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
GMT+8, 2024-4-18 09:50
标签: 案例分析经管大学堂：名校名师名课
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
