Перейдем к важному вопросу выбора оптимальной кривой. Выше нами было отмечено, что коэффициент детерминации при наличии тренда не может быть интерпретирован стандартным образом, как мера объяснения дисперсии зависимой переменной . Поэтому выбирать оптимальную кривую на основе этого коэффициента, как предлагает автор книги, нельзя. К. Д. Льюис соглашается с тем, что истинное сравнение качества подгонки по разным кривым необходимо осуществлять по качеству подгонки к фактическому ряду а не преобразованному, однако это условие следует усилить выбирать оптимальную кривую надо только таким образом. [c.9]
Является ли такая прямая линия действительно удовлетворительной при подгонке наших данных. Как измерить качество подгонки, в частности, нельзя ли за такой критерий взять равенство числа точек, оказавшихся ниже и выше прямой [c.77]
Найденная методами регрессионного анализа прямая линия имеет наилучшее качество подгонки (аппроксимации). С этой точки зрения линии, построенные на основе графического анализа, не являются наилучшими. Однако это, вообще говоря, не означает, что они будут приводить к худшим прогнозам, чем наилучшие в смысле подгонки регрессионные прямые. [c.77]
Кривая с наилучшим качеством подгонки и соответствующий прогноз показаны на рис. 8.6. [c.98]
Н логистическая кривая по этим критериям приводят к лучшему качеству подгонки, чем любая другая кривая из описанных в гл. 8. Но это не означает, что подобная ситуация будет иметь место в любом другом случае выравнивания. [c.107]
Розничные торговцы, имеющие магазины, торгующие со скидкой и являющиеся основным каналом продажи Улучшение качества подгонки одежды и предложение моделей, разработанных дизайнером [c.246]
Затем, используя выражения для соответствующих теоретических характеристик (как, например, (12) и (14)) аппроксимируемых моделей, производится варьирование параметров (таких, как, скажем, bi в (12) и (14)) с целью подгонки теоретических характеристик под эмпирические. Наконец, на заключительном этапе производится оценка качества подгонки, основываясь на знании распределений эмпирических характеристик и их отклонений от теоретических распределений. [c.155]
В предыдущем разделе пас интересовало только качество подгонки кривой. Теперь добавим к постановке задачи некоторые статистические свойства данных. [c.38]
Чем ближе к 1 значение Л2, тем лучше качество подгонки, у более точно аппроксимирует у. Ниже в главе 3, посвященной множественной регрессии, мы более подробно остановимся на вопросе о значении R2 при оценке качества регрессии. [c.53]
Коэффициент Л2 показывает качество подгонки регрессионной модели к наблюденным значениям yt. [c.75]
Для стандартных моделей регрессии качество подгонки (при условии, что среди регрессоров есть константа) обычно измеряет коэффициент детерминации Д2 или скорректированный коэффициент детерминации -R . Напомним, что коэффициент детерминации интерпретируется как доля объясненной вариации зависимой переменной. Для моделей с панельными данными это понятие требует уточнения и модификации. Во-первых, внутригрупповая и межгрупповая модели имеют дело с разными вариациями зависимой переменной. Во-вторых, модель со случайным эффектом оценивается с помощью обобщенного метода наименьших квадратов, для которого коэффициент детерминации вообще не является адекватной мерой качества подгонки. [c.373]
Цель многомерного — получить пространственную карту с наименьшим количеством размерностей, которая наилучшим образом подходит для анализа исходных данных. Однако пространственные карты рассчитывают таким образом, что соответствие модели исходным данным увеличивается с ростом количества размерностей пространства. Поэтому идти на компромисс. Для определения того, насколько принятое в рамках ММШ решение соответствует точному отображению исходных данных, обычно используют показатель стресса. Он является мерой соответствия подогнанной модели исходным данным чем выше значение стресса, тем ниже качество подгонки модели. Для определения числа размерностей пространства нужно руководствоваться следующими принципами. [c.783]
Японцы считают, что успешная деятельность группы качества во многом определяется ее слаженностью, зависящей в первую очередь от совместимости ценностных ориентации и личностных качеств участников. В связи е этим при формировании групп обращается внимание на психологические портреты . будущих ее членов, на возможности психологической подгонки их друг к другу. В целом, по мнению японских исследователей, слаженность группы качества обусловливается четырьмя следующими факторами (разумеется, этими факторами определяется и слаженность любых рабочих групп) а) подбор хороших работников б) наличие хорошего мастера в) хорошие отношения в системе руководитель— подчиненный г) хорошая рабочая обстановка [130]. [c.132]
Связи часто приводят к тому, что дополнительные затраты по "подгонке" отдельных видов деятельности друг к другу окупаются в дальнейшем. Например, более дорогие конструкции и комплектующие изделия или более тщательный контроль качества позволяют снизить расходы на послепродажное обслуживание. Фирмы должны идти на такие издержки в соответствии со своей стратегией во имя конкурентного преимущества. [c.116]
В результате из уравнений (9.2), (9.3) и (9.4) получим а = 4899, b — —4571, с = 0,97208. Таким образом, уравнение модифицированной экспоненты, удовлетворяющее качеству наилучшей подгонки, будет иметь вид [c.109]
Однако необходимо предостеречь от абсолютизации полученного результата. Проблема заключается в том, что даже качественная модель является подгонкой спецификации модели под имеющийся набор данных. Поэтому вполне реальна картина, когда исследователи, обладающие разными наборами данных, строят разные модели для объяснения одной и той же переменной. Другой проблемой является использование модели для прогнозирования значений объясняемой переменной. Иногда хорошие с точки зрения диагностических тестов модели обладают весьма низкими прогнозными качествами. [c.201]
Альтернативными показателями пригодности, лишенными некоторых недостатков общей прибыли, являются t-критерий и связанная с ним вероятность. При использовании t-критерия как функции пригодности (вместо простого поиска наиболее выгодного решения) смысл генетического развития систем состоит в создании систем с максимальной вероятностью прибылей в будущем или, что то же самое, с минимальной вероятностью прибылей, обусловленных случайностью или подгонкой под исторические данные. Этот подход работает весьма хорошо t-критерий учитывает прибыль, размер выборки данных и количество совершенных сделок. Хотя все факторы важны, все же, чем больше сделок совершает система, тем выше t-показатель и больше вероятность устойчивости в будущем. Таким же образом, системы, которые дают более стабильные сделки с минимальным разбросом, будут иметь лучший t-показатель и предпочтительнее систем, где разброс сделок велик. T-критерий включает в себя многие из параметров, определяющих качество торговой модели, и сводит их в одно число, для оптимизации которого можно применить генетический алгоритм. [c.85]
Из этой таблицы легко найти кривую, дающую лучшее качество подгонки в терминах коэффициента детерминации г2, среднего квадрата ошибки MSE и среднеабсолютной ошибки в процентах МАРЕ (см. гл. 3). В конце настоящей главы обсуждаются вопросы автоматизации выбора наилучшей кривой и составление соответствующей программы. [c.89]
Как следует из приведенных вычислений, наилучшей кривой в окысле качества подгонки будет кривая Гомпертца с параметрами с. .= 0,93176 Ь - 0,0961435 и а = 4644,5. Таким образом, выравненные значения и прогноз строятся по формуле [c.111]
Как и раньше, коэффициенты являются значимыми — t-ста-тистики равны соответственно 17.74 и 20.70. Как мы и ожидали, качество подгонки улучшилось — коэффициент Д2 возрос с 0.21 до 0.39, а оценка стандартного отклонения остатков s уменьшилась с 11307 до 4567. Так как в семьях из одного человека нет расходов на содержание неработающих членов семьи (дети, престарелые), то на потребление тратится меньшая часть прироста дохода. Склонность к потреблению, определяемая как dExpend/dln , для семьи из одного человека равна 0.355, в то время как в среднем по всей выборке 0.686. [c.58]
Уравнение У = а + (3Xi + e, оценивается методом наименьших квадр атов Остатки регрессии равны i, yt = У - У, Xj = Xi — X, yi = Yi — Y — отклонения от средних. Докажите, что следующие меры качества подгонки совпадают [c.59]
Другая ситуация необходимости сравнения двух не вложенных моделей возникает, когда, скажем, надо сделать выбор между линейной и лог-линейной моделями. Поскольку в этих моделях разные зависимые переменные (yt и Inyt), то критерии качества подгонки модели, такие как коэффициент детерминации В или критерии Акаике или Шварца (см. главу 11, (11.97), (11.98)), неприменимы. В работе (Ma Kinnon et al., 1983) предложен Р-Е-тест, который состоит в следующем. Оценим обе модели, линейную и лог-линейную, методом наименьших квадратов и получим соответствующие прогнозные значения yt и nyt- Тогда мы можем тестировать гипотезу HQ линейная модель против альтернативной гипотезы HI лог-линейная модель, проверяя гипотезу SUN = О (с помощью обычной i-статистики, которая имеет при нулевой гипотезе приблизительно стандартное нормальное распределение) в уравнении [c.133]
Критерий Акаике является эвристической попыткой свести в один показатель два требования уменьшение числа параметров модели и качество подгонки модели. Согласно этому критерию, из двух моделей следует выбрать модель с меньшим значением AI . [c.307]
Стресс (stress). Мера соответствия подогнанной модели исходным данным чем выше значение стресса, тем ниже качество подгонки модели. [c.778]
Качество подгонки, полученной для подобной нелинейной ф . ции, может быть измерено с помощью коэффициента, аналогиям коэффициенту детерминации г2 (см. гл. 2). Измерив остаточную вар цию Уг около кривой подгонки, мы можем определить этот коэффш ент как разность между 1 и отношением остаточной вариации ко в.. полной вариации У. Такой подход может быть легко распространен поликомы более высокой степени, однако нет необходимости подро. -рассматривать этот случай в дальнейшем, поскольку в действительно, он является частным случаем функций от трех или более перемени к изучению которых мы перейдем в следующем параграфе. [c.62]
Классическое решение подобной задали состоит в предположении, что имеется некоторая дополнительная информация. Как правило, считают известным и постоянным отношение дисперсий ошибок и и и. Такое решение не кажется нам удовлетворительным с эконометриче-ской точки зрения, поскольку переменная и, вообще говоря, содержит две составляющие — ошибку -измерения переменной Y и стохастическое возмущение. И если можно рассчитывать на какой-то шанс при попытке оценить ошибку измерения величины Y, то у "нас нет никакой надежды определить заранее величину дисперсии возмущающего воздействия. В самом деле, оценка качества подгонки соотношения к исходной статистической информации есть одна из непосредственных целей эконометрического анализа. Классический подход к решению этой задачи основан на предположении, что существует точная связь между истинными значениями У и X, так что и отражает только ошибку измерения величины Y. Единственный выход в нашем случае — гипотеза о том, что дисперсия ошибки измерения объясняющей переменной известна. Такое предположение для многих конкретных ситуаций оказывается вполне приемлемым. Так, становится все более принятым публиковать статистические данные о национальном доходе с указанием вероятного уровня ошибок. Пусть, например, наблюдаемые значения переменной X имеют среднее, равное 100, и мы утверждаем, что максимальная ошибка каждого значения с очень малой вероятностью превосходит 10%. Мы можем тогда положить Зсг = 10 и о = 11. [c.286]
Наблюдение больших последовательных падений свидетельствует, как мы уже заметили, на существование временной, преходящей корреляции. Для Доу-Джонса такое рассуждение может быть следующим образом. Мы используем простую форму функции распределения дневных потерь, а именно, экспоненциальное распределение с коэффициентом затухания 1/0.63%, полученным при подгонке под распределение просадок, показанное на Рис. 24. Качество экспоненциальной модели подтверждается прямыми вычислениями средней амплитуды потери, эквивалентной 0.67% и ее стандартного отклонения, равного 0.61% (вспомним, что точная экспонента дала бы три равных значения 1/затухание = среднее = стандартное отклонение). Используя эти числовые значения, получаем вероятность падения равного или большего, чем 3.8% будет ехр(-3,8/0.63)=2.4х10 3 (событие, происходящее примерно раз в два года) вероятность падения равного или большего, чем 2.4% - ехр(-2.4/0.63)=2.2х10"2 (событие, происходящее примерно раз [c.71]
Можно обобщить простую формулу логопериодического степенного закона, примененную на Рис. 91 при помощи математического подхода, называемого теорией бифуркаций, чтобы получить ее общую нелинейную коррекцию, которая позволит количественно оценить изменения индексов Доу-Джонса и S P500 за 8 лет, предшествующих октябрю 1987 года [397]. Результат этой теории, представленной в источнике [397], использовался я для получения новой подгонки к данным, показанной на Рис. 92. На рисунке ясно видно, что новая формула удивительно точно учитывает изменения рыночной цены за 8-летний период, по сравнению с чуть более, чем 2-летним пфиодом простой логопериодической формулы, показанной на Рис. 91. Нелинейная теория, разработанная в [397], ведет к "логочастотной модуляции", эффекту, впервые обнаруженному опытным путем в [128]. Удивительное качество соответствия полученных моделей данным, приведенное на Рис. 91 и Рис. 92, было оценено в [214]. [c.231]
В последнее время получило распространение внесение изменений в планы в сторону их снижения в целях подгонки под фактический уровень выполнения, что было подвергнуто критике на XXVI съезде партии. Постановлением ЦК КПСС и Совета Министров СССР от 12 июля 1979 г Об улучшении планирования и усилении воздействия хозяйственного механизма на повышение эффективности производства и качества работы подобные корректировки планов запрещены и установлена ответственность должностных лиц, допускающих изменения планов в сторону снижения для подгонки под фактический уровень их выполнения. [c.495]
Должен знать физико-механические свойства, виды огранки полудрагоценных и драгоценных камней требования, предъявляемые к подборке парных камней для серег состав и способы приготовления мастик для крепления вставок методы изготовления сложных деталей и узлов к ювелирным изделиям способы подгонки оправ к вставкам для различных типов закрепки приемы обработки изделий бормашиной правила пользования калибрами и величины допусков при комплектовке, посадке, квалитеты, параметры шероховатости (классы точности и чистоты обработки) приемы пайки изделий с филигранью с промежуточной монтировкой деталей способы оплавления зерни методы определения качества припоя по внешним признакам правила выполнения расчетов для построения фигур и разверток приемы шабровки и шлифования черни способы реставрации серебряных изделий кинематические схемы обслуживаемого оборудования способы проверки работы цепевязальных автоматов на точность позицирования деталей узла и формовки звена. [c.63]
Торговые помещения занимают важнейшее место в общей совокупности помещений магазина. К ним относят торговые залы, помещения приема и выдачи заказов, зал кафетерия, зал демонстрации новых товаров, помещения (зоны) для оказания дополнительных услуг покупателям (раскрой тканей, подгонка платья по фигуре покупателя, комната матери и ребенка и др.). Все эти помещения несут основную функциональную нагрузку в магазине. Площади, формы и пропорции торговых помещений в значительной степени обусловливают качество обслуживания покупателей, оказывают влияние на построение торгово-техноло-гического процесса в магазине, на экономические показатели его работы. [c.418]