Linearna regresija. 7. prosinca 2012.
|
|
- Justyna Wojciechowska
- 5 lat temu
- Przeglądów:
Transkrypt
1 Linearna regresija 7. prosinca > setwd("/home/marina/statisticki praktikum/vjezbe9") > forbes = read.table("forbes.dat") > hooker = read.table("hooker.dat") > forbes V1 V > hooker V1 V
2 > x = c(forbes[, 2], hooker[, 2]) > y = c(forbes[, 1], hooker[, 1]) > x [1] [11] [21] [31] [41] > y [1] [13] [25] [37] > n = length(x) > n [1] 48 kvadratični model za Forbesove i Hookerove podatke zajedno > X = cbind(rep(1, n), x, x^2) > thetakapa = solve(t(x) %*% X) %*% t(x) %*% y > thetakapa x
3 > ykapa = function(x) rbind(c(1, x, x^2)) %*% thetakapa > ykapa = function(x) thetakapa[1] + thetakapa[2] * x + thetakapa[3] * + x^2 > ykapa(x) [1] [9] [17] [25] [33] [41] > plot(x, y, xlab = "atmosferski tlak", ylab = "vrelište") > curve(ykapa, add = T) reziduali > e = y - ykapa(x) > e [1] [6] [11] [16] [21] [26] [31] [36] [41] [46] koeficijent determinacije > SSE = sum(e^2) > SSE [1] > Syy = (n - 1) * var(y) > Syy [1] > R2 = 1 - SSE/Syy > R2 [1] standardizirani reziduali > k = 2 > sigmakapa = sqrt(sse/(n - k - 1)) > sigmakapa 3
4 [1] > H = X %*% solve(t(x) %*% X) %*% t(x) > hii = diag(h) > hii [1] [7] [13] [19] [25] [31] [37] [43] > es = e/(sigmakapa * sqrt(1 - hii)) > es [1] [7] [13] [19] [25] [31] [37] [43] > par(mfrow = c(1, 2)) > plot(ykapa(x), e, main = "Graf reziduala") > abline(0, 0) > plot(ykapa(x), es, main = "Graf standardiziranih reziduala") > abline(0, 0) provjera pripadnosti standardiziranih reziduala N(0,1) distribuciji > i = 1:n > x_es = qnorm((i - 3/8)/(n + 1/4)) > x_es [1] [7] [13] [19] [25] [31] [37] [43] > y_es = sort(es) > y_es 4
5 [1] [7] [13] [19] [25] [31] [37] [43] > par(mfrow = c(1, 1)) > plot(x_es, y_es, main = "Normalni vjerojatnosni graf") > abline(0, 1) > d = max(max(abs((i - 1)/n - pnorm(y_es)), abs(i/n - pnorm(y_es)))) > d [1] > ks.test(es, pnorm, 0, 1) One-sample Kolmogorov-Smirnov test data: es D = , p-value = alternative hypothesis: two-sided test prihvatljivosti linearnog u odnosu na kvadratični model > Xr = X[, 1:2] > Xr x [1,] [2,] [3,] [4,] [5,] [6,] [7,] [8,] [9,] [10,] [11,] [12,] [13,] [14,] [15,] [16,] [17,] [18,] [19,] [20,] [21,]
6 [22,] [23,] [24,] [25,] [26,] [27,] [28,] [29,] [30,] [31,] [32,] [33,] [34,] [35,] [36,] [37,] [38,] [39,] [40,] [41,] [42,] [43,] [44,] [45,] [46,] [47,] [48,] > thetakapar = solve(t(xr) %*% Xr) %*% t(xr) %*% y > thetakapar x > ykapar = function(x) thetakapar[1] + thetakapar[2] * x > er = y - ykapar(x) > er [1] [7] [13] [19] [25] [31] [37] [43] > SSEr = sum(er^2) > SSEr [1]
7 > m = 1 > f = ((SSEr - SSE)/(k - m))/(sse/(n - k - 1)) > f [1] > pv = 1 - pf(f, k - m, n - k - 1) > pv [1] 0 p.i. za parametre kvadratičnog modela > alfa = 0.05 > t = qt(1 - alfa/2, n - k - 1) > t [1] > C = solve(t(x) %*% X) > cjj = diag(c) > cjj x e e e-05 > cbind(thetakapa - t * sigmakapa * sqrt(cjj), thetakapa + t * + sigmakapa * sqrt(cjj)) [,2] x donja i gornja krivulja p.i. za srednju vrijednost od Y uz dano x > f_donji = function(x0) rbind(c(1, x0, x0^2)) %*% thetakapa - + t * sigmakapa * sqrt(rbind(c(1, x0, x0^2)) %*% solve(t(x) %*% + X) %*% t(rbind(c(1, x0, x0^2)))) > f_gornji = function(x0) rbind(c(1, x0, x0^2)) %*% thetakapa + + t * sigmakapa * sqrt(rbind(c(1, x0, x0^2)) %*% solve(t(x) %*% + X) %*% t(rbind(c(1, x0, x0^2)))) > plot(x, y, xlab = "atmosferski tlak", ylab = "vrelište", main = "Donja i gornja krivulja > curve(ykapa, add = T) > x_os = seq(min(x), max(x), length = 50) > pi_donji = c() > for (i in 1:50) pi_donji = c(pi_donji, f_donji(x_os[i])) > pi_donji [1] [9] [17] [25] [33] [41] [49]
8 > pi_gornji = c() > for (i in 1:50) pi_gornji = c(pi_gornji, f_gornji(x_os[i])) > pi_gornji [1] [9] [17] [25] [33] [41] [49] > lines(x_os, pi_donji, col = "red", lty = 3) > lines(x_os, pi_gornji, col = "green", lty = 3) donja i gornja krivulja p.i. za Y uz dano x > f_donji = function(x0) rbind(c(1, x0, x0^2)) %*% thetakapa - + t * sigmakapa * sqrt(1 + rbind(c(1, x0, x0^2)) %*% solve(t(x) %*% + X) %*% t(rbind(c(1, x0, x0^2)))) > f_gornji = function(x0) rbind(c(1, x0, x0^2)) %*% thetakapa + + t * sigmakapa * sqrt(1 + rbind(c(1, x0, x0^2)) %*% solve(t(x) %*% + X) %*% t(rbind(c(1, x0, x0^2)))) > pi_donji = c() > for (i in 1:50) pi_donji = c(pi_donji, f_donji(x_os[i])) > pi_donji [1] [9] [17] [25] [33] [41] [49] > pi_gornji = c() > for (i in 1:50) pi_gornji = c(pi_gornji, f_gornji(x_os[i])) > pi_gornji [1] [9] [17] [25] [33] [41] [49] > lines(x_os, pi_donji, col = "red", lty = 2) > lines(x_os, pi_gornji, col = "green", lty = 2) 2. nacin korištenjem naredbe lm 8
