docstxt/14186739262528.txt
docstxt/125734160682490.txt
......................................................................9 2.2 Andmete analüüs ...............................................................................................................9 3 TULEMUSED JA ANALÜÜS ..............................................................................................10 3.1 Korrelatsioonianalüüs .....................................................................................................10 3.2 Regressiooni analüüs ......................................................................................................10 4 ARUTELU .............................................................................................................................12 KOKKUVÕTE ..............................................................................................................................13 KASUTATUD KIRJANDUS ...............................................................................
- ANOVA kasutamine hoiab I tüüpi vea tõenäosuse 5% peal. - Kui võrdlete omavahel rohkem kui kahte gruppi, siis tuleks alati eelistada ANOVA't. 2 ANVOA või regressioonanalüüs Kui meil sõltumatu muutuja koosneb kategooriatest, siis on parem kasutada ANOVA't. Kui sõltumatu muutuja on pidev tunnus, siis on parem kasutada regressiooni. ANOVA'ga hinnatakse gruppide keskmiste erinevust. Regressiooniga saab ennustada sõltuva muutuja väärtust prediktori (sõltumatu muutuja) väärtuste põhjal. Efekti suurus Efekti suurus on statistiline näitaja, mis võimaldab lisaks statistilisele olulisusele kirjeldada gruppidevahelisi erinevusi. Efekti suurust saab väljendada mitmete statistikutega; ilmselt levinuim on Cohen-i d.
α = 0.1 F^-1 argumendiks on (1/2 – α), mille väärtuseks on 1.285 (Leitud Laplace' tabelist). Kuna teststatistik on suurem kui kriitiline piirkond, lükkame nullhüpoteesi tagasi. Saame öelda, et mehed kulutavad meelelahutusele rohkem raha kui naised. Ülesanne 5 Uurida üldkogumi palga ja kulu spordile vahelist seost. Olgu palk sõltumatu tunnus – x ja kulu spordile sõltuv tunnus -y. Koostada hajuvusdiagramm. Koostada lineaarse regressiooni võrrand. Leida kogu-, jääk- ja regressioonhajuvus. Kui suure osa koguhajuvusest moodustab regressioonhajuvus? Kas see on oluline? Hajuvusdiagrammi sain OpenOffice XY(scatter) joonise abil, kus x-teljel on palk ning y-teljel kulutused spordile. Lineaarse regressiooni leidmiseks on vaja leida a ja b, vastavalt Kuid mis on leitavad ka OpenOffice funktsioonide INTERCEPT ja SLOPE abil. Vastavad tulemused tulid: a = -60.8243633 b = 0.139701932 ja seega võrrand on ŷ = a + bx ehk ŷ = -60
9. PRAKTIKUM: 1) LINEAARNE (PAARIS)REGRESSIOON Regressioon on korrelatiivne protseduur, mis võimaldab tulemuse väärtusi korrelatsiooni alusel mingi teise muutujaga ennustada (Elmes, Kantowitz, & Roediger, 2013: lk 1351). Korrelatsioon ja regressioon on olemuselt üsna sarnased mõisted; arvuliselt on tegelikult Pearsoni r, mis väljendab kahe muutuja (nt X ja Y) vahelist seost, üsna sama väärtusega kui standardiseeritud regressiooni koefitsient. See tähendab ka seda, et determinatsioonikordaja R2 on sarnase väärtusega. Ühtlasi on oluline teada, et nii korrelatsioon kui ka lihtne, lineaarne paarisregressioon ei ütle otseselt ära põhjuslikkuse suunda. Viimast lauset silmas pidades on oluline ära mainida, et regressiooni puhul on väga oluline see, kumb kahest muutujast kas, meie näites, X või Y on prediktor
Graafikud Joonis . Lahuse elektrijuhtivuse sõltuvus ajast. Joonis . Aja ja naturaallogaritmi elektrijuhtivuste (alg- ja lõpphetkel) ajast sõltuvus Arvutused Graafikult näeme, et ajahetkel : Seega Katsetulemustest teame, et Seega Keskmine kiiruskonstant: Graafiku tõusu järgi leitud kiiruskonstant on . Tõus on leitud lineaarse regressiooni abiprogrammiga, mis arvutas automaatselt välja graafiku tõusu lineaarse regressiooni ehk vähimruutude meetodil. Järeldused tööst ja hinnang tulemusele Antud katses pidin määrama esimest järku reaktsiooni kiiruskonstanti. Katses leitud kiiruskonstant tuli keskmiselt 0,06759 . Graafiku f(t) sirge tõusu järgi on kiiruskonstant 0,04318 . Antud tulemused on üksteisele suhteliselt lähedased tulemused. Erinevus võis tulla
300 Piigi pindala 250 200 150 100 50 0 0 10 20 30 40 50 60 70 80 90 100 Massprotsent, % Joonis 3. Arvutused (Se) kontsentratsioonist (xe) segus kasutades lineaarset regressiooni (Excelis): 00 Sirge algordinaadi m b kontsentratsioonist (xb) segus kasutades lineaarset regressiooni (Excelis): 0 Arvutan tundmatu proovi koostise (massprotsentides) eeldusel, et piigi pindala kontsentratsioonist lineaarselt : Bu Kuna masin annab piigi pindala 0,01
