PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WROCŁAWIU Nr 780 PROGNOZOWANIE W ZARZĄDZANIU FIRMĄ 1997
|
|
- Łucja Dąbrowska
- 6 lat temu
- Przeglądów:
Transkrypt
1 PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WROCŁAWIU Nr 780 PROGNOZOWANIE W ZARZĄDZANIU FIRMĄ 1997 Marek Walesiak, Józef Dziechciarz, Anna Blaczkowska Akademia Ekonomiczna we Wrocławiu CONJOINT MEASUREMENT JAKO NARZĘDZIE SEGMENTACJI I PROGNOZOWANIA RYNKU* W artykule przedstawiono zastosowanie metody eonjoint measurementl do wyboru warunków zakwaterowania studentów. Utworzono 12 wariantów do oceny przez 113 studentów Akademii Ekonomicznej we Wrocławiu. Studenci podawali subiektywne prawdopodobieństwa wyboru. Oceny respondentów stanowiły podstawę oszacowania współczynników użyteczności cząstkowych, które wykorzystano do prognozowania udziału w rynku wybranych wariantów zakwaterowania oraz wydzielenia segmentów studentów o zbliżonych preferencjach wyboru. Badania ankietowe przeprowadzono w roku akademickim 1996/1997. t. Problem badawczy Przy wyborze wariantu warunków zakwaterowania studenci biorą pod uwagę różne jego charakterystyki, dlatego w badaniach można traktować każdy wariant jako wielowymiarowy obiekt. Badacz określa więc dla danego wariantu zakwaterowania jego podstawowe charakterystyki oraz sporządza listę poziomów ich wartości (wariantów, przedziałów zmienności). Każdy wariant zakwaterowania opisano przez sześć zmiennych: Praca została wykonana w ramach grantu KBN l H02B ut. Teoretyczne i praktyczne aspekty statystycznoekonome/tycznych metod w marketingowych badaniach segmentacyjnych. l Podstawy tej metody omówiono m.in. w pracach [3), [4). [5], [6). [8], [9]. 120
2 Z1 Miejsce zakwaterowania: akademik, stancja. Z 4 Swobodny dostęp do lokalu: tak, nie. Z2 Opłata za l miesiąc (w zł) : , Z 5 Liczba osób w pomieszczeniu: jedna, dwie, trzy. Z3 Dostępność kuchni: tak, nie. Z 6 Odległość od uczejni2: przy uczelni, niedaleko, daleko. Na podstawie wyróżnionych nniennych oraz odpowiadających im poziomów można utworzyć zbiór hipotetycmych form zakwaterowania w okresie studiów. Ich liczba jest iloczynem liczby poziomów wszystkich zmiennych opisujących warianty warunków zakwaterowania. W analizowanym projekcie wyróżniono 6 zmiennych odpowiednio o 2. 3, 2, 2. 3 i 3 poziomach. otrzymano więc 216 hipotetycmych wariantów warunków zakwaterowania. Respondent nie jest jednak w stanie ocenić tak wielu wariantów, a więc zwykle ogranicza się ich liczbę do pewnego podzbioru (wyróżnionego arbitralnie lub utworzonego przez zastosowanie specjalnych procedur statystycmych). Do oceny zaproponowano 12 wariantów warunków zakwaterowania (ich charakterystyki zawiera rys. l). Respondenci oceniali te warianty przez podanie prawdopodobieństwa subiektywnego ich wyboru. Wartość największą przyporządkowywano wariantowi. który był wybierany w pierwszej kolejności, wartość najmniejszą wariantowi. który był wybierany w ostatniej kolejności. Tak zdefiniowana zmienna zależna (preferencje wyboru) mierzona jest na skali ilorazowej (zob. [7], s. 3638; [9], s. 91). Zmienna tego typu może być mierzona ponadto na skali przedziałowej lub porządkowej. Zastosowany wariant metody analizy ocen respondentów zależy od sposobu definicji zmiennej zależnej (por. np. [7]). Rozróżnia się metrycme procedury estyma~ji. gdy zmienna zależna mierzona jest na skali przedziałowej lub ilorazowej (metoda najmniejszych kwadratów ze zmiennymi sztucmymi, np. zerojedynkowymi) oraz niemetryczne procedury estymacji, gdy mtienna zależna mierzona jest na skali porządkowej (monotonicma analiza wariancji). Metody estymacji pcmunetrów w modelach eonjoint measurement omówiono w pracy [4]. Za pomocą wybranej metody szacuje się wartości użytecmości, jakie każdy respondent wiąże z danym poziomem Zllliennej. Wynikiem tego etapu analizy jest macierz użytecmości cząstkowych. Liczba wierszy tej macierzy odpowiada liczbie respondentów. a liczba kolumn jest równa liczbie poziomów wyróżnionych dla wszystkich zmiennych. 2 Niedaleko (daleko): czas dojścia lub dojazdu do uczelni poniżej {powyżej) 30 m.in. 121
3 Wariant l Wariant 2 Miejsce zakwaterowania Stancj a Miejsce zakwaterowania Stancja Oplata za l miesiąc (200250) Opłata za l miesiąc [100150) Dostępność kuchni Nic Dostępność kucłmi Nie Swobodny dostęp do lokalu Tak Swobodny dostęp do lokalu Nie Liczba osób w pomieszczeniu Dwie Liczba osób w pomieszczeniu Trzy Odległo ś ć od uczelni Przy uczelni Odległość od uczelni Daleko Preferencja... Preferencja... Wariant 3 Wariant 4 Miejsce zakwaterowania Stancja Miejsce zakwaterowania Akademik Opłata za l miesiąc (200250) Oplata za l miesiąc [100150) Dostępność kuclmi Tak Dostępność kuclmi Nie Swobodny dostęp do lokalu Nie Swobodny dostęp do lokalu Nie Liczba osób w pomieszczeniu Jedna Liczba osób w pomieszczeniu Trzy Odległość od uczelni Daleko Odległość od uczelni Przy uczelni Preferencja