9 > x_sort = x[order(x)] > y_sort = y[order(x)] > x_sortkv = x_sort^2 > regr = lm(y_sort ~ x_sort + x_sortkv) > regr Call: lm(formula = y_sort ~ x_sort + x_sortkv) Coefficients: (Intercept) x_sort x_sortkv > coefficients(regr) (Intercept) x_sort x_sortkv > fitted(regr) > residuals(regr)
10 > rstandard(regr) > summary(regr) Call: lm(formula = y_sort ~ x_sort + x_sortkv) Residuals: Min 1Q Median 3Q Max Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) <2e-16 *** x_sort <2e-16 *** x_sortkv <2e-16 *** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 45 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: 1.281e+04 on 2 and 45 DF, p-value: < 2.2e-16 > pc = predict(regr, int = "c") > pc fit lwr upr
11 > pp = predict(regr, int = "p") > pp fit lwr upr
12 > par(mfrow = c(1, 1)) > plot(x_sort, y_sort) > matlines(x_sort, pc, lty = c(1, 3, 3)) > matlines(x_sort, pp, lty = c(1, 2, 2)) usporedba triju modela za Forbesove podatke 12
13 > xf = forbes[, 2] > yf = forbes[, 1] > zf = log10(xf) > nf = length(xf) > nf [1] 17 > X1 = cbind(rep(1, nf), xf) > X2 = cbind(rep(1, nf), xf, xf^2) > X3 = cbind(rep(1, nf), zf) > thetakapa1 = solve(t(x1) %*% X1) %*% t(x1) %*% yf > thetakapa2 = solve(t(x2) %*% X2) %*% t(x2) %*% yf > thetakapa3 = solve(t(x3) %*% X3) %*% t(x3) %*% yf > thetakapa xf > thetakapa xf > thetakapa zf > ykapa1 = function(x) thetakapa1[1] + thetakapa1[2] * x > ykapa2 = function(x) thetakapa2[1] + thetakapa2[2] * x + thetakapa2[3] * + x^2 > ykapa3 = function(x) thetakapa3[1] + thetakapa3[2] * x krivulje regresije > par(mfrow = c(1, 3)) > plot(xf, yf, xlab = "atmosferski tlak", ylab = "vrelište", main = "Linearni model") > curve(ykapa1, add = T) > plot(xf, yf, xlab = "atmosferski tlak", ylab = "vrelište", main = "Kvadratični model") > curve(ykapa2, add = T) > plot(zf, yf, xlab = "atmosferski tlak", ylab = "vrelište", main = "Linearni model na tran > curve(ykapa3, add = T) koeficijenti determinacije > e1 = yf - ykapa1(xf) > e2 = yf - ykapa2(xf) > e3 = yf - ykapa3(zf) 13
14 > SSE1 = sum(e1^2) > SSE2 = sum(e2^2) > SSE3 = sum(e3^2) > Syy = (nf - 1) * var(yf) > Rkv1 = 1 - SSE1/Syy > Rkv2 = 1 - SSE2/Syy > Rkv3 = 1 - SSE3/Syy > Rkv1 [1] > Rkv2 [1] > Rkv3 [1] grafovi reziduala > par(mfrow = c(1, 3)) > plot(ykapa1(xf), e1, main = "Linearni model\n graf reziduala") > abline(0, 0) > plot(ykapa2(xf), e2, main = "Kvadratični model\n graf reziduala") > abline(0, 0) > plot(ykapa3(zf), e3, main = "Linearni model na transformiranim podacima\n graf reziduala" > abline(0, 0) Durbin-Watsonov test o nezavisnosti sl. gresaka za linerni model na transformiranim podacima > i = 2:nf > d = sum((e3[i] - e3[i - 1])^2)/sum(e3^2) > d [1] > nf [1] 17 > r = 1 > alfa = 0.05 > c1 = 1.13 > d1 = 1.38 > c2 = 4 - c1 > c2 [1] 2.87 > d2 = 4 - d1 > d2 14
15 [1] 2.62 > sort(c(c1 = c1, d1 = d1, c2 = c2, d2 = d2, d = d)) c1 d1 d d2 c pouzdano područje za parametar linearnog modela na transformiranim podacima > q = qf(1-0.05, 2, nf - 2) > q [1] > B = t(x3) %*% X3 > B zf zf > sigmakapa3 = sqrt(sse3/(nf - 2)) > sigmakapa3 [1] > A = B/(2 * sigmakapa3^2) > A zf zf > D = diag(eigen(a)$values) > D [,2] [1,] [2,] > V = eigen(a)$vectors > V [,2] [1,] [2,] > V %*% D %*% t(v) [,2] [1,] [2,]
16 > b = -B %*% thetakapa3/(sigmakapa3^2) > b zf > bc = t(v) %*% b > bc [1,] [2,] > c = t(thetakapa3) %*% B %*% thetakapa3/(2 * sigmakapa3^2) - q > c [1,] > sx = -bc[1]/(2 * D[1, 1]) > sx [1] > sy = -bc[2]/(2 * D[2, 2]) > sy [1] > cnovi = c - D[1, 1] * sx^2 - D[2, 2] * sy^2 > cnovi [1,] > rx = sqrt(-cnovi/d[1, 1]) > rx [1,] > ry = sqrt(-cnovi/d[2, 2]) > ry [1,] > phi = seq(0, 2 * pi, length = 50) > xe = sx + rx * cos(phi) > ye = sy + ry * sin(phi) > par(mfrow = c(1, 1)) > plot(xe, ye, type = "l") > xp = V[1, 1] * xe + V[1, 2] * ye > yp = V[2, 1] * xe + V[2, 2] * ye > plot(xp, yp, type = "l", main = "Pouzdano podrucje") 16
Projekt Nowa oferta edukacyjna Uniwersytetu Wrocławskiego odpowiedzią na współczesne potrzeby rynku pracy i gospodarki opartej na wiedzy
