Carver ailesi, evin ve suyu ısıtmanın yanı sıra yemek pişirmek için de doğalgaz kullanıyor. Gaz şirketi her ay kullanılan gaz için bir fatura gönderir. Tasarı, bu örneğin odak noktası olan iki değişkeni içeren bir bilgi hazinesidir.

Birincisi, fatura dönemi boyunca günde tüketilen doğal gazın yaklaşık olarak fit küp sayısına eşit olan bir rakamdır. Daha doğrusu, günlük termik sayısına eşittir; term, doğal gazın ısıtma kapasitesinin yıl içinde dalgalanma gösterdiği gerçeğini yansıtan gaz tüketiminin bir ölçüsüdür. Veri dosyasında bu değişkene günde tüketilen ortalama terms [gaspday] adı verilir.

İkinci değişken, basitçe, periyodun ortalama sıcaklığıdır (Boston’da Ortalama sıcaklık [meantemp] olarak adlandırılır). Bu iki değişken, Utility adlı veri dosyasında bulunur. Şimdi o veri dosyasını açın.

Gaz tüketimi ile dış ortam sıcaklığının neden ilişkili olması gerektiğini düşünerek başlıyoruz. Hangi değişken bağımlı değişkendir? İlişkinin grafiği nasıl olurdu? Lineer olmasını mı bekliyoruz? Eğimin pozitif mi yoksa negatif mi olmasını bekliyoruz? Devam etmeden önce, görmeyi beklediğiniz grafiği çizin.
Dikey eksende gaz tüketimi ve yatay eksende sıcaklık ile bir dağılım grafiği oluşturun. Bir ilişki var gibi görünüyor mu?

Analiz Doğrusal Regresyon

Bu sefer değişkenleri uygun şekilde seçiyorsunuz. Şimdi regresyon sonuçlarına bakın. Eğim ve kesişim tahmini ilişki hakkında size ne söylüyor? Negatif eğim neyi gösterir? Tahmini ilişki istatistiksel olarak anlamlı mı? Uyumun iyiliğini nasıl karakterize edersiniz?

Bunun gibi bir model için oldukça açık bir kullanım, belirli bir ayda ne kadar gaz kullanacağımızı tahmin etmektir. Örneğin bir ayda ortalama sıcaklık 40 derece, günlük kullanım olarak hesaplanabilir.

Sıcaklıkların ortalama 75 derece olduğu bir ayda günlük gaz kullanımını tahmin etmek için modeli kullanın. Tahmininiz size mantıklı geliyor mu? Model neden bu sonucu veriyor?

Klasik Bir Örnek

1595 ve 1606 yılları arasında Padua Üniversitesi’nde Galileo Galilei (1564-1642), mermilerin davranışı üzerine bir dizi ünlü deney yaptı. Bu deneyler arasında, eğimli bir rampadan aşağı yuvarlanan bir topun gözlemleri vardı (bir sonraki sayfadaki şemaya bakınız). Galileo, topun rampadan aşağı bırakıldığı yüksekliği değiştirdi ve ardından topun gittiği yatay mesafeyi ölçtü.

Galileo’nun deneylerinden birinin sonuçlarına bakarak başlayacağız; veriler Galileo’da. Tahmin edebileceğiniz gibi, daha yükseklere bırakılan toplar daha uzun mesafeler kat etti. Galileo, serbest bırakma yüksekliği ile yatay mesafe arasındaki ilişkiyi keşfetmeyi umuyordu. Hem yükseklikler hem de mesafeler, bir mesafe birimi olan punti (puan) olarak kaydedilir.

İlk olarak, çalışma sayfasının ilk iki sütunundaki verilerin y değişkeni olarak yatay mesafe ile bir dağılım grafiği yapın.

Grafik, mesafe ve yüksekliğin ilişkili olduğunu gösteriyor mu? İlişki olumlu mu yoksa olumsuz mu? Hangi fiziksel nedenlerle doğrusal olmayan bir ilişki bekleyebiliriz?

Grafikteki noktalar tam olarak düz bir çizgide yer almasa da şimdilik lineer regresyon analizi yapalım. Bağımlı değişken olarak yatay mesafeyi kullanarak regresyonu gerçekleştirin.

Talep tahmin Yöntemleri örnek sorular
Talep tahmin yöntemleri
Talep tahmin yöntemleri PDF
Regresyon analizi ile talep tahmini örnekleri
Tahmin yöntemleri nelerdir
Sayısal olmayan tahmin yöntemleri
Kantitatif talep tahmin yöntemleri
Satış tahmini yöntemleri

Regresyon sonuçlarını kullanarak, eğim ve kesişimin anlamı ve istatistiksel önemi ile uyum iyiliği önlemleri hakkında yorum yapın. Bir topun 520 punti hareket edeceği serbest bırakma yüksekliğini belirlemek için tahmini regresyon denklemini kullanın.

