DÖNTÉSHOZATALI MODELLEZŐ ESZKÖZ TRANSZNACIONÁLIS ALKALMAZÁSA
|
|
- Áron Bakos
- 8 évvel ezelőtt
- Látták:
Átírás
1 STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL DÖNTÉSHOZATALI MODELLEZŐ ESZKÖZ TRANSZNACIONÁLIS ALKALMAZÁSA BUDAPEST, XVIII. KERÜLET, VECSÉS BUDAPEST,
2 BUDAPEST XVIII. KERÜLET PESTSZENTLŐRINC-PESTSZENTIMRE ÖNKORMÁNYZATA VECSÉS VÁROS ÖNKORMÁNYZATA STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL DÖNTÉSHOZATALI MODELLEZŐ ESZKÖZ TRANSZNACIONÁLIS ALKALMAZÁSA BUDAPEST,
3 airled Helyi gazdaságfejlesztés repülőterek vonzáskörzetében project No.4CE485P4. CENTRAL EUROPE PROJECT. A jelentést készítette: DR.HAJDU OTTÓ DSc. DISK-COUNTÍR BT. 3
4 TARTALOMJEGYZÉK I. AZ ELŐZŐ MUNKAFÁZISOK EREDMÉNYEINEK RÖVID ÖSSZEFOGLALÁSA... 5 II. ÚTMUTATÓ A STATISZTIKAI PROGRAMHOZ... 7 III. AZ R PROGRAM... 9 IV. AZ OUTPUT V. ÖSSZEFOGLALÁS VI. FÜGGELÉK
5 I. I. AZ ELŐZŐ MUNKAFÁZISOK EREDMÉNYEINEK RÖVID ÖSSZEFOGLALÁSA A repülőtéri vonzáskörzet társadalmi-gazdasági fejlődését befolyásoló tényezők, indikátorok azonosítása és számszerűsítése jelen statisztikai modellezési munka tárgya. Az airled projekt keretében a magyar régióra elkészült Status Quo jelentés definiálta a Budapest Liszt Ferenc Nemzetközi Repülőtér vonzáskörzetét, mely kevés különbséggel Budapest agglomerációs térségét fedi le. Az előző munkafázisok és számítások alapvető célja az előrejelzendő gazdasági célváltozókra szignifikánsan ható gazdasági-társadalmi indikátorok körének a meghatározása volt. Első lépésként összegyűjtöttük, rendszerbe foglaltuk azon látens dimenziókat, melyek egy térség társadalmi-gazdasági fejlődését, fejlettségét jellemzik. Ezen látens dimenziók manifeszt (mérhető indikátorokban jelentek meg. A statisztikai munka megfigyelési egységeként a Status Quo jelentésben definiált vonzáskörzeti településeket jelöltük meg, így szám szerint 23 budapesti kerület és további 46 környező település 2011.évi (az adatgyűjtés időpontjában elérhető legfrissebb adatai képezték a számítások alapjául szolgáló közel 300 induló manifeszt indikátorból összeállított - keresztmetszeti adatbázist. A több lépcsőben és több dimenzióban elvégzett statisztikai célú szelektálás végeredményeként 58 manifeszt indikátor adódott. A következő lépésben feltártuk az indikátorok közötti ok-okozati kapcsolatokat és azok irányát a SEM (Structural Equation Modeling módszertan segítségével. Elkülönítettük a manifeszt indikátorokat cél (targetváltozókra és prediktor (magyarázó változókra. Ezt követően a célváltozók és prediktor (magyarázó változók közötti oksági kapcsolatokat számszerűsítettük regressziós statisztikai módszertan segítségével és előrejelzést készítettünk mind a célváltozók mind a prediktor (magyarázó változók 2014.évi értékeire vonatkozóan. 5
6 Az eddigi munka összefoglalásaként tekintsük át az alábbi illusztratív folyamatábrát. BUD-OPR V6i.ppt Döntéselőkészítő előrejelző modell kialakításának és alkalmazásának folyamata Keresztmetszeti regressziós modellek kialakítása 3 kiemelt gazdasági jellemzőre (célváltozóra Keresztmetszeti regressziós modellek szűkítése Keresztmetszeti modellek prediktorainak előrejelzése Reptéri indikátorok bevonása a prediktorok előrejelzésébe A végső előrejelző regressziós modellek kialakítása Előrejelzés a végső regressziós modellekkel Alkalmazás Célok Lépések Eredmények Cél: 3 regressziós modell építése 3 kiemelt célváltozóra 69 település 2011-es adatai, mint keresztmetszet 3 kiemelt célváltozó: Saját folyó bevételek Helyi adóbevételek Foglalkoztatott ak száma 54 magyarázó változó (manifeszt indikátor például kiskereskedelmi üzletek száma Eredmény: 3 db regressziós modell a célváltozókra Cél: az irreleváns magyarázó változók kiszűrése A szűrés végrehajtása az ún. p- szignifikancia érték alapján Eredmény: 3 db szűkített modell a célváltozókra: M2_3C jelöléssel a Saját folyó bevételekre M3_3C jelöléssel a Helyi adóbevételek re M1_2C jelöléssel a Foglalkoztato ttak számára Oksági kapcsolatok feltárása Cél: a M2_3C, M3_3C és a M1_2C modellek releváns magyarázó változóinak (a prediktoroknak az idősoros előrejelzése Prediktorok idősorainak csoportosítása a hiányzó adatok mintázata alapján 4 csoportba Lineáris, kvadratikus és exponenciális trendfüggvények illesztése az első 3 csoport és a későbbiekben a 4. csoport esetében Eredmény: Az első 3 prediktor csoportra a prediktorok előrejelzésre alkalmas szabályok és trendfüggvények Cél: A reptért jellemző naturáliák bevonása az előrejelzésbe A prediktorok idősorainak negyedik csoportjánál kerül sor a bevonásra időszak adatai ebben a csoportban hiánytalanok Bevonásra került szignifikáns változók:(d2_10 Érkező és induló utasszám repülőtéren, (D3_10 Érkező és induló árutonna repülőtéren Eredmény: Reptéri változókat is tartalmazó prediktorokat előrejelző trendfüggvények Cél: A kitüntetett 3 célváltozó tekintetében előrejelzésre alkalmas modellek kialakítása a évi keresztmetszeti adatállományban a településre (itt 18.kerület vonatkozó prediktor adatok felülírása azok évi előrejelzéseivel. A módosított adatállományra a Településspecifikus keresztmetszeti regressziós koefficiensek meghatározása Eredmény: 3 db regressziós modell a célváltozókra: M2_3P, M3_3P és M1_2P jelöléssel Cél: a M2_3P, M3_3P és a M1_2P modellek segítségével a 3 célváltozóra az adott település (itt 18.kerület esetében az előrejelzett érték meghatározása Az előrejelző modellek megfelelő adatokkal való feltöltése Az előrejelzett értékek kiszámítása a regressziós összefüggés segítségével Eredmény: Az adott településre (esetünkben 18.kerület a Saját folyó bevételek Helyi adóbevételek Foglalkoztato ttak száma célváltozók előrejelzése 6
7 II. II. ÚTMUTATÓ A STATISZTIKAI PROGRAMHOZ A megelőző kimenetekben részletesen és több dimenzióban beszámoltunk az indikátorokról az adatbázis szerkezetéről, szelektálásáról, így jelen munkaanyagban az indikátorok elemzésétől eltekintünk, ugyanakkor az indikátorok megnevezését és kódját a Függelék 1.táblájában közöljük. A statisztikai modellből előrejelzendő célváltozók: 1. Saját folyó bevételek (kód: D2_3, 2. Helyi adóbevételek (kód: D3_3, 3. Foglalkoztatottak száma (kód: D1_2. Jelen statisztikai modell az The R Project for Statistical Computing programnyelv környezetben kerül megadásra. A modell struktúrája a magyar adatbázison definiált modell struktúráját követi. A modell alkalmazása univerzális, és egyszerű. Az alkalmazás alapvetően három komponenst igényel: 1. az "R for Windows" open-source program installációját a komputeren (letöltés: a. b. download R c. CRAN MIRRORS HUNGARY(javasolt d. Download R for Windows e. Base Download R for Windows Futtatás. f. ezt követően a Telepítő követésével az R program a számítógépre telepítésre kerül. 2. két szeparált adatfájlt.csv formátumban rögzítve valamely meghajtón (pl. C:, rendre: a. C:/TimeSeries.csv b. C:/CrossSection.csv 3. és a jelen használati útmutató program-utasításait a "Begin Model" és az "End model" könyvjelzők között (a továbbiakban: airledprogram.txt. A kalkulációk könnyű végrehajtása érdekében mind az airledprogram.txt R-programot, mind a másik két.csv adatfájlt szeparáltan mellékeljük, de a könnyebb áttekintés érdekében a jelen riportban is olvashatók lesznek. Az adatfájlok a Függelékben szerepelnek. A programsorok között azok a karakterek, amelyek közvetlenül # jelet követően szerepelnek, a program szempontjából 7
8 nem végrehajtandó utasítások, hanem mint "komment" megjegyzések, magyarázatok szerepelnek, tehát a szoftver nem veszi őket figyelembe, csupán a felhasználó tájékozódását segíti. A szoftver a fenti két input fájlra épül, mindkettő ".csv" kiterjesztéssel. Az egyik az idősori előrejelzést szolgáló - time series of the target settlement (Budapest 18.kerület és Repülőtéri adatok fájl, melynek megnevezése az adott meghajtón: "TimeSeries.csv". A másik pedig a keresztmetszeti, településsoros adatbázis, mely a Repülőtér vonzáskörzetébe tartozó településeket(69 db tartalmazza adott, meghatározó évre (esetünkben 2011 év, pl. egy Census évére, melynek neve a fizikai meghajtón "CrossSection.csv". A program megbízható működése érdekében a két.csv adatfájl nevét változtatás nélkül kell hagyni. A nemzetközi alkalmazás e két -.csv- adatfájl ország-specifikus adatainak a cseréjét igényli. Az R-program futtatásának, tehát az előrejelző szoftver alkalmazásának lépései a következők. 1. Az R-project program letöltése a komputerre, ha még nincs installálva. 2. Az országspecifikus TimeSeries.csv és CrossSection.csv adatállományok elkészítése. 3. Jelen "Manual" "Begin Model" és "End Model" könyvjelzői közötti sorainak egyszerű bemásolása az R-konzolba, de az erősen javasolt megoldás az airledprogram.txt fájl teljes egészének a bemásolása az R-Console-ba. Az R-Console az R programikonra kattintással azonnal bejelentkezik, a bejelentkező villogó kurzor után az airledprogram.txt fájl bemásolásával (a végén az utolsó üres sor elején egy kurzorral együtt a program automatikusan lefut és az eredmények megjelennek. Az R program futtatási eredményeit a program piros színnel jelöli. 4. A programsorok és adatállományok javasolt betűtípusa: Courier New. 5. Az automatikusan megjelenő eredmények értelmezése. A program bárhonnan indítható, de az adatokat az útvonal (Path könnyű megadása érdekében ajánlott a C:/ meghajtón tartani. Amennyiben nem a C:/ meghajtón, hanem más (pl. hordozható Winchester, Pendrive adathordozón van a két adatfájl, akkor értelemszerűen az airledprogram.txt programban a sárgával jelölt két helyen az útvonalat meg kell adni. A következő fejezetben megadjuk a statisztikai programot az R szintaktikájában. 8
9 III. III. AZ R PROGRAM ###################### # Begin airled Model # ###################### ############################################## # 1. A Céltelepülés idősorainak a beolvasása # ############################################## Ker18time <- read.table("c:/timeseries.csv", header=true, sep=";", na.strings="na", dec=".", strip.white=true ############################################################ # 2. Az előrejelzési időpont (2014 proxy érték megadása a # # kvadratikus trendhez, a konstans taggal: 1_2014_2014^2 # ############################################################ quad.time.point <- c(1,(ker18time$obs[13]+1,(ker18time$obs[13]+1^2 quad.time.point ################################################################## # 3. Kvadratikus trend-előrejelzés a D2_10 Utasforgalom és D3_10 # # Cargoteljesítmény Repülőtéri forgalmakra # ################################################################## D2_10 <- lm( D2_10 ~ obs + I(obs^2, data = summary(d2_10 D3_10 <- lm( D3_10 ~ obs + I(obs^2, data = summary(d3_10 pred.d2_10_2014 <- crossprod(quad.time.point, D2_10$coeff pred.d3_10_2014 <- crossprod(quad.time.point, D3_10$coeff pred.d2_10_2014 pred.d3_10_2014 predictor.point <- c(quad.time.point, pred.d2_10_2014,pred.d3_10_2014 predictor.point ########################################################### # 4. A keresztmetszeti prediktorok időbeli előrejelzése a # # évre, alapvetően kvadratikus trend és Repülőtéri # # forgalom alapján ha az adatsűrűség megengedi, egyébként # # az előrejelzés szakértői, szubjektív # ########################################################### D4_1 <- lm( D4_1 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time 9
10 summary(d4_1 pred.d4_1_2014 <- crossprod(predictor.point, D4_1$coeff pred.d4_1_2014 D1_2 <- lm( D1_2 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d1_2 pred.d1_2_2014 <- crossprod(predictor.point, D1_2$coeff pred.d1_2_2014 pred.d1_2_2014 < # szakértői becsléssel felülírva pred.d1_2_2014 D2_3 <- lm( D2_3 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d2_3 pred.d2_3_2014 <- crossprod(predictor.point, D2_3$coeff pred.d2_3_2014 D3_3 <- lm( D3_3 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d3_3 pred.d3_3_2014 <- crossprod(predictor.point, D3_3$coeff pred.d3_3_2014 D1_4 <- lm( D1_4 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d1_4 pred.d1_4_2014 <- crossprod(predictor.point, D1_4$coeff pred.d1_4_2014 D2_4 <- lm( D2_4 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d2_4 pred.d2_4_2014 <- crossprod(predictor.point, D2_4$coeff pred.d2_4_2014 D1_5 <- lm( D1_5 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d1_5 pred.d1_5_2014 <- crossprod(predictor.point, D1_5$coeff pred.d1_5_2014 D3_5 <- lm( D3_5 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d3_5 pred.d3_5_2014 <- crossprod(predictor.point, D3_5$coeff pred.d3_5_2014 pred.d3_5_2014 <- 195 # szakértői becsléssel felülírva pred.d3_5_2014 D4_5 <- lm( D4_5 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time 10
11 summary(d4_5 pred.d4_5_2014 <- crossprod(predictor.point, D4_5$coeff pred.d4_5_2014 pred.d4_5_2014 < # szakértői becsléssel felülírva pred.d4_5_2014 D8_5 <- lm( D8_5 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d8_5 pred.d8_5_2014 <- crossprod(predictor.point, D8_5$coeff pred.d8_5_2014 D2_6 <- lm( D2_6 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d2_6 pred.d2_6_2014 <- crossprod(predictor.point, D2_6$coeff pred.d2_6_2014 D3_6 <- lm( D3_6 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d3_6 pred.d3_6_2014 <- crossprod(predictor.point, D3_6$coeff pred.d3_6_2014 D4_6 <- lm( D4_6 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d4_6 pred.d4_6_2014 <- crossprod(predictor.point, D4_6$coeff pred.d4_6_2014 D5_6 <- lm( D5_6 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d5_6 pred.d5_6_2014 <- crossprod(predictor.point, D5_6$coeff pred.d5_6_2014 D6_6 <- lm( D6_6 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d6_6 pred.d6_6_2014 <- crossprod(predictor.point, D6_6$coeff pred.d6_6_2014 D9_6 <- lm( D9_6 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d9_6 pred.d9_6_2014 <- crossprod(predictor.point, D9_6$coeff pred.d9_6_2014 D10_6 <- lm( D10_6 ~ obs + I(obs^2 + D2_10 + D3_10, data = summary(d10_6 11
12 pred.d10_6_2014 <- crossprod(predictor.point, D10_6$coeff pred.d10_6_2014 D2_7 <- lm( D2_7 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d2_7 pred.d2_7_2014 <- crossprod(predictor.point, D2_7$coeff pred.d2_7_2014 D3_7 <- lm( D3_7 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d3_7 pred.d3_7_2014 <- crossprod(predictor.point, D3_7$coeff pred.d3_7_2014 D4_7 <- lm( D4_7 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d4_7 pred.d4_7_2014 <- crossprod(predictor.point, D4_7$coeff pred.d4_7_2014 D1_8 <- lm( D1_8 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d1_8 pred.d1_8_2014 <- crossprod(predictor.point, D1_8$coeff pred.d1_8_2014 D4_8 <- lm( D4_8 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d4_8 pred.d4_8_2014 <- crossprod(predictor.point, D4_8$coeff pred.d4_8_2014 D5_8 <- lm( D5_8 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d5_8 pred.d5_8_2014 <- crossprod(predictor.point, D5_8$coeff pred.d5_8_2014 D6_8 <- lm( D6_8 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d6_8 pred.d6_8_2014 <- crossprod(predictor.point, D6_8$coeff pred.d6_8_2014 D7_8 <- lm( D7_8 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d7_8 pred.d7_8_2014 <- crossprod(predictor.point, D7_8$coeff pred.d7_8_
13 D1_9 <- lm( D1_9 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d1_9 pred.d1_9_2014 <- crossprod(predictor.point, D1_9$coeff pred.d1_9_2014 D4_9 <- lm( D4_9 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d4_9 pred.d4_9_2014 <- crossprod(predictor.point, D4_9$coeff pred.d4_9_2014 pred.d4_9_2014 < # szakértői becsléssel felülírva pred.d4_9_2014 D5_9 <- lm( D5_9 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d5_9 pred.d5_9_2014 <- crossprod(predictor.point, D5_9$coeff pred.d5_9_2014 D6_9 <- lm( D6_9 ~ obs + I(obs^2 + D2_10 + D3_10, data = Ker18time summary(d6_9 pred.d6_9_2014 <- crossprod(predictor.point, D6_9$coeff pred.d6_9_2014 ################################################################### # 5. A "pred.regressors" vektorban vannak a prediktorok évi # # előrejelzései tárolva # ################################################################### pred.regressors <- c ( pred.d4_1_2014, pred.d1_2_2014, pred.d2_3_2014, pred.d3_3_2014, pred.d1_4_2014, pred.d2_4_2014, pred.d1_5_2014, pred.d3_5_2014, pred.d4_5_2014, pred.d8_5_2014, pred.d2_6_2014, pred.d3_6_2014, pred.d4_6_2014, pred.d5_6_2014, 13
14 pred.d6_6_2014, pred.d9_6_2014, pred.d10_6_2014, pred.d2_7_2014, pred.d3_7_2014, pred.d4_7_2014, pred.d1_8_2014, pred.d4_8_2014, pred.d5_8_2014, pred.d6_8_2014, pred.d7_8_2014, pred.d1_9_2014, pred.d4_9_2014, pred.d5_9_2014, pred.d6_9_2014 pred.regressors ################################################################ # 6. A három célváltozó előrejelzése a évre, a évi # # település soros (keresztmetszeti adatokon úgy, hogy a # # Céltelepülés (a 18. Kerületi Önkormányzat prediktor # # változó adatait az adatállományban helyettesítjük azok # # évi előrejelzett értékeivel, amely előrejelzés # # egyfelől időbeli trendeken, másfelől a Repülőtér utas és # # Cargo forgalmának időbeli alakulásán is alapul. # ################################################################ ########################################### # 6.1. A településsoros adatok beolvasása # ########################################### Settlements <- read.table("c:/crosssection.csv", header=true, sep=";", na.strings="na", dec=".",row.names=1, strip.white=true ################################################################ # 6.2. A Budapest 18. Kerület adatainak felülírása a évi # # előrejelzésével # ################################################################ Settlements[4,] <- pred.regressors Settlements[4,] ############################################################# # 6.3. A D2_3 prediktorok adatainak listába foglalása # ############################################################# Settlements.pred.points.D2.3 <- c( 14
15 1, pred.d4_1_2014, pred.d1_2_2014, pred.d1_4_2014,pred.d2_4_2014, pred.d1_5_2014,pred.d3_5_2014, pred.d2_6_2014,pred.d4_6_2014,pred.d5_6_2014,pred.d9_6_2014, pred.d2_7_2014,pred.d3_7_2014, pred.d1_8_2014,pred.d6_8_2014,pred.d7_8_2014, pred.d1_9_2014,pred.d4_9_2014,pred.d5_9_2014 Settlements.pred.points.D2.3[is.na(Settlements.pred.points.D2.3] <- 0 ############################### # 6.4. A D2_3 lineáris modell # ############################### Settlements.D2.3 <- lm(d2_3 ~ D4_1+ D1_2+ D1_4+D2_4+ D1_5+D3_5+ D2_6+D4_6+D5_6+D9_6+ D2_7+D3_7+ D1_8+D6_8+D7_8+ D1_9+D4_9+D5_9, data=settlements summary(settlements.d2.3 ################################################## # 6.5. D2_3 előrejelzés a 18. Kerületre, 2014-re # ################################################## Predict.D2_3.18Ker <- crossprod( Settlements.D2.3$coeff, Settlements.pred.points.D2.3 # Az előrejelzett D2_3 Önkormányzat saját folyó bevételei értéke: Predict.D2_3.18Ker ############################################################# # 6.6. A D3_3 prediktorok adatainak listába foglalása # ############################################################# Settlements.pred.points.D3.3 <- c( 1, pred.d4_1_2014, pred.d1_2_2014, pred.d1_4_2014,pred.d2_4_2014, pred.d3_5_2014,pred.d4_5_2014,pred.d8_5_2014, pred.d2_6_2014,pred.d9_6_2014,pred.d10_6_2014, pred.d3_7_2014,pred.d4_7_2014, pred.d1_8_2014,pred.d4_8_2014,pred.d6_8_2014,pred.d7_8_2014, pred.d1_9_2014,pred.d4_9_2014,pred.d5_9_2014,pred.d6_9_
16 Settlements.pred.points.D3.3[is.na(Settlements.pred.points.D3.3] <- 0 ############################### # 6.7. A D3_3 lineáris modell # ############################### Settlements.D3.3 <- lm(d3_3 ~ D4_1+ D1_2+ D1_4+D2_4+ D3_5+D4_5+D8_5+ D2_6+D9_6+D10_6+ D3_7+D4_7+ D1_8+D4_8+D6_8+D7_8+ D1_9+D4_9+D5_9+D6_9, data=settlements summary(settlements.d3.3 ################################################## # 6.8. D3_3 előrejelzés a 18. Kerületre, 2014-re # ################################################## Predict.D3_3.18Ker <- crossprod( Settlements.D3.3$coeff, Settlements.pred.points.D3.3 # Az előrejelzett D3_3 Önkormányzat helyi adó bevételei értéke: Predict.D3_3.18Ker ############################################################# # 6.9. A D1_2 prediktorok adatainak listába foglalása # ############################################################# Settlements.pred.points.D1.2 <- c( 1, pred.d2_4_2014, pred.d1_5_2014,pred.d4_5_2014,pred.d8_5_2014, pred.d2_6_2014,pred.d3_6_2014,pred.d4_6_2014,pred.d5_6_2014,pred.d6_ 6_2014,pred.D9_6_2014,pred.D10_6_2014, pred.d2_7_2014,pred.d3_7_2014,pred.d4_7_2014, pred.d4_8_2014,pred.d5_8_2014,pred.d6_8_2014,pred.d7_8_2014, pred.d4_9_2014,pred.d5_9_2014 Settlements.pred.points.D1.2[is.na(Settlements.pred.points.D1.2] <- 0 ################################ # A D1_2 lineáris modell # ################################ Settlements.D1.2 <- lm(d1_2 ~ D2_4+ D1_5+D4_5+D8_5+ 16
17 D2_6+D3_6+D4_6+D5_6+D6_6+D9_6+D10_6+ D2_7+D3_7+D4_7+ D4_8+D5_8+D6_8+D7_8+ D4_9+D5_9, data=settlements summary(settlements.d1.2 ################################################### # D1_2 előrejelzés a 18. Kerületre, 2014-re # ################################################### Predict.D1_2.18Ker <- crossprod( Settlements.D1.2$coeff, Settlements.pred.points.D1.2 # Az előrejelzett D1_2 Foglalkoztatottak értéke: Predict.D1_2.18Ker #################### # End airled Model # #################### 17
18 IV. IV. AZ OUTPUT Az előző fejezetben megadott program az adatfájlok útvonalának helyes megadása esetén az R programban lefut és a jelenleg rendelkezésre álló két adatfájl (TimeSeries.csv és CrossSection.csv alkalmazásával az alábbi outputot állítja elő. R version ( "Sock it to Me" Copyright (C 2014 The R Foundation for Statistical Computing Platform: i386-w64-mingw32/i386 (32-bit R is free software and comes with ABSOLUTELY NO WARRANTY. You are welcome to redistribute it under certain conditions. Type 'license(' or 'licence(' for distribution details. R is a collaborative project with many contributors. Type 'contributors(' for more information and 'citation(' on how to cite R or R packages in publications. Type 'demo(' for some demos, 'help(' for on-line help, or 'help.start(' for an HTML browser interface to help. Type 'q(' to quit R. ###################### # Begin airled Model # ###################### ############################################## # 1. A Céltelepülés idősorainak a beolvasása # ############################################## Ker18time <- read.table("c:/timeseries.csv", header=true, sep=";", na.strings="na", dec=".", strip.white=true ############################################################ # 2. Az előrejelzési időpont (2014 proxy érték megadása a # # kvadratikus trendhez, a konstans taggal: 1_2014_2014^2 # ############################################################ quad.time.point <- c(1,(ker18time$obs[13]+1,(ker18time$obs[13]+1^2 quad.time.point [1] ################################################################## # 3. Kvadratikus trend-előrejelzés a D2_10 Utasforgalom és D3_10 # # Cargoteljesítmény Repülőtéri forgalmakra # ################################################################## 18
19 D2_10 <- lm( D2_10 ~ obs + I(obs^2, data = summary(d2_10 lm(formula = D2_10 ~ obs + I(obs^2, data = Estimate Std. Error t value Pr( t (Intercept e e *** obs 2.239e e ** I(obs^ e e ** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 10 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 2 and 10 DF, p-value: 6.309e-06 D3_10 <- lm( D3_10 ~ obs + I(obs^2, data = summary(d3_10 lm(formula = D3_10 ~ obs + I(obs^2, data = Estimate Std. Error t value Pr( t (Intercept e e * obs 1.010e e * I(obs^ e e * --- Signif. codes: 0 *** ** 0.01 * Residual standard error: 4784 on 10 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 2 and 10 DF, p-value: pred.d2_10_2014 <- crossprod(quad.time.point, D2_10$coeff pred.d3_10_2014 <- crossprod(quad.time.point, D3_10$coeff pred.d2_10_2014 [1,]
20 pred.d3_10_2014 [1,] predictor.point <- c(quad.time.point, pred.d2_10_2014,pred.d3_10_2014 predictor.point [1] ########################################################### # 4. A keresztmetszeti prediktorok időbeli előrejelzése a # # évre, alapvetően kvadratikus trend és Repülőtéri # # forgalom alapján ha az adatsűrűség megengedi, egyébként # # az előrejelzés szakértői, szubjektív # ########################################################### D4_1 <- lm( D4_1 ~ obs + I(obs^2 + D2_10 + D3_10, data = summary(d4_1 lm(formula = D4_1 ~ obs + I(obs^2 + D2_10 + D3_10, data = Estimate Std. Error t value Pr( t (Intercept e e obs 6.227e e I(obs^ e e D2_ e e D3_ e e Residual standard error: on 4 degrees of freedom (4 observations deleted due to missingness Multiple R-squared: , Adjusted R-squared: F-statistic: on 4 and 4 DF, p-value: pred.d4_1_2014 <- crossprod(predictor.point, D4_1$coeff pred.d4_1_2014 [1,] D1_2 <- lm( D1_2 ~ obs + I(obs^2 + D2_10 + D3_10, data = 20
21 summary(d1_2 lm(formula = D1_2 ~ obs + I(obs^2 + D2_10 + D3_10, data = ALL 3 residuals are 0: no residual degrees of freedom! (2 not defined because of singularities Estimate Std. Error t value Pr( t (Intercept e+05 NA NA NA obs 2.630e+02 NA NA NA I(obs^ e-03 NA NA NA D2_10 NA NA NA NA D3_10 NA NA NA NA Residual standard error: NaN on 0 degrees of freedom (10 observations deleted due to missingness Multiple R-squared: 1, Adjusted R-squared: NaN F-statistic: NaN on 2 and 0 DF, p-value: NA pred.d1_2_2014 <- crossprod(predictor.point, D1_2$coeff pred.d1_2_2014 [1,] NA pred.d1_2_2014 < # szakértői becsléssel felülírva pred.d1_2_2014 [1] D2_3 <- lm( D2_3 ~ obs + I(obs^2 + D2_10 + D3_10, data = summary(d2_3 lm(formula = D2_3 ~ obs + I(obs^2 + D2_10 + D3_10, data = Estimate Std. Error t value Pr( t (Intercept e e ** obs 2.511e e ** I(obs^ e e ** D2_ e e D3_ e e Signif. codes: 0 *** ** 0.01 *
22 Residual standard error: on 8 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 4 and 8 DF, p-value: 6.223e-06 pred.d2_3_2014 <- crossprod(predictor.point, D2_3$coeff pred.d2_3_2014 [1,] D3_3 <- lm( D3_3 ~ obs + I(obs^2 + D2_10 + D3_10, data = summary(d3_3 lm(formula = D3_3 ~ obs + I(obs^2 + D2_10 + D3_10, data = Estimate Std. Error t value Pr( t (Intercept e e * obs 2.104e e * I(obs^ e e * D2_ e e D3_ e e Signif. codes: 0 *** ** 0.01 * Residual standard error: on 8 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 4 and 8 DF, p-value: 1.027e-05 pred.d3_3_2014 <- crossprod(predictor.point, D3_3$coeff pred.d3_3_2014 [1,] D1_4 <- lm( D1_4 ~ obs + I(obs^2 + D2_10 + D3_10, data = summary(d1_4 lm(formula = D1_4 ~ obs + I(obs^2 + D2_10 + D3_10, data =
23 Estimate Std. Error t value Pr( t (Intercept 1.580e e obs e e I(obs^ e e D2_ e e D3_ e e Residual standard error: on 8 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 4 and 8 DF, p-value: 6.586e-06 pred.d1_4_2014 <- crossprod(predictor.point, D1_4$coeff pred.d1_4_2014 [1,] D2_4 <- lm( D2_4 ~ obs + I(obs^2 + D2_10 + D3_10, data = summary(d2_4 lm(formula = D2_4 ~ obs + I(obs^2 + D2_10 + D3_10, data = Estimate Std. Error t value Pr( t (Intercept e e ** obs 5.650e e ** I(obs^ e e ** D2_ e e D3_ e e Signif. codes: 0 *** ** 0.01 * Residual standard error: on 7 degrees of freedom (1 observation deleted due to missingness Multiple R-squared: , Adjusted R-squared: F-statistic: on 4 and 7 DF, p-value: pred.d2_4_2014 <- crossprod(predictor.point, D2_4$coeff pred.d2_4_2014 [1,] D1_5 <- lm( D1_5 ~ obs + I(obs^2 + D2_10 + D3_10, data = summary(d1_5 23
24 lm(formula = D1_5 ~ obs + I(obs^2 + D2_10 + D3_10, data = Estimate Std. Error t value Pr( t (Intercept 1.226e e obs e e I(obs^ e e D2_ e e D3_ e e Residual standard error: 5225 on 1 degrees of freedom (7 observations deleted due to missingness Multiple R-squared: , Adjusted R-squared: F-statistic: on 4 and 1 DF, p-value: pred.d1_5_2014 <- crossprod(predictor.point, D1_5$coeff pred.d1_5_2014 [1,] D3_5 <- lm( D3_5 ~ obs + I(obs^2 + D2_10 + D3_10, data = summary(d3_5 lm(formula = D3_5 ~ obs + I(obs^2 + D2_10 + D3_10, data = Estimate Std. Error t value Pr( t (Intercept e e ** obs 1.210e e ** I(obs^ e e ** D2_ e e D3_ e e * --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 8 degrees of freedom Multiple R-squared: , Adjusted R-squared: F-statistic: on 4 and 8 DF, p-value:
ÉRTÉKELÉSI ÉS ÁTRUHÁZHATÓSÁGI JELENTÉS
STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL ÉRTÉKELÉSI ÉS ÁTRUHÁZHATÓSÁGI JELENTÉS BUDAPEST, XVIII. KERÜLET, VECSÉS BUDAPEST, 2014 1 BUDAPEST XVIII. KERÜLET PESTSZENTLŐRINC-PESTSZENTIMRE ÖNKORMÁNYZATA VECSÉS
RészletesebbenJELENTÉS AZ ELŐREJELZÉSRŐL
STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL JELENTÉS AZ ELŐREJELZÉSRŐL VÉGSŐ VERZIÓ BUDAPEST, XVIII. KERÜLET, VECSÉS BUDAPEST, 2014 1 BUDAPEST XVIII. KERÜLET PESTSZENTLŐRINC-PESTSZENTIMRE ÖNKORMÁNYZATA VECSÉS
Részletesebben1., Egy területen véletlenszerűen kihelyezet kvadrátokban megszámlálták az Eringium maritimum (tengerparti ördögszekér) egyedeit.
1., Egy területen véletlenszerűen kihelyezet kvadrátokban megszámlálták az Eringium maritimum (tengerparti ördögszekér) egyedeit. 1., Határozza meg az átlagos egyedszámot és a szórást. Egyedszám (x i )
RészletesebbenTAMP ÉS CO-TAMP KÖZÖS ÉS NEMZETI VONZÓKÉPESSÉGI PLATFORM
TAMP ÉS CO-TAMP KÖZÖS ÉS NEMZETI VONZÓKÉPESSÉGI PLATFORM Nagy András PhD Lechner Nonprofit Kft. http://www.interreg-danube.eu/approved-projects/attractive-danube Project co-founded by European Union funds
RészletesebbenLogisztikus regresszió október 27.
Logisztikus regresszió 2017. október 27. Néhány példa Mi a valószínűsége egy adott betegségnek a páciens bizonyos megfigyelt jellemzői (pl. nem, életkor, laboreredmények, BMI stb.) alapján? Mely genetikai
RészletesebbenSmart City, okos város - a jövőnk kulcsa konferencia április 13. Budapest. Nagy András PhD téradat-elemzési szakértő Lechner Nonprofit Kft.
A T E I R L E H E T Ő S É G E I A Z O K O S V Á R O S I F E J L E S Z T É S E K S Z O L G Á L AT Á B A N Smart City, okos város - a jövőnk kulcsa konferencia 2016. április 13. Budapest Nagy András PhD
RészletesebbenAdatelemzés SAS Enterprise Guide használatával. Soltész Gábor solteszgabee[at]gmail.com
Adatelemzés SAS Enterprise Guide használatával Soltész Gábor solteszgabee[at]gmail.com Tartalom SAS Enterprise Guide bemutatása Kezelőfelület Adatbeolvasás Szűrés, rendezés Új változó létrehozása Elemzések
RészletesebbenBISNODE CÉGLISTA SZOLGÁLTATÁSOK
BISNODE CÉGLISTA SZOLGÁLTATÁSOK BISNODE Több mint félmillió aktív magyar és 200 millió külföldi vállalkozásból számos szűrőfeltétel alapján elkészítjük az Ön igényei szerinti céglistát. A Bisnode minősítés
RészletesebbenMegyei tervezést támogató alkalmazás
TeIR (Területfejlesztési és Területrendezési Információs Rendszer) Megyei tervezést támogató alkalmazás Felhasználói útmutató 2015. május Tartalomjegyzék 1. BEVEZETŐ... 3 2. AZ ALKALMAZÁS BEMUTATÁSA...
RészletesebbenStatisztika II előadáslapok. 2003/4. tanév, II. félév
Statisztika II előadáslapok 3/4 tanév, II félév BECSLÉS ÉS HIPOTÉZISVIZSGÁLAT Egyik konzervgyár vágott zöldbabot exportál A szabvány szerint az üvegek nettó töltősúlyának az átlaga 3 g, a szórása 5 g Az
RészletesebbenSTATISZTIKA. Fogalom. A standard lineáris regressziós modell mátrixalgebrai jelölése. A standard lineáris modell. Eredménytáblázat
Fogalom STATISZTIKA 8 Előadás Többszörös lineáris regresszió Egy jelenség vizsgálata során általában az adott jelenséget több tényező befolyásolja, vagyis többnyire nem elegendő a kétváltozós modell elemzése
RészletesebbenJELENTÉS A SEM ALKALMAZÁSRÓL
STATISZTIKAI DÖNTÉSMEGALAPOZÁSI MODELL JELENTÉS A SEM ALKALMAZÁSRÓL BUDAPEST, XVIII. KERÜLET, VECSÉS VÉGSŐ VÁLTOZAT BUDAPEST, 2014 1 BUDAPEST XVIII. KERÜLET PESTSZENTLŐRINC-PESTSZENTIMRE ÖNKORMÁNYZATA
RészletesebbenIdősoros elemzés. Ferenci Tamás, ft604@hszk.bme.hu 2009. január 7.
Idősoros elemzés Ferenci Tamás, ft604@hszk.bme.hu 2009. január 7. A felhasznált adatbázisról Elemzésemhez a tanszéki honlapon rendelkezésre bocsátott TimeSeries.xls idősoros adatgyűjtemény egyik idősorát,
RészletesebbenIdősoros elemzés minta
Idősoros elemzés minta Ferenci Tamás, tamas.ferenci@medstat.hu A felhasznált adatbázisról Elemzésemhez a francia frank árfolyamának 1986.01.03. és 1993.12.31. közötti értékeit használtam fel, mely idősorban
RészletesebbenFogalom STATISZTIKA. Alkalmazhatósági feltételek. A standard lineáris modell. Projekciós mátrix, P
Fogalom STATISZTIKA 8 Előadás Többszörös lineáris regresszió Egy jelenség vizsgálata során általában az adott jelenséget több tényező befolyásolja, vagyis többnyire nem elegendő a kétváltozós modell elemzése
RészletesebbenHátrányos helyzetű járások és települések. Urbánné Malomsoki Mónika
Hátrányos helyzetű járások és települések Urbánné Malomsoki Mónika Jogi szabályozás Felhatalmazás alapja: 1996. évi XXI. Törvény a területfejlesztésről és területrendezésről 290/2014. Kormányrendelet a
RészletesebbenMelléklet 1. A knn-módszerhez használt változólista
Melléklet 1. A knn-módszerhez használt változólista 1. Régiók (1. Budapest, Pest megye, Dunántúl; 2. Dél-Magyarország; 3. Észak-Magyarország.) 2. Főállású-e az egyéni vállalkozó dummy (1 heti legalább
RészletesebbenDemográfiai jellemzők, földrajzi adottságok
Demográfiai jellemzők, földrajzi adottságok A település területe 2011 (hektár) Állandó népesség száma, 2011 (fő) Lakónépesség száma, 2011 (fő) Népsűrűség 1 km2-re a lakónépesség vonatkozásában, 2011 (fő/km2)
Részletesebben0,94 0,96 0,95 0,01-0,01 0,00 rendelkezők aránya A 25 - X éves népességből felsőfokú végzettségűek 0,95 0,95 0,94 0,00-0,01-0,01
dr. Vécsei Pál Módszertani leírás a településsoros választási adatbázisokhoz illesztett a települések társadalmi státuszát és társadalmi dinamikáját kifejezni hivatott tipológiákhoz A tipológiák "A társadalom
RészletesebbenAz R statisztikai programozási környezet: az adatgyűjtéstől a feldolgozáson és vizualizáción át a dinamikus jelentéskészítésig
: az adatgyűjtéstől a feldolgozáson és vizualizáción át a dinamikus jelentéskészítésig Ferenci Tamás ferenci.tamas@nik.uni-obuda.hu 2017. február 23. Tartalom Az R mint programozási nyelv A könyvtárakról
RészletesebbenGyakorló feladatok a kétváltozós regresszióhoz 2. Nemlineáris regresszió
Gyakorló feladatok a kétváltozós regresszióhoz 2. Nemlineáris regresszió 1. A fizetés (Y, órabér dollárban) és iskolázottság (X, elvégzett iskolai év) közti kapcsolatot vizsgáljuk az Y t α + β X 2 t +
RészletesebbenDÉL-BALATONI IDEGENFORGALMI ÉS KÖZGAZDASÁGI SZAKKÖZÉPISKOLA EGYSZERŰSÍTETT ÉVES BESZÁMOLÓJÁNAK KIEGÉSZÍTŐ MELLÉKLETE. Székesfehérvár, 2014. május 29.
DÉL-BALATONI IDEGENFORGALMI ÉS KÖZGAZDASÁGI SZAKKÖZÉPISKOLA 2013 EGYSZERŰSÍTETT ÉVES BESZÁMOLÓJÁNAK KIEGÉSZÍTŐ MELLÉKLETE Székesfehérvár, 2014. május 29. A társaság bemutatása A Dél-balatoni Idegenforgalmi
RészletesebbenKiegészítő melléklete
Statisztikai számjel: 25004582-6312-113-01 Cégjegyzék száma: 01-09-194184 Vállalkozás megnevezése: Direkt36 Újságíró Központ Nonprofit Kft. Vállalkozás székhelye: 1137 BUDAPEST POZSONYI ÚT 10. 2. EM/8
RészletesebbenRegresszió számítás az SPSSben
Regresszió számítás az SPSSben Kvantitatív statisztikai módszerek Petrovics Petra Lineáris regressziós modell X és Y közötti kapcsolatot ábrázoló egyenes. Az Y függ: x 1, x 2,, x p p db magyarázó változótól
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó. 2010. június
GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi
RészletesebbenTérségi egyenl tlenségek
Térségi egyenl tlenségek Kistérségi különbségek Demográfia Gazdaság leírásának dimenziói Foglalkoztatás, munkanélküliség Infrastruktúra Iskolázottság, oktatás Jövedelem, vagyoni helyzet Elérés Migráció
RészletesebbenStatisztika II. feladatok
Statisztika II. feladatok 1. Egy női ruhákat és kiegészítőket forgalmazó üzletlánc 118 egységénél felmérést végzett arról, milyen tényezők befolyásolják a havi összbevételüket (EUR). a) Pótolja ki a táblázatok
RészletesebbenKIEGÉSZÍTŐ MELLÉKLET
KIEGÉSZÍTŐ MELLÉKLET 2015. 01. 01. 2015. 12. 31. Budapest, 2016. április 30... A vállalkozás vezetője ( képviselője ) 1 1. Általános bemutatás A vállalkozás neve: STEMO MARKETING Kft. A vállalkozás rövidített
RészletesebbenKIEGÉSZÍTŐ MELLÉKLET GSM FOREVER KFT év
KIEGÉSZÍTŐ MELLÉKLET GSM FOREVER KFT 2015. év 1 I. ÁLTALÁNOS KIEGÉSZÍTÉSEK A GSM_Forever Korlátolt Felelősségű Társaságot (9021 Győr, Kisfaludy u. 15.) a Győr-Moson- Sopron Megyei Cégbíróság 2010. augusztus
RészletesebbenTrendek és helyzetkép gazdaság és munkaerőpiac Magyarországon és Veszprém megyében
Trendek és helyzetkép gazdaság és munkaerőpiac Magyarországon és Veszprém megyében TOP 1+2 kiadvány bemutatója Veszprém 217. november 7. Freid Mónika elnökhelyettes A bruttó hazai termék (GDP) alakulása
RészletesebbenErőforrások alternatív elemzési lehetősége
Erőforrások alternatív elemzési lehetősége Térbeli Teljesítményvizsgálat Áldorfai György SZIE-GTK-EGYRTDI Bevezető Probléma: a stratégiai dokumentumok módszertani hiányosságai (HVS HFS) Kihívások: EU-s
RészletesebbenA fizetési mérleg alakulása a januári adatok alapján
A fizetési mérleg alakulása a 22. januári adatok alapján A végleges számítások szerint 22. januárban 39 millió euró hiánnyal zárt a folyó fizetési mérleg. Az előző évi januári egyenleg 175 millió euró
RészletesebbenTurizmusgazdaság a Balaton kiemelt üdülőkörzetben. Szántó Balázs KSH Veszprémi főosztály
Turizmusgazdaság a Balaton kiemelt üdülőkörzetben Szántó Balázs KSH Veszprémi főosztály Kérdések Nemzetgazdasági értelemben mit értünk turizmus alatt? Kik alkotják a turizmus gazdaságát? Balaton kiemelt
RészletesebbenTelepítési útmutató a Solid Edge ST7-es verziójához Solid Edge
Telepítési útmutató a Solid Edge ST7-es verziójához Solid Edge Tartalomjegyzék Bevezetés 2 Szükséges hardver és szoftver konfiguráció 3 Testreszabások lementése előző Solid Edge verzióból 4 Előző Solid
RészletesebbenBevezetés az ökonometriába
Bevezetés az ökonometriába Többváltozós lineáris regresszió: modellszelekció Ferenci Tamás MSc 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Negyedik előadás, 2010. október
RészletesebbenForgalmi rekordok, nagyszabású fejlesztések
Forgalmi rekordok, nagyszabású fejlesztések Utazás Fórum 2018 Szarvas Gábor, közkapcsolati igazgató Napirend I. Üzleti és forgalmi áttekintés II. Turisztikai és légitársasági marketing aktivitás III. BUD
RészletesebbenA fizetési mérleg alakulása a márciusi adatok alapján
A fizetési mérleg alakulása a 23. márciusi adatok alapján 23-tól a publikáció súlypontja a havi adatokról a negyedéves adatokra helyeződik át. Havonta a T+3. munkanapon a nemzetközi tartalékokra vonatkozó
RészletesebbenA fizetési mérleg alakulása a májusi adatok alapján
A fizetési mérleg alakulása a 22. májusi adatok alapján A végleges számítások szerint 22. májusban 443 hiánnyal zárt a folyó fizetési mérleg. Az előző évi májusi egyenleg 213 hiányt mutatott. A változásban
RészletesebbenRapidMiner telepítés i. RapidMiner telepítés
i RapidMiner telepítés ii COLLABORATORS TITLE : RapidMiner telepítés ACTION NAME DATE SIGNATURE WRITTEN BY Jeszenszky, Péter 2014. szeptember 17. REVISION HISTORY NUMBER DATE DESCRIPTION NAME iii Tartalomjegyzék
RészletesebbenLogisztikus regresszió
Logisztikus regresszió 9. előadás Kvantitatív statisztikai módszerek Dr. Szilágyi Roland Függő változó (y) Nem metrikus Metri kus Gazdaságtudományi Kar Független változó () Nem metrikus Metrikus Kereszttábla
RészletesebbenREMEK. Regionális, megyei, kistérségi és. települési helyzetképek
TeIR REMEK Regionális, megyei, kistérségi és települési helyzetképek Felhasználói útmutató Budapest, 2015. április Tartalomjegyzék 1. BEVEZETŐ... 3 2. AZ ALKALMAZÁS BEMUTATÁSA... 3 2.1 TELEPÜLÉSI HELYZETKÉPEK...
RészletesebbenIntelligens közlekedési rendszerek hazai bevezetésének várható hatása az úthálózaton a torlódásos időszakok alakulására
Intelligens közlekedési rendszerek hazai bevezetésének várható hatása az úthálózaton a torlódásos időszakok alakulására ECALL WORK-SHOP 2013. NOVEMBER 12. Dr. Jankó Domokos Biztonságkutató Mérnöki Iroda
RészletesebbenTÁJÉKOZTATÓ BÉKÉS MEGYE NÉPEGÉSZSÉGÜGYI HELYZETÉRŐL
NÉPEGÉSZSÉGÜGYI FŐOSZTÁLY TÁJÉKOZTATÓ BÉKÉS MEGYE NÉPEGÉSZSÉGÜGYI HELYZETÉRŐL 2015. november 2. Tartalomjegyzék Fogalmak... 4 Demográfia népesség, népmozgalom, foglalkoztatottság... 6 Halálozás (mortalitás)
RészletesebbenSTATISZTIKAI ADATOK. Összeállította fazekas károly köllő jános lakatos judit lázár györgy
STATISZTIKAI ADATOK Összeállította fazekas károly köllő jános lakatos judit lázár györgy statisztikai adatok A 2000-től kiadott Munkaerőpiaci Tükörben publikált munkaerőpiaci folyamatokat leíró táblázatok
RészletesebbenLogisztikus regresszió
Logisztikus regresszió Kvantitatív statisztikai módszerek Dr. Szilágyi Roland Függő változó (y) Nem metrikus Metri kus Gazdaságtudományi Kar Független változó (x) Nem metrikus Metrikus Kereszttábla elemzés
RészletesebbenA fizetési mérleg alakulása a márciusi adatok alapján
A fizetési mérleg alakulása a 21. márciusi adatok alapján A végleges számítások szerint 21. márciusban 48 millió euró hiánnyal zárt a folyó fizetési mérleg. Az egyenlegnek az előző év márciushoz mért 97
RészletesebbenX-site.hu Kft. Kiegészítő melléklet
Adószám:23688498-2-13 Cégjegyzék szám:13-09-171703 X-site.hu Kft. Kiegészítő melléklet Fordulónap: 2016. december 31. Beszámolási időszak: 2016.01.01-2016.12.31 Újlengyel, 2017.05.31. Tóth Balázs ügyvezető
RészletesebbenTerületi elemzések. Budapest, 2015. április
TeIR Területi elemzések Felhasználói útmutató Budapest, 2015. április Tartalomjegyzék 1. BEVEZETŐ... 3 2. AZ ELEMZÉSBEN SZEREPLŐ MUTATÓ KIVÁLASZTÁSA... 4 3. AZ ELEMZÉSI FELTÉTELEK DEFINIÁLÁSA... 5 3.1.
Részletesebben2. feladat (A beszámoló összeállítása)
2. feladat (A beszámoló összeállítása) A BESZÁMOLÓ 1 Kft. 2017. december 31-i főkönyvi kivonatából a következő záró egyenlegeket ismerjük. A főkönyvi kivonat még nem tartalmazza a kiegészítő gazdasági
RészletesebbenREGIONÁLIS KLÍMAMODELLEZÉS AZ OMSZ-NÁL. Magyar Tudományos Akadémia szeptember 15. 1
Regionális klímamodellezés az Országos Meteorológiai Szolgálatnál HORÁNYI ANDRÁS (horanyi.a@met.hu) Csima Gabriella, Szabó Péter, Szépszó Gabriella Országos Meteorológiai Szolgálat Numerikus Modellező
RészletesebbenDataScope program SE/SP-300 távadókhoz HASZNÁLATI UTASÍTÁS
DataScope program SE/SP-300 távadókhoz HASZNÁLATI UTASÍTÁS 1. kiadás Gyártó: NIVELCO Ipari Elektronika Rt. H-1043 Budapest, Dugonics u. 11. Tel.: 889-0100 Fax: 889-0200 e-mail: marketing@nivelco.com www.nivelco.com
RészletesebbenLaborsegédlet 3. Labor
1/6. oldal Logisztikai rendszerek irányítás és automatizálás technikája I. CX-Programmer: 3. Labor A CX Programmer az OMRON PLC-k programozó szoftvere. Új program megnyitásának lépései: FILE NEW Device
RészletesebbenBOOKING GUIDE. itbroadcast - INFOTÉKA
BOOKING GUIDE itbroadcast - INFOTÉKA itbroadcast.. Regisztráció. Nyissa meg email fiókját.. Kattintson az itbroadcast oldalról érkező aktiváló linkre a regisztráció megerősítéséhez. BOOKING GUIDE. Az aktiválási
RészletesebbenCEDEK EMIH Izraelita Szeretetszolgálat
Bírósági bejegyzés száma: 0100/Pk.60702/2015 Telefon: 1-268-0183 CEDEK EMIH Izraelita Szeretetszolgálat Alapítvány Alapítványok egyszerűsített éves beszámolója Bírósági bejegyzés száma: 0100/Pk.60702/2015
RészletesebbenEGYSZERŰSÍTETT ÉVES BESZÁMOLÓ A számviteli tv. hatálya alá tartozó kettős könyvvitelt vezető vállalkozások részére (Eredménykimutatás: összköltség, Mérleg: A ) Ez a táblázatrendszer alkalmas arra, hogy
RészletesebbenArchiPHYSIK 8.0 telepítési útmutató
ArchiPHYSIK 8.0 telepítési útmutató Tartalomjegyzék 1 Előszó... 2 2 ArchiPHYSIK telepítése... 3 3 Adatfájl kiválasztása... 5 4 ArchiPHYSIK aktiválása... 5 1 Előszó Az ArchiPHYSIK program az épületek energetikai
RészletesebbenKözhasznúsági jelentés 2011
Adószám: 13953757-2-15 Bejegyző szerv: Szabolcs-Szatmár-Bereg megyei bíróság Regisztrációs szám: 15-09-071493 Tömöttvár 2007 Közhasznú Nonprofit Kft 4900 Fehérgyarmat, Tömöttvár út 5-7. 2011 Fordulónap:
RészletesebbenAdóhátralék kezelés egyszerűen. Telepítési útmutató. A program futtatásához Windows XP, Windows 7, 8 operációs rendszer szükséges.
Telepítési útmutató Rendszerkövetelmények: A program futtatásához Windows XP, Windows 7, 8 operációs rendszer szükséges. Szükséges futtatókörnyezet: Windows Framework 4 vagy magasabb verzió. Innen tölthető
RészletesebbenSta t ti t s i zt z i t k i a 3. előadás
Statisztika 3. előadás Statisztika fogalma Gyakorlati tevékenység Adatok összessége Módszertan A statisztika, mint gyakorlati tevékenység a tömegesen előforduló jelenségek egyedeire vonatkozó információk
RészletesebbenCSEPEL HOLDING NYRT. 2013. évi VEZET SÉGI JELENTÉSE. Budapest, 2014. április 29.
CSEPEL HOLDING NYRT 2013. évi VEZET SÉGI JELENTÉSE Budapest, 2014. április 29. aláírás 1 A Társaság 2013. évben is holding rendszerben m ködött, a vagyonkezelésen kívül más tevékenységet nem folytatott.
RészletesebbenCOMENIUS ANGOL-MAGYAR KÉTTANÍTÁSI NYELVŰ ÁLTALÁNOS ISKOLA 2013. EGYSZERŰSÍTETT ÉVES BESZÁMOLÓJÁNAK KIEGÉSZÍTŐ MELLÉKLETE
COMENIUS ANGOL-MAGYAR KÉTTANÍTÁSI NYELVŰ ÁLTALÁNOS ISKOLA 2013. EGYSZERŰSÍTETT ÉVES BESZÁMOLÓJÁNAK KIEGÉSZÍTŐ MELLÉKLETE Székesfehérvár, 2014. május 29. A társaság bemutatása A Comenius Angol-Magyar Két
RészletesebbenI./ Általános jellegű kiegészítések
Statisztikai számjel, vagy adószám Egyszerűsített éves beszámoló kiegészítő melléklet 1 8 9 3 9 8 1 5-9 4 9 9-5 2 9-1 9 egyéb szervezet Bejegyzési szám: Szervezet: Szigligeti Turisztikai Egyesület 6 4
RészletesebbenHéra Alapítvány évi Egyszerűsített éves beszámolójának kiegészítő melléklete
Héra Alapítvány 2016. évi Egyszerűsített éves beszámolójának kiegészítő melléklete Budapest, 2017-03.31. -1- Tartalomjegyzék I. Általános kiegészítések 1. Az alapítvány bemutatása, jogi viszonyok 2. Kapcsolt
RészletesebbenA fizetési mérleg alakulása a szeptemberi adatok alapján
A fizetési mérleg alakulása a 22. szeptemberi adatok alapján A végleges számítások szerint 22. szeptemberben 366 hiánnyal zárt a folyó fizetési mérleg. Az előző évi szeptemberi egyenleg 12 hiányt mutatott.
RészletesebbenDUNAVARSÁNYI VÁROSGAZDÁLKODÁSI KFT. 2336 Dunavarsány Kossuth Lajos utca 18. Kiegészítő melléklet. 2013. évi egyszerűsített éves beszámoló melléklete
DUNAVARSÁNYI VÁROSGAZDÁLKODÁSI KFT. 2336 Dunavarsány Kossuth Lajos utca 18. Kiegészítő melléklet 2013. évi egyszerűsített éves beszámoló melléklete Adószám: 13386140-2-13 Cégjegyzékszám: 13-09-101130 Ügyvezető
RészletesebbenKiegészítő melléklet
Kiegészítő melléklet Fordulónap: 2014. december 31. Beszámolási időszak: 2014. január 1. - 2014. december 31. Szabó és Szilágyi Számítástechnikai Rendszerház Éves beszámoló 2014. Kelt: Budapest, 2015-05-31..
RészletesebbenBevezetés az ökonometriába
Bevezetés az ökonometriába Többváltozós regresszió: nemlineáris modellek Ferenci Tamás MSc 1 tamas.ferenci@medstat.hu 1 Statisztika Tanszék Budapesti Corvinus Egyetem Hetedik előadás, 2010. november 10.
RészletesebbenTERÜLETI INFORMÁCIÓS RENDSZER ÉS ATTRAKTIVITÁS
TERÜLETI INFORMÁCIÓS RENDSZER ÉS ATTRAKTIVITÁS Nagy András PhD Lechner Nonprofit Kft. http://www.interreg-danube.eu/approved-projects/attractive-danube Project co-founded by European Union funds (ERDF,
RészletesebbenCOMENIUS ANGOL-MAGYAR KÉTTANÍTÁSI NYELVŰ ÁLTALÁNOS ISKOLA 2014. EGYSZERŰSÍTETT ÉVES BESZÁMOLÓJÁNAK KIEGÉSZÍTŐ MELLÉKLETE
COMENIUS ANGOL-MAGYAR KÉTTANÍTÁSI NYELVŰ ÁLTALÁNOS ISKOLA 2014. EGYSZERŰSÍTETT ÉVES BESZÁMOLÓJÁNAK KIEGÉSZÍTŐ MELLÉKLETE Székesfehérvár, 2015. május 29. A társaság bemutatása A Comenius Angol-Magyar Két
RészletesebbenTERÜLETI VONZÓKÉPESSÉG A DUNA RÉGIÓBAN ÉS HAZÁNKBAN ATTRACTIVE DANUBE
TERÜLETI VONZÓKÉPESSÉG A DUNA RÉGIÓBAN ÉS HAZÁNKBAN ATTRACTIVE DANUBE Jaschitzné Cserni Tímea Lechner Nonprofit Kft. http://www.interreg-danube.eu/approved-projects/attractive-danube Project co-founded
Részletesebben54 481 04 0010 54 01 Gazdasági informatikus Informatikus
A 10/2007 (II. 27.) SzMM rendelettel módosított 1/2006 (II. 17.) OM rendelet Országos Képzési Jegyzékről és az Országos Képzési Jegyzékbe történő felvétel és törlés eljárási rendjéről alapján. Szakképesítés,
Részletesebben55 345 01 0010 55 01 Európai Uniós üzleti
A 10/2007 (II. 27.) SzMM rendelettel módosított 1/2006 (II. 17.) OM rendelet Országos Képzési Jegyzékről és az Országos Képzési Jegyzékbe történő felvétel és törlés eljárási rendjéről alapján. Szakképesítés,
RészletesebbenMINDEN FELADATOT A FELADATOT TARTALMAZÓ LAPON OLD- JONMEG!
NÉV: ERA kód: évf.: gyak. vez.: MINDEN FELADATOT A FELADATOT TARTALMAZÓ LAPON OLD- JONMEG! Al. (a) Definiálja a mo ment um és a centrális momentum fogalmát (általában) (4 pont)! Egy megyében egy vizsgált
RészletesebbenAlgoritmus terv 3. Fejezet: Folyamatok meghatározása
This image cannot currently be displayed. Algoritmus terv 3. Fejezet: Folyamatok meghatározása 1. Algoritmus általános áttekintése 2. Inputok és outputok definiálása 3. Folyamatok meghatározása 4. ozási
RészletesebbenA fizetési mérleg alakulása a októberi adatok alapján
A fizetési mérleg alakulása a 22. októberi adatok alapján A végleges számítások szerint 22. októberben 231 hiánnyal zárt a folyó fizetési mérleg. Az előző évi októberi egyenleg 72 hiányt mutatott. A változásban
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenFoglalkoztatási modul
Foglalkoztatási modul Tóth Krisztián Országos Nyugdíjbiztosítási Főigazgatóság A mikroszimulációs nyugdíjmodellek felhasználása Workshop ONYF, 2014. május 27. Bevezetés Miért is fontos ez a modul? Mert
RészletesebbenDUNAVARSÁNYI VÁROSGAZDÁLKODÁSI KFT Dunavarsány Kossuth Lajos utca 18. Kiegészítő melléklet évi egyszerűsített éves beszámoló melléklete
DUNAVARSÁNYI VÁROSGAZDÁLKODÁSI KFT. 2336 Dunavarsány Kossuth Lajos utca 18. Kiegészítő melléklet 2012. évi egyszerűsített éves beszámoló melléklete Adószám: 13386140-2-13 Cégjegyzékszám: 13-09-101130 Ügyvezető
RészletesebbenVárnai Ibolya PhD-hallgató Enyedi György Regionális Tudományok Doktori Iskola
XV. MRTT VÁNDORGYŰLÉS MOSONMAGYARÓVÁR 2017 A vidéki műkereskedések térbeliségének és a társadalmi, gazdasági, kulturális tényezők regionális különbségeinek összefüggései. Várnai Ibolya PhD-hallgató Enyedi
RészletesebbenKIEGÉSZÍTŐ MELLÉKLET. Mérték Médiaelemző Műhely Közhasznú Nonprofit Kft. 2013.02.07-2013.12.31. egyszerűsített éves beszámolójához. 2013. március 31.
KIEGÉSZÍTŐ MELLÉKLET a Mérték Médiaelemző Műhely Közhasznú Nonprofit Kft. 213.2.7-213.12.31 egyszerűsített éves beszámolójához 213. március 31. a vállalkozás vezetője (képviselője) I. ÁLTALÁNOS RÉSZ A
RészletesebbenMódszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!
BGF KKK Módszertani Intézeti Tanszéki Osztály Budapest, 2012.. Név:... Neptun kód:... Érdemjegy:..... STATISZTIKA II. VIZSGADOLGOZAT Feladatok 1. 2. 3. 4. 5. 6. Összesen Szerezhető pontszám 21 20 7 22
Részletesebbenwww.egzatik.hu E-mail: info@egzatik.hu
EGYSZERŰSÍTETT ÉVES BESZÁMOLÓ A számviteli tv. hatálya alá tartozó kettős könyvvitelt vezető vállalkozások részére (Eredménykimutatás: összköltség, Mérleg: A ) Ez a táblázatrendszer alkalmas arra, hogy
RészletesebbenNemzetgazdasági teljesítmény mutatói
Nemzetgazdasági teljesítmény mutatói A nemzetgazdasági össztermelés és a halmozódás problémája. A GDP pontos értelmezése, különbözõ megközelítései. A GDP nagysága és felhasználása Magyarországon. További
RészletesebbenOpenOffice.org mint fejlesztési platform
Nyílt szoftverek a közigazgatásban OpenOffice.org mint fejlesztési platform dr. Banai Miklós, ügyvezető Koleszár Kázmér, projektvezető ODF OpenDocument Format Szabványos, könnyen kezelhető fájlformátum
RészletesebbenKistérségi gazdasági aktivitási adatok
Kistérségi gazdasági aktivitási adatok 1. A KMSR rendszerben alkalmazott statisztikai módszerek Előadó: Dr. Banai Miklós 2. A KMSR rendszer által szolgáltatott adatok, jelentések Előadó: Kovács Attila
RészletesebbenPentaho 4: Mindennapi BI egyszerűen. Fekszi Csaba Ügyvezető 2011. október 6.
Pentaho 4: Mindennapi BI egyszerűen Fekszi Csaba Ügyvezető 2011. október 6. 1 2 3 4 5 Bevezetés Pentaho-ról röviden - áttekintő Mindennapi BI egyszerűen a Pentaho 4 újdonságai Pentaho összefoglaló Alkalmazás
RészletesebbenBár a szoftverleltárt elsősorban magamnak készítettem, de ha már itt van, miért is ne használhatná más is.
SZOFTVERLELTÁR FREE Amennyiben önnek vállalkozása van, akkor pontosan tudnia kell, hogy milyen programok és alkalmazások vannak telepítve cége, vállalkozása számítógépeire, és ezekhez milyen engedélyeik,
RészletesebbenEsetelemzések az SPSS használatával
Esetelemzések az SPSS használatával 1. Tekintsük az spearman.sav állományt, amely egy harminc tehenet számláló állomány etetés- és fejéskori nyugtalansági sorrendjét tartalmazza. Vizsgáljuk meg, hogy van-e
RészletesebbenAz Országos Területfejlesztési és Területrendezési Információs Rendszer Budapest, október 21.
Az Országos Területfejlesztési és Területrendezési Információs Rendszer Budapest, 2016. október 21. Nagy András PhD téradat-elemzési szakértő, Lechner Tudásközpont Makainé Vellai Viktória térinformatikai
RészletesebbenKIEGÉSZÍTŐ MELLÉKLET. atlatszo.hu Közhasznú Nonprofit Kft. egyszerűsített éves beszámolójához. 2015. május 29. a vállalkozás vezetője (képviselője)
KIEGÉSZÍTŐ MELLÉKLET a atlatszo.hu Közhasznú Nonprofit Kft. 2014 egyszerűsített éves beszámolójához 2015. május 29. a vállalkozás vezetője (képviselője) I. ÁLTALÁNOS RÉSZ A cég teljes neve: Alapítás időpontja:
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
RészletesebbenKinek szól a könyv? A könyv témája A könyv felépítése Mire van szükség a könyv használatához? A könyvben használt jelölések. 1. Mi a programozás?
Bevezetés Kinek szól a könyv? A könyv témája A könyv felépítése Mire van szükség a könyv használatához? A könyvben használt jelölések Forráskód Hibajegyzék p2p.wrox.com xiii xiii xiv xiv xvi xvii xviii
RészletesebbenCOMENIUS Angol-Magyar Két Tanítási Nyelvű Gimnázium, Általános Iskola, Óvoda és Szakgimnázium
COMENIUS Angol-Magyar Két Tanítási Nyelvű Gimnázium, Általános Iskola, Óvoda és Szakgimnázium 2017. EGYSZERŰSÍTETT ÉVES BESZÁMOLÓJÁNAK KIEGÉSZÍTŐ MELLÉKLETE Székesfehérvár, 2018. május 02. A társaság bemutatása
RészletesebbenMegnevezés 2007 2008
Vagyon Tartósan befektetett eszközök aránya Befektetett eszközök / Eszközök összesen Befektetett eszközök fedezettsége Saját tőke / Befektetett eszközök Tárgyi eszközök fedezettsége Saját tőke / Tárgyi
RészletesebbenMegnevezés 2006 2007
Vagyon Tartósan befektetett eszközök aránya Befektetett eszközök / Eszközök összesen Befektetett eszközök fedezettsége Saját tőke / Befektetett eszközök Tárgyi eszközök fedezettsége Saját tőke / Tárgyi
RészletesebbenMegnevezés 2009 2010
Vagyon Tartósan befektetett eszközök aránya Befektetett eszközök / Eszközök összesen Befektetett eszközök fedezettsége Saját tőke / Befektetett eszközök Tárgyi eszközök fedezettsége Saját tőke / Tárgyi
RészletesebbenSTATISZTIKA. Mit nevezünk idősornak? Az idősorok elemzésének módszertana. Az idősorelemzés célja. Determinisztikus idősorelemzés
Mit nevezünk idősornak? STATISZTIKA 10. Előadás Idősorok analízise Egyenlő időközökben végzett megfigyelések A sorrend kötött, y 1, y 2 y t y N N= időpontok száma Minden időponthoz egy adat, reprodukálhatatlanság
RészletesebbenTISZTELT KÉPVISELŐ-TESTÜLET!
1 napirend E l ő t e r j e s z t é s A képviselő-testület 2011. november 25 -i ülésére. Tárgy : A helyi adókról szóló rendelet megtárgyalása. Előterjesztő : Fábián Gusztáv polgármester Előkészítette :
RészletesebbenCOMENIUS Angol-Magyar Két Tanítási Nyelvű Gimnázium, Általános Iskola, Óvoda és Szakgimnázium
COMENIUS Angol-Magyar Két Tanítási Nyelvű Gimnázium, Általános Iskola, Óvoda és Szakgimnázium 2018. EGYSZERŰSÍTETT ÉVES BESZÁMOLÓJÁNAK KIEGÉSZÍTŐ MELLÉKLETE Székesfehérvár, 2019. május 27. A társaság bemutatása
RészletesebbenForgon Mária: A forrás-felhaszn
Adatrevíziók a gazdaságstatisztikában MST Gazdaságstatisztikai Szakosztálya és a Statisztikai Szemle nyílt szakmai rendezvénye Budapest, 2011. december 6. Forgon Mária: A forrás-felhasználás táblák integrálásának
Részletesebben