Preferencja Wariant S Wariant6 Miejsce zal.:waterowania Stancja Miejsce zakwaterowania Akademik Opłata za l mie s iąc [150200) Oplata za l miesiąc [ ) Dostępność kuclmi Nie Dostępność kuclmi Tak Swobodny dostęp do lokalu Tak Swobodny dostęp do lokalu Nie Liczba osób w pomieszczeniu Jedna Liczba osób w pomieszczeniu Dwie Odleglo ś ć od uczelni Niedaleko Odległość od uczelni Przy uczelni Preferencja..... Preferencja Wariant 7 Wariant 8 Miejsce zakwaterowania Akademik Miejsce zal.:waterowania Akademik Oplata za l miesiąc [100150) Oplata za l miesiąc [150200) Dostępno ś ć kucłmi Nie Dostępność kuclmi Tak Swobodny dostęp do lokalu Nie Swobodny dostęp do lokalu Nie Liczba osób w pomieszczeniu Dwie Liczba osób w pomieszczeniu Jedna Odleołoś ć od uczelni Przv uczelni Odległość od uczelni Przy uczelni Preferencja Preferencja... Wariant 9 Wariant 10 Miejsce zakwaterowania Stancja Miejsce zakwaterowania Stancja Opłata za 1 miesiąc [150200) Opłata za l miesiąc [100150) Dostępność kuclmi Tak Dostępność kuclmi Nie Swobodny dostęp do lokalu Tak Swobodny dostęp do lokalu Nie Liczba osób w pomieszczeniu Trzy Liczba osób w pomieszczeniu Dwie Odległość od uczelni Daleko Odległość od uczelni Niedaleko Preferencja... Preterencja Wariant 11 Wariant 12 Miejsce zakwaterowania Akademik Miejsce zakwaterowania Stancja Oplata za l miesiąc [200250) Opłata za l miesiąc [100150) Dostępność kuclmi Tak Dostępność l.:uc!mi Tak Swobodny dostęp do lokalu Tak Swobodny dostęp do lokalu Nie Liczba osób w pomieszczeniu Jedna Liczba osób w pomieszczeniu Jedna Odległość od uczelni Przy uczelni Odległość od uczelni Niedaleko Preferencja Preferencja... Rys. l. Charakterystyki 12 wanantów warunków zakwaterowania studentów 122
4 Rezultaty zestawione w formie macierzy użyteczności cząstkowych podlegają w dalszych fazach badania analizie i interpretacji, pozwalając uzyskać rozwiązania zadań sformułowanych na wstępie. Do analizy użyto metodę najmniejszych kwadratów ze względu na to, że zmienna zależna (ocena przypisana przez danego respondenta poszczególnym wariantom warunków zakwaterowania) jest mierzona na skali ilorazowej. Znaczenie każdego poziomu zmiennej uwzględnia się przez wprowadzenie do konstruowanego modelu sztucznych zmiennych niezależnych (ich liczba musi być mniejsza o jeden od liczby poziomów danej zmiennej nominalnej). W analizowanym projekcie są trzy zmienne nominalne o dwóch i trzy o trzech poziomach. Do modelu regresji wielorakiej wprowadzono więc dziewięć zmiennych sztucznych otrzymując dla respondenta s: Ys=bos +b1sxls +b2sx2s +b3s X Js +b4 sx4s +bssx 5s +h6sx 6s +b7sx 7s+bgsX8s +hgsx 9s' (l) gdzie: b 15,..., b 95 parametry równania regresji; b 05 wyraz wolny: X 1,..., X 9 zmienne sztuczne zdefmiowane następująco : Zmierma Z 1 X 1 Zmienna Z 2 X 2 X 3 Zmienna z 3 X 4 Akademik l [100150) l O Tak l Stancja 1 [ ) O l Nie 1 [200250) 1 1 Zmienna Z 4 X 5 Tak l Nie 1 Zmienna Z 5 X 6 X 7 Zmienna Z 6 X 8 X 9 Jedna l O Przy uczelni l O Dwie O l Niedaleko O l Trzy 1 1 Daleko 1 1 Dla każdego respondenta s otrzymuje się oszacowania użyteczności cząstkowych liczone następująco (zob. [9], s. 92): a) dla zmiennej o dwóch poziomach Zmienna z 1 Zmienna sztuczna X P Użyteczności cząstkowe Poziom I l U}1 =bps Poziom II l u~ 2 =b 1 ps 123
5 b) dla zmiennej o trzech poziomach Zmienna Zi Zmienna sztuczna Zmienna sztuczna Użyteczności xp xą cząstkowe Poziom I l o U}t = bp ' Poziom II o J u~" =b J q3 Poziom lll l l ll}3 =(bps +bqs) gdzie: Uj 1 użyteczność cząstkowa /tego poziomu }tej zmiennej dla respondenta s; l j numer zn1iennej {j = L 2,..., 6 ): s numer respondenta (s= L 2, ): p, q numery zmiennych sztucznych (p, q= L 2,..., 9): li numer poziomu dla zn1iennej Z i (1 1 = / 3 = 1 4 =L 2 : 1 2 = 1 5 = 1 6 = l, 2, 3). Po oszacowaniu użyteczności cząstkowych określono relatywną ważność każdej zmiennej w procesie wyboru wariantu warunków zakwaterowania. Wyniki obliczeń zestawiono w tab. l. Relatywną ważność każdej zn1iennej Wj dla respondenta s wyznacza się ze wzoru (zob. [6], s. 608): max{u;, }min{ u;,. } w~= 'i f(max{u;, }min{u;, }]. i= l li l li l (2) Dla itego wariantu warunków zakwaterowania i stego respondenta szacuje się ponadto całkowitą użyteczność według wzoru (zob. [9], s. 93): (3) gdzie: /i. numer poziomu dla }tej zmiennej i itego wariantu warunków zakwate.1. rowarua. i = L 2,..., 12 numer wariantu warunków zakwaterowania, bo s wyraz wolny dla respondenta s. Użyteczność całkowitą (atrakcyjność) dla itego wariantu warunków zakwaterowania wylicza się ze wzoru (zob. [9], s. 95): _ls[m 3 J U; S L ~U }l; +bo3. 3=1 J=l l (4) 124
