Tartalomjegyzék

• TÖBBVÁLTOZÓS STATISZTIKAI ELEMZÉSEK
• Impresszum
• Előszó
• 1. A sokaság
  • 1.1. Az adatbázis
  • 1.2. Műveletek sokaságokkal
    • 1.2.1. A megfigyelési egységek rangsorolása
    • 1.2.2. A sokaság csoportosítása
    • 1.2.3. Sokaságok összehasonlítása
    • 1.2.4. Mintavétel a sokaságból
    • 1.2.5. A sokaság csonkolása, nyesése
    • 1.2.6. Előrejelzés
    • 1.2.7. Információtömörítés
  • 1.3. Centrális tendencia és a variancia
  • 1.4. A sokaság eloszlása
    • 1.4.1. A normális eloszlás
    • 1.4.2. Gamma-eloszlás
    • 1.4.3. Chi-négyzet eloszlás
    • 1.4.4. Exponenciális eloszlás
    • 1.4.5. Weibull eloszlás
    • 1.4.6. Béta-eloszlás
    • 1.4.7. Student-t-eloszlás
    • 1.4.8. F-eloszlás
    • 1.4.9. Binomiális eloszlás
    • 1.4.10. Poisson-eloszlás
    • 1.4.11. Probability plot
• 2. Mintavételi következtetések
  • 2.1. Statisztikai becslések
    • 2.1.1. Becslési kritériumok és módszerek
      • 2.1.1.1. A Legkisebb négyzetek (LKN) módszere
      • 2.1.1.2. Momentumok módszere
      • 2.1.1.3. A Maximum likelihood (ML) módszer
    • 2.1.2. Intervallumbecslés
  • 2.2. Hipotézisek statisztikai tesztelése
  • 2.3. Klasszifikáció
    • 2.3.1. A döntési szabály
    • 2.3.2. A klasszifikációs mátrix
    • 2.3.3. Monoton asszociációs mértékek
    • 2.3.4. ROC analízis
• 3. A szóródás többváltozós jellemzése
  • 3.1. A variancia többváltozós általánosításai
    • 3.1.1. A kovariancia fogalma és tulajdonságai
    • 3.1.2. Kovariancia algebra
    • 3.1.3. Lineáris korreláció
    • 3.1.4. Az általánosított variancia
    • 3.1.5. A spektrálfelbontás
    • 3.1.6. A szóródási mátrix
    • 3.1.7. Többváltozós normalitás
• 4. Likelihoodelmélet
  • 4.1. Likelihoodelméleti alapfogalmak
  • 4.2. A maximum likelihood becslés
  • 4.3. Hipotézisek likelihood alapú tesztelése
    • 4.3.1. A likelihood-arány teszt
    • 4.3.2. A Lagrange-multiplikátor elv
    • 4.3.3. A Wald elv
• 5. A strukturális törés tesztelése
  • 5.1. A keresztmetszeti strukturális törés
  • 5.2. A strukturális törés szélső esetei és kovariancia analízise
  • 5.3. A Fix-hatású modell paraméterezése
  • 5.4. A Fix-hatás tesztelése
    • 5.4.1. Variancia analízis: Csoportspecifikus Null modellek
    • 5.4.2. Referencia csoport alkalmazása
    • 5.4.3. Párhuzamos egyenesek hipotézise
  • 5.5. A Random Effects modell
  • 5.6. Kategória változók interakciója
• 6. Conjoint analízis
  • 6.1. A statisztikai modell
  • 6.2. Az ortogonális „Design”
  • 6.3. Kategória-kimenetű alkalmazás
  • 6.4. Folytonos alkalmazás
• 7. Kvantilis regresszió
  • 7.1. A szegénységi küszöb becslése
  • 7.2. A LAD medián regresszió
  • 7.3. A Tau-kvantilis regresszió
  • 7.4. Magyar háztartások deprivációs küszöbei
• 8. Főkomponens változók elemzése
  • 8.1. Adatredukció és veszteség
  • 8.2. Az egyszerű struktúra igénye: faktoranalízis
  • 8.3. A kanonikus variancia
  • 8.4. Főkomponensregresszió
• 9. Kanonikus korreláció
  • 9.1. Modellfogalmak
  • 9.2. Bevezető példa
  • 9.3. A kanonikus korrelációk tesztelése
  • 9.4. Szakágazati esettanulmány
    • 9.4.1. Ok-okozati irányok értelmezése a kanonikus változókörök között
    • 9.4.2. Kanonikus dependent és prediktor változók klaszterezése
  • 9.5. Részvény és deviza portfóliók kanonikus korreláció elemzése
    • 9.5.1. A portfóliók Bartlett – tesztje
    • 9.5.2. A kanonikus „loading” koefficiensek
    • 9.5.3. A kanonikus kereszt „loading” koefficiensek jelentése
    • 9.5.4. Redundancia mértékek a kanonikus korrelációszámításban
• 10. Klaszterképzés
  • 10.1. A megfigyelési egységek klaszterezése
    • 10.1.1. Agglomeratív klaszterformálás: láncmódszer
    • 10.1.2. Távolságmértékek
    • 10.1.3. Banki ügyfélkör esettanulmány
    • 10.1.4. Divizív jellegű módszerek
  • 10.2. K-középpontú klaszterezés
• 11. A diszkrét kiválasztási modell
  • 11.1. A statisztikai modell
    • 11.1.1. Klasszifikálás: a multinomiális logit modell alkalmazása
    • 11.1.2. Kiválasztás: a feltételes logit modell alkalmazása
    • 11.1.3. A „vegyes” modell
    • 11.1.4. Regressziós paraméterezés
    • 11.1.5. Függetlenség az irreleváns alternatíváktól
• 12. Bayes - klasszifikáció
  • 12.1. Normalitás alapú kvadratikus és lineáris klasszifikáció
  • 12.2. Mintavételi vonatkozások
    • 12.2.1. Homogenitásvizsgálat
    • 12.2.2. A diszkriminátor változók szelektálása
    • 12.2.3. A külső szóródás tesztelése
    • 12.2.4. Diszkrimináló dimenziók
    • 12.2.5. Jackknife klasszifikáció
  • 12.3. Tőzsdetag brókercégek lineáris klasszifikálása
    • 12.3.1. Stepwise lineáris diszkriminancia analízis
• 13. Logisztikus regresszió
  • 13.1. Dichotom logisztikus regresszió
    • 13.1.1. Paraméterbecslés
    • 13.1.2. Hipotézisek tesztelése
  • 13.2. Polichotom logisztikus regresszió
    • 13.2.1. Nominális kategóriák logitjai
    • 13.2.2. Ordinális kategóriák kumulatív logitjai
• 14. Kategóriák korrespondencia analízise
  • 14.1. Előrejelzés: kiegészítő pontok ábrázolása
  • 14.2. Kiegészítő pontok ábrázolása: előrejelzés
  • 14.3. Többszörös korrespondencia analízis
  • 14.4. Korrespondenciák feltárása
  • 14.5. Előrejelzés prediktív térképpel
• 15. Strukturális egyenletek modellezése látens változókkal
  • 15.1. A SEM hipotézisrendszer
  • 15.2. Konfirmatív LAVAN (R-Open) eredmények
  • 15.3. Modellspecifikációs SEM módosítások
  • 15.4. Speciális SEM modellváltozatok
    • 15.4.1. A matematikai modell
• 16. Döntési fák
  • 16.1. Klasszifikációs és regressziós fák
    • 16.1.1. A Gini-kritérium
    • 16.1.2. Előrejelzés
    • 16.1.3. Költség és prior vonzatok
• 17. Neurális hálózatok
  • 17.1. Többrétegű perceptronok
  • 17.2. MLP jelölésrendszer
  • 17.3. Architektúra szelekció
  • 17.4. Training
  • 17.5. Radial Basis Function
• Irodalom