Jeżeli A wpływa na B, a B wpływa na C, to A wpływa na C czyli o efektach łącznych
|
|
- Bronisława Kurowska
- 7 lat temu
- Przeglądów:
Transkrypt
1 modelowanie strukturalne Jeżeli A wpływa na B, a B wpływa na C, to A wpływa na C czyli o efektach łącznych Monika Książek Szkoła Główna Handlowa W poprzednim artykule wykorzystaliśmy możliwości, jakie daje IBM SPSS Amos, w celu udoskonalenia naszego modelu regresji, objaśniającego kształtowanie się oceny całego życia. Za najlepszy uznaliśmy model, który dodatkowo uwzględniał wpływ zadowolenia z dzieci i finansów na zadowolenie z małżeństwa oraz korelację między zadowoleniem z finansów i stanu zdrowia. Wpływ zadowolenia z dzieci na zadowolenie z życia był nieistotny, więc mogliśmy go z modelu usunąć. Ostateczny model przedstawiono na rysunku 1. Rysunek 1. Ostateczny model kształtowania się zadowolenie z życia Zakończyliśmy prace nad modelem, możemy więc przejść do interpretacji uzyskanych wyników. Tylko jak się do niej zabrać? Z zadowoleniem z małżeństwa sprawa jest prosta wszystko działa jak w zwykłej regresji liniowej. Jeśli jest ono wyższe o 1, to zadowolenie z życia jest wyższe o 0,34. Trudniej jest w przypadku zadowolenia z finansów. Jeśli jest ono wyższe o 1, to zadowolenie z życia jest wyższe o 0,17. Ale czy tylko? Przecież, jeśli zadowolenie z finansów jest wyższe o 1, to zadowolenie z małżeństwa również jest wyższe o 0,11. A jak zadowolenie z małżeństwa jest wyższe o 0,11, to zadowolenie z życia jest wyższe o 0,11 0,34 = 0,037. Wyższa wartość zadowolenia z finansów przekłada się na wyższą wartość zadowolenia z życia nie tylko bezpośrednio, ale również pośrednio, przez wpływ na ocenę małżeństwa. Na łączny wpływ zadowolenia z finansów na zadowolenie z życia składa się więc wpływ bezpośredni o sile 0,17 i wpływ pośredni o sile 011 0,34 = 0,037. Ostatecznie więc, wyższe o 1 zadowolenie z finansów przekłada się na zadowolenie z życia wyższe o 0,17 + 0,34 0,11 = 0,2. A co z zadowoleniem z dzieci? Pamiętamy, że współczynnik przy tej zmiennej był nieistotny statystycznie. Ale jej wpływ na zadowolenie z małżeństwa jest istotny statystycznie. Zadowolenie z dzieci może więc nie wpływa bezpośrednio na zadowolenie z życia, ale z pewnością czyni to za pośrednictwem wpływu na ocenę małżeństwa. Siła tego pośredniego wpływu wynosi 0,59 0,34 = 0,2. To tyle samo, ile łączny wpływ finansów nieźle, jak na zmienną, która z początku wyglądała na nieistotną! Przypadek zmiennej dzieci jest jednak dosyć nietypowy zazwyczaj wpływ bezpośredni jest bardzo silny, a wpływ pośredni znacznie od niego słabszy. Osobnym problemem pozostaje interpretacja wpływu oceny stanu zdrowia, które jest korelowane z zadowoleniem z finansów. Nie możemy więc obliczyć żadnych efektów pośrednich. Musimy dokonać interpretacji niejako ignorując tę korelację, pamiętając jednak, że klauzula przy pozostałych warunkach niezmienionych nie ma racji bytu.
2 2 Jeżeli A wpływa na B, a B wpływa na C, to A wpływa na C czyli o efektach łącznych O efektach pośrednich i łącznych trzeba powiedzieć jeszcze dwie rzeczy. Po pierwsze, teraz obliczaliśmy je opierając się na współczynnikach niestandaryzowanych. Obliczyliśmy więc efekty niestandaryzowane. Gdybyśmy opierali się na współczynnikach standaryzowanych, otrzymalibyśmy efekty standaryzowane. Po drugie, obliczanie efektów pośrednich może być bardziej skomplikowane niż w przypadku naszego modelu. Jeśli mamy więcej zależności pośrednich, to musimy przejść każdą możliwą ścieżką między zmienną, której wpływ badamy, a zmienną na którą wpływ badamy. Na każdej takiej ścieżce obliczamy iloczyn współczynników i potem sumujemy. Najlepiej pokazać to na przykładzie. Weźmy hipotetyczny model strukturalny, opisany na rysunku 2. Wpływ łączny A na E obliczalibyśmy jako: AE + AB BE + AC CE + AC CD CE, gdzie AE to współczynnik opisujący bezpośredni wpływ A na E, AB bezpośredni wpływ A na B itd. Rysunek 2. Nieco bardziej skomplikowany model strukturalny Nauczyliśmy się obliczać efekty pośrednie i łączne, ale to nie znaczy, że musimy robić to sami. I całe szczęście, bo przy takich modelach jak na rysunku 2., byłoby trochę liczenia. A wystarczy ładnie poprosić IBM SPSS Amos i dostaniemy wszystko na tacy. Wystarczy zaznaczyć [Indirect, direct i total effects] w zakładce [Output] okna [Analysis Properties], jak pokazano na rysunku 3. Rysunek 3. Zamówienie obliczenia efektów łącznych Po obliczeniu modelu w wynikach wygenerowanych przez IBM SPSS Amos w znanym nam już miejscu [Estimates] pojawia się lista [Matrices], a na niej niestandaryzowane efekty bezpośrednie [Direct Effects], pośrednie [Indirect Effects] i łączne [Total Effects] oraz ich standaryzowane odpowiedniki: [Standardized Direct Effects], [Standardized] [Indirect Effects] i [Standardized Total Effects] (rysunek 4). Każde z nich prezentowane są w osobnej tabeli. W tabelach tych, w wierszach są zmienne objaśniane, a w kolumnach zmienne objaśniające. Na przykład liczba 0,112 w pierwszej tabeli to wpływ łączny zadowolenia z finansów na zadowolenie z małżeństwa. W ramach ćwiczeń, zachęcam do odnalezienia na rysunku 4 wartości, które obliczyliśmy wcześniej.
3 3 Jeżeli A wpływa na B, a B wpływa na C, to A wpływa na C czyli o efektach łącznych Rysunek 4. Wyniki obliczeń efektów łącznych Zinterpretujmy kilka przykładowych wartości. Zajmijmy się wpływem zadowolenia z finansów na zadowolenie z życia. Niestandaryzowany wpływ bezpośredni odczytujemy z tabeli Direct Effects i wynosi on 0,174. Niestandaryzowany wpływ pośredni z kolei znajdujemy w tabeli Indirect Effects i jest on równy 0,038. Niestandaryzowany wpływ łączny z kolei widać w tabeli Total Effects i wynosi on 0,212. Interpretacja tych wartości jest następująca: jeżeli zadowolenie z finansów wzrasta o 1, to zadowolenie z życia wzrasta bezpośrednio o 0,174, a pośrednio przez wzrost zadowolenia z małżeństwa, dodatkowo o 0,038, czyli razem o 0,212. Efekty standaryzowane odczytujemy z analogicznych tabel, ale ze słowem Standardized w nazwie i wynoszą one odpowiednio: bezpośredni 0,232, pośredni 0,05, łączny 0,282. Ich interpretacja jest następująca: jeżeli zadowolenie z finansów wzrasta o jedno odchylenie standardowe, to zadowolenie z życia wzrasta bezpośrednio o 0,232 swojego odchylenia standardowego, a pośrednio przez wzrost zadowolenia z małżeństwa, dodatkowo o 0,05 swojego odchylenia standardowego, czyli razem o 0,232 odchylenia standardowego. Wartości niektórych efektów są bardzo niskie, na przykład pośredni wpływ zadowolenia z finansów na zadowolenie z życia wynosi tylko 0,038. Można się zastanawiać, czy tak niska wartość jest statystycznie istotna. Podobnie, pamiętając że efekt bezpośredni zadowolenia z dzieci na zadowolenie z życia był nieistotny, warto byłoby sprawdzić, czy efekt pośredni jest istotny. Niestety, efekty pośrednie i łączne są pochodnymi parametrów modelu i nie znamy ich rozkładów teoretycznych, co uniemożliwia nam przeprowadzenie testów istotności. Możemy jednak uzyskać ich rozkład empiryczny, posługując się techniką nazywaną bootstrapingiem. Na czym ona polega? Otóż bierzemy naszą próbkę i odrzucamy z niej jedną, losowo wybraną obserwację. Następnie szacujemy model na tej pomniejszonej próbce i obliczamy wartości interesujących nas parametrów, na przykład efektów pośrednich i łącznych. Powtarzamy cały proces wiele razy, za każdym razem na nowo losując odrzucaną