7 שיעור 3- סטטיסטיקה β β
סטטיסטיקה -3שיעור 7 מובהקות הקבוע והשיפוע שיפוע -הגורם החשוב במודל. איך נדע מה השיפוע באוכ'? נתונים לדוגמא: ̂,15.16= SSx ,0.514= MSRES ,4.14= x ,3.91= y ,0.25= r , 2.13= ̂ , 0.43= 83=n , 0.05 0.514 0.514 0.43+1.99 15.16 15.16 0.43-1.99 0.062 0.795 מסקנה :מתוך אינסוף דגימות חוזרות של מדגמים בגודל ,83השיפוע באוכ' יימצא ברווח המקרי שנע בין 0.062ל 0.795 -ברמת ביטחון .95% האם בכלל יש שיפוע? 0 : 0 1 : 0 ניתן לבדוק ברב"ס –-אם 0נמצא ברווח .לפי המקרה הזה -נדחה .H0 ניתן לבדוק לפי סטטיסטי .t ~ t n2 ˆ MSRES SSX t ˆ 0.43-0 0.514 = 2.388 15.16 איזורי דחייה: t 81>1.99 t 81<1.99 מסקנה :נדחה .H0 ניתן לשאול האם שווה לערכים שונים וכך לבחון דרך רב"ס או דרך חישוב הסטטיסטי. קבוע: מסקנה :מתוך אינסוף דגימות חוזרות של מדגמים בגודל ,83הקבוע באוכ' יימצא ברווח המקרי שנע בין 0.605ל 3.66 -ברמת ביטחון .95% גם כאן ניתן לשער השערה 0 : 0 : 1 : 0 לפי רב"ס -נדחה 0לא מצוי ברב"ס חישוב לפי סטטיסטי – גם כאן נדחה H0 אמידת התוחלת והערך אמידת התוחלת -ממוצע במדגם וניקח טווח של טעויות ונשליך על טווח באוכ'. אמידת הערך נשתמש פחות ברב"ס לאמידת הערך ,שכן פחות חסר תועלת (כמו להגיד בסוף הקורס תקבלו בין 0ל )100 אמידת התוחלת מסקנה :מתוך אינסוף דגימות חוזרות של מדגמים בגודל ,83תוחלת האוכ' עבור ,3=Xתמצא ברווח המקרי שנע בין 2.97ל 3.87 -ברמת ביטחון .95% פלטים – קיצוץ תחום והשלכותיו Correlations Descriptive Statistics Mean Volume (cubic CM) 1400.1078 Cons umption (KM 16.4772 per Litter) Std. Deviation 148.31127 N 46 2.41865 46 Correlationsa Volume (cubic CM) Cons umption (KM per Litter) Pears on Correlation Sig. (2-tailed) Pears on Correlation Sig. (2-tailed) Volume Cons umption (cubic CM) (KM per Litter) 1 -.295* . .047 -.295* 1 .047 . לפני קיצוץ התחום המתאם .0.88 היה שווה ל .כלומר יש פגיעה במובהקות *. Correlation is s ignificant at the 0.05 level (2-tailed). a. Lis twise N=46 Graph דיאגרמת הפיזור לאחר הקיצוץ )8 'דיאגרמת הפיזור המקורית (כמו בעמ 30 28 28 26 26 24 24 22 22 Consumption (KM per Litter) 30 20 18 16 14 12 10 200 400 600 800 Volume (cubic CM) 1000 1200 20 18 16 14 12 10 1400 1600 1800 2000 200 400 600 800 Volume (cubic CM) 1000 1200 1400 1600 1800 2000 רגרסיה פשוטה דוגמה לרגרסיה חד-משתנית: ניבוי המכירות באמצעות ההוצאות על פרסום (אלפי )₪ מאפיינים תאוריים של שני המשתנים Case Summaries Maximum Minimum Std. Deviation 60.00 3.70 16.36932 28.1040 994.00 55.00 217.85283 249.2400 N Mean 25 X advertis e expens es 25 Y s ales * ממקס' ומינ' – מודל קבוע -ניתן לנבא רק עבור Xבתחום. מטרות דיאגרמת פיזור: .1כדי לראות האם קיים קשר .2לזהות ערכים קיצוניים. 1100 1000 900 800 700 600 500 400 300 200 0 Rsq = 0.6046 70 60 50 40 30 20 10 0 advertise expenses ניתן לראות שקיימת מגמה לינארית. sales 100 המתאם בין המשתנים Correlations Correlations advertise expenses advertise expenses Pearson Correlation sales 1 Sig. (2-tailed) .000 N sales .778** Pearson Correlation Sig. (2-tailed) 25 25 .778** 1 .000 N 25 25 **. Correlation is significant at the 0.01 level (2-tailed). משוואת קו הרגרסיה Coefficientsa Model 1 (Cons tant) X advertis e expenses Uns tandardized Coefficients B Std. Error -41.586 56.465 10.348 1.745 Standardized Coefficients Beta .778 a. Dependent Variable: Y s ales Constant- קבוע X- שיפוע B- משוואת קו הניבוי Beta- yˆi 41.586 10.348 xi ˆ 0, ˆ r 0.778 Sig =קבוע0.469>0.05 ' כלומר הקבוע שווה לאפס באוכ,לא נדחה Sig =שיפוע0<0.05 ' כלומר יש שיפוע באוכ, נדחה רווח בר סמך, ניתוח פלט, לרגרסיה פשוטה,מודל הרגרסיה t -.736 5.930 Sig. .469 .000
© Copyright 2024