Wprowadzenie (1) Przedmiotem analizy czynnikowej jest badanie wewnętrznych zależności w zbiorze zmiennych. Jest to modelowanie niejawne. Oprócz zmienn
|
|
- Michał Zieliński
- 5 lat temu
- Przeglądów:
Transkrypt
1 Analiza czynnikowa
2 Wprowadzenie (1) Przedmiotem analizy czynnikowej jest badanie wewnętrznych zależności w zbiorze zmiennych. Jest to modelowanie niejawne. Oprócz zmiennych, które są bezpośrednio obserwowalne rozważa się również zmienne niejawne (ukryte) ich wartości nie są bezpośrednio obserwowane. Analiza polega na wykryciu zmiennych ukrytych, które wpływają na zmienne obserwowalne sprawiając, że te ostatnie są współzależne (analiza struktury kowariancyjnej). Często zmienne ukryte mają ekonomiczną interpretację, wyrażają zjawiska które nie są bezpośrednio obserwowane. W naukach takich jak psychologia czy socjologia czynniki ukryte interpretuje się często jako postawy, preferencje itp.. 2
3 Wprowadzenie (2) Początki tej metody sięgają pierwszych lat XX wieku, ale analiza ta na dobre zagościła w statystyce w latach czterdziestych ubiegłego stulecia. Typ analizy zapoczątkowany przez Spearmana w pracach nad wykazaniem, że za naszym powodzeniem lub nie we wszystkich rodzajach aktywności intelektualnej kryje się bezpośrednio niemierzalny ale obiektywnie istniejący czynnik nazwany przez niego ogólną inteligencją. 3
4 Cele analizy Wyjaśnienie (o ile jest to możliwe) struktury kowariancyjnej za pomocą nieobserwowalnych zmiennych nazywanych czynnikami. Załóżmy, że wyjściowe zmienne są zgrupowane za pomocą korelacji. W danej grupie są zmienne, które są ze sobą silnie związane, ale relatywnie mają małe korelacje ze zmiennymi z pozostałych grup. Wówczas każdy zbiór zmiennych reprezentuje pojedynczy nieobserwowalny czynnik, który odpowiada za występowanie zaobserwowanych wysokich korelacji. 4
5 Przykłady 5 Przedmiotem badania są osoby z wyższym wykształceniem mieszkające w dużych miastach uzyskujące relatywnie wyższe dochody. Osoby o takich charakterystykach posiadają również relatywnie mniej dzieci. Prawidłowość tę tłumaczy się istnieniem czynników ukrytych wyrażających gusty, upodobania oraz preferencje dotyczące modelu rodziny. Czynniki te bezpośrednio nie są obserwowane, ale pośredniczą w oddziaływaniu takich charakterystyk jak wykształcenie czy dochód na wielkość rodziny. Celem analizy jest określenie przynależności poszczególnych osób do klasy społecznej (zmienna nieobserwowalna). Mierzymy tę cechę w sposób nie bezpośredni. Pobieramy informację na temat mierzalnych cech takich jak: zawód, wykształcenie, posiadanie samochodu, posiadanie własnego domu, itd..
6 Model analizy czynnikowej 6 X,..., 1 Xk F F - zmienne obserwowalne,..., - zmienne ukryte (czynniki wspólne common factors), 1 m przy czym m < k u,..., 1 uk - czynniki specyficzne (specific factors) -odzwierciedlają efekt działania czynników losowych X F F... F u m m 1 X F F... F u m m 2 LLLLLLLLLLLLLL X F F... F u k k1 1 k 2 2 km m k - ładunki czynnikowe; opisują siłę wchodzenia zmiennej w skład czynników. Każda zmienna wchodzi do każdego czynnika, ale za istotne uważane są ładunki powyżej pewnej granicy.