obserwację. Wykonując te czynności, powiedzmy 100 razy, obliczamy 100 różnych możliwych wartości naszych parametrów, uzyskując w ten sposób ich rozkład empiryczny. A mając taki rozkład, możemy łatwo obliczyć przedziały ufności, które w tym przypadku nazywa się bootstrapowymi przedziałami ufności. Jeżeli wygenerujemy 100 wartości danego parametru i ustawimy je od najmniejszej do największej, to piąty najniższy będzie stanowił dolną, a dziewięćdziesiąty piąty najwyższy górną granicę 90% przedziału ufności. Dlaczego? Skoro mamy 100 wartości i wycinamy 5 najniższych i 5 najwyższych, to zostaje nam 90 ze 100, czyli 90% wartości. Oczywiście nie musimy sami losować, szacować i zapisywać uzyskiwanych oszacowań, wszystko to możemy zlecić IBM SPSS Amos. W tym celu otwieramy okno [Analysis Properties] i przechodzimy do zakładki [Bootstrap] (rysunek 5). Odhaczamy, że życzymy sobie, by boostrap został przeprowadzony ([Perform bootstrap]) i wpisujemy, ile razy ma być wykonane próbkowanie. Im więcej tym lepiej, ale oczywiście nie ma sensu próbkować dużo więcej razy, niż mamy obserwacji w całej próbie. Zaznaczamy również, że życzymy sobie obliczenia przedziałów
4 4 Jeżeli A wpływa na B, a B wpływa na C, to A wpływa na C czyli o efektach łącznych ufności ([Percentile confidence intervals] i [Bias corrected confidence][intervals]) oraz wybieramy iloprocentowe mają być te przedziały ufności. Rysunek 5. Zamówienie boostrapu Po co nam dwa rodzaje przedziałów ufności? Ten drugi typ [bias corrected] przydaje się, gdy obawiamy się, że oszacowanie parametru na całej próbie jest obciążone. Kiedy może się tak zdarzyć? Gdy używamy metod ML lub GLS przy małej próbie i braku rozkładu normalnego danych. Uczyliśmy się o tym w artykule [ML, GLS, ADF, czyli jak dobrać metodę estymacji]. Obliczając [bias corrected confidence intervals], IBM SPSS Amos koryguje uzyskane granice przedziałów ufności o obciążenie parametru. A skąd wie, jaka jest prawdziwa wartość parametru? Otóż oblicza ją jako średnią z oszacowań uzyskanych w poszczególnych próbkach bootstrapowych. Zatem, jeśli obawiamy się, że nasze parametry są obciążone, lepiej korzystać z tych skorygowanych przedziałów ufności. Na rysunku 6. pokazano, gdzie znaleźć granice przedziałów ufności. A nie jest to takie proste. Najpierw należy pod [Estimates] odszukać te parametry, które nas w danym momencie interesują. Na rysunku 6. są to niestandaryzowane efekty łączne (Total Effects). Następnie w części [Estimates/Bootstrap] zaznaczamy [Percentile Method], albo [Bias-corrected] [Percentile Method], w zależności od tego, czy chcemy odczytać granice przedziałów ufności z korektą na obciążenie czy bez. Otrzymujemy tabele z dolnymi (Lower Bounds) i górnymi (Upper Bounds) granicami wybranych przedziałów ufności dla zaznaczonych wcześniej parametrów. W kolumnach tych tabel znajdują się zmienne wpływające na inne zmienne, a w wierszach zmienne, na które wpływ jest wywierany. Jest to ten sam schemat, co w przypadku tabel z efektami bezpośrednimi, pośrednimi i łącznymi. Na przykład z rysunku 6. możemy odczytać, że dolna granica bootstrapowego przedziału ufności dla efektu łącznego dzieci na życie wynosi 0,176, a górna 0,216. Przedział ten nie zawiera zera, a więc łączny wpływ zadowolenia z dzieci na zadowolenie z życia jest istotny statystycznie. Podobnie o wszystkich efektach łącznych możemy powiedzieć, że są istotne statystycznie. Rysunek 6. Wyniki boostrapu
5 5 Jeżeli A wpływa na B, a B wpływa na C, to A wpływa na C czyli o efektach łącznych Na koniec porównajmy ważność poszczególnych aspektów życia, wynikającą z efektów bezpośrednich i łącznych. W tabeli 1 przedstawiono ranking poszczególnych aspektów życia pod względem bezpośredniego i łącznego wpływu na zadowolenie z życia. Oczywiście musimy wziąć pod uwagę efekty standaryzowane, ponieważ tylko one są porównywalne pomiędzy zmiennymi. Tabela 1. Ranking aspektów życia pod względem wpływu na zadowolenie z życia Aspekt życia Standaryzowany efekt bezpośredni Aspekt życia Standaryzowany efekt łączny małżeństwo 0,367 małżeństwo 0,367 finanse 0,232 finanse 0,282 zdrowie 0,102 dzieci 0,173 dzieci 0 (nieistotny) zdrowie 0,102 Pierwsze dwa miejsca okupują małżeństwo i finanse, niezależnie od tego, według czego je uporządkujemy. Natomiast, jeżeli pozostalibyśmy przy efektach bezpośrednich, a więc przy tym, co możemy uzyskać, używając zwykłej regresji liniowej, na trzecim miejscu umieścilibyśmy zdrowie, a