- •Калининград – 2011 Содержание
- •Тема 1. Введение. Эконометрика и эконометрическое моделирование.
- •Тема 2. Временные ряды4.
- •Тема 3. Парная регрессия и корреляция.
- •3.1. Корреляционный анализ
- •Коэффициент парной корреляции
- •Множественный коэффициент корреляции
- •Частный коэффициент корреляции
- •Пример 3.1. Вычисление коэффициентов парной, множественной и частной корреляции.
- •3.2. Регрессионный анализ
- •Оценка параметров регрессионного уравнения
- •Матричная форма записи
- •Решение
- •Анализ статистической значимости параметров модели парной регрессии
- •Интервальная оценка параметров модели
- •Прогнозирование с применением уравнения регрессии
- •Решение:
- •1. Построение линейной модели парной регрессии
- •2. Построение степенной модели парной регрессии
- •3. Построение показательной функции
- •4.Построение гиперболической функции
- •Расчет прогнозного значения результативного показателя:
- •Тема 4. Множественная регрессия.
- •Оценка качества модели регрессии.
- •Использование многофакторных моделей для анализа и прогнозирования развития экономических систем.
- •Построение точечных и интервальных прогнозов на основе регрессионной модели. Какие факторы влияют на ширину доверительного интервала?
- •Коэффициент детерминации:
- •Тема 5. Системы линейных одновременных уравнений.
- •Тема 6. Многомерный статистический анализ
- •Факторный анализ
- •Кластерный анализ
- •Дискриминантный анализ
- •Постановка задачи дискриминантного анализа
- •Алгоритм выполнения дискриминантного анализа
- •4. Рассчитывается объединенная ковариационная матрица по формуле: .
- •Литература по теме 6.
- •Задание для выполнения контрольной работы по дисциплине Задача 1.
- •Приложения
- •Приложение 2. Значения t-критерия Стьюдента при уровне значимости 0,10; 0,05; 0,01 (двухсторонний)
- •Приложение 3. Критические границы отношения r/s
- •Приложение 4. D-статистика Дарбина - Уотсона: d1 и d2, уровень значимости в 5%
- •Основная
- •Дополнительная
- •Правила построения арпсс-моделей
Алгоритм выполнения дискриминантного анализа
Алгоритм дискриминантного анализа рассмотрен применительно к линейной дискриминантной функции вида (6.1). Рассмотрим основные этапы алгоритма.
-
Исходные данные представляются либо в табличной форме
Номер подмножества, Mk (k=1,2,…,q) |
Номер объекта, i (i=1,2,…,nk) |
Свойства (показатель), j (j=1,2,…,p) |
|||
x1 |
x2 |
… |
xp |
||
Подмножество M1, (k=1)
|
1
2 … n1 |
…
|
…
|
…
…
… … |
…
|
Подмножество M2, (k=2)
|
1
2 … n2 |
…
|
…
|
…
…
… … |
…
|
… |
… |
… |
… |
… |
… |
Подмножество Mq (k=q)
|
1
2 … nq |
…
|
…
|
…
…
… … |
…
|
Подмножество M0 , подлежащее дискриминации |
1
2 … m |
…
|
…
|
…
…
… … |
…
|
*) Здесь nk – объем обучающей выборки в k-ом подмножестве
в виде q подмножеств (обучающих выборок) Mk и подмножества M0 объектов подлежащих дискриминации, либо сразу в виде матриц X(1),X(2),…,X(q) размером (nk p):
;;…
, ,
где X(k), - матрицы с обучающими признаками (k=1,2,…,q), X(0) матрица новых m-объектов, подлежащих дискриминации (размером mp), p- количество свойств, которыми характеризуется каждый i-ый объект. Здесь должно выполняться условие: общее количество объектов N множества M должно быть равно сумме количества объектов m (в подмножестве M0) подлежащих дискриминации и общего количества объектов в обучающих подмножествах: , где q- количество обучающих подмножеств (q2). В реальной практике наиболее часто реализуется случай q=2, поэтому и алгоритм дискриминантного анализа приведен для данного варианта.
2. Определяются элементы векторов средних значений по каждому j-му признаку для i объектов внутри k-го подмножества (k=1,2):
, j=1,2,…,p.
Результаты расчета представляются в виде векторов столбцов:
.
3. Для каждого обучающего подмножества рассчитываются ковариационные матрицы (размером p p):