- •Теория информационных процессов и систем
- •Санкт-Петербург
- •СПбГиэу, 2008 Содержание
- •Введение
- •Лабораторная работа № 1 Кластерный анализ
- •Задача 1. Метод k-средних.
- •Общая логика
- •Вычисления
- •Интерпретация результатов
- •Выполнение работы
- •Шаг 1. Загрузка файла данных
- •Шаг 2. Выбор метода анализа данных
- •Вывод результатов и их анализ
- •Задача 2. Иерархические алгоритмы.
- •Общая логика
- •Иерархическое дерево
- •Меры расстояния
- •Правила объединения или связи
- •Выполнение работы
- •Вывод результатов и их анализ
- •Задача 3.
- •Лабораторная работа № 2 Анализ временных рядов
- •Основные цели
- •Идентификация модели временных рядов
- •Анализ тренда
- •Анализ сезонности
- •Модель арпсс
- •Идентификация
- •Оценивание параметров
- •Оценивание модели
- •Экспоненциальное сглаживание
- •Сезонная и несезонная модели с трендом или без тренда
- •Задача 1. Определение тренда методом скользящих средних. Анализ сезонной составляющей.
- •Выполнение работы
- •Расчет сезонных индексов исходного ряда по аддитивной модели ряда
- •Расчет сезонных индексов исходного ряда по мультипликативной модели ряда
- •Задача 2. Прогнозирование по тренду и сезонной составляющей. Прогнозирование временного ряда методом экспоненциального сглаживания.
- •Выполнение работы
- •Дополнительно:
- •Задача 3.
- •Лабораторная работа № 3 Регрессионный анализ
- •Задача 1. Пошаговая регрессия.
- •Выполнение работы
- •Процедура пошаговой регрессии Backward stepwise:
- •Процедура пошаговой регрессии Forward stepwise:
- •Результаты регрессионного анализа:
- •Дисперсионный анализ:
- •Вычисление предсказанных значений доверительных интервалов:
- •Задача 2. Корреляционный анализ.
- •Выполнение работы
- •Задача 3. Нелинейная регрессия.
- •Выполнение работы:
- •Лабораторная работа № 4 Непараметрические методы математической статистики Основная цель
- •Краткий обзор непараметрических процедур
- •Выбор метода
- •Большие массивы данных и непараметрические методы
- •Задача 1. Таблицы сопряженности 22, статистики , , критерий Макнимара, точный критерий Фишера.
- •Выполнение работы
- •Задача 2. Статистика для сравнения наблюдаемых и ожидаемых частот.
- •Выполнение работы
- •Задача 3. Коэффициенты ранговой корреляции Спирмена и Кендалла.
- •Выполнение работы
- •Задача 4. Критерий серий Вальда-Вольфовица.
- •Выполнение работы:
- •Задача 5. Критерий Манна-Уитни.
- •Выполнение работы:
- •Задача 6. Однофакторный дисперсионный анализ Краскела-Уоллиса и медианный критерий.
- •Выполнение работы:
- •Задача 7. Критерий знаков. Критерий Вилкоксона для связанных пар наблюдений.
- •Выполнение работы:
- •Задача 8. Двухфакторный анализ Фридмана и коэффициент конкордации Кендалла.
- •Выполнение работы:
- •Задача 9. Q-критерий Кокрена.
- •Выполнение работы:
- •Лабораторная работа № 5 Однофакторный дисперсионный анализ
- •Цель дисперсионного анализа
- •Задача 1
- •Выполнение работы:
- •Задача 2
- •Выполнение работы:
- •Задача 3
- •Список литературы
- •Приложение 1 Содержание дисциплины
- •Приложение 2 Пример оформления титульного листа лабораторной работы
Дополнительно:
Вычисление скользящих приростов временного ряда выполняется в диалоговом окне Transformations of variables, вкладка Difference/integrate. Для расчета прироста первого порядка задайте параметр Differencing: lag – 1.
Для нахождения остальных характеристик прироста в электронной таблице с исходными данными выполните соответствующие преобразования, задавая формулу преобразования в диалоговом окне спецификации переменной.
Линейные графики производных характеристик прироста можно разместить на одном графике, воспользовавшись пунктом меню Graph/Multiple graph layouts/Wizard.
Для идентификации параметров трендовой модели воспользуйтесь пунктом меню Statistics/Advanced linear/ nonlinear models/Nonlinear estimation. Выберите вкладку User-specified regression – custom loss function. Далее в диалоговом окне User-specified regression нажмите кнопку Function to be estimated & loss function и задайте структуру прогнозной модели (Estimated model) с точностью до неизвестных параметров, функцию потерь (Loss function) по умолчанию (сумма квадратов отклонений наблюдаемых значений временного ряда от прогнозных значений). Все остальные параметры также выбираются по умолчанию.
Результаты идентификации модели представлены в диалоговом окне Results, вкладка Quick:
Summary: parameters estimates – оценки параметров модели; значение суммы квадратов отклонений (Final loss); коэффициент детерминации 100% (variance explained);
Observed, predicted, residual vals – наблюдаемые, прогнозные значения временного ряда и остатки;
Fitted 2D function and observed values – график исходного временного ряда и построенной прогнозной модели.
Для построения периодограммы временного ряда выберите пункт меню Statistics/Advanced linear/nonlinear models/Time series/Forecasting. В диалоговом окне Time series analysis задайте переменную для анализа и нажмите кнопку Spectral (Fourier) Analysis, далее вкладку Quick и кнопку Single series Fourier analysis. В появившемся диалоговом окне Spectral (Fourier) Analysis Results выберите кнопку Period, затем Periodogram.
Для построения автокорреляционной и частной автокорреляционной функций временного ряда в диалоговом окне Time series analysis выберите вкладку ARIMA and autocorrelations functions. Далее в диалоговом окне Single series ARIMA – вкладку autocorrelations и кнопки autocorrelations – построение автокорреляционной функции, partial autocorrelations – построение частной автокорреляционной функции.
Для идентификации авторегрессионой модели в диалоговом окне Single series ARIMA выберите вкладку Quick, задайте параметры модели (ARIMA model parameters): порядок авторегрессионой составляющей (p-Autoregressive) и инициируйте процесс оценки параметров модели (OK begin parameters estimate).
В диалоговом окне Single series ARIMA results представлены результаты идентификации модели:
вкладка Quick: Summary parameter estimates – оценка параметров модели;
вкладка Distribution of residuals: Histogram – гистограмма остаток с наложенной моделью нормального распределения;
вкладка Autocorrelations – автокорреляционная и частная автокорреляционная функции остатков.