7 Zapis macierzowy X F u gdzie: X - wektor zmiennych obserwowalnych, F - wektor czynników wspólnych, u wektor czynników specyficznych, natomiast macierzą ładunków czynnikowych jest 7
8 Założenia (Ortogonalny Model Czynnikowy) Czynniki wspólne są nieskorelowane pomiędzy sobą. Czynniki specyficzne są nieskorelowane między sobą. Każdy czynnik specyficzny i każdy czynnik wspólny jest nieskorelowany. Wynika z tego, że korelacje między obserwowalnymi zmiennymi wynikają wyłącznie z ładunków czynnikowych. Czynniki są nieobserwowalne, więc można ich położenie oraz skalę przyjąć arbitralnie. Związku z tym czynniki wspólne są standaryzowane ich wartość oczekiwana wynosi 0, zaś wariancja 1. Powyższe założenia możemy podsumować: 8 cov( F) Im m cov( UF, ) 0 k m cov( U ) 1 0 L M M O 0 0 L 0 k
9 Konsekwencje przyjętych założeń Każdą zmienną obserwowalną można przedstawić jako sumę kombinacji liniowej m czynników oraz nieskorelowanego z nimi czynnika specyficznego: m X F u i j1 ij j i ładunki czynnikowe czynniki wspólne czynnik specyficzny Nazwy obu typów czynników mają na celu podkreślenie różnic pełnionych przez nie: i-ty czynnik specyficzny ma wpływ jedynie na i-tą zmienną obserwowalną, natomiast czynniki wspólne wyznaczają korelacje istniejące między zmiennymi: corr( X, X ) m l 1 i j var( X )var( X ) i il jl j 9
10 Struktura kowariancyjna S gdzie: S macierz kowariancji zmiennych obserwowalnych, macierz ładunków czynnikowych, macierz kowariancji czynników specyficznych. Jest to macierz diagonalna, gdzie na głównej przekątnej znajdują się wariancje czynników specyficznych, a poza nią są 0: 1 0 L M M O 0 0 L 0 k 10
11 Wariancja i kowariancja zmiennych obserwowalnych Zmienność każdej zmiennej obserwowalnej, mierzona wariancją, można zdekomponować na dwa składniki: zmienność czynników wspólnych (communality) oraz zmienność czynników specyficznych: 2 m 2 i j1 ij i s Zależność między zmiennymi obserwowalnymi, mierzona kowariancją, zależy tylko od ładunków czynnikowych czynniki specyficzne nie mają na nią wpływu: s m ij l 1 il jl Zależność między zmiennymi obserwowalnymi a czynnikami, mierzona kowariancją, zależy od ładunków czynnikowych: cov( X, F ) i j ij 11
12 Opis struktury kowariancyjnej Model czynnikowy zakłada, że k+k(k-1)/2 = k(k+1)/2 wariancji i kowariancji dla zmiennych obserwowalnych można zastąpić przez km ładunków czynnikowych i k specyficznych wariancji. Jeżeli m jest relatywnie małe w porównaniu z k, to analiza jest niezwykle użyteczna. Uzyskujemy względnie proste wyjaśnienie struktury kowariancyjnej poprzez mniejszą liczbę parametrów. Dla 12 zmiennych obserwowalnych i modelu dwuczynnikowego otrzymujemy: k(k+1)/2 = 12(12+1)/2 = 78 km+k =
13 Niejednoznaczność rozwiązania (1) (*) X F u (**) cov( X) S Analiza czynnikowa polega na wyznaczeniu macierzy i gdzie: Łatwo zauważyć, że powyższe równania nie wyznaczają jednoznacznie macierzy ładunków czynników. Niech M będzie dowolną macierzą ortogonalną wymiaru kxk. Wówczas: X ( { M )( M{ F ) u { MM F u F u * F* cov( X ) ( M )( M ) { MM Czyli czynniki F z ładunkami i czynniki I F* z ładunkami * dla dowolnej macierzy ortogonalnej wymiaru kxk są sobie równoważne pod względem opisu struktury macierzy kowariancji wyjściowych zmiennych. I 13
14 Niejednoznaczność rozwiązania (2) Na podstawie zmiennych obserwowalnych nie jest możliwe rozróżnienie ładunków i * - czyli ładunki czynnikowe są wyznaczane z dokładnością do macierzy ortogonalnej. Zwykle pierwsze uzyskane rozwiązanie może być trudno interpretowalne, gdyż poszczególne zmienne obserwowalne mają duże (co do wartości bezwzględnej) ładunki czynnikowe dla kilku czynników. Dlatego przeprowadza się rotację, która polega na wyborze nowego układu współrzędnych takiego że, pozycja punktów może być zinterpretowana najprościej jak to jest możliwe. 14
15 Rotacja czynników (1) Jeśli wektor złożony z k czynników zostanie poddany transformacji liniowej, w której macierzą przekształcenia jest macierz ortogonalna (czyli nasza transformacja jest obrotem), to otrzymamy nowe czynniki które mają takie same własności jak wyjściowe. Spostrzeżenie to jest podstawą bardzo ważnego etapu w analizie czynnikowej rotacji czynników, czyli poddania ich przekształceniu liniowemu przy zastosowaniu macierzy ortogonalnej (w praktyce mogą być też macierze nieortogonalne). 15