b) Fitted, actual plot (hinnatud mudel, tegelikud andmed) Näide: tegeliku Y ja arvutusliku Ŷ vaheline seos c) regressioonijääkide normaaljaotuse kontrollimine Tabelid - menüü Analysis a) display actual, fitted data, residual (algandmed, arvutuslikud Y, ja regressioonijäägid (üks osa tabelist) b) forecasts - Y arvutusliku 95%-lised prognoosiväärtused c) confidence intervals – regressioonikordajate usalduspiirid d) ANOVA tabel (Excelis teostatud regressiooni väljundtabeli keskmine tabel (hajuvused, R2, F)) 5. Multikollineaarsuse testimine OLSi menüü Tests –> Collinearity 6. Heteroskedastiivsuse kontrollimine Heteroskedastiivsuse kontrollimiseks kasutada OLS-i menüüd Tests ja avanevast rippmenüüst valida White’s test või muu huvipakkuv test ja anda hinnang regressioonijääkide varieeruvuse konstantuse kohta (kas esineb heteroskedastiivsus või ei esine, vaata labortunni tööd otsuse tegemiseks). 7
parameetrile igal valimi mahul. Põhikogumi mittenihutatud hinnanguks on valimi keskmine. Nihutatuks nimetatakse PH, mille matemaatiline ootus ei ole võrdne hinnatava parameetriga. 35. Matemaatilise ootuse intervallhinnang PDF Intervallhinnanguks nimetatakse hinnangut, mis määratletakse kahe arvuga intervalli otstega, mis katavad hinnatava parameetri. 51. Lineaarne korrelatsioon. Mittelineaarne korrelatsioon. Tasemeline korrelatsioon Kui mõlemad regressiooni liinid X sõltuvalt Y ja Y sõltuvalt X on sirged, siis korrelatsiooni nimetatakse lineaarseks. Mõõdetakse tunnuste korrelatsiooni tase põhikogumis. Korrelatsiooni koefitsient: Mittelineaarne: Kui regressiooni joon on kõverjoon, siis on mittelineaarne korrelatsioon. Tasemeline: Objektid A ja B on kvalitatiivsete tunnustega. Kvalitatiivsed tunnused on halvasti mõõdetavad, kuid need võib seada taseme järgi. Taseme korrelatsiooni Spearmani valimi koeffitsient leitakse valemiga:
8 Korras 9 Korras Sinine - sisestatavad andmed (tühjenda enne 10 Korras oma andmete sisestamist) 11 Korras Roheline - vähemruutude meetodil lineaarse 12 Korras 0,000E+00 regressiooni sirge #DIV/0! parameetrite arvutuste 13 Korras 0,000E+00 tulemused #DIV/0! 14 Korras 15 Korras Kollane -andmete korrektsuse kontroll. 16 Korras
10 74 30,6 Korras oma andmete sisestamist) 11 70 30 Korras 12 67 29,8 Korras Roheline - vähemruutude 3,330E+01 meetodil 2,670E+01 lineaarse regressiooni sirge parameetrite arvutuste 13 62 29,5 Korras 7,770E+01 3,115E+01 tulemused 14 59 29,2 Korras 15 56 28,9 Korras Kollane -andmete korrektsuse kontroll. 16 53 28,6 Korras 17 51 28,3 Korras 18 49 28 Korras 19 48 28,3 Korras
Kõik tulemused on usaldatavusega 0,95 (nii, nagu juhend nõudis). Katsetulemuste graafilise esituse lähendussirge tõus k(= R0)= 0,46 ± 0,24. Katses kasutatud läätse kõverusraadius R = 7,12313·10-4 ± 0,00019·10-4 m. JÄRELDUSED ja KOMMENTAARID Lähendussirge tõusu arvutamisel kasutasin Microsoft Exceli funktsiooni SLOPE, mille arvutusvalem, on vastavas kohas ka ära toodud. Juhend soovitas kasutada 'lineaarset regressiooni', vastavasisulise Exceli töölehe võis leida Marek Vilipuu kodulehelt (http://www.emliit.ee/marekv/index_files/Page1082.htm). See arvutas ka tõusu määramatuse, milleks oli 0,01893. Mina võtsin määramatuse arvutamisel aluseks sirge tõusu arvutamise valemi vähimruutude meetodil ja juhendi selle määramatuse arvutamisel. Sellekohase juhendi võis leida samuti M. Vilipuu ülaltoodud lehelt. Miks need kaks väärtust teineteisest nõnda rohkelt erinevad, ma kommenteerida ei oska
Maria on valmis muutusteks. Enesehinnang kooskõlas või lahkuminev kaasinimeste arvamustest? Kohati lahkuminev, kohati kooskõlas kaasinimeste arvamusega. Millisena hindab ise oma toimetuleku ressurssi? Ise hindab rahuldavaks. 7. Kliendi raskuste arengulised tegurid Ootamatutest muutustest tingitud asjaolud Umbes aasta tagasi läks Maria laste isast lahku 8. Kaitsemehhanismid Kas klient kasutav regressiooni, allasurumist, probleemide eitamist, märtri mängimist, ratsionaliseerimist, eneseirooniat, huumorit jt kaitsemehhanisme Ei eita probleemi, kuid loodab, et see möödub kiiresti. 9. Eluohtlikkus Ei tundu endale ega teistele ohtlik. 10. Inimsuhted ja nendega rahulolu Laste isaga ei suhtle üldse, lastega paistavad suhted sõbralikud ja korras.
samuti info, mida kõik asjaosalised levitada ei soovi peaaegu puudub privaatsus. Vanem põlvkond tõenäoliselt ei mõista noorte tehnikalembust vist kunagi, sest sellised uuendused on rasked nende maailmapilti sobituma. Uus generatsioon on aga kasvanud üles infoajastu vaimus ning peab iseenesestvõetavaks, et info levib kiiresti ning kõik on kättesaadav, privaatsus aga on mineviku voorus. On mõistetav, et mingit tehnika regressiooni ei toimu ning ilmselt areneb see veel tulevikus suuresti. Seega tuleks omaks võtta kõik kasulik, mis pakutakse, siiski muutumata sellest täielikult sõltuvaks ning säilitama oma kaasasündinud inimlikud väärtused.
