Eğri Tahmin Modelleri
Bir veya daha fazla eğri tahmin regresyon modeli seçebilirsiniz. Hangi modeli kullanacağınızı belirlemek için verilerinizi çizin. Değişkenleriniz doğrusal olarak ilişkili görünüyorsa, basit bir doğrusal regresyon modeli kullanın. Değişkenleriniz doğrusal olarak ilişkili olmadığında, verilerinizi dönüştürmeyi deneyin. Bir dönüşüm yardımcı olmadığında, daha karmaşık bir modele ihtiyacınız olabilir.
Verilerinizin dağılım grafiğini görüntüleyin; olay örgüsü benziyorsa, tanıdığınız bir matematiksel fonksiyon, verilerinizi bu tür bir modele uydurur. Örneğin, verileriniz üstel bir işleve benziyorsa, üstel bir model kullanın.
- Doğrusal. Denklemi Y = b0 + (b1 * t) olan model. Seri değerleri, zamanın doğrusal bir fonksiyonu olarak modellenmiştir.
- Logaritmik. Denklemi Y = b0 + (b1 * ln(t)) olan model. Ters. Denklemi Y = b0 + (b1 / t) olan model.
ikinci dereceden. Denklemi Y = b0 + (b1 * t) + (b2 * t**2) olan model. İkinci dereceden model, “kalkış yapan” bir seriyi veya sönümleyen bir seriyi modellemek için kullanılabilir. - Kübik. Y = b0 + (b1 * t) + (b2 * t**2) + (b3 * t**3) denklemiyle tanımlanan model. Güç. Denklemi Y = b0 * (t**b1) veya ln(Y) = ln(b0) + (b1 * ln(t)) olan model. Birleştirmek. Denklemi Y = b0 * (b1**t) veya ln(Y) = ln(b0) + (ln(b1) * t) olan model. S-eğrisi. Denklemi Y = e**(b0 + (b1/t)) veya ln(Y) = b0 + (b1/t) olan model.
- Lojistik. Denklemi Y = 1 / (1/u + (b0 * (b1**t))) veya ln(1/y-1/u)= ln (b0) + (ln(b1)*t) olan model burada u, üst sınır değeridir. Lojistik’i seçtikten sonra, regresyon denkleminde kullanılacak üst sınır değerini belirtin. Değer, en büyük bağımlı değişken değerinden büyük pozitif bir sayı olmalıdır.
- Büyüme. Denklemi Y = e**(b0 + (b1 * t)) veya ln(Y) = b0 + (b1 * t) olan model.
üstel. Denklemi Y = b0 * (e**(b1 * t)) veya ln(Y) = ln(b0) + (b1 * t) olan model. Eğri Tahmin Modelleri - Bir veya daha fazla eğri tahmin regresyon modeli seçebilirsiniz. Hangi modeli kullanacağınızı belirlemek için verilerinizi çizin.
- Değişkenleriniz doğrusal olarak ilişkili görünüyorsa, basit bir doğrusal regresyon modeli kullanın. Değişkenleriniz doğrusal olarak ilişkili olmadığında, verilerinizi dönüştürmeyi deneyin. Bir dönüşüm yardımcı olmadığında, daha karmaşık bir modele ihtiyacınız olabilir. Verilerinizin dağılım grafiğini görüntüleyin; olay örgüsü benziyorsa
- Tanıdığınız bir matematiksel fonksiyon, verilerinizi bu tür bir modele uydurur. Örneğin, verileriniz üstel bir işleve benziyorsa, üstel bir model kullanın.
Eğri Tahmini Kaydet
Değişkenleri Kaydet Seçilen her model için tahmin edilen değerleri, artıkları (bağımlı değişkenin gözlemlenen değeri eksi modelin tahmin edilen değeri) ve tahmin aralıklarını (üst ve alt sınırlar) kaydedebilirsiniz. Yeni değişken adları ve tanımlayıcı etiketler, çıktı penceresindeki bir tabloda görüntülenir.
Vakaları Tahmin Edin. Çalışma verileri dosyasında bağımsız değişken olarak bir değişken yerine Zaman’ı seçerseniz, zaman serisinin sonunun ötesinde bir tahmin dönemi belirtebilirsiniz. Aşağıdaki alternatiflerden birini seçebilirsiniz:
Tahmin döneminden son duruma kadar tahminde bulunun. Tahmin dönemindeki servis taleplerini temel alarak dosyadaki tüm servis taleplerinin değerlerini tahmin eder. İletişim kutusunun alt kısmında görüntülenen tahmin periyodu, Veri menüsündeki Vaka Seç seçeneğinin Aralık alt iletişim kutusu ile tanımlanır. Herhangi bir tahmin periyodu tanımlanmamışsa, değerleri tahmin etmek için tüm durumlar kullanılır.
