Поле цифровой дидактики - Вклад [ru]

Участник:Kokotanov ABP231

2026-01-11T12:59:36Z

Kokotanov ABP231: Содержимое страницы заменено на «{{UserMGPU |Description=Студент 3-го курса бакалавриата по направлению 38.03.05 Бизнес-информатика Московского городского педагогического университета (МГПУ) |Field_of_knowledge=Математика, Искусственный интеллект, Спорт |similar_concepts=Экономика, Финансы |Environmen...»

{{UserMGPU
|Description=Студент 3-го курса бакалавриата по направлению 38.03.05 Бизнес-информатика
Московского городского педагогического университета (МГПУ)
|Field_of_knowledge=Математика, Искусственный интеллект, Спорт
|similar_concepts=Экономика, Финансы
|Environment=SQL, ChatGPT, Qwen, VSCode
|Position=Бакалавриат
|Profile=Математика, Информатика, Экономика
|PedDirection=Нет
|Community=МГПУ
|Виды_спорта=Волейбол
|Working_On=Эксперименты с моделью FIRE
}}
----
См. - [[Участник:Kokotanov ABP231]]
----

[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Эксперименты с моделью FIRE

2026-01-11T12:58:43Z

Kokotanov ABP231: Новая страница: «== Исследование модели FIRE. Кокотанов АБП-231 == == Исследование критических точек в модели распространения лесных пожаров FIRE == {| class="wikitable" style="margin: 1em auto; text-align: center;" Описание темы ! Параметр !! Значение |- | Предмет || Моделирование распространения лесных пожа...»

== Исследование модели FIRE. Кокотанов АБП-231 ==

== Исследование критических точек в модели распространения лесных пожаров FIRE ==

{| class="wikitable" style="margin: 1em auto; text-align: center;"

Описание темы
! Параметр !! Значение
|-
| Предмет || Моделирование распространения лесных пожаров
|-
| Тема || Критические точки и пороги перколяции в модели FIRE
|-
| Модель || Клеточный автомат NetLogo (вариант модели Drossel–Schwabl)
|-
| Ключевой параметр || Плотность деревьев (10%–70%)
|-
| Цель исследования || Экспериментально показать наличие критической точки
|}

== Введение ==

Модель '''FIRE''' представляет собой классическую клеточную модель распространения лесных пожаров. Она демонстрирует феномен '''фазового перехода''', когда при небольшом изменении параметров (плотности деревьев) поведение системы резко меняется: от локальных небольших очагов до почти полного выгорания леса.

Целью данного учебного исследования является:

показать, что в модели FIRE существует '''критическая плотность''' деревьев;

качественно описать, как меняется поведение системы при разных значениях плотности;

проиллюстрировать результаты с помощью графика и скриншотов работы модели.

Для экспериментов использовалась реализация модели FIRE в среде '''NetLogo''' с варьированием плотности деревьев и многократными запусками для каждого значения.

== Описание модели ==

Модель FIRE реализуется на двумерной решётке (клеточном поле), где каждая клетка может находиться в одном из трёх состояний:

'''зелёная клетка''' — дерево;

'''красная клетка''' — горящее дерево;

'''чёрная клетка''' — пустое место (выгоревшая или изначально пустая клетка).

Изначально лес заполняется деревьями с заданной '''плотностью''' (долей зелёных клеток). Затем на левой границе поджигается полоса деревьев, и огонь начинает распространяться по соседям (обычно используется окрестность фон Неймана: вверх, вниз, влево, вправо).

'''Ключевой вопрос''': при каких значениях плотности деревьев огонь сможет распространиться через всю решётку и достичь правой границы, а при каких — затухнет, не пройдя далеко.

=== Основные параметры эксперимента ===

{| class="wikitable" style="margin: 1em auto;"

Параметры модели FIRE
! Параметр !! Описание
|-
| density || Начальная плотность деревьев в лесу (от 10% до 70%)
|-
| world-width, world-height || Размеры моделируемого поля (количество клеток по ширине и высоте)
|-
| ignition || Условие поджигания: левая граница леса
|-
| criterion || Огонь считается «прошедшим лес», если достигает правой границы
|}

== Методология исследования ==

=== План экспериментов ===

Задать значение плотности деревьев (например, 10%, 50%, 55%, 59%, 60%, 61%, 70%).

Для выбранной плотности сгенерировать начальную конфигурацию леса.