11 0,003205128 4,5788262106 Korras 12 0,003246753 4,7004803658 Korras 3,090E-03 Roheline - v?hemruutude 4,170E+00 meetodil lineaarse 13 0,003289474 4,8598124044 Korras 3,507E-03 arvutuste regressiooni sirge parameetrite 5,646E+00 14 0,003333333 5,0139630842 Korras tulemused 15 0,003378378 5,1929568509 Korras 16 0,003424658 5,3408978141 Korras Kollane -andmete korrektsuse kontroll. 17 0,003472222 5,5246558088 Korras 18 Korras 19 Korras 20 Korras 21 Korras 22 Korras
mida kõik asjaosalised levitada ei soovi peaaegu puudub privaatsus. Vanem põlvkond tõenäoliselt ei mõista noorte tehnikalembust vist kunagi, sest sellised uuendused on rasked nende maailmapilti sobituma. Uus generatsioon on aga kasvanud üles infoajastu vaimus ning peab iseenesestvõetavaks, et info levib kiiresti ning kõik on kättesaadav, privaatsus aga on mineviku voorus. On mõistetav, et mingit tehnika regressiooni ei toimu ning ilmselt areneb see veel tulevikus suuresti. Seega tuleks omaks võtta kõik kasulik, mis pakutakse, siiski muutumata sellest täielikult sõltuvaks ning säilitama oma kaasasündinud inimlikud väärtused.
13 60 40 40 0,289855 0,3361345 -1,23837 -1,09024
14 65 37 37 0,268116 0,3109244 -1,31634 -1,16821
15 70 34 34 0,246377 0,2857143 -1,40089 -1,25276
16 75 32 32 0,231884 0,2689076 -1,46152 -1,31339
17 80 28 30 0,202899 0,2521008 -1,59505 -1,37793
Lineaarse regressiooni abil eelpool toodud graafikute tõusude leidmine:
R1 Laadumine Tühjenemine
xi yi (yi-Axi-B)2 (xi-
Marianna Köster 093432 YASB41 YMR3720 Tõenäosusteooria ja matemaatiline statistika statistika kodutöö 1. Andmestik Sugu Vanus Toidukulud Eluaseme kulud x² y² xy M 25-34 19348,75187 468,048 374374198,9 219068,9303 9056144,615 M 25-34 9899,71287 1242,45408 98004314,91 1543692,141 12299938,65 M 25-34 4419,6841 2503,2294 19533607,54 6266157,429 11063483,18 M 25-34 4969,94606 2672,736 24700363,84 7143517,726 13283353,75 M 25-34 3114,08425 3472,386 9697520,716 12057464,53 10813302,55 M 25-34 7708,30996 4032,672 59418042,44 16262443,46 31085085,74 M 25-34 ...
Uurimus teostati 4107st muutujuast väljavalitud 20 muutuja põhjal. Tulemused ja järeldused Antud uurimusest järeldati, et kasutades GIS programme koos ehituslubade ja katastriüksuste andmetega Murrells Inlet piirkonnast, annavad need kehtivat teavet maakasutuse muutuste kohta antud uurimisalas. See aitab edukalt ennustada 89% elamumaa muutusi ja 65% ärimaa maakasutuse muutuseid. Üleüldiselt saab väljatöötatud logistilise regressiooni mudeliga ennustada maakasutuse muutuseid 90% täpsusega. Leiti ka, et uuringul on mõningaid piiranguid, mis on tingitud andmete limiteeritusest ja maatüki omadustest. Järgnevatelt joonistelt (Joonis 1) on näha väljatöötatud uurimismeetodiga tehtud maakasutust aastatel 1981 ja 1996 ning ennustatud maakasutuse muutuseid aastateks 1997-2010. 4 Joonis 1
() = () = , = 2,0 = 3 3 3 0,05 1 () = () = , = 2,0 = 3 3 30 0,3 1 () = () = , = 2,0 = 3 3 5 Leian aururõhu temperatuursõltuvust kirjeldava võrrandi algordinaadi ning tõusu mõõtemääramatused kasutades lineaarset regressiooni (Excelis): Võrrand: = 1,33 - 415,16 , kus P [kPa] ja T [K] Tõusu mõõtemääramatus: 0,18 Sirge tõus: 1,33 ± 0,18 Algordinaadi mõõtemääramatus: 59,70 Sirge algordinaat -415 ± 60 Järeldused ja kokkuvõte Mõõdetud ja arvutatud aururõhkude vahelised suhtelised vead (lugedes õigeks mõõdetud väärtuse) tulid keskmiselt 50%. Suur erinevus võib olla tingitud sellest, et praktikumis kasutatud ained olid vanad ja kaua seisnud. Erinevused arvutatud ja mõõdetud tulemuste vahel
diagnoositud depressiivne käitumine. Teisena võrreldi indiviide, kellel oli diagnoositud ükskõik milline maaniakaalne käitumine, (näiteks sega- või hüpomaniakaalne.) depressiivsete indiviididega. Kolmandaks kasutati ainult icd-10 diagnoose (sest teised olid ebatäpsed) ning nad võrdlesid indiviide, kellel oli psühhoosi episood, nendega, kellel oli mittepsühhoos. Alamgrupi analüüsiks kasutati binaarset logistilist regressiooni (binary logistic regression) ning taaskord sobitati iskud vanuse, soo, sissetuleku, migratsioonistaatuse ja perekonnaseisu järgi. Analüüside, sotsiaaldemograafilise informatsiooni, pikaajalise uurimise tulemuste ning erinevate andmebaaside (MEDLINE, EMBASE, PsycINFO) põhjal koostati süstemaatiline ülevaade ning teostati meta-analüüs. ( Metaanalüüsis kasutati ka 8 varasemat uurimistööd samal teemal) Tulemused
#NAME? #NAME? #NAME? #NAME? #NAME? #NAME? #NAME? #NAME? #NAME? #NAME? #NAME? #NAME? #NAME? #NAME? #NAME? 00 10000 12000 14000 Title X_i*y_i 2049787293 Regressiooni-kordaja k: 0,943 0,998750 n tugev kasvav seos. Kokku: 7351,75 8819,5 10287,25 11755 [7351,75; 8819,5) [8819,5; 10287,25) [10287,25; 11755) Row 75 11778 9641 9711 9839 10515 10642 10686 #NAME? #NAME? #NAME? #NAME? #NAME? #NAME?