16 Rotacja czynników (2) Początkowym krokiem analizy czynnikowej jest określenie minimalnej liczby czynników, które w wymaganym stopniu wyjaśniają korelację między obserwowalnymi zmiennymi. Rozwiązanie uzyskane jako pierwsze na ogół charakteryzuje się bardzo wysokimi wartościami ładunków, stojącymi przy pierwszym czynniku dla większości zmiennych. Stwarza to duże trudności interpretacyjne poszczególnym czynnikom nadaje się interpretację wynikającą z charakteru tych zmiennych obserwowalnych, które wiąże z czynnikiem największa wartość ładunku. Łatwiej jest interpretować wyniki, jeżeli każda zmienna obserwowalna ma duży ładunek tylko dla jednego czynnika. Dzięki temu zmienne wyjściowe dają się rozdzielić na rozłączne zbiory, które są związane tylko z jednym czynnikiem. Celem rotacji jest uzyskanie takiego zbioru czynników, który byłyby lepiej interpretowany niż pierwotnie uzyskane czynniki. 16
17 Interpretacja czynników Ładunki czynników wyrażają siłę i kierunek skorelowania zmiennej obserwowanej ze stojącym przy ładunku czynnikiem. Im większa co do wartości bezwzględnej wartość ładunku, tym większa jest wzajemna determinacja (zależność) zmiennej rzeczywistej i ukrytej. Stwarza to pewne możliwości nadania interpretacji zmiennym ukrytym. Często zdarza się, że zmienna ma wysokie ładunki na kilku czynnikach, co uniemożliwia jednoznaczną interpretację. Wówczas należy przeprowadzić rotację. 17
18 Kiedy analiza czynnikowa ma sens? Główny problem to, czy model czynnikowy z małą liczbą czynników dobrze opisuje strukturę kowariancyjną. Jeżeli macierz kowariancji (lub korelacji) ma elementy poza diagonalą bliskie 0, to zmienne obserwowalne są ze sobą niepowiązane i analiza czynnikowa jest mało przydatna. Wówczas czynniki specyficzne pełnią główną rolę w modelu, podczas gdy właściwym celem analizy było wyznaczenie kilku głównych czynników. Analiza czynnikowa jest właściwym narzędziem badawczym, jeśli macierz kowariancji (lub korelacji) zdecydowanie odbiega od macierzy diagonalnej. 18
19 Sposoby estymacji Analiza czynnikowa polega na wyznaczeniu macierzy i. Najczęściej stosowane procedury, to - principal component, - principal factor, - metoda największej wiarogodności. Wyniki uzyskane z każdej tej metody mogą podlegać rotacji. Sugeruje się stosowanie więcej niż jednej procedury i jeśli model czynnikowy jest właściwym narzędziem w analizowanym problemie, to uzyskane wyniki powinny być zbliżone do siebie. 19
20 Principal component (1) Jeżeli w modelu czynnikowym definiujemy tyle samo czynników co zmiennych obserwowalnych (k=m), to specyficzna wariancja wynosi 0: Sk k k kk k 0k k Co prawda otrzymujemy dokładnie odtworzoną strukturę kowariancyjną za pomocą ładunków czynnikowych, ale nie jest to zbyt użyteczne. Nie występuje redukcja wymiaru właściwym celem analizy jest odtworzenie analizowanej struktury kowariancyjnej za pomocą paru czynników. Metoda ta polega na dokonaniu dekompozycji spektralnej macierzy kowariancji i pozostawieniu tylko tych czynników, które odpowiadają dużym wartością własnym. 20
21 Principal component (2) Przeprowadzamy dekompozycję spektralną macierzy S. Niech,..., 1 p oznaczają wartości własne uporządkowane w sposób malejący, natomiast e eto odpowiadające im wektory własne. 1,..., p Ładunki czynnikowe w modelu m-czynnikowym (m<k) wyznaczane są w następujący sposób: m m 1e1 2e2 mem m 2 % i sii j 1 ij Wariancja specyficzna jest estymowana jako Zmienność czynników wspólnych (communality) wyznaczamy jako h 2 m 2 i j 1 ij Dla principal component uzyskane ładunki czynnikowe dla danego m nie zmieniają się jeśli zwiększamy liczbę czynników.. 21
22 Principal component (3) Jeżeli liczba czynników nie jest znana a priori (np. teoria lub wyniki wcześniejszych badań) wybór m może opierać się na wyznaczonych wartościach własnych w podobny sposób jak miało to miejsce w analizie składowych głównych. Definiujemy macierz residualną (na diagonali Sk k ( k kk k % znajdują się 0): ). Jeżeli elementy poza diagonalą są niewielkie, to można przyjąć, iż model m czynnikowy dobrze odtwarza strukturę kowariancyjną. Można pokazać, iż suma kwadratów elementów w macierzy residualnej jest nie większa od sumy kwadratów p-m najmniejszych wartości własnych. Czyli małe wartości sumy kwadratów ostatnich wartości własnych oznaczają niewielki błąd aproksymacji struktury kowariancyjnej za pomocą modelu m-czynnikowego. 22
23 Principal component (4) Idealna sytuacja to, gdy kilka pierwszych czynników wyjaśnia duży procent całkowitej zmienności w zbiorze zmiennych obserwowalnych. Wkład i-tego czynnika do całkowitej wariancji to i-ta co do wielkości wartość własna. Sugeruje się, aby wybrać takie m dla którego uzyskano wysoki procent wyjaśnienia całkowitej zmienności w zbiorze zmiennych obserwowalnych. Wkład pierwszych m czynników do całkowitej zmienności zmiennych obserwowalnych w analizie na podstawie macierzy kowariancji k i m i1 var( X ) 1 i Wkład pierwszych m czynników do całkowitej zmienności zmiennych obserwowalnych w analizie na podstawie macierzy korelacji m i 1 p i i 23
