α + α+ α! (=+9 [1] ι «Analyze-Regression-Linear». «Dependent» ι η η η!ηη ι «Independent(s)» η!ηη. # ι ι ι!η " ι ιηη, ι!" ι ηιι. 1 SPSS ι η η ι ιηη ι η
|
|
|
- Ῥέα Κοσμόπουλος
- 9 χρόνια πριν
- Προβολές:
Transcript
1 # η &, ε ε 007, ιη Pearson r "η η ι ι ι η ι!ι ι ι η ι η!ηη ι ι!ηη. η ι ιηη ι" η ι!"ι 0 ι η ( α ι ι α η 9 ( ι ι / + -predctor varable). * ι ι ι ι η ι ι ι!ηη η "ι ι ι ι!ηη η ι ι η η ι 'ι ι ι (η ) ι η ( " ι ι η!ηη η 9. η ιηη η R.A. Fsher η 90 ι, η John Aldrch, η ι η η 9 ι, η Gauss ι η η ιη Pearson. ηι!η "ι ι ι ιι η η η ι η η: α + α+ α! (=+9 [] - ι η!ηη η ι 3 η!ηη η, ι η η η (ntercept) ι "ι η ι ι η!ηη η ( η ι η!ηη η 9 ι 0, η η η (slope) ι "ι η η ι η!ηη η ( η ιηη ι η η ι η!ηη η 9 ι ηη η 9.!η ι ι ι η. ι ι ι!ιι ι ιι ι,! ι ι η ι ι ι η ι η η ι η ι η η. ι ι η!η (=+9 (. η ιη ), η η =0 ι η η =3.!η "ι η ιι η ι!ηη ι ι!ηη η η.,ι ι η!ηη η 9 ι ι 5. 6 ι ι ι ι X, η!ηη η ι η 4. η η η ι η!ηη Y = 0+3*4=. SPSS ι η η ι ιηη ι η ι «Analyze-Regresson-Lnear». «Dependent» ι η η η!ηη ι «Independent(s)» η!ηη. # ι ι ι!η " ι ιηη, ι!" ι ηιι. John Aldrch, «Fsher and Regresson, Statstcal Scence, 0(4), 005,
2 η &, ε ε 007 /ι : ι ι ιη η η, ι ι ι ι ι ιη, " ι ι 9 η!ηη η 9 ' η ι η ι η (. ι ιι ι ι ιιι ι η ηη ιι. # ι ι ι ι ηη ι ιι ι η, ι η ηη ι η!ηη η ι ι ι!ηη «ηι» η!η η ι ιηη, ι ι ι. / ι ι ι ι ι ι η" η ηη ι η!ηη η ι ι ιι ι ι ηη. η!η (=+9 [] ι ι ιι ι ι "ι η ηη ι η!ηη η ι η ιι η η η!ηη ( ι η ιη resdual varance): (=+9+ [] η!η (=+9+ [] "ι η ηη η!ηη η ( ηι η η η η!ηη η 9., "ι = ( (+9) [3] 03
![η η ι ιηη, ι ι ι. / ι ι ι ι ι ι η" η ηη ι η!ηη η ι ι ιι ι ι ηη. η!η (=+9 [] ι ι ιι ι ι "ι η ηη ι η!](/docs-images/52/10478719/images/page_2.jpg "ηη η ι η ιι η η η!ηη ( ι η ιη resdual varance): (=+9+ [] η!η (=+9+ [] \"ι η ηη η!")
3 η &, ε ε 007 ι η ιηη ι ι ι ι ι. ι η ι "η ι η 9 ι (.,ι! η 9 η ιηη ι ι ι, η, "η ι η ι, ι ι ι ι ( ι ι ηι ι E.,ι ι ι ι ι η" η ιηη, ι η! η!ηη η ( " ι ι ι η ηη η η (, ι ι η ηη ι η ι η ι ηι. 6 "η ι ιι ι η η ι ι ι, ι. ιι ι η η (ι ι ι) ι ι η ιι η η ι " ιι η ι ιι ι ( ι) ι ι, ι η η η η. * ι ι η η ι ι η!η ι! ι η ι ι ι η ι., ι ι η ιι ι η/ι η ι ι η. & ι η η η ιι! ι ι ι ιι η ι ηι η ι ι η ιι η ι η ι η ι ι ι η ι ι ι a ι η η ι b ι η η η ιηη. * η " ι ι η ι η ιηη. /++3+η)η ι η, η ιηη ι ι η ιη η "η ι ι η 9 ι (. $ι ι ι ι "ι η. ι η ιηη "ι 04
4 η &, ε ε 007 (ordnary least squares) ι ι ι ι ι ι η!ηη η ( ι ι E ((( -E ) F ι). η η ι η b η ιηη "ι : + b α + α+ α! (X XX )(Y XY ) b (X X) [4] ιη "ι ι ι ι η 9 ι ( (SXY Sum of Cross-Products) ι ι ι ι η η 9 (SST X -Total Sum of Squares). # ι η ι η b η ηη η ι η η a : + α a α + α+ α! a XY bxx X Y ι ι η η (, ι X X ι ι η η 9. [5] * η ι ιι ι ι ι b (η) ι a (η) " η ι ι ι ι η η 9 η η ηι ι E η η (, η ι η η ιη ι η η ( ι. ηι ι η (expected) ι E ι ι ι Y η η ( "ι η!η η ι ιηη: E = a+bx [6], ηι ι η ιηη ι η " ι η" η ι η η 9 η ιη ηι ι ŷ ι (. # ι "ι. 6 ι ι η/ι "ι ι ι ι ιηη ι!ι η ιι η η, ι ι!ηη η ( ι ι, ι ηη, η η ι!ηη η 9. $ι! 0 ι, η ι ι ι ι η 9 ι ( /η ι. ι ι "η ι 9 ι Y ι ι ι ι η η!ηη η ( ι η!ηη 9, ι η ι ηη ι ι ι! ι ι ι η" "η ι η. 05
![a XY bxx X Y ι ι η η (, ι X X ι ι η η 9. [5] * η ι ιι ι ι ι b (η) ι a (η) " η ι ι ι ι η η 9 η η ηι ι E η η (, η ι η η ιη ι η η ( ι. ηι ι η (expected) ι E ι ι ι Y η η ( "ι η!](/docs-images/52/10478719/images/page_4.jpg "η η ι ιηη: E = a+bx [6], ηι ι η ιηη ι η \" ι η\" η ι η η 9 η ιη ηι ι ŷ ι (. # ι \"ι. 6 ι ι η/ι \"ι ι ι ι ιηη ι!ι η ιι η η, ι ι!ηη η ( ι ι, ι ηη, η η ι!ηη η 9. $ι!")
5 η &, ε ε 007 /ι : /ι ι η 9 ι (. 3 ι ι ι η b ι η a, ι ι η ( ι η η ι E ι η ι η ιηη ι "η ι 9 -E. $ι ι ι η b ι η a ι ι ιηη ηι : $ 3 - X XX Y X Y (X XX ) * (Y ) XY (X X X ) (Y X Y ) 06 - % ι E yˆ XY ( yˆ X Y ) Y ŷ (Y yˆ ) ,35 8,30,9 0, 68,89 66,74,04 4,5755 6,6 39, 7 75,35 0,30 4, 5,5 06,09 78,38 3,68 87,3-3,38, ,35 6,30, 0, 39,69 66,74,04 4,5755 4,6 8,7 44-3,65-0,70 75,56 3,3 48,49 43,45 -,5 45,6333 0,55 0,30 6 6,35-3,70-5,00,8 3,69 7,56 7,86 6,788 -,56 33, ,65-5,70 9,4,7 3,49 55,09-9,6 9,986 3,9 5, ,65-5,70 3,7 0,4 3,49 60,9-3,78 4,377 -,9 3, ,65-5,70 3,7 0,4 3,49 60,9-3,78 4,377 -,9 3, ,35 5,30 35,96 5,5 34,09 78,38 3,68 87,3,6, ,65-0,70 6,96 0,4 4,49 60,9-3,78 4,377-6,9 47, ,65 -,70 9,3,7 36,89 55,09-9,6 9,986 -,09 4, ,65-6,70,06,7 44,89 55,09-9,6 9,986,9 8, ,65-7,70 5,0 0,4 59,9 60,9-3,78 4,377-3,9 5, ,35 3,30,6 0, 0,89 66,74,04 4,5755,6, ,35 7,30,56 0, 53,9 66,74,04 4,5755 5,6 7, ,35 8,30,,8 68,89 7,56 7,86 6,788 0,44 0, ,35 0,30 0,0 0, 0,09 66,74,04 4,5755 -,74 3, ,35 3,30 78,06, 54,89 84,0 9,50 380,443 3,80 4, ,35 0,30 3,9,8 06,09 7,56 7,86 6,788,44 5, ,65-4,70 38,96 7,0 6,09 49,7-5,43 38,063 0,73 0, ,00 0,00 SXY =340,9 SST X =58,55 SST Y =34, SSr =984,847 SSE =357,357 XX 4,65 XY 64, 7 3 : ( ι ι b η ι a η ι ι E ι ι ι SST 9, SST Y, SSr ι SSE., η η ι ι E ηιη : ) η η η ι ι η η 9 0 ι, η ι. ) η η η ι ι ι η η ( ι, ηη η.,ι ι ι, -ι, ι ιι ι ιηη ι ιι.
6 η &, ε ε 007 ) η η η ( X XX ) " η ι ι η X ( XX 4,65 ). ) η η η ( Y XY ( X Y 64,7 ). ) ι (X X X ) ι ) " η ι ι η ( (Y X Y ) ι ' η ι ι η 9 ι ( ι. # ι ι ι Y X Y ι η. 07 X XX ι ) η η (X XX )(Y XY) ι" ι ι ι η 9 ι ( (SXY=340,9). ") 6 " η ι η b: b (X X (X X )(Y X XX ) Y ) 340,9 5,837 58,55 η) ι a η η ι η η: a XY bxx = 64,7-5,837 * 4,65= 64,7-7,07404= 37,6596 ι a,, η ι η!ηη η η!ηη ι 0 ι ι, ι ι, η ι η!ηη η 9 ι 0 η ι η!ηη ι 37,6. η η η b η ιηη "ι η η ι η!ηη η ( ι η η ι η!ηη η 9 ι ηη η 9., ι, η ι η b=5,837 η ι η ι η!ηη η 9!ι ι, η ι η!ηη (!ι 5,837. #, η ι η!ηη η 9 ιι ι, η ι η!ηη ( ιι 5,837. & ι ι η η η ι η η b ι ι ιηη!ι η η. ηι ι ι ιι ι ι (cross-sectonal data). *ι ι η ι ι ιι ι. & ι ιι ι ι η ι ι η!ηη (.. ι ι η)!η ι (.. ) ι ι η ι ι η!ηη (.. ιη)!η η ι b (.. ). # ι ι η η ηη η η b η ιηη η η ι η!ηη ι αα ι ι (ι, ιι,,...) ι α0α! ι η!ηη η. 5ηι, ι η ι ι ιηη ι ηι ιι ι ι ι ι ιη ηιι η!ηη η ι ιι ι η - η!ηη η η"ι η ηη ι η!ηη η ι η/ ι ιι η η. ) $" ι ι ι b ι a, ι ι ι 9 η η 9 η ιη ηι ι η (expected) ι E η η ( η!η η ι ιηη (. η E ). $ι ι, " ι 9=5 ι (=73, η η ι E =37,6596+5,837 * X = 37,6596+5,837 * 5= 37,6596+9,87=66, η ι η η ι E ι 9=5 ι ιη η ι ι ( 6 η ηη η ( (. η Y - E ). & ι ι η 9 ι (. ι) η ι η" ι η ιηη ι η 0 "η η ι η η 9 η ιη ηι ι E ι ι ( (. 9 ι E ):
7 η &, ε ε 007 ι ι ι η η 9 ι η η ι η ι"ι η ιη ηι ι E η η (. $ι 9=7, ι ι, η ι η ι"ι!ι η E =78,38! (, ι 9=8, E =84,... η η η η η ι 7 η η 9 ι η ι ι"ι!ι ι ι ι η η ( 75 ι 80 (. "η ι 9-( 7-75 ι 7-80 ).,ι ι ι ι ι ι ι ι η η ( η ιηη (. η Y -E ) ι η "ι «ι» ηι. uε/&ο-3ο)+ο/,ο(+ο,ο(3+η)η 6 η ι η η ι ιηη ι!ι η ιηη ιι η ιι η η!ηη η ι η!ηη. 3η ι ι. ι η ιηη ι ι η" "η ι 9 -Y ι ι ι ιι η ιι η η. #, ι ι η ιηη ι η ιι η η - ι ι ι η. 6 η ι ιι ι ηι η ι ιι R (coeffcent of determnaton). "ι η η ηη ι η!ηη η ηι η ιηη ι "ι : +! R SSr ( ŷ XY ) R SST Y ( Y XY ) [7] SSr ι ι ι E ι η η ( ( ( ŷ XY ) ) ι SST Y ι ι η ( ((Y XY ) ). ι ι η ιη, ι ( ŷ XY ) "ι η ι ηη ι η ( ηι η ιηη, η η ιι η η η η 9 (ι ι SSr Sum of Squares from regresson- η, ιι R ι ι ι η ι ιη Pearson r ι η 9 ι (. # ι ι ι ι ι ι η η. 08
8 η &, ε ε 007 ι η ιηη). ι (Y XY ) "ι η ι ηη ι ι (, η 'η η η η ( η!ηη η 9 (ι ι SS ( Total Sum of Squares- ι ι ). ι η η ηη ι η ( ηι, η η ιηη η ( η 9. $ι ι, η!η ιηη E =a+bx ι ι η η ηη η ι η η ( η ι η!ηη η 9=7 ι E =78,38 (78,38=37,6596+5,837 * 7= 37, ,7566). η η η ι E =78,38 X η η ( ι E - X Y =78,38-64,7=3,68. ι "ι η ι ηη ηι η ιηη η ( η 9 ι η ιη η, ηη. ι ι ι ι η 9 "ι, ι, η ι ηη ι η ( ηι η ιη η η 9. H ι ηη ι η ( ηι ( ŷ XY ) = 984,847. ι ηη ι ι ( ι ( Y XY ) =34,., ιι ι: (ŷ XY) 984,847 R 0,84749 (Y XY) 34, ι ιι R η ι 84,7% η ηη η!ηη η ( ηι η ιη η η!ηη η 9. & ι η ηη ηι ι 'η ι ι. ηη ι η ( ι ι η!ηη η 9! α ιι ι η ιη ι ι ( ι ι E ((Y ŷ) ) ι η ι η ιηη ι ι, η SST Y SSr. ι -α α, α (SSE -Sum of Squared Errors). η ηη ι η ( ηι, SST SSr SSE η η ιηη η ( η 9, ι Y R [8]. SST SST SSE 357,57 ι = 0,557. ι η η SST Y 34, ι 5,3% η ηη η!ηη η ( ηι η ιη η η!ηη η 9. ι ιη η ι ηη SST Y ι ι ( ι η η ηη SSr. ηι η ηη SSE ηι (SST Y = SSr+SSE). Y Y ε,4ε,)η,4(3οο.34,η3+η)η η, ι e =( -E η ηι.! ι ι ι ι ι η η η ιι η η!ηη η ( ι η!ηη 9, ι η ι ηη η.,ιι ι ι,, η ι ι η ι ιη ι. $ι ι, ι η ιηη ι -,56 6,6., ι 0 ι ι ((- E ) ι 0. ι ι 7 ι. 09
9 η &, ε ε 007 (Y y) ˆ [9] s SSE e N N ι s 357,357 e 8, ι ιη s e ι ι : s e SSE (Y y) ˆ N N [0] & η ι, s e 357,357 4, ,ηε-,.+η)η),η3@εsη,ι ι E ι ι ι η!ηη η 9 ηη ιι η. * η η!η η ι ιηη ι ι ιι ι η ι b η ι a η ' ι ι η!ηη η 9 η η ι E. η η ι ι 'η ι ι ι ηη η E η ι ι ι η!ηη η 9. 'η η ι η!ηη η ι ι ι X η!ηη η ι, αα+-α!α α "ι ι α α/+ 'η (nterpolaton). $ι ι, ι ιι ' ι ι η ι η!ηη η ( η!ηη η ι η ι 6, ( η ι ι, η η η 9 ι ι η ι 6,). ι ι ι ι η 9, ι ι η 9 ( -8) ηη ι ι ι ι ιη 'η η ι η!ηη (. η η E =a+bx =37,6596+5,837 * 6, =73,7468. 'η η ι η!ηη η ι ι ι η!ηη η ι, α /α α!α α "ι ι α α α α/+ 'η (extrapolaton). uε/&ο(3ο)ε4/3/++-3+η)η, ιι R ι ι!ιηη, η!ιηη ι. η ι! ι η ι η η ι η, η, η η ι b ι a ι. -ι ι ι% *ι η ηι η ι ι η η ιηη η!ηη η ( η!ηη η 9 ιι 0 ( :=0). *ι ι η ι ι η η ιηη ι 0 ( :>0). * η ι η η ηι ι ι η "ι η ι ιη ( 95%). η ι!! ι ηι η η η η η ιη ι ι ιι, ιη F ι ιη t. α + F $ι η η ι ι ιηη η ιι ι F ι η η ιη (ANOVA Analyss of Varance): α + F 0
10 η &, ε ε 007 SSr ( ŷ XY ) df F SSE (Y ŷ ) [] df N SSr ι ι η ιηη (. η -ι), df ι ι ιη, η ι!η η ( ι ι ιηη) ι η b. SSE ι ι ι df ι ι, η. ι a ι b η ιη. "ι (MSE- Mean Squared Error) ι ιη s ê. * α, α +!αα s e α SSE MSE= N [], ι MSE= s 357,357 e= = 9, η ιη F ι ι ι ι η ιη ηι η ιηη η ιη ηι (ιη N ι a ι b. ι df =0-=8. η ι F "ι ι η ιη ηι η ιηη η ιη ηι. ι η ι F (,8) ι SSr 984, ,847 F (,8) 99,97755 SSE 357,357 9,8593 N 8 η ι F ι ιι ιη ι. η ι η ι F ι η η: F (,8) =99, $ι η ηη η ιι ηιη η ι F (,8) =99,97755 ι η ι η η η ηι ι ι η ηιη 95% ι (!ι) η. ιη ι F (,8) ι ηιη 95% η ι 4,439 (. ι ). 0 ι ι F ' $ *' df =, df =8 5% % 0,5% 4,439 8,85 5,39 3 : # ι ι F ι df = ι df =8. # ηι ι η η ιη ι F ηι ι ι ι F (,8) C4,439 95% ι η ι F η ι η. ι F (,8) =99,97755 ι η 4,439, η ηι η ι η η ι η η η ιηη ι η η. *ι η ι F (,8) =99,97755 ι η ι η ιη ι F (,8) ι ιι ηιη 0,5%, ι ηι ι ι ιη 0,5% ι F (,8) =99,97755 η η ι ι η ιη η. ι ι ι η ιη η ι η b=5,37 ' η ιη' ι ιη 000 (ιι ηιη sg<0,00). / ι η ι η ι η η ιηη ι η. 6ι! ι η!ι ι ι η 9!ι ι ι ι η ( ι. 'ι ι η η ιη:
11 .ι "! (Sum of squares) 0 ' (df) η &, ε ε 007 $ ι! "! (Mean square) F Sg $ (Model) ι% (Regresson) 984, ,847 99, ,000 a -%ι (Resdual) 357, ,8593 * (Total) 34, 9 3 :, *η 9, &!ηη η: *η( 3 3: ι η ιη. ηι ι ' η ηι η, η ι =0 η η η ιηη ηη! η!ηη η, ι ι ι ι η 9 " ιι ι ι η!ηη η (. t + ιι F ηι ιι ι ι ι ι ι ι, η ι, "ι ι ι ι ιηη ι ι ιη t ηι ιι ιι ι ι. ιι t ηι ιι ι ι η η ι ιηη ι η ι (probablty b dstrbuton) η η t, sb ι α s b (standard error of the estmate) η ι η b. ι ηη η b ι η ηη ι" ι ι η b ι ι η. # ι ι ι «ηη» ι η ηη η ι η b ι η 9 ι (. T ι ηη η b "ι : α (standard error of the estmate) + b s b (Y ŷ ) MSE N SST (X X [3] X ) MSE ι (Mean Squared Error), η η ιη s e ι SST X ι η ι ηη ι η!ηη η 9, η ι ι ι η!ηη η X (X X) ). ( ι ηη η η b ι!" ι: MSE 9,8593 s b 0, ,58307 (X X) 58,55 η ι ιη t ι: b 5,837-0 t η = 9,9989 sb 0,58307 η η, ι, η ηι η ι ι η :=0 ιη η ι =0. * η η ι t=9,9989, ηιη 95% ι df=n-=8, ι ι t: ι t ι p $ *' 5%,5% % 0,5% 0,05% ι *' df 0% 5% % % 0,% 8,734,009,554,8784 3,96
12 3 4: # ι t ι ι df=8. η &, ε ε 007 3η ι ι df=8 η ι t ι η ι η ι 3,96 ι ιη 0,05% ι η. η ηι η :=0 ι ι η ι :>0. N ι ιη t ι ι ι Fsher t r r η ιι η ι ιη Pearson r: 6 η ι ι ιι r = 0, ι ι η η ι Pearson r 'η., η ι Pearson r = r t η 0, ,90559.& N r 0,90559 r 8 0, , ,557 0, ,9776 0,90559(0,8675) 9,9989 # ' η ι t ι ι ι ι η η ι F η (9,9989 =99,978), ι ι η ι ιη ι ι ιι. 6 η/ι, ηι ι, ι!ι ι ι ηι ι ι ι η η ι ι ιηη., ι ι,! η ι η b ι η ι ι ι a pror (.. η!η ι ι η ι η η) ιη ι t ιη ιι η ι η η ι ιι!. $ι η ιη ι η ι η ι "ι ιι, η ηι η ι η : - =0 (η ι = ) ι η ι : ι ι ι ι ιι η/ι ηι ι!η ι ι ι!ι ι. ι η η ιη ηι η ι η ι ι ι b ι b ι η ιι ηιη ιι t F ι η ι ι ι ι ι η ι ι ι ι ιι ηι η. η ιι ι η η : - =0 ι t ιι ι η : b b t s( b b ) [4], s(b -b ) ι α ι "ι : s(b - b ) SST Y SSTY (N - ) (N - ) SST X SST SST - ι SST - ι η ι ηη ι ι η!ηη ( η ι ηη ι ι η!ηη ( ( ( Y XY) ( Y XY ) ), / ι / ι η ι ι SST 3 ι SST 3 ι η ι ηη ι ι!η (X X ) ι 9 ( (X X ) ι. η 9 ( X) X ) X [5] 3
ι η ιι η η ι η η η ι ιη () ι η η η ιη Pearson r ι η!η ιι η η η ι ιηη. $ιη ηι ι η " ι η ι (ι) ι. 6 ι- ι ι ι η ι ι ι η η,!ι!ι ι η η, ι ι!
! # " ι η ιι η η ι η η η ι ιη () ι η η η ιη Pearson r ι η!η ιι η η η ι ιηη. $ιη ηι ι η " ι η ι (ι) ι. 6 ι- ι ι ι η ι ι ι η η,!ι!ι ι η η, ι ι!ι η η ιι: ι ι" η η ι ι ηι η ιη!"ι ι. & ι ι ι ι η ι ι ηι" ι ι
ο),,),--,ο< $ι ιι!η ι ηι ι ιι ιι t (t-test): ι ι η ι ι. $ι ι η ι ι ι 2 x s ι ι η η ιη ι η η SE x
η &, ε ε 007!# # # ι, ι, η ιι ι ι ι ι η (.. ι, η ι η, ι & ι!ι η 50, ι ηιη 000 ι, ι, ',!,! )!η. (, ηι, ι ι ι ι "!η. #, ι "ι!η ι, ηι, ι ι ι η. ι, ι ι, ' ι ι ι η ι ι ι ι # ι ι ι ι ι 7. ο),,),--,ο< $ι ιι!η
!# # v "6c. ,ι ιι ι "ι ηι ιι ιι. # ι α αα+ 0+!α/,. * η ι ι ιη ηι ι η ι η ι ιι ι ι ι ι η ιη ι ι ιι ηι.
!# # v "6c #,ι ιι ι "ι ηι ιι ιι. # ι α αα+ 0+!α/,. * η ι ι ιη ηι ι η ι η ι ιι ι ι ι ι η ιη ι ι ιι ηι. $ι ιι η ι ι ι η ηι ι ιι ιι chi-square ι 0 2 ι ι ι! α (measures of association. ο,,,--,ο& 632ε/+ ιι
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Εξετάσεις περιόδου στο μάθημα ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Εξετάσεις περιόδου στο μάθημα ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ Ονοματεπώνυμο: Όνομα Πατρός:... Σ ΑΜ:. Ημερομηνία: Παρακαλώ μη γράφετε στα παρακάτω
Ελένη Κανδηλώρου Αναπλ. Καθηγήτρια. Γραμμικά Μοντέλα. Λύσεις Ασκήσεων
Ελένη Κανδηλώρου Αναπλ. Καθηγήτρια Αθήνα, 6-4-7 Γραμμικά Μοντέλα Λύσεις Ασκήσεων η Άσκηση: (α) Eίναι η σχέση μεταξύ των δύο μεταβλητών γραμμική; Διάγραμμα Διασποράς Για το Υψόμετρο & τις Αρνητικές Τιμές
8.1 The Nature of Heteroskedasticity 8.2 Using the Least Squares Estimator 8.3 The Generalized Least Squares Estimator 8.
8.1 The Nature of Heteroskedastcty 8. Usng the Least Squares Estmator 8.3 The Generalzed Least Squares Estmator 8.4 Detectng Heteroskedastcty E( y) = β+β 1 x e = y E( y ) = y β β x 1 y = β+β x + e 1 Fgure
ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙI (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116)
Σελίδα 1 ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΜΑΘΗΜΑ: ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙΙ (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116) ΠΑΝΕΠΙΣΤΗΜΙΑΚΟΣ ΥΠΟΤΡΟΦΟΣ ΠΑΝΑΓΙΩΤΗΣ
$ι ιι η ι ι!η ηι ι ANOVA. To ANOVA ι ι ι η η η ιη (Analysis of Variance). * ι! ι ι ι ι ι η ιη. ;, ι ι ι! η ιι ηιη ι ι!η ι η η ιη ι ι η ι η.
η &, 7!# v # $ι ιι η ι ι!η ηι ι ANOVA. To ANOVA ι ι ι η η η ιη (Analysis of Variance). * ι! ι ι ι ι ι η ιη. ;, ι ι ι! η ιι ηιη ι ι!η ι η η ιη ι ι η ι η. - ι% ιι* ι' F ι ι ι% MS F MS between within MS MS
ΟΙΚΟΝΟΜΕΤΡΙΑ. Βιολέττα Δάλλα. Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών
ΟΙΚΟΝΟΜΕΤΡΙΑ Βιολέττα Δάλλα Τµήµα Οικονοµικών Επιστηµών Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών 1 Εισαγωγή Οικονοµετρία (Econometrics) είναι ο τοµέας της Οικονοµικής επιστήµης που περιγράφει και αναλύει
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης
Πανεπιστήμιο Θεσσαλίας Πολυτεχνική Σχολή Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας & Περιφερειακής Ανάπτυξης ΜΑΘΗΜΑ ΕΠΙΛΟΓΗΣ: ΟΙΚΟΝΟΜΕΤΡΙΑ Το κλασικό Γραμμικό Υπόδειγμα ΔΙΑΛΕΞΗ 0 Μαρί-Νοέλ Ντυκέν, Μαρία
Εισαγωγή στην Ανάλυση Διακύμανσης
Εισαγωγή στην Ανάλυση Διακύμανσης 1 Η Ανάλυση Διακύμανσης Από τα πιο συχνά χρησιμοποιούμενα στατιστικά κριτήρια στην κοινωνική έρευνα Γιατί; 1. Ενώ αναφέρεται σε διαφορές μέσων όρων, όπως και το κριτήριο
Generalized Linear Model [GLM]
![Generalized Linear Model [GLM]](/thumbs/93/113885699.jpg "Generalized Linear Model [GLM]")
Generalzed Lnear Model [GLM]. ก. ก Emal: nkom@kku.ac.th A Lttle Hstory Multple lnear regresson normal dstrbuton & dentty lnk (Legendre, Guass: early 19th century). ANOVA normal dstrbuton & dentty lnk (Fsher:
ΕΙ Η ΠΑΛΙΝ ΡΟΜΗΣΗΣ. ΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΛΙΝ ΡΟΜΗΣΗ (Simple Linear Regression) ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ (Regression) ΠΑΛΙΝ ΡΟΜΗΣΗ.
ΑΠΛΗ ΓΡΑΜΜΙΚΗ ΠΑΛΛΙΝ ΡΟΜΗΣΗ (Smple Lear Regresso) Να κατανοηθεί η έννοια της παλινδρόµησης Ποιες οι προϋποθέσεις για να εφαρµοσθεί η γραµµική παλινδρόµηση; Τι είναι το γραµµικό µοντέλο και πως εκτιµούνται
ΟΙΚΟΝΟΜΕΤΡΙΑ Ι ΦΥΛΛΑΔΙΟ
ΟΙΚΟΝΟΜΕΤΡΙΑ Ι ΦΥΛΛΑΔΙΟ Παράρτημα Πανεπιστημίου: Δεληγιώργη 6 Α (έναντι Πανεπιστημίου Πειραιώς) Τηλ.: 4..97,,, Fax : 4..634 URL : www.vtal.gr emal: f@vtal.gr Παράρτημα Πανεπιστημίου: Δεληγιώργη 6 Α (έναντι
Suppose Mr. Bump observes the selling price and sales volume of milk gallons for 10 randomly selected weeks as follows
Albert Ludwgs Unverst Freburg Department of Emprcal Research and Econometrcs Appled Econometrcs Dr Kestel ummer 9 EXAMPLE IMPLE LINEAR REGREION ANALYI uppose Mr Bump observes the sellng prce and sales
ΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο 2
013 [Κεφάλαιο ] ΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο Μάθημα Εαρινού Εξάμηνου 01-013 M.E. OE0300 Πανεπιστήμιο Θεσσαλίας Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας και Περιφερειακής Ανάπτυξης [Οικονομετρία 01-013] Μαρί-Νοέλ
ΜΗ ΠΑΡΑΜΕΤΡΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
ΚΕΦΑΛΑΙΟ 7 ΜΗ ΠΑΡΑΜΕΤΡΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ (Non Parametrc Regresson) Το κεφάλαιο αυτό συνδέεται άμεσα με το κεφάλαιο που αναφέρεται στην συσχέτιση τάξης μεγέθους με την έννοια υπό την οποία η κλασική παραμετρική
x y max(x))
ΚΕΦΑΛΑΙΟ 0 Απλή Γραµµική Παλινδρόµηση Μωυσιάδης Χρόνης 6 o Εξάµηνο Μαθηµατικών Ένα Πρόβληµα εδοµένα.6 3. 3.8 4. 4.4 5.8 6.0 6.7 7. 7.8 y 5.6 7.9 8.0 8. 8. 9. 9.5 9.4 9.6 9.9 Έχει σχέση το yµε το ; Ειδικότερα
ΓΕΝΙΚΕΥΜΕΝΑ ΓΡΑΜΜΙΚΑ ΜΟΝΤΕΛΑ
ΓΕΝΙΚΕΥΜΕΝΑ ΓΡΑΜΜΙΚΑ ΜΟΝΤΕΛΑ Άσκηση. Να απαντήσετε στα ερωτήματα -7 της άσκησης χρησιμοποιώντας c-log-log lnk (χρησιμοποιήστε το πολύ 4 επαναλήψεις της επαναληπτικής μεθόδου. Ποιο είναι το καλύτερο μοντέλο
Ερωτήσεις κατανόησης στην Οικονομετρία (Με έντονα μαύρα γράμματα είναι οι σωστές απαντήσεις)
Ερωτήσεις κατανόησης στην Οικονομετρία (Με έντονα μαύρα γράμματα είναι οι σωστές απαντήσεις) 1. Έχοντας στη διάθεσή μας ένα δείγμα, προκύπτει ότι το 95% διάστημα εμπιστοσύνης για το μέσο μ ενός κανονικού
7. Ανάλυση Διασποράς-ANOVA
7. Ανάλυση Διασποράς-ANOVA Παράδειγμα Μετρήσεις της συγκέντρωσης του strodum (mg/ml) σε πέντε υδάτινες περιοχές (Α,Β,C,D,Ε). Α Β C D Ε 8, 39,6 46,3 4,0 56,3 33, 40,8 4, 44, 54, 36,4 37,9 43,5 46,4 59,4
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΑΛΙΝΔΡΟΜΗΣΗ
ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΑΛΙΝΔΡΟΜΗΣΗ Δημοκρίτειο Πανεπιστήμιο Θράκης Τμήμα Δασολογίας και Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων 4 0 εξάμηνο ΚΙΤΙΚΙΔΟΥ ΚΥΡΙΑΚΗ ΕΙΣΑΓΩΓΗ Σχέσεις εξάρτησης μεταξύ των μεταβλητών
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ. Παπάνα Αγγελική
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ 7o Μάθημα: Απλή παλινδρόμηση (ΕΠΑΝΑΛΗΨΗ) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & ΠΑΜΑΚ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 7. Παλινδρόµηση
ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 7. Παλινδρόµηση Γενικά Επέκταση της έννοιας της συσχέτισης: Πώς µπορούµε να προβλέπουµε τη µια µεταβλητή από την άλλη; Απλή παλινδρόµηση (simple regression): Κατασκευή µοντέλου πρόβλεψης
Άσκηση 11. Δίνονται οι παρακάτω παρατηρήσεις:
Άσκηση. Δίνονται οι παρακάτω παρατηρήσεις: X X X X Y 7 50 6 7 6 6 96 7 0 5 55 9 5 59 6 8 8 5 0 59 7 7 8 8 5 5 0 7 69 9 6 6 7 6 9 5 7 6 8 5 6 69 8 0 50 66 0 0 50 8 59 76 8 7 60 7 87 6 5 7 88 9 8 50 0 5
ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΕΙΔΙΚΕΥΣΗ: ΣΥΣΤΗΜΑΤΑ ΥΠΟΛΟΓΙΣΤΩΝ
Α.Τ.Ε.Ι. ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΕΙΔΙΚΕΥΣΗ: ΣΥΣΤΗΜΑΤΑ ΥΠΟΛΟΓΙΣΤΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΜΕ ΘΕΜΑ : «Η ΕΠΙΔΡΑΣΗ ΔΙΑΦΟΡΩΝ ΠΑΡΑΓΟΝΤΩΝ
ΜΕΘΟΔΟΙ ΕΡΥΕΝΑΣ ΔΙΑΛΕΞΗ 5: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΑΓΩΓΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΟΙΚΟΝΟΜΕΤΡΙΑ (Ι)
ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΧΩΡΟΤΑΞΙΑΣ, ΠΟΛΕΟΔΟΜΙΑΣ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΑΝΑΠΤΥΞΗΣ ΠΜΣ «ΕΠΕΝΔΥΣΕΙΣ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΗ ΑΝΑΠΤΥΞΗ» ΜΕΘΟΔΟΙ ΕΡΥΕΝΑΣ ΔΙΑΛΕΞΗ 5: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΑΓΩΓΙΚΗ
ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Θεσσαλονίκης Τμήμα Πληροφορικής Εργαστήριο «Θεωρία Πιθανοτήτων και Στατιστική» ΣΥΣΧΕΤΙΣΗ και ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Περιεχόμενα 1. Συσχέτιση μεταξύ δύο ποσοτικών
Statistics 104: Quantitative Methods for Economics Formula and Theorem Review
Harvard College Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Tommy MacWilliam, 13 tmacwilliam@college.harvard.edu March 10, 2011 Contents 1 Introduction to Data 5 1.1 Sample
Άσκηση 1. Πληθυσμός (Χ i1 )
Άσκηση Μία αντιπροσωπεία πωλήσεως αυτοκινήτων διαθέτει καταστήματα σε 5 διαφορετικές πόλεις. Ο επόμενος πίνακας δίνει τις πωλήσεις Υ i του τελευταίου μήνα καθώς επίσης και τον πληθυσμό Χ i και το οικογενειακό
FORMULAS FOR STATISTICS 1
FORMULAS FOR STATISTICS 1 X = 1 n Sample statistics X i or x = 1 n x i (sample mean) S 2 = 1 n 1 s 2 = 1 n 1 (X i X) 2 = 1 n 1 (x i x) 2 = 1 n 1 Xi 2 n n 1 X 2 x 2 i n n 1 x 2 or (sample variance) E(X)
Correlation Analysis 개념
Correlation Analysis 개념 Bivariate analysis 측정형두변수간의관계분석 상관관계? 두측정형변수의산점도 : 상호직선적관련성을상관계수 (Correlation Coefficient) 측정. 잠재설명 ( 원인 ) 변수 (X s) 상관관계, 잠재변인과결과변수 (Y) 의상관관계 Pearson 상관계수 측정형변수직선관계정도 cov( X, Y
τατιςτική ςτην Εκπαίδευςη II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιςτική ςτην Εκπαίδευςη II Αρχείο αποτελεςμάτων Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το παρόν
ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 3: Ανάλυση γραμμικού υποδείγματος Απλή παλινδρόμηση (2 ο μέρος) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Μονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων
Μονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων 1 Μονοπαραγοντική Ανάλυση Διακύμανσης Παραμετρικό στατιστικό κριτήριο για τη μελέτη της επίδρασης μιας ανεξάρτητης μεταβλητής στην εξαρτημένη Λογική
PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI
155 Lampiran 6 Yayan Sumaryana, 2014 PENGARUHKEPEMIMPINANINSTRUKSIONAL KEPALASEKOLAHDAN MOTIVASI BERPRESTASI GURU TERHADAP KINERJA MENGAJAR GURU SD NEGERI DI KOTA SUKABUMI Universitas Pendidikan Indonesia
Απλή Ευθύγραµµη Συµµεταβολή
Απλή Ευθύγραµµη Συµµεταβολή Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata Εισαγωγή Ανάλυση Παλινδρόµησης και Συσχέτιση Απλή
Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 2η: Απλή Γραμμική Παλινδρόμηση. Διδάσκουσα: Κοντογιάννη Αριστούλα
Τμήμα Διοίκησης Επιχειρήσεων (Γρεβενά) Μάθημα: Οικονομετρία Διάλεξη 2η: Απλή Γραμμική Παλινδρόμηση Διδάσκουσα: Κοντογιάννη Αριστούλα Πώς συσχετίζονται δυο μεταβλητές; Ένας απλός τρόπος για να αποκτήσουμε
Κεφάλαιο 16 Απλή Γραμμική Παλινδρόμηση και Συσχέτιση
Κεφάλαιο 16 Απλή Γραμμική Παλινδρόμηση και Συσχέτιση Copyright 2009 Cengage Learning 16.1 Ανάλυση Παλινδρόμησης Σκοπός του προβλήματος είναι η ανάλυση της σχέσης μεταξύ συνεχών μεταβλητών. Η ανάλυση παλινδρόμησης
EDUCAT &ι'ι% Measurement Level: Ordinal Value Label 1,00 7ι η 2,00 -ι 3,00 3 ιι 4,00 * ι. Measurement Level: Scale
## ι ι ι ι η ιι ι ηι ιι η ι η ι ι. ηι ι ι ι ηι ιη 474 " ι ( «work.sav» η ι ) η η ι ι. ι ι"ι ι ιι ι ι ι η ( ηιη ι ι: File Display Data File InformationWorking File). ID!ι% Measurement Level: Scale Column
Προσοµοίωση Εξέτασης στο µάθηµα του Γεωργικού Πειραµατισµού
Προσοµοίωση Εξέτασης στο µάθηµα του Γεωργικού Πειραµατισµού ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας Viola adorata Σκηνή Πρώτη Ερωτήσεις Σωστού-Λάθους (µέρος Ι). Ο µέσος όρος
ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ
ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΕΝΟΤΗΤΕΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ (One-Way Analyss of Varance) Η ανάλυση
Εφαρμοσμένη Στατιστική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Ανάλυση διακύμανσης Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Μάθηµα εύτερο-τρίτο- Βασικά Ζητήµατα στο Απλό Γραµµικό Υπόδειγµα Ακαδηµαϊκό Έτος
ΤΜΜΑ ΕΠΙΧΕΙΡΜΑΤΙΚΟΥ ΣΧΕ ΙΑΣΜΟΥ & ΠΛΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΜΑΤΩΝ Μάθηµα εύτερο-τρίτο- Βασικά Ζητήµατα στο Απλό Γραµµικό Υπόδειγµα Ακαδηµαϊκό Έτος - Στο παρόν µάθηµα δίνεται µε κάποια απλά παραδείγµατα-ασκήσεις
Πρακτικές Θετικής Οργανωσιακής Αλλαγής και οι στάσεις των εργαζομένων απέναντι στην αλλαγή
Πρακτικές Θετικής Οργανωσιακής Αλλαγής και οι στάσεις των εργαζομένων απέναντι στην αλλαγή Ονοματεπώνυμο : Ευανθία Καρακατσάνη Σειρά: 9 Επιβλέπων Καθηγητής: Ο. Κυριακίδου Δεκέμβριος 2012 ΣΤΟΧΟΣ/ ΣΚΟΠΟΣ
Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 6 ο
Παράδειγμα 1 Ο παρακάτω πίνακας δίνει τις πωλήσεις (ζήτηση) ενός προϊόντος Υ (σε κιλά) από το delicatessen μιας περιοχής και τις αντίστοιχες τιμές Χ του προϊόντος (σε ευρώ ανά κιλό) για μια ορισμένη χρονική
+ ε βελτιώνει ουσιαστικά το προηγούμενο (β 3 = 0;) 2. Εξετάστε ποιο από τα παρακάτω τρία μοντέλα:
ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ, 6-5-0 Άσκηση 8. Δίνονται οι παρακάτω 0 παρατηρήσεις (πίνακας Α) με βάση τις οποίες θέλουμε να δημιουργήσουμε ένα γραμμικό μοντέλο για την πρόβλεψη της Υ μέσω των ανεξάρτητων μεταβλητών
3 ι ηι ιι η ι -ηι. ι ι ι ι. «η» η ι ι ι ι η ι.,ι ι ι ι ι "ι η ι % ι ι "η ι ι ι η ι ιι. ι ηι ι η ι «ιι ι»
# v ## 3 ι ηι ιι η ι -ηι ι ι ι ιι, ιι ιι-'ι ι, η ι ι ι ι ι, ι ι η η!ιι. ι ιι ι ι «ι» ι «η» ι ι ιι ( 2 ι) η ι η. * ι ι ι ι ι ι ηιι. 6ι η η ηη ι «ι ι» η ι. ιι η ιι η ι ιηι ι η η η ιι ιι ι ι ι ι «η» η ι ι
Πλήρεις Οµάδες σε Ελεύθερη ιάταξη
Πλήρεις Οµάδες σε Ελεύθερη ιάταξη ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας Viola adorata Πλήρεις Οµάδες σε Ελεύθερη ιάταξη (Randomized Complete-block Design- RCBD) Παράδειγµα
ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική
ΟΙΚΟΝΟΜΕΤΡΙΑ Ενότητα 13: Επανάληψη Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana 1 Γιατί μελετούμε την Οικονομετρία;
Η βιτρίνα των καταστημάτων ως εργαλείο δημοσίων σχέσεων. Ονοματεπώνυμο: Ειρήνη Πορτάλιου Σειρά: 8 η Επιβλέπουσα: Αν. Καθηγήτρια : Βεντούρα Ζωή
Η βιτρίνα των καταστημάτων ως εργαλείο δημοσίων σχέσεων Ονοματεπώνυμο: Ειρήνη Πορτάλιου Σειρά: 8 η Επιβλέπουσα: Αν. Καθηγήτρια : Βεντούρα Ζωή Δεκέμβριος 2011 Στόχος Έρευνας H βιτρίνα των καταστημάτων αποτελεί
Κεφάλαιο 14. Ανάλυση ιακύµανσης Μονής Κατεύθυνσης. Ανάλυση ιακύµανσης Μονής Κατεύθυνσης
Κεφάλαιο 14 Ανάλυση ιακύµανσης Μονής Κατεύθυνσης 1 Ανάλυση ιακύµανσης Μονής Κατεύθυνσης Παραµετρικό στατιστικό κριτήριο για τη µελέτη της επίδρασης µιας ανεξάρτητης µεταβλητής στην εξαρτηµένη Λογική παρόµοια
ΚΕΦΑΛΑΙΟ ΙΙΙ ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
ΚΕΦΑΛΑΙΟ ΙΙΙ ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ ΕΝΟΤΗΤΕΣ 1. ΓΕΝΙΚΗ ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΠΟΛΛΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ 2. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΟΥ ΑΠΟΚΛΕΙΣΜΟΥ ΜΕΤΑΒΛΗΤΩΝ 3. ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΗΣ ΠΡΟΟΔΕΥΤΙΚΗΣ ΠΡΟΣΘΗΚΗΣ
Άσκηση 2. i β. 1 ου έτους (Υ i )
Άσκηση Ο επόμενος πίνακας δίνει τους βαθμούς φοιτητών (Χ i ) στις εισαγωγικές εξετάσεις ενός κολεγίου και τους αντίστοιχους βαθμούς τους (Υ i ) στο τέλος της πρώτης χρονιάς φοίτησης στο συγκεκριμένο κολέγιο.
2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
2. ΧΡΗΣΗ ΣΤΑΤΙΣΤΙΚΩΝ ΠΑΚΕΤΩΝ ΣΤΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΗΣΗ Η χρησιμοποίηση των τεχνικών της παλινδρόμησης για την επίλυση πρακτικών προβλημάτων έχει διευκολύνει εξαιρετικά από την χρήση διαφόρων στατιστικών
ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ,
ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ, -- Άσκηση. Δίνονται τα παρακάτω δεδομένα 5 7 8 9 5 X 8 5 5 5 9 7 Y. 5.. 7..7.7.9.. 5.... 8.. α) Να γίνει το διάγραμμα διασποράς β) εξετάστε τα μοντέλα Υ = β + β Χ + ε, (linear),
ΕΦΑΡΜΟΣΜΕΝΗ ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ ΚΑΙ ΔΙΑΣΠΟΡΑΣ (ΝΠΣ) & ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ (ΠΠΣ) (6o Εξάμηνο Μαθηματικών) Ιανουάριος 2008
ΕΦΑΡΜΟΣΜΕΝΗ ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ ΚΑΙ ΔΙΑΣΠΟΡΑΣ (ΝΠΣ) & ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ (ΠΠΣ) (6o Εξάμηνο Μαθηματικών) Ιανουάριος 008 Επώνυμο... Όνομα... A.E.M.... Εξάμηνο... Θέμα Θέμα Θέμα 3 Θέμα 4 Βαθμός ΝΠΣ
Προσαρμογή καμπύλης με τη μέθοδο των ελαχίστων τετραγώνων
Σχολή Χημικών Μηχανικών ΕΜΠ Ανάλυση Συστημάτων Χημικής Μηχανικής, ο εξάμηνο Προσαρμογή καμπύλης με τη μέθοδο των ελαχίστων τετραγώνων Διδάσκοντες: Χ. Κυρανούδης, Γ. Μαυρωτάς Εισαγωγή Με βάση κάποιο δείγμα
1. Ιστόγραμμα. Προκειμένου να αλλάξουμε το εύρος των bins κάνουμε διπλό κλικ οπουδήποτε στο ιστόγραμμα και μετά
1. Ιστόγραμμα Δεδομένα από το αρχείο Data_for_SPSS.xls Αλλαγή σε Variable View (Κάτω αριστερά) και μετονομασία της μεταβλητής σε NormData, Type: numeric και Measure: scale Αλλαγή πάλι σε Data View. Graphs
Πολλαπλή Παλινδρόµηση µε Έµφαση στο Πρόβληµα της Ετεροσκεδαστικότητας
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΟΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ & ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Πολλαπλή Παλινδρόµηση µε Έµφαση στο Πρόβληµα της Ετεροσκεδαστικότητας
ΠΑΛΙΝ ΡΟΜΗΣΗ..Π.Μ.Σ. Μαθηµατικά των Υπολογιστών και των Αποφάσεων. Πάτρα, 27 Ιανουαρίου 2011
Πάτρα, 7 Ιανουαρίου 011 Γενικά Πολλές ϕορές µας ενδιαφέρει να µελετήσουµε τις σχέσεις που υπάρχουν ανάµεσα στις µεταβλητές. Παράδειγµα 1 OZON 300 80 60 40 0 00 180 150 00 50 300 350 400 450 CFC 1 Από το
ιοίκηση Παραγωγής και Υπηρεσιών
ιοίκηση Παραγωγής και Υπηρεσιών Προβλέψεις Ζήτησης Ανάλυση Παλινδρόµησης Γιώργος Ιωάννου, Ph.D. Αναπληρωτής Καθηγητής Σύνοψη διάλεξης Ορισµός πρόβλεψης ζήτησης Αναγκαιότητα προβλέψεων Κατηγορίες ζήτησης
τατιστική στην Εκπαίδευση II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιστική στην Εκπαίδευση II Επαναληπτικζς ασκήσεις Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το παρόν
Political Science 552. Qualitative Variables. Dichotomous Predictor. Dummy Variables-Gender. Qualitative Variables March 3, 2004
Qualtatve Varables Marh, Poltal See 55 Qualtatve Varables Dhotomous Predtor Y PID Geder ( male, female) Y ( ) Y Y Y Y Dummy Varables-Geder. FT-BUSH PID GENDER. ge geder(v9). regress v6 v5 geder v6 Coef.
Αν οι προϋποθέσεις αυτές δεν ισχύουν, τότε ανατρέχουµε σε µη παραµετρικό τεστ.
ΣΤ. ΑΝΑΛΥΣΗ ΙΑΣΠΟΡΑΣ (ANALYSIS OF VARIANCE - ANOVA) ΣΤ 1. Ανάλυση ιασποράς κατά µία κατεύθυνση. Όπως έχουµε δει στη παράγραφο Β 2, όταν θέλουµε να ελέγξουµε, αν η µέση τιµή µιας ποσοτικής µεταβλητής διαφέρει
Προϋποθέσεις : ! Και οι δύο µεταβλητές να κατανέµονται κανονικά και να έχουν επιλεγεί τυχαία.
. ΣΤΑΤΙΣΤΙΚΗ ΣΥΣΧΕΤΙΣΗ. Υπολογισµός συντελεστών συσχέτισης Προκειµένου να ελέγξουµε την ύπαρξη γραµµικής σχέσης µεταξύ δύο ποσοτικών µεταβλητών, χρησιµοποιούµε συνήθως τον παραµετρικό συντελεστή συσχέτισης
Κεφάλαιο 15. Παραγοντική ανάλυση διακύµανσης. Παραγοντική
Κεφάλαιο 15 Παραγοντική ανάλυση διακύµανσης 1 Παραγοντική ανάλυση διακύµανσης Παραµετρικό στατιστικό κριτήριο για τη µελέτη των επιδράσεων περισσότερων από µια ανεξάρτητων µεταβλητών στην εξαρτηµένη καθώς
α α α α α α α α α α α α α α α α α α α α α α α α α α α α β χ δ ε φ γ η ι ϕ κ λ µ ν ο π θ ρ σ τ υ ϖ ω ξ ψ ζ αα ββ χχ δδ εε φφ γγ ηη ιι ϕϕ κκ λλ µµ νν οο
Προσαρμογή καμπύλης με τη μέθοδο των ελαχίστων τετραγώνων
Σχολή Χημικών Μηχανικών ΕΜΠ Εισαγωγή στην Χημική Μηχανική, ο εξάμηνο Προσαρμογή καμπύλης με τη μέθοδο των ελαχίστων τετραγώνων Εισαγωγή Με βάση κάποιο δείγμα (Χ,Υ) ζητούμε να εξάγουμε συμπεράσματα για
Χ. Εμμανουηλίδης, 1
Εφαρμοσμένη Στατιστική Έρευνα Απλό Γραμμικό Υπόδειγμα AΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟ ΕΙΓΜΑ Δρ. Χρήστος Εμμανουηλίδης Αν. Καθηγητής Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Εφαρμοσμένη Στατιστική, Τμήμα Ο.Ε. ΑΠΘ Χ. Εμμανουηλίδης,
Lampiran 1 Output SPSS MODEL I
67 Variables Entered/Removed(b) Lampiran 1 Output SPSS MODEL I Model Variables Entered Variables Removed Method 1 CFO, ACCOTHER, ACCPAID, ACCDEPAMOR,. Enter ACCREC, ACCINV(a) a All requested variables
τατιστική στην Εκπαίδευση II
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΣΙΑ ΠΑΝΕΠΙΣΗΜΙΟ ΚΡΗΣΗ τατιστική στην Εκπαίδευση II Λφση επαναληπτικής άσκησης Διδάσκων: Μιχάλης Λιναρδάκης ΠΑΙΔΑΓΩΓΙΚΟ ΤΜΗΜΑ ΔΗΜΟΤΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΑΓΩΓΗΣ Άδειες Χρήσης Το
5. ΤΟ ΓΕΝΙΚΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ (GENERAL LINEAR MODEL) 5.1 Εναλλακτικά μοντέλα του απλού γραμμικού μοντέλου: Το εκθετικό μοντέλο
5. ΤΟ ΓΕΝΙΚΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ (GENERAL LINEAR MODEL) 5.1 Εναλλακτικά μοντέλα του απλού γραμμικού μοντέλου: Το εκθετικό μοντέλο Ένα εναλλακτικό μοντέλο της απλής γραμμικής παλινδρόμησης (που χρησιμοποιήθηκε
ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 16. Απλή Γραμμική Παλινδρόμηση και Συσχέτιση
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ
ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΙΔΙΚΕΥΣΗ: ΣΥΣΤΗΜΑΤΑ ΥΠΟΛΟΓΙΣΤΩΝ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΙΔΙΚΕΥΣΗ: ΣΥΣΤΗΜΑΤΑ ΥΠΟΛΟΓΙΣΤΩΝ «ΜΕΛΕΤΗ ΤΩΝ ΠΑΡΑΓΟΝΤΩΝ ΠΟΥ
Κεφάλαιο 7. Γραμμική και λογιστική παλινδρόμηση. Σύνοψη. Προαπαιτούμενη γνώση. 7.1 Απλή και Πολλαπλή Γραμμική Παλινδρόμηση (Linear Regression)
Κεφάλαιο 7 Σύνοψη Γραμμική και λογιστική παλινδρόμηση Στο κεφάλαιο αυτό γίνεται ανάλυση της μεθοδολογίας της απλής και πολλαπλής γραμμικής παλινδρόμησης, και αναφορά στη μεθοδολογία της λογιστικής παλινδρόμησης.
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ (Analyss of Varance for two factor Experments) (Two-Way Analyss of Varance) Ο πειραματικός σχεδιασμός για τον οποίο θα μιλήσουμε είναι μια επέκταση της μεθοδολογίας
Λυμένες Ασκήσεις για το μάθημα:
Λυμένες Ασκήσεις για το μάθημα: ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΜΕ ΧΡΗΣΗ Η/Υ ΚΩΝΣΤΑΝΤΙΝΟΣ ΖΑΦΕΙΡΟΠΟΥΛΟΣ Τμήμα: ΔΙΕΘΝΩΝ ΚΑΙ ΕΥΡΩΠΑΪΚΩΝ ΣΠΟΥΔΩΝ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 8. Ανάλυση διασποράς (ANOVA)
ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ 8. Ανάλυση διασποράς (ANOVA) Γενικά Επέκταση της σύγκρισης µέσων τιµών µεταβλητής ανάµεσα σε 2 δείγµατα (οµάδες ήστάθµες): Σύγκριση πολλών δειγµάτων (K>2) µαζί Σχέση ανάµεσα σε µια ποσοτική
Περιγραφή των εργαλείων ρουτινών του στατιστικού
Κεφάλαιο 5 ο Περιγραφή των εργαλείων ρουτινών του στατιστικού πακέτου SPSS που χρησιµοποιήθηκαν. 5.1 Γενικά Το στατιστικό πακέτο SPSS είναι ένα λογισµικό που χρησιµοποιείται ευρέως ανά τον κόσµο από επιχειρήσεις
Π.Μ.Σ. ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΙΑΣΠΟΡΑΣ ΚΑΙ ΠΑΛΙΝΔΡΟΜΗΣΗΣ ΤΕΛΙΚΟ ΔΙΑΓΩΝΙΣΜΑ 27/6/2016
Π.Μ.Σ. ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΔΙΑΣΠΟΡΑΣ ΚΑΙ ΠΑΛΙΝΔΡΟΜΗΣΗΣ ΤΕΛΙΚΟ ΔΙΑΓΩΝΙΣΜΑ 27/6/2016 Πρόβλημα 1. Σε μια μελέτη συγκεντρώθηκαν δεδομένα σχετικά με το μέγεθος του πληθυσμού (σε ζεύγη πτηνών) ενός είδους
ΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ. Παιεάο Δπζηξάηηνο
ΕΡΓΑΙΑ Εθηίκεζε αμίαο κεηαπώιεζεο ζπηηηώλ κε αλάιπζε δεδνκέλωλ Παιεάο Δπζηξάηηνο ΑΘΗΝΑ 2014 1 ΠΔΡΙΔΥΟΜΔΝΑ 1) Δηζαγσγή 2) Πεξηγξαθηθή Αλάιπζε 3) ρέζεηο Μεηαβιεηώλ αλά 2 4) Πξνβιεπηηθά / Δξκελεπηηθά Μνληέια
Προβλέψεις ισοτιμιών στο EViews
Προβλέψεις ισοτιμιών στο EViews Θεωρητικό πλαίσιο προβλέψεων σημείου Σημαντικές επιλογές πλαισίου: Τί θα κάνουμε με την πρόβλεψη; Θα την μοιραστούμε με πολλούς πελάτες, που θα την χρησιμοποιήσουν με διαφορετικό
Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ περισσότερων από δύο δειγμάτων, που διαχωρίζονται βάσει δύο ανεξάρτητων παραγόντων (Ανάλυση διακύμανσης για ανεξάρτητα δείγματα ως προς περισσότερους
Abstract ] [ Lawley Hotelling Trace).statigraph. Hotel ling s trace
![Abstract ] [ Lawley Hotelling Trace).statigraph. Hotel ling s trace](/thumbs/85/91675264.jpg "Abstract ] [ Lawley Hotelling Trace).statigraph. Hotel ling s trace")
(( )) Analysis of variance of the model general linear multivariate approved ((form balanced)) error retailers analyze the contrast of the model general linear single variable-based.. /... / / ] B ( /
ΑΝΑΛΥΣΗ ΔΙΑΣΠΟΡΑΣ Ή ΔΙΑΚΥΜΑΝΣΗΣ (ANALYSIS OF VARIANCE VARIANCE ANALYSIS ANOVA ANOVA
ΑΝΑΛΥΣΗ ΔΙΑΣΠΟΡΑΣ Ή ΔΙΑΚΥΜΑΝΣΗΣ (ANALYSIS OF VARIANCE VARIANCE ANALYSIS ANOVA ANOVA Αγλαΐα Καλαματιανού ΣΗΜΕΙΩΣΕΙΣ ΔΙΔΑΣΚΑΛΙΑΣ ΓΙΑ ΤΟ ΜΑΘΗΜΑ ΣΤΑΤΙΣΤΙΚΗ ΙΙ: ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΜΕΘΟΔΟΥΣ ΔΙΜΕΤΑΒΛΗΤΗΣ ΚΑΙ ΠΟΛΥΜΕΤΑΒΛΗΤΗΣ
ΜΑΘΗΜΑ 4 ο. Μοναδιαία ρίζα
ΜΑΘΗΜΑ 4 ο Μοναδιαία ρίζα Είδαμε προηγουμένως πως ο έλεγχος της στασιμότητας μιας χρονικής σειράς μπορεί να γίνει με τη συνάρτηση αυτοσυσχέτισης. Ένας άλλος τρόπος που χρησιμοποιείται ευρύτατα στην ανάλυση
Αντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών. Εξίσωση παλινδρόμησης. Πρόβλεψη εξέλιξης
Γραμμική Παλινδρόμηση και Συσχέτιση Αντικείμενο του κεφαλαίου είναι: Ανάλυση συσχέτισης μεταξύ δύο μεταβλητών Εξίσωση παλινδρόμησης Πρόβλεψη εξέλιξης Διμεταβλητές συσχετίσεις Πολλές φορές χρειάζεται να
ΑΝΑΛΥΣΗ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ
ΑΝΑΛΥΣΗ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΩΝ ΚΑΤΑΣΤΑΣΕΩΝ Ενότητα 5: ΠΡΟΥΠΟΛΟΓΙΣΜΟΙ ΚΑΙ ΠΡΟΒΛΕΨΕΙΣ ΠΩΛΗΣΕΩΝ ΚΥΡΙΑΖΟΠΟΥΛΟΣ ΓΕΩΡΓΙΟΣ Τμήμα ΛΟΓΙΣΤΙΚΗΣ ΚΑΙ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΗΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Ανάλσση παλινδρόμησης
ΤΜΗΜΑ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ ΕΠΙΣΤΗΜΗΣ Ανάλσση παλινδρόμησης Πειραιάς, 0 Υπόλοιπα και ζσνηελεζηής προζδιοριζμού 6/3/0 Ανάλσζη Παλινδρόμηζης - Μ. Κούηρας 3 Οι εκηιμήηριες ελατίζηων ηεηραγώνων, 0 S
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ. Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ Δρ. Βασίλης Π. Αγγελίδης Τμήμα Μηχανικών Παραγωγής & Διοίκησης Δημοκρίτειο Πανεπιστήμιο Θράκης Πολλαπλή Παλινδρόμηση Δρ. Βασίλης Π. Αγγελίδης Ανάλυση Δεδομένων (Εργαστήριο) Διαφάνεια
Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α. Δ.Π.Θ.
Έλεγχος ύπαρξης στατιστικά σημαντικών διαφορών μεταξύ περισσότερων από δύο ανεξάρτητων δειγμάτων, που διαχωρίζονται βάσει ενός ανεξάρτητου παράγοντα (Ανάλυση διακύμανσης για ανεξάρτητα δείγματα ως προς
Το στατιστικό κριτήριο που μας επιτρέπει να. μιας ή πολλών άλλων γνωστών μεταβλητών. Η σχέση ανάμεσα στις μεταβλητές που μελετώνται
Κεφάλαιο 10 Η Ανάλυση Παλινδρόμησης Η Ανάλυση Παλινδρόμησης Το στατιστικό κριτήριο που μας επιτρέπει να προβλέψουμε τις τιμές μιας μεταβλητής από τις τιμές μιας ή πολλών άλλων γνωστών μεταβλητών Η σχέση
ΔPersediaan = Persediaan t+1 - Persediaan t
Lampiran 4 Data Perhitungan Perubahan Persediaan ΔPersediaan = Persediaan t+1 - Persediaan t No Kode Perusahaan 2011 Persediaan t+1 (2012) Persediaan t (2011) ΔPersediaan a b a-b 1 ADES 74.592.000.000
Ερμηνεία αποτελεσμάτων Ανάλυση διακύμανσης κατά ένα παράγοντα
Ερμηνεία αποτελεσμάτων Ανάλυση διακύμανσης κατά ένα παράγοντα Αρχείο δεδομένων school.sav Στον πίνακα Descriptives, μας δίνονται για την Επίδοση ως προς τις πέντε διαφορετικές μεθόδους διδασκαλίας, το
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά
ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ Επικ Καθ Στέλιος Ζήμερας Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά 05 Έλεγχος διακυμάνσεων Μας ενδιαφέρει να εξετάσουμε 5 δίαιτες που δίνονται
Ανάλυση Διακύμανσης. Ι. Κ. Δημητρίου
Ανάλυση Διακύμανσης Ι. Κ. Δημητρίου Να κάνετε πολλά παραδείγματα και για να κατανοήσετε την Ανάλυση Διακύμανσης (ΑΝΑΔΙΑ) ή Analysis of Variance (ANOVA). Ακόμη, να κοιτάξετε περιπτώσεις εφαρμογής. 3 Εισαγωγή
ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ
Αλεξάνδρειο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Θεσσαλονίκης Τμήμα Πληροφορικής Εργαστήριο «Θεωρία Πιθανοτήτων και Στατιστική» ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΕΛΕΓΧΟΣ ΥΠΟΘΕΣΕΩΝ Περιεχόμενα 1. ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ...
Απλή Γραμμική Παλινδρόμηση II
. Ο Συντελεστής Προσδιορισμού Η γραμμή Παλινδρόμησης στο δείγμα, αποτελεί μία εκτίμηση της γραμμής παλινδρόμησης στον πληθυσμό. Αν και από τη μέθοδο των ελαχίστων τετραγώνων προκύπτουν εκτιμητές που έχουν
Ενότητα 3: Ανάλυση Διακύμανσης κατά ένα παράγοντα One-Way ANOVA
ΕΘΝΙΚΟ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ - ΙΑΤΡΙΚΗ ΣΧΟΛΗ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΣΜΕΝΗ ΝΕΥΡΟΑΝΑΤΟΜΙΑ» «Βιοστατιστική, Μεθοδολογία και Συγγραφή Επιστημονικής Μελέτης» Ενότητα 3: One-Way ANOVA