6 , , , ,427 8,264 7, , ,984 Tabela l. Wyniki obliczeń otrzymane za pomocą metody eonjoint measurement l. Miejsc.: zakwaterowania Nmner respondenta l AV Oszacowanie użyteczjlości cząstkowej a) akademik b) stancja , l l Oplata za l miesiąc a) IJ00150) ~.326 7, b) ) c) ) 4, Dostępność kuchni a) tak b)nie 1, Swobodny dostęp do lokalu a) tak 3, b) nie ~. Liczha osób w pomieszczeniu a) j.:dna 26.~ b) dwie c)tny ,988 oo 6. Odl.:glość od uczelni a) przy uczelni b) niedlaeko c) daleko Wrraz wolny Relatywna waż11ość każdej , , , ooo V ,663 0, , , , l l ,316 5, , , , , ,458 zmiennej (o/o): a) miejsce zakwaterowania 5, , b) oplata za 1 miesiąc , c) do. tępno.~ć kuclmi d) swobodny dostęp do lokalu ooo e) liczba ()I;Ó() w pomieszczeniu oo 14, f) odlcglośćod uczelni ,83 7, Współczynnik R , A V wartość średnia. R współczynnik korelacji wielorakiej między zaobserwowanymi i oszacowanymi preferencjami studentów (statystyka ta pokazuje s topień dopasowania modelu do danych empirycznych). Ź ródło : Obliczenia wykonan.o z użyciem pakietu statystycznego SPSS Categories [8]. 125
7 2. Prognozowanie udziału w rynku wybranych wariantów zakwaterowania studentów Na podstawie uzyskanych wyników można wybrać warianty warunków zakwaterowania studentów do analizy symulacyjnej. Wybór uzależniony jest od relatywnej ważności poszczególnych zmiennych i ich poziomów. Atrakcyjność (całkowita użyteczność) wariantów symulacyjnych dla poszczególnych respondentów i dla całego zbioru można wyliczyć, stosując wzory (3) i (4). Wyniki te stosuje się do oszacowania przewidywanego udziału w rynku tych wariantów warunków zakwaterowania. Dla celów symulacji wybrano cztery warianty, po dwa z miejscem zamieszkania w akademiku i na stancji. Wyboru wariantów dokonano, uwzględniając przeciętną ważność zmiennych (por. tab. l) oraz kierując się zasadą "coś za coś". Wariant 13 oferuje wprawdzie wyższą niż wariant 15 opłatę za l miesiąc, ale za to proponowana liczba osób w pomieszczeniu jest mniejsza. Z kolei wariant 14 w porównaniu z wariantem 16 oferuje wyższą opłatę za l miesiąc, przy mniejszej jednak odległości od uczelni. Wariant 13 Wariant 14 Wariant 15 Wariant 16 Miejsce zakwaterowania akademik stancja akademik stancja Oplata za l miesiąc [200250) [200250J ) [150200) Dostępność kuclmi tak tak tak tak Swobodny dostęp do lokalu nie tak nie tak Liczba osób w pomieszczeniu dwie dwie!gy_ dwie Odległość od uczelni przy uczelni niedaleko ~uczelni daleko Prognozowany udział czterech wariantów warunków zakwaterowania studentów w rynku oszacowano, wykorzystując do tego celu model maksymalnej użyteczności (zob. [6], s. 591, [91, s. 97). W modelu maksymalnej użyteczności oblicza się odsetek respondentów, dla których dany wariant warunków zakwaterowania studentów otrzymał najwyższą ocenę użyteczności całkowitej wśród obiektów będących przedmiotem symulacji. Przewidywane udziały w rynku wybranych wariantów zakwaterowania zaprezentowano w tab. 2. Tabela 2. Rezultaty analizy symulacyjnej dla 4 testowanych wariantów warunków zakwaterowania Testowany Prognozowana użyteczllość całkowita Prognozowane udziały w rynku (w wariant (wzór (4)) o/11}_ 13 42,0 9, ,0 25, ,1 27, ,1 37,17 126
8 Spośród 4 wariantów warunków zakwaterowania największy udział w rynku przewidywany jest dja wariantu 16, najniższy zaś dla wariantu 13. Porównanie wariantu 13 i 15 pokazuje, że podniesienie odpłatności za zakwaterowanie w akademiku, przy jednoczesnym zmniejszeniu liczby osób w jednym pomieszczeniu, nie spotka się z dużym zainteresowaniem studentów (przewidywany udział w rynku wariantu 13 jest mniejszy niż wariantu 15). Porównanie wariantu 14 i 16 pokazuje, że większy udział w rynku przewiduje się dla wariantu 16, oferującego wprawdzie odleglejsze od uczelni zakwaterowanie, ale za to mniejszym kosztem. 3. Segmentacja studentów o zbliżonych preferencjach wyboru Macierz użyteczności cząstkowych, w której liczba wierszy odpowiada liczbie respondentów, a liczba kolumn jest równa liczbie poziomów wyróżnionych dja wszystkich zmiennych stanowi podstawę segmentacji rynku studentów ze względu na preferowane warunki zakwaterowania. Do podziału zbiorowości studentów na klasy (segmenty) wykorzystano metodę kśrednich (por. [l], s. 45]). Do wyodrębnienia trzech segmentów ze zbiorowości studentów zastosowano metodę najbliższej odległości od środka ciężkości (zob. [2]) (nearest centroid sorting) oprogran10waną w pakiecie statystycznym SPSS ProfessionaJ Statistics ver. 6. l for Windows. Po dziewiątej iteracji otrzymano ostateczny podział zbiorowości studentów: segment I 48 studentów; segment II 36 studentów: segment III 29 studentów. Całą procedurę eonjoint measurement powtórzono w każdym segmencie osobno. Oszacowane użyteczności cząstkowe, ważność zmiennych oraz niektóre inne charakterystyki dja poszczególnych segmentów zamieszczono w tab. 3. Uzyskane rezultaty badań segmentacyjnych pokazują, że : a) w segmencie L który jest najliczniejszy, zmienne mają prawie jednakowe znaczenie dla studentów w wyborze warunków zakwaterowania (nieco mniejsze znaczenie ma zmienna " dostępność kuclmi"). Największe znaczenie w procesie wyboru przypisują studenci tego segmentu zmiennej "swobodny dostęp do lokalu". Studenci w tym segmencie pochodzą z rodzin o najwyższej liczebności {średnia wynosi 3, 73 osoby). Również dochody w tym segmencie są najwyższe (mediana dochodu równa jest 325 zł) : b) w segmencie II skupieni są studenci, dla których w wyborze warunków zakwaterowania odległość od uczelni ma decydujące znaczenie (przy czym prawie jednakowo traktują oni dwa pierwsze warianty miejsc zakwaterowania: "przy uczelni" i "niedaleko uczelni"). W dalszej kolejności studenci biorą pod uwagę zmienne "oplata za l miesiąc " i "dostępność kuchni". W tym segmencie mediana dochodu będącego do dyspozycji studenta w ciągu miesiąca jest najni żs za i wynosi 290 zl: 127