24 Principal component (5) Kryterium wartości własnej w modelu pozostają te czynniki, których wartości własne są większe od jedności dla macierzy korelacji. Kryterium osypiska (scree plot) metoda ta bazuje na wykresie osypiska, na którym zaznaczone są wartości własne dla kolejnych czynników. Należy w modelu zostawić tyle czynników, ile tworzy zbocze, natomiast zignorować te, które tworzą osypisko czyli te, których wartości własne tworzą linie prawie poziomą. Metoda ta daje szczególnie dobre wyniki, w przypadkach gdy celem analizy jest skupienie się na najważniejszych czynnikach. 24
25 Principal factor (1) Jest to modyfikacja metody principal component. Zamiast próbkowej macierzy kowariancji bierzemy jednak zredukowaną macierz kowariancji - elementy stojące na głównej przekątnej zastępujemy zasobami zmienności wspólnej. Postępujemy tak, gdyż celem analizy czynnikowej jest maksymalne wyeliminowanie wpływu czynników specyficznych na rzecz czynników wspólnych. S* S Sposoby estymacji wariancji wspólnej dla i-tej zmiennej: 2 - R z regresji i-tej zmiennej na pozostałe, - największy co do wartości bezwzględnej współczynnik korelacji i-tej zmiennej z pozostałymi. Na macierzy S* przeprowadzamy analizę głównych składowych i k pierwszych składowych jest użyta do estymacji ładunków. 25
26 Principal factor (2) Podobnie jak w poprzedniej metodzie, wybór liczby czynników bazuje na analizie wielkości wartości własnych. Dodatkowa komplikacja polega na tym, iż niektóre wartości własne mogą być ujemne, gdyż próbkowa zredukowana macierz korelacji nie musi być dodatnio określona. Analiza w przypadku macierzy korelacji za pomocą principal component może być rozumiana jako principal factor, gdy za oszacowanie zasobów zmienności wspólnej przyjmiemy 1. Zwykle ładunki czynnikowe uzyskane dla obu metod są zbliżone, jeśli liczba zmiennych jest duża a liczba czynników mała. 26
27 Metoda największej wiarogodności Na wstępie zakładamy, że dane pochodzą z próby o wielowymiarowym rozkładzie normalnym i opisują model m czynnikowy. Metoda ta jest polecana jako najbardziej dokładna i najlepiej osadzona teoretycznie, ale wymaga dużej liczebności próby. Adekwatność otrzymanych wyników można zweryfikować za pomocą testu statystycznego. Początkowo testujemy dopasowanie jednoczynnikowego modelu do danych. W przypadku gdy dane znacząco odbiegają od modelu, przechodzimy do testowania modelu dwuczynnikowego. Postępujemy rekurencyjnie, aż do uzyskania modelu, który nieistotnie różni się od danych. Część całkowitej zmienności w zbiorze zmiennych obserwowalnych wyjaśniona przez j-ty czynnik k i1 k i1 2 ij Var( X ) i 27
28 Analizą głównych składowych vs. analiza czynnikowa (1) Czasami obie metody są utożsamiane i obie nazwy są stosowane zamiennie. Jednakże należy podkreślić, iż jest to błędem! Obie techniki mają na celu wyjaśnienie zbioru danych wielowymiarowych przy użyciu mniejszej liczby wymiarów, ale obie procedury osiągają zamierzony cel w inny sposób. Analiza czynnikowa opiera się na pewnym modelu, w którym zmienne są wyjaśniane zmiennymi ukrytymi (nieobserwowanymi bezpośrednio). Przedmiotem analizy jest wyjaśnienie kowariancji między zmiennymi obserwowalnymi za pomocą zmiennych ukrytych. Analiza głównych składowych nie opiera się na modelu teoretycznym, jest to metoda transformacji liniowej zbioru zmiennych wyjściowych, która ma na celu wyjaśnienie ich zmienności mierzonej przy użyciu wariancji. 28
29 Analizą głównych składowych vs. analiza czynnikowa (2) Wyniki obu analiz mogą być bardzo podobne, jeśli zmienność czynników specyficznych jest mała. Obie metody są podobne pod względem sensowności analiz w przypadku gdy wyjściowe zmienne są nieskorelowane. Analiza czynnikowa nie ma czego wyjaśniać, natomiast w wyniku analizy głównych składowych otrzymamy składowe, które są bardzo zbliżone do wyjściowych zmiennych. 29
30 Podsumowanie kolejne etapy analizy czynnikowej 1. Przygotowanie danych (Czy są obserwacje nietypowe? Czy zmienne obserwowalne są skorelowane?) 2. Estymacja wspólnej wariancji. 3. Określenie liczby czynników. 4. Rotacja czynników (jeśli interpretacja czynników jest utrudniona). 5. Interpretacja czynników. 6. Utworzenie nowych zmiennych. 30
Prawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
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 szczegółowoANALIZA CZYNNIKOWA Przykład 1
ANALIZA CZYNNIKOWA... stanowi zespół metod i procedur statystycznych pozwalających na badanie wzajemnych relacji między dużą liczbą zmiennych i wykrywanie ukrytych uwarunkowań, ktore wyjaśniają ich występowanie.
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
Bardziej szczegółowoAnaliza składowych głównych
Analiza składowych głównych Wprowadzenie (1) W przypadku regresji naszym celem jest predykcja wartości zmiennej wyjściowej za pomocą zmiennych wejściowych, wykrycie związku między wielkościami wejściowymi
Bardziej szczegółowoAnaliza 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 szczegółowoElementy statystyki wielowymiarowej
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Elementy statystyki wielowymiarowej 1.1 Kowariancja i współczynnik korelacji 1.2 Macierz kowariancji 1.3 Dwumianowy rozkład normalny 1.4 Analiza składowych
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 szczegółowoCELE ANALIZY CZYNNIKOWEJ
ANALIZA CZYNNIKOWA... stanowi zespół metod i procedur statystycznych pozwalających na badanie wzajemnych relacji między dużą liczbą zmiennych i wykrywanie ukrytych uwarunkowań, ktore wyjaśniają ich występowanie.
Bardziej szczegółowoPDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Analiza korelacji i regresji KORELACJA zależność liniowa Obserwujemy parę cech ilościowych (X,Y). Doświadczenie jest tak pomyślane, aby obserwowane pary cech X i Y (tzn i ta para x i i y i dla różnych
Bardziej szczegółowoStosowana Analiza Regresji
Stosowana Analiza Regresji Wykład VIII 30 Listopada 2011 1 / 18 gdzie: X : n p Q : n n R : n p Zał.: n p. X = QR, - macierz eksperymentu, - ortogonalna, - ma zera poniżej głównej diagonali. [ R1 X = Q
Bardziej szczegółowoRegresja 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 szczegółowoMODELE 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 szczegółowoAnaliza korespondencji
Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy
Bardziej szczegółowoNatalia Neherbecka. 11 czerwca 2010
Natalia Neherbecka 11 czerwca 2010 1 1. Konsekwencje heteroskedastyczności i autokorelacji 2. Uogólniona MNK 3. Stosowalna Uogólniona MNK 4. Odporne macierze wariancji i kowariancji b 2 1. Konsekwencje
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 szczegółowoKolejna z analiz wielozmiennowych Jej celem jest eksploracja danych, poszukiwanie pewnych struktur, które mogą utworzyć wskaźniki
Analiza czynnikowa Kolejna z analiz wielozmiennowych Jej celem jest eksploracja danych, poszukiwanie pewnych struktur, które mogą utworzyć wskaźniki Budowa wskaźnika Indeks był banalny I miał wady: o Czy
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 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 szczegółowoAnaliza głównych składowych- redukcja wymiaru, wykł. 12
Analiza głównych składowych- redukcja wymiaru, wykł. 12 Joanna Jędrzejowicz Instytut Informatyki Konieczność redukcji wymiaru w eksploracji danych bazy danych spotykane w zadaniach eksploracji danych mają
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 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 szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 7
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 7 Analiza korelacji - współczynnik korelacji Pearsona Cel: ocena współzależności między dwiema zmiennymi ilościowymi Ocenia jedynie zależność liniową. r = cov(x,y
Bardziej szczegółowoRegresja 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 szczegółowoRozdział 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 szczegółowo5. WNIOSKOWANIE PSYCHOMETRYCZNE
5. WNIOSKOWANIE PSYCHOMETRYCZNE Model klasyczny Gulliksena Wynik otrzymany i prawdziwy Błąd pomiaru Rzetelność pomiaru testem Standardowy błąd pomiaru Błąd estymacji wyniku prawdziwego Teoria Odpowiadania
Bardziej szczegółowo10. Redukcja wymiaru - metoda PCA
Algorytmy rozpoznawania obrazów 10. Redukcja wymiaru - metoda PCA dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. PCA Analiza składowych głównych: w skrócie nazywana PCA (od ang. Principle Component
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 szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoWłasności statystyczne regresji liniowej. Wykład 4
Własności statystyczne regresji liniowej Wykład 4 Plan Własności zmiennych losowych Normalna regresja liniowa Własności regresji liniowej Literatura B. Hansen (2017+) Econometrics, Rozdział 5 Własności
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoRegresja wielokrotna. PDF created with FinePrint pdffactory Pro trial version http://www.fineprint.com
Regresja wielokrotna Model dla zależności liniowej: Y=a+b 1 X 1 +b 2 X 2 +...+b n X n Cząstkowe współczynniki regresji wielokrotnej: b 1,..., b n Zmienne niezależne (przyczynowe): X 1,..., X n Zmienna
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 szczegółowoMetoda największej wiarygodności
Rozdział Metoda największej wiarygodności Ogólnie w procesie estymacji na podstawie prób x i (każde x i może być wektorem) wyznaczamy parametr λ (w ogólnym przypadku również wektor) opisujący domniemany
Bardziej szczegółowoMikroekonometria 3. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 3 Mikołaj Czajkowski Wiktor Budziński Zadanie 1. Wykorzystując dane me.hedonic.dta przygotuj model oszacowujący wartość kosztów zewnętrznych rolnictwa 1. Przeprowadź regresję objaśniającą
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 szczegółowoMikroekonometria 12. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 12 Mikołaj Czajkowski Wiktor Budziński Dane panelowe Co jeśli mamy do dyspozycji dane panelowe? Kilka obserwacji od tych samych respondentów, w różnych punktach czasu (np. ankieta realizowana
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 szczegółowoSTATYSTYKA 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 szczegółowoAnaliza regresji - weryfikacja założeń
Medycyna Praktyczna - portal dla lekarzy Analiza regresji - weryfikacja założeń mgr Andrzej Stanisz z Zakładu Biostatystyki i Informatyki Medycznej Collegium Medicum UJ w Krakowie (Kierownik Zakładu: prof.
Bardziej szczegółowoMikroekonometria 14. Mikołaj Czajkowski Wiktor Budziński
Mikroekonometria 14 Mikołaj Czajkowski Wiktor Budziński Symulacje Analogicznie jak w przypadku ciągłej zmiennej zależnej można wykorzystać metody Monte Carlo do analizy różnego rodzaju problemów w modelach
Bardziej szczegółowoWprowadzenie 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 szczegółowoMETODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA
METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA AMFETAMINY Waldemar S. Krawczyk Centralne Laboratorium Kryminalistyczne Komendy Głównej Policji, Warszawa (praca obroniona na Wydziale Chemii Uniwersytetu
Bardziej szczegółowoWspółczynnik korelacji. Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ
Współczynnik korelacji Współczynnik korelacji jest miernikiem zależności między dwiema cechami Oznaczenie: ϱ Własności współczynnika korelacji 1. Współczynnik korelacji jest liczbą niemianowaną 2. ϱ 1,
Bardziej szczegółowoZadanie 1. Za pomocą analizy rzetelności skali i wspólczynnika Alfa- Cronbacha ustalić, czy pytania ankiety stanowią jednorodny zbiór.
L a b o r a t o r i u m S P S S S t r o n a 1 W zbiorze Pytania zamieszczono odpowiedzi 25 opiekunów dzieci w wieku 8. lat na następujące pytania 1 : P1. Dziecko nie reaguje na bieżące uwagi opiekuna gdy
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 szczegółowoKADD Metoda najmniejszych kwadratów funkcje nieliniowe
Metoda najmn. kwadr. - funkcje nieliniowe Metoda najmniejszych kwadratów Funkcje nieliniowe Procedura z redukcją kroku iteracji Przykłady zastosowań Dopasowanie funkcji wykładniczej Dopasowanie funkcji
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
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 szczegółowoInteligentna analiza danych
Numer indeksu 150946 Michał Moroz Imię i nazwisko Numer indeksu 150875 Grzegorz Graczyk Imię i nazwisko kierunek: Informatyka rok akademicki: 2010/2011 Inteligentna analiza danych Ćwiczenie I Wskaźniki
Bardziej szczegółowoWERYFIKACJA MODELI MODELE LINIOWE. Biomatematyka wykład 8 Dr Wioleta Drobik-Czwarno
WERYFIKACJA MODELI MODELE LINIOWE Biomatematyka wykład 8 Dr Wioleta Drobik-Czwarno ANALIZA KORELACJI LINIOWEJ to NIE JEST badanie związku przyczynowo-skutkowego, Badanie współwystępowania cech (czy istnieje
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 8
Stanisław Cichocki Natalia Nehrebecka Zajęcia 8 1. Testy diagnostyczne 2. Testowanie prawidłowości formy funkcyjnej modelu 3. Testowanie normalności składników losowych 4. Testowanie stabilności parametrów
Bardziej szczegółowoWielowymiarowa analiza regresji. Regresja wieloraka, wielokrotna
Wielowymiarowa analiza regresji. Regresja wieloraka, wielokrotna Badanie współzależności zmiennych Uwzględniając ilość zmiennych otrzymamy 4 odmiany zależności: Zmienna zależna jednowymiarowa oraz jedna
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
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 szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 10 Rozkład LU i rozwiązywanie układów równań liniowych Niech będzie dany układ równań liniowych postaci Ax = b Załóżmy, że istnieją macierze L (trójkątna dolna) i U (trójkątna górna), takie że macierz
Bardziej szczegółowoIdea. Analiza składowych głównych Analiza czynnikowa Skalowanie wielowymiarowe Analiza korespondencji Wykresy obrazkowe.
