MODELOWANIE STATYSTYCZNE DLA BIZNESU. TEORIA I ZASTOSOWANIA Z WYKORZYSTANIEM SAS VIYA, R I PYTHON

ISBN: 978-83-8030-621-9

325 stron
format: B5
oprawa: miękka
Rok wydania: 2023

Celem pracy jest przegląd technik i narzędzi służących do analizy statystycznej z wykorzystaniem wysokowydajnych metod przetwarzania danych dostępnych w ramach narzędzia SAS Viya i języka chmury obliczeniowej CASL (ang. Cloud Analytic Services Language) oraz narzędzi dostępnych w językach R i Python.
Prezentacja poszczególnych etapów analizy i narzędzi rozpoczyna sie od zupełnie podstawowych aspektów przetwarzania danych oraz miar analizy struktury.
Podano opis zadań technicznych takich jak komunikacja z baza danych, przetwarzanie danych, przesyłanie wyników, po czym dokonano wprowadzenia do tematyki modelowania statystycznego, posługując się wybranym zestawem modeli liniowych obejmującym: analizę wariancji i kowariancji, analizę korelacji i regresji z uwzględnieniem modelu regresji adaptacyjnej oraz model regresji kwantylowej.

SPIS TREŚCI

Wstęp

1. Podstawy przetwarzania danych w SAS Viya
1.1. Wprowadzenie
1.2. Połaczenie z serwerem CAS w SAS Studio
1.3. Podstawy programowania w SAS Viya
1.4. Praca ze zródłami danych
1.4.1. Wczytywanie danych
1.4.2. Eksportowanie danych
1.5. Przegladanie danych w SAS Data Explorer
1.6. Wyswietlanie atrybutów i przegladanie danych
1.7. Podstawowe przekształcenia danych
1.7.1. Filtrowanie danych
1.7.2. Sortowanie danych i przetwarzanie w grupach
1.7.3. Formatowanie danych
1.7.4. Tworzenie podstawowych zapytan SQL
1.8. Wprowadzenie do raportowania w plikach zewnetrznych
1.8.1. Tworzenie wykresu w kodzie programu
1.8.2. Tworzenie raportu w kodzie programu - procedury drukujace
1.8.3. Wykresy interaktywne w SAS Visual Analytics

2. Wybrane zagadnienia z zakresu metody reprezentacyjnej
2.1. Wprowadzenie
2.2. Wybrane schematy losowania próby
2.2.1. Losowanie proste
2.2.2. Losowanie warstwowe
2.2.3. Losowanie systematyczne
2.2.4. Losowanie dwu- i wielostopniowe
2.3. Próbkowanie na potrzeby modelowania predykcyjnego
2.3.1. Losowanie z nadreprezentacja klasy mniejszosciowej - oversampling
2.3.2. Losowanie warstwowe z ograniczeniem udziału klasy wiekszosciowej- undersampling
2.3.3. Losowanie warstwowe - k-krotny podział próby

3. Analiza struktury
3.1. Wprowadzenie
3.2. Tabele liczebnosci i czestosci
3.3. Miary analizy struktury
3.3.1. Miary połozenia rozkładu
3.3.2. Miary zróznicowania
3.3.3. Miary asymetrii
3.3.4. Miary koncentracji
3.4. Obserwacje odstajace i miary odporne

4. Rozkłady teoretyczne zmiennych losowych
4.1. Wprowadzenie
4.2. Graficzna prezentacja rozkładów wybranych zmiennych losowych
4.2.1. Rozkład zero-jedynkowy (Bernoulliego)
4.2.2. Rozkład dwumianowy
4.2.3. Rozkład beta
4.2.4. Rozkład normalny
4.2.5. Rozkład lognormalny
4.2.6. Dobór parametrów rozkładu za pomoca interaktywnego wykresu. Zastosowanie pakietu R Shiny
4.3. Nieparametryczny estymator funkcji gestosci prawdopodobienstwa
4.4. Badanie zgodnosci rozkładu empirycznego z rozkładem teoretycznym
4.5. Generowanie danych z okreslonego rozkładu za pomoca procedury IML

5. Analiza wariancji i kowariancji
5.1. Wprowadzenie
5.2. Analiza wariancji z pojedyncza klasyfikacja
5.3. Analiza wariancji z podwójna klasyfikacja
5.4. Nieparametryczna analiza wariancji - test Kruskala-Wallisa
5.5. Analiza kowariancji
5.6. Porównanie modeli analizy wariancji i kowariancji

6. Analiza korelacji i zaleznosci
6.1. Wprowadzenie
6.2. Współczynnik korelacji liniowej Pearsona
6.3. Nieparametryczne miary zaleznosci
6.3.1. Współczynnik korelacji rang Spearmana
6.3.2. Współczynnik -Kendalla
6.3.3. Miara zaleznosci Hoeffdinga
6.4. Test niezaleznosci 2 i współczynnik V Cram‚ra w ocenie asocjacji
6.5. Współczynnik Cronbacha
6.6. Ocena zwiazków pomiedzy zmiennymi na potrzeby modelowania

7. Regresja liniowa
7.1. Wprowadzenie
7.2. Model regresji liniowej
7.2.1. Klasyczny model regresji liniowej
7.2.2. Regresja wieloraka
7.3. Diagnostyka modelu
7.3.1. Ocena zdolnosci predykcyjnej
7.3.2. Identyfikacja obserwacji odstajacych i wpływowych
7.3.3. Dobór zmiennych do modelu
7.3.4. Ocena specyfikacji modelu
7.4. Regresja adaptacyjna - dopasowanie funkcjami sklejanymi

8. Regresja kwantylowa
8.1. Wprowadzenie
8.2. Model regresji kwantylowej
8.3. Estymacja modelu regresji kwantylowej
8.4. Identyfikacja obserwacji odstajacych za pomoca modelu regresji kwantylowej
8.5. Zarys budowy aplikacji za pomoca biblioteki R Shiny na przykładzie modeli regresji

Aneks

Bibliografia