dzieci uznali za nieistotne. Tymczasem, uwzględnienie wpływów pośrednich uwidoczniło istotność wpływu zadowolenia z dzieci na zadowolenie z życia i, co więcej, wpływ ten okazał się łącznie wyższy, niż zdrowia. Modelowanie strukturalne pozwoliło więc nie tylko lepiej zrozumieć relacje pomiędzy poszczególnymi aspektami życia, ale także trafniej ocenić ich wagę. Patrząc na zamieszczony w tabeli 1. ranking, każdy pewnie ma swoje osobiste komentarze. Osoby starsze pewnie wyżej uplasowałyby zdrowie, Panie umieściłyby zadowolenie z dzieci jeszcze wyżej, a Panowie mogliby przedkładać finanse nad małżeństwo. To wszystko można sprawdzić, szacując model w podgrupach wyróżnionych ze względu na płeć lub wiek. Jak to zrobić? Dowiemy się już w kolejnym artykule. Predictive Solutions ul. Racławicka Kraków tel faks wew [info@predictivesolutions.pl] [
Niestandardowa tabela częstości
raportowanie Niestandardowa tabela częstości Przemysław Budzewski Predictive Solutions Do czego dążymy W Generalnym Sondażu Społecznym USA w 1991 roku badaniu poddano respondentów należących do szeregu
Bardziej szczegółowoparametrów strukturalnych modelu = Y zmienna objaśniana, X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających,
诲 瞴瞶 瞶 ƭ0 ƭ 瞰 parametrów strukturalnych modelu Y zmienna objaśniana, = + + + + + X 1,X 2,,X k zmienne objaśniające, k zmiennych objaśniających, α 0, α 1, α 2,,α k parametry strukturalne modelu, k+1 parametrów
Bardziej szczegółowoZadanie 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 szczegółowoMikroekonometria 6. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 6 Mikołaj Czajkowski Wiktor Budziński Metody symulacyjne Monte Carlo Metoda Monte-Carlo Wykorzystanie mocy obliczeniowej komputerów, aby poznać charakterystyki zmiennych losowych poprzez
Bardziej szczegółowoRozdział 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 szczegółowoTablica Wzorów Rachunek Prawdopodobieństwa i Statystyki
Tablica Wzorów Rachunek Prawdopodobieństwa i Statystyki Spis treści I. Wzory ogólne... 2 1. Średnia arytmetyczna:... 2 2. Rozstęp:... 2 3. Kwantyle:... 2 4. Wariancja:... 2 5. Odchylenie standardowe:...
Bardziej szczegółowoStatystyka 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 szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoAnaliza współzależności zjawisk
Analiza współzależności zjawisk Informacje ogólne Jednostki tworzące zbiorowość statystyczną charakteryzowane są zazwyczaj za pomocą wielu cech zmiennych, które nierzadko pozostają ze sobą w pewnym związku.
Bardziej szczegółowoSzczegółowy 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 szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 5 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.medexp3.dta przygotuj model regresji kwantylowej 1. Przygotuj model regresji kwantylowej w którym logarytm wydatków
Bardziej szczegółowoLista 6. Kamil Matuszewski 13 kwietnia D n =
Lista 6 Kamil Matuszewski 3 kwietnia 6 3 4 5 6 7 8 9 Zadanie Mamy Pokaż, że det(d n ) = n.... D n =.... Dowód. Okej. Dla n =, n = trywialne. Załóżmy, że dla n jest ok, sprawdzę dla n. Aby to zrobić skorzystam
Bardziej szczegółowoDZISIAJ. Jeszcze trochę o PROJEKTACH JAK PREZENTOWAĆ: JAK OBLICZAĆ: PROSTE INFORMACJE O PRÓBIE KORELACJE DWÓCH CECH PODSTAWOWE MIARY
PREZENTACJA DANYCH DZISIAJ Jeszcze trochę o PROJEKTACH Następnie metodą prób b i błęb łędów: JAK PREZENTOWAĆ: PROSTE INFORMACJE O PRÓBIE KORELACJE DWÓCH CECH JAK OBLICZAĆ: PRZEDZIAŁY Y UFNOŚCI PODSTAWOWE
Bardziej szczegółowoKontekstowe wskaźniki efektywności nauczania - warsztaty
Kontekstowe wskaźniki efektywności nauczania - warsztaty Przygotowała: Aleksandra Jasińska (a.jasinska@ibe.edu.pl) wykorzystując materiały Zespołu EWD Czy dobrze uczymy? Metody oceny efektywności nauczania
Bardziej szczegółowoStatystyka. Rozkład prawdopodobieństwa Testowanie hipotez. Wykład III ( )
Statystyka Rozkład prawdopodobieństwa Testowanie hipotez Wykład III (04.01.2016) Rozkład t-studenta Rozkład T jest rozkładem pomocniczym we wnioskowaniu statystycznym; stosuje się go wyznaczenia przedziału
Bardziej szczegółowoALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH
1 ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH WFAiS UJ, Informatyka Stosowana II stopień studiów 2 Wnioskowanie statystyczne dla zmiennych numerycznych Porównywanie dwóch średnich Boot-strapping Analiza
Bardziej szczegółowoP: 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 szczegółowoANALIZY WIELOZMIENNOWE
