Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...

Recommendations

Info

K – a telítettségi szint, ha K > 0; b – a helyzetparaméter, ha b > 0 ; c – növekedési sebességet jellemző paraméter, ha c> 0 logisztikus növekedésről, ha c< 0, akkor logisztikus csökkenésről van szó. ˆy K K 2 K 1+b K ˆy = 1+ be lnb t w = c 4-8. ábra: A Pearl-Reed-féle logisztikus regressziós függvény Az általánosított Richards-féle logisztikus regressziós függvény ˆy= A+ ( K−A) −cx ( −m) ( 1+ ve ) Ahol y – az eredményváltozó becsült értéke x – magyarázó változó ε – reziduális változó v – szabályozza az inflexiós pontban felvett függvényértéket, v> 0; c– növekedési sebességet jellemző paraméter, c>0; m – az inflexiós pont, m>0. ˆy K A yˆ= A+ ( ) ( ) 1/ K − A 1+ v tw v ( K − A) yˆ0= A+ 1/ v cm 1+ ve ( ) tw= m ˆy= A+ 1/ v -cx ( K−A) ( ) ( ) 1/v −cx−m 1+ ve 4-9. ábra: Az általánosított Richards-féle regressziós függvény A többszörös determinációs együttható segítségével ellenőrizhetjük a modell egészét 5 %-os szignifikancia szinten a 4.1 pontban bemutatott módon, így ennek ismertetésétől itt eltekintünk. A p érték zöld értéke jelzi, hogy a modell létezik, a piros szám pedig a nullhipotézis elfogadását vagyis a modell elvetését jelenti. x x 212
A homoszkedaszticitás tesztelését a Glejser-próba alkalmazásával végzi el a program, a korábban bemutatott módon. A p-érték zöld értéke jelzi, hogy homoszkedasztikus a modell, a piros szám pedig a heteroszkedaszticitás jelenlétére utal. 4.10 A sztochasztikus kapcsolat elemzése, az asszociációs együtthatók <strong>Excel</strong> parancsfájl működése F A sztochasztikus kapcsolatok típusai 274 (az ismérvek típusa szerint): • Asszociáció: a minőségi (vagy területi) ismérvek közötti kapcsolat • Vegyes kapcsolat: az ok szerepét minőségi (területi) az okozat szerepét mennyiségi ismérv tölti be • Korreláció: a mennyiségi ismérvek közötti sztochasztikus kapcsolat A sztochasztikus kapcsolatok típusai (a változók száma szerint): • kétváltozós kapcsolat • többváltozós (három-, négy-, stb.) kapcsolat A minőségi (területi) ismérvek közötti sztochasztikus kapcsolatot asszociációnak nevezzük. Ilyen például a nemhez való tartozás és a beosztás, az iskolai végzettség, vagy a szakképzettség és az alkalmazás minősége között lévő összefüggés. Az asszociáció <strong>statisztikai</strong> elemzésének módszerei: • a kombinációs (kontingencia) tábla elemzése viszonyszámokkal, • kapcsolat-szorossági mérőszámok számítása. A kétváltozós asszociáció vizsgálatakor a sokaság egységeit egyidejűleg, a két ismérv szerint kombinált módon csoportosítjuk. A kombinált csoportosítás eredménye egy kétdimenziós kontingencia táblába foglalható. Nevezzük a vizsgálatban szereplő két ismérvet „A”-nak (ok, X) és „B”-nek (okozat, Y). Ren- delkezzen az „A” ismérv s , a „B” ismérv o ismérvváltozattal. Bármely egyed egyidejűleg mindkét ismérv egy-egy konkrét változatával jellemezhető, vagyis valamely megfigyelésünk – általánosságban – az ( a,b ) ismérvváltozat-párral írható le ( a=1,2, …,s ; b=1,2, … ,o) . 4-4. tábla: A kétdimenziós kontingencia tábla általános sémája „A” ismérv változatai: fab „B” ismérv változatai 1 B … b B … 0 B A 1 f 11 … f 1b … f 1o 1 S A 2 f 21 … f2b … f2o 2 S … … A a f a1 … f ab … f ao a S … … A s f s1 … f sb … f so s S Összesen 1 O … b O … o O n Összesen Ahol: n az összes elemszám, f ab az „A” ismérv a-dik és a „B” ismérv b-edik változatához rendelt gyakorisága, S a az a-dik sor (az „A” ismérv első változatához tartozó) gyakoriságának összege, O b az b-dik oszlop (a „B” ismérv első változatához tartozó) gyakoriságának összege. Belátható az alábbi összefüggés: 274 Pintér József – Rappai Gábor (szerkesztő) [2007]: Statisztika. 227-235. 213
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 and 170: A regresszio.xls parancsfájl minde
Page 171 and 172: Regressziós együtthatók Eható S
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: ln h h = e transzformációval az e
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?