Esettanulmány Kvantitatív elemzési módszerek (GTÜSE3915) tantárgyhoz
|
|
- Dávid Vincze
- 8 évvel ezelőtt
- Látták:
Átírás
1 Esettanulmány Kvantitatív elemzési módszerek (GTÜSE3915) tantárgyhoz Az SPSS statisztikai program World95.sav nevű adatbázisa a világ 109 nemzetének 26 társadalmi-gazdasági és politikai helyzetét leíró változót tartalmaz. Ezek rendre a következők: 1. táblázat: World95.sav adatbázis változói Változók SPSS-beli megnevezés Leírás Mérési skála 1 country Ország megnevezése Nominális 2 populatn Népesség (1000 főben) Arány 3 density Népsűrűség (fő / km 2 ) Arány 4 urban A városban élők aránya (%) Arány 5 religion Vallás Nominális 6 lifeexpf Nők átlagos születéskor várható élettartama Arány 7 lifeexpm Férfiak átlagos születéskor várható élettartama Arány 8 literacy Azon emberek aránya, akik tudnak olvasni (%) Arány 9 pop_incr Népesség éves növekedés mértéke (%) Arány 10 babymort Csecsemőhalandóság (1000 élve születésre jutó halálozások száma) Arány 11 gdp_cap 1 főre jutó GDP Arány 12 region Régiók, gazdasági csoportok Sorrendi 13 calories Napi kalória bevitel Arány 14 aids AIDS-es esetek száma Arány 15 birth_rt 1000 főre jutó születési arányszám Arány 16 death_rt 1000 főre jutó halálozási arányszám Arány 17 aids_rt főre jutó AIDS-es esetek száma Arány 18 log_gdp A GDP_CAP változó 10-es alapú logaritmusa Arány 19 lg_aidsr Az AIDS_RT változó 10-es alapú logaritmusa Arány 20 b_to_d 1 halálozásra jutó születések száma Arány 21 fertilty Termékenységi mutató: átlagos gyermekszám Arány 22 log_pop A népesség 10-es alapú logaritmusa Arány 23 cropgrow Vetemény Arány 24 lit_male Azoknak a férfiaknak az aránya, akik olvasnak (%) Arány 25 lit_fema Azoknak a nőknek az aránya, akik olvasnak (%) Arány 26 climate Éghajlat Sorrendi
2 Feladat: Az SPSS World95.sav fájl adatait felhasználva hozzon létre az országokat alkotó homogén csoportokat (klasztereket) úgy, hogy a klaszterképző ismérvek a várható élettartamot leginkább befolyásoló tényezők legyenek! 1. Válassza ki a várható élettartammal legszorosabb és szignifikáns kapcsolatban levő változókat, amelyek a klaszterképzés alapjául szolgálhatnak! 2. Redukálja le a változók számát a könnyebb értelmezhetőség kedvéért! 3. Az elemzés célja homogén csoportok létrehozása. Nézze meg, vannak-e kiugró értékek, s ha igen, azokat hagyja ki az elemzésből! 4. Határozza meg az ideális klaszterszámot! 5. Ábrázolja a befolyásoló tényezők alapján a különböző klaszterekbe sorolt országokat! 6. Jellemezze a klasztereket! Készítsen kutatási összefoglalót a kapott eredményekről!
3 Megoldás Az esettanulmány eredményeinek bemutatása, az eredmények értelmezésének gyakorlása Kutatási célunk az adott országoknak a várható élettartammal szignifikáns kapcsolatban álló változók alapján való klaszterekbe sorolása. Ennek első lépéseként meghatároztuk azon változók körét, amelyek szignifikáns kapcsolatban állnak a várható élettartammal, tehát amelyek befolyásolják az eredményeket. 1. Válassza ki a várható élettartammal legszorosabb és szignifikáns kapcsolatban levő változókat, amelyek a klaszterképzés alapjául szolgálhatnak! Többváltozós korrelációszámítás segítségével megvizsgáltuk, mely változók kerülhetnek be az elemzésbe. Az eredményeket a táblázat terjedelme miatt nem szerepeltetjük. Arra a következtetésre jutottunk, hogy a várható élettartamot szignifikánsan (p<0,1) a következő tényezők befolyásolták: városi népesség aránya, olvasni tudók aránya, olvasni tudók aránya a férfiak, valamint a nők körében, a népesség növekedési üteme, csecsemőhalandóság, egy főre eső GDP, napi kalória bevitel, 1000 főre jutó születések száma, 1000 főre eső halálozások száma, főre jutó AIDS esetek száma, átlagos gyermekszám. Mivel a klaszteranalízis alapjául szolgáló változók száma túl sok, faktoranalízis segítségével redukáltuk a számukat. 2. Redukálja le a változók számát a könnyebb értelmezhetőség kedvéért! A faktoranalízis első lépéseként megvizsgáltuk az elemzéshez szükséges feltételek teljesülését. A változók közötti korrelációs együtthatókat már a változók körének kiválasztásakor meghatároztuk. Mivel szignifikáns kapcsolatokat figyelhetünk meg, az elemzés ezen feltétele, miszerint szoros és szignifikáns kapcsolatoknak kell lennie a változók között, teljesült. Ez után az anti-image mátrix segítségével megvizsgáltuk, hogy van-e a faktoranalízis eredményeit torzító változónk. Az anti-image korrelációs mátrix főátlójának elemei 0,502 és 0,899 közötti értékeket vesznek fel, amely mindegyike a kritikus 0,5 feletti érték. Viszont a főre jutó AIDS-es esetek száma esetében a 0,502-es érték oly mértékben eltér a többitől, hogy célszerűnek tartottuk azt a változót kihagyni az elemzésből. A változó elhagyása után a KMO értéke 0,838-ról 0,856-ra emelkedett, amely értelmében az adatok alkalmasak a faktorelemzésre. Ezt támasztja alá a Bartlett hipotézisvizsgálat is táblázat: KMO és Bartlett Teszt Kaiser-Meyer-Olkin érték,838 Bartlett Teszt Becsült chi négyzet 971,601 df (szabadságfok) 66 Szignifikancia,000
4 Miután meggyőződhettünk arról, hogy a feltételek teljesültek, valamint az adatok alkalmasak a faktorelemzésre, ki kell választanunk a faktormódszert. Jelen esetben a főkomponenselemzést választottuk a módszerek közül, hogy a kiindulási változók lineáris kombinációjaként olyan korrelálatlan főkomponenseket képezzünk, amelyek a legmagasabb magyarázott varianciával bírnak. Ezután meghatároztuk az ideális faktorok számát. Ebben lehet segítségünkre a Scree Plot, amely értelmében a 2 főkomponenst kellene létrehozni ugyanis a közös variancia és az egyedi faktorok töréspontja a 2-es főkomponens számnál található. Amennyiben a Kaiser kritériumot vesszük alapul, vagyis az 1-nél alacsonyabb sajátértékű főkomponenseket kizárjuk az elemzésből, akkor 3 az ideális száma a főkomponenseknek. 2.1 ábra: Vonaldiagram az ideális főkomponensszám meghatározásához 3 főkomponens esetén a teljes magyarázott variancia 88,438% lenne, ami magasabb, mint a kritikusként meghatározott 60%, vagyis a 3 főkomponens 88,438%-ban foglalja össze a kiindulási változók tulajdonságait.
5 2.2. táblázat: Teljes magyarázott variancia Komponensek Összesen Kezdeti sajátértéks A variancia %-ban Kumulált % Összesen Loading négyzetösszege A variancia %-ban Kumulált % 1 7,436 67,597 67,597 7,436 67,597 67, ,261 11,466 79,063 1,261 11,466 79, ,031 9,375 88,438 1,031 9,375 88,438 4,468 4,257 92,695 5,292 2,659 95,354 6,265 2,410 97,764 7,101,923 98,686 8,068,616 99,303 9,034,306 99,608 10,024,215 99,823 11,019, ,000 Mivel a klaszteranalízis feltétele a független változók használata, és a változóink jelen esetben a főkomponensek lesznek, ezért a főkomponenseket derékszögű forgatással rotáljuk. Azért választjuk a Varimax módszert, mert az eljárás a főkomponensek által magyarázott varianciát maximalizálja táblázat: Rotált főkomponensek Főkomponensek főre jutó halálozások száma -,910,036 -,147 Csecsemőhalandóság -,749,426 -,417 Olvasni tudó emberek aránya,686 -,638,228 Olvasni tudó nők aránya,673 -,653,212 Olvasni tudó férfiak aránya,651 -,622,213 Népesség éves növekedési üteme (%),089,948 -,206 Átlagos gyermekszám -,463,774 -, főre jutó születések száma -,424,765 -,395 Egy főre jutó GDP,069 -,302,878 Napi kalória bevitel,340 -,262,804 Városokban élők aránya (%),626 -,082,626
6 Az első főkomponensben negatív súllyal szerepel az 1000 főre jutó halálozások száma, valamint a csecsemőhalandóság, ezen kívül pedig pozitív súllyal szerepel benne az olvasni tudók aránya összesen, illetve nemenként. A második főkomponenst alkotó változók a népesség éves növekedési üteme, az átlagos gyermekszám, valamint az 1000 főre jutó születések száma. Ezen változók közös ok-okozati összefüggése az országok népességének növekedésére, mondhatni frissülésére utal vissza. A harmadik főkomponenst az egy főre jutó GDP, a napi kalória bevitel, valamint a városokban élők aránya alkotja, amelyek az országok gazdagsági helyzetére utalnak. Miután több faktormódszerrel, forgatási eljárással leteszteltük a főkomponenselemzés eredményességét, meggyőződtünk annak érvényességéről, a főkomponensek elnevezése következik. Az elnevezéshez további vizsgálatok lennének szükségesek, de mivel a főkomponenselemzés jelen esetben csak egy alkalmazott módszer egy másik elemzés feltételeinek teljesüléséhez, így az egyszerűség kedvéért tekintsük ezeket F1, F2, F3 főkomponenseknek. Mivel az elemzést egy nagyobb volumenű vizsgálat (klaszteranalízis) első lépéseként alkalmaztuk, szükséges a főkomponensek új változóként való elmentése. A változók létrehozására a legelterjedtebb regressziós faktorérték módszert választottuk. A mentést követően már három új változóval (F1, F2, F3) dolgozhatunk, hogy a vizsgált országokat klaszterekbe sorolhassuk. 3. Az elemzés célja homogén csoportok létrehozása. Nézze meg, vannak-e kiugró értékek, s ha igen, azokat hagyja ki az elemzésből! Visszatérve eredeti kutatási tervünkhöz, folytattuk a klaszteranalízis menetét. A faktoranalízis előzetes alkalmazása már biztosította nekünk, hogy a változók egymástól függetlenek legyenek, valamint hogy a vizsgált változók skálái megegyezzenek. Az elemzés módszerének a hierarchikus klaszterelemzést választottuk, mert nincs előzetes információnk a klaszterek számáról. Mivel célunk homogén csoportok létrehozása, ezért első lépésben az egyszerű láncmódszert (Nearest neighbour) alkalmazva megvizsgáltuk, hogy vannak-e az adatbázisban kiugró értékek. Az eredmények alapján azt mondhatjuk, nincsenek kiugró értékek, ezért a továbbiakban a Ward-féle eljárással folytattuk az elemzést. A Ward módszer alkalmazásával azok az elemek kerültek egy klaszterbe, amelyek összevonása minimalizálja a belső szórásnégyzet növekedését. Távolságmértéknek a négyzetes euklediszi távolságot határoztuk meg. 4. Határozza meg az ideális klaszterszámot! Az ideális klaszterszám meghatározásához az Agglomeretion Schedule táblázat alapján kirajzolt vonaldiagramot használtuk.
7 4.1 ábra: Vonaldiagram az ideális klaszterszám meghatározásához Az ábra alapján 4 klasztert lenne érdemes létrehozni. A kialakítandó klaszterek lehetséges számát megvizsgáltuk a dendogram segítségével is. Ha a klaszterösszevonások transzformált távolságát 5-ben határozzuk meg, akkor 5 klasztert, ha egy kicsivel magasabb értékben (pl. 6) határozzuk meg, akkor pedig 4 klasztert lenne érdemes létrehozni.
8 4.2 ábra: Dendogram Dendrogram using Ward Method Rescaled Distance Cluster Combine C A S E Label Num
9 Mivel az 5 klaszteres megoldás homogénebb csoportokhoz vezet (ld. alábbi táblázatok), így azt választjuk és mentjük el. Klaszterek száma Gyakoriság 4.1./a táblázat: Klaszterek gyakorisági táblázata Relatív gyakoriság (%) Érvényes relatív gyakoriság (%) Kumulált relatív gyakoriság Valid ,4 54,2 54, ,4 11,9 66, ,8 25,4 91, ,6 8,5 100,0 Összesen 59 54,1 100,0 Hiányzó adatok 50 45,9 Összesen ,0 Klaszterek száma Gyakoriság 4.1./b táblázat: Klaszterek gyakorisági táblázata Relatív gyakoriság (%) Érvényes relatív gyakoriság (%) Kumulált relatív gyakoriság ,8 25,4 25, ,4 11,9 37, ,8 25,4 62, ,6 28,8 91, ,6 8,5 100,0 Összesen 59 54,1 100,0 Hiányzó adat 50 45,9 Összesen ,0 5. Ábrázolja a befolyásoló tényezők alapján a különböző klaszterekbe sorolt országokat! A megfelelő klaszterösszetétel kiválasztását azok ellenőrzése követi. Miután egyéb módszerekkel is leteszteltük, hogy a kapott eredmények megfelelnek az elemzésnek, a klaszterek értelmezése, jellemzése következik. Az elmentett 5 klasztert a jellemzésük egyszerűsítése kedvéért célszerű kirajzoltatni, ennek eredményeit mutatja az alábbi ábra.
10 5.1 ábra: Pontdiagram a klaszterekről 6. Jellemezze a klasztereket! A klasztereket kereszttábla-vizsgálattal, valamint varianciaanalízis segítségével elemezhetjük annak függvényében, hogy minőségi vagy mennyiségi ismérvekkel hasonlítjuk össze a klasztertagságot. Az első klaszter országaiban átlagosan a lakosság fele él városokban (55,4%±23,81%), az olvasni tudók aránya is magas (87,67%±5,95%), a nők születéskor várható élettartama 72 év, a férfiaké pedig átlagosan 66,5év. A népesség átlagos növekedési üteme +66%±41%. Átlagosan egy halálozásra 3,6 születés jut, 1000 csecsemő közül pedig átlagosan 38,5 veszíti el az életét. Az AIDS-es megbetegedések száma a többi klaszterhez viszonyítva átlagosnak mondható. Dominánsan a latin-amerikai, valamint ázsiai országok tartoznak ide, mint például Uruguay, Honduras vagy Kína, Vietnam. A második klaszter országai már fejlettebbek, ugyanis átlagosan 76,3%±13,1%-a él városokban, a nők születéskor várható élettartama 79,4 év, a férfiaké pedig átlagosan 72,9év, valamint az egy főre jutó GDP, valamint olvasni tudók aránya itt a legmagasabb (95,6%±4,1%). Az átlagos csecsemőhalandóság is itt a legalacsonyabb. A népesség viszont évről évre átlagosan fogy, ugyanis a születési arányszám alacsony: 12,86. Az AIDS-es megbetegedések száma a többi klaszterhez viszonyítva magasnak mondható. Dominánsan az OECD országok tartoznak ebbe a csoportba, mint például Olaszország, Görögország, Magyarország valamint az USA és Ausztrália. A harmadik klaszter országai mondhatók a legszegényebbnek, ugyanis átlagosan a lakosság negyede él városokban (24,9%±15,6%), a fejlettséget jelző változók értékei, mint az átlagos egy főre jutó GDP, a várható élettartam, a napi kalória bevitel értéke, az olvasni tudók aránya (39,8%) itt a legalacsonyabb. Az AIDS-es megbetegedések száma, a csecsemőhalandóság, valamint a halálozási arányszám magas a fejlettség hiánya
11 következtében. Ugyanerre az okra vezethető vissza a magas (42,2%±6,5%) születési arányszám, valamint a népesség növekedésének mértéke is. Dominánsan az afrikai országok tartoznak ide, mint például Nigéria, Közép-Afrikai Köztársaság, Burkina Faso. A negyedik klaszter országaiban átlagosan a lakosság fele él városokban (47,9%±18,01%). Ezek az országok az egy főre jutó GDP alapján kevésbé fejlettek. Ezt támasztja alá az is, hogy a nők születéskor várható élettartama 66 év, a férfiaké pedig átlagosan 62 év, valamint az olvasni tudók aránya 71,2%±13%. A születések száma átlagosan 4,7-szer akkora, mint a halálozások száma. A főre jutó AIDS-es megbetegedések száma 40,15±81,86 fő, ami a többi klaszterhez viszonyítva átlagosnak mondható. Többnyire a latin-amerikai országok tartoznak ebbe a klaszterbe. A klaszter tagjai például Guatemala, Nicaragua, valamint Kenya és Egyiptom. Az ötödik klaszter országaiban átlagosan a lakosság 76,8%±24%-a él városban. A nők születéskor várható élettartama 70 év, a férfiaké pedig átlagosan 66 év. Az AIDS-es megbetegedések száma minimális ezekben az országokban, valamint a halálozási arányszám is itt a legalacsonyabb (6,2 ±2 ). A napi átlagos kalória beviteli értéke a többi klaszter tagjaihoz viszonyítva kivéve a 2. klasztert magas (3092±201,2). Az olvasni tudók aránya 62,6%±6,9%. A születések száma átlagosan 7,5-szer akkora, mint a halálozások száma. Többnyire a Közel-Kelet országai tartoznak ebbe a klaszterbe, mint például Líbia, Irak. A várható élettartam alapján elvégzett klaszterelemzés eredményei alapján létrejött csoportok szinte a regionális illetve gazdasági csoportosulások adatait tükrözik. Vagyis a várható élettartamot befolyásoló tényezők alapján vett klaszterek a gazdasági-regionális csoportokon belül homogének, amíg a különböző csoportok egymással összehasonlítva eltérő jellemzőkkel bírnak.