Dağılım grafiğinize tekrar bakın. 520 punti seyahat için tahmini serbest bırakma yüksekliğinizin muhtemelen yüksek mi yoksa düşük mü olduğunu düşünüyorsunuz? Açıklamak.
Bu veri seti için doğrusal bir modelin en iyi seçim olmadığı açık olmalıdır. Regresyon analizi, kolayca yanlış uygulanabilen çok güçlü bir tekniktir. Önümüzdeki oturumlarda, doğrusal olmama gibi sorunlarla başa çıkmak ve tekniğin kötüye kullanılmasından kaçınmak için regresyon analizi kullanımlarımızı nasıl iyileştirebileceğimizi göreceğiz.

Aşağıdaki soruları yanıtlamak için bu oturumdaki teknikleri ve bilgileri kullanın. Sonuçlarınızı uygun grafikler veya regresyon sonuçlarıyla açıklayın veya gerekçelendirin.

Galileo

1. Galileo, açıklanan biraz farklı aparatlarla yuvarlanan top deneyini tekrarladı. Yatay mesafe ile serbest bırakma yüksekliği arasındaki ilişkiyi tahmin etmek için çalışma sayfasının üçüncü ve dördüncü sütunlarındaki verileri kullanın.
2. Bu durumda bir top hangi serbest bırakma yüksekliğinde 520 punti hareket eder?

Aşağıdaki değişken çiftleri arasındaki olası doğrusal ilişkileri araştırın. Her durumda, (a) değişkenlerin neden ilişkili olabileceği, (b) ilişkilerin neden doğrusal olabileceği, (c) tahmin edilen eğimin ve kesişme noktasının yorumlanması, (d) model tahminlerinin istatistiksel önemi hakkında yorum yapın. ve (e) modelin uyum iyiliği. (Her çiftte, önce y değişkeni listelenir.)

3. Toplam Kişisel Tasarruf ve Toplam Kişisel Gelir Karşılaştırması
4. Kullanılan Arabalar ve Nüfus
5. Toplam Federal Makbuzlar ve Toplam Kişisel Gelir Karşılaştırması
6. GSYİH ve Toplam Sivil İstihdam

7. Oturumda, Trafik kazası ölümlerinin sayısını tahmin etmek için Kayıtlı Otomobil Sayısını kullandık. Bağımsız değişken olarak Population ile yeni bir regresyon analizi çalıştırın ve bu regresyonun sonuçlarını önceki modelinizle karşılaştırın.
8. Bağımsız değişken olarak Lisanslı sürücü sayısı’nı kullanarak aynısını yapın.

MFT

Bunlar, öğrenci GPA ve SAT sonuçlarıyla birlikte Ana Alan Testi puanlarıdır. Aşağıdaki değişken çiftleri arasındaki olası doğrusal ilişkileri araştırın. Her durumda, (a) değişkenlerin neden ilişkili olabileceği, (b) ilişkilerin neden doğrusal olabileceği, (c) tahmin edilen eğimin ve kesişme noktasının yorumlanması, (d) model tahminlerinin istatistiksel önemi hakkında yorum yapın. ve (e) modelin uyum iyiliği. (Her soruda, y değişkeni toplam MFT puanıdır.)

9. GPA
10. Sözlü SAT
11. Matematik SAT

12. Bunlar, bir erkek örneğinin vücut yağı ve diğer ölçümleridir. Amacımız, vücut yağ yüzdesini tahmin etmek için güvenilir bir şekilde kullanılabilecek bir vücut ölçümü bulmaktır. Burada listelenen üç ölçümün her biri için bir regresyon analizi yapın. Vücut yağ yüzdesi ve söz konusu değişken bağlamında tahmini doğrunun eğiminin ne anlama geldiğini özellikle açıklayın. Vücut yağ yüzdesini tahmin etmek için en iyi olduğunu düşündüğünüz değişkeni seçin.

• Göğüs Çevresi
• Karın çevresi
• Ağırlık

13. Göğüs ölçüsü 95 cm, karın 85 cm ve 158 kilo olan bir adam düşünün. Bu adamın vücut yağ yüzdesini tahmin etmek için en iyi regresyon denkleminizi kullanın.

The post Bir Tahmin Uygulaması – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).