Множественный корреляционный анализ - презентация, доклад, проект скачать

Нажмите для полного просмотра!

Множественный корреляционный анализ, слайд №1

Множественный корреляционный анализ, слайд №2

Множественный корреляционный анализ, слайд №3

Множественный корреляционный анализ, слайд №4

Множественный корреляционный анализ, слайд №5

Множественный корреляционный анализ, слайд №6

Множественный корреляционный анализ, слайд №7

Множественный корреляционный анализ, слайд №8

Множественный корреляционный анализ, слайд №9

Множественный корреляционный анализ, слайд №10

Множественный корреляционный анализ, слайд №11

Множественный корреляционный анализ, слайд №12

Множественный корреляционный анализ, слайд №13

Множественный корреляционный анализ, слайд №14

Множественный корреляционный анализ, слайд №15

Множественный корреляционный анализ, слайд №16

Множественный корреляционный анализ, слайд №17

Множественный корреляционный анализ, слайд №18

Множественный корреляционный анализ, слайд №19

Множественный корреляционный анализ, слайд №20

Множественный корреляционный анализ, слайд №21

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему Множественный корреляционный анализ. Доклад-сообщение содержит 21 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1

Описание слайда:

Множественный корреляционный анализ Выполнила: студент(ка) группы 1к-Пот.1 -МГЭ Кондрашова Анна Николаевна Проверил: д. т. н., профессор Ядыкин Евгений Александрович

Слайд 2

Описание слайда:

Понятие корреляции появилось в середине XIX века в работах английских статистиков Ф. Гальтона и К. Пирсона. Этот термин произошел от латинского "correlatio" - соотношение, взаимосвязь. Понятие регрессии (латинское "regressio" - движение назад) также введено Ф. Гальтоном, который, изучая связь между ростом родителей и их детей, обнаружил явление "регрессии к среднему" - рост детей очень высоких родителей имел тенденцию быть ближе к средней величине. Понятие корреляции появилось в середине XIX века в работах английских статистиков Ф. Гальтона и К. Пирсона. Этот термин произошел от латинского "correlatio" - соотношение, взаимосвязь. Понятие регрессии (латинское "regressio" - движение назад) также введено Ф. Гальтоном, который, изучая связь между ростом родителей и их детей, обнаружил явление "регрессии к среднему" - рост детей очень высоких родителей имел тенденцию быть ближе к средней величине. Теория и методы корреляционного анализа используются для выявления связи между случайными переменными и оценки ее тесноты. Основной задачей регрессионного анализа является установление формы и изучение зависимости между переменными.

Слайд 3

Описание слайда:

Слайд 4

Описание слайда:

Функция ŷ = f (x1,x2,...,xp), Функция ŷ = f (x1,x2,...,xp), описывающая зависимость показателя от параметров, называется уравнением (функцией) регрессии. Уравнение регрессии показывает ожидаемое значение зависимой переменной при определенных значениях зависимых переменных . В зависимости от количества включенных в модель факторов Х модели делятся на однофакторные (парная модель регрессии) и многофакторные (модель множественной регрессии).

Слайд 5

Описание слайда:

В зависимости от вида функции f(X1, X2,…Xk) модели делятся на линейные и нелинейные. В зависимости от вида функции f(X1, X2,…Xk) модели делятся на линейные и нелинейные. Модель множественной линейной регрессии имеет вид: y i = 0 + 1x i 1 +2x i 2 +…+ k x i k + i (1) - количество наблюдений. коэффициент регрессии j показывает, на какую величину в среднем изменится результативный признак , если переменную xj увеличить на единицу измерения, т. е. j является нормативным коэффициентом. Коэффициент может быть отрицательным. Это означает, что область существования показателя не включает нулевых значений параметров. Если же а0>0, то область существования показателя включает нулевые значения параметров, а сам коэффициент характеризует среднее значение показателя при отсутствии воздействий параметров.

Слайд 6

Описание слайда:

Анализ уравнения (1) и методика определения параметров становятся более наглядными, а расчетные процедуры существенно упрощаются, если воспользоваться матричной формой записи: Анализ уравнения (1) и методика определения параметров становятся более наглядными, а расчетные процедуры существенно упрощаются, если воспользоваться матричной формой записи: Y=Xa+ε (2) Где – вектор зависимой переменной размерности п  1, представляющий собой п наблюдений значений . - матрица п наблюдений независимых переменных , размерность матрицы равна п  (k+1) . Дополнительный фактор , состоящий из единиц, вводится для вычисления свободного члена. В качестве исходных данных могут быть временные ряды или пространственная выборка.

Слайд 7

Описание слайда:

k- количество факторов, включенных в модель. k- количество факторов, включенных в модель. a — подлежащий оцениванию вектор неизвестных параметров размерности (k+1)  1; —ε вектор случайных отклонений (возмущений) размерности п  1. ε отражает тот факт, что изменение будет неточно описываться изменением объясняющих переменных , так как существуют и другие факторы, неучтенные в данной модели.

Слайд 8

Описание слайда:

k - количество факторов, включенных в модель. k - количество факторов, включенных в модель. a — подлежащий оцениванию вектор неизвестных параметров размерности (k+1)  1; ε — вектор случайных отклонений (возмущений) размерности п  1. отражает тот факт, что изменение будет неточно описываться изменением объясняющих переменных , так как существуют и другие факторы, неучтенные в данной модели.

Слайд 9

Описание слайда:

Таким образом,

Слайд 10

Описание слайда:

где A — вектор оценок параметров; е — вектор «оцененных» отклонений регрессии, остатки регрессии е = Y - ХА; —оценка значений Y, равная ХА. где A — вектор оценок параметров; е — вектор «оцененных» отклонений регрессии, остатки регрессии е = Y - ХА; —оценка значений Y, равная ХА. Построение уравнения регрессии осуществляется, как правило, методом наименьших квадратов (МНК), суть которого состоит в минимизации суммы квадратов отклонений фактических значений результатного признака от его расчетных значений, т.е.:

Слайд 11

Описание слайда:

Формулу для вычисления параметров регрессионного уравнения по методу наименьших квадратов приведем без вывода Формулу для вычисления параметров регрессионного уравнения по методу наименьших квадратов приведем без вывода Для того чтобы регрессионный анализ, основанный на обычном методе наименьших квадратов, давал наилучшие из всех возможных результаты, должны выполняться следующие условия, известные как условия Гаусса – Маркова.

Слайд 12

Описание слайда:

Первое условие. Математическое ожидание случайной составляющей в любом наблюдении должно быть равно нулю. Первое условие. Математическое ожидание случайной составляющей в любом наблюдении должно быть равно нулю.

Слайд 13

Описание слайда:

Третье условие предполагает отсутствие систематической связи между значениями случайной составляющей в любых двух наблюдениях. В силу того, что , данное условие можно записать следующим образом: Третье условие предполагает отсутствие систематической связи между значениями случайной составляющей в любых двух наблюдениях. В силу того, что , данное условие можно записать следующим образом: Возмущения не коррелированны (условие независимости случайных составляющих в различных наблюдениях). Это условие означает, что отклонения регрессии (а значит, и сама зависимая переменная) не коррелируют. Четвертое условие состоит в том, что в модели (1) возмущение (или зависимая переменная ) есть величина случайная, а объясняющая переменная - величина неслучайная. Если это условие выполнено, то теоретическая ковариация между независимой переменной и случайным членом равна нулю.

Слайд 14

Описание слайда:

КОРРЕЛЯЦИОННО-РЕГРЕССИОННЫЙ АНАЛИЗ В MS EXCEL Создайте файл исходных данных в MS Excel (например, таблица 2) Построение корреляционного поля Для построения корреляционного поля в командной строке выбираем меню Вставка/ Диаграмма. В появившемся диалоговом окне выберите тип диаграммы: Точечная; вид: Точечная диаграмма, позволяющая сравнить пары значений (Рис. 5).