Idea (ang. Principal Components Analysis PCA) jest popularnym używanym narzędziem analizy danych. Na metodę tę można spojrzeć jak na pewną technikę redukcji wymiarowości danych. Jest to metoda nieparametryczna,
Bardziej szczegółowoRecenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak
Recenzenci: prof. dr hab. Henryk Domański dr hab. Jarosław Górniak Redakcja i korekta Bogdan Baran Projekt graficzny okładki Katarzyna Juras Copyright by Wydawnictwo Naukowe Scholar, Warszawa 2011 ISBN
Bardziej szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej szczegółowoKorelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego
Korelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego Współczynnik korelacji opisuje siłę i kierunek związku. Jest miarą symetryczną. Im wyższa korelacja tym lepiej potrafimy
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
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 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 szczegółowoAnaliza współzależności dwóch cech I
Analiza współzależności dwóch cech I Współzależność dwóch cech W tym rozdziale pokażemy metody stosowane dla potrzeb wykrywania zależności lub współzależności między dwiema cechami. W celu wykrycia tych
Bardziej szczegółowo3. Macierze i Układy Równań Liniowych
3. Macierze i Układy Równań Liniowych Rozważamy równanie macierzowe z końcówki ostatniego wykładu ( ) 3 1 X = 4 1 ( ) 2 5 Podstawiając X = ( ) x y i wymnażając, otrzymujemy układ 2 równań liniowych 3x
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 szczegółowoRegresja i Korelacja
Regresja i Korelacja Regresja i Korelacja W przyrodzie często obserwujemy związek między kilkoma cechami, np.: drzewa grubsze są z reguły wyższe, drewno iglaste o węższych słojach ma większą gęstość, impregnowane
Bardziej szczegółowoCechy X, Y są dowolnego typu: Test Chi Kwadrat niezależności. Łączny rozkład cech X, Y jest normalny: Test współczynnika korelacji Pearsona
Badanie zależności między cechami Obserwujemy dwie cechy: X oraz Y Obiekt (X, Y ) H 0 : Cechy X oraz Y są niezależne Próba: (X 1, Y 1 ),..., (X n, Y n ) Cechy X, Y są dowolnego typu: Test Chi Kwadrat niezależności
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka - adres mailowy: scichocki@o2.pl - strona internetowa: www.wne.uw.edu.pl/scichocki - dyżur: po zajęciach lub po umówieniu mailowo - 80% oceny: egzaminy - 20% oceny:
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoHISTOGRAM. Dr Adam Michczyński - METODY ANALIZY DANYCH POMIAROWYCH Liczba pomiarów - n. Liczba pomiarów - n k 0.5 N = N =
HISTOGRAM W pewnych przypadkach interesuje nas nie tylko określenie prawdziwej wartości mierzonej wielkości, ale także zbadanie całego rozkład prawdopodobieństwa wyników pomiarów. W takim przypadku wyniki
Bardziej szczegółowoPropensity score matching (PSM)
Propensity score matching (PSM) Jerzy Mycielski Uniwersytet Warszawski Maj 2010 Jerzy Mycielski (Uniwersytet Warszawski) Propensity score matching (PSM) Maj 2010 1 / 18 Badania ewaluacyjne Ocena wpływu
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 szczegółowoAnaliza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817
Analiza Danych Sprawozdanie regresja Marek Lewandowski Inf 59817 Zadanie 1: wiek 7 8 9 1 11 11,5 12 13 14 14 15 16 17 18 18,5 19 wzrost 12 122 125 131 135 14 142 145 15 1 154 159 162 164 168 17 Wykres
Bardziej szczegółowoMetoda Monte Carlo. Jerzy Mycielski. grudzien Jerzy Mycielski () Metoda Monte Carlo grudzien / 10
Metoda Monte Carlo Jerzy Mycielski grudzien 2012 Jerzy Mycielski () Metoda Monte Carlo grudzien 2012 1 / 10 Przybliżanie całek Powiedzmy, że mamy do policzenia następującą całkę: b f (x) dx = I a Założmy,
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 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 szczegółowoZastosowanie 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 szczegółowoStatystyczna analiza danych
