Поле цифровой дидактики - Вклад [ru]

Исследование зависимости времени достижения стабильной сегрегации от порога толерантности на базе модели Segregation

2025-12-27T06:32:32Z

Григорий Глаголенко: /* Эксперимент */

{{#ask: [[Segregation (model)]]| ?Description }}
== Эксперимент: зависимость числа переездов от установленного порога толерантности ==
=== Запуск модели с базовыми настройками ===
Изначально агенты расселены хаотично, но с ростом числа переселений, наблюдается формирование нескольких больших районов.
Возникает вопрос - как с изменением уровня толерантности будет изменяться время, за которое будут сформированы районы из которых никто не захочет переезжать?
=== Гипотеза ===
H0: При снижении уровня толерантности (увеличении значения %-similar-wanted), количество переездов (время за которое система достигает стабильного состояния) будет увеличиваться. При этом я предполагаю, что зависимость будет линейной.

H1: Какая либо зависимость отсутствует.

=== Эксперимент ===
Для проведения эксперимента NetLogo был установлен локально. При помощи пространства поведения был подготовлен датасет.
При сборе данных были вставлены следующие значения:

Плотность расселения: ["density" 10 20 30 40 50 60 70 80 90]

Порог толерантности: ["%-similar-wanted" 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100]

В результате был получен следующий датасет:

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS-IfJSluYJN_R3NYqFOubcTi5rs3lPK8MCu_Gfmj7CFi63_zAQcusmcnk8E-JQpOEQEQtKQ-U967fW/
|width=800
|height=400
}}

https://docs.google.com/spreadsheets/d/18oJPWpLzbByccITcyoA_w0GFR61MI-2DlRfxcplIH7s/edit?usp=sharing

'''Цель эксперимента:''': установить тип зависимости (или ее отсутствие) времени достижения системой стабильного состояния от уровня толерантности.

На основе полученного датасета был сформирован график:

[[Файл:GGtvt.png|600px]]

Регрессионный анализ:

How does ([total steps]) depend on (%-similar-wanted) ?
LSRL: [total steps] = 10,73 (%-similar-wanted) - NaN
N = 800, ρ = 0,7664, r2 = 0,5874
Regression details
slope 10,73 95% CI = [10,1, 11,35]
intercept -292,5 95% CI = [-328,9, -256,2]

testing slope ≠ 0
t = 33,7, P < 0.0001
df = 798, α = 0,05, t* = 1,96,

{{Шаблон:CODAP Results Glossary}}

=== Наблюдения и замечания ===
1. Значения равные 1000, не становятся больше, из-за вручную выставленных ограничений модели. Если количество total steps равно 1000, можно считать что стабильное состояние для такой системы является недостижимым.

2. Для любой плотности расселения большей или равной 20, в промежутке similar-wanted = 70-80 наступает момент, когда стабильность становится недостижимой, либо мало вероятной.

3. Наблюдаемая зависимость больше походит на экспоненциальную, нежели на линейную.

=== Выводы ===
По итогам исследования, можно сделать следующие выводы: изначальные гипотезы были ошибочны - как и предполагалось в нулевой теории, зависимость присутствует, однако она не линейная, а экспоненциальная.

=== Значение для экономики ===
Мое заключение базируется в основном на втором наблюдении. При высоком уровне требований к гомогенности окружения (70–80% и выше), даже при умеренной плотности населения (≥20%), система теряет способность достигать устойчивого равновесия. Это означает, что в реальных экономических системах — например, на рынке аренды или покупки жилья — чрезмерная «избирательность» участников (будь то по этническому, социальному или экономическому признаку) может привести к хронической нестабильности, постоянной миграции, росту транзакционных издержек и снижению общей эффективности распределения жилищных ресурсов.

Участник:Григорий Глаголенко

2025-12-27T00:55:46Z

Григорий Глаголенко:

{{UserMGPU
|Field_of_knowledge=Экономика
|similar_concepts=Аналитика, Экономика
|Environment=Python, Qwen
|Position=Бакалавриат
|PedDirection=Нет
|Community=Совет Студентов и Аспирантов
|Виды_спорта=Настольный теннис
|Working_On=Как провести регрессионный анализ, Glagolenko/SimpleEconomy, Практическое задание по анализу временных рядов, Wolf-Sheep Predation, Wealth Distribution, Исследование зависимости времени достижения стабильной сегрегации от порога толерантности на базе модели Segregation
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-27T00:51:49Z

Григорий Глаголенко: Полностью удалено содержимое страницы

Исследование зависимости времени достижения стабильной сегрегации от порога толерантности на базе модели Segregation

2025-12-27T00:51:20Z

Григорий Глаголенко: Новая страница: «{{#ask: Segregation (model)| ?Description }} == Эксперимент: зависимость числа переездов от установленного порога толерантности == === Запуск модели с базовыми настройками === Изначально агенты расселены хаотично, но с ростом числа переселений, наблюдается формирование не...»

{{#ask: [[Segregation (model)]]| ?Description }}
== Эксперимент: зависимость числа переездов от установленного порога толерантности ==
=== Запуск модели с базовыми настройками ===
Изначально агенты расселены хаотично, но с ростом числа переселений, наблюдается формирование нескольких больших районов.
Возникает вопрос - как с изменением уровня толерантности будет изменяться время, за которое будут сформированы районы из которых никто не захочет переезжать?
=== Гипотеза ===
H0: При снижении уровня толерантности (увеличении значения %-similar-wanted), количество переездов (время за которое система достигает стабильного состояния) будет увеличиваться. При этом я предполагаю, что зависимость будет линейной.

H1: Какая либо зависимость отсутствует.

=== Эксперимент ===
Для проведения эксперимента NetLogo был установлен локально. При помощи пространства поведения был подготовлен датасет.
При сборе данных были вставлены следующие значения:

Плотность расселения: ["density" 10 20 30 40 50 60 70 80 90]

Порог толерантности: ["%-similar-wanted" 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100]

В результате был получен следующий датасет:

[[Файл:GG11.png| 600ptx]]

https://docs.google.com/spreadsheets/d/18oJPWpLzbByccITcyoA_w0GFR61MI-2DlRfxcplIH7s/edit?usp=sharing

'''Цель эксперимента:''': установить тип зависимости (или ее отсутствие) времени достижения системой стабильного состояния от уровня толерантности.

На основе полученного датасета был сформирован график:

[[Файл:GGtvt.png|600px]]

Регрессионный анализ:

How does ([total steps]) depend on (%-similar-wanted) ?
LSRL: [total steps] = 10,73 (%-similar-wanted) - NaN
N = 800, ρ = 0,7664, r2 = 0,5874
Regression details
slope 10,73 95% CI = [10,1, 11,35]
intercept -292,5 95% CI = [-328,9, -256,2]

testing slope ≠ 0
t = 33,7, P < 0.0001
df = 798, α = 0,05, t* = 1,96,

=== Наблюдения и замечания ===
1. Значения равные 1000, не становятся больше, из-за вручную выставленных ограничений модели. Если количество total steps равно 1000, можно считать что стабильное состояние для такой системы является недостижимым.

2. Для любой плотности расселения большей или равной 20, в промежутке similar-wanted = 70-80 наступает момент, когда стабильность становится недостижимой, либо мало вероятной.

3. Наблюдаемая зависимость больше походит на экспоненциальную, нежели на линейную.

=== Выводы ===
По итогам исследования, можно сделать следующие выводы: изначальные гипотезы были ошибочны - как и предполагалось в нулевой теории, зависимость присутствует, однако она не линейная, а экспоненциальная.

=== Значение для экономики ===
Мое заключение базируется в основном на втором наблюдении. При высоком уровне требований к гомогенности окружения (70–80% и выше), даже при умеренной плотности населения (≥20%), система теряет способность достигать устойчивого равновесия. Это означает, что в реальных экономических системах — например, на рынке аренды или покупки жилья — чрезмерная «избирательность» участников (будь то по этническому, социальному или экономическому признаку) может привести к хронической нестабильности, постоянной миграции, росту транзакционных издержек и снижению общей эффективности распределения жилищных ресурсов.

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-27T00:49:34Z

Григорий Глаголенко: /* Наблюдения и замечания */

{{#ask: [[Segregation (model)]]| ?Description }}
== Эксперимент: зависимость числа переездов от установленного порога толерантности ==
=== Запуск модели с базовыми настройками ===
Изначально агенты расселены хаотично, но с ростом числа переселений, наблюдается формирование нескольких больших районов.
Возникает вопрос - как с изменением уровня толерантности будет изменяться время, за которое будут сформированы районы из которых никто не захочет переезжать?
=== Гипотеза ===
H0: При снижении уровня толерантности (увеличении значения %-similar-wanted), количество переездов (время за которое система достигает стабильного состояния) будет увеличиваться. При этом я предполагаю, что зависимость будет линейной.

H1: Какая либо зависимость отсутствует.

=== Эксперимент ===
Для проведения эксперимента NetLogo был установлен локально. При помощи пространства поведения был подготовлен датасет.
При сборе данных были вставлены следующие значения:

Плотность расселения: ["density" 10 20 30 40 50 60 70 80 90]

Порог толерантности: ["%-similar-wanted" 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100]

В результате был получен следующий датасет:

[[Файл:GG11.png| 600ptx]]

https://docs.google.com/spreadsheets/d/18oJPWpLzbByccITcyoA_w0GFR61MI-2DlRfxcplIH7s/edit?usp=sharing

'''Цель эксперимента:''': установить тип зависимости (или ее отсутствие) времени достижения системой стабильного состояния от уровня толерантности.

На основе полученного датасета был сформирован график:

[[Файл:GGtvt.png|600px]]

Регрессионный анализ:

How does ([total steps]) depend on (%-similar-wanted) ?
LSRL: [total steps] = 10,73 (%-similar-wanted) - NaN
N = 800, ρ = 0,7664, r2 = 0,5874
Regression details
slope 10,73 95% CI = [10,1, 11,35]
intercept -292,5 95% CI = [-328,9, -256,2]

testing slope ≠ 0
t = 33,7, P < 0.0001
df = 798, α = 0,05, t* = 1,96,

=== Наблюдения и замечания ===
1. Значения равные 1000, не становятся больше, из-за вручную выставленных ограничений модели. Если количество total steps равно 1000, можно считать что стабильное состояние для такой системы является недостижимым.

2. Для любой плотности расселения большей или равной 20, в промежутке similar-wanted = 70-80 наступает момент, когда стабильность становится недостижимой, либо мало вероятной.

3. Наблюдаемая зависимость больше походит на экспоненциальную, нежели на линейную.

=== Выводы ===
По итогам исследования, можно сделать следующие выводы: изначальные гипотезы были ошибочны - как и предполагалось в нулевой теории, зависимость присутствует, однако она не линейная, а экспоненциальная.

=== Значение для экономики ===
Мое заключение базируется в основном на втором наблюдении. При высоком уровне требований к гомогенности окружения (70–80% и выше), даже при умеренной плотности населения (≥20%), система теряет способность достигать устойчивого равновесия. Это означает, что в реальных экономических системах — например, на рынке аренды или покупки жилья — чрезмерная «избирательность» участников (будь то по этническому, социальному или экономическому признаку) может привести к хронической нестабильности, постоянной миграции, росту транзакционных издержек и снижению общей эффективности распределения жилищных ресурсов.

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-27T00:49:24Z

Григорий Глаголенко: /* Наблюдения и замечания */

{{#ask: [[Segregation (model)]]| ?Description }}
== Эксперимент: зависимость числа переездов от установленного порога толерантности ==
=== Запуск модели с базовыми настройками ===
Изначально агенты расселены хаотично, но с ростом числа переселений, наблюдается формирование нескольких больших районов.
Возникает вопрос - как с изменением уровня толерантности будет изменяться время, за которое будут сформированы районы из которых никто не захочет переезжать?
=== Гипотеза ===
H0: При снижении уровня толерантности (увеличении значения %-similar-wanted), количество переездов (время за которое система достигает стабильного состояния) будет увеличиваться. При этом я предполагаю, что зависимость будет линейной.

H1: Какая либо зависимость отсутствует.

=== Эксперимент ===
Для проведения эксперимента NetLogo был установлен локально. При помощи пространства поведения был подготовлен датасет.
При сборе данных были вставлены следующие значения:

Плотность расселения: ["density" 10 20 30 40 50 60 70 80 90]

Порог толерантности: ["%-similar-wanted" 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100]

В результате был получен следующий датасет:

[[Файл:GG11.png| 600ptx]]

https://docs.google.com/spreadsheets/d/18oJPWpLzbByccITcyoA_w0GFR61MI-2DlRfxcplIH7s/edit?usp=sharing

'''Цель эксперимента:''': установить тип зависимости (или ее отсутствие) времени достижения системой стабильного состояния от уровня толерантности.

На основе полученного датасета был сформирован график:

[[Файл:GGtvt.png|600px]]

Регрессионный анализ:

How does ([total steps]) depend on (%-similar-wanted) ?
LSRL: [total steps] = 10,73 (%-similar-wanted) - NaN
N = 800, ρ = 0,7664, r2 = 0,5874
Regression details
slope 10,73 95% CI = [10,1, 11,35]
intercept -292,5 95% CI = [-328,9, -256,2]

testing slope ≠ 0
t = 33,7, P < 0.0001
df = 798, α = 0,05, t* = 1,96,

=== Наблюдения и замечания ===
1. Значения равные 1000, не становятся больше из-за вручную выставленных ограничений модели. Если количество total steps равно 1000, можно считать что стабильное состояние для такой системы является недостижимым.

2. Для любой плотности расселения большей или равной 20, в промежутке similar-wanted = 70-80 наступает момент, когда стабильность становится недостижимой, либо мало вероятной.

3. Наблюдаемая зависимость больше походит на экспоненциальную, нежели на линейную.

=== Выводы ===
По итогам исследования, можно сделать следующие выводы: изначальные гипотезы были ошибочны - как и предполагалось в нулевой теории, зависимость присутствует, однако она не линейная, а экспоненциальная.

=== Значение для экономики ===
Мое заключение базируется в основном на втором наблюдении. При высоком уровне требований к гомогенности окружения (70–80% и выше), даже при умеренной плотности населения (≥20%), система теряет способность достигать устойчивого равновесия. Это означает, что в реальных экономических системах — например, на рынке аренды или покупки жилья — чрезмерная «избирательность» участников (будь то по этническому, социальному или экономическому признаку) может привести к хронической нестабильности, постоянной миграции, росту транзакционных издержек и снижению общей эффективности распределения жилищных ресурсов.

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-27T00:49:15Z

Григорий Глаголенко: /* Наблюдения и замечания */

{{#ask: [[Segregation (model)]]| ?Description }}
== Эксперимент: зависимость числа переездов от установленного порога толерантности ==
=== Запуск модели с базовыми настройками ===
Изначально агенты расселены хаотично, но с ростом числа переселений, наблюдается формирование нескольких больших районов.
Возникает вопрос - как с изменением уровня толерантности будет изменяться время, за которое будут сформированы районы из которых никто не захочет переезжать?
=== Гипотеза ===
H0: При снижении уровня толерантности (увеличении значения %-similar-wanted), количество переездов (время за которое система достигает стабильного состояния) будет увеличиваться. При этом я предполагаю, что зависимость будет линейной.

H1: Какая либо зависимость отсутствует.

=== Эксперимент ===
Для проведения эксперимента NetLogo был установлен локально. При помощи пространства поведения был подготовлен датасет.
При сборе данных были вставлены следующие значения:

Плотность расселения: ["density" 10 20 30 40 50 60 70 80 90]

Порог толерантности: ["%-similar-wanted" 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100]

В результате был получен следующий датасет:

[[Файл:GG11.png| 600ptx]]

https://docs.google.com/spreadsheets/d/18oJPWpLzbByccITcyoA_w0GFR61MI-2DlRfxcplIH7s/edit?usp=sharing

'''Цель эксперимента:''': установить тип зависимости (или ее отсутствие) времени достижения системой стабильного состояния от уровня толерантности.

На основе полученного датасета был сформирован график:

[[Файл:GGtvt.png|600px]]

Регрессионный анализ:

How does ([total steps]) depend on (%-similar-wanted) ?
LSRL: [total steps] = 10,73 (%-similar-wanted) - NaN
N = 800, ρ = 0,7664, r2 = 0,5874
Regression details
slope 10,73 95% CI = [10,1, 11,35]
intercept -292,5 95% CI = [-328,9, -256,2]

testing slope ≠ 0
t = 33,7, P < 0.0001
df = 798, α = 0,05, t* = 1,96,

=== Наблюдения и замечания ===
1. Значения равные 1000 не становятся больше из-за вручную выставленных ограничений модели. Если количество total steps равно 1000, можно считать что стабильное состояние для такой системы является недостижимым.

2. Для любой плотности расселения большей или равной 20, в промежутке similar-wanted = 70-80 наступает момент, когда стабильность становится недостижимой, либо мало вероятной.

3. Наблюдаемая зависимость больше походит на экспоненциальную, нежели на линейную.

=== Выводы ===
По итогам исследования, можно сделать следующие выводы: изначальные гипотезы были ошибочны - как и предполагалось в нулевой теории, зависимость присутствует, однако она не линейная, а экспоненциальная.

=== Значение для экономики ===
Мое заключение базируется в основном на втором наблюдении. При высоком уровне требований к гомогенности окружения (70–80% и выше), даже при умеренной плотности населения (≥20%), система теряет способность достигать устойчивого равновесия. Это означает, что в реальных экономических системах — например, на рынке аренды или покупки жилья — чрезмерная «избирательность» участников (будь то по этническому, социальному или экономическому признаку) может привести к хронической нестабильности, постоянной миграции, росту транзакционных издержек и снижению общей эффективности распределения жилищных ресурсов.

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-27T00:48:25Z

Григорий Глаголенко: /* Эксперимент */

{{#ask: [[Segregation (model)]]| ?Description }}
== Эксперимент: зависимость числа переездов от установленного порога толерантности ==
=== Запуск модели с базовыми настройками ===
Изначально агенты расселены хаотично, но с ростом числа переселений, наблюдается формирование нескольких больших районов.
Возникает вопрос - как с изменением уровня толерантности будет изменяться время, за которое будут сформированы районы из которых никто не захочет переезжать?
=== Гипотеза ===
H0: При снижении уровня толерантности (увеличении значения %-similar-wanted), количество переездов (время за которое система достигает стабильного состояния) будет увеличиваться. При этом я предполагаю, что зависимость будет линейной.

H1: Какая либо зависимость отсутствует.

=== Эксперимент ===
Для проведения эксперимента NetLogo был установлен локально. При помощи пространства поведения был подготовлен датасет.
При сборе данных были вставлены следующие значения:

Плотность расселения: ["density" 10 20 30 40 50 60 70 80 90]

Порог толерантности: ["%-similar-wanted" 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100]

В результате был получен следующий датасет:

[[Файл:GG11.png| 600ptx]]

https://docs.google.com/spreadsheets/d/18oJPWpLzbByccITcyoA_w0GFR61MI-2DlRfxcplIH7s/edit?usp=sharing

'''Цель эксперимента:''': установить тип зависимости (или ее отсутствие) времени достижения системой стабильного состояния от уровня толерантности.

На основе полученного датасета был сформирован график:

[[Файл:GGtvt.png|600px]]

Регрессионный анализ:

How does ([total steps]) depend on (%-similar-wanted) ?
LSRL: [total steps] = 10,73 (%-similar-wanted) - NaN
N = 800, ρ = 0,7664, r2 = 0,5874
Regression details
slope 10,73 95% CI = [10,1, 11,35]
intercept -292,5 95% CI = [-328,9, -256,2]

testing slope ≠ 0
t = 33,7, P < 0.0001
df = 798, α = 0,05, t* = 1,96,

=== Наблюдения и замечания ===
1. Значения на уровне 1000 не превышают из-за вручную выставленных ограничений модели. Если количество total steps равно 1000, можно считать что стабильное состояние для такой системы является недостижимым.

2. Для любой плотности расселения большей или равной 20, в промежутке similar-wanted = 70-80 наступает момент, когда стабильность становится недостижимой, либо мало вероятной.

3. Наблюдаемая зависимость больше походит на экспоненциальную, нежели на линейную.

=== Выводы ===
По итогам исследования, можно сделать следующие выводы: изначальные гипотезы были ошибочны - как и предполагалось в нулевой теории, зависимость присутствует, однако она не линейная, а экспоненциальная.

=== Значение для экономики ===
Мое заключение базируется в основном на втором наблюдении. При высоком уровне требований к гомогенности окружения (70–80% и выше), даже при умеренной плотности населения (≥20%), система теряет способность достигать устойчивого равновесия. Это означает, что в реальных экономических системах — например, на рынке аренды или покупки жилья — чрезмерная «избирательность» участников (будь то по этническому, социальному или экономическому признаку) может привести к хронической нестабильности, постоянной миграции, росту транзакционных издержек и снижению общей эффективности распределения жилищных ресурсов.

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-27T00:47:22Z

Григорий Глаголенко: /* Гипотеза */

{{#ask: [[Segregation (model)]]| ?Description }}
== Эксперимент: зависимость числа переездов от установленного порога толерантности ==
=== Запуск модели с базовыми настройками ===
Изначально агенты расселены хаотично, но с ростом числа переселений, наблюдается формирование нескольких больших районов.
Возникает вопрос - как с изменением уровня толерантности будет изменяться время, за которое будут сформированы районы из которых никто не захочет переезжать?
=== Гипотеза ===
H0: При снижении уровня толерантности (увеличении значения %-similar-wanted), количество переездов (время за которое система достигает стабильного состояния) будет увеличиваться. При этом я предполагаю, что зависимость будет линейной.

H1: Какая либо зависимость отсутствует.

=== Эксперимент ===
Для проведения эксперимента NetLogo был установлен локально. При помощи пространства поведения был подготовлен датасет.
При сборе данных были вставлены следующие значения:

Плотность расселения: ["density" 10 20 30 40 50 60 70 80 90]

Порог толерантности: ["%-similar-wanted" 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100]

В результате был получен следующий датасет:

[[Файл:GG11.png| 600ptx]]

https://docs.google.com/spreadsheets/d/18oJPWpLzbByccITcyoA_w0GFR61MI-2DlRfxcplIH7s/edit?usp=sharing

'''Цель эксперимента:''': установить тип зависимости (или ее отсутствие) времени достижения системой стабильного состояния от уровня толерантности.

На основе полученного датасета был сформирован график:
[[Файл:GGtvt.png|600px]]

Регрессионный анализ:

How does ([total steps]) depend on (%-similar-wanted) ?
LSRL: [total steps] = 10,73 (%-similar-wanted) - NaN
N = 800, ρ = 0,7664, r2 = 0,5874
Regression details
slope 10,73 95% CI = [10,1, 11,35]
intercept -292,5 95% CI = [-328,9, -256,2]

testing slope ≠ 0
t = 33,7, P < 0.0001
df = 798, α = 0,05, t* = 1,96,

=== Наблюдения и замечания ===
1. Значения на уровне 1000 не превышают из-за вручную выставленных ограничений модели. Если количество total steps равно 1000, можно считать что стабильное состояние для такой системы является недостижимым.

2. Для любой плотности расселения большей или равной 20, в промежутке similar-wanted = 70-80 наступает момент, когда стабильность становится недостижимой, либо мало вероятной.

3. Наблюдаемая зависимость больше походит на экспоненциальную, нежели на линейную.

=== Выводы ===
По итогам исследования, можно сделать следующие выводы: изначальные гипотезы были ошибочны - как и предполагалось в нулевой теории, зависимость присутствует, однако она не линейная, а экспоненциальная.

=== Значение для экономики ===
Мое заключение базируется в основном на втором наблюдении. При высоком уровне требований к гомогенности окружения (70–80% и выше), даже при умеренной плотности населения (≥20%), система теряет способность достигать устойчивого равновесия. Это означает, что в реальных экономических системах — например, на рынке аренды или покупки жилья — чрезмерная «избирательность» участников (будь то по этническому, социальному или экономическому признаку) может привести к хронической нестабильности, постоянной миграции, росту транзакционных издержек и снижению общей эффективности распределения жилищных ресурсов.

Участник:Григорий Глаголенко

2025-12-26T16:14:48Z

Григорий Глаголенко:

{{UserMGPU
|Field_of_knowledge=Экономика
|similar_concepts=Аналитика, Экономика
|Environment=Python, Qwen
|Position=Бакалавриат
|PedDirection=Нет
|Community=Совет Студентов и Аспирантов
|Виды_спорта=Настольный теннис
|Working_On=Как провести регрессионный анализ, Glagolenko/SimpleEconomy, Практическое задание по анализу временных рядов, Wolf-Sheep Predation, Wealth Distribution, Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T16:12:33Z

Григорий Глаголенко: /* Значение для экономики */

{{#ask: [[Segregation (model)]]| ?Description }}
== Эксперимент: зависимость числа переездов от установленного порога толерантности ==
=== Запуск модели с базовыми настройками ===
Изначально агенты расселены хаотично, но с ростом числа переселений, наблюдается формирование нескольких больших районов.
Возникает вопрос - как с изменением уровня толерантности будет изменяться время, за которое будут сформированы районы из которых никто не захочет переезжать?
=== Гипотеза ===
H0: При снижении уровня толерантности (увеличении значения %-similar-wanted), количество переездов (время за которое система достигает стабильного состояния) будет увеличиваться. При этом я предполагаю, что зависимость будет линейной.
H1: Какая либо зависимость отсутствует.
=== Эксперимент ===
Для проведения эксперимента NetLogo был установлен локально. При помощи пространства поведения был подготовлен датасет.
При сборе данных были вставлены следующие значения:

Плотность расселения: ["density" 10 20 30 40 50 60 70 80 90]

Порог толерантности: ["%-similar-wanted" 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100]

В результате был получен следующий датасет:

[[Файл:GG11.png| 600ptx]]

https://docs.google.com/spreadsheets/d/18oJPWpLzbByccITcyoA_w0GFR61MI-2DlRfxcplIH7s/edit?usp=sharing

'''Цель эксперимента:''': установить тип зависимости (или ее отсутствие) времени достижения системой стабильного состояния от уровня толерантности.

На основе полученного датасета был сформирован график:
[[Файл:GGtvt.png|600px]]

Регрессионный анализ:

How does ([total steps]) depend on (%-similar-wanted) ?
LSRL: [total steps] = 10,73 (%-similar-wanted) - NaN
N = 800, ρ = 0,7664, r2 = 0,5874
Regression details
slope 10,73 95% CI = [10,1, 11,35]
intercept -292,5 95% CI = [-328,9, -256,2]

testing slope ≠ 0
t = 33,7, P < 0.0001
df = 798, α = 0,05, t* = 1,96,

=== Наблюдения и замечания ===
1. Значения на уровне 1000 не превышают из-за вручную выставленных ограничений модели. Если количество total steps равно 1000, можно считать что стабильное состояние для такой системы является недостижимым.

2. Для любой плотности расселения большей или равной 20, в промежутке similar-wanted = 70-80 наступает момент, когда стабильность становится недостижимой, либо мало вероятной.

3. Наблюдаемая зависимость больше походит на экспоненциальную, нежели на линейную.

=== Выводы ===
По итогам исследования, можно сделать следующие выводы: изначальные гипотезы были ошибочны - как и предполагалось в нулевой теории, зависимость присутствует, однако она не линейная, а экспоненциальная.

=== Значение для экономики ===
Мое заключение базируется в основном на втором наблюдении. При высоком уровне требований к гомогенности окружения (70–80% и выше), даже при умеренной плотности населения (≥20%), система теряет способность достигать устойчивого равновесия. Это означает, что в реальных экономических системах — например, на рынке аренды или покупки жилья — чрезмерная «избирательность» участников (будь то по этническому, социальному или экономическому признаку) может привести к хронической нестабильности, постоянной миграции, росту транзакционных издержек и снижению общей эффективности распределения жилищных ресурсов.

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T16:08:48Z

Григорий Глаголенко:

{{#ask: [[Segregation (model)]]| ?Description }}
== Эксперимент: зависимость числа переездов от установленного порога толерантности ==
=== Запуск модели с базовыми настройками ===
Изначально агенты расселены хаотично, но с ростом числа переселений, наблюдается формирование нескольких больших районов.
Возникает вопрос - как с изменением уровня толерантности будет изменяться время, за которое будут сформированы районы из которых никто не захочет переезжать?
=== Гипотеза ===
H0: При снижении уровня толерантности (увеличении значения %-similar-wanted), количество переездов (время за которое система достигает стабильного состояния) будет увеличиваться. При этом я предполагаю, что зависимость будет линейной.
H1: Какая либо зависимость отсутствует.
=== Эксперимент ===
Для проведения эксперимента NetLogo был установлен локально. При помощи пространства поведения был подготовлен датасет.
При сборе данных были вставлены следующие значения:

Плотность расселения: ["density" 10 20 30 40 50 60 70 80 90]

Порог толерантности: ["%-similar-wanted" 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100]

В результате был получен следующий датасет:

[[Файл:GG11.png| 600ptx]]

https://docs.google.com/spreadsheets/d/18oJPWpLzbByccITcyoA_w0GFR61MI-2DlRfxcplIH7s/edit?usp=sharing

'''Цель эксперимента:''': установить тип зависимости (или ее отсутствие) времени достижения системой стабильного состояния от уровня толерантности.

На основе полученного датасета был сформирован график:
[[Файл:GGtvt.png|600px]]

Регрессионный анализ:

How does ([total steps]) depend on (%-similar-wanted) ?
LSRL: [total steps] = 10,73 (%-similar-wanted) - NaN
N = 800, ρ = 0,7664, r2 = 0,5874
Regression details
slope 10,73 95% CI = [10,1, 11,35]
intercept -292,5 95% CI = [-328,9, -256,2]

testing slope ≠ 0
t = 33,7, P < 0.0001
df = 798, α = 0,05, t* = 1,96,

=== Наблюдения и замечания ===
1. Значения на уровне 1000 не превышают из-за вручную выставленных ограничений модели. Если количество total steps равно 1000, можно считать что стабильное состояние для такой системы является недостижимым.

2. Для любой плотности расселения большей или равной 20, в промежутке similar-wanted = 70-80 наступает момент, когда стабильность становится недостижимой, либо мало вероятной.

3. Наблюдаемая зависимость больше походит на экспоненциальную, нежели на линейную.

=== Выводы ===
По итогам исследования, можно сделать следующие выводы: изначальные гипотезы были ошибочны - как и предполагалось в нулевой теории, зависимость присутствует, однако она не линейная, а экспоненциальная.

=== Значение для экономики ===
Мое заключение базируется в основном на 2 наблюдении. При высоком уровне требований к гомогенности окружения (70–80% и выше), даже при умеренной плотности населения (≥20%), система теряет способность достигать устойчивого равновесия. Это означает, что в реальных экономических системах — например, на рынке аренды или покупки жилья — чрезмерная «избирательность» участников (будь то по этническому, социальному или экономическому признаку) может привести к хронической нестабильности, постоянной миграции, росту транзакционных издержек и снижению общей эффективности распределения жилищных ресурсов.

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T16:04:12Z

Григорий Глаголенко: /* Выводы */

{{#ask: [[Segregation (model)]]| ?Description }}
== Эксперимент: зависимость числа переездов от установленного порога толерантности ==
=== Запуск модели с базовыми настройками ===
Изначально агенты расселены хаотично, но с ростом числа переселений, наблюдается формирование нескольких больших районов.
Возникает вопрос - как с изменением уровня толерантности будет изменяться время, за которое будут сформированы районы из которых никто не захочет переезжать?
=== Гипотеза ===
H0: При снижении уровня толерантности (увеличении значения %-similar-wanted), количество переездов (время за которое система достигает стабильного состояния) будет увеличиваться. При этом я предполагаю, что зависимость будет линейной.
H1: Какая либо зависимость отсутствует.
=== Эксперимент ===
Для проведения эксперимента NetLogo был установлен локально. При помощи пространства поведения был подготовлен датасет.
При сборе данных были вставлены следующие значения:

Плотность расселения: ["density" 10 20 30 40 50 60 70 80 90]

Порог толерантности: ["%-similar-wanted" 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100]

В результате был получен следующий датасет:

[[Файл:GG11.png| 600ptx]]

https://docs.google.com/spreadsheets/d/18oJPWpLzbByccITcyoA_w0GFR61MI-2DlRfxcplIH7s/edit?usp=sharing

'''Цель эксперимента:''': установить тип зависимости (или ее отсутствие) времени достижения системой стабильного состояния от уровня толерантности.

На основе полученного датасета был сформирован график:
[[Файл:GGtvt.png|600px]]

Регрессионный анализ:

How does ([total steps]) depend on (%-similar-wanted) ?
LSRL: [total steps] = 10,73 (%-similar-wanted) - NaN
N = 800, ρ = 0,7664, r2 = 0,5874
Regression details
slope 10,73 95% CI = [10,1, 11,35]
intercept -292,5 95% CI = [-328,9, -256,2]

testing slope ≠ 0
t = 33,7, P < 0.0001
df = 798, α = 0,05, t* = 1,96,

=== Наблюдения и замечания ===
1. Значения на уровне 1000 не превышают из-за вручную выставленных ограничений модели. Если количество total steps равно 1000, можно считать что стабильное состояние для такой системы является недостижимым.

2. Для любой плотности расселения большей или равной 20, в промежутке similar-wanted = 70-80 наступает момент, когда стабильность становится недостижимой, либо мало вероятной.

3. Наблюдаемая зависимость больше походит на экспоненциальную, нежели на линейную.

=== Выводы ===
По итогам исследования, можно сделать следующие выводы: изначальные гипотезы были ошибочны - как и предполагалось в нулевой теории, зависимость присутствует, однако она не линейная, а экспоненциальная.

=== Значение для экономики ===

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T15:58:12Z

Григорий Глаголенко: /* Наблюдения и замечания */

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T15:56:16Z

Григорий Глаголенко: /* Эксперимент */

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T15:55:38Z

Григорий Глаголенко:

Файл:GGtvt.png

2025-12-26T15:17:27Z

Григорий Глаголенко:

График зависимости

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T15:15:19Z

Григорий Глаголенко:

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T15:12:46Z

Григорий Глаголенко:

Файл:GG11.png

2025-12-26T15:11:12Z

Григорий Глаголенко:

скриншот набора данных

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T15:00:59Z

Григорий Глаголенко:

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T14:38:41Z

Григорий Глаголенко:

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T14:32:41Z

Григорий Глаголенко: /* Эксперимент: зависимость числа переездов от установленного порога толерантности */

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T14:29:08Z

Григорий Глаголенко:

{{#ask: [[Segregation (model)]]| ?Description }}
== Эксперимент: зависимость числа переездов от установленного порога толерантности ==
=== Гипотеза ===
При снижении уровня толерантности (увеличении значения %-similar-wanted), количество переездов (время за которое система достигает стабильного состояния) будет увеличиваться. При этом я предполагаю, что зависимость будет линейной.