9 Tabela 3. Wybrane charakterystyki segmentów rynku Wańant Segment Zmienna zmie1mej I II III a b a b a b Miejsce zakwaterowania akademik 8,095 0,894 15,324 16,37 13,47 stancja 8,095 0,894 15,324 12,89 [100150) 6,170 6,394 21,074 Oplata za l miesiąc [ ) 1, ,89 6,513 18,59 7,218 22, ) 7,289 0,119 28,292 Dostępność kuclmi tak 5,732 10,367 19,072 13,21 17,57 nie 5,732 10,367 19,072 17,46 Swobodny dostęp do lokalu tak 12,414 0,275 9,569 18,99 9,76 nie 12,414 0,275 9,569 9,67 jedna 6,030 2,046 15,858 Liczba osób w pomieszczeniu dwie 3,964 17, 12 0,370 13, ,82 lrt.y 9,994 1, przy uczelni 1,200 9,343 29,572 Odległość od uczelni niedaleko 2,365 17,42 9,974 26,85 13,069 22,85 daleko 1,164 19,316 16,503 Liczba studentów Kobiety l mężczyźni 21/27 19/17 20/9 PT?..eciętna liczba osób w gospodarstwie domowym 3,73 3,69 3,48 Mediana dochodu w dyspozycji studenta w ciągu miesiąca 325 zł 290 zł 320 zł a oszacowane użyteczności cząstkowe (środki ciężkości), b średnia ważność w % zmiennych ustałona na podstawie \vzoru: l s 1 L W} (gdzie Wf określone wzorem (2)). <.r1 ' c) segment III tworzą studenci. dla których silny wpływ na decyzje dotyczące wyboru warunków zakwaterowania wywierają zmienne,,odległość od uczelni" oraz,.opłata za l miesiąc". Około 69% studentów w tym segmencie to kobiety. Liczba osób w gospodarstwie domowym jest tutaj najniższa i wynosi średnio 3.48 osoby, mediana dochodu jest stosunkowo wysoka równa 320 zł. Prognozowany udział czterech wariantów warunków zakwaterowania w rynku dla trzech segmentów oszacowano wykorzystując do tego celu omówiony w punkcie 2 modeł. Rezultaty analizy symulacyjnej zaprezentowano w tabeli 4. Spośród 4 wariantów warunków zakwaterowania będących przedmiotem symulacji największy prognozowany udział w rynku mają: w segmencieiwariant 16 i 14: w segmencie II wariant 15 i 14: 128
10 Tabela 4. Rezultaty analizy symulacyjnej dla 4 testowanych wariantów warunków zakwaterowania w segmentach rynku Prognozowana t!ż)'tecmoś ć całkowita Testowany (vjzór (4)) Prognozowane udziały w rynku wariant seoment I segment II segment m segment I segment II segment m l 58,1 23, ,1 l 3, ,3 61,1 30,7 29,17 33,33 10, ,6 66,0 42,8 12,50 47,22 27, ,2 38,4 62,8 45,83 8,33 58,62 w segmencie III wariant 16 i 15. Porównanie wariantu 13 i 15 pokazuje, że podniesienie odpłatności za zakwaterowanie w akademiku, przy jednoczesnym zmniejszeniu liczby osób w jednym pomieszczeniu, nie spotka się z zainteresowaniem studentów w żadnym z segmentów. W segmencie I1 zdecydowanie preferowany jest wariant 15. Porównanic wariantu 14 i 16 pokazuje. że większy udział w rynku przewiduje się dla wariantu 16 w segmencie I i III. Wariant 16 oferuje wprawdzie odleglejsze od uczelni zakwaterowanie. ale za to mniejszym kosztem. Tylko w segmencie II (w którym preferuje się silnie odległość od uczelni) wariant 16 zdobędzie bardzo niewielki udział w rynku (zdecydowanie wyższy udział w rynku przewiduje się dla wariantu 14). Literatura l l) Aldendcrfer M. S., Błashliełd R. K.: Cłuster Analysis. Sage, Hcverły rlills Anderberg M. R.: Cłuster Ana~vsis for App/icatiom. Academic Press, New York, San Francisco, London l Anttiła M., van den Hettveł R. R., Molier K.: Conjoint Mea.mrement for Marketing Management... European Jonmai ofmarketing" 7, 1980, s ) Bąk A., Walesiak M.: Metody estymacji parametrów w modelu eonjoint analysis. Zeszyt nr 4 Sekcji Kla'>ylikacji i Analizy Danych PTS pt. Klasyfikacja i analiza danych teoria i zastosowania. Jelenia Góra WroclawKatowice.Kraków 1997 (w dmku). [SI Dziechciarz J.. Walesiak M.: Modeliing the College Student Choice Process via C'onjoint A.na(vsis...Argumentu Oeconomica" 3, 1996, s j6) Hair J. F., Anderson R. E., Tatham R. L., Black W. C.: Multivariate Data Analysis with Readings. Prentice Hall, Englewood Clilis ] Vriens M., Wittiule D. R.: Conjoint Ana(vsis in Marketing. 1994, Maszynopis powielony. [8] Wałesiak M., Dziechciarz J. : Pomiar preferencji studentów przy wyborze wanmków zakwaterowania.,,przegląd Statystyczny" 3, l 997, s [9] Walesiak M.: Metody analizy danych marketingowych. PWN, Warszawa l
MAREK WALESIAK. JÓZEF DZIECHCIARZ. POMIAR PREFERENCn STUDENTÓW PRZY WYBORZE WARUNKÓW ZAKWATEROWANIA 1. WPROWADZENIE 2.
PRZEGLĄD STATYSTYCZNY R. XLlV ZESZVT 3 1997 MAREK WALESAK. JÓZEF DZECHCARZ POMAR PREFERENCn STUDENTÓW PRZY WYBORZE WARUNKÓW ZAKWATEROWANA 1. WPROWADZENE Metoda conjoint analysis (measurement)l została
Bardziej szczegółowoBadania eksperymentalne
Badania eksperymentalne Analiza CONJOINT mgr Agnieszka Zięba Zakład Badań Marketingowych Instytut Statystyki i Demografii Szkoła Główna Handlowa Najpopularniejsze sposoby oceny wyników eksperymentu w schematach
Bardziej szczegółowoCONJOINT MEASUREMENT W ANALIZIE DANYCH MARKETINGOWYCH
PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WROCLAWIU Nr 744 1997 Informatyka i Ekonometria 3 Marek Walesiak* CONJOINT MEASUREMENT W ANALIZIE DANYCH MARKETINGOWYCH 1. Wstęp Metoda pomiaru łącznego oddziaływania
Bardziej szczegółowoMODELOWANIE WYBORU WARIANTU KSZTAI..CENIA POLICEALNEGO UCZNIÓW ZA POMOCĄ METODY CONJOINT ANALYSIS
Józef Dziechciarz, Marek Walesiak Katedra Ekonometrii Katedra Ekonometrii i Informatyki Akademia Ekonomiczna im. Oskara Langego Wrocław MODELOWANIE WYBORU WARIANTU KSZTAI..CENIA POLICEALNEGO UCZNIÓW ZA
Bardziej szczegółowostrona 1 / 11 Autor: Walesiak Marek Subdyscyplina: Klasyfikacja i analiza danych Publikacje:
Autor: Walesiak Marek Subdyscyplina: Klasyfikacja i analiza danych Publikacje: 1. Autorzy rozdziału: Borys Tadeusz; Strahl Danuta; Walesiak Marek Tytuł rozdziału: Wkład ośrodka wrocławskiego w rozwój teorii
Bardziej szczegółowostrona 1 / 12 Autor: Walesiak Marek Publikacje:
Autor: Walesiak Marek Publikacje: 1. Autorzy rozdziału: Borys Tadeusz; Strahl Danuta; Walesiak Marek Tytuł rozdziału: Wkład ośrodka wrocławskiego w rozwój teorii i zastosowań metod taksonomicznych, s.
Bardziej szczegółowoConjoint analysis jako metoda analizy preferencji konsumentów
Anna Szymańska Dorota Dziedzic Conjoint analysis jako metoda analizy preferencji konsumentów Wstęp Istotnym aspektem, mającym decydujący wpływ na sukcesy rynkowe przedsiębiorstwa jest zrozumienie postępowania
Bardziej 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 szczegółowoWYKAZ PRAC PUBLIKOWANYCH
Dr hab. Andrzej Bąk Prof. nadzw. AE WYKAZ PRAC PUBLIKOWANYCH I. Publikacje zwarte I.1. KsiąŜki 1. Walesiak M., Bąk A. [1997], Realizacja badań marketingowych metodą conjoint analysis z wykorzystaniem pakietu
Bardziej 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 szczegółowoZamawiający: Gmina Bytom
Strona 1 z 62 Zamawiający: Gmina ytom ul. Parkowa 2 41-902 ytom Wykonawca: EU-ONSULT Sp. z o.o. ul. Toruńska 18, lokal D 80-747 Gdańsk Utila sp. z o.o. ul. Targowa 42/20 03-733 Warszawa Strona 2 z 62 Spis
Bardziej szczegółowoTabela 1. Macierz preferencji dotycząca pięciu przykładowych produktów (obiektów) i sześciu respondentów
Marcin Pełka Uniwersytet Ekonomiczny we Wrocławiu Katedra Ekonometrii i Informatyki ZASTOSOWANIE ANALIZY UNFOLDING W OCENIE PREFERENCJI UCZNIÓW SZKOŁY POLICEALNEJ Streszczenie: W artykule przedstawiono
Bardziej 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 szczegółowoSTRESZCZENIE. rozprawy doktorskiej pt. Zmienne jakościowe w procesie wyceny wartości rynkowej nieruchomości. Ujęcie statystyczne.
