Matematikai statisztika Készítették: Miskoltzy Judit Sántha Szabina Szabó Brigitta Tóth Szabolcs Török Tamás Marketing Msc I. évf., I. félév, levelező.

Slides:



Advertisements
Hasonló előadás
Összetett kísérleti tervek és kiértékelésük:
Advertisements

Hipotézis-ellenőrzés (Statisztikai próbák)
A pedagógiai kutatás módszertana
Kvantitatív Módszerek
Ozsváth Károly TF Kommunikációs-Informatikai és Oktatástechnológiai Tanszék.
Gazdaságelemzési és Statisztikai Tanszék
Kvantitatív módszerek
Gazdaságelemzési és Statisztikai Tanszék
Földrajzi összefüggések elemzése
Főkomponensanalízis Többváltozós elemzések esetében gyakran jelent problémát a vizsgált változók korreláltsága. A főkomponenselemzés segítségével a változók.
Összefüggés vizsgálatok
Gazdaságelemzési és Statisztikai Tanszék
STATISZTIKA II. 5. Előadás Dr. Balogh Péter egyetemi adjunktus Gazdaságelemzési és Statisztikai Tanszék.
Statisztika II. IX. Dr. Szalka Éva, Ph.D..
Közlekedésstatisztika
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
Regresszió és korreláció
E L E M Z É S. 1., adatgyűjtés 2., mintavétel (a teljes sokaságot ritkán tudjuk vizsgálni) 3., mintavételi információk alapján megállapítások, következtetések.
Statisztika II. IV. Dr. Szalka Éva, Ph.D..
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Statisztika II. V. Dr. Szalka Éva, Ph.D..
Ozsváth Károly TF Kommunikációs-Informatikai és Oktatástechnológiai Tanszék.
III. előadás.
A középérték mérőszámai
Regresszióanalízis 10. gyakorlat.
SPSS többváltozós (lineáris) regresszió (4. fejezet)
SPSS többváltozós regresszió
KÉT FÜGGETLEN, ILL. KÉT ÖSSZETARTOZÓ CSOPORT ÖSZEHASONLÍTÁSA
Statisztika II. VIII. Dr. Szalka Éva, Ph.D..
Dr. Szalka Éva, Ph.D.1 Statisztika II. VI.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Kvantitatív módszerek
Budapesti Műszaki és Gazdaságtudományi Egyetem
A statisztikai próba 1. A munka-hipotézisek (Ha) nem igazolhatók közvetlen úton Ellenhipotézis, null hipotézis felállítása (H0): μ1= μ2, vagy μ1- μ2=0.
Dr. Balogh Péter Gazdaságelemzési és Statisztika Tanszék DE-AMTC-GVK
Dr. Balogh Péter Gazdaságelemzési és Statisztika Tanszék DE-AMTC-GVK
STATISZTIKA II. 7. Előadás
Matematikai statisztika Készítették: Miskoltzy Judit Sántha Szabina Szabó Brigitta Tóth Szabolcs Török Tamás.
Matematikai statisztika Készítették: Miskoltzy Judit Sántha Szabina Szabó Brigitta Tóth Szabolcs Török Tamás.
Matematikai statisztika Készítették: Miskoltzy Judit Sántha Szabina Szabó Brigitta Tóth Szabolcs Török Tamás Marketing Msc I. évf., I. félév, levelező.
Kvantitatív Módszerek
EREDMÉNYEK, ADATOK FELDOLGOZÁSA
Következtető statisztika 9.
Hipotézis-ellenőrzés (Folytatás)
A sztochasztikus kapcsolatok (Folyt). Korreláció, regresszió
IV. Terjeszkedés 2..
Paleobiológiai módszerek és modellek 4. hét
A kombinációs táblák (sztochasztikus kapcsolatok) elemzése
Petrovics Petra Doktorandusz
Bevezetés a Korreláció & Regressziószámításba
Vargha András KRE és ELTE, Pszichológiai Intézet
HIPOTÉZIS MEGFOGALMAZÁSA
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Regresszió-számítás március 30. Dr. Varga Beatrix egyetemi.
Korreláció-számítás.
A számítógépes elemzés alapjai
A számítógépes elemzés alapjai
Korreláció, regresszió
Haladó Pénzügyek Vezetés szervezés MSC I. évfolyam I
Szóródási mérőszámok, alakmutatók, helyzetmutatók
II. előadás.
Dr. Varga Beatrix egyetemi docens
Speciális szóródás: Koncentráció
5. előadás.
A leíró statisztikák alapelemei
Területi egyenlőtlenségek grafikus ábrázolása: Lorenz-görbe
2. előadás Viszonyszámok típusai
2. Regresszióanalízis Korreláció analízis: milyen irányú, milyen erős összefüggés van két változó között. Regresszióanalízis: kvantitatív kapcsolat meghatározása.
Dr. Varga Beatrix egyetemi docens
1.3. Hipotézisvizsgálat, statisztikai próbák
3. Varianciaanalízis (ANOVA)
Előadás másolata:

Matematikai statisztika Készítették: Miskoltzy Judit Sántha Szabina Szabó Brigitta Tóth Szabolcs Török Tamás Marketing Msc I. évf., I. félév, levelező Budapesti Gazdasági Főiskola – Külkereskedelmi Kar Budapest, április 23.

Bevezetés Vállalkozás pénzügyi elemzése –Cash flow kimutatás (pénzkibocsátási és pénzbevételi hányad) –Fedezeti pont számítás (árbevétel = ktg) –Statisztikai számítások 77 db véletlenszerűen kiválasztott cég teljes körű vizsgálata

Leíró statisztika 1/3 A számok kusza sorából kifejezhető eredményeket képez. Viszonyszámok: kapcsolatban lévő statisztikai adat összehasonlítása Középértékek: x min < K < x max Szóródás: adatsor elemeinek különbözőségének mérése terjedelemmel (R= x max – x min ) átlagos eltéréssel (abszolút, négyzetes) egymástól mért eltéréssel (Gini-mutató) Asszimetria: a részadatok, értékek eloszlása bal oldali: Mo < Me < jobb oldali: Mo > Me > Mutatószámok: Paerson féle A-mutató, F-mutató Koncentráció: az értékösszegek túlnyomó része a sokaság kevés elemére összpontosul (Lorenz-görbe )

Leíró statisztika 2/3 Viszonyszámok a cash-flow és a fedezeti pont alkalmazásában

Leíró statisztika 3/3

Korrelációelemzés 1/2 Két folytonos változó közötti asszociációt méri korrelációs együttható(r) Átlagos állományi létszám vállalati eszközérték r = 0, gyenge, pozitív kapcsolat Korrelációs együttható négyzete r 2 =0,07 megmutatja, hogy a létszámban bekövetkező változás hány %-ban befolyásolja a vállalat eszközértékét Ábrázolás: szóródási diagrammal, mely X; Y változó kapcsolatát szemlélteti A korrelációs számítás legfontosabb szabálya: a szignifikáns korreláció nem jelent ok-okozati kapcsolatot

Korrelációs mátrix: 5 negatív kapcsolat Legszorosabb pozitív irányú kapcsolatLegszorosabb pozitív irányú kapcsolat: fedezeti pontszámítás használata és hasznossági megítélése között van Korrelációelemzés 2/2 Használják- e:cash-flow kimutatás Használják- e:fedezeti pont számítás Hasznos-e:cash- flow kimutatás Hasznos- e:fedezeti pont számítás A váll évi átl. állományi létszáma(fő) A váll. mérete eszközérték szerint(2003.dec.31. ezerFt) Használják-e:cash- flow kimutatás1 Használják- e:fedezeti pont számítás0, Hasznos-e:cash- flow kimutatás0, , Hasznos- e:fedezeti pont számítás-0, , , A váll évi átl. állományi létszáma(fő)0, , , , A váll. mérete eszközérték szerint(2003.dec.3 1. ezerFt)0, , , , ,

Hipotézisvizsgálat 1/2 1. Hipotézis: a fedezeti pont számítást használó és nem használó vállalatok eszközérték szerinti mérete egyforma. 2. F-teszt a szórásra → Új hipotézis: a fedezeti pont számítást használók és nem használók vállalati méretének (eszközérték szerint) szórása azonos. 3. Leíró statisztika alkalmazása annak megállapítására, hogy a fedezeti pont számítást nem használók vagy használók szórása a nagyobb. → fedezeti pont számítást nem használók vállalati méretének (eszközérték szerint) nagyobb a szórása

Hipotézisvizsgálat 2/2 4. F-teszt elvégzése: F=31,9 P= 0, Kritikus és elfogadási tartomány : Tehát a nullhipotézist semmilyen szignifikancia szinten nem tudjuk elfogadni. A fedezeti pont számítást használók és nem használók vállalati méretének (eszközérték szerint) szórása nem egyezik meg. 5. Kétmintás t próba, nem egyenlő szórásnégyzettel: t=0,89 P=0,3847 Kritikus és elfogadási tartomány: Tehát a nullhipotézist 38,5%-os szignifikancia szintig elfogadjuk.

Regresszió-számítás 1/2 A tényezők hatása a jelenségre Tényezők viszonya Sztochasztikus kapcsolat nem feltétlenül oksági viszony r2 = 7,2% Függvényszerű kapcsolat megállapítása: Létszám befolyásolja-e a méretet? Globális próba, hipotézis: H 0 :β=0; alternatív hipotézis: H 1 :β≠0 p-érték = 0,0185, vagyis 1,85%, tehát a létszám befolyásoló tényező A lineáris regresszió függvényként: y=b 0 +b 1 *x Az értékeket behelyettesítve: y = ,247x

Regresszió-számítás 2/2 Többváltozós regresszió analízis Az 5 tényező közül melyek vannak hatássál az eszköz szerinti értékre. Variancia analízis segítségével Hipotézisünk tehát: H0: β1,β2,.., βn=0 Alternatív hipotézis: H1: β1,β2,…,βn≠0 A 4 hasznosságra és felhasználásra vonatkozó tényez nincs hatással, Egyedül a létszám van hatással a méretre, de ez is csak kis mértékben.

Köszönjük a figyelmet!