esinemine on kaheldav. Pinnamood.Pinnakate.Arengulugu Pakri poolsaar kerkis Läänemere vetest juba Antsülusjärve regressioonil, mille kõrgus oli 25 m. Seega langes veetase Pakri neemel sel ajal u. 16-17 m-ni ja lõunas u. 14 m-ni. Järgnenud Litoriinamere transgressiooni ajal tõusis meretase 24-25 m-ni ja suur osa poolsaarest jäi uuesti vee alla. Poolsaare keskosas tekkis loode – kagu - suunaline saar ühes seda piiravate murrutusastangutega.Litoriina- mere regressiooni ajal algas intensiivne paekalda murrutamine. Murrutusmaterjal teisaldati lainetusega piki randa kagusse või kuhjati lamedatesse ja suhteliselt laiadesse rannavallidesse. Hiljem, Limneamere ajal, sattus lainetuse mõjusfääri ka praeguse klindi alumine , terrigeenseist kivimitest koosnev osa, mille tõttu teisaldatava materjali hulgas suurenes liiva osa. Saare varjus maismaal tekkis tombulaadne setete kuhjeala, mis kiirendas saare ühinemist maismaaga ja kujundas poolsaare selle praeguse kuju
esitada, teised küsimused tekivad vabas vestluses. KÄITUMIST KIRJELDAVAS INTERVJUUS palutakse kandidaadil kirjeldada, kuidas ta mingit probleemi on varem lahendanud. STRESSIINTERVJUUS püütakse selgitada kandidaadi iseärasusi stressisituatsioonis. JÄRJESTIKUNE e PANEELNTERVJUU kandidaati intervjueerib mitu intervjueerijat eraldi. KOMISJONIINTERVJUU - intervjuud viib läbi mitu inimest korraga. 25. Kirjeldage valiku tegemise meetodit? MITME REGRESSIOONI MUDEL -kõik kandidaadid läbivad kõik etapid ja etapi tulemused summeeritakse. MITME VÄLJALÜLITAMISE KRITEERIUMIGA MUDEL-igale konkursi etapile on välja töötatud kriitiline piir. Kõik konkurendid läbivad kõik etapid aga valik tehakse nende vahel kes kõigis etappides ületasid kriitilise piiri. MITME TÕKKEGA MUDEL-iga valikuetapi järgi lühendatakse kandidaatide nimekirja ning arvatakse välja need kes saavutasid halvimad tulemused. 26
rollimängud, ettekande pidamine, liidrita grupiarutelu ning In-basket, kus ülesandeks antakse sissetulnud posti töötlemine etteantud aja piires ja tehtud otsuste üleskirjutamine. (Alas 2005: 73) Personali valikul kasutatakse erinevaid meetodeid ning tehnikaid, mis eeldavad nende kombineerimist ja ühtseks tervikuks kujundamist (Türk 2005: 138). 2.3. Lõpliku valiku meetodid Valikuprotsessi läbiviimiseks ja lõplikuks otsuse langetamiseks on kolm varianti (Alas 2005: 74): 1. Mitmese regressiooni mudeli korral läbivad kõik kandidaadid konkursi kõik etapid ja üksikutel etappidel saavutatud tulemused liidedakse kokku. 2. Mitme väljalülitamiskriteeriumiga mudeli kasutamisel on kõigi võistluses kasutatavate erinevate edasist edukust ennustavate meetodite jaoks välja töötatud kriitiline piir. Kõik kandidaadid läbivad kõik võistluse etapid, aga lõplik valik tehakse nende vahel,
18. Finantsplaan on minevikus olnud tegevuste kohta koostatav aruanne, mille täitmise jälgimine annab võimaluse hinnata finantseesmärgi saavutamist. Finantsplaan on tulevikus kavandatavate tegevuste kohta koostatav aruanne, mille täitmise jälgimine annab võimaluse hinnata finantseesmärgi saavutamist. 19. Regressioonanalüüsi kasutatakse pikemaajaliseks ennustamiseks, enamlevinud variant on müügikäibe ja varude vahelise regressiooni alusel otsustada, millised on optimaalseimad variandid. Müügikäibe planeerimine on pikemaajaliseks ennustamiseks, enamlevinud variant on müügikäibe ja varude vahelise regressiooni alusel otsustada, millised on optimaalseimad variandid. 20. Finantsprognoosimine on finantseesmärgi formuleerimine. Finantsprognoosimine on tegevus, millega kavandatakse mõningaid ettevõte tegevuse tulemeid ja neist tulenevaid finantseerimisvajadusi.
Reeglid on pigem soovituslikud. Pragmaatiline mõõde väljendab. Reaktsioon kujutisele sõltub meie eelnevast kogemusest, habitusest jmt. 7. IKOONILISED MÄRGID - On märgid, mille vorm on determineeritud tähenduse poolt. Ikoon baseerub sarnasusel. Kui esineb tüpoloogiline sarnasus tähistaja ja selle denotatsioonide vahel. Peirce´il kolm ikoonide alamklassi: kujundid (images), diagrammid ja metafoorid. Todorovi arvates on ikoon pigem sünekdohh. Probleemid: sümmeetria küsimus ja regressiooni küsimus. Mittesümmeetriline representatsiooniline seos: "ikooniline märk kujutab oma objekti, mitte vastupidi." (Wallis). Mitte tingimata. Mona Lisa, tema portree, reproduktsioon, foto -- ajaline, diakrooniline järgnevus. Kuid Peirce´i definitsioon ei nõua mingisuguse kronoloogilise prioriteedi kohustust vaid kõneleb vaid "ühtsusest mõnes omaduses". Paavsti foto enne, siis päris paavst kui foto ikooniline märk.
ära matemaatika tulemuste kaudu. Kordaja statistiline olulisus: ANOVA tabeli viimane sig. Järgmises tabelis on regressioonivõrrandi statistilise olulisuse näitaja. Ehk teisisõnu, kui kasutame antud võrrandit ennustamiseks, kui suur on eksimise tõenäosus. Coefficients'ide tabelist: vabaliikme statistiline olulisus ( vaatad constanti sig'i) Lineaarne seos: Saab kontrollida: Analyze -> Regression -> Curve estimation. Püsivad lineaarsel joonel siis on lineaarne seos. Regressiooni võrrand (arvud leiad Coefficients'ide tabelist): Näide 1: PVREAD(see mille tulemust ennustad)=40,66(Constant B ümardatult)+ 0,89(PVMATH B)*PVMATH (see pole arv, vaid muutuja nimetus) Näide 2: vocab = -0,011+0,358*reading+0,428*sentcomp+0,2*mathmtcs Regressioonanalüüsi eeldused on järgmised: 1) jäägid olgu normaaljaotusega (Normaaljaotuse testimiseks, analyze-descriptive stat explore
3 Mo = Me ei võrdu aritmeetilise keskmisega (kõik peaks võrduma) 4 keskväärtus on alati = 0 (ei ole alati, näiteks vanus või pikkus) 5 ei ükski (ÕIGE) Seos Y = 18,5 + 0,48 X 1 kirjeldab X-i mõju Y-le (ÕIGE) 2 kirjeldab seose tugevust (korrelatsioon kirjeldab, aga see on regressioon ja lisaks peab olema veel teine funktsioon) 3 kirjeldab Y-i mõju X-le (vale) 4 on pööratav ka kujule X = 18,5 + 0,48 Y (peamine tingimus regressiooni puhul on, et funktsioon ei ole pööratav) 5 ei ükski Tasandusjoon Y = 18,5 – 0,48 X (SELLISEID ON IGAS VARIANDIS SEES!!!) 1 näitab kasvavat lineaarset tendentsi (kahanevat) 2 parameeter b ei tohi olla negatiivne 3 vabaliige 18,5 kirjeldab joone tõusu 4 igal ajaperioodil väärtused vähenevad 0,48 korda (mitte korda, vaid ühiku võrra) 5 ei ükski (ÕIGE) Kronoloogilist keskmist kasutatakse momentridade puhul ja võrdse pikkusega vahemikega
.. Vali üks või enam vastust. a. väiksemaid (või võrdseid) liikmeid on variatsioonreas 25 % b. väiksemaid (või võrdseid) liikmeid on variatsioonreas 75 % c. suuremaid (või võrdseid) liikmeid on variatsioonreas 75 % d. suuremaid (või võrdseid) liikmeid on variatsioonreas 25 % Osaliselt õige Selle esituse hinded 0.5/1. Question 22 Punktid: 1 On teada, et mingi valimi puhul on lineaarse regressiooni joone tõus k negatiivne, st k<0. Milline järgmistest väidetest vastava lineaarse korrelatsioonikordaja r kohta on õige? Vali üks vastus. a. Kordaja r võrdub nulliga b. kordaja r on negatiivne c. Kordaja r on positiivne Õige Selle esituse hinded 1/1. Question 23 Punktid: 1 Leidke intervalli [10;7] keskmine väärtus. Vastus: 8,5 Õige Selle esituse hinded 1/1. Question 24 Punktid: 3
Testi võimsus= 1-beeta Hüpoteeside kontroll: 1) Pearsoni x2-test: levinud jaotushüpoteeside kontrollimisel. Teststatistik iseloomustab erinevust hüpoteetilise ja empiirilise jaotuse vahel histogrammi vahemike vastavate hüpoteetilise ja empiirilise sageduse kaudu. 2) Kolmogrovi-Smirnovi test: kasutab erinevust hüpoteetilise ja empiirilise jaotusfunktsiooni vahel. Võrdlus: K-S tundlikum, ent keerukam rakendada. Pearson: väiksem tundlikkus vigade suhtes, väiksem arvutustöömaht. Regressiooni- ja disper.analüüs tegelevad võimaliku seose selgitamisega sisendi x ja väljundi y vahel. Eksed e anomaaliad ekslikud katse-v vaatlustulemused, mis tav on eristatavatd õigetest tulemustest, tekib vea-tõrke tõttu katse tegemisel või tulemuse fikseerimisel. Äratundmine: a) statistiline (formaalne) b) mittestatistiline (sisuline) Mann-Whitney test mitteparameetriline meetod, valimi homogeensushüpoteesi kontrolliks.
22. 1 Jääkstandardhälve ja kõrguse standardhälve Jääkstandardhälve iseloomustab funktsioontunnuse keskmist erinevust regressioonijoonest Tabel 8 Võrrandi jääkstandardhälve ja kõrguse standardhälve Jääkstandardhälve 1,3274 Kõrguse standardhälve 2,206285901 m 23. Determinatsioonikordaja Determinatsioonikordaja on 0,648654. See iseloomustab kui suur osa funktsioonitunnuse varieeruvusest kirjeldatatakse regressiooni võrrandiga. 9 24. Data analytics Regression. Mitmene regressioonianalüüs Tabel 9 Võra alguse sõltuvus diameetrist ja kõrgusest Regression Statistics Multiple R 0,83008768 R Square 0,689045557 Adjusted R Square 0,669610905 Standard Error 0,94500738 Observations 35 ANOVA Significance
eksistents ehk elulised põhivajadused; 2. seotus, mille hulka kuuluvad sotsiaalne suhtlemine, tunnustus ja lugupidamine; 3. kasv, mis tähendab eneseteostust, iseseisvust ja edu. Erinevalt Maslow`st ei arva Alderfer, et madalamad vajadused peaksid olema rahuldatud enne, kui kõrgemad saavad hakata tekkima. Samuti võivad Alderferi mudeli järgi vajadused olla aktuaalsed ühel ja samal ajal. Tema teooria sisaldab nn unikaalset frustratsiooni-regressiooni printsiipi, mille kohaselt juba rahuldatud madalama taseme vajadus võib muutuda uuesti aktiivseks ja mõjutada käitumist, kui kõrgema taseme vajadusi ei suudeta rahuldada Kahe faktori teooria- Herzberg jagas rahulolu ja rahulolematuse põhjusi uuriva küsitluse alusel põhjused kahte rühma: hügieenifaktorid mõjutavad tööga rahulolematust (rahulolematusest mitte rahulolematuseni) ja motivatsioonifaktor võivad tekitada rahuolu (rahulolust mitterahuloluni).
Intercept 429,600229 245,692413075 1,748528673 0,0896708332 -70,264741368 929,4651993 -70,26474 929,4651993 X Variable 1 0,73444368 0,0427336191 17,18655467 4,96971E-018 0,6475014786 0,821385881 0,647501 0,821385881 90% Usaldusvahemik Usaldusvahemik: Alumine piir Ülemine piir Tulu: 2 112,47 ; 4 663,98 Kulu: 1909,95705 ; 3885,80581 Palk: 3406,73204 ; 8467,7251 Lineaarse Regressiooni sirge võrrand: y = b0+b1*x kus Kulu = f(Tulu) 25 000 f(x) = 0,735478618x + 398,9824244106 20 000 15 000 Kulu Column C Linear Regression for Column C 10 000 5 000 0 0 5 000 10 000 15 000 20 000 25 000 30 000
05 y max p 1.83 4.58 9.79 4.3 4.6 2.8 0.7 2.2 0.4 4.9 8.8 1.2 1.3 11.6) Regressiooni graafik ja prognoositud punktide usaldusvahemikud 12 10 8 6 f(x) = 2.0282977797x - 3.0871571615 4 5.6 2 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
standardhälbe ruut hälvete ruutude aritmeetiline keskmine Regressioonanalüüsikäigus regressiooniseose selgitusvõimet kirjeldab determinatsioonikordaja hinnatakse parameetreid enamasti vähimruututde meetodil kasutatakse parameetrite leidmisel sageli vähimruutude meetodit tuleb kontrollida parameetrite statistilist olulisust Regressioonianalüüsi eesmärk: Kirjeldada korrelatiivset seost matemaatika funktsioonina Lineaarne regressioonimudelil: Regressiooni kordaja b abil saame kirjeldada seose tugevust Tugeva negatiivse lineaarse seose korral regressioonikordaja iseloomustab sõltuva muutuja vähenemist sõltumatu muutuja ühe ühikulise muutumise korral (õige) Seoste analüüsil korrelatsioonikordaja peab olema alati vahemikus -1 kuni +1 Korrelatsioonikordaja absoluutväärtused!! paiknevad alati vahemikus 0 kuni 1 regressioonifunktsiooni on võimalik leida aegridade andmetel
Õige Hindepunkte 1.00/1.00 Valige üks või mitu: a. Jaotusel on märgatav raske saba väikeste väärtuste pool b. Jaotusel on märgatav raske saba suurte väärtuste pool c. Jaotusel on terav tipp d. Jaotus on lameda tipuga e. Pildil esitatud jaotus on normaaljaotus Sinu vastus on õige. Küsimus 7 On teada, et mingi valimi puhul on lineaarse regressiooni joone tõus k negatiivne, st k<0. Milline järgmistest väidetest Õige vastava lineaarse korrelatsioonikordaja r kohta on õige? Hindepunkte 1.00/1.00 Valige üks: a. Kordaja r võrdub nulliga b. kordaja r on negatiivne c. Kordaja r on positiivne Küsimus 8 Leidke õiged paarid. Õige Hindepunkte Kahe tunnuse vahel seos puudub lineaarne korrelatsioonikordaja võrdub nulliga 1
p< .001 ehk prediktor on statistiliselt oluline. Vabaliige on 331,58 Saab kirjutada standardiseerimata regressioonivõrrandi: y(probleemilahendusoskus)=-1.02x(vanus)+331,58 Standardiseeritud võrrandis taandatakse vabaliige välja ning tõus märgitakse standardiseeritud kujul. Mitmene regressioon Paarisregressiooni puhul üks sõltumatu muutuja ehk prediktor, mitmese regressiooni puhul mitu prediktorit. Kasutusel endiselt determinatsiooni kordaja, kuid tähistatakse D, mis koosneb prediktorite r2-dest. Tulemused esitatakse standardiseeritud kujul, kuna iga prediktori kohta on eraldi vabaliige ning nende esitamine ei ole mõistlik. Eeldused: Seoste lineaarsus (saab joonena väljendada) Vaatluste sõltumatus Sõltumatud muutujad ehk prediktorid ei tohi omavahel olla väga tugevalt seotud (üle
PCR abil. 7. Ekspositsiooni ja tulemuse vaheline seos Hinnati Kaplan-Meieri meetodiga, et vaadata HIVi esinemissagedust vastavalt ravile. HIV serokonversiooni erinevusi ravi osas eri gruppidel hinnati Greenwood valemi alusel. Esmaseks analüüsiks oli intension-to-treat analüüs (osalejad valiti juhuslikult eri gruppidesse). Teisejärgulise analüüsi käigus arvati uuringust välja HIV positiivsed mehed. Cox regressiooni mudeli abil teostati as-treated analüüs, mille abil arvestati neid uuringualuseid, kes ei pidanud kinni neile määratud randomiseeritud paigutusest. 8. Tulemused Randomiseeriti 2784 meest vanuses 18-24 aastat (1391 meest ravigrupis ja 1393 meest kontrollgrupis). Mõlemates gruppides olnud mehed sarnanesid demograafilise asukoha poolest, füüsiliste omaduste, sugulisel teel levivate infektsioonide esinemissageduse ja seksuaalkäitumuse poolest.
n X iYi x ja y korrutise keskväärtuse arvutamine XY = i =1 N x x = 100% x-i variatsioonikordaja X y y = 100% y-i variatsioonikordaja Y a = Y - b X vabaliikme arvutamine XY - X Y b= sirge tõusu arvutamine 2 X XY - X Y r= korrelatsioonikordaja (näitab seose tugevust kahe tunnuse vahel) X Y y = a + b x regressiooni sirge 4 Riigieksamite tulemuste koondtabel 1. Selles tabelis on ära toodud uurimustöös kasutatavad algandmed ning kõikide järelduste alus ning arvutustes kasutatavad arvud. Järjekorranumber Kirjandi tulemus Võõrkeele tulemus 1 55 50 2 55 85
4. regressioon ei pea olema 0 ja 1 vahel Üliõpilasel on antud ülesanne leida seos kahe valimi vahel. Mida ta peab tegema? 1. kahe valimi vahel ei saa seost leida 2. kahe valmi vahel saab seost leida.. 3. korrelatsioonisuhte, ülddispersiooni leidma Lineaarne regressioonimudelil: 1. pole põhjus ega tagajärge 2. kordaja võb olla nii pos kui neg 3. vabaliikme abil saame kirjeldada seoste tugevust 4. regressiooni kordaja b abil saame kirjeldada seose tugevust Regressioonianalüüsi kõige üldisem eesmärk: 1. kirjldada korrlatiivset seost metemaatika funktsioonina Pidev juhuslik suurus... 2. võib omada ükskõik milliseid väärtusi tema võimalikke väärtusi hõlmavas arvuvahemikus. 3. juhuslikku suurust nim pidevaks juhuslikuks suurusesks, kui tema võimalike väärtuste hulk on loenduv. Normaalselt jaotuvas kogumis... 1. ei toimu väärtuste varieerumist 2
seisukohast olla õigustatud. Kantregressiooni parameetrik väärtuseks on soovitatud väärtusi vahemikus K=1,1 -; 1,2. Kantregressioon on väiksema töömahuga.----------------;Bootstrap----------------; regressioon On oma olemuselt universaalne meetod nii statistiliste hinnangute konstrueerimiseks kui juhuslike suuruste jaotuse empiiriliseks hindamiseks, vahemikhinnangure konstrueerimiseks ja hüpoteeside kontrollimiseks. ----------------;Bootstrap----------------; regressiooni korral eeldatakse, et olemasolevad arvandmed moodustavad peakogumi ehk populatsiooni, millest tehakse küllaltki suur arv väljavõtteid ehk valimeid. ----------------;Bootstrap----------------; regressiooni korral valim moodustab populatsioonist küllaltki olulise osa, tavaliselt 85 -; 90%. Iga valim moodustatakse juhusliku valiku põhimõttel. Seejärel saadud valimit analüüsitakse standardse klassikalise regressioonianalüüsi meetoditega
mm Hg mm Hg t, °C 1 2 Andmete töötlemine arvutil Tabeli tulbad 1/T ja ln paur sisestada sobivasse tabelarvutusprogrammi (Excel, Origin, OpenOffice Calc). Tulemuste analüüsiks tuleb katsetulemused esialgu esitada graafikuna koordinaatides ln p = f (1/T). Graafiku tüübiks valida Scatter (ainult punktid ilma joonteta). Seejärel valitakse regressiooni- võrrand. Antud katses tuleb Exceli puhul klõpsata parema hiireklahviga katsepunktidel ja valida Insert trendline/Linear/Options/Display equation on chart (Origin'i korral FIT LINEAR). Leitud 1 Või log (paur) – vastavalt sellele on ka arvutusvalemid erinevad (ln x = 2,303·log x) regressioonivõrrand kuvatakse graafikul ning võrrandi parameetrite (tõus, algordinaat) abil arvutatakse vedeliku aurustumise entalpia
2
S JÄÄK = = = 962,25
p ( q -1) 5 (10 -1)
FEMP
mõne klassikalise teoreetilise jaotusega. Töös on kasutatud Aakre metskonna proovitükki nr. 613 andmeid, mis on saadud EMÜ Metsanduse ja maakorralduse serveris võrgukaustast public:/Metsandusliku andmetöötluse alused 2011/2011]. Samuti on kasutatud K.Kiviste kodulehte [http://www.eau.ee/~kkiviste] kust oli võimalik saada väga täpseid juhiseid, lühendeid ja valemeid ülesande sooritamiseks. . Töö eesmärk on tundma õppida hinnangute, hüpoteeside ja regressiooni koostamist MS Exceli keskkonnas ning neid uurida proovitüki nr. 613 andmete põhjal. Lisamaterjalina kasutasin ka A.Kiviste poolt välja antud raamatut ,,Matemaatiline statistika MS Exeli keskkonnas" Punkt h i n n a n g u d , v a h e m i k h i n n a n g u d , v a li m i m a h t Eeldade s, et proovitü kil mõõdet ud andmete
i 1 i 1 i 1 Fyf,k = s2afrn / s2jcn > s2jcn ] Sjcn / p (q-1), s2afrn ] Safrn / (p-1) 52. Regressioonanalüüs y = +x+; y a^1 b^1 x 53. Lineaarne korrelatsioon. Mittelineaarne korrelatsioon. Tasemeline korrelatsioon rxy xi x y i y n x y yx = Ax2 + Bx + C. Kaks taset andmeid. Spearman taseme korrelatsiooni koefitsient 6 d i2 B 1 n3 3 54. Paari regressiooni arvutamine vähimruutude meetodil. Meetodi hälbed x'i = xj - x; y'i = yj - y, b = x'i y'i / (x'i)2; x'i y'i = xi yi - n x y; (x'i)2 = (xi)2 - n x2. Dispersioon s2b= s2 / (x'i)2; s2a= xi2 s 2 ; n ( x' i ) 2 55. Regressioonijoone usaldusintervallid 1 x' 2 s p = s 1 2 2 p
alljärgneva toodud graafiku. Lihtsaim viis kahe tunnuse vahelise regressioonanalüüsi tegemiseks on: aktiveerida joonis; valida menüüst Chart käsk Add Trendline...; valida avanenud menüüst punktiparve kuju paremini jälgiv regressioonijoon (peale tavalise lineaarse regressiooni - Linear - on punktiparvele sobitatavad ka mitmed keerulisemad kõverad); valida samast Add Trendline...-aknast (sama aken avaneb ka peale hiire parempoolse nupu topeltklõpsu trendijoonel) lipik Options ja märkida seal ära käsud Display equation on chart ja Display R-squared value on chart.
1. kirjldada korrlatiivset seost metemaatika funktsioonina Pidev juhuslik suurus... 1. võib omada ükskõik milliseid väärtusi tema võimalikke väärtusi hõlmavas arvuvahemikus. 2. juhuslikku suurust nim pidevaks juhuslikuks suurusesks, kui tema võimalike väärtuste hulk on loenduv. Lineaarne regressioonimudelil: 1. pole põhjus ega tagajärge 2. kordaja võb olla nii pos kui neg 3. vabaliikme abil saame kirjeldada seoste tugevust 4. regressiooni kordaja b abil saame kirjeldada seose tugevust Dispersioonanalüüsi eesmärk on: 1. dispersioonide leidmine 2. uuritava nähtuste tegurite mõju olulisuse hindamine Valimi andmete põhjal saadi järgmised tulemused: aritm.keskmine=80 ja standardhälve 20. Üldkogumi maht 1200. Kui suur peaks olema valim, et teha kindlaks üle 110 väärtusega elementide osakaalu üldkogumis täpsusega +/-4 ühikut, usaldatavusega 95%. 1. 1700 (üldkogum 1200) 2
· juhuslik komponent () ÖKONOMEETRILISE MODELLEERIMISE ETAPID: 1. teooria ja sellel baseeruva verbaalse mudeli formuleerimine 2. andmebaasi korraldamine 3. ökonomeetrilise (matemaatilise) mudeli valik 4. ökonomeetrilise mudeli parameetrite hindamine 5. parameetrite usaldatavuse kontrollimine 6. mudeli omaduste parandamine 7. järelduste tegemine 8. prognooside koostamine 3. Lihtne regressioon, regressioonivõrrandi põhikuju. Determineeritud regressioonivõrrand. Lineaarse regressiooni korral kirjeldatakse seost uuritavate muutujate väärtuste vahel sirge abil võrrandiga Y = a0+a1X Eesmärgiks on leida punktiparvega antud X ja Y vahelist seost iseloomustava parima sirge võrrand Lineaarse kahe muutujaga determineeritud regressioonimudeli korral eeldatakse, et juhusliku suuruse Y tingliku keskväärtuse ja sõltumatu muutuja X vahel on seos E(YX ) = 0+ 1X
annaabi.ee 
