签到
苹果/安卓/wp
苹果/安卓/wp
客户端
0.0
0.00
推广加币
数据VIP
升级SVIP
注册
|
登录
项目交易
CDA数据分析师
CDA网校
CDA社区
CDA认证考试
CDA俱乐部
CDA Live
在线教育
JG学术培训
经管云课堂
CDA网校
CDA数据分析研究院
统计软件培训
金融科技
就学培训网
经管题库
培训证书查询
成为签约讲师
经管文库
专家入驻
学术博客
就学平台
美国在职研究生
论坛BBS
服务一览
VIP服务
数据VIP
贵宾服务
数据库
兑换商城
广告服务
案例库
软件销售
校园代理
文献下载
会员课服务
我的
帖子
收藏
好友
我的空间
关注的人
关注的贴
找人
文库
任务
道具
勋章
网站地图
搜索
搜索
用户
人大经济论坛
›
标签
›
案例分析
标签: 案例分析
经管大学堂:名校名师名课
相关帖子
版块
作者
回复/查看
最后发表
案例分析《案例研究方法的应用》
案例库
gecong123
2012-8-3
21
10970
adonis19810909
2022-3-17 09:16:09
万能的案例分析方法
案例库
yawa2012
2013-4-28
80
17902
两棵枣树
2021-5-10 22:42:30
收购案例分析
行业分析报告
cqld783
2013-4-22
6
3064
512661101
2021-1-3 15:50:55
【高清PDF】谢中华 MATLAB统计分析与应用 40个案例分析 带书签
MATLAB等数学软件专版
hkxwj
2013-6-25
29
9783
6585976156
2019-4-14 12:55:46
考研高分经验,以及微观经济学案例分析(结合知识点,紧贴教材)
经管在职研
weijue
2013-3-25
5
2913
四月天小谭谭
2018-3-7 18:20:36
十大风投失败案例分析
真实世界经济学(含财经时事)
atomic1984
2013-3-11
3
1864
atomic1984
2016-12-24 02:47:27
宝洁带杠杆利率互换交易案例分析报告
金融工程(数量金融)与金融衍生品
wqq641198939
2013-5-7
2
5840
mhzhang0544
2016-3-12 12:12:44
【R语言】初中级_4月@北京
R语言论坛
2010beryl
2013-7-15
103
11317
larryptboat
2015-2-28 14:53:49
博弈论案例分析
博弈论
quqi1991
2013-5-19
2
1752
littlelion
2014-5-26 16:08:26
2012年中国并购市场概况及典型案例分析
行业分析报告
liut1808
2013-3-11
5
3302
刘乾鑫@肖喆
2014-3-25 10:53:58
我国房地产基金的典型案例分析
行业分析报告
just_tonight
2013-4-24
211
17582
树杪百重泉
2013-12-24 07:40:35
【业务流程】由案例分析让人力为流程增值
人力资源管理
华恒智信
2013-9-1
0
1062
华恒智信
2013-9-1 17:45:13
资产评估实务与案例分析
李靠队-江苏大学财经学院
队队
2013-6-2
0
775
队队
2013-6-2 12:28:45
案例分析
金融学(理论版)
vince_yong
2013-5-24
1
828
又见上帝~
2013-5-24 14:04:38
求 外贸信用风险管理及案例分析 邹根宝
- [!reward_solved!]
求助成功区
风从虎,云从龙
2013-5-2
1
616
carey019
2013-5-2 16:21:00
求《国际市场投资高手案例分析》(英汉对照)
-
[悬赏
100
个论坛币]
悬赏大厅
风从虎,云从龙
2013-4-24
0
2304
风从虎,云从龙
2013-4-24 15:48:03
求 公共管理案例分析 陈奇星,陈尤文 电子版
-
[悬赏
40
个论坛币]
悬赏大厅
万年一眼
2013-3-30
0
2011
万年一眼
2013-3-30 12:48:55
案例分析:企业管理中为何不能乱用末位淘汰制--人力资源管理
论文版
chinabaixue
2013-3-4
0
2730
chinabaixue
2013-3-4 20:00:17
更多...
相关日志
分享
[微观经济学教材] 26个经典案例分析,微观的,需要的拿走!!!