Projekt Nowa oferta edukacyjna Uniwersytetu Wrocławskiego odpowiedzią na współczesne potrzeby rynku pracy i gospodarki opartej na wiedzy Dane: Eksploracja (mining) Problemy: Jedna zmienna 2000 najwi ększych
Bardziej szczegółowoPermutacyjna metoda oceny istotności regresji
Permutacyjna metoda oceny istotności regresji (bez założenia normalności) f
Bardziej szczegółowoKORELACJA 1. Wykres rozrzutu ocena związku między zmiennymi X i Y. 2. Współczynnik korelacji Pearsona
KORELACJA 1. Wykres rozrzutu ocena związku między zmiennymi X i Y 2. Współczynnik korelacji Pearsona 3. Siła i kierunek związku między zmiennymi 4. Korelacja ma sens, tylko wtedy, gdy związek między zmiennymi
Bardziej szczegółowoEkonometria dla IiE i MSEMat Z7
Ekonometria dla IiE i MSEMat Z7 Rafał Woźniak Faculty of Economic Sciences, University of Warsaw Warszawa, 21-11-2016 Na podstawie zbioru danych cps_small.dat z książki Principles of Econometrics oszacowany
Bardziej szczegółowoModel regresji wielokrotnej Wykład 14 ( ) Przykład ceny domów w Chicago
Model regresji wielokrotnej Wykład 14 (4.06.2007) Przykład ceny domów w Chicago Poniżej są przedstawione dane dotyczące cen domów w Chicago (źródło: Sen, A., Srivastava, M., Regression Analysis, Springer,
Bardziej szczegółowoRegresja liniowa w R Piotr J. Sobczyk
Regresja liniowa w R Piotr J. Sobczyk Uwaga Poniższe notatki mają charakter roboczy. Mogą zawierać błędy. Za przesłanie mi informacji zwrotnej o zauważonych usterkach serdecznie dziękuję. Weźmy dane dotyczące
Bardziej szczegółowoTemat zajęć: ANALIZA DANYCH ZBIORU EKSPORT. Część I: analiza regresji
Temat zajęć: ANALIZA DANYCH ZBIORU EKSPORT Część I: analiza regresji Krok 1. Pod adresem http://zsi.tech.us.edu.pl/~nowak/adb/eksport.txt znajdziesz zbiór danych do analizy. Zapisz plik na dysku w dowolnej
Bardziej szczegółowoNowa oferta edukacyjna Uniwersytetu Wrocławskiego odpowiedzią na współczesne potrzeby rynku pracy i gospodarki opartej na wiedzy
Projekt Nowa oferta edukacyjna Uniwersytetu Wrocławskiego odpowiedzią na współczesne potrzeby rynku pracy i gospodarki opartej na wiedzy Dane: 2000 największych spółek światowych z 2004 (Forbes Magazine)
Bardziej szczegółowoAnaliza zależności cech ilościowych regresja liniowa (Wykład 13)
Analiza zależności cech ilościowych regresja liniowa (Wykład 13) dr Mariusz Grządziel semestr letni 2012 Przykład wprowadzajacy W zbiorze danych homedata (z pakietu R-owskiego UsingR) można znaleźć ceny
Bardziej szczegółowoBioinformatyka V. Analiza Danych w Języku R
Bioinformatyka V Analiza Danych w Języku R ANALIZA DANYCH Metody statystyczne analizy danych eksploracja danych testowanie hipotez analiza Bayesowska Metody uczenia maszynowego Uczenie nadzorowane Uczenie
Bardziej szczegółowoStatystyka w analizie i planowaniu eksperymentu
23 kwietnia 2014 Korelacja - wspó lczynnik korelacji 1 Gdy badamy różnego rodzaju rodzaju zjawiska (np. przyrodnicze) możemy stwierdzić, że na każde z nich ma wp lyw dzia lanie innych czynników; Korelacja
Bardziej szczegółowoProjekt Nowa oferta edukacyjna Uniwersytetu Wrocławskiego odpowiedzią na współczesne potrzeby rynku pracy i gospodarki opartej na wiedzy
Projekt Nowa oferta edukacyjna Uniwersytetu Wrocławskiego odpowiedzią na współczesne potrzeby rynku pracy i gospodarki opartej na wiedzy ANALIZA PORÓWNAŃ WIELOKROTNYCH GDY WARIANCJE SĄ NIERÓWNE lsales.bim
Bardziej szczegółowoPODSTAWY STATYSTYCZNEJ ANALIZY DANYCH
Wykład 1 Prosta regresja liniowa - model i estymacja parametrów. Regresja z wieloma zmiennymi - analiza, diagnostyka i interpretacja wyników. Literatura pomocnicza J. Koronacki i J. Ćwik Statystyczne systemy
Bardziej szczegółowoRegresja liniowa wprowadzenie
Regresja liniowa wprowadzenie a) Model regresji liniowej ma postać: gdzie jest zmienną objaśnianą (zależną); są zmiennymi objaśniającymi (niezależnymi); natomiast są parametrami modelu. jest składnikiem
Bardziej szczegółowoDiagnostyka modelu. Dowód [5.4] Dowód [ ]
Diagnostyka modelu Dowód [5.4] Dowód [5.5-5.6] Przykład > head(savings) sr pop15 pop75 dpi ddpi Australia 11.43 29.35 2.87 2329.68 2.87 Austria 12.07 23.32 4.41 1507.99 3.93 Belgium 13.17 23.80 4.43 2108.47
Bardziej szczegółowoAnaliza wariancji Piotr J. Sobczyk 19 November 2016
Analiza wariancji Piotr J. Sobczyk 19 November 2016 Zacznijmy zajęcia od klasycznego przykładu czyli testu Studenta dla dwóch prób. x 1,i N(µ 1, σ 2 ), i = 1,..., n 1 x 2,i N(µ 2, σ 2 ), i = 1,..., n 2
Bardziej szczegółowoRegresja liniowa. Etapy analizy regresji. Założenia regresji. Kodowanie zmiennych jakościowych
Etapy analizy regresji Regresja liniowa 1. zaproponowanie modelu, 2. sprawdzenie założeń dotyczących zmiennych, 3. wyszukanie wartości odstających, wpływających i dźwigni, 4. oszacowanie istotności modelu
Bardziej szczegółowoAnaliza regresji Konspekt do zaj : Statystyczne metody analizy danych
Opis zaj Analiza regresji Konspekt do zaj : Statystyczne metody analizy danych Agnieszka Nowak-Brzezi«ska 28 pa¹dziernika 2009 Celem zaj jest realizacja praktyczna zagadnie«zwi zanych z analiz regresji,
Bardziej szczegółowoProjekt Nowa oferta edukacyjna Uniwersytetu Wrocławskiego odpowiedzią na współczesne potrzeby rynku pracy i gospodarki opartej na wiedzy
Projekt Nowa oferta edukacyjna Uniwersytetu Wrocławskiego odpowiedzią na współczesne potrzeby rynku pracy i gospodarki opartej na wiedzy # TS library("aer") data("uknondurables") # quarterly consumption
Bardziej szczegółowoRegresja logistyczna. Regresja logistyczna. Przykłady DV. Wymagania
Regresja logistyczna analiza relacji między zbiorem zmiennych niezależnych (ilościowych i dychotomicznych) a dychotomiczną zmienną zależną wyniki wyrażone są w prawdopodobieństwie przynależności do danej
Bardziej szczegółowoRegresja - zadania i przykłady.
Regresja - zadania i przykłady. W5 e0 Zadanie 1. Poniżej zamieszczono fragmenty wydruków dotyczących dopasowania modelu regresji do zmiennej ozone w oparciu o promieniowanie (radiation), oraz w oparciu
Bardziej szczegółowoRegresja ważona. Co, gdy nie ma stałej wariancji? Tu prawdziwe σ 2 =1 (dużo powtórzeń, więc wariancje są dobrze oszacowane) PAR Wykład 5 1/8
Dobry chrześcijanin powinien wystrzegać się matematyków i tych wszystkich, którzy tworzą puste proroctwa. Istnieje niebezpieczeństwo, że matematycy zawarli przymierze z diabłem, aby zgubić duszę człowieka
Bardziej szczegółowoOgólny model liniowy
Ogólny model liniowy Twórcy Autor statystyki testowej Wyprowadził wzór na gęstość rozkładu statystyki testowej Ronald Aylmer Fisher ( 1890-1962 ) angielski genetyk George W. Snedecor (1881-1974) amerykański
Bardziej szczegółowoRegresja - zadania i przykłady.
Regresja - zadania i przykłady. W5 e0 Zadanie 1. Poniżej zamieszczono fragmenty wydruków dotyczących dopasowania modelu regresji do zmiennej ozone w oparciu o promieniowanie (radiation), oraz w oparciu
Bardziej szczegółowoRegresja logistyczna. Regresja logistyczna. Wymagania. Przykłady DV
Regresja logistyczna analiza relacji między zbiorem zmiennych niezależnych (ilościowych i dychotomicznych) a dychotomiczną zmienną zależną wyniki wyrażone są w prawdopodobieństwie przynależności do danej
Bardziej szczegółowoJak naprawiê popsutπ zabawkí
Jak naprawiê popsutπ zabawkí Transformacje zmiennych w modelach liniowych Piotr J. Sobczyk Data analysis is an artful science! It involves making subjective decisions using very objective tools! Znalezione
Bardziej szczegółowoStatystyka medyczna II. 7. Wstęp do regresji logistycznej. Regresja logistyczna prosta, porównanie z miarami ryzyka.
Statystyka medyczna II. 7. Wstęp do regresji logistycznej. Regresja logistyczna prosta, porównanie z miarami ryzyka. Dane The Western Collaborative Group Study (WCGS) badanie epidemiologiczne zaprojektowane,
Bardziej szczegółowoPODSTAWY STATYSTYCZNEJ ANALIZY DANYCH. Wykład 2 Obserwacje nietypowe i wpływowe Regresja nieliniowa
Wykład 2 Obserwacje nietypowe i wpływowe Regresja nieliniowa Obserwacje nietypowe i wpływowe Obserwacje nietypowe i wpływowe Obserwacje nietypowe w analizie regresji: nietypowe wartości zmiennej Y - prowadzące
Bardziej szczegółowoRegresja liniowa oraz regresja wielokrotna w zastosowaniu zadania predykcji danych. Agnieszka Nowak Brzezińska Wykład III-VI
Regresja liniowa oraz regresja wielokrotna w zastosowaniu zadania predykcji danych. Agnieszka Nowak Brzezińska Wykład III-VI Analiza regresji Analiza regresji jest bardzo popularną i chętnie stosowaną
Bardziej szczegółowoAnaliza regresji. Analiza korelacji.
Analiza regresji. Analiza korelacji. Levels name mfr type calories protein fat sodium fiber carbo sugars potass vitamins shelf weight cups rating Storage 77 integer 7 integer 2 integer integer integer
Bardziej szczegółowoStatystyka matematyczna. Wykład VI. Zesty zgodności
Statystyka matematyczna. Wykład VI. e-mail:e.kozlovski@pollub.pl Spis treści 1 Testy zgodności 2 Test Shapiro-Wilka Test Kołmogorowa - Smirnowa Test Lillieforsa Test Jarque-Bera Testy zgodności Niech x
Bardziej szczegółowoRegresja logistyczna
Regresja logistyczna Zacznijmy od danych dotyczących tego czy studenci zostali przyjęci na studia. admissions
Bardziej szczegółowoModelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH
Raport 10/2015 Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH autor: Michał Osmoła INIME Instytut nauk informatycznych i matematycznych
Bardziej szczegółowoRepeated Measures ANOVA ANOVA z powtarzanymi pomiarami
Repeated Measures ANOVA ANOVA z powtarzanymi pomiarami Plan prezentacji 1 Wprowadzenie 2 Postać modelu Założenia Droga do testu Test Sferyczność 3 Problem Badanie skuteczności pewnej terapii medycznej:
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład 2 z 5
Agnieszka Nowak Brzezińska Wykład 2 z 5 metoda typ Zmienna niezależna Regresja liniowa Regresja Wszystkie ilościowe Zakłada liniową zależność, prosta w implementacji Analiza dyskryminacyjna klasyfikacja
Bardziej szczegółowoANOVA podstawy analizy wariancji
ANOVA podstawy analizy wariancji Marcin Kolankowski 11 marca 2009 Do czego służy analiza wariancji Analiza wariancji (ang. ANalysis Of VAriance - ANOVA) służy do wykrywania różnic pomiędzy średnimi w wielu
Bardziej szczegółowoŁ Ą Ę Ń ć Ź ź ĘŚ ÓŁ Ę Ę ń ń ź Ę ń Ż ć ć ń ń ń Ę ń Ę ń ń Ę ń Ę ń ń ć ć ń Ę Ą Ś ń Ę Ą Ł ź ć Ś ć ć ć Ź Ł Ś ć ć ć ć ć Ł ć ć ź ń ń ń ń ń ń ń ź ź ć ń ć ć ć ź Ł ń Ę ÓŁ ń ź ź ź ń ć ć ć ń ń ń Ą ń ń ń ń ń Ś Ę
Bardziej szczegółowoĄ Ą ć Ó Ó Ó Ś Ź Ź Ó ż Ź Ź Ś Ś ż Ę ĘŚ ń ń ć Ś Ą Ę ż ć Ś ć ć Ć Ó Ó ć ć Ó ć Ó ć ć ń ć Ą Ó Ó Ó Ą Ć ń ń Ź Ó ń ć Ó ć ć ć ń ż ć ć Ć Ć ć ż ć Ź Ó ć ć ć ć Ó ć ĘŚ ń ń ż ć Ś ć Ą Ó ń ć ć Ś ć Ę Ć Ę Ó Ó ń ż ź Ó Ó Ś ń
Bardziej szczegółowoÓ ź ę ę ś Ą Ą Ę Ę Ł ę ę ź Ę ę ę ś ś Ł ę ś ś ę Ą ź ę ś ś ś ś ę ś ę ę ź ę ę ś ę ś ę ę ś Ś ś ę ę ś ś ę ę ę ś ę ę ę ę ś ę ź Ł Ą Ę Ł ę ś ź ść ś ę ę ę ę ę ę ś ś ś ę ę ś ę ę ś ę ź Ć ŚĆ ć ś ś ć ę ś ś ę ś ś ź ś
Bardziej szczegółowoLepiej zapobiegać niż leczyć Diagnostyka regresji
Anceps remedium melius quam nullum Lepiej zapobiegać niż leczyć Diagnostyka regresji Na tych zajęciach nauczymy się identyfikować zagrożenia dla naszej analizy regresji. Jednym elementem jest oczywiście
Bardziej szczegółowo> x <-seq(-2*pi, 2*pi, by=0.5) > plot(x, sin(x), type="b",main="wykres funkcji sin(x) i cos(x)", col="blue") > lines(x, cos(x), type="l",col="red")
Rachunek Prawdopodobieństwa i Statystyka lab 4. Kaja Gutowska (Kaja.Gutowska@cs.put.poznan.pl) 1. Wprowadzenie do grafiki: - Program R ma szerokie możliwości w zakresie graficznego prezentowania danych.
Bardziej szczegółowoKSAP / Podstawy programowania w R. Michał Ramsza
KSAP / Podstawy programowania w R Michał Ramsza 1 Spis treści 2 1 Pierwszy skrypt Celem tego punktu jest stworzenie pierwszego skrypu, który zawiera typowe kroki do analizy danych: wczytania danych, wykonania
Bardziej szczegółowo1 Modele ADL - interpretacja współczynników
1 Modele ADL - interpretacja współczynników ZADANIE 1.1 Dany jest proces DL następującej postaci: y t = µ + β 0 x t + β 1 x t 1 + ε t. 1. Wyjaśnić, jaka jest intepretacja współczynników β 0 i β 1. 2. Pokazać
Bardziej szczegółowoKrzysztof Trajkowski. Przeglad pakietów do analizy zmiennych zależnych
Krzysztof Trajkowski Przeglad pakietów do analizy zmiennych zależnych 8 stycznia 2013 1. Wprowadzenie W tym poradniku zostanie dokonany przegląd kilku funkcji do analizy zmiennych zależnych z zastosowaniem
Bardziej szczegółowoMetody przewidywania jakości produktu: szacowanie defektów w kodzie
Metody przewidywania jakości produktu: szacowanie defektów w kodzie Adam Roman Instytut Informatyki i Matematyki Komputerowej UJ TestWell, 21 IV 2015, Kraków i wtedy powiedziałam PMowi, że po 6 tygodniach
Bardziej szczegółowoWYKŁAD: Estymacja funkcji regresji I. Zaawansowane Metody Uczenia Maszynowego
WYKŁAD: Estymacja funkcji regresji I Zaawansowane Metody Uczenia Maszynowego Niech (X, Y ) R p+1 będzie wektorem losowym takim, że Y = f (X) + ε, gdzie ε- błąd losowy taki, że E(ε X = x) = 0 dla dowolnego
Bardziej szczegółowoAnaliza mediacji i moderacji. X - predyktor M - mediator Y - zmienna zależna. Dr Paweł Kleka /50. Trochę historii.
Analiza mediacji i moderacji Dr Paweł Kleka 2019-04-04 X - predyktor M - mediator Y - zmienna zależna 3/50 Trochę historii Mediacja 4/50 Mediacja całkowita Analiza wielkości efektu pośredniego wg Barona
Bardziej szczegółowoDobór zmiennych do modelu ekonometrycznego
Dobó zmiennych do modelu ekonometycznego Metody dobou zmiennych do modelu ekonometycznego opate na teście F Model zedukowany ya 0 +a x+a x+.+a x Model pełny ya 0 +a x+a x+.+a x +a + x + + +a k x k Częściowy
Bardziej szczegółowoWPŁYW WARUNKÓW TERMICZNO-ŚWIETLNYCH NA CZAS TRWANIA FAZ ROZWOJOWYCH PSZENICY JAREJ. Dr hab. Alicja Sułek Dr Anna Nieróbca
WPŁYW WARUNKÓW TERMICZNO-ŚWIETLNYCH NA CZAS TRWANIA FAZ ROZWOJOWYCH PSZENICY JAREJ Dr hab. Alicja Sułek Dr Anna Nieróbca Celem badań było prześledzenie wpływu warunków termiczno-świetlnych na czas trwania
Bardziej szczegółowo(LMP-Liniowy model prawdopodobieństwa)
OGÓLNY MODEL REGRESJI BINARNEJ (LMP-Liniowy model prawdopodobieństwa) Dla k3 y α α α α + x + x + x 2 2 3 3 + α x x α x x + α x x + α x x + ε + x 4 2 5 3 6 2 3 7 2 3 Zał.: Wszystkie zmienne interakcyjne
Bardziej szczegółowoCzasowy wymiar danych
Problem autokorelacji Model regresji dla szeregów czasowych Model regresji dla szeregów czasowych y t = X t β + ε t Zasadnicze różnice 1 Budowa prognoz 2 Problem stabilności parametrów 3 Problem autokorelacji
Bardziej szczegółowoWykład 4 Wybór najlepszej procedury. Estymacja parametrów re
Wykład 4 Wybór najlepszej procedury. Estymacja parametrów regresji z wykorzystaniem metody bootstrap. Wrocław, 22.03.2017r Wybór najlepszej procedury - podsumowanie Co nas interesuje przed przeprowadzeniem
Bardziej szczegółowoZastosowanie uogólnionych modeli liniowych i uogólnionych mieszanych modeli liniowych do analizy danych dotyczacych występowania zębiniaków
Zastosowanie uogólnionych modeli liniowych i uogólnionych mieszanych modeli liniowych do analizy danych dotyczacych występowania zębiniaków Wojciech Niemiro, Jacek Tomczyk i Marta Zalewska Uniwersytet
Bardziej szczegółowoWykład 8 Dane kategoryczne
Wykład 8 Dane kategoryczne Wrocław, 19.04.2017r Zmienne kategoryczne 1 Przykłady zmiennych kategorycznych 2 Zmienne nominalne, zmienne ordynalne (porządkowe) 3 Zmienne dychotomiczne kodowanie zmiennych
Bardziej szczegółowoInstrukcja do przeprowadzenia prostej analizy statystycznej w środowisku R
Instrukcja do przeprowadzenia prostej analizy statystycznej w środowisku R Spis treści Instrukcja do przeprowadzenia prostej analizy statystycznej w środowisku R... 1 Wstęp... 2 Część I... 2 Instalacja
Bardziej szczegółowoTesty własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu
Część 2 Test Durbina-Watsona Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε t, ε t 1 ) 0 Test Durbina-Watsona Weryfikowana hipoteza H 0 : cov(ε t, ε t 1 ) = 0 H 1 : cov(ε
Bardziej szczegółowoStosowana Analiza Regresji
prostej Stosowana Wykład I 5 Października 2011 1 / 29 prostej Przykład Dane trees - wyniki pomiarów objętości (Volume), średnicy (Girth) i wysokości (Height) pni drzew. Interesuje nas zależność (o ile
Bardziej szczegółowoWnioskowanie Statystyczne - Ćwiczenia Michał Marosz Monday, February 23, 2015
Wnioskowanie Statystyczne - Ćwiczenia Michał Marosz Monday, February 23, 2015 Zadanie 1 Załaduj do R dane udostepnione na poprzednich zajęciach i wyświetl podstwowe informacje o zawartych tam danych setwd("d:/!climate/pulpit")
Bardziej szczegółowoDane dotyczą parametrów wydolnościowych mężczyzn zmierzonych podczas biegu na 1,5 mili. Zmienną objaśnianą jest Oxygen (pobór tlenu podczas biegu).
Zbiór fitness Przedmiotem zainteresowania będzie zbiór fitness. Dane dotyczą parametrów wydolnościowych mężczyzn zmierzonych podczas biegu na 1,5 mili. Zmienną objaśnianą jest Oxygen (pobór tlenu podczas
Bardziej szczegółowozestaw zadań nr 7 Cel: analiza regresji regresja prosta i wieloraka MODELE
zestaw zadań nr 7 Cel: analiza regresji regresja prosta i wieloraka Przebieg regresji liniowej: 1. Znaleźć funkcję y=f(x) (dopasowanie modelu) 2. Sprawdzić: a) Wsp. determinacji R 2 b) Test istotności
Bardziej szczegółowoPrzykłady Ryzyko względne a iloraz szans ANOVA ZMAD. Stanisław Jaworski: ZMAD. Uniwersytet Medyczny
ZMAD Stanisław Jaworski proporcja Stosunek do aborcji (1) Z pewnej ściśle określonej populacji kobiet wylosowano 950 osób. Każdą kobietę zapytano, czy jest za utrzymaniem obecnej ustawy antyaborcyjnej.
Bardziej szczegółowoModel Cox a. Testowanie założeń o proporcjonalnym hazardzie.
Model Cox a. Testowanie założeń o proporcjonalnym hazardzie. Seminarium - Statystyka w medycynie Model Cox a.. Plan 1 Wstęp Model Cox a - przypomnienie 2 Założenie proporcjonalnego hazardu 3 Metoda wizualna
Bardziej szczegółowoEkonometria Ćwiczenia 19/01/05
Oszacowano regresję stopy bezrobocia (unemp) na wzroście realnego PKB (pkb) i stopie inflacji (cpi) oraz na zmiennych zero-jedynkowych związanymi z kwartałami (season). Regresję przeprowadzono na danych
Bardziej szczegółowoWprowadzenie do środowiska programistycznego R (na podst. 1) R jako kalkulator
Wprowadzenie do środowiska programistycznego R (na podst. http://math.illinoisstate.edu/dhkim/rstuff/rtutor.html) 1) R jako kalkulator > 2 + 3 * 5 # zwróć uwage na kolejność wykonywania działań > log (10)
Bardziej szczegółowoMgr inż. Kasietczuk Magdalena. Wydział Geodezji Górniczej i Inżynierii Środowiska Katedra Kształtowania i Ochrony Środowiska
Akademia Górniczo Hutnicza im. S. Staszica w Krakowie Pakiet SURVIVAL w R Mgr inż. Kasietczuk Magdalena Wydział Geodezji Górniczej i Inżynierii Środowiska Katedra Kształtowania i Ochrony Środowiska Kraków,
Bardziej szczegółowoWYKŁAD II: Klasyfikacja logistyczna. MiNI PW
WYKŁAD II: Klasyfikacja logistyczna MiNI PW Rozpatrywane dotąd metody klasyfikacji: LDA Fishera (liniowa reguła klasyfikacyjna); Reguła Bayesowska (jej wersja empiryczna dla rozkładów normalnych ze wspólną
Bardziej szczegółowoModele warunkowej heteroscedastyczności
Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Teoria Przykład - zwroty z WIG Niskie koszty transakcyjne Racjonalne oczekiwania inwestorów P t = E(P t+1 I t ) 1 + R (1) Teoria Przykład - zwroty
Bardziej szczegółowo140, , ,000 80, ROK
140,000 PRODUKCJA 120,000 100,000 80,000 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 ROK 130,000 120,000 PRODUKCJA 110,000 100,000 90,000 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008
Bardziej szczegółowoWykład 5 Problem dwóch prób - testowanie hipotez dla równości średnich
Wykład 5 Problem dwóch prób - testowanie hipotez dla równości średnich Magdalena Frąszczak Wrocław, 22.03.2017r Problem Behrensa Fishera Niech X = (X 1, X 2,..., X n ) oznacza próbę z rozkładu normalnego
Bardziej szczegółowoWprowadzenie Testy własności składnika losowego. Diagnostyka modelu. Część 1. Diagnostyka modelu
Część 1 Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy i ich rodzaje Statystyka NR 2 Cel testowania Testy małej próby Testy
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 3
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 3 Konrad Miziński, nr albumu 233703 26 maja 2015 Zadanie 1 Wartość krytyczna c, niezbędna wyliczenia mocy testu (1 β) wyznaczono za
Bardziej szczegółowoProblem dwóch prób: porównywanie średnich i wariancji z populacji o rozkładach normalnych. Wrocław, 23 marca 2015
Problem dwóch prób: porównywanie średnich i wariancji z populacji o rozkładach normalnych. Wrocław, 23 marca 2015 Problem dwóch prób X = (X 1, X 2,..., X n ) - próba z rozkładu normalnego N (µ, σ 2 X ),
Bardziej szczegółowoTestowanie hipotez statystycznych
Część 2 Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład statystyki testowej Hipoteza łączna H 0 : Rβ = q Hipoteza złożona Testowanie hipotez łącznych Zapis matematyczny Rozkład
Bardziej szczegółowoBADANIE ZALEśNOŚCI CECHY Y OD CECHY X - ANALIZA REGRESJI PROSTEJ
WYKŁAD 3 BADANIE ZALEśNOŚCI CECHY Y OD CECHY X - ANALIZA REGRESJI PROSTEJ Było: Przykład. Z dziesięciu poletek doświadczalnych zerano plony ulw ziemniaczanych (cecha X) i oznaczono w nich procentową zawartość
Bardziej szczegółowoŻ ć Ó Ś Ó ć Ę Ó Ś ź Ż Ż Ó Ż ź Ó ÓŚ Ć Ó ź Ó ź Ó Ź ć Ę Ó Ś Ż Ó Ó Ń Ą ź ź Ź Ś Ą Ą Ś Ą Ś ć ć ź ź Ó Ó Ę Ź Ą Ź Ę ĘŚ ć ź Ę Ę ź Ę ć Ś Ś Ę Ż Ż ć Ść ć ć Ń Ż Ś ć Ż Ż Ż Ż Ż Ó Ą Ę Ę Ę Ą Ż Ż Ż Ź Ż ć Ś Ż Ż Ż Ż Ż ć Ś
Bardziej szczegółowoNatalia Nehrebecka. Wykład 1
Natalia Nehrebecka Wykład 1 1 1. Sprawy organizacyjne Zasady zaliczenia Dwiczenia Literatura 2. Czym zajmuje się ekonometria? 3. Formy danych statystycznych 4. Model ekonometryczny 2 1. Sprawy organizacyjne
Bardziej szczegółowoń Ę Ę Ę Ę ń ń Ś ź Ę ś ś Ę Ś Ą Ę Ę Ę Ę Ż Ę Ę ść Ą Ł Ę Ć ć Ś Ę Ę ś Ę Ż Ś Ę Ę ń Ż Ę Ć ź ć Ł ś Ę ś Ż ś Ś ś Ę ć Ł ś Ż ŚĆ Ę ń ŚĆ ść ś ś ń ś Ś ś ś Ęś Ę ć ś ść ń ń Ć ś Ą ń ć Ą Ś ń ś ś ć ć ś źć ć ź ś ń Ę ś Ę ć
Bardziej szczegółowoCwiczenie 3 - Rozkłady empiryczne i. teoretyczne
Cwiczenie 3 - Rozkłady empiryczne i teoretyczne Michał Marosz 31 października 2015 1 Spis treści Rozkład empiryczny i dystrybuanta empiryczna 6 Estymacja parametrów rozkładów teoretycznych 8 Zmienne dyskretne
Bardziej szczegółowoZmienne sztuczne i jakościowe
Zmienne o ograniczonym zbiorze wartości Przykład 1. zarobki = β 0 + β 1 liczba godzin pracy + β 2 wykształcenie + ε Przykład 2. zarobki = β 0 + β 1 liczba godzin pracy + β 2 klm + ε zarobki = β 0 + β 1
Bardziej szczegółowo1 + 1 za 50% CENY PROMOCYJNEJ**
1 18802 T8 LD MO 12W-WW 12 W 1200 lm Tc: = 18142 POWR-LD5W GU10-W 5 W 220 lm Tc: 6000-6500 K 25 000 h GU10 = 18254 PR38-12POWLD 27-W 12 W 700 lm Tc: 5500-6500 K 27 = 01063 RGO DL-R39- max 30 W 14 R50 HL
Bardziej szczegółowoWprowadzenie do środowiska R
Łukasz Komsta 21 sierpnia 2004 Spis treści 1 Wstęp 3 2 Pierwsze kroki 3 2.1 Najprostsze obliczenia.................................. 4 2.2 Przykłady operacji na wektorach............................ 4
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 10
Stanisław Cichocki Natalia Nehrebecka Wykład 10 1 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności
Bardziej szczegółowoPAKIETY STATYSTYCZNE
. Wykład wstępny PAKIETY STATYSTYCZNE 2. SAS, wprowadzenie - środowisko Windows, Linux 3. SAS, elementy analizy danych edycja danych 4. SAS, elementy analizy danych regresja liniowa, regresja nieliniowa
Bardziej szczegółowoOpis i zakres czynności sprzątania obiektów Gdyńskiego Centrum Sportu
O p i s i z a k r e s c z y n n o c is p r z» t a n i a o b i e k t ó w G d y s k i e g o C e n t r u m S p o r t u I S t a d i o n p i ł k a r s k i w G d y n i I A S p r z» t a n i e p r z e d m e c
Bardziej szczegółowoRozwiązanie: MSFA MSAB
Zadanie 1: Skompletuj poniższą tablicę analizy wariancji dwutorowej. Źródło SS? Wariancja? A 1828,09 2 MSFA=914,045? B 1102,34 3 =367,447 17,09? 88,91??? Błąd? 12??? 3277,34 23?? Rozwiązanie powyższego
Bardziej szczegółowoAnaliza Szeregów Czasowych. Egzamin
Analiza Szeregów Czasowych Egzamin 12-06-2018 Zadanie 1: Zadanie 2: Zadanie 3: Zadanie 4: / 12 pkt. / 12 pkt. / 12 pkt. / 14 pkt. Projekt zaliczeniowy: Razem: / 100 pkt. / 50 pkt. Regulamin egzaminu 1.
Bardziej szczegółowoBazy Danych i Usługi Sieciowe
Bazy Danych i Usługi Sieciowe Ćwiczenia III Paweł Daniluk Wydział Fizyki Jesień 2011 P. Daniluk (Wydział Fizyki) BDiUS ćw. III Jesień 2011 1 / 1 Strona wykładu http://bioexploratorium.pl/wiki/ Bazy_Danych_i_Usługi_Sieciowe_-_2011z
Bardziej szczegółowo1 za50% 12,90 zł * 2,90 zł * 1,50 zł * 5,90 zł * 3,90 zł * 4,50 zł * 4,90 zł * HIT HIT HIT HIT. cenowy. cenowy. cenowy. cenowy.
19590 PTI TX-S20-N HL / L / FL 1 1 za50% HL / L 3 x 20 W MR-16 regulacja 15 нн н ŝ 19541 PLI T-TL50-/M 02897 LTR TX-5004-/M 19530 LKO T-TO50- HL/L/FL HL/L/FL FL/GLS/L 4,50 zł * 19531 LKO T-TO50-/M HL/L/FL
Bardziej szczegółowoMetody Statystyczne. Metody Statystyczne.
gkrol@wz.uw.edu.pl #4 1 Sprawdzian! 5 listopada (ok. 45-60 minut): - Skale pomiarowe - Zmienne ciągłe i dyskretne - Rozkład teoretyczny i empiryczny - Miary tendencji centralnej i rozproszenia - Standaryzacja
Bardziej szczegółowoEgzamin z ekonometrii - wersja ogólna
Egzamin z ekonometrii - wersja ogólna 06-02-2019 Regulamin egzaminu 1. Egzamin trwa 90 min. 2. Rozwiązywanie zadań należy rozpocząć po ogłoszeniu początku egzaminu a skończyć wraz z ogłoszeniem końca egzaminu.
Bardziej szczegółowo