Statystyczna analiza danych Korelacja i regresja Ewa Szczurek szczurek@mimuw.edu.pl Instytut Informatyki Uniwersytet Warszawski 1/30 Ostrożnie z interpretacją p wartości p wartości zależą od dwóch rzeczy
Bardziej szczegółowoAnaliza współzależności zjawisk. dr Marta Kuc-Czarnecka
Analiza współzależności zjawisk dr Marta Kuc-Czarnecka Wprowadzenie Prawidłowości statystyczne mają swoje przyczyny, w związku z tym dla poznania całokształtu badanego zjawiska potrzebna jest analiza z
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 szczegółowoZależność. 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 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 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 szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Hipoteza Test statystyczny Poziom istotności Testy jednostronne i dwustronne Testowanie równości wariancji test F-Fishera Testowanie równości wartości średnich test t-studenta
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka - adres mailowy: nnehrebecka@wne.uw.edu.pl - strona internetowa: www.wne.uw.edu.pl/nnehrebecka - dyżur: wtorek 18.30-19.30 sala 302 lub 303 - 80% oceny: egzaminy -
Bardziej szczegółowoInżynieria biomedyczna, I rok, semestr letni 2014/2015 Analiza danych pomiarowych. Laboratorium VIII: Analiza kanoniczna
1 Laboratorium VIII: Analiza kanoniczna Spis treści Laboratorium VIII: Analiza kanoniczna... 1 Wiadomości ogólne... 2 1. Wstęp teoretyczny.... 2 Przykład... 2 Podstawowe pojęcia... 2 Założenia analizy
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka
Stanisław Cichocki Natalia Nehrebecka 1 2 3 1. Wprowadzenie do danych panelowych a) Charakterystyka danych panelowych b) Zalety i ograniczenia 2. Modele ekonometryczne danych panelowych a) Model efektów
Bardziej szczegółowoEstymacja parametrów w modelu normalnym
Estymacja parametrów w modelu normalnym dr Mariusz Grządziel 6 kwietnia 2009 Model normalny Przez model normalny będziemy rozumieć rodzine rozkładów normalnych N(µ, σ), µ R, σ > 0. Z Centralnego Twierdzenia
Bardziej szczegółowoStatystyka. Wykład 8. Magdalena Alama-Bućko. 23 kwietnia Magdalena Alama-Bućko Statystyka 23 kwietnia / 38
Statystyka Wykład 8 Magdalena Alama-Bućko 23 kwietnia 2017 Magdalena Alama-Bućko Statystyka 23 kwietnia 2017 1 / 38 Tematyka zajęć: Wprowadzenie do statystyki. Analiza struktury zbiorowości miary położenia
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoSTATYSTYKA I DOŚWIADCZALNICTWO Wykład 4
STATYSTYKA I DOŚWIADCZALNICTWO Wykład 4 Inne układy doświadczalne 1) Układ losowanych bloków Stosujemy, gdy podejrzewamy, że może występować systematyczna zmienność między powtórzeniami np. - zmienność
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA 7.1 PL (wykład 3) Dariusz Gozdowski
Statystyczna analiza danych w programie STATISTICA 7.1 PL (wykład 3) Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Dwuczynnikowa analiza wariancji (2-way
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 szczegółowoMetody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2
Metody matematyczne w analizie danych eksperymentalnych - sygnały, cz. 2 Dr hab. inż. Agnieszka Wyłomańska Faculty of Pure and Applied Mathematics Hugo Steinhaus Center Wrocław University of Science and
Bardziej szczegółowoAnaliza składowych głównych idea
Analiza składowych głównych idea Analiza składowych głównych jest najczęściej używanym narzędziem eksploracyjnej analizy danych. Na metodę tę można spojrzeć jak na pewną technikę redukcji wymiarowości
Bardziej szczegółowoZadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych
Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych Zad. 1 Średnia ocen z semestru letniego w populacji studentów socjologii w roku akademickim 2011/2012
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 szczegółowo7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej
7. Estymacja parametrów w modelu normalnym(14.04.2008) Pojęcie losowej próby prostej Definicja 1 n-elementowa losowa próba prosta nazywamy ciag n niezależnych zmiennych losowych o jednakowych rozkładach
Bardziej szczegółowo