Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...

Recommendations

Info

1985=100% 180 160 140 120 100 80 60 40 20 0 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 Évek y=Cementtermelés x1=GDP volumenindexe x2=Épített lakások száma x3=Épitőanyagipar volumenindexe x4=Népesség száma 4.4. ábra: A cementtermelés és a cementtermelést befolyásoló tényezők alakulása Magyarországon 1985 és 2008 között. Az ábrából látható, hogy a cementtermelés és a vizsgált magyarázó változók sok tekintetben hasonlóan mozognak, a mélypont a rendszerváltást követő években volt. A kivétel a népességszám alakulása. Magyarországon a vizsgált időszakban a népességszám folyamatosan csökkent, aminek mértéke 24 év alatt - 5,2% volt. Eltérést mutat részben az épített lakások számának alakulása is, mert 1985 óta csökkenő tendenciát mutat, kivéve az 1995-1997 és 2000-2003 közötti időszakot. 189 Vizsgálhatjuk a ciklusok fordulópontjait is, az átlagos periódushossz F a cementtermelésnél 3 év, a GDP volumenindexénél 10 év, az épített lakások számánál 6 év, az építőanyagipar volumenindexénél 5 év. A népességszám esetében nem voltak fordulópontok. A termelés elemzése és előrejelzése a regressziószámítás felhasználásával a cementipar esetében arra 190 épült F , hogy az építőanyagok, és ezen belül a cement termelése szorosan követi a GDP változását, valamint függhet az épített lakások számának, az építőanyagipar teljesítményének és a népesség számának alakulásától is. A népességszám változása és az épített lakások száma közötti kapcsolatot USA adatbázi- 191 son először Kuznets modellezte, kidolgozva a róla elnevezett 15–25 éves építési ciklus elméletét F . Az építőanyagok és ezen belül a cement felhasználását az elmúl években elsődlegesen az építési piac alakulása, s ezen belül az infrastruktúra- (autópályák) és a lakásépítés befolyásolta. A számítások eredményei. 1997 Varianciaanalízis df SS MS Regresszió 4 4845009,2 1211252,3 Maradék 19 1347194,2 70905,0 Összesen 23 6192203,3 1998 1999 2000 2001 2002 2003 2004 2005 F p-érték 17,1 0,000004 A varianciaanalízis tábla alapján a nullhipotézist elutasítjuk, tehát van legalább egy olyan magyarázó változó, amely szignifikáns hatással rendelkezik, létezik legalább egy nullától eltérő értékű regressziós paraméter. 189 A ciklusfordulópontok számítása <strong>Excel</strong> parancsfájl felhasználásával. 190 Polt Rita [2005]: 996-1000. 191 Kuznets, S. [1930]. 2006 2007 2008 170
Regressziós együtthatók Eható St hiba t-érték p-érték Alsó 95% Felső 95% b0 -54913,67 22223,78 -2,47 0,0231 -101428,57 -8398,77 b1 49,15 20,68 2,38 0,0281 5,88 92,42 b2 -0,01 0,01 -0,89 0,3820 -0,04 0,02 b3 1,23 6,91 0,18 0,8606 -13,24 15,70 b4 5,16 2,04 2,54 0,0201 0,90 9,43 A regressziós paraméterek parciális tesztelése: a backward eliminációs módszer alkalmazása alapján először mind a négy magyarázó változót bevontuk a modellbe, majd az így meghatározott regressziófüggvényből