Koeficient asociace
Měří těsnost závislosti. Nabývá hodnot <-1,1>. Čím více se blíží –1 nebo 1, tím je závislost silnější. Záporný koeficient znamená nepřímou závislost. Závislost vychází většinou nižší, než tomu bylo u kvantitativních znaků.
Koeficient koligace
Oba tyto koeficienty jsou méně přesné a také méně přísné. Nabývají vyšších hodnot než koeficient asociace (považujeme je za orientační míry).
Kontingenční závislost
V případě, že alespoň 1 ze znaků je povahy množné, budou údaje v kontingenční tabulce.
Kontingenční tabulka
Průběh závislost dvou znaků v kontingenční tabulce neumíme modelovat.
Vícestupňová kontingenční tabulka – vztah 3 a více znaků => složité závislosti.
Koeficient průměrné čtvercové kontingence. Nedostatek – ani při úplné kontingenci nedosahuje 1. Nabývá hodnot <0,1>
Platí:
Normovaný koeficient kontingence
Používá se k při srovnávání různých tabulek.
Čuprovův koeficient kontingence
Většinou pracujeme s výběrovými soubory, výsledky platí pouze pro výběrový soubor. Zda se skutečně jedná o znaky závislé zjistíme pomocí testů:
Pro asociační tabulku:
Upravený test 2 (pro n > 40)
Jestliže 2 > 2[(2-1)(2-1)] považujeme závislost mezi dvěma znaky za prokázanou.
Fisherův test (pokud n < 40)
-
zvolíme hladinu významnosti
-
vyhledáme v asociační tabulce nejnižší četnost a potom sestavujeme pomocné tabulky, kde tuto nejnižší četnost postupně snižujeme o 1. Poslední tabulka bude ta, kde tato četnost je nulová.
-
spočítáme tzv. výsledné pravděpodobnosti pi pro původní tabulku a pro všechny pomocné.
-
spočítáme celkovou pravděpodobnost P = pi
-
pokud P považujeme vztah obou znaků též za prokázaný
Pro kontingenční tabulku:
Upravený test 2
Lze použít pouze pokud žádná teoretická četnost není menší než 1 a ne více než 20 % je menších než 5. Teoretické četnosti vypočítáme jako součin příslušných okrajových četností lomeno rozsahem souboru.
Pokud nejsou splněny podmínky pro použití 2 testu, postupujeme tak, že sloučíme příslušné okrajové četnosti a zvětšíme teoretickou četnost.
Analýza časových řad
Časová řada – posloupnost v čase seřazených údajů zpravidla ve směru minulost přítomnost, z nichž každý se vztahuje k určité hodnotě časového parametru, a to buď k úseku (období) nebo k bodu (okamžiku).
Analýza časových řad se využívá ve fyzice, chemii a ekonomii. Rozbor časových řad umožní číselně popsat dynamiku vývoje sledovaných jevů a je významným nástrojem pro předvídání sledovaného ukazatele v budoucnosti.
Úkoly analýzy časových řad -
popsat dynamiku a vývoj ukazatele v časové řadě v referenčním období, k čemuž využíváme elementární charakteristiky časových řad, klouzavé průměry, trendové funkce a sezónní indexy
-
na základě dosavadního vývoje ukazatele se pokusíme predikovat jeho budoucí chování (trendové funkce, sezónní indexy, koeficienty růstu)
Členění časových řad z hlediska časového -
intervalové (úsekové) – obsahují údaje, které vznikají k určitému časovému intervalu, např. vývoj salda zahraničního obchodu ČR v letech 1992 – 1999. Součet intervalů má věcný smysl. Průměr časové řady se určí jako prostý aritmetický průměr.
-
okamžikové – jsou sestaveny na základě údajů vztahujících se k určitému rozhodujícímu okamžiku, např. stav pracovníků k prvnímu dni každého měsíce. Součet okamžikové časové řady nemá věcný smysl. Průměr se určí jako chronologický průměr.
Chronologický průměr
-
odvozené – uvádějí někteří autoři.
-
Součtové – při zkoumání intervalových časových řad.
-
Klouzavých průměrů – u intervalových i okamžikových časových řad.
-
Vytvářené pomocí poměrných čísel – vytváří celou řadu ukazatelů.
Členění z hlediska periodicity -
krátkodobé – čtvrtletní, měsíční, týdenní
-
dlouhodobé – roční
Členění z hlediska druhu sledovaných ukazatelů -
primární ukazatelé – např. množství nadojeného mléka
-
sekundární ukazatelé (odvozené) – součtové, poměrných čísel (průměrná dojivost na 1 dojnici za měsíc), klouzavých průměrů
Členění z hlediska způsobu vyjádření ukazatelů -
naturální
-
peněžní
Dostları ilə paylaş: |