Поджечь деревья на левой границе.

Запустить модель до полного затухания огня.

Зафиксировать, достиг ли огонь правой границы поля.

Повторить шаги 2–5 несколько раз для каждой плотности, чтобы учесть случайность начальной конфигурации.

Для каждой плотности оценить «частоту успеха» — долю запусков, в которых огонь дошёл до правой границы.

=== Данные в Google Sheets ===

Все результаты экспериментов (значения плотности, количество запусков, количество успешных запусков) были сведены в таблицу Google Sheets. На её основе построен график зависимости вероятности «успешного пожара» от плотности деревьев.

'Все результаты экспериментов (значения плотности, количество запусков, количество успешных запусков) были сведены в таблицу Google Sheets. Ниже она вставлена в интерактивном виде.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRjFEAcFJfT6P6pf2ZrX33Idrzj0fGJpMjoXF00I0mHtq5skihSan6yWVsxtyBNTBaw-FJ5BWRCiG_m
|gid=0
|width=900
|height=900
}}

== Результаты моделирования ==

В результате серии экспериментов можно качественно выделить три режима поведения модели в зависимости от плотности деревьев:

'''Низкая плотность (примерно до 50%)''' — огонь быстро затухает, не проходя далеко от левой границы.

'''Область перехода (примерно 55%–61%)''' — в одних запусках огонь доходит до правой границы, в других нет; поведение становится сильно нестабильным.

'''Высокая плотность (выше 61%–70%)''' — огонь почти всегда проходит через всё поле и достигает правой границы.

=== Визуализация для разных плотностей ===

Для наглядности были сделаны скриншоты состояния модели при разных значениях плотности деревьев, упорядоченные по возрастанию плотности.

==== Низкая плотность: 10% ====

При очень низкой плотности деревьев лес сильно «дырявый»: много пустых клеток, огню просто «не по чему» распространяться. Огонь поджигает несколько отдельных деревьев и очень быстро затухает.

''Рисунок 1
[[Файл:Плотность 10.png|мини]]

==== Средняя плотность: 50% ====

При плотности около 50% лес выглядит более заполненным, однако всё ещё присутствует множество разрывов. Огонь проникает немного глубже, чем при 10%, но всё равно чаще всего не может сформировать непрерывный путь до правой границы.

''Рисунок 2.
[[Файл:Плотность 50.png|мини]]

==== Плотность 55%: приближение к критической области ====

При плотности 55% начинают появляться большие кластеры деревьев. В отдельных запусках огонь проходит заметно дальше, но обычно ещё не дотягивается до правой границы. Система уже близка к переходу, но всё ещё в основном «подкритична».

''Рисунок 3. ''

[[Файл:Плотность 55.png|мини]]

==== Плотность 59%: критическая область ====

При плотности около 59% поведение становится резко нестабильным: в одних запусках огонь затухает на середине поля, а в других — пробивается почти до конца. Визуально можно заметить, что формируются длинные пути из соседних деревьев, по которым огонь может «перепрыгнуть» через весь лес.

''Рисунок 4. ''

[[Файл:Плотность 59.png|мини]]

==== Плотность 60%–61%: переход к почти полному выгоранию ====

При незначительном увеличении плотности до 60%–61% поведение модели качественно меняется. В большинстве запусков лес содержит протяжённые связные кластеры деревьев, которые соединяют левую и правую границы. Поэтому огонь гораздо чаще проходит через всё поле.

''Рисунок 5. ''

[[Файл:Плотность 61.png|мини]]

==== Высокая плотность: 70% ====

При ещё более высокой плотности (70%) лес становится почти сплошным. Огонь с большой долей вероятности распространяется по всей области, и значительная часть леса выгорает. Это уже надкритический режим, в котором система почти всегда «пропускает» огонь от левой к правой границе.

''Рисунок 6. ''

[[Файл:Плотность 70.png|мини]]

== Теоретическая интерпретация ==

=== Связь с перколяцией ===

Полученные результаты хорошо согласуются с идеей '''перколяционного порога'''. В теории перколяции известно, что для двумерной квадратной решётки существует критическая вероятность p_c, при которой случайно заполненная решётка «начинает пропускать» путь через всю систему.

Аналогия с моделью FIRE:

клетки с деревьями соответствуют «заполненным» site-ячейкам;

пустые клетки — «пустые» ячейки;

огонь может пройти через всю систему только в том случае, если существует связный кластер деревьев, соединяющий левую и правую границы.

Таким образом, при плотности ниже критической формируются только небольшие изолированные кластеры, и огонь в них быстро затухает. При плотности выше критической появляется «гигантский кластер», через который огонь может пройти.

=== Самоорганизованная критичность (идея) ===

Модель FIRE часто рассматривают как пример системы, в которой можно наблюдать поведение, близкое к '''самоорганизованной критичности'''. Даже простые локальные правила (горение соседних деревьев) приводят к тому, что при определённых параметрах система демонстрирует очень сложное и чувствительное к параметрам поведение: небольшие изменения плотности приводят к резкому изменению масштаба пожара.

== Обсуждение результатов ==

'''Нелинейность перехода.''' Переход от «почти всегда затухает» к «почти всегда проходит» происходит не постепенно, а довольно резко в узкой области плотностей. Это характерный признак фазового перехода.

'''Роль случайности.''' В критической области (около 59%–61%) результат отдельных запусков сильно зависит от случайной начальной конфигурации леса. Даже при одинаковой плотности деревьев возможны как небольшие пожары, так и пожары, проходящие через всё поле.

'''Интерпретация для реальных лесов.''' В реальности плотность леса, структура растительности и другие факторы (рельеф, ветер, влажность) влияют на распространение пожаров. Модель FIRE сильно упрощена, но она наглядно показывает, что может существовать порог, при котором риск масштабных пожаров возрастает очень резко.

== Заключение ==

В ходе учебного исследования модели FIRE были получены следующие основные результаты:

Показано, что поведение системы существенно зависит от начальной плотности деревьев.

При низкой плотности огонь быстро затухает и не доходит до правой границы поля.

В области около 59%–61% наблюдается критическое поведение: в одних запусках огонь проходит далеко, в других — затухает раньше.

При более высоких плотностях (около 70%) лес почти всегда полностью выгорает, так как существует множество путей, по которым огонь может распространиться.

Модель FIRE является наглядным примером того, как простые локальные правила в клеточном автомате приводят к сложному коллективному поведению и фазовым переходам. Такие модели полезны не только для иллюстрации распространения лесных пожаров, но и для понимания критических явлений в других областях: эпидемиологии, распространении информации, работе инфраструктурных сетей и т.д.

Обсуждение участника:Kokotanov ABP231

2026-01-09T14:53:36Z

Kokotanov ABP231: /* Данные в Google Sheets */

Обсуждение участника:Kokotanov ABP231

2026-01-09T14:52:18Z

Kokotanov ABP231: /* Исследование модели FIRE. Кокотанов АБП-231 */ новая тема

== Исследование модели FIRE. Кокотанов АБП-231 ==

== Исследование критических точек в модели распространения лесных пожаров FIRE ==

{| class="wikitable" style="margin: 1em auto; text-align: center;"

Описание темы
! Параметр !! Значение
|-
| Предмет || Моделирование распространения лесных пожаров
|-
| Тема || Критические точки и пороги перколяции в модели FIRE
|-
| Модель || Клеточный автомат NetLogo (вариант модели Drossel–Schwabl)
|-
| Ключевой параметр || Плотность деревьев (10%–70%)
|-
| Цель исследования || Экспериментально показать наличие критической точки
|}

== Введение ==

Модель '''FIRE''' представляет собой классическую клеточную модель распространения лесных пожаров. Она демонстрирует феномен '''фазового перехода''', когда при небольшом изменении параметров (плотности деревьев) поведение системы резко меняется: от локальных небольших очагов до почти полного выгорания леса.

Целью данного учебного исследования является:

показать, что в модели FIRE существует '''критическая плотность''' деревьев;

качественно описать, как меняется поведение системы при разных значениях плотности;

проиллюстрировать результаты с помощью графика и скриншотов работы модели.

Для экспериментов использовалась реализация модели FIRE в среде '''NetLogo''' с варьированием плотности деревьев и многократными запусками для каждого значения.

== Описание модели ==

Модель FIRE реализуется на двумерной решётке (клеточном поле), где каждая клетка может находиться в одном из трёх состояний:

'''зелёная клетка''' — дерево;

'''красная клетка''' — горящее дерево;

'''чёрная клетка''' — пустое место (выгоревшая или изначально пустая клетка).