247214825
2014-5-4 08:56
案例1:价格到底谁说了算 案例2:主机与附件的不同弹性 案例3:垃圾中的边际效用 案例4:运用边际效用均等法则进行检查准备工作 案例5: 生产过程中的分工 案例6:边际实物报酬是怎样递减的 案例7:波音747的短期成本的测量 案例8:农村春联市场:完全竞争的缩影 案例9:泛美航空公司的终结 案例10:垄断形成的原因——专利、知识产权 案例11:保暖内衣的冷与热 案例12:大亚湾炼油厂建成,中海油、中石油和中石化将三分天下 案例13:揭秘价格战 案例14:欧佩克对世界石油市场的垄断 案例15:天津丑女“张静事件”及美国经济学家的调查报告 案例16:日本人的高储蓄率 案例17:20世纪30年代的银行倒闭与货币供给 案例18:东亚危机及其教训 案例19:克林顿经济学的调控作用 案例20 :物价上涨与通货膨胀 案例21:美国ZF的债务与赤字 案例22:中央银行的独立性与宏观经济 案例23:中国的宏观经济政策搭配实践 案例24:两次世界大战之间德国的超速通货膨胀 案例25:促进经济增长的政策 案例26: 美国经济持续增长113个月
36 次阅读
|
0
个评论
分享
软件开发过程和案例分析(咨询)
rucgxw
2012-8-24 13:40
软件开发过程和案例分析(咨询)有诸多相似,和相互借鉴之处软件开发过程, 诸如:需求,概要设计,详细设计,编码测试,系统测试,发布等等,以及与之并行的管理,质量保证等工作,这些都可以借鉴到咨询行业中。
个人分类:
学习方法
|
0
个评论
分享
SPSS—回归—二元Logistic回归案例分析
shupianer
2012-7-3 14:50
二元 Logistic ,从字面上其实就可以理解大概是什么意思, Logistic 中文意思为 “ 逻辑 ” 但是这里,并不是逻辑的意思,而是通过 logit 变换来命名的,二元一般指 “ 两种可能性 ” 就好比逻辑中的 “ 是 ” 或者 “ 否 ” 一样, Logistic 回归模型的假设检验 —— 常用的检验方法有似然比检验( likelihood ratio test ) 和 Wald 检验) 似然比检验的具体步骤如下: 1 :先拟合不包含待检验因素的 Logistic 模型,求对数似然函数值 INL0 2 :再拟合包含待检验因素的 Logistic 模型,求新的对数似然函数值 InL1 3: 最后比较两个对数似然函数值的差异,若两个模型分别包含 l 个自变量和 P 个自变量,记似然比统计量 G 的计算公式为 G=2(InLP - InLl). 在零假设成立的条件下,当样本含量 n 较大时, G 统计量近似服从自由度为 V = P-l 的 x 平方分布,如果只是对一个回归系数(或一个自变量)进行检验,则 v=1. wald 检验,用 u 检验或者 X 平方检验,推断各参数 βj 是否为 0 ,其中 u= bj / Sbj, X 的平方 = ( bj / Sbj), Sbj 为回归系数的标准误 这里的 “ 二元 ” 主要针对 “ 因变量 ” 所以跟 “ 曲线估计 ” 里面的 Logistic 曲线模型不一样,二元 logistic 回归是指因变量为二分类变量是的回归分析,对于这种回归模型,目标概率的取值会在( 0-1 ),但是回归方程的因变量取值却落在实数集当中,这个是不能够接受的,所以,可以先将目标概率做 Logit 变换,这样它的取值区间变成了整个实数集,再做回归分析就不会有问题了,采用这种处理方法的回归分析,就是 Logistic 回归设因变量为 y, 其中 “1” 代表事件发生, “0” 代表事件未发生,影响 y 的 n 个自变量分别为 x1, x2 ,x3 xn 等等 记事件发生的条件概率为 P 那么 P= 事件未发生的概理为 1-P 事件发生跟 ” 未发生的概率比 为 ( p / 1-p ) 事件发生比,记住 Odds 将 Odds 做对数转换,即可得到 Logistic 回归模型的线性模型: 还是以教程 “blankloan.sav" 数据为例,研究银行客户贷款是否违约(拖欠)的问题,数据如下所示: 上面的数据是大约 700 个申请贷款的客户,我们需要进行随机抽样,来进行二元 Logistic 回归分析,上图中的 “0” 表示没有拖欠贷款, “1” 表示拖欠贷款,接下来,步骤如下: 1 :设置随机抽样的随机种子,如下图所示: 选择 “ 设置起点 ” 选择 “ 固定值 ” 即可,本人感觉 200 万的容量已经足够了,就采用的默认值,点击确定,返回原界面、 2 :进行 “ 转换 ”— 计算变量 “ 生成一个变量( validate) ,进入如下界面: 在数字表达式中,输入公式: rv.bernoulli ( 0.7 ),这个表达式的意思为:返回概率为 0.7 的 bernoulli 分布随机值 如果在 0.7 的概率下能够成功,那么就为 1 ,失败的话,就为 "0" 为了保持数据分析的有效性,对于样本中 “ 违约 ” 变量取缺失值的部分, validate 变量也取缺失值,所以,需要设置一个 “ 选择条件 ” 点击 “ 如果 ” 按钮,进入如下界面: 如果 “ 违约 ” 变量中,确实存在缺失值,那么当使用 "missing” 函数的时候,它的返回值应该为 “1” 或者 为 “true" , 为了剔除 ” 缺失值 “ 所以,结果必须等于 “0“ 也就是不存在缺失值的现象 点击 ” 继续 “ 按钮,返回原界面,如下所示: 将是 “ 是否曾经违约 ” 作为 “ 因变量 ” 拖入因变量选框,分别将其他 8 个变量拖入 “ 协变量 ” 选框内, 在方法中,选择: forward.LR 方法 将生成的新变量 “validate" 拖入 " 选择变量 “ 框内,并点击 ” 规则 “ 设置相应的规则内容,如下所示: 设置 validate 值为 1 ,此处我们只将取值为 1 的记录纳入模型建立过程,其它值(例如: 0 )将用来做结论的验证或者预测分析,当然你可以反推,采用 0 作为取值记录 点击继续,返回,再点击 “ 分类 ” 按钮,进入如下页面 在所有的 8 个自变量中,只有 “ 教育水平 ” 这个变量能够作为 “ 分类协变量 ” 因为其它变量都没有做分类,本例中,教育水平分为:初中,高中,大专,本科,研究生等等 , 参考类别选择: “ 最后一个 ” 在对比中选择 “ 指示符 ” 点击继续按钮,返回 再点击 —“ 保存 ” 按钮,进入界面: 在 “ 预测值 " 中选择 ” 概率,在 “ 影响 ” 中选择 “Cook 距离 ” 在 “ 残差 ” 中选择 “ 学生化 ” 点击继续,返回,再点击 “ 选项 ” 按钮,进入如下界面:
个人分类:
统计相关
|
21 次阅读
|
0
个评论
更多...
京ICP备16021002-2号
京B2-20170662号
京公网安备 11010802022788号
论坛法律顾问:王进律师
知识产权保护声明
免责及隐私声明
GMT+8, 2024-4-20 07:07
积分 0, 距离下一级还需 积分