiska

Bardziej szczegółowo

SEGMENTACJA RYNKU - ZADANIE EKONOMETRYCZNE*

SEGMENTACJA RYNKU - ZADANIE EKONOMETRYCZNE* PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WROCŁAWIU Nr 750 1997 Informatyka i Ekonometria 4 Józef Dziechciarz, Marek Walesiak SEGMENTACJA RYNKU - ZADANIE EKONOMETRYCZNE* W większości polskich badań skoncentrowanych

Bardziej szczegółowo

Ekonometria. Zajęcia

Ekonometria. Zajęcia Ekonometria Zajęcia 16.05.2018 Wstęp hipoteza itp. Model gęstości zaludnienia ( model gradientu gęstości ) zakłada, że gęstość zaludnienia zależy od odległości od okręgu centralnego: y t = Ae βx t (1)

Bardziej szczegółowo

Wnioskowanie statystyczne. Statystyka w 5

Wnioskowanie statystyczne. Statystyka w 5 Wnioskowanie statystyczne tatystyka w 5 Rozkłady statystyk z próby Próba losowa pobrana z populacji stanowi realizacje zmiennej losowej jak ciąg zmiennych losowych (X, X,... X ) niezależnych i mających

Bardziej szczegółowo

Zależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),

Zależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), Zależność przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna), funkcyjna stochastyczna Korelacja brak korelacji korelacja krzywoliniowa korelacja dodatnia korelacja ujemna Szereg korelacyjny numer

Bardziej szczegółowo