12 Továbbgondolandó kérdések, feladatok: Milyen szempontok alapján választhatná még ki az ideális változók körét? Mire alapozná a döntését, ha a klaszterek kialakításánál több lehetséges klasztermegoldás is elfogadhatónak tűnik? Ön szerint diszkriminancia-analízis alkalmazható-e a probléma megoldására? Mit tenne, ha a KMO értéke 0,5 lenne? Mit tenne akkor, ha nem teljesül a homoszkedaszticitás? Mit tenne az eredmények ellenőrzése érdekében?
Faktoranalízis az SPSS-ben
Faktoranalízis az SPSS-ben Kvantitatív statisztikai módszerek Petrovics Petra Feladat Megnyitás: faktor.sav Fogyasztók materialista vonásai (Richins-skála) Forrás: Sajtos-Mitev, 250.oldal Faktoranalízis
Faktoranalízis az SPSS-ben
Faktoranalízis az SPSS-ben = Adatredukciós módszer Petrovics Petra Doktorandusz Feladat Megnyitás: faktoradat_msc.sav Forrás: Sajtos-Mitev 250.oldal Fogyasztók materialista vonásai (Richins-skála) Faktoranalízis
Tárgy- és névmutató. C Cox & Snell R négyzet 357 Cramer-V 139, , 151, 155, 159 csoportok közötti korrelációs mátrix 342 csúcsosság 93 95, 102
Tárgy- és névmutató A a priori kontraszt 174 175 a priori kritérium 259, 264, 276 adatbevitel 43, 47, 49 52 adatbeviteli nézet (data view) 45 adat-elôkészítés 12, 37, 62 adatgyûjtés 12, 15, 19, 20, 23,
Gazdaságtudományi Kar. Gazdaságelméleti és Módszertani Intézet. Faktoranalízis előadás. Kvantitatív statisztikai módszerek
Faktoranalízis 6.-7. előadás Kvantitatív statisztikai módszerek Faktoranalízis Olyan többváltozós statisztikai módszer, amely adattömörítésre, a változók számának csökkentésére, az adatstruktúra feltárására
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet
Klaszteranalízis Hasonló dolgok csoportosítását jelenti, gyakorlatilag az osztályozás szinonimájaként értelmezhetjük. A klaszteranalízis célja A klaszteranalízis alapvető célja, hogy a megfigyelési egységeket
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet
Fkt Faktoranalízis líi Olyan többváltozós statisztikai módszer, amely adattömörítésre, a változók számának csökkentésére, az adatstruktúra feltárására szolgál. A kiinduló változók számát úgynevezett faktorváltozókba
Klaszterelemzés az SPSS-ben
Klaszterelemzés az SPSS-ben Petrovics Petra Doktorandusz Klaszteranalízis Olyan dimenziócsökkentő eljárás, amellyel adattömböket megfigyelési egységeket tudunk viszonylag homogén csoportokba sorolni, klasszifikálni.
Diszkriminancia-analízis
Diszkriminancia-analízis az SPSS-ben Petrovics Petra Doktorandusz Diszkriminancia-analízis folyamata Feladat Megnyitás: Employee_data.sav Milyen tényezőktől függ a dolgozók beosztása? Nem metrikus Független
Klaszterelemzés az SPSS-ben
Klaszterelemzés az SPSS-ben Kvantitatív statisztikai módszerek Petrovics Petra Klaszteranalízis Olyan dimenziócsökkentő eljárás, amellyel adattömböket megfigyelési egységeket tudunk viszonylag homogén
Módszertani 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
Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók
Matematikai alapok és valószínőségszámítás Középértékek és szóródási mutatók Középértékek A leíró statisztikák talán leggyakrabban használt csoportját a középértékek jelentik. Legkönnyebben mint az adathalmaz
ELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó 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
Természetes népmozgalom
Természetes népmozgalom Termékenység és halandóság Termékenység fertilitás Nem minden nő ad gyermeknek életet De egy nő élete során több gyermeknek is adhat életet Halandóság mortalitás Mindenki meghal
KLASZTERANALÍZIS OSZTÁLYOZÁS
L G L z eseteket homogén csoportokba (ú.n. klaszterekbe) soroljuk. csoportosítás alapja egy adott metrika szerinti közelség, illetve egy adott hasonlósági mérték szerinti hasonlóság. C z esetek egy kategóriaváltozó
STATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.
STATISZTIKA 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 MAGY. MAT. TÖRT. KÉM. ANNA BÉLA CILI András hármas. Béla Az átlag 3,5! kettes. Éva ötös. Nóri négyes. 1 mérés: dolgokhoz valamely szabály alapján szám rendelése
Többváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
Többváltozós 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
Statisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
Korreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
VIZSGADOLGOZAT. I. PÉLDÁK (60 pont)
VIZSGADOLGOZAT (100 pont) A megoldások csak szöveges válaszokkal teljes értékűek! I. PÉLDÁK (60 pont) 1. példa (13 pont) Az egyik budapesti könyvtárban az olvasókból vett 400 elemű minta alapján a következőket
Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 11. előadás Előadó: Dr. Ertsey Imre Összefüggés vizsgálatok A társadalmi gazdasági élet jelenségei kölcsönhatásban állnak, összefüggnek egymással. Statisztika alapvető feladata: - tényszerűségek
Korrelációs kapcsolatok elemzése
Korrelációs kapcsolatok elemzése 1. előadás Kvantitatív statisztikai módszerek Két változó közötti kapcsolat Független: Az X ismérv szerinti hovatartozás ismerete nem ad semmilyen többletinformációt az
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
A GDP hasonlóképpen nem tükrözi a háztartások közötti munka- és termékcseréket.
FŐBB MUTATÓK A regionális GDP adatok minősége alapvetően 3 tényezőtől függ: az alkalmazott számítási módszertől a felhasznált adatok minőségétől a vizsgált területi egység nagyságától. A TERÜLETI EGYENLŐTLENSÉGEK
11. Előadás. 11. előadás Bevezetés a lineáris programozásba
11. Előadás Gondolkodnivalók Sajátérték, Kvadratikus alak 1. Gondolkodnivaló Adjuk meg, hogy az alábbi A mátrixnak mely α értékekre lesz sajátértéke a 5. Ezen α-ák esetén határozzuk meg a 5 sajátértékhez
Statisztika I. 12. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 1. előadás Előadó: Dr. Ertsey Imre Regresszió analízis A korrelációs együttható megmutatja a kapcsolat irányát és szorosságát. A kapcsolat vizsgálata során a gyakorlatban ennél messzebb
Izgalmas újdonságok a klaszteranalízisben
Izgalmas újdonságok a klaszteranalízisben Vargha András KRE és ELTE, Pszichológiai Intézet Vargha András KRE és ELTE, Pszichológiai Intézet Mi a klaszteranalízis (KLA)? Keressük a személyek (vagy bármilyen
Typotex Kiadó. Tartalomjegyzék
Tartalomjegyzék Bevezetés... 11 A hasznos véletlen hiba... 13 I. Adatredukciós módszerek... 17 1. Fıkomponens-elemzés... 18 1.1. A fıkomponens jelentése... 25 1.2. Mikor használjunk fıkomponens-elemzést?...
Többváltozós Regresszió-számítás
Töváltozós Regresszió-számítás 3. előadás Döntéselőkészítés módszertana Dr. Szilágyi Roland Korreláció Célja a kacsolat szorosságának mérése. Regresszió Célja a kacsolatan megfigyelhető törvényszerűség
SZKA_207_32. Jólét és jóllét. Avagy: alkoss államot saját elképzeléseid szerint
SZKA_207_32 Jólét és jóllét Avagy: alkoss államot saját elképzeléseid szerint diákmelléklet Jólét és jóllét 7. évfolyam 327 32/1a ARCOK A VILÁGBÓL Egyéni feladatlap Sorsz. Hol él? Jólétben él-e vagy sem?
A TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeş-Bolyai Tudományegyetem 1.2 Kar Közgazdasági- és Gazdálkodástudományi Kar 1.3 Intézet Közgazdaság- és Gazdálkodástudományi
Dr. Nagy Zita Barbara igazgatóhelyettes KÖVET Egyesület a Fenntartható Gazdaságért november 15.
Dr. Nagy Zita Barbara igazgatóhelyettes KÖVET Egyesület a Fenntartható Gazdaságért 2018. november 15. PÉNZ a boldogság bitorlója? A jövedelemegyenlőtlenség természetes határa A boldog ember gondolata a
Pszichometria Szemináriumi dolgozat
Pszichometria Szemináriumi dolgozat 2007-2008. tanév szi félév Temperamentum and Personality Questionnaire pszichometriai mutatóinak vizsgálata Készítette: XXX 1 Reliabilitás és validitás A kérd ívek vizsgálatának
A mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015
A mérés problémája a pedagógiában Dr. Nyéki Lajos 2015 A mérés fogalma Mérésen olyan tevékenységet értünk, amelynek eredményeként a vizsgált jelenség számszerűen jellemezhetővé, más hasonló jelenségekkel
Nemzeti Onkológiai Kutatás-Fejlesztési Konzorcium 1/48/ Részjelentés: November december 31.
Nemzeti Kutatási és Fejlesztési Program 1. Főirány: Életminőség javítása Nemzeti Onkológiai Kutatás-Fejlesztési Konzorcium a daganatos halálozás csökkentésére 1/48/2001 3. Részjelentés: 2003. November
Kvantitatív statisztikai módszerek
Kvantitatív statisztikai módszerek 1. konzultáció tárgyjegyző Dr. Szilágyi Roland Mérési skálák Számok meghatározott szabályok szerinti hozzárendelése jelenségekhez, bizonyos tulajdonságokhoz. 4 féle szabály
Segítség az outputok értelmezéséhez
Tanulni: 10.1-10.3, 10.5, 11.10. Hf: A honlapra feltett falco_exp.zip-ben lévő exploratív elemzések áttanulmányozása, érdekességek, észrevételek kigyűjtése. Segítség az outputok értelmezéséhez Leiro: Leíró
Bevezetés az SPSS program használatába
Bevezetés az SPSS program használatába Statisztikai szoftver alkalmazás Géczi-Papp Renáta SPSS alapok Statistical Package for Social Sciences SPSS nézetek: Data View Variable View Output Viewer Sintax
A preferencia térképezés kritikus pontjai az élelmiszeripari termékfejlesztésben
A preferencia térképezés kritikus pontjai az élelmiszeripari termékfejlesztésben Gere A., Losó, V., Györey, A., Szabó, D., Sipos, L., Kókai, Z. Budapesti Corvinus Egyetem, Élelmiszertudományi Kar Érzékszervi
Megoldások. Az ismérv megnevezése közös megkülönböztető 2007. szeptember 10-én Cégbejegyzés időpontja
Megoldások 1. feladat A sokaság: 2007. szeptember 12-én a Miskolci Egyetem GT-204-es tankör statisztika óráján lévő tagjai az A 1 épület III. em. 53-as teremben 8-10-ig. Közös ismérv Megkülönböztető ismérv
Innováció és eredményesség eltérő státuszú iskolákban
Innováció és eredményesség eltérő státuszú iskolákban Széll Krisztián szell.krisztian@ppk.elte.hu ELTE PPK, Neveléstudományi Intézet OFI-EKE HUCER 2017 Budapest, ELTE PPK 2017. május 25. Kutatási célok,
EGER DEMOGRÁFIAI FOLYAMATAINAK ELEMZÉSE ÉS ELŐREJELZÉSE (összegzés) 1995-2024
CSALÁDSEGÍTŐ INTÉZET 3300 EGER, KERTÉSZ ÚT 3. TELEFON / FAX: 06-36/784-825 E-mail: csaladsegito.intezet@upcmail.hu Web: csskeger.hu EGER DEMOGRÁFIAI FOLYAMATAINAK ELEMZÉSE ÉS ELŐREJELZÉSE (összegzés) 1995-2024
A statisztika alapjai - Bevezetés az SPSS-be -
A statisztika alapjai - Bevezetés az SPSS-be - Kvantitatív statisztikai módszerek Petrovics Petra, Géczi-Papp Renáta SPSS alapok Statistical Package for Social Sciences SPSS nézetek: Data View Variable
Najat, Shamil Ali Közel-Kelet: térképek, adatok az észak-afrikai helyzet gazdasági hátterének értelmezéséhez
Najat, Shamil Ali Közel-Kelet: térképek, adatok az észak-afrikai helyzet gazdasági hátterének értelmezéséhez A mai közel-keleti változások elemzéséhez elengedhetetlen az eseményeket jelentős mértékben
5. Előadás. Grafikus ábrázolás Koncentráció elemzése
5. Előadás Grafikus ábrázolás Koncentráció elemzése Grafikus ábrázolás fontossága Grafikus ábrázolás során elkövethető hibák: Mondanivaló szempontjából nem megfelelő ábratípus kiválasztása Tárgynak megfelelő
Több valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
AZ EGÉSZSÉGESEN ÉS A FOGYATÉKOSSÁG NÉLKÜL LEÉLT ÉVEK VÁRHATÓ SZÁMA MAGYARORSZÁGON
AZ EGÉSZSÉGESEN ÉS A FOGYATÉKOSSÁG NÉLKÜL LEÉLT ÉVEK VÁRHATÓ SZÁMA MAGYARORSZÁGON DR. PAKSY ANDRÁS A lakosság egészségi állapotát jellemző morbiditási és mortalitási mutatók közül a halandósági tábla alapján
A Fertő tó magyarországi területén mért vízkémiai paraméterek elemzése többváltozós feltáró adatelemző módszerekkel
A Fertő tó magyarországi területén mért vízkémiai paraméterek elemzése többváltozós feltáró adatelemző módszerekkel Magyar Norbert Környezettudomány M. Sc. Témavezető: Kovács József Általános és Alkalmazott
Microsoft Excel 2010. Gyakoriság
Microsoft Excel 2010 Gyakoriság Osztályközös gyakorisági tábla Nagy számú mérési adatokat csoportokba (osztályokba) rendezése -> könnyebb áttekintés Osztályokban szereplő adatok száma: osztályokhoz tartozó
Többváltozós lineáris regressziós modell feltételeinek tesztelése II.
Többváltozós lineáris regressziós modell feltételeinek tesztelése II. - A magyarázó változóra vonatkozó feltételek tesztelése - Optimális regressziós modell kialakítása - Kvantitatív statisztikai módszerek
Logisztikus 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
Az egészségügyi és gazdasági indikátorok összefüggéseinek vizsgálata Magyarországon
Az egészségügyi és gazdasági indikátorok összefüggéseinek vizsgálata Magyarországon Készítette: Bakos Izabella Mária SZIE-GTK Enyedi György RTDI PhD-hallgató Kutatási téma Az egészségügyi állapot (lakosság
8.3. Az Információs és Kommunikációs Technológia és az olvasás-szövegértési készség
8.3. Az Információs és Kommunikációs Technológia és az olvasás-szövegértési készség Az IALS kutatás során felmerült egyik kulcskérdés az alapkészségeknek az egyéb készségekhez, mint például az Információs
H0 hipotézis: μ1 = μ2 = μ3 = μ (a különböző talpú cipők eladási ára megegyezik)
5.4: 3 különböző talpat hasonlítunk egymáshoz Varianciaanalízis. hipotézis: μ1 = μ2 = μ3 = μ (a különböző talpú cipők eladási ára megegyezik) hipotézis: Létezik olyan μi, amely nem egyenlő a többivel (Van
Az egyenlőtlenség határai. Szigeti Cecília Széchenyi Egyetem Kautz Gyula Gazdaságtudományi Kar
Az egyenlőtlenség határai Szigeti Cecília Széchenyi Egyetem Kautz Gyula Gazdaságtudományi Kar Mi az egyenlőtlenség? Az egyenlőtlenség elkerülhető, erkölcsileg nem igazolható hierarchikus különbség. Göran
A gazdaságstatisztika szerepe a munkaerőpiaci folyamatok elemzésében a Visegrádi Négyek körében. Dr. Lipták Katalin
A gazdaságstatisztika szerepe a munkaerőpiaci folyamatok elemzésében a Visegrádi Négyek körében Dr. Lipták Katalin egyetemi adjunktus Miskolci Egyetem, Gazdaságtudományi Kar Budapest, 2017. szeptember
A hazai kistérségek kategorizálása gazdasági fejlettségük mentén
A hazai kistérségek kategorizálása gazdasági fejlettségük mentén Szobonya Réka Ország Gáborné Kulcsszavak: migráció, fejlettség, régió, rangsor, kistérség, klaszter migration, development, region, classification,
III. Kvantitatív változók kapcsolata (korreláció, regresszió)
III. Kvantitatív változók kapcsolata (korreláció, regresszió) Tartalom Változók kapcsolata Kétdimenziós minta (pontdiagram) Regressziós előrejelzés (predikció) Korreláció Tanuló Kétdimenziós minta Tanulással
Adatok statisztikai értékelésének főbb lehetőségei
Adatok statisztikai értékelésének főbb lehetőségei 1. a. Egy- vagy kétváltozós eset b. Többváltozós eset 2. a. Becslési problémák, hipotézis vizsgálat b. Mintázatelemzés 3. Szint: a. Egyedi b. Populáció
A SERVQUAL (szolgáltatás-minőség) modell alkalmazhatóságának elemzése sokváltozós adatelemzési módszerekkel. Becser Norbert
Műhelytanulmányok Vállalatgazdaságtan Intézet 1053 Budapest, Veres Pálné u. 36., 1828 Budapest, Pf. 489 (+36 1) 482-5901, fax: 482-5844, www.uni-corvinus.hu/vallgazd Vállalatgazdaságtan Intézet A SERVQUAL
GEOSTATISZTIKA. Földtudományi mérnöki MSc, geofizikus-mérnöki szakirány. 2018/2019 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ
GEOSTATISZTIKA Földtudományi mérnöki MSc, geofizikus-mérnöki szakirány 2018/2019 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet
BKM KH NSzSz Halálozási mutatók Bács-Kiskun megyében és a megye járásaiban 2007-2011
BÁCS-KISKUN MEGYEI KORMÁNYHIVATAL NÉPEGÉSZSÉGÜGYI SZAKIGAZGATÁSI SZERVE HALÁLOZÁSI MUTATÓK BÁCS-KISKUN MEGYÉBEN ÉS A MEGYE JÁRÁSAIBAN 2007-2011 A Halálozási Mutatók Információs Rendszere (HaMIR) adatai
TÁMOP-4.2.2/B-10/1-2010-0002 Tantárgyi program (rövidített)
TÁMOP-4.2.2/B-10/1-2010-0002 Tantárgyi program (rövidített) Szakkollégiumi műhely megnevezése: Meghirdetés féléve: Tantárgy/kurzus megnevezése: BGF GKZ Szakkollégiuma 2011/2012. tanév II. félév SZAKKOLLÉGIUM
GEOSTATISZTIKA II. Geográfus MSc szak. 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ
GEOSTATISZTIKA II. Geográfus MSc szak 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet A tantárgy adatlapja Tantárgy neve:
2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
Logisztikus 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
Regressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
Biomatematika 13. Varianciaanaĺızis (ANOVA)
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:
Függetlenségvizsgálat, Illeszkedésvizsgálat
Varga Beatrix, Horváthné Csolák Erika Függetlenségvizsgálat, Illeszkedésvizsgálat 4. előadás Üzleti statisztika A sokaság/minta több ismérv szerinti vizsgálata A statisztikai elemzés egyik ontos eladata
Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
[Biomatematika 2] Orvosi biometria. Visegrády Balázs
[Biomatematika 2] Orvosi biometria Visegrády Balázs 2016. 03. 27. Probléma: Klinikai vizsgálatban három különböző antiaritmiás gyógyszert (ß-blokkoló) alkalmaznak, hogy kipróbálják hatásukat a szívműködés
Korreláció és Regresszió
Korreláció és Regresszió 9. elıadás (17-18. lecke) Korrelációs együtthatók 17. lecke Áttekintés (korreláció és regresszió) A Pearson-féle korrelációs együttható Korreláció és Regresszió (témakörök) Kapcsolat
A FÖDRAJZI HELYHEZ KAPCSOLÓDÓ ÉS A HAGYOMÁNYOS MAGYAR TERMÉKEK LEHETSÉGES SZEREPE AZ ÉLELMISZERFOGYASZTÓI MAGATARTÁSBAN
Szent István Egyetem Gödöllő Gazdaság- és Társadalomtudományi Kar Gazdálkodás és Szervezéstudományok Doktori Iskola A FÖDRAJZI HELYHEZ KAPCSOLÓDÓ ÉS A HAGYOMÁNYOS MAGYAR TERMÉKEK LEHETSÉGES SZEREPE AZ
Viszonyszám A B. Viszonyszám: két, egymással kapcsolatban álló statisztikai adat hányadosa, ahol A: a. viszonyítadóadat
Viszonyszámok Viszonyszám Viszonyszám: két, egymással kapcsolatban álló statisztikai adat hányadosa, ahol A: a viszonyítandó adat Viszonyítás tárgya (viszonyítandó adat) B: a viszonyítás alapja V viszonyítadóadat
Matematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
Horváth Krisztina Pécsi Tudományegyetem Közgazdaságtudományi Kar Regionális Politika és Gazdaságtan Doktori Iskola, III. évfolyam
Menedzsment technikák hatása a tudásintenzív és nem tudásintenzív vállalatok produktivitására: magyar kis- és középvállalatok esete Horváth Krisztina Pécsi Tudományegyetem Közgazdaságtudományi Kar Regionális
Matematikai statisztika Gazdaságinformatikus MSc október 8. lineáris regresszió. Adatredukció: Faktor- és főkomponensanaĺızis.
i Matematikai statisztika Gazdaságinformatikus MSc 6. előadás 2018. október 8. 1/52 - Hol tartottunk? Modell. Y i = β 0 + β 1 X 1,i + β 2 X 2,i +... + β k X k,i + u i i minden t = 1,..., n esetén. 2/52
Adatelemzés Excellel és SPSS-sel
Adatelemzés Excellel és SPSS-sel NEDELKA ERZSÉBET Tartalom 1. Adatgyűjtés 2. Gazdaság és növekedés 3. Kereskedelem 4. Versenyképesség 5. Excel adatelemzés modulja 6. SPSS alapjai Adatgyűjtés, szakirodalom
Matematikai statisztika Gazdaságinformatikus MSc október 8. lineáris regresszió. Adatredukció: Faktor- és főkomponensanaĺızis.
i Matematikai statisztika Gazdaságinformatikus MSc 6. előadás 2018. október 8. 1/52 - Hol tartottunk? Modell. Y i = β 0 + β 1 X 1,i + β 2 X 2,i +... + β k X k,i + u i i minden t = 1,..., n esetén. X i
1. Homogén lineáris egyenletrendszer megoldástere
X HOMOGÉN LINEÁRIS EGYENLET- RENDSZEREK 1 Homogén lineáris egyenletrendszer megoldástere Homogén lineáris egyenletrendszer definíciója már szerepelt Olyan lineáris egyenletrendszert nevezünk homogénnek,
A statisztika oktatásáról konkrétan
A világ statisztikája a statisztika világa ünnepi konferencia Esztergom, 2010.október 15. A statisztika oktatásáról konkrétan Dr. Varga Beatrix PhD. egyetemi docens MISKOLCI EGYETEM Üzleti Statisztika
Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás
STATISZTIKA, BIOMETRIA. Előadás Mintavétel, mintavételi technikák, adatbázis Mintavétel fogalmai A mintavételt meg kell tervezni A sokaság elemei: X, X X N, lehet véges és végtelen Mintaelemek: x, x x
Matematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
Innováció és eredményesség az alacsony státuszú iskolákban
Innováció és eredményesség az alacsony státuszú iskolákban Széll Krisztián szell.krisztian@ppk.elte.hu ELTE PPK, Neveléstudományi Intézet OFI-EKE Nyíregyházi Egyetem XVII. ONK 2017. november 9. Elemzési
Q1 = 1575 eft Me = 2027,7778 eft Q3 = 2526,3158 eft
Gyak1: b) Mo = 1857,143 eft A kocsma tipikus (leggyakoribb) havi bevétele 1.857.143 Ft. c) Q1 = 1575 eft Me = 2027,7778 eft Q3 = 2526,3158 eft Gyak2: b) X átlag = 35 Mo = 33,33 σ = 11,2909 A = 0,16 Az
Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
Standardizálás, transzformációk
Standardizálás, transzformációk A transzformációk ugynúgy mennek, mint egyváltozós esetben. Itt még fontosabbak a linearitás miatt. Standardizálás átskálázás. Centrálás: kivonjuk minden változó átlagát,
Feladatok: pontdiagram és dobozdiagram. Hogyan csináltuk?
Feladatok: pontdiagram és dobozdiagram Hogyan csináltuk? Alakmutatók: ferdeség, csúcsosság Alakmutatók a ferdeség és csúcsosság mérésére Ez eloszlás centrumát (középérték) és az adatok centrum körüli terpeszkedését
2017-ben Erdély hét megyéjében haladta meg a GDP növekedése az országos átlagot
GDP, 2007 2017 2017-ben Erdély hét megyéjében haladta meg a GDP növekedése az országos átlagot Az uniós csatlakozás utáni időszakban Románia bruttó hazai összterméke nominális lej értéken megduplázódott.
Statisztika I. 10. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 10. előadás Előadó: Dr. Ertsey Imre Varianciaanalízis A különböző tényezők okozta szórás illetőleg szórásnégyzet összetevőire bontásán alapszik Segítségével egyszerre több mintát hasonlíthatunk
Sta 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
y ij = µ + α i + e ij
Elmélet STATISZTIKA 3. Előadás Variancia-analízis Lineáris modellek A magyarázat a függő változó teljes heterogenitásának két részre bontását jelenti. A teljes heterogenitás egyik része az, amelynek okai
Statisztika 10. évfolyam. Adatsokaságok ábrázolása és diagramok értelmezése
Adatsokaságok ábrázolása és diagramok értelmezése A statisztikában adatsokaságnak (mintának) nevezik a vizsgálat tárgyát képező adatok összességét. Az adatokat összegyűjthetjük táblázatban és ábrázolhatjuk
Nagy-György Judit. Szegedi Tudományegyetem, Bolyai Intézet
Többváltozós statisztika Szegedi Tudományegyetem, Bolyai Intézet Többváltozós módszerek Ezek a módszerek több változó együttes vizsgálatára vonatkoznak. Alapvető típusaik: többdimenziós eloszlásokra vonatkozó
V. Gyakorisági táblázatok elemzése
V. Gyakorisági táblázatok elemzése Tartalom Diszkrét változók és eloszlásuk Gyakorisági táblázatok Populációk összehasonlítása diszkrét változók segítségével Diszkrét változók kapcsolatvizsgálata Példák
Matematikai alapok és valószínőségszámítás. Statisztikai változók Adatok megtekintése
Matematikai alapok és valószínőségszámítás Statisztikai változók Adatok megtekintése Statisztikai változók A statisztikai elemzések során a vizsgálati, vagy megfigyelési egységeket különbözı jellemzık
Termékenységi átmenet Magyarországon a 19-20. században
Termékenységi átmenet Magyarországon a 19-2. században Őri Péter KSH NKI 214. január 2. Forrás: Bardet-Dupaquier, 1998. 146. A házas termékenység (I g ) indexe Európában 19-ban Termékenységi átmenet sajátosságai
[Biomatematika 2] Orvosi biometria
[Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát
A MARKETINGKOMMUNIKÁCIÓ ÉS PÉNZÜGYI EREDMÉNYESSÉGÉNEK MÉRÉSE MAGYAR BORÁSZATOK KÖRÉBEN TÓTH ARNOLD
BUDAPESTI CORVINUS EGYETEM TÁJÉPÍTÉSZETI ÉS TÁJÖKOLÓGIAI DOKTORI ISKOLA DOKTORI ÉRTEKEZÉS TÉZISEI A MARKETINGKOMMUNIKÁCIÓ ÉS PÉNZÜGYI EREDMÉNYESSÉGÉNEK MÉRÉSE MAGYAR BORÁSZATOK KÖRÉBEN TÓTH ARNOLD TÉMAVEZETŐ:
A statisztika alapjai - Bevezetés az SPSS-be -
A statisztika alapjai - Bevezetés az SPSS-be - Petrovics Petra PhD Hallgató SPSS (Statistical Package for the Social Sciences ) 2 file: XY.sav - Data View XY.spv - Output Ez lehet hosszabb név is Rövid