ANALIZY WIELOZMIENNOWE ANALIZA REGRESJI Charakterystyka: Rozszerzenie analizy korelacji o badanie zależności pomiędzy wieloma zmiennymi jednocześnie; Podstawowe zastosowanie (ale przez nas w tym momencie
Bardziej szczegółowoSzczegółowy 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 szczegółowoEkonometria. 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 szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoZmienne zależne i niezależne
Analiza kanoniczna Motywacja (1) 2 Często w badaniach spotykamy problemy badawcze, w których szukamy zakresu i kierunku zależności pomiędzy zbiorami zmiennych: { X i Jak oceniać takie 1, X 2,..., X p }
Bardziej szczegółowoPochodna i różniczka funkcji oraz jej zastosowanie do obliczania niepewności pomiarowych
Pochodna i różniczka unkcji oraz jej zastosowanie do obliczania niepewności pomiarowych Krzyszto Rębilas DEFINICJA POCHODNEJ Pochodna unkcji () w punkcie określona jest jako granica: lim 0 Oznaczamy ją
Bardziej szczegółowoAnaliza Statystyczna
Lekcja 5. Strona 1 z 12 Analiza Statystyczna Do analizy statystycznej wykorzystać można wbudowany w MS Excel pakiet Analysis Toolpak. Jest on instalowany w programie Excel jako pakiet dodatkowy. Oznacza
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 szczegółowo( 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 szczegółowoZadanie 1. Analiza Analiza rozkładu
Zadanie 1 data lab.zad 1; input czas; datalines; 85 3060 631 819 805 835 955 595 690 73 815 914 ; run; Analiza Analiza rozkładu Ponieważ jesteśmy zainteresowani wyznaczeniem przedziału ufności oraz weryfikacja
Bardziej szczegółowoSMOP - wykład. Rozkład normalny zasady przenoszenia błędów. Ewa Pawelec
SMOP - wykład Rozkład normalny zasady przenoszenia błędów Ewa Pawelec 1 iepewność dla rozkładu norm. Zamiast dodawania całych zakresów uwzględniamy prawdopodobieństwo trafienia dwóch wartości: P x 1, x
Bardziej szczegółowoJak statystyka może pomóc w odczytaniu wyników sprawdzianu
16 Jak statystyka może pomóc w odczytaniu wyników sprawdzianu Wyniki pierwszego ważnego egzaminu sprawdzianu w klasie szóstej szkoły podstawowej mogą w niebagatelny sposób wpływać na losy pojedynczych
Bardziej szczegółowoWIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA
WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA Powtórka Powtórki Kowiariancja cov xy lub c xy - kierunek zależności Współczynnik korelacji liniowej Pearsona r siła liniowej zależności Istotność
Bardziej szczegółowoWprowadzenie 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 9
Stanisław Cichocki Natalia Nehrebecka Wykład 9 1 1. Dodatkowe założenie KMRL 2. Testowanie hipotez prostych Rozkład estymatora b Testowanie hipotez prostych przy użyciu statystyki t 3. Przedziały ufności
Bardziej szczegółowoElementy 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 szczegółowoTestowanie hipotez statystycznych. Wprowadzenie
Wrocław University of Technology Testowanie hipotez statystycznych. Wprowadzenie Jakub Tomczak Politechnika Wrocławska jakub.tomczak@pwr.edu.pl 10.04.2014 Pojęcia wstępne Populacja (statystyczna) zbiór,
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych
Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych dla studentów Chemii (2018) Autor prezentacji :dr hab. Paweł Korecki dr Szymon Godlewski e-mail: szymon.godlewski@uj.edu.pl
Bardziej szczegółowoTEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.
TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.
Bardziej szczegółowoRozkłady zmiennych losowych
Rozkłady zmiennych losowych Wprowadzenie Badamy pewną zbiorowość czyli populację pod względem występowania jakiejś cechy. Pobieramy próbę i na podstawie tej próby wyznaczamy pewne charakterystyki. Jeśli
Bardziej szczegółowoĆwiczenie 1. Metody określania niepewności pomiaru
Grzegorz Wielgoszewski Data wykonania ćwiczenia: Nr albumu 134651 7 października 01 Proszę podać obie daty. Grupa SO 7:30 Data sporządzenia sprawozdania: Stanowisko 13 3 listopada 01 Proszę pamiętać o
Bardziej szczegółowoTest niezależności chi-kwadrat stosuje się (między innymi) w celu sprawdzenia związku pomiędzy dwiema zmiennymi nominalnymi (lub porządkowymi)
Test niezależności chi-kwadrat stosuje się (między innymi) w celu sprawdzenia związku pomiędzy dwiema zmiennymi nominalnymi (lub porządkowymi) Czy miejsce zamieszkania różnicuje uprawianie sportu? Mieszkańcy
Bardziej szczegółowoDlaczego należy uwzględniać zarówno wynik maturalny jak i wskaźnik EWD?
EWD co to jest? Metoda EWD to zestaw technik statystycznych pozwalających oszacować wkład szkoły w końcowe wyniki egzaminacyjne. Wkład ten nazywamy właśnie edukacyjną wartością dodaną. EWD jest egzaminacyjnym
Bardziej szczegółowoWSTĘP 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 szczegółowoEstymacja 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 szczegółowoStatystyka opisowa. Wykład V. Regresja liniowa wieloraka
Statystyka opisowa. Wykład V. e-mail:e.kozlovski@pollub.pl Spis treści 1 Prosta regresji cechy Y względem cech X 1,..., X k. 2 3 Wyznaczamy zależność cechy Y od cech X 1, X 2,..., X k postaci Y = α 0 +
Bardziej szczegółowoSzkice rozwiązań z R:
Szkice rozwiązań z R: Zadanie 1. Założono doświadczenie farmakologiczne. Obserwowano przyrost wagi ciała (przyrost [gram]) przy zadanych dawkach trzech preparatów (dawka.a, dawka.b, dawka.c). Obiektami
Bardziej szczegółowoStochastyczne Metody Analizy Danych. PROJEKT: Analiza kluczowych parametrów turbin wiatrowych
PROJEKT: Analiza kluczowych parametrów turbin wiatrowych Projekt jest wykonywany z wykorzystaniem pakietu statystycznego STATISTICA. Praca odbywa się w grupach 2-3 osobowych. Aby zaliczyć projekt, należy
Bardziej szczegółowoWnioskowanie statystyczne i weryfikacja hipotez statystycznych
Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne Wnioskowanie statystyczne obejmuje następujące czynności: Sformułowanie hipotezy zerowej i hipotezy alternatywnej.
Bardziej szczegółowoMETODY 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 szczegółowoKorzystanie z podstawowych rozkładów prawdopodobieństwa (tablice i arkusze kalkulacyjne)
Korzystanie z podstawowych rozkładów prawdopodobieństwa (tablice i arkusze kalkulacyjne) Przygotował: Dr inż. Wojciech Artichowicz Katedra Hydrotechniki PG Zima 2014/15 1 TABLICE ROZKŁADÓW... 3 ROZKŁAD
Bardziej szczegółowoJak przekształcać zmienne jakościowe?
Data Preparation Jak przekształcać zmienne jakościowe? Marta Płonka Predictive Solutions W ostatnim artykule zobaczyliśmy, jak sprawdzić, czy między wybranymi przez nas predyktorami a zmienną przewidywaną
Bardziej szczegółowoWykład Centralne twierdzenie graniczne. Statystyka matematyczna: Estymacja parametrów rozkładu
Wykład 11-12 Centralne twierdzenie graniczne Statystyka matematyczna: Estymacja parametrów rozkładu Centralne twierdzenie graniczne (CTG) (Central Limit Theorem - CLT) Centralne twierdzenie graniczne (Lindenberga-Levy'ego)
Bardziej szczegółowoKORELACJE 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 szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoStatystyka matematyczna Testowanie hipotez i estymacja parametrów. Wrocław, r
Statystyka matematyczna Testowanie hipotez i estymacja parametrów Wrocław, 18.03.2016r Plan wykładu: 1. Testowanie hipotez 2. Etapy testowania hipotez 3. Błędy 4. Testowanie wielokrotne 5. Estymacja parametrów
Bardziej szczegółowoDane dotyczące wartości zmiennej (cechy) wprowadzamy w jednej kolumnie. W przypadku większej liczby zmiennych wprowadzamy każdą w oddzielnej kolumnie.
STATISTICA INSTRUKCJA - 1 I. Wprowadzanie danych Podstawowe / Nowy / Arkusz Dane dotyczące wartości zmiennej (cechy) wprowadzamy w jednej kolumnie. W przypadku większej liczby zmiennych wprowadzamy każdą
Bardziej szczegółowoEstymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych
Estymacja parametrów modeli liniowych oraz ocena jakości dopasowania modeli do danych empirycznych 3.1. Estymacja parametrów i ocena dopasowania modeli z jedną zmienną 23. Właściciel komisu w celu zbadania
Bardziej szczegółowoWykład 2: Tworzenie danych
Wykład 2: Tworzenie danych Plan: Statystyka opisowa a wnioskowanie statystyczne Badania obserwacyjne a eksperyment Planowanie eksperymentu, randomizacja Próbkowanie z populacji Rozkłady próbkowe Wstępna/opisowa
Bardziej szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoR-PEARSONA Zależność liniowa
R-PEARSONA Zależność liniowa Interpretacja wyników: wraz ze wzrostem wartości jednej zmiennej (np. zarobków) liniowo rosną wartości drugiej zmiennej (np. kwoty przeznaczanej na wakacje) czyli np. im wyższe
Bardziej szczegółowoĆwiczenie: Wybrane zagadnienia z korelacji i regresji.
