Сохранение новых переменных

💸 Как сделать бизнес проще, а карман толще?

Тот, кто работает в сфере услуг, знает — без ведения записи клиентов никуда. Мало того, что нужно видеть свое раписание, но и напоминать клиентам о визитах тоже. Проблема в том, что средняя цена по рынку за такой сервис — 800 руб/мес или почти 15 000 руб за год. И это минимальный функционал. Нашли самый бюджетный и оптимальный вариант: сервис VisitTime.
⚡️ Для новых пользователей первый месяц бесплатно. А далее 290 руб/мес, это в 3 раза дешевле аналогов. За эту цену доступен весь функционал: напоминание о визитах, чаевые, предоплаты, общение с клиентами, переносы записей и так далее.
✅ Уйма гибких настроек, которые помогут вам зарабатывать больше и забыть про чувство «что-то мне нужно было сделать».
Сомневаетесь? нажмите на текст, запустите чат-бота и убедитесь во всем сами!

Диалоговое окно Линейная регрессия: Сохранить

Предсказанные значения, остатки и другие статистики, полезные для диагностики, можно

сохранить. Выбор каждого из перечисленных ниже пунктов добавляет к активному файлу

Предсказанные значения. Значения, которые регрессионная модель предсказывает для

? Нестандартизованные. Значение зависимой переменной, предсказываемое в

? Стандартизованные. Преобразование каждого предсказанного значения в

стандартизованную форму. То есть, из каждого предсказанного значения вычитают

среднее предсказанное значение, и полученную разность делят на стандартное

отклонение предсказанного значения. Среднее стандартизованных предсказанных

значений равно 0, а стандартное отклонение 1.

? Скорректированные. Предсказываемое значение для наблюдения, при условии, что это

наблюдение не используется при вычислении коэффициентов регрессии.

? Стд. ошибка средних. Стандартные ошибки предсказанных значений. Оценка

стандартного отклонения среднего значения зависимой переменной для наблюдений

с одинаковыми значениями независимых переменных.

Расстояния. Меры, выявляющие наблюдения с необычными комбинациями значений

независимых переменных и наблюдения, которые могут оказать большое влияние на

? Махаланобиса. Мера того, насколько значения наблюдений для независимых

переменных отклоняются от среднего по всем наблюдениям. Большое расстояние

Махаланобиса означает, что наблюдение содержит экстремальные значения в одной или

? Кука. Для каждого наблюдения показывает насколько изменятся остатки всех

наблюдений, если это наблюдение не использовать при вычислении коэффициентов

регрессии. Большое расстояние Кука указывает на то, что исключение данного

наблюдения из вычислений регрессии существенно меняет коэффициенты.

? Разбалансировка. Измеряют влияние точки на согласие регрессионной модели.

Центрированные балансировки изменяются от 0 (не влияет) до (N-1)/N.

Интервалы предсказания. Верхние и нижние границы интервалов предсказания для

? Среднее. Нижняя и верхняя границы (две переменные) интервала предсказания для

? Для отдельных значений. Нижняя и верхняя границы (две переменные) для интервала

предсказания зависимой переменной для отдельного наблюдения.

? Доверительный интервал. Введите значение от 1 до 99, 99, чтобы задать доверительный уровень для двух интервалов предсказания. Перед вводом этого значения необходимо выбрать Среднее или Отдельное значение. Типичные значения доверительного уровня - 90, 95 и 99.

Остатки. Фактическое значение зависимой переменной минус предсказанное регрессионным уравнением.

? Нестандартизованные. Разность между наблюдаемым и предсказанным моделью

? Стандартизованные. Остаток, деленный на оценку его стандартного отклонения.

Стандартизованные остатки, известные еще как пирсоновские, имеют среднее 0 и

? Стьюдентизированные. Остаток, деленный на его оцененное стандартное отклонение,

меняющееся от наблюдения к наблюдению в зависимости от расстояния значений

независимых переменных для данного наблюдения от средних независимых

? Удаленные. Остаток для наблюдения, когда данное наблюдение исключается при

вычислении регрессионных коэффициентов. Это разность между значением зависимой

переменной и скорректированным предсказанным значением.

? Стьюдентизированные удаленные. Остаток для удаленного наблюдения, деленный на

его стандартную ошибку. Разность между стьюдентизированным остатком с удалением

и соответствующим ему стьюдентизированным остатком указывает, насколько сильно

исключение наблюдения влияет на предсказание для него самого.

Статистики влияния. Изменение в регрессионных коэффициентах (DfBeta) и

предсказанных значениях (DfFit), вызванное исключением из анализа конкретного

наблюдения. Доступны также стандартизованные значения DfBeta и DfFit вместе с

? DfBeta(s). Разница в значении бета — это изменение регрессионного коэффициента в

результате исключения отдельного наблюдения. Значение вычисляется для каждого

? Стандартизованные DfBeta. Стандартизованная разность значений бета. Изменение

коэффициента регрессии при исключении отдельного наблюдения. Имеет смысл

исследовать наблюдения, у которых модуль этого значения, больше, чем 2/корень

квадратный из (N), где N - число наблюдений. Значение вычисляется для каждого

? DfFit. Разница в величине подгонки — это изменение предсказанного значения в

результате исключения отдельного наблюдения.

? Стандартизованные DfFit. Стандартизованная разность предсказанных значений.

Изменение предсказанного значения при исключении отдельного наблюдения. Имеет

смысл исследовать наблюдения, у которых модуль этого значения больше, чем 2 *

корень квадратный из (p/N), где p - число параметров в модели, а N - число наблюдений.

? Ковариационное отношение. Отношение определителя ковариационной матрицы,

вычисленного без данного наблюдения, к определителю ковариационной матрицы,

вычисленной для всей выборки. Если это отношение близко к 1, данное наблюдение не

влияет на ковариационную матрицу существенно.

Статистики коэффициентов Сохраняет коэффициенты регрессии в наборе данных или

файле данных. Наборы данных доступны для последующего использования в том же

сеансе но не сохраняются как файлы до тех пор, пока они не будут сохранены явно до

окончания текущего сеанса. Имена наборов данных должны удовлетворять требованиям к

Экспортировать модель в формате XML Оценки параметров и их ковариации (если

помечено) экспортируются в специальный файл в формате XML (PMML). Этот файл

модели можно использовать для применения информации о модели к другим файлам