Исследование зависимости числа переездов агентов от установленного порога толерантности на базе модели Segregation

2025-12-26T14:04:59Z

Григорий Глаголенко: Новая страница: «{{#ask: Segregation (model)| ?Description }}»

Обсуждение:Wealth Distribution

2025-12-23T19:17:47Z

Григорий Глаголенко: /* Multi-set bar chart */

== Экспериментальные датасеты NetLogo ==

=== [[Эксперимент]] 29 ноября 2025 ===
Мы получили набор данных из модели [[Wealth Distribution]] - BehaviorSpace со следующими условиями:
["num-grain-grown" 4]
["percent-best-land" 5 10 15 20]
["metabolism-max" 10 15 20]
["max-vision" 4 5 6 7 8 9 10]
["num-people" 400]
["grain-growth-interval" 2]
["life-expectancy-min" 30]
["life-expectancy-max" 70]

В эксперименте собирались следующие метрики:
ticks
count turtles
count turtles with [color = red]
count turtles with [color = green]
count turtles with [color = blue]
gini-index-reserve / num-people
gini-index-reserve

; Результаты
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/Wealth%20Distribution%20experiment_29-table.csv

''' График изменения неравенства во времени (gini-index-reserve по ticks)'''

[[Участник:Malena Buzdugan|Malena Buzdugan]] 11:04, 13 декабря 2025 (MSK)
[[Файл:Viz (2).png|600px|центр]]
Показывает, как неравенство растёт или стабилизируется во времени. В типичных моделях типа Sugarscape коэффициент Джини быстро растёт в начале (разрыв между «богатыми» и «бедными»), затем стабилизируется.

'''Сравнение неравенства по max-vision'''

[[Участник:Malena Buzdugan|Malena Buzdugan]] 11:04, 13 декабря 2025 (MSK)
[[Файл:Viz (3).png|600px|центр]]
Чем выше max-vision (способность видеть ресурсы), тем ниже коэффициент Джини — то есть, неравенство уменьшается. Это говорит о том, что доступ к информации (в данном случае — возможность видеть ресурсы) способствует более равному распределению богатства.

===График: Динамика численности красных агентов===
--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 23:07, 21 декабря 2025 (MSK)
[[Файл:ГрафикWealth.jpg|600px|мини]]

''Что показывает'': это Streamgraph (потоковый график), который показывает, как меняется количество агентов, окрашенных в красный цвет, в течение симуляции. Цвета слоев (красный, розовый, белый) соответствуют разным значениям параметра max-vision (4, 5, 6). Цифры внутри областей — это значения max-vision.

''О чём говорит:''
Общая тенденция: количество красных агентов в целом растет в начале симуляции, а затем стабилизируется или даже немного снижается. Это говорит о том, что красный цвет, обозначающий агентов с определенным статусом (например, "богатые" или "активные"), вначале доминирует, но потом доля красных агентов перестает расти.

''Сравнение по max-vision:''
max-vision = 6 (темно-красный): эта группа имеет самую большую площадь под кривой. Это значит, что при более широком "поле зрения" (max-vision=6) агенты чаще становятся "красными". Возможно, они лучше находят ресурсы или взаимодействуют с другими агентами.
max-vision = 5 (розовый): промежуточное положение.
max-vision = 4 (белый/светло-серый): наименьшая площадь. Агенты с ограниченным полем зрения реже становятся "красными".

Резкое падение индекса Джини около шага 160 совпадает с резким падением численности всех групп красных агентов. Это подтверждает гипотезу: именно "красные" агенты были главными "богачами", и их массовая гибель привела к падению неравенства.

'''Вывод'''

Параметр max-vision напрямую влияет на то, насколько успешно агенты могут достичь "красного" статуса. Чем дальше видят агенты, тем больше их становится в этой группе. Резкое падение численности красных агентов коррелирует с обвалом неравенства, что говорит о том, что именно эта группа была источником неравенства.

'''График: Распределение значений max-vision'''

[[Файл:ГрафикПчелы.png|600px|мини]]

''Что показывает:'' это Beeswarm plot (пчелиный рой), где по горизонтальной оси отложены значения параметра max-vision (4, 5, 6), а по вертикальной — значения gini-index-reserve / num-people. Каждая точка — это одно наблюдение (один шаг симуляции).

''О чём говорит:''
Точки четко разделены на три кластера по значению max-vision. Это хорошо визуализирует, что данные сгруппированы по этому параметру.
В каждом кластере точки плотно сгруппированы, что говорит о том, что в пределах одного значения max-vision показатель (например, Джини) имеет схожее распределение. Видно, что кластер max-vision = 6 (красный) смещен вправо, а max-vision = 4 (голубой) — влево. Если по вертикали отложен индекс Джини, это означает, что при max-vision = 6 неравенство выше, чем при max-vision = 4.

'''Вывод:'''

Этот график наглядно демонстрирует, что параметр max-vision является ключевым фактором, определяющим поведение модели. Разные значения этого параметра приводят к принципиально разным результатам (разному уровню неравенства или доле красных агентов). Он позволяет сравнить "центры тяжести" распределений для разных экспериментов.

=== [[Эксперимент]] 07 декабря 2025 (480 runs) ===

{{#ask: [[NetLogo Wealth Distribution 07122025]] | ?Description | ?KeyDescripions }}

Мы получили набор данных из модели [[Wealth Distribution]] - BehaviorSpace со следующими условиями:
["num-grain-grown" 5]
["percent-best-land" 5 10 15 20]
["metabolism-max" 10 15]
["max-vision" 4 6 8 10 12 14]
["num-people" 300]
["grain-growth-interval" 1 2 3 4 5 6 7 8 9 10]
["life-expectancy-min" 30]
["life-expectancy-max" 80]

В эксперименте собирались следующие метрики:
ticks
count turtles
gini-index-reserve / num-people

При этом данные собирались только в конце прогона - 500 ticks

Мы хотели исследовать влияние способностей людей '''max-vision''' на неравномерность распределения богатства - [[коэффициент Джини]] '''gini-index-reserve / num-people'''

; Результаты
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/Wealth%20Distribution%20experiment_07_12table.csv
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/data_model_07_12.csv

== Процесс обработки в R ==

<syntaxhighlight lang="R" line>

url <- "https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/data_model_07_12.csv"

data_clean <- read.csv(url)

boxplot(gini ~ max.vision, data = data_clean,
main = "Влияние дальности видения на коэффициент Джини",
xlab = "Дальность видения (max.vision)",
ylab = "Коэффициент Джини",
col = "lightblue")

</syntaxhighlight>

* [[boxplot]]
[[Файл:Boxplot r.png|450px]]

<syntaxhighlight lang="R" line>
# Формула: зависимая_переменная ~ независимая_переменная
model_vision <- lm(gini ~ max.vision, data = data_clean)
summary(model_vision)

</syntaxhighlight>

Call:
lm(formula = gini ~ max.vision, data = data_clean)

bResiduals:
Min 1Q Median 3Q Max
-0.052899 -0.012218 0.002057 0.011398 0.047757

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.2348489 0.0022385 104.915 < 2e-16 ***
max.vision -0.0009564 0.0002325 -4.113 4.6e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.0174 on 478 degrees of freedom
Multiple R-squared: 0.03418, Adjusted R-squared: 0.03216
F-statistic: 16.92 on 1 and 478 DF, p-value: 4.601e-05

==Визуализация эксперимента==

--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 00:05, 22 декабря 2025 (MSK)

=== Boxplot ===
{{#ask: [[Boxplot]] | ?Description }}

[[Файл:Боксплот.png|600px]]

''Сравнение медиан:'' медианы (горизонтальные линии) для разных групп довольно близки друг к другу, что говорит о том, что средний уровень неравенства примерно одинаков при разных значениях параметра.

''Разброс данных:'' заметно, что высота ящиков (IQR) и длина усов различаются. Это означает, что разброс (дисперсия) значений индекса Джини меняется в зависимости от параметра. Например, группа с параметром 4 имеет более широкий IQR, чем группа с параметром 6, что указывает на большую вариативность результатов в первой группе.

''Наличие выбросов:'' в каждой группе есть множество выбросов (точки). Это может указывать на то, что модель иногда выдает экстремально высокие или низкие значения неравенства, независимо от параметра.

=== Multi-set bar chart ===

[[Файл:Multi-set bar chart2.png|600px]]
<br clear=all />

''Доминирование "бедных" (red):'' в подавляющем большинстве экспериментов (более 80% от общего числа count turtles) агенты находятся в состоянии red. Это означает, что модель стабильно приводит к ситуации, где большинство ресурсов сосредоточено в руках небольшой группы "богатых" агентов.

''Малочисленность "богатых" (blue):'' количество агентов с цветом red крайне мало (обычно менее 5-7% от общего числа). Это указывает на то, что крайняя нищета или полное обнищание (исчезновение) затрагивает большую часть популяции.

''Среднее состояние (green) — промежуточное:'' группа green занимает промежуточное положение по численности (около 10-15%). Это говорит о том, что есть определенная прослойка "среднего класса", но она значительно меньше, чем "богатые".

''Устойчивость к параметрам:'' как видно из графика Multi-set bar chart, соотношение между цветами практически не меняется при изменении ключевого параметра max-vision. Это свидетельствует о том, что наблюдаемое неравенство является фундаментальной чертой модели, а не следствием конкретного значения этого параметра. Модель стабильно воспроизводит эту структуру распределения независимо от того, насколько далеко могут видеть агенты.

==Визуализация эксперимента==

--[[Участник:Хлебова Екатерина|Хлебова Екатерина]] ([[Обсуждение участника:Хлебова Екатерина|обсуждение]])

=== Parallel coordinates ===

[[Файл:PC.png|мини]]

Данный параллельный координатный график отображает многомерный анализ модели распределения богатства. Каждая линия на графике представляет одну симуляцию (одну комбинацию параметров), а вертикальные оси соответствуют пяти параметрам модели: процент лучших земель (percent.best.land), максимальный метаболизм (metabolism.max), радиус видимости агентов (max.vision), интервал восстановления зерна (grain.growth.interval) и итоговый коэффициент Джини (gini). Все линии имеют серый цвет, что позволяет оценить общие тенденции и кластеры без цветового кодирования.

График позволяет выявить комплексные взаимосвязи между параметрами модели. Наиболее выраженные паттерны наблюдаются на оси max.vision — заметно, что линии, соответствующие высоким значениям коэффициента Джини (верхняя часть последней оси), чаще проходят через высокие значения радиуса видимости (10-14). Также наблюдается кластеризация на оси grain.growth.interval: многие линии сходятся в районе средних значений (4-7), что соответствует наиболее частым сценариям модели.

'''Анализ паттернов:'''

# '''Высокое неравенство''' (значения gini > 0.25): ассоциируется с комбинациями, где max.vision ≥ 10 и grain.growth.interval между 4 и 7.
# '''Низкое неравенство''' (значения gini < 0.20): чаще встречается при низком max.vision (4-6) в сочетании с экстремальными значениями grain.growth.interval (1-2 или 9-10).
# '''Роль других параметров:''' percent.best.land и metabolism.max показывают более равномерное распределение линий, что указывает на их меньшую детерминирующую роль по сравнению с max.vision.

'''Особенности распределения на оси grain.growth.interval:''' на этой оси наблюдается наибольшая концентрация линий в диапазоне 4-7. Такое сгущение объясняется тем, что средние значения интервала восстановления ресурсов (4-7 тактов) создают оптимальные условия для формирования неравенства. При очень быстром восстановлении (1-2) ресурсы доступны всем агентам равномерно, что снижает преимущество более "зрячих" агентов. При очень медленном восстановлении (9-10) ресурсов становится настолько мало, что даже агенты с высоким зрением не могут накопить существенное преимущество. Именно средние значения позволяют агентам с высоким max.vision эффективно монополизировать ресурсы и создать устойчивое неравенство.

'''Плотность линий как индикатор вероятности:''' высокая плотность линий в определённых диапазонах grain.growth.interval указывает на то, что эти значения параметра наиболее часто приводят к реалистичным сценариям в модели. Экстремальные значения (1-2 и 9-10) имеют значительно меньше линий, что соответствует менее вероятным или менее устойчивым конфигурациям системы.

Подтверждается базовый принцип модели — агенты с большей "видимостью" получают систематическое преимущество. Интересный инсайт: максимальное неравенство возникает не при самой быстрой доступности ресурсов (grain.growth.interval = 1), а при средней скорости восстановления, создавая условия для устойчивого накопления преимущества.

'''Вывод:''' экономическое неравенство в модели Wealth Distribution формируется под комплексным влиянием параметров, где ключевую роль играет доступ к информации (max.vision), а динамика ресурсов (grain.growth.interval) выступает как модулирующий фактор. Серый цвет всех линий подчеркивает плотность распределения комбинаций параметров и позволяет увидеть, какие траектории чаще всего приводят к разным уровням неравенства.

{| class="wikitable"
|+ Параметры для Parallel coordinates
! Параметр !! Диапазон значений !! Описание
|-
| percent.best.land || 5-20 || Процент лучших земель (ресурсов) в экономике
|-
| metabolism.max || 10-15 || Максимальный метаболизм агентов (потребление зерна за такт)
|-
| max.vision || 4-14 || Радиус видимости агентов для поиска ресурсов
|-
| grain.growth.interval || 1-10 || Интервал восстановления зерна на участках
|-
| gini || 0.18-0.27 || Коэффициент Джини (уровень экономического неравенства)
|}

=== Bumpchart ===

[[Файл:BC.png|мини]]

Bumpchart демонстрирует изменение ранга влиятельности разных уровней зрения агентов (max.vision) на экономическое неравенство в зависимости от интервала восстановления ресурсов (grain.growth.interval). По горизонтальной оси отложены значения grain.growth.interval (1-10), по вертикальной — ранги от 1 (самое сильное влияние) до 6 (самое слабое влияние). Каждая цветная линия представляет один уровень max.vision (4, 6, 8, 10, 12, 14).

График показывает, как "важность" разных типов агентов меняется при изменении скорости экономического обновления.

'''Ключевые паттерны:'''

# Стабильное доминирование высокого зрения: Линия max.vision=14 (тёмная) почти всегда занимает высшие ранги (1-2 позиции), что означает, что агенты с максимальным зрением оказывают наибольшее влияние на неравенство практически при всех скоростях восстановления ресурсов.
# Динамика средних значений зрения: Линии max.vision=10 и 12 демонстрируют интересную динамику:
## При очень быстром восстановлении (interval 1-2) они занимают средние позиции
## При interval 3-7 поднимаются в топ-3
## При interval 8-10 снова опускаются
# Низкое зрение — стабильно слабое влияние: Линии max.vision=4 и 6 почти всегда находятся в нижней части графика (ранги 5-6), подтверждая, что агенты с ограниченным зрением мало влияют на формирование неравенства.
# Критический перелом при interval=3: На графике виден резкий "перелом" большинства линий при grain.growth.interval=3. Это указывает на пороговое значение, после которого влияние зрения на неравенство качественно меняется.
# Сходимость при экстремальных значениях: При interval=1 (очень быстрый рост) и interval=10 (очень медленный рост) линии сближаются, что означает выравнивание влияния разных типов агентов в экстремальных экономических условиях.

'''Интерпретация ранжирования:''' Чем выше расположена линия на графике, тем сильнее агенты с данным уровнем зрения влияют на итоговое неравенство. Например, при interval=5:

- 1 место: vision=14 (самое сильное влияние)

- 2 место: vision=12

- 3 место: vision=8

- 4 место: vision=10

- 5 место: vision=6

- 6 место: vision=4 (самое слабое влияние)

'''Сравнение с предыдущими анализами:''' Bumpchart подтверждает выводы из Parallel coordinates и Beeswarm plot о ключевой роли max.vision, но добавляет важный нюанс — показывает не абсолютное значение влияния, а относительное ранжирование. График демонстрирует, что даже при изменении экономических условий (grain.growth.interval) иерархия влияния по зрению в целом сохраняется.

'''Вывод:''' Bumpchart наглядно показывает, что параметр max.vision является системообразующим фактором неравенства в модели. Агенты с высоким зрением (10-14) стабильно доминируют в формировании неравенства при большинстве экономических условий, в то время как влияние агентов с низким зрением минимально. Однако график также выявляет нелинейность: при экстремальных значениях grain.growth.interval (1 и 10) различия в влиянии сглаживаются, что соответствует экономической интуиции — в условиях кризиса или сверхбыстрого роста индивидуальные преимущества становятся менее значимыми.

{| class="wikitable"
|+ Параметры Bumpchart
! Ось/Элемент !! Параметр !! Объяснение
|-
| X-Axis || grain.growth.interval || Интервал восстановления ресурсов (1-10 тактов)
|-
| Y-Axis || Ранг влияния || Позиция от 1 (самое сильное влияние) до 6 (самое слабое)
|-
| Lines || max.vision || Уровень зрения агентов: 4, 6, 8, 10, 12, 14
|-
| Цвет линий || max.vision || Разные оттенки синего для разных уровней зрения
|}

'''Методология ранжирования:''' Для каждого значения grain.growth.interval рассчитывается средний коэффициент Джини для каждого уровня max.vision, затем эти средние значения ранжируются от наибольшего к наименьшему. Высокий ранг = высокое среднее gini = сильное влияние на неравенство.

Обсуждение:Wealth Distribution

2025-12-23T19:17:33Z

Григорий Глаголенко: /* Boxplot */

== Экспериментальные датасеты NetLogo ==

=== [[Эксперимент]] 29 ноября 2025 ===
Мы получили набор данных из модели [[Wealth Distribution]] - BehaviorSpace со следующими условиями:
["num-grain-grown" 4]
["percent-best-land" 5 10 15 20]
["metabolism-max" 10 15 20]
["max-vision" 4 5 6 7 8 9 10]
["num-people" 400]
["grain-growth-interval" 2]
["life-expectancy-min" 30]
["life-expectancy-max" 70]

В эксперименте собирались следующие метрики:
ticks
count turtles
count turtles with [color = red]
count turtles with [color = green]
count turtles with [color = blue]
gini-index-reserve / num-people
gini-index-reserve

; Результаты
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/Wealth%20Distribution%20experiment_29-table.csv

''' График изменения неравенства во времени (gini-index-reserve по ticks)'''

[[Участник:Malena Buzdugan|Malena Buzdugan]] 11:04, 13 декабря 2025 (MSK)
[[Файл:Viz (2).png|600px|центр]]
Показывает, как неравенство растёт или стабилизируется во времени. В типичных моделях типа Sugarscape коэффициент Джини быстро растёт в начале (разрыв между «богатыми» и «бедными»), затем стабилизируется.