Ćwiczenie: Wybrane zagadnienia z korelacji i regresji. W statystyce stopień zależności między cechami można wyrazić wg następującej skali: Skala Guillforda Przedział Zależność Współczynnik [0,00±0,20)
Bardziej szczegółowoNajprostsze z zadań z prawdopodobieństwa robi się korzystając z dystrybuanty. Zacznijmy od tego - tu mamy rozkład (wyniki pomiarów):
Najprostsze z zadań z prawdopodobieństwa robi się korzystając z dystrybuanty. Zacznijmy od tego - tu mamy rozkład (wyniki pomiarów): Ok. Średnia to środek zbioru. Zazwyczaj mamy podane także odchylenie
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoPrawdopodobieństwo i rozkład normalny cd.
# # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl
Bardziej szczegółowoMonte Carlo, bootstrap, jacknife
Monte Carlo, bootstrap, jacknife Literatura Bruce Hansen (2012 +) Econometrics, ze strony internetowej: http://www.ssc.wisc.edu/~bhansen/econometrics/ Monte Carlo: rozdział 8.8, 8.9 Bootstrap: rozdział
Bardziej szczegółowoWykład 14. Testowanie hipotez statystycznych - test zgodności chi-kwadrat. Generowanie liczb losowych.
Wykład 14 Testowanie hipotez statystycznych - test zgodności chi-kwadrat. Generowanie liczb losowych. Rozkład chi-kwadrat Suma kwadratów n-zmiennych losowych o rozkładzie normalnym standardowym ma rozkład
Bardziej szczegółowoZad. 4 Należy określić rodzaj testu (jedno czy dwustronny) oraz wartości krytyczne z lub t dla określonych hipotez i ich poziomów istotności:
Zadania ze statystyki cz. 7. Zad.1 Z populacji wyłoniono próbę wielkości 64 jednostek. Średnia arytmetyczna wartość cechy wyniosła 110, zaś odchylenie standardowe 16. Należy wyznaczyć przedział ufności
Bardziej szczegółowoWeryfikacja 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 szczegółowoWykład 4. Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym. 2. Rozkłady próbkowe. 3. Centralne twierdzenie graniczne
Wykład 4 Plan: 1. Aproksymacja rozkładu dwumianowego rozkładem normalnym 2. Rozkłady próbkowe 3. Centralne twierdzenie graniczne Przybliżenie rozkładu dwumianowego rozkładem normalnym Niech Y ma rozkład
Bardziej szczegółowoStatystyczne Metody Opracowania Wyników Pomiarów
Statystyczne Metody Opracowania Wyników Pomiarów dla studentów Ochrony Środowiska Teresa Jaworska-Gołąb 2017/18 Co czytać [1] H. Szydłowski, Pracownia fizyczna, PWN, Warszawa 1999. [2] A. Zięba, Analiza
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 szczegółowoFUNKCJA LINIOWA - WYKRES. y = ax + b. a i b to współczynniki funkcji, które mają wartości liczbowe
FUNKCJA LINIOWA - WYKRES Wzór funkcji liniowej (postać kierunkowa) Funkcja liniowa to funkcja o wzorze: y = ax + b a i b to współczynniki funkcji, które mają wartości liczbowe Szczególnie ważny w postaci
Bardziej szczegółowoEkonometria. 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 szczegółowoProcedura szacowania niepewności
DOKUMENTACJA SYSTEMU ZARZĄDZANIA LABORATORIUM Procedura szacowania niepewności Stron 7 Załączniki Nr 1 Nr Nr 3 Stron Symbol procedury PN//xyz Data Imię i Nazwisko Podpis Opracował Sprawdził Zatwierdził
Bardziej szczegółowoDOKUMENTACJA SYSTEMU ZARZĄDZANIA LABORATORIUM. Procedura szacowania niepewności
DOKUMENTACJA SYSTEMU ZARZĄDZANIA LABORATORIUM Procedura szacowania niepewności Szacowanie niepewności oznaczania / pomiaru zawartości... metodą... Data Imię i Nazwisko Podpis Opracował Sprawdził Zatwierdził
Bardziej szczegółowoSTATYSTYKA - 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 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 szczegółowoBłędy przy testowaniu hipotez statystycznych. Decyzja H 0 jest prawdziwa H 0 jest faszywa
Weryfikacja hipotez statystycznych Hipotezą statystyczną nazywamy każde przypuszczenie dotyczące nieznanego rozkładu badanej cechy populacji, o prawdziwości lub fałszywości którego wnioskuje się na podstawie
Bardziej szczegółowoREGRESJA 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 szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
Bardziej szczegółowoGrupowanie materiału statystycznego
Grupowanie materiału statystycznego Materiał liczbowy, otrzymany w wyniku przeprowadzonej obserwacji statystycznej lub pomiaru, należy odpowiednio usystematyzować i pogrupować. Doskonale nadają się do
Bardziej szczegółowo0 + 0 = 0, = 1, = 1, = 0.
