Cтраница 2
Какие показатели используются для измерения тесноты связи в регрессионной модели и как они вычисляются. [16]
Отсутствие прямолинейной зависимости. [17] |
Коэффициент корреляции является инструментом измерения тесноты линейной зависимости между двумя переменными. [18]
Однако наиболее простым способом является измерение тесноты связи между результатом и лаговыми значениями фактора. [19]
Коэффициент взаимной сопряженности предназначен для измерения тесноты стохастической связи и основан на сопоставлении частот или частостей условных распределений, в таблицах взаимной сопряженности. [20]
При наличии зависимости между двумя признаками для измерения тесноты связи применяют так называемое корреляционное отношение. Различают эмпирическое и теоретическое корреляционные отношения. [21]
Так же как и в аналитической группировке, измерение тесноты связи в корреляционно-регрессионном анализе основано на правиле сложения дисперсий. Однако компоненты общей дисперсии вычисляются несколько иначе. [22]
Для комбинационной аналитической группировки, так же как и для простой, разработаны методы измерения тесноты связи и проверки ее существенности. Эти методы объединяют под общим названием многофакторный дисперсионный анализ. Они основаны на стандартизации комбинационной аналитической группировки, сущность которой заключается в построении средней из условных линий регрессии. Многофакторный дисперсионный анализ связан с весьма громоздкими расчетами и требует применения ЭВМ. [23]
При наличии не двух, а более возможных значений каждого из взаимосвязанных признаков также разработаны разные методы измерения тесноты связи. [24]
Если зависимость между значениями случайных функций и ( t) и у ( t) нелинейная, то коэффициент корреляции между значениями случайной функции уже не может служить достаточно хорошим критерием для измерения тесноты связи между ними. [25]
Объектом статистического изучения в социальных науках являются сложные системы. Измерение тесноты связей между переменными, построение изолированных уравнений регрессии недостаточно для описания таких систем и объяснения механизма их функционирования. При использовании отдельных уравнений регрессии, например для экономических расчетов, в большинстве случаев предполагается, что аргументы ( факторы) можно изменять независимо друг от друга. Однако это предположение является очень грубым: практически изменение одной переменной, как правило, не может происходить при абсолютной неизменности других. [26]
Немчинов так объясняет вытеснение среднего линейного отклонения средним квадратическим отклонением: Нельзя построить меру вариации, игнорируя основное, определяющее свойство отклонений, как величин, могущих принимать положительное и отрицательное значение... Среднее линейное отклонение не улавливает статистической размерности отклонений. Размерность этих величин соответствует второй степени. Отклонения образуют площади около определенного уровня. К сказанному добавим, что так как математика в качестве измерителя вариации пользуется средним квадратическим отклонением и средним квадратом отклонений, а решение целого ряда статистических задач ( определение точности выборочного наблюдения, измерение тесноты связи между признаками и др.) связано с математикой, то ъ статистика вслед за математикой стала пользоваться этими показателями и реже средним линейным отклонением. [27]