Хичээлийн сэдэв

Хичээл: Олон хэмжээст өгөгдлийн статистик шинжилгээ
Сэдэв: #3. Олон хэмжээст хэвийн тархалт II

Зорилго

Олон хэмжээст хэвийн тархалттай санамсаргүй векторын шугаман хувиргалт болон дэд векторуудын нөхцөлт тархалтын шинж чанарыг гүнзгийрүүлэн судалж, дундаж квадрат алдааг минимумчлах нөхцөлт математик дундажид тулгуурлан регрессийн шугаман загвар байгуулах, мөн олон хэмжээст хэвийн тархалтын хүрээнд нөхцөлт ба тухайн корреляцийн эквивалент чанарыг математик үндэслэлтэйгээр ойлгож, хөндлөнгийн хувьсагчдын нөлөөг зайлуулсан хамаарлыг шинжлэх арга зүйг эзэмшинэ.

Зорилтууд

  1. Олон хэмжээст санамсаргүй векторын шугаман хувиргалтын теорем болон дэд векторуудын блок ковариацийн матрицын бүтцийг судлах.
  2. Нөхцөлт математик дундаж ба нөхцөлт ковариацийн матрицыг тодорхойлж, нөхцөлт болон тухайн тархалтаар хамтын тархалт байгуулах зарчмыг эзэмших.
  3. Аппрокисимацын дундаж квадрат алдааг хамгийн бага болгох нөхцөлт математик дунджийн чанарт үндэслэн регрессийн шугаман загварыг тодорхойлж, нийт дисперсийн задаргаа болон детерминацийн коэффициентийг тооцоолох.
  4. Олон хэмжээст хэвийн тархалтын хувьд нөхцөлт корреляц болон тухайн корреляц эквивалент болохыг батлах, ковариацийн матрицын урвууг ашиглан тухайн корреляцийг олох теоремуудтай танилцах.
  5. Хөндлөнгийн хувьсагчдын нөлөөг тооцсон тухайн болон хагас тухайн корреляцийг ашиглан хувьсагчид хоорондоо хамааралгүй гэсэн таамаглалыг шалгах арга зүйд суралцах.

Товч агуулга

Олон хэмжээст хэвийн тархалттай санамсаргүй вектор дээрх шугаман хувиргалт, нөхцөлт тархалт, нэг хувьсагч руу нөгөө хувьсагчийн нөхцөлт математик дундаж ашиглан дөхөх, тархалтын параметрийн үнэлэлт

Дэд сэдвүүд

  1. Шугаман хувиргалт
  2. Нөхцөлт тархалт
  3. Регрессийн шугаман загвар
  4. Нөхцөлт болон тухайн корреляц

Суралцахуйн үр дүн

Мэдлэг

  1. Олон хэмжээст хэвийн тархалттай санамсаргүй векторын шугаман хувиргалтын чанар, дэд векторуудын нөхцөлт тархалтын математик дундаж болон ковариацийн матрицын бүтцийг мэддэг болно.
  2. Нөхцөлт математик дундаж нь дундаж квадрат алдааг минимумчлах хамгийн сайн аппроксимац болохыг бас регрессийн загвар дахь дисперсийн бүтэц, задаргааны зарчмыг ойлгоно.
  3. Нөхцөлт корреляц ба тухайн корреляц хоёр тэнцүү байх нөхцөл болон ковариацийн матрицын урвууг ашиглан тухайн корреляц олох аргын үндэслэлийг мэдэж авна.

Чадвар

  1. Олон хэмжээст хэвийн тархалттай санамсаргүй векторын дэд векторуудын тухайн болон нөхцөлт тархалтыг олж чаддаг болно.
  2. Ковариацийн матрицын элементүүдийг ашиглан регрессийн шугаман загварын коэффициентуудыг болон детерминацийн коэффициентийг олох чадвартай болно.
  3. Ковариацийн матрицын урвуугаар болон хөндлөнгийн нийтлэг хувьсагчдын нөлөөг зайлуулах замаар тухайн болон хагас тухайн корреляцийг тооцоолж, хамааралгүй гэсэн тэг таамаглалыг шалгаж сурна.

Хандлага

  1. Хоёр хувьсагчийн холбоо хамаарлыг шинжлэхдээ зөвхөн тэдгээрийн корреляцийн коэффициентын утгыг харах бус, гуравдагч хөндлөнгийн нөлөөний талаар бодож, түүнийг нь эрэлхийлдэг шинжлэх ухаанч сэтгэлгээ лавширна.
  2. Регрессийн загвар болон олон хэмжээст тархалтын теоремуудын математик баталгаа, логик дараалалд үндэслэн олон хэмжээст өгөгдлийн бүтцийг нухацтай, онолын үндэслэлтэй авч үздэг соёл төлөвшинө.
Хариу

Дараах асуултуудад 9 сарын 15 07:40 — 10 сарын 6 07:40 хугацаанд хариулна.

Баталгаажуулах код авах

  1. Нөхцөлт математик дундаж ашигласан аппроксимацийн алдаа ямар чанартай вэ?


  2. Олон хэмжээст тархалттай санамсаргүй хувьсагчдын нөхцөлт корреляц ба тухайн корреляцийн талаарх дараах дүгнэлтүүдийн аль нь зөв бэ?


  3. Олон хэмжээст хэвийн тархалттай санамсаргүй векторын нөхцөлт тархалтын талаарх дараах өгүүлбэрүүдийн аль нь үнэн бэ?


  4. Олон хэмжээст хэвийн тархалттай санамсаргүй векторыг шугаман хувиргалтаар хувиргавал ...


  5. Хоёр өөр санамсаргүй вектор хамааралгүй бол тэдгээрийн ковариацийн матриц ямар байх вэ?


  6. Шугаман загварын детерминацийн коэффициент нь ...


  7. Олон хэмжээст хэвийн тархалттай санамсаргүй векторын нөхцөлт математик дунджийн илэрхийлэл ямар хэлбэртэй функц байдаг вэ?

Бүх асуултад зөв хариулах бөгөөд буруу бол ахин оролдоно.
Хариулах оролдлого бүрийг бүртгэж хадгална.