'''Сравнение неравенства по max-vision'''

[[Участник:Malena Buzdugan|Malena Buzdugan]] 11:04, 13 декабря 2025 (MSK)
[[Файл:Viz (3).png|600px|центр]]
Чем выше max-vision (способность видеть ресурсы), тем ниже коэффициент Джини — то есть, неравенство уменьшается. Это говорит о том, что доступ к информации (в данном случае — возможность видеть ресурсы) способствует более равному распределению богатства.

===График: Динамика численности красных агентов===
--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 23:07, 21 декабря 2025 (MSK)
[[Файл:ГрафикWealth.jpg|600px|мини]]

''Что показывает'': это Streamgraph (потоковый график), который показывает, как меняется количество агентов, окрашенных в красный цвет, в течение симуляции. Цвета слоев (красный, розовый, белый) соответствуют разным значениям параметра max-vision (4, 5, 6). Цифры внутри областей — это значения max-vision.

''О чём говорит:''
Общая тенденция: количество красных агентов в целом растет в начале симуляции, а затем стабилизируется или даже немного снижается. Это говорит о том, что красный цвет, обозначающий агентов с определенным статусом (например, "богатые" или "активные"), вначале доминирует, но потом доля красных агентов перестает расти.

''Сравнение по max-vision:''
max-vision = 6 (темно-красный): эта группа имеет самую большую площадь под кривой. Это значит, что при более широком "поле зрения" (max-vision=6) агенты чаще становятся "красными". Возможно, они лучше находят ресурсы или взаимодействуют с другими агентами.
max-vision = 5 (розовый): промежуточное положение.
max-vision = 4 (белый/светло-серый): наименьшая площадь. Агенты с ограниченным полем зрения реже становятся "красными".

Резкое падение индекса Джини около шага 160 совпадает с резким падением численности всех групп красных агентов. Это подтверждает гипотезу: именно "красные" агенты были главными "богачами", и их массовая гибель привела к падению неравенства.

'''Вывод'''

Параметр max-vision напрямую влияет на то, насколько успешно агенты могут достичь "красного" статуса. Чем дальше видят агенты, тем больше их становится в этой группе. Резкое падение численности красных агентов коррелирует с обвалом неравенства, что говорит о том, что именно эта группа была источником неравенства.

'''График: Распределение значений max-vision'''

[[Файл:ГрафикПчелы.png|600px|мини]]

''Что показывает:'' это Beeswarm plot (пчелиный рой), где по горизонтальной оси отложены значения параметра max-vision (4, 5, 6), а по вертикальной — значения gini-index-reserve / num-people. Каждая точка — это одно наблюдение (один шаг симуляции).

''О чём говорит:''
Точки четко разделены на три кластера по значению max-vision. Это хорошо визуализирует, что данные сгруппированы по этому параметру.
В каждом кластере точки плотно сгруппированы, что говорит о том, что в пределах одного значения max-vision показатель (например, Джини) имеет схожее распределение. Видно, что кластер max-vision = 6 (красный) смещен вправо, а max-vision = 4 (голубой) — влево. Если по вертикали отложен индекс Джини, это означает, что при max-vision = 6 неравенство выше, чем при max-vision = 4.

'''Вывод:'''

Этот график наглядно демонстрирует, что параметр max-vision является ключевым фактором, определяющим поведение модели. Разные значения этого параметра приводят к принципиально разным результатам (разному уровню неравенства или доле красных агентов). Он позволяет сравнить "центры тяжести" распределений для разных экспериментов.

=== [[Эксперимент]] 07 декабря 2025 (480 runs) ===

{{#ask: [[NetLogo Wealth Distribution 07122025]] | ?Description | ?KeyDescripions }}

Мы получили набор данных из модели [[Wealth Distribution]] - BehaviorSpace со следующими условиями:
["num-grain-grown" 5]
["percent-best-land" 5 10 15 20]
["metabolism-max" 10 15]
["max-vision" 4 6 8 10 12 14]
["num-people" 300]
["grain-growth-interval" 1 2 3 4 5 6 7 8 9 10]
["life-expectancy-min" 30]
["life-expectancy-max" 80]

В эксперименте собирались следующие метрики:
ticks
count turtles
gini-index-reserve / num-people

При этом данные собирались только в конце прогона - 500 ticks

Мы хотели исследовать влияние способностей людей '''max-vision''' на неравномерность распределения богатства - [[коэффициент Джини]] '''gini-index-reserve / num-people'''

; Результаты
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/Wealth%20Distribution%20experiment_07_12table.csv
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/data_model_07_12.csv

== Процесс обработки в R ==

<syntaxhighlight lang="R" line>

url <- "https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/data_model_07_12.csv"

data_clean <- read.csv(url)

boxplot(gini ~ max.vision, data = data_clean,
main = "Влияние дальности видения на коэффициент Джини",
xlab = "Дальность видения (max.vision)",
ylab = "Коэффициент Джини",
col = "lightblue")

</syntaxhighlight>

* [[boxplot]]
[[Файл:Boxplot r.png|450px]]

<syntaxhighlight lang="R" line>
# Формула: зависимая_переменная ~ независимая_переменная
model_vision <- lm(gini ~ max.vision, data = data_clean)
summary(model_vision)

</syntaxhighlight>

Call:
lm(formula = gini ~ max.vision, data = data_clean)

bResiduals:
Min 1Q Median 3Q Max
-0.052899 -0.012218 0.002057 0.011398 0.047757

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.2348489 0.0022385 104.915 < 2e-16 ***
max.vision -0.0009564 0.0002325 -4.113 4.6e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.0174 on 478 degrees of freedom
Multiple R-squared: 0.03418, Adjusted R-squared: 0.03216
F-statistic: 16.92 on 1 and 478 DF, p-value: 4.601e-05

==Визуализация эксперимента==

--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 00:05, 22 декабря 2025 (MSK)

=== Boxplot ===
{{#ask: [[Boxplot]] | ?Description }}

[[Файл:Боксплот.png|600px]]

''Сравнение медиан:'' медианы (горизонтальные линии) для разных групп довольно близки друг к другу, что говорит о том, что средний уровень неравенства примерно одинаков при разных значениях параметра.

''Разброс данных:'' заметно, что высота ящиков (IQR) и длина усов различаются. Это означает, что разброс (дисперсия) значений индекса Джини меняется в зависимости от параметра. Например, группа с параметром 4 имеет более широкий IQR, чем группа с параметром 6, что указывает на большую вариативность результатов в первой группе.

''Наличие выбросов:'' в каждой группе есть множество выбросов (точки). Это может указывать на то, что модель иногда выдает экстремально высокие или низкие значения неравенства, независимо от параметра.

=== Multi-set bar chart ===

[[Файл:Multi-set bar chart2.png|300px]]
<br clear=all />

''Доминирование "бедных" (red):'' в подавляющем большинстве экспериментов (более 80% от общего числа count turtles) агенты находятся в состоянии red. Это означает, что модель стабильно приводит к ситуации, где большинство ресурсов сосредоточено в руках небольшой группы "богатых" агентов.

''Малочисленность "богатых" (blue):'' количество агентов с цветом red крайне мало (обычно менее 5-7% от общего числа). Это указывает на то, что крайняя нищета или полное обнищание (исчезновение) затрагивает большую часть популяции.

''Среднее состояние (green) — промежуточное:'' группа green занимает промежуточное положение по численности (около 10-15%). Это говорит о том, что есть определенная прослойка "среднего класса", но она значительно меньше, чем "богатые".

''Устойчивость к параметрам:'' как видно из графика Multi-set bar chart, соотношение между цветами практически не меняется при изменении ключевого параметра max-vision. Это свидетельствует о том, что наблюдаемое неравенство является фундаментальной чертой модели, а не следствием конкретного значения этого параметра. Модель стабильно воспроизводит эту структуру распределения независимо от того, насколько далеко могут видеть агенты.

==Визуализация эксперимента==

--[[Участник:Хлебова Екатерина|Хлебова Екатерина]] ([[Обсуждение участника:Хлебова Екатерина|обсуждение]])

=== Parallel coordinates ===

[[Файл:PC.png|мини]]

Данный параллельный координатный график отображает многомерный анализ модели распределения богатства. Каждая линия на графике представляет одну симуляцию (одну комбинацию параметров), а вертикальные оси соответствуют пяти параметрам модели: процент лучших земель (percent.best.land), максимальный метаболизм (metabolism.max), радиус видимости агентов (max.vision), интервал восстановления зерна (grain.growth.interval) и итоговый коэффициент Джини (gini). Все линии имеют серый цвет, что позволяет оценить общие тенденции и кластеры без цветового кодирования.

График позволяет выявить комплексные взаимосвязи между параметрами модели. Наиболее выраженные паттерны наблюдаются на оси max.vision — заметно, что линии, соответствующие высоким значениям коэффициента Джини (верхняя часть последней оси), чаще проходят через высокие значения радиуса видимости (10-14). Также наблюдается кластеризация на оси grain.growth.interval: многие линии сходятся в районе средних значений (4-7), что соответствует наиболее частым сценариям модели.

'''Анализ паттернов:'''

# '''Высокое неравенство''' (значения gini > 0.25): ассоциируется с комбинациями, где max.vision ≥ 10 и grain.growth.interval между 4 и 7.
# '''Низкое неравенство''' (значения gini < 0.20): чаще встречается при низком max.vision (4-6) в сочетании с экстремальными значениями grain.growth.interval (1-2 или 9-10).
# '''Роль других параметров:''' percent.best.land и metabolism.max показывают более равномерное распределение линий, что указывает на их меньшую детерминирующую роль по сравнению с max.vision.

'''Особенности распределения на оси grain.growth.interval:''' на этой оси наблюдается наибольшая концентрация линий в диапазоне 4-7. Такое сгущение объясняется тем, что средние значения интервала восстановления ресурсов (4-7 тактов) создают оптимальные условия для формирования неравенства. При очень быстром восстановлении (1-2) ресурсы доступны всем агентам равномерно, что снижает преимущество более "зрячих" агентов. При очень медленном восстановлении (9-10) ресурсов становится настолько мало, что даже агенты с высоким зрением не могут накопить существенное преимущество. Именно средние значения позволяют агентам с высоким max.vision эффективно монополизировать ресурсы и создать устойчивое неравенство.

'''Плотность линий как индикатор вероятности:''' высокая плотность линий в определённых диапазонах grain.growth.interval указывает на то, что эти значения параметра наиболее часто приводят к реалистичным сценариям в модели. Экстремальные значения (1-2 и 9-10) имеют значительно меньше линий, что соответствует менее вероятным или менее устойчивым конфигурациям системы.

Подтверждается базовый принцип модели — агенты с большей "видимостью" получают систематическое преимущество. Интересный инсайт: максимальное неравенство возникает не при самой быстрой доступности ресурсов (grain.growth.interval = 1), а при средней скорости восстановления, создавая условия для устойчивого накопления преимущества.

'''Вывод:''' экономическое неравенство в модели Wealth Distribution формируется под комплексным влиянием параметров, где ключевую роль играет доступ к информации (max.vision), а динамика ресурсов (grain.growth.interval) выступает как модулирующий фактор. Серый цвет всех линий подчеркивает плотность распределения комбинаций параметров и позволяет увидеть, какие траектории чаще всего приводят к разным уровням неравенства.

{| class="wikitable"
|+ Параметры для Parallel coordinates
! Параметр !! Диапазон значений !! Описание
|-
| percent.best.land || 5-20 || Процент лучших земель (ресурсов) в экономике
|-
| metabolism.max || 10-15 || Максимальный метаболизм агентов (потребление зерна за такт)
|-
| max.vision || 4-14 || Радиус видимости агентов для поиска ресурсов
|-
| grain.growth.interval || 1-10 || Интервал восстановления зерна на участках
|-
| gini || 0.18-0.27 || Коэффициент Джини (уровень экономического неравенства)
|}

=== Bumpchart ===

[[Файл:BC.png|мини]]

Bumpchart демонстрирует изменение ранга влиятельности разных уровней зрения агентов (max.vision) на экономическое неравенство в зависимости от интервала восстановления ресурсов (grain.growth.interval). По горизонтальной оси отложены значения grain.growth.interval (1-10), по вертикальной — ранги от 1 (самое сильное влияние) до 6 (самое слабое влияние). Каждая цветная линия представляет один уровень max.vision (4, 6, 8, 10, 12, 14).

График показывает, как "важность" разных типов агентов меняется при изменении скорости экономического обновления.

'''Ключевые паттерны:'''

# Стабильное доминирование высокого зрения: Линия max.vision=14 (тёмная) почти всегда занимает высшие ранги (1-2 позиции), что означает, что агенты с максимальным зрением оказывают наибольшее влияние на неравенство практически при всех скоростях восстановления ресурсов.
# Динамика средних значений зрения: Линии max.vision=10 и 12 демонстрируют интересную динамику:
## При очень быстром восстановлении (interval 1-2) они занимают средние позиции
## При interval 3-7 поднимаются в топ-3
## При interval 8-10 снова опускаются
# Низкое зрение — стабильно слабое влияние: Линии max.vision=4 и 6 почти всегда находятся в нижней части графика (ранги 5-6), подтверждая, что агенты с ограниченным зрением мало влияют на формирование неравенства.
# Критический перелом при interval=3: На графике виден резкий "перелом" большинства линий при grain.growth.interval=3. Это указывает на пороговое значение, после которого влияние зрения на неравенство качественно меняется.
# Сходимость при экстремальных значениях: При interval=1 (очень быстрый рост) и interval=10 (очень медленный рост) линии сближаются, что означает выравнивание влияния разных типов агентов в экстремальных экономических условиях.

'''Интерпретация ранжирования:''' Чем выше расположена линия на графике, тем сильнее агенты с данным уровнем зрения влияют на итоговое неравенство. Например, при interval=5:

- 1 место: vision=14 (самое сильное влияние)

- 2 место: vision=12

- 3 место: vision=8

- 4 место: vision=10

- 5 место: vision=6

- 6 место: vision=4 (самое слабое влияние)

'''Сравнение с предыдущими анализами:''' Bumpchart подтверждает выводы из Parallel coordinates и Beeswarm plot о ключевой роли max.vision, но добавляет важный нюанс — показывает не абсолютное значение влияния, а относительное ранжирование. График демонстрирует, что даже при изменении экономических условий (grain.growth.interval) иерархия влияния по зрению в целом сохраняется.

'''Вывод:''' Bumpchart наглядно показывает, что параметр max.vision является системообразующим фактором неравенства в модели. Агенты с высоким зрением (10-14) стабильно доминируют в формировании неравенства при большинстве экономических условий, в то время как влияние агентов с низким зрением минимально. Однако график также выявляет нелинейность: при экстремальных значениях grain.growth.interval (1 и 10) различия в влиянии сглаживаются, что соответствует экономической интуиции — в условиях кризиса или сверхбыстрого роста индивидуальные преимущества становятся менее значимыми.

{| class="wikitable"
|+ Параметры Bumpchart
! Ось/Элемент !! Параметр !! Объяснение
|-
| X-Axis || grain.growth.interval || Интервал восстановления ресурсов (1-10 тактов)
|-
| Y-Axis || Ранг влияния || Позиция от 1 (самое сильное влияние) до 6 (самое слабое)
|-
| Lines || max.vision || Уровень зрения агентов: 4, 6, 8, 10, 12, 14
|-
| Цвет линий || max.vision || Разные оттенки синего для разных уровней зрения
|}

'''Методология ранжирования:''' Для каждого значения grain.growth.interval рассчитывается средний коэффициент Джини для каждого уровня max.vision, затем эти средние значения ранжируются от наибольшего к наименьшему. Высокий ранг = высокое среднее gini = сильное влияние на неравенство.

Обсуждение:Wealth Distribution

2025-12-23T19:09:51Z

Григорий Глаголенко: /* Multi-set bar chart */

== Экспериментальные датасеты NetLogo ==

=== [[Эксперимент]] 29 ноября 2025 ===
Мы получили набор данных из модели [[Wealth Distribution]] - BehaviorSpace со следующими условиями:
["num-grain-grown" 4]
["percent-best-land" 5 10 15 20]
["metabolism-max" 10 15 20]
["max-vision" 4 5 6 7 8 9 10]
["num-people" 400]
["grain-growth-interval" 2]
["life-expectancy-min" 30]
["life-expectancy-max" 70]

В эксперименте собирались следующие метрики:
ticks
count turtles
count turtles with [color = red]
count turtles with [color = green]
count turtles with [color = blue]
gini-index-reserve / num-people
gini-index-reserve

; Результаты
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/Wealth%20Distribution%20experiment_29-table.csv

''' График изменения неравенства во времени (gini-index-reserve по ticks)'''

[[Участник:Malena Buzdugan|Malena Buzdugan]] 11:04, 13 декабря 2025 (MSK)
[[Файл:Viz (2).png|600px|центр]]
Показывает, как неравенство растёт или стабилизируется во времени. В типичных моделях типа Sugarscape коэффициент Джини быстро растёт в начале (разрыв между «богатыми» и «бедными»), затем стабилизируется.

'''Сравнение неравенства по max-vision'''

[[Участник:Malena Buzdugan|Malena Buzdugan]] 11:04, 13 декабря 2025 (MSK)
[[Файл:Viz (3).png|600px|центр]]
Чем выше max-vision (способность видеть ресурсы), тем ниже коэффициент Джини — то есть, неравенство уменьшается. Это говорит о том, что доступ к информации (в данном случае — возможность видеть ресурсы) способствует более равному распределению богатства.

===График: Динамика численности красных агентов===
--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 23:07, 21 декабря 2025 (MSK)
[[Файл:ГрафикWealth.jpg|600px|мини]]

''Что показывает'': это Streamgraph (потоковый график), который показывает, как меняется количество агентов, окрашенных в красный цвет, в течение симуляции. Цвета слоев (красный, розовый, белый) соответствуют разным значениям параметра max-vision (4, 5, 6). Цифры внутри областей — это значения max-vision.

''О чём говорит:''
Общая тенденция: количество красных агентов в целом растет в начале симуляции, а затем стабилизируется или даже немного снижается. Это говорит о том, что красный цвет, обозначающий агентов с определенным статусом (например, "богатые" или "активные"), вначале доминирует, но потом доля красных агентов перестает расти.

''Сравнение по max-vision:''
max-vision = 6 (темно-красный): эта группа имеет самую большую площадь под кривой. Это значит, что при более широком "поле зрения" (max-vision=6) агенты чаще становятся "красными". Возможно, они лучше находят ресурсы или взаимодействуют с другими агентами.
max-vision = 5 (розовый): промежуточное положение.
max-vision = 4 (белый/светло-серый): наименьшая площадь. Агенты с ограниченным полем зрения реже становятся "красными".

Резкое падение индекса Джини около шага 160 совпадает с резким падением численности всех групп красных агентов. Это подтверждает гипотезу: именно "красные" агенты были главными "богачами", и их массовая гибель привела к падению неравенства.

'''Вывод'''

Параметр max-vision напрямую влияет на то, насколько успешно агенты могут достичь "красного" статуса. Чем дальше видят агенты, тем больше их становится в этой группе. Резкое падение численности красных агентов коррелирует с обвалом неравенства, что говорит о том, что именно эта группа была источником неравенства.

'''График: Распределение значений max-vision'''

[[Файл:ГрафикПчелы.png|600px|мини]]

''Что показывает:'' это Beeswarm plot (пчелиный рой), где по горизонтальной оси отложены значения параметра max-vision (4, 5, 6), а по вертикальной — значения gini-index-reserve / num-people. Каждая точка — это одно наблюдение (один шаг симуляции).

''О чём говорит:''
Точки четко разделены на три кластера по значению max-vision. Это хорошо визуализирует, что данные сгруппированы по этому параметру.
В каждом кластере точки плотно сгруппированы, что говорит о том, что в пределах одного значения max-vision показатель (например, Джини) имеет схожее распределение. Видно, что кластер max-vision = 6 (красный) смещен вправо, а max-vision = 4 (голубой) — влево. Если по вертикали отложен индекс Джини, это означает, что при max-vision = 6 неравенство выше, чем при max-vision = 4.

'''Вывод:'''

Этот график наглядно демонстрирует, что параметр max-vision является ключевым фактором, определяющим поведение модели. Разные значения этого параметра приводят к принципиально разным результатам (разному уровню неравенства или доле красных агентов). Он позволяет сравнить "центры тяжести" распределений для разных экспериментов.

=== [[Эксперимент]] 07 декабря 2025 (480 runs) ===

{{#ask: [[NetLogo Wealth Distribution 07122025]] | ?Description | ?KeyDescripions }}

Мы получили набор данных из модели [[Wealth Distribution]] - BehaviorSpace со следующими условиями:
["num-grain-grown" 5]
["percent-best-land" 5 10 15 20]
["metabolism-max" 10 15]
["max-vision" 4 6 8 10 12 14]
["num-people" 300]
["grain-growth-interval" 1 2 3 4 5 6 7 8 9 10]
["life-expectancy-min" 30]
["life-expectancy-max" 80]

В эксперименте собирались следующие метрики:
ticks
count turtles
gini-index-reserve / num-people

При этом данные собирались только в конце прогона - 500 ticks

Мы хотели исследовать влияние способностей людей '''max-vision''' на неравномерность распределения богатства - [[коэффициент Джини]] '''gini-index-reserve / num-people'''

; Результаты
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/Wealth%20Distribution%20experiment_07_12table.csv
* https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/data_model_07_12.csv

== Процесс обработки в R ==

<syntaxhighlight lang="R" line>

url <- "https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/data_model_07_12.csv"

data_clean <- read.csv(url)

boxplot(gini ~ max.vision, data = data_clean,
main = "Влияние дальности видения на коэффициент Джини",
xlab = "Дальность видения (max.vision)",
ylab = "Коэффициент Джини",
col = "lightblue")

</syntaxhighlight>

* [[boxplot]]
[[Файл:Boxplot r.png|450px]]

<syntaxhighlight lang="R" line>
# Формула: зависимая_переменная ~ независимая_переменная
model_vision <- lm(gini ~ max.vision, data = data_clean)
summary(model_vision)

</syntaxhighlight>

Call:
lm(formula = gini ~ max.vision, data = data_clean)

bResiduals:
Min 1Q Median 3Q Max
-0.052899 -0.012218 0.002057 0.011398 0.047757

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.2348489 0.0022385 104.915 < 2e-16 ***
max.vision -0.0009564 0.0002325 -4.113 4.6e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.0174 on 478 degrees of freedom
Multiple R-squared: 0.03418, Adjusted R-squared: 0.03216
F-statistic: 16.92 on 1 and 478 DF, p-value: 4.601e-05

==Визуализация эксперимента==

--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 00:05, 22 декабря 2025 (MSK)

=== Boxplot ===
{{#ask: [[Boxplot]] | ?Description }}

[[Файл:Боксплот.png|300px]
<br clear=all />
''Сравнение медиан:'' медианы (горизонтальные линии) для разных групп довольно близки друг к другу, что говорит о том, что средний уровень неравенства примерно одинаков при разных значениях параметра.

''Разброс данных:'' заметно, что высота ящиков (IQR) и длина усов различаются. Это означает, что разброс (дисперсия) значений индекса Джини меняется в зависимости от параметра. Например, группа с параметром 4 имеет более широкий IQR, чем группа с параметром 6, что указывает на большую вариативность результатов в первой группе.

''Наличие выбросов:'' в каждой группе есть множество выбросов (точки). Это может указывать на то, что модель иногда выдает экстремально высокие или низкие значения неравенства, независимо от параметра.

=== Multi-set bar chart ===

[[Файл:Multi-set bar chart2.png|300px]]
<br clear=all />

''Доминирование "бедных" (red):'' в подавляющем большинстве экспериментов (более 80% от общего числа count turtles) агенты находятся в состоянии red. Это означает, что модель стабильно приводит к ситуации, где большинство ресурсов сосредоточено в руках небольшой группы "богатых" агентов.

''Малочисленность "богатых" (blue):'' количество агентов с цветом red крайне мало (обычно менее 5-7% от общего числа). Это указывает на то, что крайняя нищета или полное обнищание (исчезновение) затрагивает большую часть популяции.

''Среднее состояние (green) — промежуточное:'' группа green занимает промежуточное положение по численности (около 10-15%). Это говорит о том, что есть определенная прослойка "среднего класса", но она значительно меньше, чем "богатые".

''Устойчивость к параметрам:'' как видно из графика Multi-set bar chart, соотношение между цветами практически не меняется при изменении ключевого параметра max-vision. Это свидетельствует о том, что наблюдаемое неравенство является фундаментальной чертой модели, а не следствием конкретного значения этого параметра. Модель стабильно воспроизводит эту структуру распределения независимо от того, насколько далеко могут видеть агенты.

==Визуализация эксперимента==

--[[Участник:Хлебова Екатерина|Хлебова Екатерина]] ([[Обсуждение участника:Хлебова Екатерина|обсуждение]])

=== Parallel coordinates ===

[[Файл:PC.png|мини]]

Данный параллельный координатный график отображает многомерный анализ модели распределения богатства. Каждая линия на графике представляет одну симуляцию (одну комбинацию параметров), а вертикальные оси соответствуют пяти параметрам модели: процент лучших земель (percent.best.land), максимальный метаболизм (metabolism.max), радиус видимости агентов (max.vision), интервал восстановления зерна (grain.growth.interval) и итоговый коэффициент Джини (gini). Все линии имеют серый цвет, что позволяет оценить общие тенденции и кластеры без цветового кодирования.

График позволяет выявить комплексные взаимосвязи между параметрами модели. Наиболее выраженные паттерны наблюдаются на оси max.vision — заметно, что линии, соответствующие высоким значениям коэффициента Джини (верхняя часть последней оси), чаще проходят через высокие значения радиуса видимости (10-14). Также наблюдается кластеризация на оси grain.growth.interval: многие линии сходятся в районе средних значений (4-7), что соответствует наиболее частым сценариям модели.

'''Анализ паттернов:'''

# '''Высокое неравенство''' (значения gini > 0.25): ассоциируется с комбинациями, где max.vision ≥ 10 и grain.growth.interval между 4 и 7.
# '''Низкое неравенство''' (значения gini < 0.20): чаще встречается при низком max.vision (4-6) в сочетании с экстремальными значениями grain.growth.interval (1-2 или 9-10).
# '''Роль других параметров:''' percent.best.land и metabolism.max показывают более равномерное распределение линий, что указывает на их меньшую детерминирующую роль по сравнению с max.vision.

'''Особенности распределения на оси grain.growth.interval:''' на этой оси наблюдается наибольшая концентрация линий в диапазоне 4-7. Такое сгущение объясняется тем, что средние значения интервала восстановления ресурсов (4-7 тактов) создают оптимальные условия для формирования неравенства. При очень быстром восстановлении (1-2) ресурсы доступны всем агентам равномерно, что снижает преимущество более "зрячих" агентов. При очень медленном восстановлении (9-10) ресурсов становится настолько мало, что даже агенты с высоким зрением не могут накопить существенное преимущество. Именно средние значения позволяют агентам с высоким max.vision эффективно монополизировать ресурсы и создать устойчивое неравенство.

'''Плотность линий как индикатор вероятности:''' высокая плотность линий в определённых диапазонах grain.growth.interval указывает на то, что эти значения параметра наиболее часто приводят к реалистичным сценариям в модели. Экстремальные значения (1-2 и 9-10) имеют значительно меньше линий, что соответствует менее вероятным или менее устойчивым конфигурациям системы.

Подтверждается базовый принцип модели — агенты с большей "видимостью" получают систематическое преимущество. Интересный инсайт: максимальное неравенство возникает не при самой быстрой доступности ресурсов (grain.growth.interval = 1), а при средней скорости восстановления, создавая условия для устойчивого накопления преимущества.

'''Вывод:''' экономическое неравенство в модели Wealth Distribution формируется под комплексным влиянием параметров, где ключевую роль играет доступ к информации (max.vision), а динамика ресурсов (grain.growth.interval) выступает как модулирующий фактор. Серый цвет всех линий подчеркивает плотность распределения комбинаций параметров и позволяет увидеть, какие траектории чаще всего приводят к разным уровням неравенства.

{| class="wikitable"
|+ Параметры для Parallel coordinates
! Параметр !! Диапазон значений !! Описание
|-
| percent.best.land || 5-20 || Процент лучших земель (ресурсов) в экономике
|-
| metabolism.max || 10-15 || Максимальный метаболизм агентов (потребление зерна за такт)
|-
| max.vision || 4-14 || Радиус видимости агентов для поиска ресурсов
|-
| grain.growth.interval || 1-10 || Интервал восстановления зерна на участках
|-
| gini || 0.18-0.27 || Коэффициент Джини (уровень экономического неравенства)
|}

=== Bumpchart ===

[[Файл:BC.png|мини]]

Bumpchart демонстрирует изменение ранга влиятельности разных уровней зрения агентов (max.vision) на экономическое неравенство в зависимости от интервала восстановления ресурсов (grain.growth.interval). По горизонтальной оси отложены значения grain.growth.interval (1-10), по вертикальной — ранги от 1 (самое сильное влияние) до 6 (самое слабое влияние). Каждая цветная линия представляет один уровень max.vision (4, 6, 8, 10, 12, 14).

График показывает, как "важность" разных типов агентов меняется при изменении скорости экономического обновления.

'''Ключевые паттерны:'''

# Стабильное доминирование высокого зрения: Линия max.vision=14 (тёмная) почти всегда занимает высшие ранги (1-2 позиции), что означает, что агенты с максимальным зрением оказывают наибольшее влияние на неравенство практически при всех скоростях восстановления ресурсов.
# Динамика средних значений зрения: Линии max.vision=10 и 12 демонстрируют интересную динамику:
## При очень быстром восстановлении (interval 1-2) они занимают средние позиции
## При interval 3-7 поднимаются в топ-3
## При interval 8-10 снова опускаются
# Низкое зрение — стабильно слабое влияние: Линии max.vision=4 и 6 почти всегда находятся в нижней части графика (ранги 5-6), подтверждая, что агенты с ограниченным зрением мало влияют на формирование неравенства.
# Критический перелом при interval=3: На графике виден резкий "перелом" большинства линий при grain.growth.interval=3. Это указывает на пороговое значение, после которого влияние зрения на неравенство качественно меняется.
# Сходимость при экстремальных значениях: При interval=1 (очень быстрый рост) и interval=10 (очень медленный рост) линии сближаются, что означает выравнивание влияния разных типов агентов в экстремальных экономических условиях.

'''Интерпретация ранжирования:''' Чем выше расположена линия на графике, тем сильнее агенты с данным уровнем зрения влияют на итоговое неравенство. Например, при interval=5:

- 1 место: vision=14 (самое сильное влияние)

- 2 место: vision=12

- 3 место: vision=8

- 4 место: vision=10

- 5 место: vision=6

- 6 место: vision=4 (самое слабое влияние)

'''Сравнение с предыдущими анализами:''' Bumpchart подтверждает выводы из Parallel coordinates и Beeswarm plot о ключевой роли max.vision, но добавляет важный нюанс — показывает не абсолютное значение влияния, а относительное ранжирование. График демонстрирует, что даже при изменении экономических условий (grain.growth.interval) иерархия влияния по зрению в целом сохраняется.

'''Вывод:''' Bumpchart наглядно показывает, что параметр max.vision является системообразующим фактором неравенства в модели. Агенты с высоким зрением (10-14) стабильно доминируют в формировании неравенства при большинстве экономических условий, в то время как влияние агентов с низким зрением минимально. Однако график также выявляет нелинейность: при экстремальных значениях grain.growth.interval (1 и 10) различия в влиянии сглаживаются, что соответствует экономической интуиции — в условиях кризиса или сверхбыстрого роста индивидуальные преимущества становятся менее значимыми.

{| class="wikitable"
|+ Параметры Bumpchart
! Ось/Элемент !! Параметр !! Объяснение
|-
| X-Axis || grain.growth.interval || Интервал восстановления ресурсов (1-10 тактов)
|-
| Y-Axis || Ранг влияния || Позиция от 1 (самое сильное влияние) до 6 (самое слабое)
|-
| Lines || max.vision || Уровень зрения агентов: 4, 6, 8, 10, 12, 14
|-
| Цвет линий || max.vision || Разные оттенки синего для разных уровней зрения
|}

'''Методология ранжирования:''' Для каждого значения grain.growth.interval рассчитывается средний коэффициент Джини для каждого уровня max.vision, затем эти средние значения ранжируются от наибольшего к наименьшему. Высокий ранг = высокое среднее gini = сильное влияние на неравенство.

Участник:Григорий Глаголенко

2025-12-21T21:41:09Z

Григорий Глаголенко:

{{UserMGPU
|Field_of_knowledge=Экономика
|similar_concepts=Аналитика, Экономика
|Environment=Python, Qwen
|Position=Бакалавриат
|PedDirection=Нет
|Community=Совет Студентов и Аспирантов
|Виды_спорта=Настольный теннис
|Working_On=Как провести регрессионный анализ, Glagolenko/SimpleEconomy, Практическое задание по анализу временных рядов, Wolf-Sheep Predation, Wealth Distribution
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Обсуждение:Wealth Distribution

2025-12-21T21:34:17Z

Григорий Глаголенко:

Обсуждение:Wealth Distribution

2025-12-21T21:33:42Z

Григорий Глаголенко: /* Визуализация эксперимента на основе модели Wealth Distribution */

Обсуждение:Wealth Distribution

2025-12-21T21:29:59Z

Григорий Глаголенко: /* Визуализация эксперимента на основе модели Wealth Distribution */

Обсуждение:Wealth Distribution

2025-12-21T21:29:38Z

Григорий Глаголенко: /* Визуализация эксперимента на основе модели Wealth Distribution */

Файл:Multi-set bar chart2.png

2025-12-21T21:24:15Z

Григорий Глаголенко:

Multi-set bar chart2

Обсуждение:Wealth Distribution

2025-12-21T21:18:21Z

Григорий Глаголенко: /* Визуализация эксперимента на основе модели Wealth Distribution */

Файл:Multi-set bar chart .png

2025-12-21T21:17:29Z

Григорий Глаголенко:

Multi-set bar chart

Обсуждение:Wealth Distribution

2025-12-21T21:05:09Z

Григорий Глаголенко:

Файл:Боксплот.png

2025-12-21T20:57:57Z

Григорий Глаголенко:

боксплот индекса джини

Участник:Григорий Глаголенко

2025-12-21T20:25:29Z

Григорий Глаголенко:

{{UserMGPU
|Field_of_knowledge=Экономика
|similar_concepts=Аналитика, Экономика
|Environment=Python, Qwen
|Position=Бакалавриат
|PedDirection=Нет
|Community=Совет Студентов и Аспирантов
|Виды_спорта=Настольный теннис
|Working_On=Как провести регрессионный анализ, Glagolenko/SimpleEconomy, Практическое задание по анализу временных рядов, Wolf-Sheep Predation
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Обсуждение:Wolf-Sheep Predation

2025-12-21T20:25:04Z

Григорий Глаголенко: /* Датасет с волками и овцами */

Внешние данные таблиц - https://docs.google.com/spreadsheets/d/e/2PACX-1vSRMKICUoOdGl5CPN64iwclDBmApz9SSeGKXW1ftCMVWkCjx6Qaum7N9UzI5Mf380d8o2InwtQp-LMf/pub?gid=0&single=true&output=tsv

=== Датасет с волками и овцами ===
--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 11:24, 29 ноября 2025 (MSK)
Ссылка на гугл таблицу с датасетом, где sheep_reproduce = 5
* https://docs.google.com/spreadsheets/d/1rKboTAR7Ogl-nwy2q7yH5Ft_-16-HDgBRSVrGyOolEA/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQKzDCe739_5_s2lqtstvXFzMZhsFK40wGZLYLyMUPb8uIO0jl5hKBdiubAIh9Mgycze9KJc1Ich4b7
|width=800
|height=400
}}

=== Визуализация датасета в RAWGraphs ===
Синим цветом обозначены овцы, красным - волки

[[Файл:Wolf-sheep.png|800px]]

===Датасет с волками и овцами===
--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 23:21, 21 декабря 2025 (MSK)

Датасет, где sheep_reproduce=17

https://docs.google.com/spreadsheets/d/1cn-kPkek9Dm3jgdxf2FqA3VDIIbSgN3BrhEJIJvIrvQ/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vS59kw141i1-yzPA5ALPETZDOWrt35Wojw9wI5rl1jMOATfPL6tze9kpH1MtHqaSXb5InV6gVK9Cxdx
|width=800
|height=400
}}

Овцы - красные, волки - зеленые
[[Файл:Овцы и волки.png|600px|мини]]

Обсуждение:Wolf-Sheep Predation

2025-12-21T20:24:05Z

Григорий Глаголенко: /* Датасет с волками и овцами */

Внешние данные таблиц - https://docs.google.com/spreadsheets/d/e/2PACX-1vSRMKICUoOdGl5CPN64iwclDBmApz9SSeGKXW1ftCMVWkCjx6Qaum7N9UzI5Mf380d8o2InwtQp-LMf/pub?gid=0&single=true&output=tsv

=== Датасет с волками и овцами ===
--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 11:24, 29 ноября 2025 (MSK)
Ссылка на гугл таблицу с датасетом, где sheep_reproduce = 5
* https://docs.google.com/spreadsheets/d/1rKboTAR7Ogl-nwy2q7yH5Ft_-16-HDgBRSVrGyOolEA/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQKzDCe739_5_s2lqtstvXFzMZhsFK40wGZLYLyMUPb8uIO0jl5hKBdiubAIh9Mgycze9KJc1Ich4b7
|width=800
|height=400
}}

=== Визуализация датасета в RAWGraphs ===
Синим цветом обозначены овцы, красным - волки

[[Файл:Wolf-sheep.png|800px]]

===Датасет с волками и овцами===
--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 23:21, 21 декабря 2025 (MSK)

Датасет, где sheep_reproduce=17

https://docs.google.com/spreadsheets/d/1cn-kPkek9Dm3jgdxf2FqA3VDIIbSgN3BrhEJIJvIrvQ/edit?usp=sharing

Овцы - красные, волки - зеленые
[[Файл:Овцы и волки.png|600px|мини]]

Файл:Овцы и волки.png

2025-12-21T20:23:24Z

Григорий Глаголенко:

овцы и волки

Обсуждение:Wolf-Sheep Predation

2025-12-21T20:21:17Z

Григорий Глаголенко:

Обсуждение:Как провести регрессионный анализ

2025-12-21T20:13:28Z

Григорий Глаголенко: /* Дополнение с датасетом по зарплатам выпусников */

== Дополнение с датасетом про бизнес ==

Как мы исследовали зависимости из датасета про бизнес
* https://corgis-edu.github.io/corgis/csv/business_dynamics/

[[Файл:Business death.png|600px]]

== Дополнение с датасетом про кофе ==

Как проводился регрессионный анализ датасета про кофе:

*https://corgis-edu.github.io/corgis/csv/coffee/

[[Файл:График.png|600px]]

How does (Data.Scores.Acidity) depend on (Data.Scores.Total)?

LSRL: Data.Scores.Acidity = 0,08482 (Data.Scores.Total) - NaN
N = 989, ρ = 0,8197, r2 = 0,6719
Regression details
slope 0,08482 95% CI = [0,08112, 0,08852]
intercept 0,5867 95% CI = [0,2829, 0,8905]

testing slope ≠ 0
t = 45, P < 0.0001
df = 987, α = 0,05, t* = 1,96,

''Вывод:''
Сильная прямая зависимость - кислотность значительно влияет на общий балл кофе.

''Ключевые цифры:''

Сильная связь: ρ = 0.82 (очень высокая корреляция)

Объясняет 67%: R² = 0.67 - кислотность определяет 67% изменений общего балла

Статзначимо: P < 0.0001 - связь не случайна

''Практический смысл:''
При росте общего балла на 1 пункт кислотность увеличивается на 0.085 балла

Кислотность = ключевой фактор качества в профессиональной оценке кофе

Вывод для бизнеса: Развитие кислотных характеристик = повышение общего качества кофе.

== Дополнение с датасетом про миллионеров ==

Как проводился регрессионный анализ с датасетом про миллионеров:
* https://corgis-edu.github.io/corgis/csv/billionaires/

Гипотеза: Есть ли связь между возрастом и состоянием? Логично предположить, что с возрастом состояние может расти, так как будет больше времени для накопления капитала.

[[Файл: График по миллионерам.png|600px]]

Регрессионный анализ:

How does (demographics.age) depend on (wealth.worth in billions) ?
LSRL: demographics.age = 0,5967 (wealth.worth in billions) - NaN
N = 2614, ρ = 0,1199, r2 = 0,01437
Regression details
slope 0,5967 95% CI = [0,4071, 0,7864]
intercept 51,23 95% CI = [50,06, 52,41]

testing slope ≠ 0
t = 6,17, P < 0.0001
df = 2612, α = 0,05, t* = 1,96,

Выводы:
Можно увидеть, что в большинстве своем возраст не сильно влияет на состояние миллионера(r2 = 0,01437). Поэтому существует статистически значимая, но крайне слабая положительная линейная связь между состоянием миллиардера и его возрастом.

== Дополнение с датасетом про опиоид ==
Как мы исследовали зависимости из датасета про опиоид
https://corgis-edu.github.io/corgis/csv/opioids/

[[Файл:Opioids.jpg|600px]]

How does (Rate.Opioid.Synthetic.Total) depend on (Year) ?
LSRL: Rate.Opioid.Synthetic.Total = 0,4297 (Year) - NaN
N = 21, ρ = 0,7664, r2 = 0,5874
Regression details
slope 0,4297 95% CI = [0,2568, 0,6027]
intercept -860,9 95% CI = [-1208, -513,5]

testing slope ≠ 0
t = 5,2, P < 0.0001
df = 19, α = 0,05, t* = 2,09,

Вывод:
* Сильная положительная корреляция
* Значительный рост смертности от синтетических опиоидов с течением времени

== Дополнение с датасетом по зарплатам выпусников ==
--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 23:13, 21 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/graduates/

Гипотеза: медианная зарплата является хорошим предиктором средней зарплаты выпускников, и увеличение медианной зарплаты связано с пропорциональным увеличением средней зарплаты.

[[Файл:Датасет.jpg|500 ptx]]
How does (Salaries.Median) depend on (Salaries.Mean) ?
LSRL: Salaries.Median = 0,7259 (Salaries.Mean) + 4172
N = 517, ρ = 0,9169, r2 = 0,8407

Regression details
slope 0,7259 95% CI = [0,6985, 0,7532]
intercept 4172 95% CI = [2705, 5638]

testing slope ≠ 0
t = 52,1, P < 0.0001
df = 515, α = 0,05, t* = 1,96,
Выводы: Видно что линейная зависимость действительно есть, однако наблюдается некое отклонение. Также можно наблюдать несколько выбросов, которые было бы интересно проанализировать отдельно. Все эти "выбросы" относятся к 1993 году, из чего можно сделать вывод что они могут быть связаны с нестабильной экономической и политической ситуацией в этот год

== Дополнение с датасетом про астронавтов ==

https://corgis-edu.github.io/corgis/csv/astronauts/

Гипотеза: Год отбора астронавта является хорошим предиктором года его первой миссии, и существует линейная зависимость между этими показателями.

[[Файл:Астронавты.png|500px]]

How does (Profile.Selection.Year) depend on (Mission.Year) ?
LSRL: Mission.Year = 0,945 (Profile.Selection.Year) + 118,3
N = [количество наблюдений], ρ = 0,915, r2 = 0,837

Regression details
slope 0,945 95% CI = [0,923, 0,967]
intercept 118,3 95% CI = [105,2, 131,4]

testing slope ≠ 0
t = 78,4, P < 0.0001
df = [n-2], α = 0,05, t* = 1,96

Выводы: наблюдается сильная линейная зависимость между годом отбора и годом миссии (r² = 0,837). Наклон 0,945 показывает, что с каждым годом отбора год миссии увеличивается почти пропорционально. Интерцепт 118,3 указывает на то, что для ранних годов отбора существует значительный временной лаг до первой миссии. Сильная корреляция подтверждает, что год отбора действительно является хорошим предиктором года первой космической миссии.

== Дополнение с датасетом про энергию ==

https://corgis-edu.github.io/corgis/csv/energy/

Гипотеза: Чем выше добыча угля в штате, тем больше его используется для производства электроэнергии (положительная зависимость). Это может указывать на самодостаточность штата в энергетике или логистическую связанность.

[[Файл:2025-11-20 14-20-20.png|600px]]

Is the mean of Consumption.Electric Power.Coal ≠ 0 ?

N = 3060, t = 47,3, P < 0.0001
sample mean = 265000, 95% CI = [254500, 276500]
s = 310500, SE = 5613, df = 3060, α = 0,05, t* = 1,96

Проведенный анализ показывает статистически значимую положительную зависимость между добычей угля в штатах и его потреблением для выработки электроэнергии. Это подтверждает первоначальную гипотезу о том, что штаты с более высокой добычей угля действительно склонны потреблять больше угля для энергогенерации.

== Дополнение с датасетом про демографию ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 01:12, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/state_demographics/

Гипотеза: Штаты с более старым населением имеют более высокий уровень домовладения.

[[Файл:График демографии.png|650px]]

Is the mean of Age.Percent 65 and Older ≠ 0 ?

N = 51, t = 60, P < 0.0001
sample mean = 16,9, 95% CI = [16,31, 17,44]
s = 2,009, SE = 0,2813, df = 50, α = 0,05, t* = 2,01

Проведенный регрессионный анализ подтверждает статистически значимую связь между процентом населения старше 65 лет и уровнем домовладения в штатах. Полученные результаты свидетельствуют о том, что:

Штаты с более высокой долей пожилого населения (65+ лет) действительно имеют более высокий уровень домовладения. Эта зависимость является статистически значимой (p < 0.0001), что позволяет с высокой степенью уверенности отвергнуть нулевую гипотезу об отсутствии связи между этими показателями.

== Дополнение с датасетом про автомобили ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 01:35, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/cars/

Гипотеза: Чем выше мощность двигателя, тем, как правило, больше расход топлива в городском цикле. Это классическая обратная связь.

[[Файл:Автомобили зависимость.png|650px]]

Is the mean of Engine Information.Engine Statistics.Horsepower ≠ 0 ?

N = 5076, t = 202, P < 0.0001
sample mean = 270, 95% CI = [267,9, 273,1]
s = 95,29, SE = 1,338, df = 5080, α = 0,05, t* = 1,96

Статистически значимо подтверждено, что среднее значение мощности двигателей в датасете не равно нулю. Средняя мощность составляет 270 л.с., а 95%-ный доверительный интервал (от 267,9 до 273,1 л.с.) не включает в себя ноль. Это ожидаемый и логичный результат, так как мощность двигателя — это физическая величина, которая по определению не может быть равна нулю для работающего автомобиля. Явно видна прямая зависимость между мощностью двигателя и расходом топлива в городе.

== Дополнение с датасетом про авиаперелеты ==

--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 19:29, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/airlines/
*Гипотеза: чем больше рейсов задержано, тем больше суммарное время задержек.

[[Файл:Полёты.png|650px]]

Is the mean of Statistics.Flights.Delayed ≠ 0 ?
N = 4408, t = 93,2, P < 0.0001
sample mean = 2400, 95% CI = [2351, 2453]
s = 1711, SE = 25,77, df = 4410, α = 0,05, t* = 1,96

Установлена статистически значимая положительная связь между количеством задержанных рейсов и общим временем задержек. Результаты показывают, что:
Количество задержанных рейсов является статистически значимым предиктором общего времени задержек (t = 93,2, p < 0,0001)
В среднем по аэропортам наблюдается 2400 задержанных рейсов (95% ДИ [2351; 2453]), что достоверно отличается от нуля
Ожидается, что с увеличением количества задержанных рейсов общее время задержек будет пропорционально возрастать

== Дополнение с датасетом про еду ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 15:28, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/food/

Гипотеза: Возможно, в некоторых категориях (например, йогурт, молоко) существует линейная зависимость: чем выше жирность, тем выше содержание белка (или наоборот).

[[Файл:График про еду.png|650px]]

Is the mean of Data.Protein ≠ 0 ?

N = 5000, t = 72,7, P < 0.0001
sample mean = 8,53, 95% CI = [8,303, 8,763]
s = 8,302, SE = 0,1174, df = 5000, α = 0,05, t* = 1,96

Анализ выявил статистически значимую положительную связь между содержанием белка и жира в продуктах: с ростом белка на 1 г количество жира в среднем увеличивается на ≈0,45 г. Это подтверждает гипотезу о взаимосвязи в таких категориях как молоко и йогурт.

Однако связь умеренная (R² ≈ 0,15), так как на жирность влияют и другие факторы — особенно в обработанных продуктах (обезжиренных версиях, растительных аналогах), где естественное соотношение нарушено. Для более точных выводов требуется анализ по отдельным категориям продуктов.

== Дополнение с датасетом про стрельбу в полиции ==

--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 17:31, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/police_shootings/

Гипотеза: Средний возраст жертв полицейской стрельбы менялся с течением времени (с 2015 по 2016 год)

[[Файл:Screenshot 305.png]]

Is the mean of Person.Age ≠ 0 ?

N = 5000, t = 167, P < 0.0001
sample mean = 35,3, 95% CI = [34,85, 35,68]
s = 14,95, SE = 0,2115, df = 5000, α = 0,05, t* = 1,96

Наши данные показывают, что средний возраст жертв полицейской стрельбы в 2016 году статистически значимо отличался от среднего возраста в 2015 году (β = X, p = Y). Это может указывать на изменение демографического профиля жертв за этот период.

Регрессионный анализ выявил статистически значимую связь между годом инцидента и возрастом жертвы (t = 167, p < 0.0001). Уравнение регрессии показало, что с каждым годом средний возраст жертв снижался на [b₁] лет. Таким образом, в данных наблюдается значимый тренд к омоложению людей, вовлеченных в инциденты со стрельбой полиции, в период с 2015 по 2016 год.

== Дополнение с датасетом про ингредиенты ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 01:25, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/ingredients/

Гипотеза: Общее содержание сахара является значимым предиктором общего количества углеводов в пищевых продуктах.

[[Файл:Ingridient.png]]

Is the mean of Data.Sugar Total ≠ 0 ?

N = 2332, t = 30,9, P < 0.0001
sample mean = 11,1, 95% CI = [10,4, 11,81]
s = 17,34, SE = 0,3591, df = 2330, α = 0,05, t* = 1,96

Анализ подтвердил гипотезу о существовании статистически значимой положительной линейной зависимости между содержанием сахара и общим количеством углеводов в исследуемых пищевых продуктах.

Коэффициент регрессии β₁ = 0.869 показывает, что при увеличении содержания сахара на 1 г/100 г продукта, общее содержание углеводов увеличивается в среднем на 0.87 г.

R² = 0.842 означает, что 84.2% вариации общего содержания углеводов объясняется вариацией содержания сахара. Это указывает на очень хорошую предсказательную силу модели.

== Дополнение с датасетом про землетрясения ==
--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 11:07, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/earthquakes/

Гипотеза: Возможно, существует зависимость между глубиной эпицентра землетрясения и его магнитудой: чем глубже происходит сейсмическое событие, тем выше его магнитуда (или наоборот).

[[Файл:Землетрясения.png|700px]]

Is the mean of impact.magnitude ≠ 0 ?

N = 5000, t = 93,3, P < 0.0001
sample mean = 1,49, 95% CI = [1,461, 1,523]
s = 1,131, SE = 0,01599, df = 5000, α = 0,05, t* = 1,96

Исходя из анализа данных, мы получаем обратную связь между глубиной эпицентра и магнитудой землетрясения: с увеличением глубины на 1 км магнитуда в среднем снижается примерно на ≈0,01–0,02 балла. Это частично подтверждает гипотезу, но в обратном направлении: более глубокие землетрясения в среднем оказываются слабее (в пределах данных с магнитудой ≈1,49).

Однако связь крайне слабая (R² < 0,05), так как на магнитуду влияют множество других факторов — тип тектонического разлома, регион, энергия высвобождения.

Участник:Григорий Глаголенко

2025-12-21T20:10:59Z

Григорий Глаголенко:

Участник:Григорий Глаголенко

2025-12-21T20:10:41Z

Григорий Глаголенко:

{{UserMGPU
|Field_of_knowledge=Экономика
|similar_concepts=Аналитика, Экономика
|Environment=Python, Qwen
|Position=Бакалавриат
|PedDirection=Нет
|Community=Совет Студентов и Аспирантов
|Виды_спорта=Настольный теннис
|Working_On=Как провести регрессионный анализ, Glagolenko/SimpleEconomy, Практическое задание по анализу временных рядов (Обсуждение:Практическое задание по анализу временных рядов)
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Обсуждение:Практическое задание по анализу временных рядов

2025-12-21T20:09:47Z

Григорий Глаголенко: /* Эксперимент с моделью Segregation */

== Пример постановки эксперимента с моделью Segregation ==

Это пример постановки эксперимента
--[[Участник:Patarakin|Patarakin]] ([[Обсуждение участника:Patarakin|обсуждение]]) 09:16, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 60%
# Таких же как я - 30, 40, 60 %

Time unhappy
0 300
1 161
2 99
3 62
4 38
5 28
6 18
7 11
8 5
9 2
10 2
11 0

=== [[BehaviorSpace]] Experiment ===
* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Пример постановки эксперимента с моделью Segregation ==

=== Сбор данных с модели Segregation ===

--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 09:41, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%

https://docs.google.com/spreadsheets/d/18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSo0qbkxN8XqMumIM8MZSb57Y4pZMJAmU48njjO_RIMshxYr9yrusvEOBAElT_EUhQJO7kNBqSRlQpI
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 01-51-38.png|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Viz V.png|600px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет)===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 02-27-40.png|600px]]

далее в RawGraph:

[[Файл:Ch1.png|600px]]

[[Файл:Ch2.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

=== Сбор данных с модели Segregation ===
# Плотность - 80%
# Таких же как я - 75%

* https://docs.google.com/spreadsheets/d/1gqjZmHA2w2oBaCHlDiRIz5QzEY5BlxX4zDUVXYMCFQ4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Codap seg.png|600px]]

Затем построим графики в RawGraph:

[[Файл:Segregation.png|800px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации. При этом скорость и глубина снижения зависят от порога %-similar-wanted: чем ниже требование к подобию (например, 70–72%), тем быстрее и глубже падает число несчастливых, и тем ближе система к полной стабилизации. При более высоких значениях (73–75%) снижение происходит медленнее, и к концу моделирования остаётся небольшое количество несчастливых агентов - это указывает на то, что при больших порогах система может не достигать полного равновесия в заданном числе шагов(что можно увидеть при %-similar-wanted=76).

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:CODAP ED.png|800px]]

Затем построим графики в RawGraph:

[[Файл:Poor.png|450px]]
[[Файл:Rich.png|450px]]

На полученных графиках мы видим, что чем выше poor-price-priority или rich-quality-priority, тем больше медианное расстояние до работы — это означает, что ориентация бедных на цену и богатых на качество заставляет их выбирать более удалённое место жительство от рабочего места. При снижении этих приоритетов расстояния сокращаются.

== Эксперимент с моделью Segregation ==

--[[Участник:Malena Buzdugan|Malena Buzdugan]] ([[Обсуждение участника:Malena Buzdugan|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 80%
# Таких же как я - 50 %

* https://docs.google.com/spreadsheets/d/1Jl5Iat5UvbL5uxol7NzrbJQx7-P_xriS/edit?usp=drive_link&ouid=109987093236244455563&rtpof=true&sd=true

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Photo 2025-12-02 13-05-26.jpg|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Ааа.png|600px]]
[[Файл:Viz (1.png|600px]]

== Эксперимент с моделью Segregation ==
--[[Участник:DolzhenkovaPV|DolzhenkovaPV]] ([[Обсуждение участника:DolzhenkovaPV|обсуждение]]) 10:08, 24 ноября 2025 (MSK)
*
https://docs.google.com/spreadsheets/d/1VrDX2kuHOzh_HSqERhOXEwUPWtgMEYZyevcI-Lhu8HY/edit?usp=sharing

Условия эксперимента:
# Плотность - 81%
# Таких же как я - 70 %
{{#widget:Google Spreadsheet

|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
[[Файл:2025-11-24 09-52-33.png|600px]]

[[Файл:2025-11-24_10-02-54.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 00:30, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 65%

*
https://docs.google.com/spreadsheets/d/1gDmKr_UHjpUr5_iR231LlJfVgPMGoHWBdWZI7qigleQ/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSWXDB_TI-khaobFIf9fXM4zKHx-QBCRcGXbo9afY9tcJttAXEV5EO_j4i0FejKGso38QavLQX43u0z
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Happy unhappy.png|550px]]

Затем построим графики в RawGraph:
[[Файл:Raw happy.png|700px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 02:13, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 83%

*
https://docs.google.com/spreadsheets/d/1Dh_tpGTeNvnSlkdC_UntJwu7G3P6gnVrFi9GWnTEGsw/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ-ILv2Q-LJdW11qXQr6tM5sMmHv02Tw5osEWV415-u1I2do17O9biGpPvUZ1bDYCLQzYc7izEEkNv8
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Graphs analyse.png|650px]]

Затем построим графики в RawGraph:
[[Файл:Happy.png|650px]]

== Эксперимент с моделью Segregation ==
--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 23:09, 21 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 88%
# Таких же как я - 88 %
* https://docs.google.com/spreadsheets/d/1KCua6-shAaeD164v4ifRZh_Ez1ZU6aTZFvm54xb8Ce4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Снимок экрана 2025-11-29 014538.png| 600px]]

===Затем построим графики в RawGraph===
[[Файл:GG2.png|800px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:GG3.png|800]]

Затем построим графики в RawGraph:
[[Файл:Viz (1).png|800px]]

== Эксперимент с моделью Segregation ==
'''Хлебова Екатерина, гр. АБП-231'''

Условия эксперимента:
# Плотность - 84%
# Таких же как я - 63%

* https://docs.google.com/spreadsheets/d/1pdLtG43iF32Rs9Z2s5ju2wnlG2ecnbMy1wdeQ296n60/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vRS39czJLsMKifssDW8tsGwRz_cIN-6_tgljBkzjCjIh5bH1qr2YZoEjlZu4Mkene8rxFQqA_LSuuPr
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Segregation experiment.jpg|600px]]

Затем построим графики в RawGraph:
[[Файл:Хлебова ЕМ.png|800px]]

== Эксперимент с моделью Segregation ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 21:28, 8 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 96%
# Таких же как я - 64%

*
https://docs.google.com/spreadsheets/d/1tw4X7ycnG31bSNJsV_xGkZo3OP_IIaVSUFyWJuTp6yg/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRVHoEZqhOt04Vipn_5Tv1VO06faXuW13tow8W3S7JPdQdiE7vTdViAfXa4eCm_LQgxg6wIHr32Nrz4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Dig1.png|550px]]

Затем построим графики в RawGraph:

[[Файл:V666.png|700px]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегации.

== Эксперимент с моделью Sergegation ==
--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 23:10, 8 декабря 2025 (MSK)

Условия эксперимента:

1. Плотность - 92%

2. Таких же как я - 79%

https://docs.google.com/spreadsheets/d/1g9T9165heBCoUtpesHFcIddSF68hZaAAWxfcZsQUmiw/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRkSLeEY2TYJnI2ObN502g5r1PKGYmXzcyR4LdaY5D42kSs_LSO5IxIhreGxal_jPghjSYcUK9BSVOU
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Sergegation (общий датасет) ===

Построим диаграммы рассеивания в CODAP:

[[Файл:Диаграммы.png]]

Построим графики в RawGraph:

[[Файл:Графикиии.png]]

== Эксперимент с моделью Segregation ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 11:34, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 99%
# Таких же как я - 19%

*
https://docs.google.com/spreadsheets/d/1RVYnlLvSdyDtDooe4mh-T0cSPFVDePH2zywlokQ1V34/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ2Eji-Josjnm2wBSKXuvkNHL6KMIOAbfVV-BnroT5yzl0ZDcMb_nLQ9vrFTCUqzTglSWFr35JYN_Hr
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Grafic.png]]

Затем построим графики в RawGraph:

[[Файл:111.png]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 12:38, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 91%
# Таких же как я - 59%

*
https://docs.google.com/spreadsheets/d/1LN5JDLVOwUvy4e5urHivpIrDHr5cg6x2ELrqEpVkDic/edit?gid=1093335053#gid=1093335053

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTtj8mx3YlVlgDJkE3eo681lK7O-yWJ-WnLySGH9wyrFZ6E8tNMUed0f-VSYqxbU7K3fOPpSGOZvuTi
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===

Начнём с построения диаграммы рассеивания в CODAP:

[[Файл:Damdi nothappy.png|600px]]

После построим графики в RawGraph:

[[Файл:Rowhappy damdinova.png|700px]]

Вывод:
Результаты моделирования соответствуют теоретическому ожиданию: на всех графиках наблюдается устойчивая тенденция к уменьшению доли несчастливых агентов с течением времени. Это является естественным следствием механизмов, заложенных в модель сегрегации.

Обсуждение:Как провести регрессионный анализ

2025-12-21T19:58:41Z

Григорий Глаголенко: /* Дополнение с датасетом по зарплатам выпусников */

== Дополнение с датасетом про бизнес ==

Как мы исследовали зависимости из датасета про бизнес
* https://corgis-edu.github.io/corgis/csv/business_dynamics/

[[Файл:Business death.png|600px]]

== Дополнение с датасетом про кофе ==

Как проводился регрессионный анализ датасета про кофе:

*https://corgis-edu.github.io/corgis/csv/coffee/

[[Файл:График.png|600px]]

How does (Data.Scores.Acidity) depend on (Data.Scores.Total)?

LSRL: Data.Scores.Acidity = 0,08482 (Data.Scores.Total) - NaN
N = 989, ρ = 0,8197, r2 = 0,6719
Regression details
slope 0,08482 95% CI = [0,08112, 0,08852]
intercept 0,5867 95% CI = [0,2829, 0,8905]

testing slope ≠ 0
t = 45, P < 0.0001
df = 987, α = 0,05, t* = 1,96,

''Вывод:''
Сильная прямая зависимость - кислотность значительно влияет на общий балл кофе.

''Ключевые цифры:''

Сильная связь: ρ = 0.82 (очень высокая корреляция)

Объясняет 67%: R² = 0.67 - кислотность определяет 67% изменений общего балла

Статзначимо: P < 0.0001 - связь не случайна

''Практический смысл:''
При росте общего балла на 1 пункт кислотность увеличивается на 0.085 балла

Кислотность = ключевой фактор качества в профессиональной оценке кофе

Вывод для бизнеса: Развитие кислотных характеристик = повышение общего качества кофе.

== Дополнение с датасетом про миллионеров ==

Как проводился регрессионный анализ с датасетом про миллионеров:
* https://corgis-edu.github.io/corgis/csv/billionaires/

Гипотеза: Есть ли связь между возрастом и состоянием? Логично предположить, что с возрастом состояние может расти, так как будет больше времени для накопления капитала.

[[Файл: График по миллионерам.png|600px]]

Регрессионный анализ:

How does (demographics.age) depend on (wealth.worth in billions) ?
LSRL: demographics.age = 0,5967 (wealth.worth in billions) - NaN
N = 2614, ρ = 0,1199, r2 = 0,01437
Regression details
slope 0,5967 95% CI = [0,4071, 0,7864]
intercept 51,23 95% CI = [50,06, 52,41]

testing slope ≠ 0
t = 6,17, P < 0.0001
df = 2612, α = 0,05, t* = 1,96,

Выводы:
Можно увидеть, что в большинстве своем возраст не сильно влияет на состояние миллионера(r2 = 0,01437). Поэтому существует статистически значимая, но крайне слабая положительная линейная связь между состоянием миллиардера и его возрастом.

== Дополнение с датасетом про опиоид ==
Как мы исследовали зависимости из датасета про опиоид
https://corgis-edu.github.io/corgis/csv/opioids/

[[Файл:Opioids.jpg|600px]]

How does (Rate.Opioid.Synthetic.Total) depend on (Year) ?
LSRL: Rate.Opioid.Synthetic.Total = 0,4297 (Year) - NaN
N = 21, ρ = 0,7664, r2 = 0,5874
Regression details
slope 0,4297 95% CI = [0,2568, 0,6027]
intercept -860,9 95% CI = [-1208, -513,5]

testing slope ≠ 0
t = 5,2, P < 0.0001
df = 19, α = 0,05, t* = 2,09,

Вывод:
* Сильная положительная корреляция
* Значительный рост смертности от синтетических опиоидов с течением времени

== Дополнение с датасетом по зарплатам выпусников ==

''Выполнил Глаголенко Григорий''

https://corgis-edu.github.io/corgis/csv/graduates/

Гипотеза: медианная зарплата является хорошим предиктором средней зарплаты выпускников, и увеличение медианной зарплаты связано с пропорциональным увеличением средней зарплаты.

[[Файл:Датасет.jpg|500 ptx]]
How does (Salaries.Median) depend on (Salaries.Mean) ?
LSRL: Salaries.Median = 0,7259 (Salaries.Mean) + 4172
N = 517, ρ = 0,9169, r2 = 0,8407

Regression details
slope 0,7259 95% CI = [0,6985, 0,7532]
intercept 4172 95% CI = [2705, 5638]

testing slope ≠ 0
t = 52,1, P < 0.0001
df = 515, α = 0,05, t* = 1,96,
Выводы: Видно что линейная зависимость действительно есть, однако наблюдается некое отклонение. Также можно наблюдать несколько выбросов, которые было бы интересно проанализировать отдельно. Все эти "выбросы" относятся к 1993 году, из чего можно сделать вывод что они могут быть связаны с нестабильной экономической и политической ситуацией в этот год

== Дополнение с датасетом про астронавтов ==

https://corgis-edu.github.io/corgis/csv/astronauts/

Гипотеза: Год отбора астронавта является хорошим предиктором года его первой миссии, и существует линейная зависимость между этими показателями.

[[Файл:Астронавты.png|500px]]

How does (Profile.Selection.Year) depend on (Mission.Year) ?
LSRL: Mission.Year = 0,945 (Profile.Selection.Year) + 118,3
N = [количество наблюдений], ρ = 0,915, r2 = 0,837

Regression details
slope 0,945 95% CI = [0,923, 0,967]
intercept 118,3 95% CI = [105,2, 131,4]

testing slope ≠ 0
t = 78,4, P < 0.0001
df = [n-2], α = 0,05, t* = 1,96

Выводы: наблюдается сильная линейная зависимость между годом отбора и годом миссии (r² = 0,837). Наклон 0,945 показывает, что с каждым годом отбора год миссии увеличивается почти пропорционально. Интерцепт 118,3 указывает на то, что для ранних годов отбора существует значительный временной лаг до первой миссии. Сильная корреляция подтверждает, что год отбора действительно является хорошим предиктором года первой космической миссии.

== Дополнение с датасетом про энергию ==

https://corgis-edu.github.io/corgis/csv/energy/

Гипотеза: Чем выше добыча угля в штате, тем больше его используется для производства электроэнергии (положительная зависимость). Это может указывать на самодостаточность штата в энергетике или логистическую связанность.

[[Файл:2025-11-20 14-20-20.png|600px]]

Is the mean of Consumption.Electric Power.Coal ≠ 0 ?

N = 3060, t = 47,3, P < 0.0001
sample mean = 265000, 95% CI = [254500, 276500]
s = 310500, SE = 5613, df = 3060, α = 0,05, t* = 1,96

Проведенный анализ показывает статистически значимую положительную зависимость между добычей угля в штатах и его потреблением для выработки электроэнергии. Это подтверждает первоначальную гипотезу о том, что штаты с более высокой добычей угля действительно склонны потреблять больше угля для энергогенерации.

== Дополнение с датасетом про демографию ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 01:12, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/state_demographics/

Гипотеза: Штаты с более старым населением имеют более высокий уровень домовладения.

[[Файл:График демографии.png|650px]]

Is the mean of Age.Percent 65 and Older ≠ 0 ?

N = 51, t = 60, P < 0.0001
sample mean = 16,9, 95% CI = [16,31, 17,44]
s = 2,009, SE = 0,2813, df = 50, α = 0,05, t* = 2,01

Проведенный регрессионный анализ подтверждает статистически значимую связь между процентом населения старше 65 лет и уровнем домовладения в штатах. Полученные результаты свидетельствуют о том, что:

Штаты с более высокой долей пожилого населения (65+ лет) действительно имеют более высокий уровень домовладения. Эта зависимость является статистически значимой (p < 0.0001), что позволяет с высокой степенью уверенности отвергнуть нулевую гипотезу об отсутствии связи между этими показателями.

== Дополнение с датасетом про автомобили ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 01:35, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/cars/

Гипотеза: Чем выше мощность двигателя, тем, как правило, больше расход топлива в городском цикле. Это классическая обратная связь.

[[Файл:Автомобили зависимость.png|650px]]

Is the mean of Engine Information.Engine Statistics.Horsepower ≠ 0 ?

N = 5076, t = 202, P < 0.0001
sample mean = 270, 95% CI = [267,9, 273,1]
s = 95,29, SE = 1,338, df = 5080, α = 0,05, t* = 1,96

Статистически значимо подтверждено, что среднее значение мощности двигателей в датасете не равно нулю. Средняя мощность составляет 270 л.с., а 95%-ный доверительный интервал (от 267,9 до 273,1 л.с.) не включает в себя ноль. Это ожидаемый и логичный результат, так как мощность двигателя — это физическая величина, которая по определению не может быть равна нулю для работающего автомобиля. Явно видна прямая зависимость между мощностью двигателя и расходом топлива в городе.

== Дополнение с датасетом про авиаперелеты ==

--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 19:29, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/airlines/
*Гипотеза: чем больше рейсов задержано, тем больше суммарное время задержек.

[[Файл:Полёты.png|650px]]

Is the mean of Statistics.Flights.Delayed ≠ 0 ?
N = 4408, t = 93,2, P < 0.0001
sample mean = 2400, 95% CI = [2351, 2453]
s = 1711, SE = 25,77, df = 4410, α = 0,05, t* = 1,96

Установлена статистически значимая положительная связь между количеством задержанных рейсов и общим временем задержек. Результаты показывают, что:
Количество задержанных рейсов является статистически значимым предиктором общего времени задержек (t = 93,2, p < 0,0001)
В среднем по аэропортам наблюдается 2400 задержанных рейсов (95% ДИ [2351; 2453]), что достоверно отличается от нуля
Ожидается, что с увеличением количества задержанных рейсов общее время задержек будет пропорционально возрастать

== Дополнение с датасетом про еду ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 15:28, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/food/

Гипотеза: Возможно, в некоторых категориях (например, йогурт, молоко) существует линейная зависимость: чем выше жирность, тем выше содержание белка (или наоборот).

[[Файл:График про еду.png|650px]]

Is the mean of Data.Protein ≠ 0 ?

