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) 7.758512 > coefficients(M1)[2] # dobavit' p-value v tablicu v vide * d_k 0.5027412 > summary(M1)$adj.r.squared [1] 0.7619479 > summary(M1)$sigma # sqrt(sum(M1$residuals^2)/(length(M1$residuals)-2)) [1] 1.823029 > AIC(M1) [1] 177.6237 2. Ruutparabool h=a+b*d+c*d^2 M2 <- lm(h~d_k + I(d_k^2), data=PD.KU) summary(M2) M2.pred <- predict(M2,newdata=data.frame(d_k=D)) lines(D,M2.pred, col="blue")
Coefficients Standard Error Intercept -488,5 246,1495141846 Perede arv (X) 0,443 0,0325320355 Sa1 RESIDUAL OUTPUT Observation Predicted Autode arv Y Residuals 1 2612,5 -92,5 2 2834 26 3 3055,5 -35,5 4 2169,5 60,5 5 3498,5 41,5 utada Autode arv Y 2520 2860 3020 2230 3540 NÄITAVAD MUDELI HEADUST CORREL AMA JÄLGIMA KUI ON ENDA ÜL 90 LIGIDAL SIIS JAMA
x1 30,890119453 5,350517 5,773296 5,42E-008 20,30476 x2 6,6876682557 2,381831 2,807785 0,005758 1,975501 x3 11,040861678 2,719814 4,059418 8,44E-005 5,660035 x4 1548,4425989 121,5685 12,7372 1,27E-024 1307,934 RESIDUAL OUTPUT Observation Predicted Y Residuals y aasta 1 1890,442222 -91,44222 0 2002 2 1502,2345103 9,76549 0 2002 800 3 1831,9127671 46,08723 0 2002 4 2056,8647876 190,1352 0 2002 600
Joonis 6. Local Polynomial parameetrite määramine Joonis 7. Kõrgusmudel Local Polynomial meetodil 4) Viimaseks võrgustiku loomise meetodiks on Triangulation With Linear Interpolation. Võrgustiku parameetrid on jätkuvalt samad ainult valime teise meetodi. Tulemus on toodud joonisel 8. Joonis 8. Kõrgusmudel Triangulation With Linear Interpolation meetodil 5) Nüüd leiame interpoleerimise standardhälbed iga meetodi puhul (Tabel 1). Selleks valime GridResiduals ning määrame andmefaili ja grid faili. Iga meetodi kohta saadud standardhälbed saame andmefaili eraldiseisva tulbana. Need kõik aktiivseks tehes ning valides DataStatistics saame valida, milliseid andmed meile kuvatakse (Joonis 9). Joonis 9. Statistikute leidmine Tabel 1. Erinevate meetodite sandardhälbed Residuals_kriging Residuals_mincurv Residuals_LocalPoly Residuals_triang
hajuvused on homogeensed. (Kui hajuvused ei ole homogeensed, kasutada Welchi testi) Post-hoc analüüs – kas p-väärtus <0,05? Kui jah, siis on erinevused tulemuste vahel statistiliselt olulised. Tulemuste raporteerimine: ANOVA - mood.gain Cases Sum of Squares df Mean Square F p η² drug 3.453 2 1.727 18.611 <.001 0.713 Residuals 1.392 15 0.093 Post Hoc Comparisons - drug Mean Difference SE t p tukey p holm - anxifree joyzepam -0.767 0.176 0.002 0.001 4.360 placebo 0.267 0
regressioonanalüüsi parameetrite hinnangute, nende veahinnangute ja dispersioonanalüüsiga. http://www.htg.tartu.ee/~a9tp/mirror/www.eau.ee/%257Ektanel/kool_ja_too/stat_excelis/regress.html (2 of 6)29.05.2006 15:09:10 Andmeanalüüs MS Exceli abil - regressioonanalüüs Soovi korral võib sisestusaknas täiendavalt tellida: Residuals - kõigi vaatluste prognoosijäägid; Standardizised Residuals - kõigi vaatluste standardiseeritud prognoosijäägid; Residuals Plot - prognoosijääkide graafik argumenttunnuse suhtes; Line Fit Plot - funktsioontunnuse ja prognooside graafik argumenttunnuse suhtes; Normal Probability Plot - funktsioontunnuse empiiriliste kvantiilide graafik (tõenäosuspaber).
Nullhüpoteesiks on, et jääkliikmed alluvad normaaljaotusele. Kui JB empiiriline väärtus ületab kriitilise (p<α), võetakse vastu sisukas hüpotees: mudel onα), lükatakse nullhüpotees normaaljaotuse esinemise kohta ümber. Suvalise tunnuse jaotuse võrdlus normaaljaotusega: Gretlis: Põhimenüüst Variable -> Normality test Mudeli jääkliikmete normaaljaotuse testimine JB testiga: 1. Peale mudeli hindamist jäägid salvestada: aruande aknas Save-> Residuals. Salvestatakse nime all uhat1 2. Valida välja uhat1 ja põhimenüüst Variable -> Normality test Puudus: Kui valim on väike, (nt n=42) siis JB test võib anda vale tulemuse. Töötab ainult suure valimi korral. 60. Mis juhtub, kui jäägid ei allu normaaljaotusele? • Kui muud eeldused on täidetud, siis OLS hinnangud on ikka parimad lineaarsed nihketa hinnangud (BLUE, Best Linear Unbiased Estimator). • Suurte valimite (n>100) korral teststatistikud alluvad ikka (asümptootiliselt)
Regressioonianalüüsi läbiviimiseks on 6 eeldust: 1 sõltuva muutuja andmed on intervall- või suhteskaalal (st on pidevtunnus); 2 muutujatevaheline suhe on lineaarne; 3 puuduvad märkimisväärsed erindid (outliers); 4 vaatluste sõltumatus; 5 püsihajuvus (homoskedastilisus; homoscedasticity); 6 jääkide normaaljaotuslikkus (normality of residuals). Kui 1. ja 4. eeldust saab juba lausa enne uuringu läbiviimist täita, siis eeldused 2, 3 ja 5 on testitavad hajuvusdiagrammiga, st üldist pilti on võimalik vaadelda graafiliselt. Eeldust 6 saame testida siis, kui viime läbi regressioonianalüüsi. Käsklusterida: Analyze Regression Linear Dependent on sõltuv muutuja, Independent on prediktor. Statistics alt valida Estimates, Model Fit, Descriptives.
X1 0,3616205503 0,2486257171 1,454478 0,155553 X2 325,0756415193 419,6871545439 0,774567 0,444282 X3 -1,1237269925 1,0313144227 -1,089607 0,284024 X4 0,0005921042 0,0003028169 1,955321 0,059326 RESIDUAL OUTPUT Observation Predicted Y Residuals 1 2005,895638655 1466,326583567 2 1136,367438727 275,1369860518 3 712,610372086 173,1039136283 4 676,5716162306 -568,8793085383 5 1353,2400362357 830,7599637643 6 1397,9823267009 2165,397954989 7 1047,4042991287 -47,4042991287
väärtusi on sarnase kaugusega. Regressioonianalüüsi läbiviimiseks on 6 eeldust: 1 sõltuva muutuja andmed on intervall- või suhteskaalal (st on pidevtunnus); 2 muutujatevaheline suhe on lineaarne; 3 puuduvad märkimisväärsed erindid (outliers); 4 vaatluste sõltumatus; 5 püsihajuvus (homoskedastilisus; homoscedasticity); 6 jääkide normaaljaotuslikkus (normality of residuals). Kui 1. ja 4. eeldust saab juba lausa enne uuringu läbiviimist täita, siis eeldused 2, 3 ja 5 on testitavad hajuvusdiagrammiga, st üldist pilti on võimalik vaadelda graafiliselt. Eeldust 6 saame testida siis, kui viime läbi regressioonianalüüsi. Lineaarse regressiooni läbiviimiseks tuleks järgida käsklusterida: Analyze Regression Linear. Dependent on sõltuv muutuja, Independent on prediktor. Statistics alt valida Estimates, Model Fit ning Descriptives.
avatus, -‐ neurootilisus) • Enese petmne (SD) – mitteteadlik ja pole suunatud väljaspoole (+ sotsiaalsus, + meelekindlus) -‐ Eneseupitamine – kalle oma pos külgede esiletõstmiseks -‐ Eitamine – neg külgede mahasalgamine Meetod: Self Criterion Residuals Tulemused: • Faktor alfa – kadluvus näha end kompetentsemana (egoistlik kalle) – superkangelased • Faktor gamma – kalduvus tajuda end altruistlikumana, usaldusväärsemana (moralistlik kalle) – pühakud Valdkonnad kus on mõjutused: seksuaalkäitumine, narkootikumid, sissetulekud,
Total 49 2,88868E+018 Coefficients Standard Error t Stat P-value Intercept 55930699,8662514 22029405,028 2,538911051 0,01448978 X1 6,7853004164 3,37266502 2,011851274 0,04998789 X2 7,6561993993 0,7667525263 9,985228789 3,3591E-013 RESIDUAL OUTPUT Observation Predicted Y Residuals 1 1470442876,13581 -133992876,14 2 300658206,672807 877777793,33 3 349860518,496427 -40962518,496 4 89325509,3978438 142043990,6 5 84052576,5679567 108598423,43 6 118871203,61532 50139296,385 7 89193893,8355526 73027106,164 8 108670796,549479 46058203,451
available with baseplates, ANSI RF spool pieces, NEMA 'C' face adapters. Outlet Pressure- 1500 PSIG (103 BAR) maximum for lube, seal and hydraulic oils. 1000 PSIG (70 BAR) maximum for distillate, residual and crude oils. Minimum recommended differential pressure is 40 PSI (2.8 BAR). Inlet Pressure- Type B & H: 75 PSIG (5 BAR) maximum, distillate fuel, lube- sizes 106-187. 50 PSIG (3 BAR) maximum, distillate fuel, lube- sizes 218-400. Type H: 40 PSIG (2.7 BAR) maximum, residuals and crude oil- all sizes. Viscosity- 33 SSU (2.0 CST) minimum. Type B: 3000 SSU (650 CST) maximum (consider cold start). Type H: Viscosities above 3000 SSU (650 CST) Temperature- Type B: 0 to180°F (-18 to 82°C). Type H, sizes 106-187: 0 to 250°F (-18 to 121°C) for <1800 RPM, 0 to 225°F (-18 to 107°C) for > 1800 RPM. Sizes 218 and up: 0 to 200°F (-18 to 93°C). Drive- Direct only. Magnetic Drive configurations also available. Rotation- Clockwise facing pump shaft .
kui valim on 50-2000 inimest - normaaljaotusega on tegu siis, kui sig väiksem kui 0,05) 2) jääkide dispersioon peab olema sõltumatu (ehk siis x-telje) muutuja väärtusest sõltumatu. Kuidas kontrollida kas regressiooni jäägid jaotuvad normaaljaotusele lähedaselt? Laseme arvutada mudelikohased sõltuva muutuja väärtused ja jäägid: Analyze -> Regression -> Linear - Save - Linnuke kasti Predicted values (unstandardized) ja Residuals (unstandardized). Järgneb jääkide täpsem diagnostika (kas on normaaljaotusega jne). Logistiline regressioon Logistiline regressioon või üldisemalt logistiline mudel ehk logit-mudel prognoosib uuritava sündmuse toimumise tõenäosust ja selle muutumist sõltuvalt pideva argumenttunnuse väärtuse muutumisest. Näiteks uurimaks, kas isiksuseomadused ennustavad eesnäärmeuuringutele minekut tulevikus
Residual 58 75729,59 1305,683 Total 59 92586,18 Coefficients Standard Error t Stat P-value Lower 95%Upper 95% Intercept 351,73616 9,447673 37,22993 3,5E-042 332,8246 370,6477 tinglik aeg t -0,967852 0,269366 -3,593074 0,000675 -1,507047 -0,428657 RESIDUAL OUTPUT Observation Predicted Lahutused Residuals Aproksimeerimisviga 1 350,76831 -78,76831 78,76831 3,479296 2 349,80045 -50,80045 25,40023 3 348,8326 105,1674 35,0558 4 347,86475 1,135251 0,283813 5 346,8969 9,103103 1,820621 6 345,92905 11,07095 1,845159 7 344,96119 -77,96119 11,13731 8 343,99334 -19,99334 2,499168
.., n Silutud väärtused y^ i = ax ^ i + b^ · Vähimruutude meetod: Silutud väärtuste y^ i erinevus vaatlusandmetest yi on hälbed ehk jäägid kõige tuntum; minimeeritakse hälvete ruutude summat (residuals): ui = yi - y^i · lineaarne mudel: harilik vähimruutude meetod OLS (Ordinary Least Vähimruutude meetod: regressioonmudeli parameetrite hinnangud Squares); leitakse nii, et jääkide ruutude summa on minimaalne. · mittelineaarne mudel: mittelineaarne vähimruutude meetod NLS n (Nonlinear Least Squares);
Because of botu- which eventually causes the person to become lism’s high fatality rate, the general public ill. usually panics at reports of botulism. There are many naturally occurring chem- The organism is a Gram-positive, anaero- ical toxins in foods as well as unintentionally bic, spore-forming rod that can grow at added chemical toxins, such as pesticides and temperatures from 3.3°C to as high as 50°C. chemical residuals from packaging materials Most strains will grow well at 30°C with and the environment. optimum temperature at 37°C. To control the growth of the organism, the pH must be below 4.6, salt content needs to be 10% or Bacterial and more, and a water activity less than 0.94. The Microbial Intoxication
annaabi.ee 