STRESZCZENIE rozprawy doktorskiej pt. Zmienne jakościowe w procesie wyceny wartości rynkowej nieruchomości. Ujęcie statystyczne. Zasadniczym czynnikiem stanowiącym motywację dla podjętych w pracy rozważań
Bardziej szczegółowoTesty nieparametryczne
Testy nieparametryczne Testy nieparametryczne możemy stosować, gdy nie są spełnione założenia wymagane dla testów parametrycznych. Stosujemy je również, gdy dane można uporządkować według określonych kryteriów
Bardziej szczegółowoRegresja logistyczna (LOGISTIC)
Zmienna zależna: Wybór opcji zachodniej w polityce zagranicznej (kodowana jako tak, 0 nie) Zmienne niezależne: wiedza o Unii Europejskiej (WIEDZA), zamieszkiwanie w regionie zachodnim (ZACH) lub wschodnim
Bardziej szczegółowo1551\1 0324- glrlrs ISSf'J 1501- - 386'
PRACE NAUKOWE AKADEMII EKONOMICZNEJ WE WROCŁAWIU Nr 1100------------------ Ekonometria 16 2006 Marek Walesiak PRZEGLĄD PODSTAWOWYCH ZASTOSOWAŃ METOD STATYSTYCZNEJ ANALIZY WIELOWYMIAROWEJ W BADANIACH MARKETINGOWYCH
Bardziej szczegółowoWykład 10 Skalowanie wielowymiarowe
Wykład 10 Skalowanie wielowymiarowe Wrocław, 30.05.2018r Skalowanie wielowymiarowe (Multidimensional Scaling (MDS)) Główne cele MDS: przedstawienie struktury badanych obiektów przez określenie treści wymiarów
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela
Statystyka w pracy badawczej nauczyciela Wykład 1: Terminologia badań statystycznych dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka (1) Statystyka to nauka zajmująca się zbieraniem, badaniem
Bardziej szczegółowoWYKŁAD 8 ANALIZA REGRESJI
WYKŁAD 8 ANALIZA REGRESJI Regresja 1. Metoda najmniejszych kwadratów-regresja prostoliniowa 2. Regresja krzywoliniowa 3. Estymacja liniowej funkcji regresji 4. Testy istotności współczynnika regresji liniowej
Bardziej 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 szczegółowoKrakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2014/2015
Krakowska Akademia im. Andrzeja Frycza Modrzewskiego Karta przedmiotu obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 201/2015 WydziałZarządzania i Komunikacji Społecznej Kierunek studiów:
Bardziej 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 szczegółowoKrakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2012/2013
Krakowska Akademia im. Andrzeja Frycza Modrzewskiego Karta przedmiotu obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 0/03 WydziałZarządzania i Komunikacji Społecznej Kierunek studiów:
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 szczegółowoPrzedmowa Wykaz symboli Litery alfabetu greckiego wykorzystywane w podręczniku Symbole wykorzystywane w zagadnieniach teorii
SPIS TREŚCI Przedmowa... 11 Wykaz symboli... 15 Litery alfabetu greckiego wykorzystywane w podręczniku... 15 Symbole wykorzystywane w zagadnieniach teorii mnogości (rachunku zbiorów)... 16 Symbole stosowane
Bardziej szczegółowoGRUPY NIEZALEŻNE Chi kwadrat Pearsona GRUPY ZALEŻNE (zmienne dwuwartościowe) McNemara Q Cochrana
GRUPY NIEZALEŻNE Chi kwadrat Pearsona Testy stosujemy w sytuacji, kiedy zmienna zależna mierzona jest na skali nominalnej Liczba porównywanych grup (czyli liczba kategorii zmiennej niezależnej) nie ma
Bardziej szczegółowoAnaliza Współzależności
Statystyka Opisowa z Demografią oraz Biostatystyka Analiza Współzależności Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka
Bardziej szczegółowoKLASYFIKACJA l ANALIZA DANYCH
SEKCJA KLASYFIKACJI l ANALIZY DANYCH POLSKIEGO TOWARZYSTWA STATYSTYCZNEGO Zeszyt 2 TAKSONOMIA 1995 KLASYFIKACJA l ANALIZA DANYCH PROBLEMY TEORETYCZNE Jelenia Góra -Wrcdaw- Kraków REDAKTORZY NAUKOWI Krzysztof
Bardziej szczegółowoRecenzenci Stefan Mynarski, Waldemar Tarczyński. Redaktor Wydawnictwa Anna Grzybowska. Redaktor techniczny Barbara Łopusiewicz. Korektor Barbara Cibis
Komitet Redakcyjny Andrzej Matysiak (przewodniczący), Tadeusz Borys, Andrzej Gospodarowicz, Jan Lichtarski, Adam Nowicki, Walenty Ostasiewicz, Zdzisław Pisz, Teresa Znamierowska Recenzenci Stefan Mynarski,
Bardziej 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 szczegółowoWykład ze statystyki. Maciej Wolny
Wykład ze statystyki Maciej Wolny T1: Zajęcia organizacyjne Agenda 1. Program wykładu 2. Cel zajęć 3. Nabyte umiejętności 4. Literatura 5. Warunki zaliczenia Program wykładu T1: Zajęcia organizacyjne T2:
Bardziej 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 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 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 szczegółowoCharakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej)
Charakterystyki liczbowe (estymatory i parametry), które pozwalają opisać właściwości rozkładu badanej cechy (zmiennej) 1 Podział ze względu na zakres danych użytych do wyznaczenia miary Miary opisujące
Bardziej szczegółowoPrzygotowanie danych
2 Przygotowanie danych 2 Przygotowanie danych Przed opracowaniem statystycznym należy uporządkować dane. Czynność ta ułatwia opracowywanie danych. Od czasu, kiedy pojawiły się komputery, procedury porządkowania
Bardziej szczegółowoPorównywanie populacji
3 Porównywanie populacji 2 Porównywanie populacji Tendencja centralna Jednostki (w grupie) według pewnej zmiennej porównuje się w ten sposób, że dokonuje się komparacji ich wartości, osiągniętych w tej
Bardziej szczegółowoW kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:
Na dzisiejszym wykładzie omówimy najważniejsze charakterystyki liczbowe występujące w statystyce opisowej. Poszczególne wzory będziemy podawać w miarę potrzeby w trzech postaciach: dla szeregu szczegółowego,
Bardziej szczegółowoLuka płacowa, czyli co zrobić żeby kobiety nie zarabiały mniej?
Luka płacowa, czyli co zrobić żeby kobiety nie zarabiały mniej? Jak mierzyć lukę płacową? Warszawa, 26 marca 2014 r. Obowiązujące prawo - Konstytucja Artykuł 33 Konstytucji Rzeczypospolitej Polskiej gwarantuje
Bardziej szczegółowo(x j x)(y j ȳ) r xy =
KORELACJA. WSPÓŁCZYNNIKI KORELACJI Gdy w badaniu mamy kilka cech, często interesujemy się stopniem powiązania tych cech między sobą. Pod słowem korelacja rozumiemy współzależność. Mówimy np. o korelacji
Bardziej szczegółowoConjoint analysis jako metoda analizy preferencji konsumentów
Zeszyty Naukowe nr 68 Akademii Ekonomicznej w Krakowie 5 Anna Szymaƒska Studium Doktoranckie Wydziału Zarzàdzania Dorota Dziedzic Studium Doktoranckie Wydziału Zarzàdzania Conjoint analysis jako metoda
Bardziej szczegółowoImplementacja klasycznej metody conjoint analysis w pakiecie conjoint programu R 1
Andrzej Bąk, Tomasz Bartłomowicz Uniwersytet Ekonomiczny we Wrocławiu Katedra Ekonometrii i Informatyki Implementacja klasycznej metody conjoint analysis w pakiecie conjoint programu R 1 1. Wprowadzenie
Bardziej szczegółowoWyniki pomiarów okresu drgań dla wahadła o długości l = 1,215 m i l = 0,5 cm.
2 Wyniki pomiarów okresu drgań dla wahadła o długości l = 1,215 m i l = 0,5 cm. Nr pomiaru T[s] 1 2,21 2 2,23 3 2,19 4 2,22 5 2,25 6 2,19 7 2,23 8 2,24 9 2,18 10 2,16 Wyniki pomiarów okresu drgań dla wahadła
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 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 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 szczegółowoOpis zakładanych efektów kształcenia na studiach podyplomowych WIEDZA
Opis zakładanych efektów kształcenia na studiach podyplomowych Nazwa studiów: BIOSTATYSTYKA PRAKTYCZNE ASPEKTY STATYSTYKI W BADANIACH MEDYCZNYCH Typ studiów: doskonalące Symbol Efekty kształcenia dla studiów
Bardziej szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowoStatystyka od podstaw Janina Jóźwiak, Jarosław Podgórski
Statystyka od podstaw Janina Jóźwiak, Jarosław Podgórski Książka jest nowoczesnym podręcznikiem przeznaczonym dla studentów uczelni i wydziałów ekonomicznych. Wykład podzielono na cztery części. W pierwszej
Bardziej szczegółowoImportowanie danych do SPSS Eksportowanie rezultatów do formatu MS Word... 22
Spis treści Przedmowa do wydania pierwszego.... 11 Przedmowa do wydania drugiego.... 15 Wykaz symboli.... 17 Litery alfabetu greckiego wykorzystywane w podręczniku.... 17 Symbole wykorzystywane w zagadnieniach
Bardziej szczegółowoRok akademicki: 2030/2031 Kod: ZZP MK-n Punkty ECTS: 3. Poziom studiów: Studia II stopnia Forma i tryb studiów: Niestacjonarne
Nazwa modułu: Komputerowe wspomaganie decyzji Rok akademicki: 2030/2031 Kod: ZZP-2-403-MK-n Punkty ECTS: 3 Wydział: Zarządzania Kierunek: Zarządzanie Specjalność: Marketing Poziom studiów: Studia II stopnia
Bardziej szczegółowoTutaj powinny znaleźć się wyniki pomiarów (tabelki) potwierdzone przez prowadzacego zajęcia laboratoryjne i podpis dyżurujacego pracownika obsługi
Tutaj powinny znaleźć się wyniki pomiarów (tabelki) potwierdzone przez prowadzacego zajęcia laboratoryjne i podpis dyżurujacego pracownika obsługi technicznej. 1. Wstęp Celem ćwiczenia jest wyznaczenie
Bardziej szczegółowoPodstawowe definicje statystyczne
Podstawowe definicje statystyczne 1. Definicje podstawowych wskaźników statystycznych Do opisu wyników surowych (w punktach, w skali procentowej) stosuje się następujące wskaźniki statystyczne: wynik minimalny
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 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 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 szczegółowoK wartość kapitału zaangażowanego w proces produkcji, w tys. jp.
Sprawdzian 2. Zadanie 1. Za pomocą KMNK oszacowano następującą funkcję produkcji: Gdzie: P wartość produkcji, w tys. jp (jednostek pieniężnych) K wartość kapitału zaangażowanego w proces produkcji, w tys.
Bardziej szczegółowoSkalowanie wielowymiarowe idea
Skalowanie wielowymiarowe idea Jedną z wad metody PCA jest możliwość używania jedynie zmiennych ilościowych, kolejnym konieczność posiadania pełnych danych z doświadczenia(nie da się użyć PCA jeśli mamy
Bardziej szczegółowoMarcin Hundert Wykorzystanie metody conjoint do badania preferencji konsumentów telefonii ruchomej. Ekonomiczne Problemy Usług nr 42, 46-54
Marcin Hundert Wykorzystanie metody conjoint do badania preferencji konsumentów telefonii ruchomej Ekonomiczne Problemy Usług nr 42, 46-54 2009 ZESZYTY NAUKOW E UNIW ERSYTETU SZCZECIŃ SK IEG O NR 559 EKONOM
Bardziej 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 szczegółowoPopulacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część
Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
Zał. nr 4 do ZW WYDZIAŁ ELEKTRONIKI KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA MATEMATYCZNA Nazwa w języku angielskim Mathematical Statistics Kierunek studiów (jeśli dotyczy): Specjalność (jeśli
Bardziej szczegółowoNaszym zadaniem jest rozpatrzenie związków między wierszami macierzy reprezentującej poziomy ekspresji poszczególnych genów.
ANALIZA SKUPIEŃ Metoda k-means I. Cel zadania Zadaniem jest analiza zbioru danych, gdzie zmiennymi są poziomy ekspresji genów. Podczas badań pobrano próbki DNA od 36 różnych pacjentów z chorobą nowotworową.
Bardziej szczegółowoMatematyka - Statystyka matematyczna Mathematical statistics 2, 2, 0, 0, 0
Nazwa przedmiotu: Kierunek: Matematyka - Statystyka matematyczna Mathematical statistics Inżynieria materiałowa Materials Engineering Rodzaj przedmiotu: Poziom studiów: forma studiów: obowiązkowy studia
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 szczegółowoInżynieria Środowiska. II stopień ogólnoakademicki. przedmiot podstawowy obowiązkowy polski drugi. semestr zimowy
Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2017/2018 STATYSTYKA
Bardziej 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 szczegółowoZagadnienia na egzamin magisterski na kierunku Informatyka i Ekonometria (2 stopień studiów)
Zagadnienia na egzamin magisterski na kierunku Informatyka i Ekonometria (2 stopień studiów) 1. Topologie sieci komputerowych a. 06IE_2A_W02 - jest w stanie zdefiniować problem decyzyjny, analizować źródła
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Statystyka komputerowa Computer statistics Zarządzanie i Inżynieria Produkcji Management and Engineering of Production Rodzaj przedmiotu: Fakultatywny - oferta Poziom studiów:
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 szczegółowoPubliczna Szkoła Podstawowa nr 14 w Opolu. Edukacyjna Wartość Dodana
Publiczna Szkoła Podstawowa nr 14 w Opolu Edukacyjna Wartość Dodana rok szkolny 2014/2015 Edukacyjna Wartość Dodana (EWD) jest miarą efektywności nauczania dla szkoły i uczniów, którzy do danej placówki
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 szczegółowoW1. Wprowadzenie. Statystyka opisowa
W1. Wprowadzenie. Statystyka opisowa dr hab. Jerzy Nakielski Zakład Biofizyki i Morfogenezy Roślin Plan wykładu: 1. O co chodzi w statystyce 2. Etapy badania statystycznego 3. Zmienna losowa, rozkład
Bardziej 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 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 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 szczegółowoSUBIEKTYWNEJ JAKOŚCI ŻYCIA TOM II SZCZEGÓŁOWE WYNIKI BADAŃ WEDŁUG DZIEDZIN
RAPORT Z BADAŃ SUBIEKTYWNEJ JAKOŚCI ŻYCIA TOM II SZCZEGÓŁOWE WYNIKI BADAŃ WEDŁUG DZIEDZIN Lider projektu: Uniwersytet Ekonomiczny we Wrocławiu Partner projektu: Uniwersytet Techniczny w Dreźnie Projekt:
Bardziej szczegółowoANALIZA REGRESJI SPSS
NLIZ REGRESJI SPSS Metody badań geografii społeczno-ekonomicznej KORELCJ REGRESJ O ile celem korelacji jest zmierzenie siły związku liniowego między (najczęściej dwoma) zmiennymi, o tyle w regresji związek
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 szczegółowoPrognoza terminu sadzenia rozsady sałaty w uprawach szklarniowych. Janusz Górczyński, Jolanta Kobryń, Wojciech Zieliński
Prognoza terminu sadzenia rozsady sałaty w uprawach szklarniowych Janusz Górczyński, Jolanta Kobryń, Wojciech Zieliński Streszczenie. W uprawach szklarniowych sałaty pojawia się następujący problem: kiedy
Bardziej szczegółowoKARTA KURSU. (do zastosowania w roku ak. 2015/16) Kod Punktacja ECTS* 4
KARTA KURSU (do zastosowania w roku ak. 2015/16) Nazwa Statystyka 1 Nazwa w j. ang. Statistics 1 Kod Punktacja ECTS* 4 Koordynator Dr hab. Tadeusz Sozański (koordynator, wykłady) Dr Paweł Walawender (ćwiczenia)
Bardziej szczegółowoMetodologia badań psychologicznych
Metodologia badań psychologicznych Lucyna Golińska SPOŁECZNA AKADEMIA NAUK Psychologia jako nauka empiryczna Wprowadzenie pojęć Wykład 5 Cele badań naukowych 1. Opis- (funkcja deskryptywna) procedura definiowania
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 szczegółowoSUBIEKTYWNEJ JAKOŚCI ŻYCIA TOM II SZCZEGÓŁOWE WYNIKI BADAŃ WEDŁUG DZIEDZIN
RAPORT Z BADAŃ SUBIEKTYWNEJ JAKOŚCI ŻYCIA TOM II SZCZEGÓŁOWE WYNIKI BADAŃ WEDŁUG DZIEDZIN Lider projektu: Uniwersytet Ekonomiczny we Wrocławiu Partner projektu: Uniwersytet Techniczny w Dreźnie Projekt:
Bardziej szczegółowoPodstawowe pojęcia statystyczne
Podstawowe pojęcia statystyczne Istnieją trzy rodzaje kłamstwa: przepowiadanie pogody, statystyka i komunikat dyplomatyczny Jean Rigaux Co to jest statystyka? Nauka o metodach ilościowych badania zjawisk
Bardziej 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 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 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 szczegółowoMiary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej
Miary położenia wskazują miejsce wartości najlepiej reprezentującej wszystkie wielkości danej zmiennej. Mówią o przeciętnym poziomie analizowanej cechy. Średnia arytmetyczna suma wartości zmiennej wszystkich
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 szczegółowoStatystyka SYLABUS A. Informacje ogólne
Statystyka SYLABUS A. Informacje ogólne Elementy składowe sylabusu Nazwa jednostki prowadzącej kierunek Nazwa kierunku studiów Poziom kształcenia Profil studiów Forma studiów Kod Język Rodzaj Dziedzina
Bardziej szczegółowoBadania Statystyczne
Statystyka Opisowa z Demografią oraz Biostatystyka Badania Statystyczne Aleksander Denisiuk denisjuk@euh-e.edu.pl Elblaska Uczelnia Humanistyczno-Ekonomiczna ul. Lotnicza 2 82-300 Elblag oraz Biostatystyka
Bardziej szczegółowoZjawisko dopasowania w sytuacji komunikacyjnej. Patrycja Świeczkowska Michał Woźny
Zjawisko dopasowania w sytuacji komunikacyjnej Patrycja Świeczkowska Michał Woźny 0.0.0 pomiar nastroju Przeprowadzone badania miały na celu ustalenie, w jaki sposób rozmówcy dopasowują się do siebie nawzajem.
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 szczegółowoWspółczynniki korelacji czastkowej i wielorakiej STATYSTYKA OPISOWA. Dr Alina Gleska. Instytut Matematyki WE PP. 18 listopada 2017
STATYSTYKA OPISOWA Dr Alina Gleska Instytut Matematyki WE PP 18 listopada 2017 1 Regresja krzywoliniowa 2 Model potęgowy Model potęgowy y = αx β e można sprowadzić poprzez zlogarytmowanie obu stron równania
Bardziej szczegółowoStatystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych.
Statystyka i opracowanie danych- W 8 Wnioskowanie statystyczne. Testy statystyczne. Weryfikacja hipotez statystycznych. Dr Anna ADRIAN Paw B5, pok407 adan@agh.edu.pl Hipotezy i Testy statystyczne Każde
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 szczegółowoStatystyka matematyczna i ekonometria
Statystyka matematyczna i ekonometria prof. dr hab. inż. Jacek Mercik B4 pok. 55 jacek.mercik@pwr.wroc.pl (tylko z konta studenckiego z serwera PWr) Konsultacje, kontakt itp. Strona WWW Elementy wykładu.
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 szczegółowo