5 Kody liniowe Jak już wiemy, w celu przesłania zakodowanego tekstu dzielimy go na bloki i do każdego z bloków dodajemy tak zwane bity sprawdzające. Bity te są w ścisłej zależności z bitami informacyjnymi,
Bardziej szczegółowoWycena nieruchomości za pomocą wyboru wielokryterialnego w warunkach niepewności rozmytej oraz klasycznie: metodą pp i kcś
Wycena nieruchomości za pomocą wyboru wielokryterialnego w warunkach niepewności rozmytej oraz klasycznie: metodą pp i kcś Materiały reklamowe ZAWAM-Marek Zawadzki Wybór wielokryterialny jako jadna z metod
Bardziej szczegółowoDwuczynnikowa ANOVA dla prób niezależnych w schemacie 2x2
Dwuczynnikowa ANOVA dla prób niezależnych w schemacie 2x2 Poniżej prezentujemy przykładowe pytania z rozwiązaniami dotyczącymi dwuczynnikowej analizy wariancji w schemacie 2x2. Wszystkie rozwiązania są
Bardziej szczegółowoFUNKCJA LINIOWA - WYKRES
FUNKCJA LINIOWA - WYKRES Wzór funkcji liniowej (Postać kierunkowa) Funkcja liniowa jest podstawowym typem funkcji. Jest to funkcja o wzorze: y = ax + b a i b to współczynniki funkcji, które mają wartości
Bardziej szczegółowoTeoria błędów. Wszystkie wartości wielkości fizycznych obarczone są pewnym błędem.
Teoria błędów Wskutek niedoskonałości przyrządów, jak również niedoskonałości organów zmysłów wszystkie pomiary są dokonywane z określonym stopniem dokładności. Nie otrzymujemy prawidłowych wartości mierzonej
Bardziej szczegółowoWydział Matematyki. Testy zgodności. Wykład 03
Wydział Matematyki Testy zgodności Wykład 03 Testy zgodności W testach zgodności badamy postać rozkładu teoretycznego zmiennej losowej skokowej lub ciągłej. Weryfikują one stawiane przez badaczy hipotezy
Bardziej szczegółowoSTATYSTYKA 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 szczegółowo1. Eliminuje się ze zbioru potencjalnych zmiennych te zmienne dla których korelacja ze zmienną objaśnianą jest mniejsza od krytycznej:
Metoda analizy macierzy współczynników korelacji Idea metody sprowadza się do wyboru takich zmiennych objaśniających, które są silnie skorelowane ze zmienną objaśnianą i równocześnie słabo skorelowane
Bardziej szczegółowoX Y 4,0 3,3 8,0 6,8 12,0 11,0 16,0 15,2 20,0 18,9
Zadanie W celu sprawdzenia, czy pipeta jest obarczona błędem systematycznym stałym lub zmiennym wykonano szereg pomiarów przy różnych ustawieniach pipety. Wyznacz równanie regresji liniowej, które pozwoli
Bardziej szczegółowoSatysfakcja z życia rodziców dzieci niepełnosprawnych intelektualnie
Satysfakcja z życia rodziców dzieci niepełnosprawnych intelektualnie Zadanie Zbadano satysfakcję z życia w skali 1 do 10 w dwóch grupach rodziców: a) Rodzice dzieci zdrowych oraz b) Rodzice dzieci z niepełnosprawnością
Bardziej szczegółowoPrognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Bardziej szczegółowoZJAZD 4. gdzie E(x) jest wartością oczekiwaną x
ZJAZD 4 KORELACJA, BADANIE NIEZALEŻNOŚCI, ANALIZA REGRESJI Analiza korelacji i regresji jest działem statystyki zajmującym się badaniem zależności i związków pomiędzy rozkładami dwu lub więcej badanych
Bardziej szczegółowoPochodna i różniczka funkcji oraz jej zastosowanie do rachunku błędów pomiarowych
Pochodna i różniczka unkcji oraz jej zastosowanie do rachunku błędów pomiarowych Krzyszto Rębilas DEFINICJA POCHODNEJ Pochodna unkcji () w punkcie określona jest jako granica: lim 0 Oznaczamy ją symbolami:
Bardziej szczegółowoEkonometria. 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 szczegółowoSzkolenie Regresja liniowa
Szkolenie Regresja liniowa program i cennik Łukasz Deryło Analizy statystyczne, szkolenia www.statystyka.c0.pl Szkolenie Regresja liniowa Co to jest regresja liniowa? Regresja liniowa jest podstawową metodą
Bardziej szczegółowoweryfikacja hipotez dotyczących parametrów populacji (średnia, wariancja)
PODSTAWY STATYSTYKI. Teoria prawdopodobieństwa i elementy kombinatoryki. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5. Testy parametryczne (na
Bardziej szczegółowo