Tahmin et. Tahmin dönemindeki vakalara dayalı olarak, belirtilen tarih, saat veya gözlem sayısı aracılığıyla değerleri tahmin eder. Bu, zaman serisindeki son durumun ötesindeki değerleri tahmin etmek için kullanılabilir. Tahmin döneminin sonunu belirtmek için kullanılabilen metin kutuları, halihazırda tanımlanmış olan tarih değişkenlerine bağlıdır. Tanımlanmış tarih değişkenleri yoksa, bitiş gözlem (vaka) sayısını belirleyebilirsiniz.
Basit regresyon analizi yorumlama
Regresyon analizi YORUMLAMA
Ekonometrik tahmin Yöntemleri
Çoklu regresyon analizi Tablo YORUMLAMA
En Küçük Kareler Yöntemi PDF
En Küçük Kareler Yöntemi regresyon
En Küçük Kareler Yöntemi Soru Çözümü
EKK açılımı
Diskriminant Analizi
Diskriminant analizi, her vakanın gözlemlenen özelliklerine dayalı olarak tahmine dayalı bir grup üyeliği modeli oluşturmak istediğiniz durumlar için kullanışlıdır. Prosedür, gruplar arasında en iyi ayrımı sağlayan yordayıcı değişkenlerin lineer kombinasyonlarına dayalı olarak bir ayırma işlevi (veya ikiden fazla grup için bir dizi ayırma işlevi) üretir.
İşlevler, grup üyeliğinin bilindiği bir vaka örneğinden üretilir; Fonksiyonlar daha sonra öngörücü değişkenler için ölçümler içeren ancak grup üyeliği bilinmeyen yeni durumlara uygulanabilir.
Not: Gruplandırma değişkeni ikiden fazla değere sahip olabilir. Bununla birlikte, gruplandırma değişkeninin kodları tamsayı olmalıdır ve minimum ve maksimum değerlerini belirtmeniz gerekir. Bu sınırlar dışında değerlere sahip durumlar analiz dışında tutulur.
Örnek. Ortalama olarak, ılıman bölge ülkelerindeki insanlar tropik bölgelerde yaşayanlardan daha fazla kalori tüketiyor ve ılıman bölgelerdeki insanların büyük bir kısmı şehirlerde yaşıyor. Bir araştırmacı, bir bireyin iki ülke grubu arasında ne kadar iyi ayrım yapabileceğini belirlemek için bu bilgiyi bir işlevde birleştirmek istiyor.
Araştırmacı, nüfus büyüklüğü ve ekonomik bilgilerin de önemli olabileceğini düşünmektedir. Diskriminant analizi, çoklu lineer regresyon denkleminin sağ tarafı gibi görünen lineer diskriminant fonksiyonunun katsayılarını tahmin etmenizi sağlar.
Bu değişkenler iki iklim kuşağı arasında ayrım yapmak için yararlıysa, D değerleri ılıman ve tropik ülkeler için farklı olacaktır. Kademeli bir değişken seçme yöntemi kullanırsanız, fonksiyona dört değişkenin tümünü dahil etmeniz gerekmediğini görebilirsiniz.
İstatistik. Her değişken için: ortalamalar, standart sapmalar, tek değişkenli ANOVA. Her analiz için: Box’s M, gruplar içi korelasyon matrisi, gruplar içi kovaryans matrisi, ayrı gruplar kovaryans matrisi, toplam kovaryans matrisidir.
Her bir kanonik ayırt edici fonksiyon için: özdeğer, varyans yüzdesi, kanonik korelasyon, Wilks’ lambda, ki-kare. Her adım için: önceki olasılıklar, Fisher’in fonksiyon katsayıları, standartlaştırılmamış fonksiyon katsayıları, her bir kanonik fonksiyon için Wilks’in lambdası.
Veri. Gruplama değişkeni, tamsayılar olarak kodlanmış sınırlı sayıda farklı kategoriye sahip olmalıdır. Nominal olan bağımsız değişkenler, kukla veya kontrast değişkenlere yeniden kodlanmalıdır.
Varsayımlar. Davalar bağımsız olmalıdır. Yordayıcı değişkenler çok değişkenli bir normal dağılıma sahip olmalı ve grup içi varyans-kovaryans matrisleri gruplar arasında eşit olmalıdır. Grup üyeliğinin karşılıklı olarak birbirini dışladığı (yani hiçbir vakanın birden fazla gruba ait olmadığı) ve toplu olarak kapsamlı olduğu (yani tüm vakaların bir grubun üyesi olduğu) varsayılır.
Prosedür, grup üyeliği gerçekten kategorik bir değişken olduğunda en etkilidir; grup üyeliği sürekli bir değişkenin değerlerine dayalıysa (örneğin, yüksek IQ’ya karşı düşük IQ), sürekli değişkenin sunduğu daha zengin bilgilerden yararlanmak için doğrusal regresyon kullanmayı düşünmelisiniz.
