Kodutöö: Lineaarne regressioonanalüüs PD <- read.csv("puud15.CSV") # parameeter sep="," ja dec="." PD$d_k<-with(PD, ifelse(d2>0,(d1+d2)/2, d1)) PD.<-subset(PD, prt==642 & aasta==2001) PD.<-droplevels(PD.) plot(h~d_k,data=PD.) PD.H <- subset(PD., h>0 & hv>0) table(PD.H$pl) PD.KU<-subset(PD.H, pl=="KU") par(mar=c(4.5,4.5,1,1)) plot(NULL,xlim=c(0,40),ylim=c(0,25),xlab="diameeter, cm", ylab="kõrgus, m") abline(v=seq(0,40,10),lty=3,col="grey75") abline(h=seq(0,25,5),lty=3,col="grey75") # abijooned points(h~d_k,data=subset(PD.KU),lwd=1) with(subset(PD., pl=="KU"),rug(d_k)) 1. Sirge h=a+b*d M1 <- lm(h~d_k, data=PD.KU) summary(M1) D<-0:40 M1.pred <- predict(M1,newdata=data.frame(d_k=D)) lines(D,M1.pred, col="red") coefficients(M1)[1] coefficients(M1)[2] # dobavit' p-value v tablicu v vide * summary(M1)$adj.r.squared summary(M1)$sigma # sqrt(sum(M1$residuals^2)/(length(M1$residuals)-2)) AIC(M1) > coefficients(M1)[1] (Intercept) 7.7585
Usaldusväärseks saab lugeda näitajat siis, kui ta on üle 4. T-stat e. t kriitiline on tõene, kui näitajad on suuremad kui 2, saadud regressioonianalüüsis on see väiksem. P- value peab olema alla 0,05, siis on õige, kuid antud töös on see suurem. Et saada usaldusväärsemaid andmeid, tegime uue regressioonianalüüsi. Selleks eemaldasime mõned näitajad. Eemaldasime ostetud-, müüdud ja omatarbeveised. Uue regressioonigraafiku tulemused olid paremad. Determinatsioonikordaja oli 0,77, mis on väga hea. F kriteerium tuli167, mis näitab et see on õige. P value väärtus peab olema alla 0,05, kuid oli ikkagi rohkem. Meie ülesandes on kõikidel näitajatel P- value osa näitajaid suuremad kui 0,05 ehk näitajad ei ole usaldusväärsed. Kriteerium T- stat peab olema üle 2 , saadud lahendis oligi see üle 2. Kuna osa näitajaid klapib sellega, mis peab olema, ja osa mitte, siis ei saa lugeda päris usaldusväärseks. Nüüd saab välja kirjutada regressioonivõrrandi
RIIK SUGU PIKKUS MASS PEA_P JALANR ODE_VEND MAT_HINNE Eesti M 186 95 59 44 1 4 Eesti N 170 85 57 42 6 4 Eesti N 169 50 54 38 1 3 Eesti M 180 70 56 43 0 3 Eesti 179 72 55 40 1 4 Eesti N 170 55 55 37 1 4 Eesti N 160 58 55 38 1 5 Eesti N 161 57 55 39 1 4 Eesti N 171,5 59 57 38 1 4 Eesti N 180 63 58 41 2 5 Eesti N 168 54 57 38 1 4 Eesti N 170 57 52 40 2 3 Eesti N 163 61 57,5 39 0 4 Eesti M 172 66 54 42 1 4 Eesti M
SUGU PIKKUS MASS PEA_YMBJALANR ODE_VEND MAT_HINNE HOMMIK PUDER HAIGE N 160 86 50 39 0-1 3 võileib jah ei N 162 60 55 37 0-1 3 võileib nii ja naa jah N 164 51 55 38 0-1 3 puder jah jah 165 54 54 37 0-1 4 ei söö tavaliselt ei hommikul ei N 165 68 55 39 2-3 3 võileib nii ja naa ei N 168 58 56 41 >3 3 muu ei jah N 168 68 52 39 2-3 4 võileib ei ei N 169 60 50 40 0-1 4 muu ei ei N 169 65 55 39 2-3 4 ei söö tavaliselt nii ja naa
....................................................................... 69 11 Nähtustevahelised seosed ................................................................................................... 71 11.1 Korrelatsioonanalüüs ............................................................................................................ 71 11.2 Lineaarse korrelatsioonikordaja puudused ........................................................................... 72 11.3 Determinatsioonikordaja ...................................................................................................... 74 11.4 Mitmene korrelatsioon ......................................................................................................... 74 11.5 Regressioonanalüüs............................................................................................................... 75 12 Aegridade analüüs ...............................................................................
väärtused just selle juhu jaoks. See on parameetrite statistilise olulisuse kontrollimine. Kui nullhüpotees on ümber lükatud (võetakse vastu sisukas hüpotees), on parameeter oluliselt nullist erinev, järelikult seos on olemas. 27. Koguhajuvus, seletatud hajuvus, jääkhajuvus ja neid iseloomustavad suurused. Sõltuva tunnuse Y koguhajuvus on TSS ja sõltuva tunnuse Y jääkhajuvus on RSS. Regressioonmudeliga kirjeldatud hajuvus ehk seletatud hajuvus ESS =TSS-RSS 28. Determinatsioonikordaja, selle arvutus ja tõlgendamine. Kui mudeli parameetrid on statistiliselt olulised, tuleb hinnata ka mudeli kirjeldusvõimet. Kvantitatiivseks kirjeldamiseks kasutatakse determinatsioonikordajat R2. Determinatsioonikordaja näitab, kui suur osa koguhajumisest on mudeli poolt ära seletatud. RSS/TSS = R2 29. Mudeli korrektne esitamine. Regressioonanalüüsi põhitulemuste esitamisel esitatakse: · parameetrite hinnangud · parameetrite standardvead · determinatsioonikordaja R2 · valimi
Standardvead, usalduspiirid Parameetrite statistilise olulisuse kontrollimine Determinatsioonikordaja Mudeli korrektne esitamine Erindi mõju Vabaliikme olulisus
1. Sissejuhatus: klassikaline ja molekulaargeneetika, geneetika rakendus kaasajal Klassikalise ja molekulaargeneetika kujunemine Geneetika on suhteliselt noor teadus. Kuigi pärilikkuse põhilised seaduspärasused esitas Gregor Mendel aastal 1865, tuleb geneetika sünniks lugeda siiski 20-nda sajandi algust. Alles siis taasavastati Mendeli ideed, mis said aluseks klassikalisele geneetikale. Tõendid selle kohta, et DNA kannab geneetilist informatsiooni, saadi 20-nda sajandi keskel. 1944. aastal kirjeldasid Avery ja ta kolleegid katseid, kus nad uurisid bakterite (Streptococcus pneumoniae) transformatsiooni rakkudest isoleeritud DNA-ga. Hersey ja Chase poolt aastal 1952 avaldatud tulemused kinnitasid seda, et DNA on pärilikkuse kandja. Nad näitasid, et bakteriviiruse T2 geneetiline informatsioon säilib DNA-s. 1953-ndal aastal avaldasid James Watson ja Francis Crick DNA kaksikhelikaalse struktuuri. Need avastused ja geneetilise koodi des
annaabi.ee 
50 punkti
~ 105 lehte
166 laadimist
0 arvamust 
Sisene Facebook'ga
Sisene Google'ga
Sisene LinkedIn'ga
Kõik kommentaarid