Problema, su kuria kasdien susiduria vertintojas, yra kokybinių kintamųjų (neskaitinių) analizė. Kadangi kokybiniai kintamieji neturi linijinės elgsenos (nei redukuojami į linijinius); Taikydami įprastus daugialypės regresijos metodus, jie gali generuoti nerealius modelius arba tiesiog nesiartinti prie jokios vertės.
Loginė tiesinė regresija yra statistinis metodas, kurio tikslas yra ištirti kokybinių kintamųjų „klasifikaciją“. Iš esmės tai yra daugialypės tiesinės regresijos modelis tarp kokybinių kintamųjų ir Neperijos logaritmo duomenų dažnio (referencinio):
Ankstesnis modelis atitinka visą modelį (prisotintą), skirtą kokybiniams kintamiesiems A, B ir C; tačiau ankstesnis modelis yra sunkus ir sudėtingas. Taikant elementarųjį paraimonijos principą, turi būti rastas vienas ar keli paprastesni modeliai, kurie sukuria rezultatą priimtinu tikslumu ir mes juos apibūdiname kaip „hierarchinius modelius“ ta prasme, kad jei parametras yra nulis, jie taip pat bus. tie žemesnės eilės terminai.
SPSS statistinis paketas leidžia algoritmu nustatyti prisotintą modelį ir tinkamiausią hierarchinį modelį.
Tokiu būdu gauname modelį, kurio atsako kintamasis yra duomenų (referencinių) duomenų dažnio Neperijos logaritmas ir „Projektiniai kintamieji“ - tai kokybiniai kintamieji, parinkti turto vertei nustatyti.
Raktažodžiai: regresija, koreliacija, loglininė analizė, korespondencijos analizė, dichotominis, kokybinis kintamasis, kategorinis kintamasis, daugiamatė analizė, nenumatytų atvejų lentelė, hierarchinis modelis, prisotintas modelis.
- Teorinis pagrindas:
1.1 Kas yra linijinė regresija?
Loginiai linijiniai modeliai, skirtingai nei daugialypės regresijos modeliai, leidžia geriau analizuoti kokybinius (kategorinius) dichotominius ar politominius kintamuosius.
Loglinearinėje analizėje jis galėtų būti apibrėžtas kaip metodas, kurio tikslas yra ištirti ryšius tarp kokybinių (arba neskaitinių) kintamųjų.
Regresinė arba loginearinė analizė yra statistinis metodas, kurio tikslas yra ištirti kokybinių kintamųjų „klasifikaciją“.
Loginė tiesinė regresija iš esmės yra daugialypės tiesinės regresijos modelis tarp kokybinių kintamųjų ir Neperijos logaritmo duomenų dažnio (referencinis):
Pagrindinis „Loglinear“ analizės tikslas yra nustatyti skirtingų pasirinktų kategorinių kintamųjų indėlį formuojant „nenumatytų atvejų lentelę“.
1.2 Kas yra nenumatytų atvejų lentelės?
Jis apibūdinamas kaip „nenumatytų atvejų lentelė“ (kryžminės lentelės), dviejų ar daugiau dažnių paskirstymo lentelių derinys, išdėstytas taip, kad kiekviena gautos lentelės ląstelė arba langelis parodytų vieną „kryžminiu būdu pastatytų kintamųjų derinį“. “.
Tokiu būdu, kad „nenumatytų atvejų lentelė“ leistų mums ištirti stebimus dažnius, priklausančius kiekvienam iš dviejų ar daugiau kintamųjų konkrečių derinių.
Pavyzdžiui:
Neapibrėžtumų lentelė, kurioje analizuojami santykiai tarp gyventojų pasirinkimo gyventi name ar bute dviejuose pagrindiniuose miestuose:
| GYVENIMAS NAMUOSE | GYVENIMAS APARTAMENTE. | ||
| CARACAS | 10 | 40 | penkiasdešimt |
| VALENCIJA | 30 | dvidešimt | penkiasdešimt |
| penkiasdešimt | penkiasdešimt | 100 |
Nagrinėdami šiuos dažnius, galime nustatyti ryšius tarp „Nenumatytų atvejų lentelės“ kintamųjų (pvz., Karakaso gyventojai aiškiai nori gyventi butuose).
Loginė tiesinė regresija suteikia mums sudėtingesnį būdą analizuoti „Nepaprastosios padėties lenteles“ ir nustatyti statistinę pasirinktų kintamųjų sąveiką.
1.3 Projektavimo kintamieji vs. Reakcijos kintamieji
Daugybinės regresijos metodais mes kalbame apie „nepriklausomus kintamuosius“ ir „priklausomus kintamuosius“, apibrėždami priklausomą kintamąjį kaip tą, kuris paaiškinamas nepriklausomų kintamųjų deriniu.
Loginės tiesinės regresijos metu negalima kalbėti apie priklausomus ar nepriklausomus kintamuosius, nes reikia susieti tik Neperijos dažnio logaritmą (įvykį ar duomenų skaičių), remiantis kategorinių (kokybinių) kintamųjų serijomis.
Taigi, mes kalbėtume apie „Projektavimo kintamuosius“ ir „Atsakymo kintamuosius“; „ Projektavimo kintamieji “ yra tie kategoriniai kintamieji (dichotominiai arba daugiapoliai), kuriuos pasirenkame rengdami nenumatytų atvejų lentelę ir „ atsako kintamąjį “ duomenų dažnį ar atsiradimą.
1.4 Tinkamumas
Iš tinka tam logtiesiniai Regression gerumo remiasi "reikšmės" nuokrypis (likusios) tarp dažnumo duomenimis ir Laukiami dažnis generuoja logtiesiniai modelį.
T. y., Modelis bus geresnis kaip funkcija sumažinti skirtumą tarp stebimo ir numatomo dažnio.
Konkretaus „Loglinear“ modelio reikšmingumas (p) arba „tinkamumas“ bus vertinami pagal: tradicinį „Chi Square“ testą () ir „Pearson“ statistinį maksimalaus tikimybės testą () (arba „Pearson Likelihood Ratio Chi-square“, koks yra jo pavadinimas). angliškai).
Tokiu būdu, kad būtų laikomasi šių parametrų:
- Chi kvadratas (): Maksimalios Pearsono tikimybės statistika (): Didžiausia reikšmė (Sig.): Minimali (prisotintas loginis tiesinis modelis
2.1 Sočiųjų modelių apibrėžimas
Loginės tiesinės analizės arba regresijos būdu tiesiniu modeliu analizuojamas kiekvienos nenumatytų atvejų lentelės langelio ar langelio dažnio Neperian logaritmas (Ln).
Todėl kiekvienos langelio ar dėžutės dažnio Ln gali būti išreikštas kaip skirtingų kintamųjų, dalyvaujančių formuojant logininį modelį, indėlių suma.
Sočiųjų (arba pilnasis) modelis yra apibrėžiamas kaip toks, kuriame yra visi galimi pagrindiniai efektai ir VISI galimi deriniai (2-osios, 3-osios ar n-osios eilės efektai) iš pasirinktų kintamųjų, kurie jį sudaro.
Nes Saturated Loglinear Model gali puikiai atkartoti tirtus duomenis, nes jame yra visos galimos pasirinktų kintamųjų kombinacijos; laikoma, kad jis yra sunkus ir sudėtingas modelis, ir paprastai nėra pats geidžiamiausias modelis.
Taikant elementarų principą, turi būti surastas vienas ar keli paprastesni modeliai, sukuriantys rezultatą priimtinu tikslumu. Mes juos apibūdiname kaip „hierarchinius modelius“, kurie bus analizuojami vėliau.
2.2. Sočiųjų loginių linijų modelio pavyzdys
Tarkime, kad atlikdami atostogų buto įvertinimo pakrantės mieste tyrimą, norime ištirti ryšį tarp kategorijos kintamųjų:
X: vaizdas į vandenyną
Y: Pastatas su baseinu
Z: Pastatas su automobilių stovėjimo kioskais lankytojams
Sotumo loginiam linijiniam modeliui lygtis pateikiama:
Kur:
Atvaizduoja duomenų (referencinių) ir pasirinktų kintamųjų sąveikos nenumatytų atvejų lentelės produkto kiekvienos ląstelės arba tinklelio dažnį.
Pateikia nepriklausomą lygties terminą
Pateikia kiekybinio arba kategorinio kintamojo „pagrindinį efektą“ X
Pateikia kiekybinio arba kategorinio kintamojo Y „pagrindinį efektą“
Pateikia kiekybinio arba kategorinio kintamojo Z „pagrindinį efektą“
Atstovauja „antros eilės efektui“ arba kategorinių kintamųjų X ý Y deriniui
Atstovauja „antros eilės efektui“ arba kategorinių kintamųjų X ý Z deriniui
Atstovauja „antros eilės efektui“ arba kategorinių kintamųjų Y ý Z deriniui
Atstovauja „trečiosios eilės efektui“ arba kategorijų kintamųjų X, Y ir Z deriniui
2.3 Sočiųjų modelio trūkumai
Sočiųjų modelis, nors akivaizdžiai visada yra tikras, apima nevaldomą lygčių skaičių; pavyzdžiui, ankstesniu atveju Devynios lygtys. Todėl tai yra sunkus ir nepaprastai sudėtingas modelis.
Todėl būtina ieškoti vieno ar kelių paprastesnių modelių, kurie atspindėtų šiuos dažnius priimtinu tikslumu tam tikram pasitikėjimo lygiui.
Analizuojant ketvirtosios ar aukštesnės eilės nenumatytų atvejų lenteles, gali būti labai sunku nustatyti geriausią loginės tiesinės regresijos modelį. Čia reikėtų ieškoti paprastesnio koreliacijos modelio.
- Hierarchiniai logininiai modeliai
3.1 Apibrėžimas
Hierarchiniai linijiniai modeliai yra apibrėžiami kaip skirtingi modeliai, visi pogrupiai (žemesnės eilės nei Saturated modelio lygtys), gaunami iš Sočiųjų loglinearių modelio ir kurie atitinka šias sąlygas:
- Jei parametras yra nulinis, tai bus ir žemesnės eilės terminai. Tai reiškia, kad tarp pasirinktų kintamųjų yra visiškas nepriklausomumas
Jei šios sąlygos yra įvykdytos, sukuriamas paprastesnis, elegantiškesnis „Loglinear“ modelis su priimtinu tikslumu.
3.2 Hierarchinis ryšys
Modeliui su trimis (3) A, B ir C dizaino kintamaisiais galima gauti daug žemesnės eilės hierarchinių modelių, tokių kaip:
- Hierarchinis trečiosios eilės modelis (prisotintas modelis): Hierarchiniai antrosios eilės modeliai Hierarchiniai pirmosios eilės modeliai ARBA bet kuris tinkamas derinys:
3.3 Hierarchinio „tinkamiausio modelio“ gavimas
3.3.1 Bendrasis metodas
Geriausio hierarchinio modelio paieškos metodas, kurį dažniausiai naudoja statistiniai paketai, skirti vadinamajam „atgaliniam pašalinimui“.
Ši metodika derina k (th) įsakymų naudojimą ir Chi-kvadrato testą, norint rasti hierarchinį modelį ar kelis reikšmingus hierarchinius modelius.
- Pradedame skaičiuoti prisotintą modelį.Išanalizuojamas aukštesnės eilės hierarchinis modelis arba hierarchiniai modeliai. Šalinami tos eilės modeliai ar modeliai, kurie nėra reikšmingi (). Tuose pačiuose kintamuosiuose šalinami žemesnės eilės hierarchiniai modeliai. Išanalizuojami hierarchiniai modeliai. Procesas tęsiamas iki taško, kuriame daugiau efektų neįmanoma pašalinti neprarandant modelio numatomosios galios (), jie išlieka pastovūs arba linkę mažėti ar didėti.
3.3.2 SPSS naudojimas nustatant loginės tiesinės regresijos modelius
Šios monografijos tikslas nėra tekstas apie loginės tiesinės regresijos metodus.
Atvirkščiai, tai yra naujos statistinės priemonės taikymas sprendžiant su vertinimu susijusias problemas, jei naudojami ne skaitiniai ar kokybiniai kintamieji.
Todėl, labai tiksliai schematiškai atskleidus statistinę-matematinę loginių tiesinių modelių (sočiųjų ir hierarchinių) teoriją, pereisime prie praktinio atvejo tyrimo, naudodamiesi statistikos paketu SPSS 10.0.
SPSS statistinis paketas per logininį modulį leidžia nustatyti prisotintus ir hierarchinius statistinius modelius.
„Hierarchiniuose modeliuose“ SPSS leidžia arba automatiškai pasirinkti hierarchinį „Best Fit Model“, arba leidžia vartotojui pasirinkti arba modeliuoti bet kurį kintamųjų pogrupį.
Šios monografijos kūrimas grindžiamas automatiniu tinkamiausio hierarchinio modelio nustatymu pagal SPSS algoritmą.
SPSS naudoja anksčiau minėtą metodą, vadinamą „atgaline eliminacija“, kad nustatytų tinkamiausią logininį modelį.
Reikėtų pažymėti, kad „Backend“ algoritmas yra ilgas ir užima apie penkiolika (15) teksto puslapių spausdinant rezultatus.
Iš esmės skaičiavimo procesą galima apibendrinti atliekant šiuos bendruosius veiksmus:
- Teisingai išmokti duomenys koreliuojami paketo „Duomenų rengyklė“ (duomenų redaktorius), esančio SPSSLos skaičiavimo procedūrose, esančiuose SPSS, yra meniu „ Analizuoti meniu“. Analizuokite meniu „Analizuoti“ paprogramė arba modulis yra „ Loglinear“.Su „Loglinear“ moduliu Rasti tris (3) pomeniu:
- Bendrai… Logit…
- Modelio pasirinkimas… Kai ekrane pasirodys modelio pasirinkimo logininė analizė, pereikite prie:
- Pasirinkite koreliuojamą „Dizaino kintamieji". Apibrėžkite mažiausius ir maksimalius duomenų, kurie sudaro kiekvieną iš „Dizaino kintamieji", diapazonus.
- Kai „SPSS“ atliks skaičiavimus, „ SPSS Viewer“ ekrane teksto pavidalu pateiks modelių išvestį, iš kurios vartotojas galės spausdinti popieriuje arba „eksportuoti“ išvestį į tekstinį failą naudoti tekstų rengyklė arba skaičiuoklė.
3.4 SPSS išvesties aiškinimas
Ko gero, didžiausia vertintojo inžinieriaus problema yra SPSS išvesties interpretacija.
Visų pirma, jūs turite turėti tam tikrų pagrindinių žinių apie tai, ką ketinate daryti, nes statistinis paketas sukuria didelį kiekį informacijos, kurią jūs turite žinoti, kaip nustatyti ir įvertinti. Antra, turi būti aišku, kad SPSS paketas sukurs skirtingų lygių „nenumatytų atvejų lenteles“ ir norint suprasti modelio rezultatus, būtina turėti bazinių žinių, kad juos būtų galima surinkti.
Specialus SPSS statistikos paketas pateikia standartinę išvestį, kurią paprastai sudaro:
- Saturated Loglinear Model valdymo statistikos generavimas
- Laisvės laipsniai (F.) Či aikštė () Pearsono didžiausios tikimybės statistika () Reikšmingumas (Prob.) Kita kontrolės statistika
- Dalis prisotinto logininio modelio analizuoja visus įmanomus hierarchinius modelius, pradedant nuo aukščiausios eilės ir baigiant žemiausia tvarka. Nurodo kiekvieno „hierarchinio modelio“ atitinkamą valdymo statistiką. Pabaigoje siūlo „Geriausio tinkamumo hierarchinį modelį“.
- „Pearson Maksimalios tikimybės statistika“ (): Maksimalus „Reikšmingumas“ (): Minimalus
- Karta:
- Hierarchinis logistinis „Best Fit“ modelio hierarchinės loginės tiesės modelio valdymo statistikos modelis
- Laisvės laipsniai (DF) „Pearson“ didžiausios tikimybės statistika ()
- Hierarchinis logistinis „Best Fit“ modelio hierarchinės loginės tiesės modelio valdymo statistikos modelis
- Reikšmingumas (Prob.)
4.0 Nekilnojamojo turto vertinimui taikoma loginė tiesinių regresija sočiųjų ir hierarchinių modelių atžvilgiu.
4.1 Loginės tiesinės regresijos taikymas vertinant nekilnojamąjį turtą
Problema, su kuria kasdien susiduria vertintojas, yra kokybinių ar kategorinių (neskaitinių) kintamųjų, tokių kaip buto vaizdas, kaimynystės kokybė, bendrojo naudojimo patalpos, saugumas, analizė; kurios, būdamos „nematerialios savybės“, neabejotinai prisideda prie turto vertės formavimo ar sunaikinimo.
Nes kokybiniai arba kategoriniai kintamieji neturi linijinio elgesio (ir ne redukuojami į linijinius); taikant įprastus daugialypės regresijos metodus, įskaitant neuroninio tinklo metodus; jie gali duoti nenuoseklų rezultatą arba tiesiog nesuartėti su jokia verte.
4.2 Vertinimas pagal nenumatytų atvejų lenteles
Nes pagrindinis loginės tiesinės analizės tikslas yra nustatyti „Nenumatytų atvejų lentelių“ struktūrą. Turtas bus vertinamas atsižvelgiant į jo savybes toje „Nenumatytų atvejų lentelėje“.
Todėl čia bus pateiktas kitoks požiūris į tradicinę vertinimo metodiką.
Iki šiol buvo tiriamos turto fizinės savybės (plotas, amžius, vieta ir kt.) Siekiant nustatyti jo vertę.
Taikant šį naują požiūrį, turto „vertės diapazonas“ priklausys nuo jo padėties „Nepaprastosios padėties lentelėje“, sugeneruotos „Loglinear Analysis“. Nes kintamasis „Kaina“ (arba vieneto kaina) dabar yra tik dar vienas „Projekto kintamasis“.
Atsižvelgiant į šią naują perspektyvą, „kategorija“, iki šiol turėjusi kintamąją „kainą“ (arba vieneto kainą), buvo sumažinta ir tapo dar viena skirtingų parametrų, kurie kartu gali apibūdinti nuosavybė nenumatytų atvejų lentelėje ir todėl nustato jos „vertės diapazoną“.
4.3 Taikymo pavyzdys
Dėl metodo naujumo ir duomenų įvesties / išvesties aiškinimo sudėtingumo. Šis metodas bus paaiškintas žingsnis po žingsnio, taikant labai paprastą vertinimo modelį.
4.3.1 Problemos aprašymas
Tai yra atostogų apartamentų įvertinimas keliose panašiose Venesuelos Barlovento (netoli Río Chico. Miranda valstijos) urbanizacijose, tokiose kaip Los Canales, Las Mercedes, Lagunamar ir kt.
Kadangi tai yra paprastas taikymo pavyzdys, buvo atrinkta tik nedidelė 18 referencinių duomenų iš labai panašių butų pavyzdžių.
4.3.2 Pasirinkti kategoriniai kintamieji
Kadangi šis pavyzdys iliustruoja logistinės regresijos įrodymą, bus naudojami tik šie kategoriniai arba kokybiniai kintamieji:
4.3.3 Pasirinkti šaltiniai
Visi atsiliepimai buvo paimti iš Río Chico viešojo registro pakaitinės įstaigos ir atitinka dokumentus, patvirtintus pirmąjį 2000 m. Ketvirtį.
4.3.4 Duomenų kodavimas
Pagal kriterijus, naudojamus 4.3.2 skirsnyje, atsižvelgiant į pasirinktus projektinius kintamuosius, bus parengta užkoduotų duomenų matrica, kad juos būtų galima įvesti į SPSS statistinį paketą.
4.3.4.1 Dizaino kintamųjų parinkimas
4.3.4.1 Projektavimo kintamųjų kodavimas
4.3.5 SPSS statistinių duomenų paketo išvestys
4.3.5.1 Logininio modelio specifikacija
* * * * * * * * HIERARCHICALLOGLINEAR * * * * * * * *
DUOMENYS Informacija
Priimta 18 nesvarių atvejų.
0 atvejų atmesta dėl ribinių faktorių verčių.
0 atvejų atmesta dėl trūkstamų duomenų.
Analizei bus naudojami 18 svertinių atvejų.
Informacija apie FAKTORIUS
Faktoriaus lygio etiketė
KAINA 4
2 rinka
2 POOLIS
2 PERŽIŪRA
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
4.3.5.2. Sočiųjų loglininių modelių valdymo statistika
* * * * * * * * HIERARCHICALLOGLINEAR * * * * * * * *
1 DIZAINAS turi generuojančią klasę
KAINA * RINKA * POOLAS * PERŽIŪRA
Pastaba: prisotintiems modeliams.500 buvo pridėtas prie visų stebimų langelių.
Ši vertė gali būti pakeista naudojant CRITERIA = DELTA antrinę komandą.
Iteracinis proporcingo pritaikymo algoritmas suvienodėjo 1 iteracijos metu.
Didžiausias skirtumas tarp stebimų ir pritaikytų ribinių sumų yra.000
o konvergencijos kriterijus yra.250
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Tinkamo tinkamumo testų statistika
Tikimybs santykis chi kvadratas =.00000 DF = 0 P = 1.000
„Pearson chi“ kvadratas =.00000 DF = 0 P = 1,000
4.3.5.3 Atgalinis pašalinimo metodas: Visų galimų 3, 2 ir 1 laipsnių efektų sąrašas
* * * * * * * * HIERARCHICALLOGLINEAR * * * * * * * *
ŠALINIŲ asociacijų testai.
Efekto pavadinimas DF Dalinis „Chisq Prob Iter“
KAINA * RINKA * POOL 3.044.9976 3
KAINA * RINKA * APŽVALGA 3.189.9794 2
KAINA * POOLAS * VIEW 3 000 1,0000 4
RINKA * POOLAS * VIEW 1.000 1.0000 3
KAINA * RINKA 3 7.869.0488 4
KAINA * POOL 3 5.039.1690 3
RINKA * POOL 1.629.4276 4
KAINA * PERŽIŪRA 3 5.917.1157 4
RINKA * PERŽIŪRA 1.777.3779 4
POOL * VIEW 1 7.530.0061 2
KAINA 3 8.089.0442 2
RINKA 1.223.6370 2
1 POOLIS.896.3438 2
PERŽIŪRA 1.896.3438 2
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
4.3.5.3 Atgalinės eliminacijos metodas: Hierarchinio tinkamiausio modelio pasirinkimas
9 žingsnis
Geriausias modelis turi generuojančią klasę
KAINA * RINKA
KAINA * PERŽIŪRA
POOLAS * PERŽIŪRA
Tikimybs santykis chi kvadratas = 6.33129 DF = 18 P =.995
* * * * * * * * HIERARCHICALLOGLINEAR * * * * * * * *
Galutinis modelis turi generuojančią klasę
KAINA * RINKA
KAINA * PERŽIŪRA
POOLAS * PERŽIŪRA
Iteracinio proporcingo pritaikymo algoritmas suvienodėjo esant 0 iteracijai.
Didžiausias skirtumas tarp stebimų ir pritaikytų ribinių sumų yra.000
o konvergencijos kriterijus yra.250
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
„Loglinear Best Fit“ modelis yra toks:
4.3.5.4 Stebimų ir numatomų hierarchinio loginio modelio dažnių nustatymas:
Stebimi, tikėtini dažniai ir likučiai.
Faktoriaus kodas OBS skaičius EXP skaičius Likučiai Std Likučiai
KAINA 1
0 rinka
0 POOLIS
PERŽIŪRA 0 3.0 2.5.45.28
PERŽIŪRA 1.0.0.00.00
1 POOLIS
PERŽIŪRA 0 1.0 1.5 -.45 -.38
PERŽIŪRA 1.0.0.00.00
1 rinka
0 POOLIS
PERŽIŪRA 0 1.0.6.36.46
PERŽIŪRA 1.0.0.00.00
1 POOLIS
PERŽIŪRA 0.0.4 -.36
PERŽIŪRA 1.0.0.00.00
2 KAINA
0 rinka
0 POOLIS
PERŽIŪRA 0 2.0 1.7.30.23
PERŽIŪRA 1.0.0.00.00
1 POOLIS
PERŽIŪRA 0 1.0 1.0.03.03
PERŽIŪRA 1 3,0 3,3–3,3 –18
1 rinka
0 POOLIS
PERŽIŪRA 0 1.0.8.15.16
PERŽIŪRA 1.0.0.00.00
1 POOLIS
PERŽIŪRA 0.0.5 -.48 -.70
PERŽIŪRA 1 2.0 1.7.33.26
3 KAINA
0 rinka
0 POOLIS
PERŽIŪRA 0.0.0.00.00
PERŽIŪRA 1.0.0.00.00
1 POOLIS
PERŽIŪRA 0.0.0.00.00
PERŽIŪRA 1.0.0.00.00
1 rinka
0 POOLIS
PERŽIŪRA 0.0.6 -.64 -.80
PERŽIŪRA 1.0.0.00.00
1 POOLIS
PERŽIŪRA 0 1.0.4.64 1.06
PERŽIŪRA 1.0.0.00.00
KAINA 4
0 rinka
0 POOLIS
PERŽIŪRA 0.0.0.00.00
PERŽIŪRA 1.0.0.00.00
1 POOLIS
PERŽIŪRA 0.0.0.00.00
PERŽIŪRA 1.0.0.00.00
1 rinka
0 POOLIS
PERŽIŪRA 0.0.6 -.64 -.80
PERŽIŪRA 1.0.0.00.00
1 POOLIS
PERŽIŪRA 0 1.0.4.64 1.06
VIEW 1 2.0 2.0.00.00
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
Tinkamo tinkamumo testų statistika
Tikimybs santykis chi kvadratas = 6.33129 DF = 18 P =.995
Pearson chi kvadratas = 4,96161 DF = 18 P =.999
4.3.6 Nenumatytų atvejų lentelės nubraižymas
4.3.7 Kitas būdas pateikti kontinento lentelę lengviau suprantamu būdu:
4.3.8 Taikymo pavyzdžiai:
4.3.8.1 1 pavyzdys:
Būti atostogų apartamentais mieste „Los Canales“, turintį šias savybes:
- Nauji apartamentai, vaizdas į kanalą, pastatas su baseinu
Visos eilutės, turinčios šias charakteristikas, yra „Nenumatytų atvejų lentelėje“:
- NAUJAS = 1VIEW = 1POOL = 1
Tai sudarytų šis pogrupis:
Kaip pastebėta nenumatytų atvejų lentelėje, norint nustatyti vertinamo buto vertę, yra keturi (4) galimi kainų intervalai (KAINA). Bet stebint Ketvirtąją eilę pastebima, kad laukiamas dažnis yra maksimalus.
Todėl butas yra toje pačioje nenumatytų atvejų lentelės eilutėje, o jo kainų intervalas yra KAINA = 4. Tai rodo, kad minėto turto vertė yra daugiau nei 55 milijonų Bolívares butų.
4.3.8.2 2 pavyzdys:
Būti atostogų apartamentais mieste „Los Canales“, turintį šias savybes:
- Naudotas apartamentas su vaizdu į kanalą su baseinu
Sprendimas:
Visos eilutės, turinčios šias charakteristikas, yra „Nenumatytų atvejų lentelėje“:
- NAUJAS = 0VIEW = 1POOL = 1
Tai sudarytų šis pogrupis:
Kaip pastebėta nenumatytų atvejų lentelėje, norint nustatyti vertinamo buto vertę, yra keturi (4) galimi kainų intervalai (KAINA). Bet stebint antrąją eilę pastebima, kad laukiamas dažnis yra maksimalus.
Todėl butas yra toje pačioje nenumatytų atvejų lentelės eilėje, o jo kainų intervalas yra KAINA = 2. Tai rodo, kad minėto turto vertė yra butų diapazone nuo 25 iki 40 milijonų bolivarų.
4.3.8.3 3 pavyzdys:
Būti atostogų apartamentais mieste „Los Canales“, turintį šias savybes:
- Naudota „ApartmentCanal ViewBuilding“ be baseino
Sprendimas:
Visos eilutės, turinčios šias charakteristikas, yra „Nenumatytų atvejų lentelėje“:
- NAUJAS = 0VIEW = 1POOL = 0
Tai sudarytų šis pogrupis:
Kaip pastebėta nenumatytų atvejų lentelėje, norint nustatyti vertinamo buto vertę, yra keturi (4) galimi kainų intervalai (KAINA). Bet žiūrint į nenumatytų atvejų lentelę pastebima, kad TIKIMASIS DAŽNIS yra 0,0 visų galimų duomenų derinių atžvilgiu.
Logiška šio atvejo išvada yra ta, kad modeliui nebuvo pateikta pakankamai duomenų, kad būtų galima sukurti bet kokį projekto kintamųjų derinį, kad būtų galima nustatyti šio tipo buto vertę.
Taigi šio buto vertės negalima nustatyti naudojant dabartinį hierarchinį loglininį modelį
- Išvados
- Hierarchiniai loginės tiesinės regresijos metodai daug geriau paaiškina statistinių reiškinių elgseną nei daugialypės regresijos metodai ar neuroniniai tinklai, jei tai kategorinės duomenų serijos. Klasifikavimo užduotyse hierarchiniai loginiai tiesiniai modeliai sukuria daug tikslesnius rezultatus nei Keli logistinės regresijos modeliai, nepaisant to, kad abu metodai yra skirti kategorinėms duomenų eilutėms, nevienalytėms duomenų grupėms (mišrūs kategoriniai ir kiekybiniai), dirbtiniams neuroniniams tinklams ir daugialypėms regresijos technikoms, žymiai pranoksta hierarchinius loglininius modelius. Hierarchinių loginių linijų modelių naudojimas yra galinga priemonė „masiškai įvertinti“ kilnojamąjį ir nekilnojamąjį turtą, nes tai leidžia klasifikuoti turtą iš anksto sudarytose nenumatytų atvejų lentelėse.SPSS statistikos paketas yra labai aiškus tvarkant, eksploatuojant ir aiškinant rezultatus. Hierarchinius loginius tiesinius modelius pritaikyti kaip paprastą analizės įrankį, kurį naudos vertintojai, neturėdami pagrindinių žinių, yra sudėtinga.
Ing. Roberto Piol Puppio
CIV 32.290 / SOITAVE 260
www.joinme.net/rpiol
El. Paštas: [email protected]
Lapkritis 2 003
BIBLIOGRAFIJA
- BERRIDGE D. (1994) „Regresijos modelių tinkamumo standartiniams kategoriniams duomenims vertinimas“, 9-asis tarptautinis statistinio modeliavimo seminaras, Ekseterio universitetas. London.CAMERON T. ir QUIGGIN J. (1994) "Įvertinimas naudojant neapibrėžtojo vertinimo duomenis iš" dichotominio pasirinkimo su tolesniais "klausimyno. Aplinkos ekonomikos ir vadybos žurnalas. Būsimasis. New YorkTABACHNICK BG ir FIDELL LS (1996). „Naudojant daugiamatę statistiką“, 3-asis leidimas. Harperis Collinsas, Niujorkas. GEORGE D ir MALLERY P. (2000) „Šss langams žingsnis po žingsnio“. Allyn & Bacon. Massachusetts.JOBSON JD (1992) „Taikomoji daugiamatė duomenų analizė. II „Vollume“. „Springer Verlag“. Niujorkas.LOZARES C., LOPEZ P. IR BORRAS V. (1998) „Loginės tiesės papildomumas ir atitikmenų analizė kuriant ir analizuojant tipologijas“.Barselonos autonominio universiteto straipsniai. Skaičius 55 psl. 79–93. Barcelona.PIOL R. (1989-2002) „Statistiniai metodai, taikomi nekilnojamojo turto vertinimui“. SOITAVE. Caracas.PIOL R. (2002) „Neuroniniai tinklai taikomi vertinant nekilnojamąjį turtą“. Žurnalas „SOITAVE“. Numeris 54 Rugsėjo 2 002 psl. 42–49 Karakasas ĮVAIRŪS AUTORIAI (1999) „Nepriklausomybės testai naudojant kelių kelių nepaprastosios padėties lenteles„ SPSS “. Teksaso universitetas. Austinas ĮVAIRŪS AUTORIAI (1995) „Dažnių lentelių loginė tiesinė analizė“, „Statsoft, Inc.“, elektroninis vadovėlis. Prieiga http://www.statsoft.com/textbook/stloglin.html WHITELEY, P. (1983) „Nepaprastosios padėties lentelių analizė“. N. Schofield ir P. Whitely (redaktoriai). Londonas.Caracas.PIOL R. (2002) „Neuroniniai tinklai taikomi vertinant nekilnojamąjį turtą“. Žurnalas „SOITAVE“. Numeris 54 Rugsėjo 2 002 psl. 42–49 Karakasas ĮVAIRŪS AUTORIAI (1999) „Nepriklausomybės testai naudojant kelių kelių nepaprastosios padėties lenteles„ SPSS “. Teksaso universitetas. Austinas ĮVAIRŪS AUTORIAI (1995) „Dažnių lentelių loginė tiesinė analizė“, „Statsoft, Inc.“, elektroninis vadovėlis. Prieiga http://www.statsoft.com/textbook/stloglin.html WHITELEY, P. (1983) „Nepaprastosios padėties lentelių analizė“. N. Schofield ir P. Whitely (redaktoriai). Londonas.Caracas.PIOL R. (2002) „Neuroniniai tinklai taikomi vertinant nekilnojamąjį turtą“. Žurnalas „SOITAVE“. Numeris 54 Rugsėjo 2 002 psl. 42–49 Karakasas ĮVAIRŪS AUTORIAI (1999) „Nepriklausomybės testai naudojant kelių kelių nepaprastosios padėties lenteles„ SPSS “. Teksaso universitetas. Austinas ĮVAIRŪS AUTORIAI (1995) „Dažnių lentelių loginė tiesinė analizė“, „Statsoft, Inc.“, elektroninis vadovėlis. Prieiga http://www.statsoft.com/textbook/stloglin.html WHITELEY, P. (1983) „Nepaprastosios padėties lentelių analizė“. N. Schofield ir P. Whitely (redaktoriai). Londonas.Elektroninis vadovėlis. Prieiga http://www.statsoft.com/textbook/stloglin.html WHITELEY, P. (1983) „Nepaprastosios padėties lentelių analizė“. N. Schofield ir P. Whitely (redaktoriai). Londonas.Elektroninis vadovėlis. Prieiga http://www.statsoft.com/textbook/stloglin.html WHITELEY, P. (1983) „Nepaprastosios padėties lentelių analizė“. N. Schofield ir P. Whitely (redaktoriai). Londonas.
TURINIŲ IR HIERARCHINIŲ MODELIŲ, KURIEMS TAIKOMAS NEKILNOJAMASIS TURTAS, VERTINIMAS.
Prisidėjo: Ing Roberto Piol Puppio - [email protected]
Dichotominis kintamasis (pvz., „Su vaizdu į vandenyną“ = 1 arba „Be vandenyno vaizdo“ = 0) yra kokybinio / kategorinio kintamojo pavyzdys. Kadangi kokybinis ir dichotominis kintamasis „Sea View“ nėra daugialypės tiesinės regresijos modelyje derinamas su kitais nepriklausomais kintamaisiais - kiekybiniais ar kokybiniais (pvz., Statybų plotas, turto amžius ir kt.) - netiesinis, bus mažai tikėtina, kad bus teisingai įvertintas arba numatytas kintamasis „Vieneto kaina“ remiantis šiais mišriais kintamaisiais.
Kai naudojami kiekybiniai (arba skaitiniai) kintamieji, jie kalba apie „Prognozavimo ar įvertinimo metodus“; tuo tarpu, kai naudojami kokybiniai ar kategoriniai kintamieji, būtų galima kalbėti apie „klasifikavimo metodus“.
Sąvoka, analogiška likutinei teorijai, kuri naudojama daugialypės regresijos metoduose, siekiant nustatyti netipinius duomenis, esančius duomenų serijoje.
„Pearson“ maksimalaus greičio bandymas (LRT, L 2 arba G 2kaip žinoma skirtinguose tekstuose), tai yra statistinis dviejų modelių tinkamumo testas. Palyginti su paprastesniu modeliu, palyginti sudėtingesnis modelis, reikia išsiaiškinti, ar jie labai gerai palyginami su tam tikru duomenų rinkiniu. LRT galioja tik tuo atveju, jei lyginate su hierarchiškai įdėtais modeliais. T. y., Sudėtingesnis modelis turėtų skirtis nuo paprasto modelio tik pridedant vieną ar kelis kintamuosius; tokiu būdu, kad pridedant papildomų kintamųjų, gaunamas didesnis tinkamumas. Vis dėlto yra prasmė, kai pridėjus papildomų kintamųjų, NEMOKAMAI pagerės paprastesnio modelio tinkamumas. LRT palaiko objektyvų kriterijų, pasirenkant iš galimų modelių. LRT prasideda šios formos „Chi“ kvadratų palyginimu:
T. y., Įvertinamas Chi-kvadratų natūraliųjų logaritmų skirtumas, remiantis laisvės laipsnių skirtumu. LRT maždaug atitinka modelio pavyzdį.
Galima paminėti šios sąvokos analogiją daugelio regresijų faktorių analizei. Faktorių analizė leidžia gauti paprastesnį daugialypės tiesinės regresijos modelį su mažiau kintamųjų, pašalinant „nereikšmingus kintamuosius“, tačiau tuo pat metu išlaikant priimtiną rezultatą iš anksto nustatytu pasitikėjimo lygiu.
Testas „Visiška nepriklausomybė“ reiškia, kad hierarchiniame modelyje visi kintamieji yra nepriklausomi vienas nuo kito. Tai gaunama palyginus kiekvieno kintamojo chi-kvadratus su „Null hipoteze“ (gauta iš lentelės, kurioje pateikiami atitinkami laisvės laipsniai). Jei turi būti įvykdyta, kad:
Jei tai aukščiau, tai rodo, kad nepriklausomas hierarchinis modelis smarkiai skiriasi nuo prisotinto modelio, o tai rodo, kad šiame hierarchiniame modelyje yra kintamasis ar kintamieji, reikalingi gerai koreliacijai ar atitikimui gauti.
SPSS 10.0 versija yra SPSS, Inc. nuosavybė. Visos teisės saugomos.
Tačiau SPSS leidžia išvestį visiškai eksportuoti kaip tekstinį failą, leidžiant vertintojui inžinieriui pridėti jo išrašus į vertinimo ataskaitą, kad būtų palaikomos operacijos.
Modelio pasirinkimo submeniu… yra paprogramė arba modulis, kuriame randamas hierarchinių modelių nustatymo algoritmas; tačiau čia „Saturated Model“ nustatomas automatiškai, nes bakkeliminacijos metodas prasideda skaičiuojant Saturated Model, kaip jau paaiškinta tekste.
Kadangi loginė tiesinė regresija yra metodas, orientuotas į kategorinių kintamųjų klasifikavimą, duomenys paprastai išreiškiami sveikaisiais skaičiais (pvz.: 0 ir 1 dichotominių kintamųjų atveju).
Norėdami gauti išsamesnį paaiškinimą ir išsamias instrukcijas apie programos veikimą, skaitykite SPSS naudojimo vadove.
SPSS išėjimas gali skirtis priklausomai nuo vartotojo nustatytų skaičiavimo ir išvesties variantų.
„Loglinear“ modeliai spausdinami kaip daugiapakopės matricos paketo išvestyje
Hierarchinis loglininis modelis yra išspausdintas kaip daugiapakopė matrica paketo išvestyje
Akivaizdu, kad kintamasis „Kaina“ arba „Vieneto kaina“ yra skaitinis arba kiekybinis kintamasis, todėl jį reikia „paversti“ kokybiniu ar kategoriniu kintamuoju. Dėl to nebebus galima kalbėti apie kainos kintamąjį (vieneto kainą), bet apie kintamąjį „Kainų diapazonas“.
Atminkite, kad tai tik kategoriniai arba kokybiniai kintamieji.
SPSS pateikia išvestį „SPSS Viewer“ ekrane teksto pavidalu. Šią išvestį galima atspausdinti arba eksportuoti kaip tekstinį failą.
Saturated Loglinear Model apima visus įmanomus „pagrindinius efektus“ ir visus įmanomus „kombinuotų kintamųjų efektų“ derinius, todėl jis puikiai atkuria duomenis (). Saturated Loglinear Model nėra rodomas šioje SPSS išvesties ištraukoje
SPSS paketas leidžia nustatyti „Best Fit“ hierarchinį loginį linijinį modelį, pradedant nuo prisotinto modelio ir pašalinant bet kurios tvarkos, kuri smarkiai neprisideda prie modelio, padarinius; kad „Pearson Maksimalios tikimybės statistika“ () būtų maksimali, o „Reikšmingumas“ () būtų mažiausia
Hierarchinis loginis netiesioginis modelis pateikia „nenumatytų atvejų lentelę“ kaip daugiapakopę matricą paketo išvestyje. Dabar mes pereisime prie „saugojimo“ šios išvesties matricos pavidalu, kad ją būtų lengviau interpretuoti. „Tikėtini dažniai“ bus naudojami kaip „Nepaprastosios padėties lentelės“ koeficientai.
Nepaprastosios padėties lentelės brėžinyje bus naudojama „MS-Excel“ skaičiuoklė.
Nepamirškite, kad duomenis sudaro tik 18 nuorodų, nes tai yra didaktinis modelis.
Analogija tokio tipo problemoms yra daugialypės regresijos modeliai, kurie puikiai paaiškina tam tikrą savybę; tačiau įvertinti nepavyksta, taikant tą patį regresijos modelį kitai ypatybei, kurios fizinės savybės labai skiriasi nuo pirmosios.
