Метода - регрессия
Cтраница 1
Методы регрессии используются для определения зависимости между двумя или более переменными. Во многих случаях такую зависимость целесообразно представить в математическом виде. Например, между расходами на рекламу ( х) или объемом выручки ( у) вероятно наличие зависимости. Например, такое простое выражение, как у Юх, говорит нам, что объем продаж в десять раз больше суммы затрат на рекламу. На практике, понятно, зависимость не выглядит столь просто, как в этом примере. Однако процесс нахождения уравнения, связывающего две переменные х и у, важен и часто осуществим. [1]
Наиболее существенным результатом разработки схемы по методу последовательной графической регрессии является достаточно хорошая оправдываемость прогноза относительно высокого загрязнения воздуха в городе. [2]
Подмножество наиболее информативных признаков находится неполным перебором, аналогично методу шаговой регрессии. [3]
Другие модели строятся с учетом соотношений с другими переменными по методу регрессии, о чем мы говорили в предыдущей главе. Так, например, такая переменная, как покупательский спрос на нефтепродукты, может зависеть от других переменных, в частности, от расходов на рекламу, ценообразования, процентных ставок и валютообменных курсов. Это так называемые причинно-следственные связи, и зачастую они обеспечивают большую точность и надежность прогноза по сравнению с моделями прогнозирования на основе временных рядов. [4]
 |
Цены на биржевые товары. [5] |
Итак, при прогнозировании, например, процентных ставок, валютообменных курсов, цен на акции, объема производства и объемных индексов целесообразно учитывать методы регрессии и другие факторы. [6]
Характер полученных законов распределения с учетом принятых допущений подтверждает вероятностную природу исследуемого процесса создания, разработки и внедрения изобретений и позволяет использовать для экономико-математического анализа методы регрессии и корреляции. [7]
Как методы регрессии применяются для получения простых прогнозов. [8]
Обычно человек не решает задачу целиком, а разбивает ее на более легкие подзадачи, которые в совокупности эквивалентны первоначальной. Такое разбиение задачи есть метод регрессии, попятного движения, который, конечно, может и вообще не привести к цели. Это одно из свойств эвристического метода - нет гарантии в том, что решение действительно будет получено. [9]
Как уже отмечалось, в эконометрике широко используются методы статистики. Ставя цель дать количественное описание взаимосвязей между экономическими переменными, эконометрика прежде всего связана с методами регрессии и корреляции. [10]
Как уже отмечалось, в эконометрике широко используются методы статистики. Ставя цель дать количественное описание взаимосвязей между экономическими переменными, эконометрика прежде всего связана с методами регрессии и корреляции. [11]
Помимо описанных здесь статистических методов также важно учитывать и любые внешние факторы, которые могут оказать влияние на рассматриваемые переменные. Например, спрос на товар может быть подвержен влиянию внешних воздействий, в частности деятельности, политики ценообразования и рекламной стратегии конкурентов. Во многих практических ситуациях эти внешние факторы оказывают большее воздействие на надежность прогнозов, нежели описанные нами статистические факторы. Часто такие факторы учитываются методами регрессии в модели прогнозирования, как это описано в предыдущей главе. Использование этих методов помогает получить жизненно важную информацию, необходимую при принятии тактических и стратегических управленческих решений. [12]
Использование в качестве алгоритмов многомер - 0 регрессионного анализа, метода шаговой регрес-ги метода включения [21 ], при которых построение рессионного уравнения производится псследова -: ьно по мере поэтапного выделения существенного хтора, дает возможность на основе анализа уменьше-я остаточной суммы квадратов и приращения доли ьясненной вариации выделить основные параметры, : дение которых в модель целесообразно. Ограниченный объем исходных данных не дает воз-жности использовать методы статистического моде-рования для поиска некоторого оптимального сплава, этом случае необходимо привлечение методоз плани-зания экспериментов. При этом априорная информа-я, извлекаемая из анализа банка данных, позволяет хнованно выбрать факторное пространство, основ-я уровень и границы области экспериментирования км. Наиболее целесообразны из них алгоритмы, ализующие методы шаговой регрессии, включения, ключения, ортогонализации независимых перемен-IX, построения уравнения по заданному набору фак-ров. [13]
Хаос не относится к разряду беспорядочных структур. Хаос - более высокая форма порядка, где случайность и бессистемные импульсы становятся организующим принципом скорее, нежели более традиционные причинно-следственные отношения в теориях Ньютона и Евклида. Поскольку природа человека и его мозг хаотичны, рынки, являясь продуктом природы и отражающие мышление человека, также представляют собой хаотичные процессы. Пришло время признать, что наше традиционное обучение дает трейдерам неверное представление и неправильные логические картосхемы. Независимо от того, какого уровня сложности применяется линейная математика, с ее преобразованиями Фурье, ортогональными функциями, методами регрессии, или за-действуется искусственный интеллект, нейронные сети, генетические алгоритмы и так далее. Все это неизбежно вводит в заблуждения трейдеров на кардинально нелинейных рынках. [14]
 |
Целевые значения ( перемасштабированные в сравнении с прогнозами сетей ALLNET и WINNET. [15] |
Страницы: 1 2