اسلاید پاورپوینت: چاردیواری (house) ، قیمت (price) و اندازه (size)…

 

عناوین اصلی استخراج شده از این فایل پاورپوینت

عناوین اصلی استخراج شده از این فایل پاورپوینت

● Regression: Introduction
● Linear regression
● Two main questions:
● Motivated Example
● Regression Model
● Least Squares Estimation
● Assumptions
● Least Squares Estimation
● Using the Equation
● Making Predictions
● Making Inferences about Coefficients
● Example
● Method III: Measuring the Strength of the Linear Relationship
● Regression Statistics
● How to determine the value of used cars that customers trade in when purchasing new cars?
● Data
● F and F-significance
● Questions
● Salary-budget Example
● How do we evaluate and use the regression line?

نوع زبان : انگلیسی حجم : ۰٫۱۴ مگا بایت
نوع فایل : اسلاید پاورپوینت تعداد اسلایدها: ۲۳ صفحه
زمان استخراج مطلب : ۲۰۱۸/۱۱/۰۲ ۰۲:۵۷:۵۱ پسوند فایل : ppt

لینک دانلود رایگان لینک دانلود کمکی

 

در صورتی که محتوای فایل ارائه شده با عنوان مطلب سازگار نبود یا مطلب مذکور خلاف قوانین کشور بود لطفا در بخش دیدگاه (در پایین صفحه) به ما اطلاع دهید. جهت جستجوی پاورپوینت های بیشتر بر روی اینجا کلیک کنید.

این مطلب در تاریخ ۲۰۱۸/۱۱/۰۲ ۰۲:۵۷:۵۱ به صورت خودکار استخراج شده است. در صورت اعلام عدم رضایت تهیه کننده ی آن، طبق قوانین سایت از روی وب گاه حذف خواهد شد. همچنین این مطلب برگرفته از وب سایت زیر است و مسئولیت انتشار آن با منبع اصلی است.

