II. Транспонирование данных в Excel (для курсовой работы)

Это реорганизация данных, при которой меняется их распределение "по столбцам" на "по строкам" и наоборот. Порядок транспонирования:

· выделить исходный диапазон данных

· команда Правка/Копировать или Правка/вырезать

· установить курсор в пустую ячейку (новое место расположения)

· команда правка/Специальная вставка опция Транспонирование.

Пример:

 

III. ППП STATISTICA

ППП STATISTICA содержит полный набор статистических методов анализа данных, в том числе нейронные сети, и высококачественную графику (сотни типов графиков).

Состоит из следующих частей (окон):

· таблицы исходных данных

· Графики

· Таблицы результатов

Лист рабочей книги файл (например, с исходными данными) - *.sta График *.stw

Данные организованы в виде электронной таблицы:

· Столбцы – это переменные Variable

· Строки – это наблюдения Cases

Характерная черта ППП – внизу панель анализа, на которой располагается значок свернутого окна доступа к различным видам анализа, возврата на предыдущие шаги и др. опции. Не следует закрывать это окно до конца анализа данных.

Нейронные сети – используются когда другие виды анализа неприменимы, т.е.:

· анализ данных со сложной нелинейной структурой зависимостей

· распознавание и классификация

· нелинейное понижение размерности

IV. ППП SPSS

Содержит полный набор статистических методов анализа данных, кроме нейронных сетей, модульную структуру, отличается низкой стоимостью.

Предлагаются следующие процедуры:

1. Общая линейная модель (GLM) содержит модели:

1.1. линейная регрессия,

1.2. одномерный дисперсионный анализ,

1.3. одномерный ковариационный анализ,

1.4. многомерный дисперсионный анализ

1.5. многомерный ковариационный анализ и др.

2. Смешанная линейная модель (Mixed) содержит модели:

2.1. Однофакторный дисперсионный анализ (ANOVA) с фиксированными эффектами

2.2. рандомизированные полные блоки

2.3. случайные эффекты

2.4. случайные коэффициенты

2.5. многоуровневый анализ,

2.6. безусловная модель линейного роста,

2.7. модель линейного роста с ковариатами,

2.8. модель повторных измерений с ковариатами, зависящими от времени и др.

3. Политомическая (PLUM) - универсальная логит модель (дает возможность предсказывать порядковые исходы с более чем двумя категориями. Например, можно исследовать факторы, влияющие на уровень интереса (низкий, средний, высокий) покупателей к товару.

4. Оценка компонент дисперсии (VARCOMP) - ряд методов оценки компонент дисперсии для каждого случайного эффекта в смешанных моделях.

5. Анализ выживаемости

6. Многовходовые таблицы сопряженности (LOGLINEAR)

7. Иерархические Многовходовые таблицы сопряженности (HILOGLINEAR)

8. Подгонка моделей к данным (GENLOG)

9. Оценка временного интервала

10. Пропорциональные риски с зависящими от времени ковариатами

Основные результаты множественной линейной регрессии (для курсовой работы)

 

S - объем продаж за текущий месяц,

S1 - объем продаж за предыдущий месяц,

A - расходы на рекламу в текущем месяце,

A1 - расходы на рекламу в предыдущем месяце,

T - число туристов в текущем месяце,

W - средняя температура воздуха,

P - индекс розничных цен в текущем месяце

 

 

Предполагается следующая зависимость:

S=к₁ZS₁+к₂ZA+к₃ZA₁+к₄ZT+к₅ZW+к₆ZP

Требуется определить:

1. существует ли эта линейная связь, степень линейности

2. коэффициенты к₁, к₂, к₃, к₄, к₅, к₆.

3. точность регрессии

4. прогнозируемое значение зависимой переменной S

5. график зависимости

6. значения остатков по Дарбину-Уотсону

 

 

Коэффициент корреляции R=0,9749, т.е. больше 0,9 , следовательно получена очень сильная линейная связь между зависимой и независимыми переменными.

P<0,0000

 

S=0,653376ZS1+0,280419ZA+1,029462ZA1+0,299847ZT

Наибольшее влияние на зависимую переменную S оказывает переменная A1, затем S1, далее Т и А. Коэффициенты к₅ и к₆ очень малы, поэтому переменные W и P пренебрежимо мало влияют на переменную S

К₁, к₂, к₃, к₄ значимы, т.к. p-level для каждого из них меньше 0,05

Beta – стандартизованные коэффициенты регрессии

B - нестандартизованные коэффициенты регрессии

Если в полученное уравнение подставить прогнозируемые значения независимых переменных, то можно получить прогнозируемое значение зависимой переменной

 

 

 

Прогноз 11473,93

 

Анализ остатков (разницы между теоретическими и фактическими значениями)

Если остатки зависимы, то модель неадекватна (нарушение важного предположения о независимости ошибок в регрессионной модели)

Критические точки статистики Дарбина-Уотсона приведены в специальных таблицах, например, для числа наблюдений 24 для 4-х независимых переменных DL=1,01 DU=1,78

Получено значение d=1,672399 т.е.d>DL (4 –d)>DL

1,67>1,01 2,33>1,78

Полученная регрессионная модель адекватна.

 

например, для числа наблюдений 31 для 5-и независимых переменных DL=1,09 DU=1,83

 

График предсказанных и наблюдаемых значений