szelektáltuk azokat a változókat, amelyek nem járulnak hozzá szignifikánsan a 192 reziduális négyzetösszeg csökkenéséhez. F A változók szelektálásához a p-értékeket használtuk. Ennek alapján először az x3 = Épitőanyagipar volumenindexe változót, majd az x2 = Épített lakások száma magyarázó változót hagytuk ki a modellből. Meg kívánjuk jegyezni, hogy szakmailag indokolt lenne a két kihagyott változó modellben való szerepeltetése. Regressziós együtthatók Eható St hiba t-érték p-érték Alsó 95% Felső 95% b0 -37518,27 5884,69 -6,38 0,0000 -49756,15 -25280,39 b1 38,65 4,62 8,36 0,0000 29,03 48,27 b4 3,56 0,53 6,67 0,0000 2,45 4,67 A becslőfüggvény tehát: ˆy = -37518,27 + 38,65x + 3,56x . 1 4 A multikollinearitás tesztjei: A χ 2 globális próba alapján 5%-os szignifikancia szinten van multikollinearitás. Khi-négyzet 8,18 Khi-szf 1 Khi_krit (5%) 3,84 p-érték 0,0042 A parciális korrelációs együtthatók alapján számított t-statisztika értéke -11,66, a kritikus érték pedig 2,08, a két magyarázó változó között van multikollinearitás. A p-értékek is a multikollinearitás létét igazolják. A VIF mutató értéke 2-5 között van, tehát erős, zavaró a multikollinearitás mértéke. y R 2 F p-érték VIFj Tj R 2 x (x1) 0,584 30,86 0,0000 2,40 0,42 R 2 x (x4) 0,584 30,86 0,0000 2,40 0,42 Esetünkben a kondíciószám 2,734, azaz a mutató szerint gyenge multikollinearitást tapasztalunk a két magyarázó változó között. A Petres-féle RED mutatót is számszerűsítettük: Petres-féle RED Kritikus érték (REDk,1) Red(%) 76,4% 100,0% Ha minden sajátérték egy, akkor Red ( % ) = 0% . Ez azt jelenti, hogy a sajátértékek szorzata, vagyis a magyarázó változók korrelációs mátrixának a determinánsa eggyel egyenlő. Ebben az esetben a mátrix ortogonális, nincs multikollinearitás, a magyarázó változók függetlenek egymástól. Amennyiben a sajátértékek távolodnak ettől az esettől, akkor a Red-mutató értéke növekszik. A maximális redundancia esetén a mutató értéke száz százalék. Ha a számított érték a kritikusnál kisebb, akkor a lineáris regressziós modell illesztése után kapott becsült paraméterek szórásnégyzeteinek az összege illetve átlaga biztosan véges. Ellenkező esetben a lineáris regressziós modell illesztése után kapott becsült paraméterek szórásnégyzeteinek az összege illetve átlaga nem biztos, hogy véges, az adatállomány redundáns. Esetünkben az adatállomány nem redundáns a Petres-féle RED mutató alapján. 192 Mundruczó György [1981]: 117-118. 171
Page 1 and 2:
Kehl Dániel - Dr. Sipos Béla Exce
Page 3 and 4:
3.8 AZ ARIMA MODELLEZÉS MENETE 106
Page 5 and 6:
szoftvereket nem képesek megvásá
Page 7 and 8:
Bevezetés, az Excel beállításai
Page 9 and 10:
Excel 2007 segítség a felhasznál
Page 11 and 12:
INVERZ.F Az F-eloszlás inverzének
Page 13 and 14:
Az Analysis ToolPak betöltése. Az
Page 15 and 16:
tak: pl. nem, kor, beosztás és sz
Page 17 and 18:
A legmegfelelőbb ábrázolási mó
Page 19 and 20:
4. Elemezze az egy főre jutó GDP
Page 21 and 22:
5.1. Foglalkoztatottak számának a
Page 23 and 24:
delkezésre álló adatok jelennek
Page 25 and 26:
A legegyszerűbb statisztikai műve
Page 27 and 28:
(k) ahol q j a j-edik k-ad rendű k
Page 29 and 30:
A szóródás terjedelme: T = 70 -
Page 31 and 32:
Mindkét helyzeti középértéknek
Page 33 and 34:
(Q − Me) −(Me −Q ) 3 1 F = (Q
Page 35 and 36:
( ) ( ) 2 m3 S = 3 m2 c c = 0,037 A
Page 37 and 38:
1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0
Page 39 and 40:
N ∑ y t t=1 y= N Az állapot idő
Page 41 and 42:
sj = a j-edik szezonhoz tartozó sz
Page 43 and 44:
- a függvény növekedésének ir
Page 45 and 46:
ˆy t b0 ˆy t =b 0 +b1lnt b 1>0 b
Page 47 and 48:
ˆy t b0 2 3 ˆy t =b 0 +b1t+b2t +
Page 49 and 50:
0 =a bázisérték, p = az éves n
Page 51 and 52:
ˆy t 1 1 ˆy = b +bt+b t b0 t 2 0
Page 53 and 54:
1 2 A mélypont T 3 A csúcspont 3-
Page 55 and 56:
tunk úgy is, hogy először a tren
Page 57 and 58:
tében. A tőzsdeindexek átlagolá
Page 59 and 60:
nyereséget eredményezhet, de más
Page 61 and 62:
2 ei SDE = i= 1 T−1 5. Átlagos r
Page 63 and 64:
e, utána az eredeti adatoknak a tr
Page 65 and 66:
80 lítődési pontok. F A Descarte
Page 67 and 68:
2 dyt 2 cm ( + t) ( − ) ( cm + ct
Page 69 and 70:
A telítődési szint: lim yˆ = K
Page 71 and 72:
Az 3-15 ábra mutatja be a függvé
Page 73 and 74:
ˆy0= 0, lim yˆ = K. t→∞ t Joh
Page 75 and 76:
( K−A) ˆy = A + , cm ( 1+ ve ) 0
Page 77 and 78:
Hubbert-trendfüggvény A Hubbert-f
Page 79 and 80:
den esetben adnak tökéletes javas
Page 81 and 82:
6. Grafikusan ábrázolja az Amerik
Page 83 and 84:
dosítása, vagyis a prognosztizál
Page 85 and 86:
( ) i ˆy = y × Me t+i t+− i 4
Page 87 and 88:
Ha nagy α-t választunk [pl . α =
Page 89 and 90:
stabilnak tekinthető és a módsze
Page 91 and 92:
T- 4 Szezonalitás - nincs, Trend a
Page 93 and 94:
Multiplikatív szezonalitás: D t =
Page 95 and 96:
Előrejelzés m periódusra előre:
Page 97 and 98:
S 1 =X 1 (X2-X 1)+(X4-X 3) b 1 = 2
Page 99 and 100:
hullámzás kisebb, nagyobb, illetv
Page 101 and 102:
W(-1)=B(-1/4)=[1-(-1/4) 2 ] 2 = 0,8
Page 103 and 104:
sbl, out a fájl neve, amelybe az e
Page 105 and 106:
PJ 400 300 200 100 0 -100 Energia f
Page 107 and 108:
ARMA modell Az ilyen típusú idős
Page 109 and 110:
Nem stacionárius idősorok 135 : S
Page 111 and 112:
dy ∆Y Y(t+∆t) - Y(t) =lim =lim
Page 113 and 114:
2. Az ln-transzformációt (λ=0) a
Page 115 and 116:
5. A reciprok transzformációt (λ
Page 117 and 118:
Mind az elméleti idősort alkotó
Page 119 and 120: A determináns a diagonálisok szor
Page 121 and 122: 1 2 2 2 2 s(r k) = ⎡1 2( r1 r2 r
Page 123 and 124: (0, d, 1) MA(1), ha d = 0 vagy IMA
Page 125 and 126: ARIMA (0, 0, 1) vagy MA (1) modell
Page 127 and 128: Statisztikai programcsomagok össze
Page 129 and 130: (T−m) −k ∑ ( y −y)( y − y
Page 131 and 132: A következő szöveg jelenik meg:
Page 133 and 134: DW statisztika. (Durbin-Watson d-pr
Page 135 and 136: Az illesztésre (becslésre) felhas
Page 137 and 138: A reziduumok száma: Becslésre fel
Page 139 and 140: 4. szezonális autoregressziós mod
Page 141 and 142: Kieső adatok száma= p+d+q+s(P+D+Q
Page 143 and 144: 3.8.6 R+ interneten elérhető: Fre
Page 145 and 146: transzformált adatok ábráit és
Page 147 and 148: The R code is based on : Borghers,
Page 149 and 150: 4.1 A regresszió.xls parancsfájl
Page 151 and 152: ⎡q q q q ⎤ yy y1 y2 yk ⎢ q1y
Page 153 and 154: A bj regressziós paraméter konfid
Page 155 and 156: yj n−2 t = 2 1−r yj Ahol: n =
Page 157 and 158: 157 magyar nyelvű összefoglalój
Page 159 and 160: togonális, tehát nincs multikolli
Page 161 and 162: 2 R /(k−1) F= < F 2 ( 1−R ) / (
Page 163 and 164: z 1 =a11x 1+a21x 2 +...+ak1xk z 2 =
Page 165 and 166: A fenti autoregresszív modellben,
Page 167 and 168: sziós együtthatók becslése torz
Page 169: A regresszio.xls parancsfájl minde
Page 173 and 174: 600 400 200 e t 0 -600 -400 -200 0
Page 175 and 176: pen azt kaptuk, hogy az első háro
Page 177 and 178: Ezt az egyenletet átírhatjuk a k
Page 179 and 180: ahol a hi súlyszámokat az alábbi
Page 181 and 182: 3.1 Ha nincs konstans a lineáris r
Page 183 and 184: 5. A próbafüggvény: 2 2 F= 2 1
Page 185 and 186: A b 12 = x1 és x2 változók egysz
Page 187 and 188: ugyanis ez nem más, mint X margin
Page 189 and 190: Súly Súly 0,30 0,25 0,20 0,15 0,1
Page 191 and 192: A paraméterek közötti összefüg
Page 193 and 194: ( ) ( ) Y − λ Y =α 1−λ +β X
Page 195 and 196: 4.7 A hatványkitevős, Cobb-Dougla
Page 197 and 198: fizikaiak említett kategóriáit.
Page 199 and 200: Átlagtermelékenységek (y/x1 és
Page 201 and 202: yˆ = MPx * x 1 1+ MPx * x ˆ 2 2 /
Page 203 and 204: A termelési tényező hozadéka n
Page 205 and 206: Évek (t) y x1 x2 1 1009 1787 1008
Page 207 and 208: 1. A cipőgyár adatainak felhaszn
Page 209 and 210: ⎧ 1 -P -P ⎫ ln y = ln h + e v
Page 211 and 212: ln h h = e transzformációval az e
Page 213 and 214: A homoszkedaszticitás tesztelésé
Page 215 and 216: 4-6. tábla: Feltételes megoszlás
Page 217 and 218: A min jelöli, hogy az s és o köz
Page 219 and 220: A Yule-féle asszociációs együtt
Page 221 and 222:
= 0, 267 ≈ 0,3 A függetlenség v
Page 223 and 224:
Függelék F.1 Internetes ingyenes
Page 225 and 226:
age and sex) és az összes évet (
Page 227 and 228:
Egységmátrix (E): egy négyzetes
Page 229 and 230:
Karl Pearson időskori képe F 284
Page 231 and 232:
R. Aylmer Fisher F 294 Kvantilis. (
Page 233 and 234:
Oil Company alkalmazottja, ezután
Page 235 and 236:
Standard normális eloszlás sűrű
Page 237 and 238:
2 n χ 310 -eloszlás kritikus ért
Page 239 and 240:
F-eloszlás kritikus értékei 2,5%
Page 241 and 242:
5% k = 11 k = 12 k = 13 k = 14 k =
Page 243 and 244:
1% k = 11 k = 12 k = 13 k = 14 k =
Page 245 and 246:
Colin P. D. Birch [1999]: A New Gen
Page 247 and 248:
Kehl Dániel - Sipos Béla [2007b]:
Page 249 and 250:
John C. Nash [2008] Teaching statis
show all

Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?