發表文章
目前顯示的是 8月, 2023的文章
(統計)(敘述統計) 變異數與標準差
- 取得連結
- 以電子郵件傳送
- 其他應用程式
1.未分組資料 母體變異數 $\sigma^2=\cfrac{\displaystyle\sum_{i=1}^{n}(X_i-\mu)^2}{N}$ 母體標準差 $\sigma=\sqrt{\sigma^2} $ 樣本變異數 $S^2=\cfrac{\displaystyle\sum_{i=1}^{n}(X_i-\mu)^2}{n-1}$ 樣本標準差 $S=\sqrt{S^2} $ 2.已分組資料 組中點 $m_i,\ i=1,\cdots,k$ ,次數 $f_i,\ i=1,\cdots,k$ 母體變異數 $\sigma^2=\cfrac{\displaystyle\sum_{i=1}^{k}f_i(m_i-\mu)^2}{N}$ 母體標準差 $\sigma=\sqrt{\sigma^2} $ 樣本變異數 $\sigma^2=\cfrac{\displaystyle\sum_{i=1}^{k}f_i(m_i-\overline{X} )^2}{n-1}=\cfrac{\displaystyle\sum_{i=1}^{k}f_i m_i^2-n\overline{X}^2}{n-1}$ 樣本標準差 $S=\sqrt{S^2} $
(統計)(敘述統計)偏態係數(skewness coefficinet),峰態係數(kurtosis coefficinet)
- 取得連結
- 以電子郵件傳送
- 其他應用程式
(迴歸)簡單迴歸分析
- 取得連結
- 以電子郵件傳送
- 其他應用程式
模型: $Y_i=\beta_0+ \beta_1X_i+\varepsilon_i$ 假設:$\varepsilon_i \stackrel{iid}{\sim}N(0,\sigma^2)$ 1.常態性 2.變異數齊一性 3.獨立 4.$E(\varepsilon_i)=0$ 5.模型之正確性 $\beta_0+ \beta_1X_i$ is constant. $Y_i$ is r.v. 母體迴歸線: $E(Y\vert X)=E(Y)=\beta_0+\beta_1X$ 因為$X$為已知常數 $\implies E(Y\vert X)=E(Y)$ 樣本迴歸線: $\hat{Y_i}=\hat{\beta_0}+\hat{\beta_1}X_i$ 樣本迴歸線估計母體迴歸線 $\hat{Y_i}$ 估計$E(Y_i)$,$\hat{\beta_0}$估計$\beta_0$,$\hat{\beta_1}$估計$\beta_1$ $e_i=Y_i-\hat{Y_i}$ 估計 $\varepsilon_i$ $\hat{\sigma^2}=\cfrac{SSE}{n-2}=MSE$ 最小平方法OLS $min\displaystyle\sum_{i=1}^{n}e_i^2=min\displaystyle\sum_{i=1}^{n}(Y_i-\hat{Y_i})^2$ 令$\cfrac{\partial \displaystyle\sum_{i=1}^{n}e_i^2}{\partial \hat{\beta_0}}=\displaystyle\sum_{i=1}^{n}[2(Y_i-\beta_0-\beta_1X_i)(-1)]=0$ 令$\cfrac{\partial \displaystyle\sum_{i=1}^{n}e_i^2}{\partial \hat{\beta_1}}=\displaystyle\sum_{i=1}^{n}[2(Y_i-\beta_0-\beta_1X_i)(-X_i)]=0$ 正規方程式 $\left\{\begin{array}{} n\hat{\beta_0}&+\sum{}X_i \hat{\beta_1}&=\sum{}Y_i \\ \sum{}X_i\hat{\beta_0}&+\sum{}