جدول انتاج الانحدار في فوركس ستاتا

إشعار: ستقوم مجموعة الاستشارات الإحصائية إدر بترحيل الموقع إلى نظام إدارة المحتوى في وردبريس في فبراير لتسهيل الصيانة وإنشاء محتوى جديد. ستتم إزالة بعض صفحاتنا القديمة أو وضعها في الأرشيف بحيث لا يتم الاحتفاظ بها بعد الآن. سنحاول الحفاظ على عمليات إعادة التوجيه بحيث تستمر عناوين ورل القديمة في العمل بأفضل ما في وسعنا. مرحبا بكم في معهد للبحوث الرقمية والتعليم مساعدة مجموعة ستات الاستشارية من خلال إعطاء هدية ستاتا أسئلة وأجوبة كيف يمكنني استخدام - estout - لجعل الجداول الانحدار التي تبدو مثل تلك الموجودة في مقالات مجلة هذا التعليمات يوضح الأمر إستوت الذي يجعل جداول الانحدار في الشكل المستخدم عادة في مقالات المجلة. وقد كتب بن غان من إيث زيوريخ قيادة إستوت. يمكنك تحميل إستوت من داخل ستاتا عن طريق كتابة فيستيت إستوت (انظر كيف يمكنني استخدام الأمر فينديت للبحث عن البرامج والحصول على مساعدة إضافية لمزيد من المعلومات حول استخدام فينديت). يتيح توضيح استخدام الأمر استوت باستخدام المدرسة الثانوية وما وراءها ملف البيانات. سنقوم بتشغيل ثلاثة نماذج الانحدار التنبؤ المتغير قراءة. ويتوقع النموذج الأول من المتغيرات الإناث وكتابة النموذج الثاني سوف تتنبأ من الإناث. والكتابة والرياضيات والنموذج الثالث التنبؤ من الإناث. اكتب . الرياضيات. العلوم و سوست. بعد كل تراجع سيتم تشغيل أمر مخزن التقديرات. وسوف نستخدم ثم إستوت لإنشاء جدول واحد من شأنها تلخيص هذه النماذج جنبا إلى جنب. الآن لدينا جدول جيد تماما الذي يتضمن فقط معاملات الانحدار. سوف نقوم بتعديل الأمر إستوت لإضافة أخطاء ونجوم قياسية للأهمية الإحصائية. سوف نقوم أيضا بتنسيق الإخراج بحيث يكون للمعاملات ثلاث منازل عشرية والأخطاء القياسية إلى منزلين عشريين. لاحظ، الخيار الاسمية للأماكن سي بين قوسين حول الخطأ القياسي. الجدول الآن أفضل، ولكن يمكن تحسينه أكثر من خلال وضع أسماء نموذج فوق الأعمدة باستخدام خيار التسمية، إضافة أسطورة وعن طريق تغيير تسمية للسلبيات إلى ثابت. بعد ذلك، نريد إضافة بعض الأشياء إلى الجدول، مثل R-سكارد، ودرجات متبقية من الحرية و بيك. ستاتا لها أسماء خاصة لكل من هذه الإحصائيات المساعدة، r2 هو اسم R-سكارد، دفر للحصول على درجات متبقية من الحرية و بيك ل بيك. يمكنك الحصول على أسماء هذه العناصر من قائمة إريتورن ومن أوكاي، تم تقريبا. نحن بحاجة فقط لتنظيف الجزء السفلي من الجدول إعطاء كل من البنود تسمية أفضل وضبط عدد من المنازل العشرية لكل من العناصر. لدينا الآن جدول مقبول للنشر في العديد من المجلات. وبطبيعة الحال، كل دورية يحدد الأشكال الخاصة بها. لحسن الحظ، إستوت مرنة جدا ولديه العديد من الخيارات التي من شأنها التكيف مع أي متطلبات الدوريات تقريبا. محتوى هذا الموقع لا ينبغي أن يفسر على أنه تأييد لأي موقع ويب معين، كتاب، أو منتج البرمجيات من قبل جامعة كاليفورنيا. لأسئلة سريعة البريد الإلكتروني dataprinceton. edu. لا أبتس. ضرورية خلال المشي في ساعات. ملاحظة: مختبر دس مفتوح طالما فايرستون مفتوح، لا المواعيد اللازمة لاستخدام