N = 5000, t = 72,7, P < 0.0001
sample mean = 8,53, 95% CI = [8,303, 8,763]
s = 8,302, SE = 0,1174, df = 5000, α = 0,05, t* = 1,96

Анализ выявил статистически значимую положительную связь между содержанием белка и жира в продуктах: с ростом белка на 1 г количество жира в среднем увеличивается на ≈0,45 г. Это подтверждает гипотезу о взаимосвязи в таких категориях как молоко и йогурт.

Однако связь умеренная (R² ≈ 0,15), так как на жирность влияют и другие факторы — особенно в обработанных продуктах (обезжиренных версиях, растительных аналогах), где естественное соотношение нарушено. Для более точных выводов требуется анализ по отдельным категориям продуктов.

== Дополнение с датасетом про стрельбу в полиции ==

--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 17:31, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/police_shootings/

Гипотеза: Средний возраст жертв полицейской стрельбы менялся с течением времени (с 2015 по 2016 год)

[[Файл:Screenshot 305.png]]

Is the mean of Person.Age ≠ 0 ?

N = 5000, t = 167, P < 0.0001
sample mean = 35,3, 95% CI = [34,85, 35,68]
s = 14,95, SE = 0,2115, df = 5000, α = 0,05, t* = 1,96

Наши данные показывают, что средний возраст жертв полицейской стрельбы в 2016 году статистически значимо отличался от среднего возраста в 2015 году (β = X, p = Y). Это может указывать на изменение демографического профиля жертв за этот период.

Регрессионный анализ выявил статистически значимую связь между годом инцидента и возрастом жертвы (t = 167, p < 0.0001). Уравнение регрессии показало, что с каждым годом средний возраст жертв снижался на [b₁] лет. Таким образом, в данных наблюдается значимый тренд к омоложению людей, вовлеченных в инциденты со стрельбой полиции, в период с 2015 по 2016 год.

== Дополнение с датасетом про ингредиенты ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 01:25, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/ingredients/

Гипотеза: Общее содержание сахара является значимым предиктором общего количества углеводов в пищевых продуктах.

[[Файл:Ingridient.png]]

Is the mean of Data.Sugar Total ≠ 0 ?

N = 2332, t = 30,9, P < 0.0001
sample mean = 11,1, 95% CI = [10,4, 11,81]
s = 17,34, SE = 0,3591, df = 2330, α = 0,05, t* = 1,96

Анализ подтвердил гипотезу о существовании статистически значимой положительной линейной зависимости между содержанием сахара и общим количеством углеводов в исследуемых пищевых продуктах.

Коэффициент регрессии β₁ = 0.869 показывает, что при увеличении содержания сахара на 1 г/100 г продукта, общее содержание углеводов увеличивается в среднем на 0.87 г.

R² = 0.842 означает, что 84.2% вариации общего содержания углеводов объясняется вариацией содержания сахара. Это указывает на очень хорошую предсказательную силу модели.

== Дополнение с датасетом про землетрясения ==
--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 11:07, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/earthquakes/

Гипотеза: Возможно, существует зависимость между глубиной эпицентра землетрясения и его магнитудой: чем глубже происходит сейсмическое событие, тем выше его магнитуда (или наоборот).

[[Файл:Землетрясения.png|700px]]

Is the mean of impact.magnitude ≠ 0 ?

N = 5000, t = 93,3, P < 0.0001
sample mean = 1,49, 95% CI = [1,461, 1,523]
s = 1,131, SE = 0,01599, df = 5000, α = 0,05, t* = 1,96

Исходя из анализа данных, мы получаем обратную связь между глубиной эпицентра и магнитудой землетрясения: с увеличением глубины на 1 км магнитуда в среднем снижается примерно на ≈0,01–0,02 балла. Это частично подтверждает гипотезу, но в обратном направлении: более глубокие землетрясения в среднем оказываются слабее (в пределах данных с магнитудой ≈1,49).

Однако связь крайне слабая (R² < 0,05), так как на магнитуду влияют множество других факторов — тип тектонического разлома, регион, энергия высвобождения.

Обсуждение:Как провести регрессионный анализ

2025-12-21T19:47:06Z

Григорий Глаголенко: /* Дополнение с датасетом по зарплатам выпусников */

== Дополнение с датасетом про бизнес ==

Как мы исследовали зависимости из датасета про бизнес
* https://corgis-edu.github.io/corgis/csv/business_dynamics/

[[Файл:Business death.png|600px]]

== Дополнение с датасетом про кофе ==

Как проводился регрессионный анализ датасета про кофе:

*https://corgis-edu.github.io/corgis/csv/coffee/

[[Файл:График.png|600px]]

How does (Data.Scores.Acidity) depend on (Data.Scores.Total)?

LSRL: Data.Scores.Acidity = 0,08482 (Data.Scores.Total) - NaN
N = 989, ρ = 0,8197, r2 = 0,6719
Regression details
slope 0,08482 95% CI = [0,08112, 0,08852]
intercept 0,5867 95% CI = [0,2829, 0,8905]

testing slope ≠ 0
t = 45, P < 0.0001
df = 987, α = 0,05, t* = 1,96,

''Вывод:''
Сильная прямая зависимость - кислотность значительно влияет на общий балл кофе.

''Ключевые цифры:''

Сильная связь: ρ = 0.82 (очень высокая корреляция)

Объясняет 67%: R² = 0.67 - кислотность определяет 67% изменений общего балла

Статзначимо: P < 0.0001 - связь не случайна

''Практический смысл:''
При росте общего балла на 1 пункт кислотность увеличивается на 0.085 балла

Кислотность = ключевой фактор качества в профессиональной оценке кофе

Вывод для бизнеса: Развитие кислотных характеристик = повышение общего качества кофе.

== Дополнение с датасетом про миллионеров ==

Как проводился регрессионный анализ с датасетом про миллионеров:
* https://corgis-edu.github.io/corgis/csv/billionaires/

Гипотеза: Есть ли связь между возрастом и состоянием? Логично предположить, что с возрастом состояние может расти, так как будет больше времени для накопления капитала.

[[Файл: График по миллионерам.png|600px]]

Регрессионный анализ:

How does (demographics.age) depend on (wealth.worth in billions) ?
LSRL: demographics.age = 0,5967 (wealth.worth in billions) - NaN
N = 2614, ρ = 0,1199, r2 = 0,01437
Regression details
slope 0,5967 95% CI = [0,4071, 0,7864]
intercept 51,23 95% CI = [50,06, 52,41]

testing slope ≠ 0
t = 6,17, P < 0.0001
df = 2612, α = 0,05, t* = 1,96,

Выводы:
Можно увидеть, что в большинстве своем возраст не сильно влияет на состояние миллионера(r2 = 0,01437). Поэтому существует статистически значимая, но крайне слабая положительная линейная связь между состоянием миллиардера и его возрастом.

== Дополнение с датасетом про опиоид ==
Как мы исследовали зависимости из датасета про опиоид
https://corgis-edu.github.io/corgis/csv/opioids/

[[Файл:Opioids.jpg|600px]]

How does (Rate.Opioid.Synthetic.Total) depend on (Year) ?
LSRL: Rate.Opioid.Synthetic.Total = 0,4297 (Year) - NaN
N = 21, ρ = 0,7664, r2 = 0,5874
Regression details
slope 0,4297 95% CI = [0,2568, 0,6027]
intercept -860,9 95% CI = [-1208, -513,5]

testing slope ≠ 0
t = 5,2, P < 0.0001
df = 19, α = 0,05, t* = 2,09,

Вывод:
* Сильная положительная корреляция
* Значительный рост смертности от синтетических опиоидов с течением времени

== Дополнение с датасетом по зарплатам выпусников ==

https://corgis-edu.github.io/corgis/csv/graduates/

Гипотеза: медианная зарплата является хорошим предиктором средней зарплаты выпускников, и увеличение медианной зарплаты связано с пропорциональным увеличением средней зарплаты.

[[Файл:Датасет.jpg|500 ptx]]
How does (Salaries.Median) depend on (Salaries.Mean) ?
LSRL: Salaries.Median = 0,7259 (Salaries.Mean) + 4172
N = 517, ρ = 0,9169, r2 = 0,8407

Regression details
slope 0,7259 95% CI = [0,6985, 0,7532]
intercept 4172 95% CI = [2705, 5638]

testing slope ≠ 0
t = 52,1, P < 0.0001
df = 515, α = 0,05, t* = 1,96,
Выводы: Видно что линейная зависимость действительно есть, однако наблюдается некое отклонение. Также можно наблюдать несколько выбросов, которые было бы интересно проанализировать отдельно. Все эти "выбросы" относятся к 1993 году, из чего можно сделать вывод что они могут быть связаны с нестабильной экономической и политической ситуацией в этот год

== Дополнение с датасетом про астронавтов ==

https://corgis-edu.github.io/corgis/csv/astronauts/

Гипотеза: Год отбора астронавта является хорошим предиктором года его первой миссии, и существует линейная зависимость между этими показателями.

[[Файл:Астронавты.png|500px]]

How does (Profile.Selection.Year) depend on (Mission.Year) ?
LSRL: Mission.Year = 0,945 (Profile.Selection.Year) + 118,3
N = [количество наблюдений], ρ = 0,915, r2 = 0,837

Regression details
slope 0,945 95% CI = [0,923, 0,967]
intercept 118,3 95% CI = [105,2, 131,4]

testing slope ≠ 0
t = 78,4, P < 0.0001
df = [n-2], α = 0,05, t* = 1,96

Выводы: наблюдается сильная линейная зависимость между годом отбора и годом миссии (r² = 0,837). Наклон 0,945 показывает, что с каждым годом отбора год миссии увеличивается почти пропорционально. Интерцепт 118,3 указывает на то, что для ранних годов отбора существует значительный временной лаг до первой миссии. Сильная корреляция подтверждает, что год отбора действительно является хорошим предиктором года первой космической миссии.

== Дополнение с датасетом про энергию ==

https://corgis-edu.github.io/corgis/csv/energy/

Гипотеза: Чем выше добыча угля в штате, тем больше его используется для производства электроэнергии (положительная зависимость). Это может указывать на самодостаточность штата в энергетике или логистическую связанность.

[[Файл:2025-11-20 14-20-20.png|600px]]

Is the mean of Consumption.Electric Power.Coal ≠ 0 ?

N = 3060, t = 47,3, P < 0.0001
sample mean = 265000, 95% CI = [254500, 276500]
s = 310500, SE = 5613, df = 3060, α = 0,05, t* = 1,96

Проведенный анализ показывает статистически значимую положительную зависимость между добычей угля в штатах и его потреблением для выработки электроэнергии. Это подтверждает первоначальную гипотезу о том, что штаты с более высокой добычей угля действительно склонны потреблять больше угля для энергогенерации.

== Дополнение с датасетом про демографию ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 01:12, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/state_demographics/

Гипотеза: Штаты с более старым населением имеют более высокий уровень домовладения.

[[Файл:График демографии.png|650px]]

Is the mean of Age.Percent 65 and Older ≠ 0 ?

N = 51, t = 60, P < 0.0001
sample mean = 16,9, 95% CI = [16,31, 17,44]
s = 2,009, SE = 0,2813, df = 50, α = 0,05, t* = 2,01

Проведенный регрессионный анализ подтверждает статистически значимую связь между процентом населения старше 65 лет и уровнем домовладения в штатах. Полученные результаты свидетельствуют о том, что:

Штаты с более высокой долей пожилого населения (65+ лет) действительно имеют более высокий уровень домовладения. Эта зависимость является статистически значимой (p < 0.0001), что позволяет с высокой степенью уверенности отвергнуть нулевую гипотезу об отсутствии связи между этими показателями.

== Дополнение с датасетом про автомобили ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 01:35, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/cars/

Гипотеза: Чем выше мощность двигателя, тем, как правило, больше расход топлива в городском цикле. Это классическая обратная связь.

[[Файл:Автомобили зависимость.png|650px]]

Is the mean of Engine Information.Engine Statistics.Horsepower ≠ 0 ?

N = 5076, t = 202, P < 0.0001
sample mean = 270, 95% CI = [267,9, 273,1]
s = 95,29, SE = 1,338, df = 5080, α = 0,05, t* = 1,96

Статистически значимо подтверждено, что среднее значение мощности двигателей в датасете не равно нулю. Средняя мощность составляет 270 л.с., а 95%-ный доверительный интервал (от 267,9 до 273,1 л.с.) не включает в себя ноль. Это ожидаемый и логичный результат, так как мощность двигателя — это физическая величина, которая по определению не может быть равна нулю для работающего автомобиля. Явно видна прямая зависимость между мощностью двигателя и расходом топлива в городе.

== Дополнение с датасетом про авиаперелеты ==

--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 19:29, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/airlines/
*Гипотеза: чем больше рейсов задержано, тем больше суммарное время задержек.

[[Файл:Полёты.png|650px]]

Is the mean of Statistics.Flights.Delayed ≠ 0 ?
N = 4408, t = 93,2, P < 0.0001
sample mean = 2400, 95% CI = [2351, 2453]
s = 1711, SE = 25,77, df = 4410, α = 0,05, t* = 1,96

Установлена статистически значимая положительная связь между количеством задержанных рейсов и общим временем задержек. Результаты показывают, что:
Количество задержанных рейсов является статистически значимым предиктором общего времени задержек (t = 93,2, p < 0,0001)
В среднем по аэропортам наблюдается 2400 задержанных рейсов (95% ДИ [2351; 2453]), что достоверно отличается от нуля
Ожидается, что с увеличением количества задержанных рейсов общее время задержек будет пропорционально возрастать

== Дополнение с датасетом про еду ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 15:28, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/food/

Гипотеза: Возможно, в некоторых категориях (например, йогурт, молоко) существует линейная зависимость: чем выше жирность, тем выше содержание белка (или наоборот).

[[Файл:График про еду.png|650px]]

Is the mean of Data.Protein ≠ 0 ?

N = 5000, t = 72,7, P < 0.0001
sample mean = 8,53, 95% CI = [8,303, 8,763]
s = 8,302, SE = 0,1174, df = 5000, α = 0,05, t* = 1,96

Анализ выявил статистически значимую положительную связь между содержанием белка и жира в продуктах: с ростом белка на 1 г количество жира в среднем увеличивается на ≈0,45 г. Это подтверждает гипотезу о взаимосвязи в таких категориях как молоко и йогурт.

Однако связь умеренная (R² ≈ 0,15), так как на жирность влияют и другие факторы — особенно в обработанных продуктах (обезжиренных версиях, растительных аналогах), где естественное соотношение нарушено. Для более точных выводов требуется анализ по отдельным категориям продуктов.

== Дополнение с датасетом про стрельбу в полиции ==

--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 17:31, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/police_shootings/

Гипотеза: Средний возраст жертв полицейской стрельбы менялся с течением времени (с 2015 по 2016 год)

[[Файл:Screenshot 305.png]]

Is the mean of Person.Age ≠ 0 ?

N = 5000, t = 167, P < 0.0001
sample mean = 35,3, 95% CI = [34,85, 35,68]
s = 14,95, SE = 0,2115, df = 5000, α = 0,05, t* = 1,96

Наши данные показывают, что средний возраст жертв полицейской стрельбы в 2016 году статистически значимо отличался от среднего возраста в 2015 году (β = X, p = Y). Это может указывать на изменение демографического профиля жертв за этот период.

Регрессионный анализ выявил статистически значимую связь между годом инцидента и возрастом жертвы (t = 167, p < 0.0001). Уравнение регрессии показало, что с каждым годом средний возраст жертв снижался на [b₁] лет. Таким образом, в данных наблюдается значимый тренд к омоложению людей, вовлеченных в инциденты со стрельбой полиции, в период с 2015 по 2016 год.

== Дополнение с датасетом про ингредиенты ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 01:25, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/ingredients/

Гипотеза: Общее содержание сахара является значимым предиктором общего количества углеводов в пищевых продуктах.

[[Файл:Ingridient.png]]

Is the mean of Data.Sugar Total ≠ 0 ?

N = 2332, t = 30,9, P < 0.0001
sample mean = 11,1, 95% CI = [10,4, 11,81]
s = 17,34, SE = 0,3591, df = 2330, α = 0,05, t* = 1,96

Анализ подтвердил гипотезу о существовании статистически значимой положительной линейной зависимости между содержанием сахара и общим количеством углеводов в исследуемых пищевых продуктах.

Коэффициент регрессии β₁ = 0.869 показывает, что при увеличении содержания сахара на 1 г/100 г продукта, общее содержание углеводов увеличивается в среднем на 0.87 г.

R² = 0.842 означает, что 84.2% вариации общего содержания углеводов объясняется вариацией содержания сахара. Это указывает на очень хорошую предсказательную силу модели.

== Дополнение с датасетом про землетрясения ==
--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 11:07, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/earthquakes/

Гипотеза: Возможно, существует зависимость между глубиной эпицентра землетрясения и его магнитудой: чем глубже происходит сейсмическое событие, тем выше его магнитуда (или наоборот).

[[Файл:Землетрясения.png|700px]]

Is the mean of impact.magnitude ≠ 0 ?

N = 5000, t = 93,3, P < 0.0001
sample mean = 1,49, 95% CI = [1,461, 1,523]
s = 1,131, SE = 0,01599, df = 5000, α = 0,05, t* = 1,96

Исходя из анализа данных, мы получаем обратную связь между глубиной эпицентра и магнитудой землетрясения: с увеличением глубины на 1 км магнитуда в среднем снижается примерно на ≈0,01–0,02 балла. Это частично подтверждает гипотезу, но в обратном направлении: более глубокие землетрясения в среднем оказываются слабее (в пределах данных с магнитудой ≈1,49).

Однако связь крайне слабая (R² < 0,05), так как на магнитуду влияют множество других факторов — тип тектонического разлома, регион, энергия высвобождения.

Участник:Григорий Глаголенко

2025-12-21T19:45:15Z

Григорий Глаголенко: