Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...

Recommendations

Info

Azt feltételezzük, hogy a múltbeli folyamatok folytatódnak a jövőben. A lineáris trend az extrapolációnál állandónak veszi az átlagos abszolút növekményt, ami hosszabb távon ritkán teljesülő feltétel, mivel a lineáris trendfüggvény a végtelenbe tart, ha az idő is a végtelenbe tart. Ha: t →+∞ és ha b1 > 0 ˆy t (t →+∞) →+∞ Ha: t →+∞ és ha b1 < 0 ˆy (t →+∞) →−∞ t ˆy t 3-1. ábra: A lineáris trend b 1>0 b ˆy 0 t =b 0 +b1t Féllogaritmikus (szemi-logaritmikus, féllogaritmusos, lin-log) trend Előfordul a gyakorlatban, különösen a hosszabb távú extrapolációnál olyan összefüggés, amelyben a megfigyelt idősor (yt) természetes értéke és az időváltozó (t) logaritmusa között irható fel egy lineáris modell. A féllogaritmikus trend az extrapolációnál sok esetben jobb eredményt ad, mint a lineáris trend, mert nem tekinti az átlagos abszolút növekményt állandónak, hanem feltételezi, hogy a növekmény nagysága az időben előrehaladva csökken. A függvényt leíró formula: ˆy t =b 0 +b1lnt Ahol: b1 0 ≠ mert ha 1 b =0 akkor a trendfüggvény konstans b 0 . Regressziós modellnél (pl. EXCEL) a Bemeneti Y tartomány: t y Bemeneti X tartomány: lnt (pl. t = 1, 2, 3, ……N) A növekedés ( ha b1 > 0 ) illetve csökkenés ( ha b1 < 0 ) átlagos abszolút értéke időegységre vetítve csökkenő, ugyanis, pl.: ln1 = 0, ln2 = 0,693, ln3 = 1,098,…..ln10 =2,302,….ln100 =4,605,…..ln1000= 6,907. Ha t=1 akkor: ˆy = b t=1 0 b 1
ˆy t b0 ˆy t =b 0 +b1lnt b 1>0 b 1 0, b > 0, b < 0 t t (pl. t = 1, 2, 3, ……N) Legyen: 0 1 2 2 ˆy t = b 0 + b1t + b2t tehát a függvény fordított U ( ∩ ) alakú. Akkor a függvény maximuma: dy ˆ =b1-2b2t=0 dt b1 t max = 2b2 A tmax helyen a második derivált t szerint negatív (-2b2), tehát a függvénynek maximuma van. t 45
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: - a függvény növekedésének ir
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 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 ...

Create successful ePaper yourself

Delete template?

Save as template?