أجهزة الكمبيوتر المختبرية لتحليل الخاصة بك. تفسير مخرجات الانحدار مقدمة يفترض هذا الدليل أن لديك على الأقل القليل من الألفة مع مفاهيم الانحدار المتعدد الخطي، وقادرة على أداء الانحدار في بعض حزمة البرامج مثل ستاتا، سبس ​​أو إكسيل. قد ترغب في قراءة صفحة رفيقنا مقدمة في الانحدار أولا. للحصول على المساعدة في أداء الانحدار في حزم برامج معينة، وهناك بعض الموارد في أوكلا البوابة الإحصائية الإحصائية. مراجعة موجزة للانحدار تذكر أن تحليل الانحدار يستخدم لإنتاج معادلة من شأنها التنبؤ المتغير التابع باستخدام واحد أو أكثر من المتغيرات المستقلة. هذه المعادلة لها الشكل حيث Y هو المتغير التابع الذي تحاول التنبؤ به، X1. X2 وهلم جرا هي المتغيرات المستقلة التي تستخدمها للتنبؤ به، b1. b2 وهكذا هي المعاملات أو المضاعفات التي تصف حجم تأثير المتغيرات المستقلة على المتغير التابع Y. و A هي القيمة Y المتوقعة عندما يكون كل المتغيرات المستقلة مساوية للصفر. في الانحدار ستاتا هو مبين أدناه، ومعادلة التنبؤ هو السعر -294.1955 (مبغ) 1767.292 (أجنبي) 11905.42 - أقول لك أن السعر من المتوقع أن يزيد 1767.292 عندما المتغير الأجنبي ترتفع بمقدار واحد، وانخفاض بمقدار 294.1955 عندما ميلا في الغالون ترتفع بمقدار واحد ، ومن المتوقع أن يكون 11905.42 عندما كل من ميلا في الغالون والأجنبية هي صفر. الخروج مع معادلة التنبؤ مثل هذا هو مجرد ممارسة مفيدة إذا كانت المتغيرات المستقلة في مجموعة البيانات لديك بعض الارتباط مع المتغير التابع الخاص بك. لذا، بالإضافة إلى مكونات التنبؤ المعادلة الخاصة بك - المعاملات على المتغيرات المستقلة (بيتاس) والثابت (ألفا) - تحتاج إلى بعض القياس أن أقول لكم مدى قوة كل متغير مستقل يرتبط متغير التابع الخاص بك. عند تشغيل الانحدار الخاص بك، كنت تحاول اكتشاف ما إذا كانت معاملات على المتغيرات المستقلة الخاصة بك مختلفة حقا من 0 (حتى المتغيرات المستقلة لها تأثير حقيقي على المتغير التابع) أو إذا كان بدلا من ذلك أي اختلافات واضحة من 0 هي فقط بسبب عشوائي فرصة. فرضية (الافتراضي) الفارغة هي دائما أن كل متغير مستقل هو وجود أي تأثير على الإطلاق (لديه معامل 0) وكنت تبحث عن سبب لرفض هذه النظرية. P، t والخطأ المعياري إحصاء t هو المعامل مقسوما على الخطأ المعياري. والخطأ المعياري هو تقدير للانحراف المعياري للمعامل، وهو المبلغ الذي يتفاوت بين الحالات. ويمكن اعتباره مقياسا للدقة التي يقاس بها معامل الانحدار. إذا كان معامل كبير بالمقارنة مع الخطأ المعياري، فمن المحتمل أن يكون مختلفا عن 0. كم كبير كبير برنامج الانحدار الخاص بك يقارن إحصاء t على المتغير الخاص بك مع القيم في توزيع الطلاب t لتحديد قيمة P، وهو رقم أن كنت حقا بحاجة إلى أن تبحث في. يصف توزيع الطلاب t كيف يتوقع أن يتصرف متوسط ​​العينة مع عدد معين من الملاحظات (n). إذا كان 95 من التوزيع t أقرب إلى المتوسط ​​من قيمة t على المعامل الذي تبحث عنه، عندئذ يكون لديك قيمة P 5. وهذا يعاد أيضا إلى مستوى دلالة 5. قيمة P هي الاحتمال من رؤية نتيجة متطرفة مثل تلك التي تحصل عليها (بقيمة كبيرة كما لك) في مجموعة من البيانات العشوائية التي المتغير ليس له أي تأثير. و P من 5 أو أقل هي النقطة المقبولة عموما التي لرفض فرضية نول. مع قيمة P 5 (أو 0.05) هناك فقط 5 فرصة أن النتائج التي تشاهدها قد تأتي في توزيع عشوائي، حتى تتمكن من القول مع احتمال 95 من أن يكون الصحيح أن المتغير هو وجود بعض التأثير، بافتراض أن نموذجك محدد بشكل صحيح. فترة الثقة 95 للمعاملات الخاصة بك أظهرت من قبل العديد من حزم الانحدار يعطيك نفس المعلومات. يمكنك أن تكون 95 واثقا من أن القيمة الحقيقية الكامنة للمعامل الذي تقوم بتقديره تقع في مكان ما في ذلك 95 فترة ثقة، لذلك إذا لم تتضمن الفاصل الزمني 0، ستكون قيمة P .05 أو أقل. لاحظ أن حجم قيمة P لمعامل لا يقول شيئا عن حجم التأثير الذي يحدثه المتغير على متغير التابع الخاص بك - فمن الممكن أن يكون لها نتيجة كبيرة جدا (قيمة P صغيرة جدا) لتأثير ضئيل. المعاملات في الانحدار الخطي البسيط أو المتعدد، فإن حجم المعامل لكل متغير مستقل يعطيك حجم التأثير الذي يحدثه المتغير على متغيرك التابع، والشارة على المعامل (إيجابي أو سلبي) تمنحك اتجاه تأثير. في الانحدار مع متغير مستقل واحد، يخبرك المعامل كم من المتوقع أن يزداد المتغير التابع (إذا كان المعامل موجبا) أو انخفاضا (إذا كان المعامل سلبيا) عندما يزيد المتغير المستقل بمقدار واحد. في الانحدار مع متغيرات مستقلة متعددة، يخبرك المعامل كم من المتوقع أن يزداد المتغير التابع عندما يزداد المتغير المستقل بمقدار واحد، مع الاحتفاظ بجميع المتغيرات المستقلة الأخرى ثابتة. تذكر أن نأخذ في الاعتبار الوحدات التي يتم قياس المتغيرات الخاصة بك في. ملاحظة: في أشكال الانحدار غير الانحدار الخطي، مثل لوجستية أو بروبيت، معاملات ليس لديها هذا التفسير المباشر. شرح كيفية التعامل مع هذه هي خارج نطاق دليل تمهيدي. R-سكارد والأهمية الكلية للانحدار R-سكارد من الانحدار هو جزء من الاختلاف في المتغير التابع الذي يتم حسابه (أو تنبأ به) المتغيرات المستقلة الخاصة بك. (في الانحدار مع متغير مستقل واحد، هو نفس مربع الارتباط بين المتغير التابع والمستقل الخاص بك). R - تربيع هو عموما أهمية ثانوية، إلا إذا كان اهتمامك الرئيسي هو استخدام معادلة الانحدار لجعل التنبؤات دقيقة . قيمة P يخبرك مدى الثقة التي يمكن أن يكون كل متغير الفردية لديه بعض الارتباط مع المتغير التابع، الذي هو الشيء المهم. رقم آخر أن يكون على بينة من قيمة P للانحدار ككل. ولأن المتغيرات المستقلة الخاصة بك قد تكون مرتبطة، وهي حالة تعرف باسم تعدد الخطورة، فإن المعاملات على المتغيرات الفردية قد تكون ضئيلة عندما يكون الانحدار ككل كبيرا. وبشكل حدسي، يرجع ذلك إلى أن المتغيرات المستقلة المترابطة للغاية تفسر نفس الجزء من التباين في المتغير التابع، وبالتالي فإن قوتهما التوضيحية وأهمية معاملاتهما مقسمة بينهما. مزيد من القراءة نسخة 2007 أمناء جامعة برينستون. كل الحقوق محفوظة. dataprinceton. edu ملاحظة: المعلومات هي لجامعة برينستون. لا تتردد في استخدام الوثائق ولكن لا يمكننا الإجابة على الأسئلة خارج برينستون هذه الصفحة آخر تحديث للموقع: