Következtető statisztika 9.

Slides:



Advertisements
Hasonló előadás
Nevezetes eloszlások, normál eloszlás
Advertisements

I. előadás.
BECSLÉS A sokasági átlag becslése
Kvantitatív Módszerek
Kvantitatív módszerek
Gazdasági informatika
Statisztika feladatok Informatikai Tudományok Doktori Iskola.
Földrajzi összefüggések elemzése
Lineáris és nemlineáris regressziók, logisztikus regresszió
Főkomponensanalízis Többváltozós elemzések esetében gyakran jelent problémát a vizsgált változók korreláltsága. A főkomponenselemzés segítségével a változók.
Összefüggés vizsgálatok
Becsléselméleti ismétlés
Összefüggés vizsgálatok x átlag y átlag Y’ = a + bx.
Gazdaságelemzési és Statisztikai Tanszék
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Mintavétel Mintavétel célja: következtetést levonni a –sokaságra vonatkozóan Mintavétel.
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
Regresszió és korreláció
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Statisztika II. II. Dr. Szalka Éva, Ph.D..
Ozsváth Károly TF Kommunikációs-Informatikai és Oktatástechnológiai Tanszék.
Asszociáció.
Előadó: Prof. Dr. Besenyei Lajos
III. előadás.
Lineáris korreláció és lineáris regresszió. A probléma felvetése y = 1,138x + 80,778r = 0,8962.
PTE PMMK Matematika Tanszék dr. Klincsik Mihály Valószínűségszámítás és statisztika előadások Gépész-Villamosmérnök szak BSc MANB030, MALB030 Bevezető.
SPSS többváltozós (lineáris) regresszió (4. fejezet)
SPSS többváltozós regresszió
Diszkriminancia analízis
Kvantitatív módszerek 7. Becslés Dr. Kövesi János.
Statisztika II. VIII. Dr. Szalka Éva, Ph.D..
Dr. Szalka Éva, Ph.D.1 Statisztika II. VI.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Statisztika II. III. Dr. Szalka Éva, Ph.D..
Kvantitatív módszerek
STATISZTIKA II. 7. Előadás
3. előadás Heterogén sokaságok Szórásnégyzet-felbontás
Kvantitatív Módszerek
Idősor elemzés Idősor : időben ekvidisztáns elemekből álló sorozat
Többváltozós adatelemzés
Hipotézis-ellenőrzés (Folytatás)
A sztochasztikus kapcsolatok (Folyt). Korreláció, regresszió
Lineáris regresszió.
Két kvantitatív változó kapcsolatának vizsgálata
Adatelemzés számítógéppel
I. előadás.
6. előadás.
Valószínűségszámítás - Statisztika. P Két kockával dobunk, összeadjuk az értékeket Mindegyik.
A kombinációs táblák (sztochasztikus kapcsolatok) elemzése
Petrovics Petra Doktorandusz
Bevezetés a Korreláció & Regressziószámításba
Bevezetés a méréskiértékelésbe (BMETE80ME19) Intervallumbecslések 2014/
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Regresszió-számítás március 30. Dr. Varga Beatrix egyetemi.
Többdimenziós valószínűségi eloszlások
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Korreláció-számítás.
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Gazdaságstatisztika Gazdaságstatisztika Korreláció- és regressziószámítás II.
Pedagógiai hozzáadott érték „Őrült beszéd, de van benne rendszer” Nahalka István
Korreláció, regresszió
Lineáris regressziós modellek

II. előadás.
Gazdaságstatisztika Konzultáció a korreláció- és regressziószámítás, idősorok elemzése témakörökből.
I. Előadás bgk. uni-obuda
III. előadás.
Dr. Varga Beatrix egyetemi docens
Valószínűségi változók együttes eloszlása
Gazdaságinformatikus MSc
2. Regresszióanalízis Korreláció analízis: milyen irányú, milyen erős összefüggés van két változó között. Regresszióanalízis: kvantitatív kapcsolat meghatározása.
Dr. Varga Beatrix egyetemi docens
Előadás másolata:

Következtető statisztika 9. Korreláció és regresszió-analízis 2010 ősz ÁVF Következtető Statisztika

Két mennyiségi ismérv szorossága (Emlékeztető) A kovariancia: Az előjele a kapcsolat irányát mutatja Nincs elvi alsó v. felső korlátja Ha a két változó független, akkor C = 0 Ha C = 0, akkor a két változó korrelálatlan Ha x és y között lineáris függvény-kapcsolat van, akkor egyébként Tehát C-nek ez a maximális értéke. 2010 ősz ÁVF Következtető Statisztika 2

A lineáris korrelációs együttható és értelmezése Az előjele a kapcsolat irányát mutatja Minél közelebb áll 1-hez ill. (-1)-hez, annál közelebb áll X és Y kapcsolata a lineáris fv-kapcsolathoz. Ha kicsi, akkor ez Vagy egy gyenge lineáris kapcsolat, (lineáris, de gyenge) Vagy egy erős kapcsolat, de nem lineáris. 2010 ősz ÁVF Következtető Statisztika 3

Példa (A sör kereslete) 2010 ősz ÁVF Következtető Statisztika

ÁVF Következtető Statisztika

ÁVF Következtető Statisztika

A lineáris regressziós modell Az X nem valószínűségi változó, de X és Y kapcsolata sztochasztikus. A hibatényező, e feltételes várható értéke 0 Szórásnégyzete állandó (nem függ x-től) Az ei értékek páronként korrelálatlanok A paraméterek pontbecslése A sokasági regressziós paraméterek pontbecslése a mintabeli regressziós fv megfelelő paramétere 2010 ősz ÁVF Következtető Statisztika 7

A regressziós egyenes paraméterei A regressziós becslés abszolút hibája: A b1 paraméter standard hibája: A b0 paraméter standard hibája: 2010 ősz ÁVF Következtető Statisztika

A regresszió tesztelése és a konfidencia-intervallum paraméter tesztelése t-próbával: Próbafüggvény: Konfidencia-intervallumok: GM N. A példaban a béta(o) konf interv meghatározása következik t szabadságfoka n = n – 2 2010 ősz ÁVF Következtető Statisztika

ÁVF Következtető Statisztika Y0 becslése Az Y0 várható értékének konfidencia intervalluma (1- a) valószínűségi szinten. Sz.f. = n – 2 Az Y0 egyedi értékének (1- a) valószínűségi szinthez tartozó konfidencia intervalluma: 2010 ősz ÁVF Következtető Statisztika

ÁVF Következtető Statisztika Köszönöm a figyelmet! 2010 ősz ÁVF Következtető Statisztika