
- •2.4. Курсове проектування
- •1. Динамічні ряди та їхні властивості
- •Системи економетричних рівнянь для прогнозу, прийняття рішень та імітації
- •Проста вибіркова лінійна регресія
- •Оцінка параметрів лінійної регресії за допомогою методу найменших квадратів
- •Імовірнісний зміст простої регресії Узагальнена регресійна модель
- •1. Математичне сподівання параметра
- •Коефіцієнти кореляції та детермінації
- •Поняття про ступені вільності
- •Простий anova-аналіз. Аніліз дисперсій.
- •1. Класична лінійна багатофакторна модель
- •1.1 Основні припущення у багатофакторному регресійному аналізі
- •1.2.Етапи побудови багатофакторної регресійної моделі
- •1.3 Розрахунок невідомих параметрів багатофакторної регресії за мнк
- •1.3.2 Коефіцієнт множинної кореляції та детермінації
- •1.3.3 Anova–дисперсійний аналіз
- •1.4 Перевірка моделі на адекватність
- •2. Матричний підхід до лінійної багатофакторної регресії
- •2.1 Запис ублрм у матричному вигляді
- •2.2 Припущення класичної лінійної багатофакторної регресії
- •2.3 Оцінювання невідомих параметрів у багатофакторній регресії
- •2.4 Дисперсійно-коваріаційна матриця параметрів регресії
- •2.6 Прогнозування за багатофакторною рекгресійною моделлю
- •1. Мультиколінеарність
- •1.1 Теоретичні наслідки мульттиколінеарності
- •1.2. Практичні наслідки мультиколінеарності
- •1.3 Тестування наявності мультиколінеарності
- •2.5. Індивідуальна робота студентів
- •7 Навчально-методичні матеріали та технічні засоби
- •7.1 Основні джерела інформації
- •7.2 Додаткові джерела інформації
- •Основы системного анализа и проектирования асу: Уч. Пособие Павлов, с.Н . Гриша а.А. И др – к.: Выща шк.; 1991. – 367с.
- •2.12.6. T-тест для оцінки значимості коефіцієнта кореляції
- •7.8 Основні поняття теорії ймовірностей
- •7.8.1 Інтегральна функція розподілу ймовірностей випадкової величини
- •7.8.4. Закон рівномірного розподілу ймовірностей
- •7.8.5. Нормальний закон розподілу
- •7.8.5.1. Вплив параметрів нормального розподілу на форму нормальної кривої
- •7.8.6. Розподіл
- •Графік і таблиця нормального закону розподілу
- •Графік і таблиця f-розподілу Фішера
- •Графік і таблиця t-розподілу Ст’юдента
- •5.3. Автокореляція
- •5.3.1. Природа автокореляції. Основні поняття та означення
- •5.3.2. Тестування автокореляції
- •5.3.3. Оцінка параметрів регресійної моделі при наявності автокореляції
- •5.4. Авторегресивні і дистрибутивно-лагові моделі
- •5.4.1.Природа авторегресивних моделей. Приклади практичного застосування авторегресивних моделей
- •5.4.1.1. Приклади використання лагових моделей в економіці. Роль "часу" або "часового лагу" в економіці
- •5.4.1.2. Причини лагів
- •5.4.2. Оцінка параметрів дистрибутивно-лагових моделей
- •5.4.2.1. Послідовна оцінка дистрибутивно-лагових моделей
- •5.4.2.2. Підхід Койка до дистрибутивно-лагових моделей
- •5.4.3. Перша модифікація моделі Койка: модель адаптивнихочікувань
- •5.4.4. Друга модифікація моделі Койка: модель часткових пристосувань
- •Комбінація моделей адаптивних очікувань і частковихпристосувань
- •Оцінювання параметрів авторегресивних моделей
- •Метод допоміжних змінних
- •Виявлення автокореляції в авторегресивних моделях: h-тест Дарбіна
2.4. Курсове проектування
Курсовий проект призначений для здобуття студентами практичних навичок використання методів системного аналізу для дослідження процесів в галузі інформаційної безпеки.
Для виконання курсових проектів студентам пропонуються завдання з дослідження процесів в галузі інформаційної безпеки, які складаються з трьох модулів:
Модуль 1. Вибір та обґрунтування математичної моделі системи
Модуль 2. Попередня обробка даних.
Модуль 3. Реалізація математичної моделі та проведення досліджень.
В процесі проектування вирішуються наступні задачі:
Опис предметної області.
Вибір методу і засобів системного аналізу та їх обґрунтування
Формування рядів даних
Кількість випадків витоку інформації |
105 |
126 |
190 |
150 |
90 |
86 |
75 |
74 |
60 |
65 |
Витрати на технічне забезпечення служби безпеки, тис.грн. |
345 |
20N |
500 |
450 |
700 |
780 |
40N |
950 |
950 |
50N |
Витрати на підвищення кваліфікації працівників служби безпеки, тис.грн. |
100 |
150 |
10N |
200 |
240 |
400 |
400 |
400 |
30N |
520 |
Виявлення кореляційних зав’язків.
Excel :Статистичні функції - КОРРЕЛ
Виявлення і видалення викидів.
См. Графіки
Згладжування.
См. Графіки
Визначення статистичних характеристик вхідних даних.
1. Динамічні ряди та їхні властивості
Динамічним рядом називається послідовність спостережень за процесом або явищем у рівновіддалені проміжки часу.
Прозначимо через х значення деякої ознаки економічного процесу або явища у i-й проміжок часу. Тоді, вимірюючи значення цієї ознаки в рівновіддалені проміжки часу, отримаємо динамічний ряд x1, x2, ..., xi,..., xn.(xi ще називають i- рівнем динамічного ряду).
Для того, щоб динамічні ряди можна було використовувати як інформаційну базу для побудови регресійних моделей, необхідно, щоб усі їх рівні можна було порівняти. Наприклад, якщо розглядається територія, кордони якої змінюються, то це повинно бути додатково враховано.
Непорівняність може бути занчною, коли показники підвладні сезоним або іншим періодичним коливанням (ціна на сільськогосподарську продукцію, тарифи перевезень). Такі дані необхідно проаналізувати за методами сезоної декомпозиції.
Непорівняними є також дані, подані у різному масштабі виміру.
Якщо необхідних даних для певного рівня бракує, то можна використати методи екстраполяції та інтерполяції.
Характеристики динамічного ряду:
1. Середня хронологічна - показує, яким рівнем у середньому характеризується даний динамічний ряд
.
2. Середній абсолютний приріст показує, як швидко змінюється кінцевий рівень ряду відносно початкового.
.
Середній коефіцієнт зростання характеризує середню швидкість зміни економічного процесу або явища
Середній коефіцієнт приросту відрізняється від середнього коефіцієнта зростання на одиницю
Середні коефіцієнти приросту та зростання, виражені у відсотках, називаються відповідно середнім темпом зростання (T-p) та середнім темпом приросту (T-np)
3. Дисперсія показує середню суму квадратів відхилень членів ряду від свого середнього
У підрахунках дисперсії використовується середня сума кварратів відхилень, тому що середня сумак відхилень дорівнює нулеві. Справді
4. Середнє квадратичне відхилення
Яким би не був розподіл величини х, як мінімум 75% спостережень знаходяться між
Більне
ніж 99% спостережень знаходяться між
5. Коефіцієнт варіації показує ступінь коливання різнорідних показників у відсотках
Визначення параметрів моделі або реалізація моделі.
Excel:ЛИНЕЙН
Після цього (для БАГАТОФАКТОРНОЇ РЕГРЕСІЇ):
Перевірка статистичної значимості параметрів моделі –тест Стьюдента
Перевірка адекватності моделі – тест Фішера
Переврка наявності мультиколінеарності (будь-яким тестом)
Переврка наявності гетероскедастичності (графічно і будь-яким тестом розрахунковим тестом)
Переврка наявності автокореляції (тест Дарбіна-Уотсона)
Висновки щодо можливості прогнозування за моделлю
Перетворення даних для знищення особливих випадків МНК.
Прогнозування точкове та інтервальне