http://www.math.ntu.edu.tw/~hchen/Prediction/notes/IntroRegression.ppt

بخشی از محتوای متن استخراج شده از این فایل ppt

بخشی از محتوای متن استخراج شده از این فایل ppt

regression introduction basic idea use data to identify relationships among variables and use these relationships to make predictions. linear regression linear dependence constant rate of increase of one variable with respect to another as opposed to e.g. diminishing returns . regression analysis describes the relationship between two or more variables. examples income and educational level demand for electricity and the weather home sales and interest rates our focus gain some understanding of the mechanics. the regression line regression error learn how to interpret and use the results. learn how to setup a regression analysis. two main questions prediction and forecasting predict home sales for december given the interest rate for this month. use time series data e.g. sales vs. year to forecast future performance next year sales . predict the selling price of houses in some area. collect data on several houses of br ba sq.ft lot size property tax and their selling price. can we use this data to predict the selling price of a specific house quantifying causality determine factors that relate to the variable to be predicted e.g. predict growth for the economy in the next quarter use past history on quarterly growth index of leading economic indicators and others. want to determine advertising expenditure and promotion for the ۱۹۹۹ ford explorer. sales over a quarter might be influenced by ads in print ads in radio ads in tv and other promotions. motivated example predict the selling prices of houses in the region. intuitively we should compare the house for which we need a predicted selling price with houses that have sold recently in the same area of roughly the same size same style etc. idea treat it as a multiple sample problem. unfortunately the list of houses meeting these criteria may be quite small or there may not be a house of exactly the same characteristics. alternative approach consider the factors that determine the selling price of a house in this region. collect recent historical data on selling prices and a number of characteristics about each house sold size age style etc. . idea one sample problem to predict the selling price of a house without any particular knowledge of the house we use the average selling price of all of the houses in the data set. better idea one of the factors that cause houses in the data set to sell for different amounts of money is the fact that houses come in various sizes. a preliminary model might posit that the average value per square foot of a new house is ۴ and that the average lot sells for ۲ . the predicted selling price of a house of size x in square feet would be ۲ ۴ x. a house of ۲ square feet would be estimated to sell for ۲ ۴ ۲ ۱ . motivated example probability model we know however that this is just an approximation and the selling price of this particular house of ۲ square feet is not likely to be exactly ۱ . prices for houses of this size may actually range from ۵ to ۱۵ . in other words the deterministic model is not really suitable. we should therefore consider a probabilistic model. let y be the actual selling price of the house. then y ۲ ۴ x  where  greek letter epsilon represents a random error term which might be positive or negative . if the error term  is usually small then we can say the model is a good one. the random term in theory accounts for all the variables that are not part of the model for instance lot size neighborhood etc. . the value of  will vary from sale to sale even if the house size remains constant. that is houses of the exact same size may sell for different prices. regression model the variable we are trying to predict y is called the dependent or response variable. the variable x is called the independent or predictor or explanatory variable. our model assumes that e y x x  ۱x the population line ۱ the interpretation is as follows when x house size is fixed at a level x then we assume the mean of y selling price to be linear around the level x where  is the unknown intercept and ۱ is the unknown slope or incremental change in y per unit change in x.  and ۱ are not known exactly but are estimated from sample data. their estimates are denoted b and b۱. a simple regression model consider a model with only one independent variable . a multiple regression model a model with multiple independent variables. sample ۱۵ houses from the region. house number y actual selling price ۱ s x house size ۱ s ft۲ ۱ ۸۹.۵ ۲ . ۲ ۷۹.۹ ۱۴.۸ ۳ ۸۳.۱ ۲ .۵ ۴ ۵۶.۹ ۱۲.۵ ۵ ۶۶.۶ ۱۸. ۶ ۸۲.۵ ۱۴.۳ ۷ ۱۲۶.۳ ۲۷.۵ ۸ ۷۹.۳ ۱۶.۵ ۹ ۱۱۹.۹ ۲۴.۳ ۱ ۸۷.۶ ۲ .۲ ۱۱ ۱۱۲.۶ ۲۲. ۱۲ ۱۲ .۸ . ۱۹ ۱۳ ۷۸.۵ ۱۲.۳ ۱۴ ۷۴.۳ ۱۴. ۱۵ ۷۴.۸ ۱۶.۷ averages ۸۸.۸۴ ۱۸.۱۷ least squares estimation price c ۸۹.۵ ۷۹.۹ ۸۳.۱ ۵۶.۹ ۶۶.۶ ۸۲.۵ ۱۲۶.۳ ۷۹.۳ ۱۱۹.۹ ۸۷.۶ ۱۱۲.۶ ۱۲ .۸ ۷۸.۵ ۷۴.۳ ۷۴.۸ size c ۲ . ۱۴.۸ ۲ .۵ ۱۲.۵ ۱۸. ۱۴.۳ ۲۷.۵ ۱۶.۵ ۲۴.۳ ۲ .۲ ۲۲. ۱۹. ۱۲.۳ ۱۴. ۱۶.۷ plot size price xlab house size ۱ sq ft ylab selling price ۱ main house size x vs selling price y assumptions these data do not form a perfect line. this is not surprising considering that our data are random. in other words if we assume equation ۱ then our line predicts the mean for any given level x. however when we actually take a measurement i.e. observe the data we observe yi  ۱xi i for i ۱ ۲ … n ۱۵ where i is the random error associated with the ith observation. since we don t know the true values of  and ۱ it is clear that we do not observe the actual …

کلمات کلیدی پرکاربرد در این اسلاید پاورپوینت: چاردیواری (house), قیمت (price), اندازه (size), بفروش رفتن (sell), مدل سازی (model), پیش بینی کردن (predict), پارامتر متغییر (variable), بسرفت (regression),

این فایل پاورپوینت شامل ۲۳  اسلاید و به زبان انگلیسی و حجم آن ۰٫۱۴ مگا بایت است. نوع قالب فایل ppt بوده که با این لینک قابل دانلود است. این مطلب برگرفته از سایت زیر است و مسئولیت انتشار آن با منبع اصلی می باشد که در تاریخ ۲۰۱۸/۱۱/۰۲ ۰۲:۵۷:۵۱ استخراج شده است.

http://www.math.ntu.edu.tw/~hchen/Prediction/notes/IntroRegression.ppt

  • جهت آموزش های پاورپوینت بر روی اینجا کلیک کنید.
  • جهت دانلود رایگان قالب های حرفه ای پاورپوینت بر روی اینجا کلیک کنید.

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *