Презентация на тему: Shrnutí minulé přednášky

Реклама. Продолжение ниже
Shrnutí minulé přednášky
Testování regresních a korelačních charakteristik
Testování hypotéz
Testování Pearsonova korelačního koeficientu
Testování Pearsonova korelačního koeficientu
Testování Spearmanova koeficientu pořadové korelace
Testování regresního koeficientu
Testování regresního koeficientu
Test regresního modelu
Test regresního modelu
Příklad
Odhad regresních a korelačních charakteristik
Korelační charakteristiky
Korelační charakteristiky
Korelační charakteristiky
Příklad
Regresní charakteristiky
Příklad
Regresní přímka
Pásy spolehlivosti pro přímku
Shrnutí přednášky
1/21
Средняя оценка: 5.0/5 (всего оценок: 40)
Код скопирован в буфер обмена
Скачать (328 Кб)
Реклама. Продолжение ниже
1

Первый слайд презентации: Shrnutí minulé přednášky

Regresní analýza (průběh) – lineární regresní funkce Korelační analýza (těsnost závislosti) x …..nezávisle proměnná y …..závisle proměnná , .. neznámé parametry v ZS a, b..neznámé parametry v VS Bodové odhady a, b parametrů ,  se z pozorovaných dat nejčastěji získávají metodou nejmenších čtverců. Populační korelační koeficient ρ Výběrový korelační koeficient r

Изображение слайда
Изображение для работы со слайдом
1/2
2

Слайд 2: Testování regresních a korelačních charakteristik

Изображение слайда
1/1
3

Слайд 3: Testování hypotéz

Podstatné testy významnosti v korelační a regresní analýze ● test významnosti korelačního koeficientu ● test významnosti jednotlivých regresních parametrů ● test významnosti regresního modelu jako celku

Изображение слайда
1/1
4

Слайд 4: Testování Pearsonova korelačního koeficientu

Hypotéza předpokládá, že korelace neexistuje, tzn. veličiny X a Y jsou nezávislé. H 0 :  = 0 Alternativní hypotéza je postavena na existenci k orelace. H 1 :   0

Изображение слайда
1/1
5

Слайд 5: Testování Pearsonova korelačního koeficientu

Test hypotézy se provádí pomocí testového kritéria V případě, že vypočtená hodnota testového kritéria padne do kritického oboru, zamítá se nulová hypotéza a existence lineární korelační závislosti se považuje za prokázanou. se zamítá na 

Изображение слайда
1/1
6

Слайд 6: Testování Spearmanova koeficientu pořadové korelace

H 0 :  s = 0 H 1 :  s  0 Testování se provádí pomocí tabulek (tab. 22) > r 0,05(9 ) = 0,602 < r 0,01(9 ) = 0,735 Spearmanův korelační koeficient je statisticky významný na 5% hladině významnosti.

Изображение слайда
1/1
7

Слайд 7: Testování regresního koeficientu

Test významnosti nulové hypotézy vychází ze skutečnosti, že regresní koeficient je roven 0 (přímka nemá směrnici, je statisticky nevýznamná). H 0 :  = 0 H 1 :   0

Изображение слайда
1/1
Реклама. Продолжение ниже
8

Слайд 8: Testování regresního koeficientu

Test hypotézy se provádí pomocí testového kritéria se zamítá na  V případě, že se zamítá H 0, je existence lineární závislosti prokázána.

Изображение слайда
1/1
9

Слайд 9: Test regresního modelu

Test významnosti celé regresní přímky (modelu) se provádí pomocí upravené jednoduché ANOVY. V případě lineární regresní funkce je závěr testů významnosti celého regresního modelu shodný (ekvivalentní) s testem regresního koeficientu!!! Pro rovnici s jedním prediktorem F = t 2

Изображение слайда
1/1
10

Слайд 10: Test regresního modelu

Testujeme nulovou hypotézu o nulovosti všech regresních koeficientů. H 0 : všechna b = 0 H 1 : non H 0 Jestliže F > F   zamítáme H 0 na 

Изображение слайда
Изображение для работы со слайдом
1/2
11

Слайд 11: Příklad

Test regresního koeficientu pro závislost váhy na výšce. ( x – výška; y – váha). Test celého regresního modelu.

Изображение слайда
Изображение для работы со слайдом
Изображение для работы со слайдом
1/3
12

Слайд 12: Odhad regresních a korelačních charakteristik

Изображение слайда
1/1
13

Слайд 13: Korelační charakteristiky

Bodový odhad populačního korelačního koeficientu  Intervalový odhad populačního korelačního koeficientu  Postup výpočtu záleží na rozsahu výběrového souboru

Изображение слайда
1/1
14

Слайд 14: Korelační charakteristiky

Intervalový odhad korelačního koeficientu  V případě, že výběrový soubor má dostatečně velký rozsah (n > 100), lze rozdělení výběrového korelačního koeficientu aproximovat normálním rozdělením. Oboustranný interval spolehlivosti

Изображение слайда
1/1
Реклама. Продолжение ниже
15

Слайд 15: Korelační charakteristiky

Intervalový odhad korelačního koeficientu  V případě, že výběrový soubor má rozsah n < 100, provádíme Fisherovu Z- transformaci. r  Z a zpětně inverzní transformaci Z  r Oboustranný interval spolehlivosti pro Z Převody hodnot provádíme pomocí tabulek.

Изображение слайда
1/1
16

Слайд 16: Příklad

Intervalový odhad populačního korelačního koeficientu ρ n = 15, r = 0,9322 Z – transformace (tab. 16.1) r = 0,9322 → Z = 1,6584 P ( 1,0925  Z  2,2243) = 0,95 Zpětná (inverzní) transformace (tab. 16.2) Z = 1,0925 → r = 0,7969 Z = 2,2243 → r = 0,9767 P ( 0,7969  ρ  0,9767) = 0,95

Изображение слайда
1/1
17

Слайд 17: Regresní charakteristiky

Bodový odhad regresního koeficientu získáváme pomocí metody nejmenších čtverců tzn. Oboustranný interval spolehlivosti pro regresní koeficient  je vymezen následujícím vztahem

Изображение слайда
1/1
18

Слайд 18: Příklad

Oboustranný interval spolehlivosti regresního koeficientu pro závislost váhy na výšce

Изображение слайда
Изображение для работы со слайдом
1/2
19

Слайд 19: Regresní přímka

Výběrovou regresní přímku můžeme využít: 1) Pro odhad podmíněné střední hodnoty závislé veličiny y odpovídající určité konkrétní hodnotě nezávislé veličiny x i. Konfidenční pás pro přímku 2) Pro předpověď individuální hodnoty veličiny y´ odpovídající určité hodnotě nezávislé veličiny x i. Predikční pás pro jednotlivá pozorování

Изображение слайда
1/1
20

Слайд 20: Pásy spolehlivosti pro přímku

Изображение слайда
Изображение для работы со слайдом
1/2
21

Последний слайд презентации: Shrnutí minulé přednášky: Shrnutí přednášky

Podstatou řešení regresní analýzy je: stanovit nejvhodnější tvar regresního modelu (tedy určit příslušnou rovnici, která bude popisovat závislost y na x ), stanovit jeho parametry (tj. stanovit konkrétní hodnoty parametrů  ), stanovit statistickou významnost parametru a celého modelu (tj. zda model podstatným způsobem přispěje ke zpřesnění odhadu závisle proměnné), výsledky dané modelem interpretovat z hlediska zadání.

Изображение слайда
1/1