Изначально лес заполняется деревьями с заданной '''плотностью''' (долей зелёных клеток). Затем на левой границе поджигается полоса деревьев, и огонь начинает распространяться по соседям (обычно используется окрестность фон Неймана: вверх, вниз, влево, вправо).

'''Ключевой вопрос''': при каких значениях плотности деревьев огонь сможет распространиться через всю решётку и достичь правой границы, а при каких — затухнет, не пройдя далеко.

=== Основные параметры эксперимента ===

{| class="wikitable" style="margin: 1em auto;"

Параметры модели FIRE
! Параметр !! Описание
|-
| density || Начальная плотность деревьев в лесу (от 10% до 70%)
|-
| world-width, world-height || Размеры моделируемого поля (количество клеток по ширине и высоте)
|-
| ignition || Условие поджигания: левая граница леса
|-
| criterion || Огонь считается «прошедшим лес», если достигает правой границы
|}

== Методология исследования ==

=== План экспериментов ===

Задать значение плотности деревьев (например, 10%, 50%, 55%, 59%, 60%, 61%, 70%).

Для выбранной плотности сгенерировать начальную конфигурацию леса.

Поджечь деревья на левой границе.

Запустить модель до полного затухания огня.

Зафиксировать, достиг ли огонь правой границы поля.

Повторить шаги 2–5 несколько раз для каждой плотности, чтобы учесть случайность начальной конфигурации.

Для каждой плотности оценить «частоту успеха» — долю запусков, в которых огонь дошёл до правой границы.

=== Данные в Google Sheets ===

Все результаты экспериментов (значения плотности, количество запусков, количество успешных запусков) были сведены в таблицу Google Sheets. На её основе построен график зависимости вероятности «успешного пожара» от плотности деревьев.

'Все результаты экспериментов (значения плотности, количество запусков, количество успешных запусков) были сведены в таблицу Google Sheets. Ниже она вставлена в интерактивном виде.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRjFEAcFJfT6P6pf2ZrX33Idrzj0fGJpMjoXF00I0mHtq5skihSan6yWVsxtyBNTBaw-FJ5BWRCiG_m
|gid=0
|width=400
|height=900
}}

== Результаты моделирования ==

В результате серии экспериментов можно качественно выделить три режима поведения модели в зависимости от плотности деревьев:

'''Низкая плотность (примерно до 50%)''' — огонь быстро затухает, не проходя далеко от левой границы.

'''Область перехода (примерно 55%–61%)''' — в одних запусках огонь доходит до правой границы, в других нет; поведение становится сильно нестабильным.

'''Высокая плотность (выше 61%–70%)''' — огонь почти всегда проходит через всё поле и достигает правой границы.

=== Визуализация для разных плотностей ===

Для наглядности были сделаны скриншоты состояния модели при разных значениях плотности деревьев, упорядоченные по возрастанию плотности.

==== Низкая плотность: 10% ====

При очень низкой плотности деревьев лес сильно «дырявый»: много пустых клеток, огню просто «не по чему» распространяться. Огонь поджигает несколько отдельных деревьев и очень быстро затухает.

''Рисунок 1
[[Файл:Плотность 10.png|мини]]

==== Средняя плотность: 50% ====

При плотности около 50% лес выглядит более заполненным, однако всё ещё присутствует множество разрывов. Огонь проникает немного глубже, чем при 10%, но всё равно чаще всего не может сформировать непрерывный путь до правой границы.

''Рисунок 2.
[[Файл:Плотность 50.png|мини]]

==== Плотность 55%: приближение к критической области ====

При плотности 55% начинают появляться большие кластеры деревьев. В отдельных запусках огонь проходит заметно дальше, но обычно ещё не дотягивается до правой границы. Система уже близка к переходу, но всё ещё в основном «подкритична».

''Рисунок 3. ''

[[Файл:Плотность 55.png|мини]]

==== Плотность 59%: критическая область ====

При плотности около 59% поведение становится резко нестабильным: в одних запусках огонь затухает на середине поля, а в других — пробивается почти до конца. Визуально можно заметить, что формируются длинные пути из соседних деревьев, по которым огонь может «перепрыгнуть» через весь лес.

''Рисунок 4. ''

[[Файл:Плотность 59.png|мини]]

==== Плотность 60%–61%: переход к почти полному выгоранию ====

При незначительном увеличении плотности до 60%–61% поведение модели качественно меняется. В большинстве запусков лес содержит протяжённые связные кластеры деревьев, которые соединяют левую и правую границы. Поэтому огонь гораздо чаще проходит через всё поле.

''Рисунок 5. ''

[[Файл:Плотность 61.png|мини]]

==== Высокая плотность: 70% ====

При ещё более высокой плотности (70%) лес становится почти сплошным. Огонь с большой долей вероятности распространяется по всей области, и значительная часть леса выгорает. Это уже надкритический режим, в котором система почти всегда «пропускает» огонь от левой к правой границе.

''Рисунок 6. ''

[[Файл:Плотность 70.png|мини]]

== Теоретическая интерпретация ==

=== Связь с перколяцией ===

Полученные результаты хорошо согласуются с идеей '''перколяционного порога'''. В теории перколяции известно, что для двумерной квадратной решётки существует критическая вероятность p_c, при которой случайно заполненная решётка «начинает пропускать» путь через всю систему.

Аналогия с моделью FIRE:

клетки с деревьями соответствуют «заполненным» site-ячейкам;

пустые клетки — «пустые» ячейки;

огонь может пройти через всю систему только в том случае, если существует связный кластер деревьев, соединяющий левую и правую границы.

Таким образом, при плотности ниже критической формируются только небольшие изолированные кластеры, и огонь в них быстро затухает. При плотности выше критической появляется «гигантский кластер», через который огонь может пройти.

=== Самоорганизованная критичность (идея) ===

Модель FIRE часто рассматривают как пример системы, в которой можно наблюдать поведение, близкое к '''самоорганизованной критичности'''. Даже простые локальные правила (горение соседних деревьев) приводят к тому, что при определённых параметрах система демонстрирует очень сложное и чувствительное к параметрам поведение: небольшие изменения плотности приводят к резкому изменению масштаба пожара.

== Обсуждение результатов ==

'''Нелинейность перехода.''' Переход от «почти всегда затухает» к «почти всегда проходит» происходит не постепенно, а довольно резко в узкой области плотностей. Это характерный признак фазового перехода.

'''Роль случайности.''' В критической области (около 59%–61%) результат отдельных запусков сильно зависит от случайной начальной конфигурации леса. Даже при одинаковой плотности деревьев возможны как небольшие пожары, так и пожары, проходящие через всё поле.

'''Интерпретация для реальных лесов.''' В реальности плотность леса, структура растительности и другие факторы (рельеф, ветер, влажность) влияют на распространение пожаров. Модель FIRE сильно упрощена, но она наглядно показывает, что может существовать порог, при котором риск масштабных пожаров возрастает очень резко.

== Заключение ==

В ходе учебного исследования модели FIRE были получены следующие основные результаты:

Показано, что поведение системы существенно зависит от начальной плотности деревьев.

При низкой плотности огонь быстро затухает и не доходит до правой границы поля.

В области около 59%–61% наблюдается критическое поведение: в одних запусках огонь проходит далеко, в других — затухает раньше.

При более высоких плотностях (около 70%) лес почти всегда полностью выгорает, так как существует множество путей, по которым огонь может распространиться.

Модель FIRE является наглядным примером того, как простые локальные правила в клеточном автомате приводят к сложному коллективному поведению и фазовым переходам. Такие модели полезны не только для иллюстрации распространения лесных пожаров, но и для понимания критических явлений в других областях: эпидемиологии, распространении информации, работе инфраструктурных сетей и т.д.

Файл:Плотность 70.png

2026-01-09T14:40:15Z

Kokotanov ABP231:

Распространение огня плотность 70

Файл:Плотность 61.png

2026-01-09T14:39:00Z

Kokotanov ABP231:

Распространение огня плотность 61

Файл:Плотность 59.png

2026-01-09T14:38:06Z

Kokotanov ABP231:

Распространение огня плотность 59

Файл:Плотность 55.png

2026-01-09T14:37:01Z

Kokotanov ABP231:

Распространение огня плотность 55

Файл:Плотность 50.png

2026-01-09T14:33:50Z

Kokotanov ABP231:

Распространение огня плотность 50

Файл:Плотность 10.png

2026-01-09T14:32:10Z

Kokotanov ABP231:

Распространение огня плотность 10

Участник:Kokotanov ABP231

2025-12-27T08:37:21Z

Kokotanov ABP231:

== Основные статистические характеристики выборки в эконометрике Кокотанов АБП-231 ==

{| class="wikitable" style="margin: 1em auto; text-align: center;"

+ Описание темы
! Параметр !! Значение
-
Предмет
-
Тема
-
Формулы
-
Область применения
}

== Введение ==

В эконометрике постоянно используются формулы, которые описывают '''статистические характеристики выборки''': выборочное среднее, выборочная дисперсия, коэффициент корреляции и средняя ошибка аппроксимации. Эти показатели помогают описать данные, измерить разброс значений и качество эконометрической модели.

Я изучал эти формулы, потому что они являются фундаментом для понимания того, как работают эконометрические модели и как оценивается их точность. Они встречаются в курсах по статистике, анализу данных и эконометрике.

== Выборочное среднее ==

Выборочное среднее показывает «средний уровень» признака в выборке и является аналогом обычного среднего арифметического.

=== Для несгруппированных данных ===

Формула выборочного среднего для несгруппированных данных:

[math]\displaystyle{ \bar{x} = \frac{x_1 + x_2 + \ldots + x_n}{n} = \frac{\sum_{i=1}^{n} x_i}{n} }[/math]

где:

[math]\displaystyle{ \bar{x} }[/math] — выборочное среднее

[math]\displaystyle{ x_i }[/math] — i-е наблюдение в выборке

[math]\displaystyle{ n }[/math] — объём выборки (количество наблюдений)

[math]\displaystyle{ \sum }[/math] — знак суммирования

'''Интерпретация:''' Если у нас есть 5 студентов с оценками 4, 5, 3, 4, 4, то среднее будет (4+5+3+4+4)/5 = 4.

=== Для сгруппированных данных ===

Если данные сгруппированы (одно значение повторяется несколько раз), используют формулу с учётом частот:

[math]\displaystyle{ \bar{x} = \frac{f_1 x_1 + f_2 x_2 + \ldots + f_k x_k}{f_1 + f_2 + \ldots + f_k} = \frac{\sum_{i=1}^{k} f_i x_i}{\sum_{i=1}^{k} f_i} }[/math]

где:

[math]\displaystyle{ f_i }[/math] — частота (сколько раз встретилось значение [math]\displaystyle{ x_i }[/math])

[math]\displaystyle{ k }[/math] — количество различных значений

'''Пример:''' Если оценка 3 встречается 1 раз, оценка 4 встречается 3 раза, оценка 5 встречается 1 раз, то среднее будет (1·3 + 3·4 + 1·5)/(1+3+1) = 16/5 = 3,2.

=== Для интервальных данных ===

Для интервальных данных (когда значения сгруппированы в классы или интервалы) применяется формула:

[math]\displaystyle{ \bar{x} = \frac{\sum_{i=1}^{k} f_i m_i}{\sum_{i=1}^{k} f_i} }[/math]

где [math]\displaystyle{ m_i }[/math] — середина i-го интервала (класса), [math]\displaystyle{ f_i }[/math] — частота в этом интервале.

== Выборочная дисперсия ==

Выборочная дисперсия показывает, насколько сильно элементы выборки отклоняются от среднего. Это мера разброса данных вокруг среднего значения.

=== Формула дисперсии ===

Формула выборочной дисперсии:

[math]\displaystyle{ s^2 = \frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n - 1} }[/math]

где:

[math]\displaystyle{ s^2 }[/math] — выборочная дисперсия

[math]\displaystyle{ x_i }[/math] — i-ое значение в выборке

[math]\displaystyle{ \bar{x} }[/math] — выборочное среднее

[math]\displaystyle{ n }[/math] — размер выборки

[math]\displaystyle{ \sum }[/math] — знак суммы элементов

'''Важно:''' В знаменателе стоит (n-1), а не n. Это называется несмещённой оценкой дисперсии и используется в выборочной статистике.

=== Альтернативная формула для расчёта ===

Для упрощения ручного вычисления можно использовать эквивалентную формулу:

[math]\displaystyle{ s^2 = \frac{1}{n - 1} \left( \sum_{i=1}^{n} x_i^2 - \frac{\left(\sum_{i=1}^{n} x_i\right)^2}{n} \right) }[/math]

Эта форма удобна для ручных расчётов и часто встречается в учебниках.

=== Стандартное отклонение ===

Выборочная дисперсия измеряется в квадратах единиц измерения исходных данных. Для получения меры разброса в тех же единицах, что и исходные данные, используется стандартное отклонение (среднеквадратическое отклонение):

[math]\displaystyle{ s = \sqrt{s^2} }[/math]

'''Интерпретация:''' Если дисперсия доходов равна 2500 (тыс. рублей)², то стандартное отклонение равно 50 тыс. рублей, что означает: в среднем доход отклоняется от средней величины на 50 тыс. рублей.

== Коэффициент вариации ==

Коэффициент вариации показывает относительный разброс данных (в процентах). Это удобно для сравнения вариабельности разных показателей с разными единицами измерения.

=== Формула коэффициента вариации ===

[math]\displaystyle{ V = \frac{s}{\bar{x}} \times 100% }[/math]

где:

[math]\displaystyle{ V }[/math] — коэффициент вариации (в процентах)

[math]\displaystyle{ s }[/math] — стандартное отклонение

[math]\displaystyle{ \bar{x} }[/math] — выборочное среднее

'''Интерпретация:'''

V < 10% — слабая вариабельность (данные однородны)

V = 10%-25% — умеренная вариабельность

V > 25% — высокая вариабельность (данные разнородны)

== Выборочный коэффициент корреляции ==

В эконометрике часто анализируют связь между двумя признаками, например, доход и потребление, цена и спрос. Для этого используют коэффициент корреляции.

=== Формула линейного коэффициента корреляции ===

[math]\displaystyle{ r_{xy} = \frac{\operatorname{cov}(x, y)}{\sigma_x \cdot \sigma_y} }[/math]

где:

[math]\displaystyle{ r_{xy} }[/math] — выборочный коэффициент корреляции

[math]\displaystyle{ \operatorname{cov}(x, y) }[/math] — выборочная ковариация двух переменных

[math]\displaystyle{ \sigma_x }[/math] и [math]\displaystyle{ \sigma_y }[/math] — выборочные среднеквадратические отклонения

=== Альтернативная формула через суммы ===

На практике коэффициент корреляции часто считают так:

[math]\displaystyle{ r_{xy} = \frac{n \sum x_i y_i - \sum x_i \sum y_i}{\sqrt{(n \sum x_i^2 - (\sum x_i)^2)(n \sum y_i^2 - (\sum y_i)^2)}} }[/math]

=== Интерпретация коэффициента корреляции ===

Коэффициент корреляции принимает значения от –1 до +1:

{| class="wikitable" style="margin: 1em auto;"

+ Интерпретация коэффициента корреляции
! Значение !! Интерпретация
-
[math]\displaystyle{ r_{xy} \approx 1 }[/math]
-
[math]\displaystyle{ 0,7 < r_{xy} < 1 }[/math]
-
[math]\displaystyle{ 0,3 < r_{xy} < 0,7 }[/math]
-
[math]\displaystyle{ 0 < r_{xy} < 0,3 }[/math]
-
[math]\displaystyle{ r_{xy} \approx 0 }[/math]
-
[math]\displaystyle{ -0,3 < r_{xy} < 0 }[/math]
-
[math]\displaystyle{ -0,7 < r_{xy} < -0,3 }[/math]
-
[math]\displaystyle{ -1 < r_{xy} < -0,7 }[/math]
-
[math]\displaystyle{ r_{xy} \approx -1 }[/math]
}
'''Примеры:'''

Если [math]\displaystyle{ r_{xy} = 0,85 }[/math] — между доходом и потреблением есть сильная положительная связь (при росте дохода потребление растёт)

Если [math]\displaystyle{ r_{xy} = -0,65 }[/math] — между ценой и спросом есть средняя отрицательная связь (при росте цены спрос уменьшается)

== Средняя ошибка аппроксимации ==

Средняя ошибка аппроксимации оценивает качество эконометрической модели — насколько хорошо теоретические (расчётные) значения модели приближают фактические значения.

=== Формула относительной ошибки для одного наблюдения ===

Для каждого наблюдения считают относительную ошибку аппроксимации (по модулю):

[math]\displaystyle{ A_i = \left| \frac{y_i - \hat{y}_i}{y_i} \right| \times 100% }[/math]

где:

[math]\displaystyle{ y_i }[/math] — фактическое (наблюдаемое) значение зависимой переменной

[math]\displaystyle{ \hat{y}_i }[/math] — расчётное (предсказанное) значение, полученное по модели

Модуль (абсолютное значение) нужен, чтобы избежать взаимной компенсации положительных и отрицательных ошибок

=== Формула средней ошибки аппроксимации ===

Средняя ошибка аппроксимации — это простое среднее этих относительных ошибок:

[math]\displaystyle{ \bar{A} = \frac{1}{n} \sum_{i=1}^{n} A_i = \frac{1}{n} \sum_{i=1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i} \right| \times 100% }[/math]

где [math]\displaystyle{ n }[/math] — количество наблюдений в выборке.

=== Интерпретация и допустимые пределы ===

'''Интерпретация:''' Средняя ошибка аппроксимации показывает, на сколько процентов в среднем расчётные значения отклоняются от фактических.

[math]\displaystyle{ \bar{A} \leq 5% }[/math] — модель имеет отличное качество

[math]\displaystyle{ 5% < \bar{A} \leq 10% }[/math] — модель имеет хорошее качество (допустимо)

[math]\displaystyle{ 10% < \bar{A} \leq 15% }[/math] — модель имеет приемлемое качество

[math]\displaystyle{ \bar{A} > 15% }[/math] — модель имеет низкое качество (нужно пересмотреть)

'''Пример:''' Если средняя ошибка аппроксимации равна 8%, это означает, что в среднем предсказанные значения отличаются от фактических на 8%. Это считается хорошим результатом.

== Таблица всех основных формул ==

{| class="wikitable" style="margin: 1em auto;"

+ Краткая справка по формулам
! Показатель !! Формула !! Единицы измерения !! Назначение
-
Выборочное среднее
-
Выборочная дисперсия
-
Стандартное отклонение
-
Коэффициент вариации
-
Коэффициент корреляции
-
Ошибка аппроксимации (одна)
-
Средняя ошибка аппроксимации
}
== Мои наблюдения при изучении этих формул ==

=== Первое наблюдение: Важность выбора правильного n ===

При вычислении дисперсии нужно помнить, что в знаменателе стоит (n-1), а не просто n. Это кажется маленькой деталью, но это очень важно для несмещённой оценки. Когда я впервые посчитал дисперсию двумя способами (с n и с n-1), получились разные результаты — с n-1 результат был более точным при использовании выборочных данных.

=== Второе наблюдение: Корреляция не означает причинно-следственную связь ===

Коэффициент корреляции показывает только связь между переменными, но не показывает, что одна переменная вызывает изменение другой. Например, может быть очень сильная корреляция между количеством мороженого, продаваемого летом, и количеством утопленников, но это не значит, что мороженое вызывает утопления. Просто обе переменные зависят от тепла.

=== Третье наблюдение: Средняя ошибка аппроксимации — главный критерий качества ===

Из всех показателей качества модели, средняя ошибка аппроксимации — это самый простой и интуитивный показатель. Если ошибка 5%, это значит, что модель ошибается в среднем на 5%, что очень просто объяснить любому, даже если он не знает статистику. Поэтому её так часто используют на практике.

== Практический пример расчёта ==

Предположим, у нас есть данные о доходе (в тысячах рублей): 50, 60, 55, 70, 65.

'''Шаг 1: Выборочное среднее'''

[math]\displaystyle{ \bar{x} = \frac{50 + 60 + 55 + 70 + 65}{5} = \frac{300}{5} = 60 }[/math]

Средний доход — 60 тыс. рублей.

'''Шаг 2: Выборочная дисперсия'''

Сначала считаем отклонения от среднего и возводим в квадрат:

(50 - 60)² = 100

(60 - 60)² = 0

(55 - 60)² = 25

(70 - 60)² = 100

(65 - 60)² = 25

[math]\displaystyle{ s^2 = \frac{100 + 0 + 25 + 100 + 25}{5 - 1} = \frac{250}{4} = 62,5 }[/math]

'''Шаг 3: Стандартное отклонение'''

[math]\displaystyle{ s = \sqrt{62,5} \approx 7,9 }[/math] тыс. рублей

Доход отклоняется от среднего примерно на 7,9 тыс. рублей.

'''Шаг 4: Коэффициент вариации'''

[math]\displaystyle{ V = \frac{7,9}{60} \times 100% \approx 13,2% }[/math]

Вариабельность доходов составляет примерно 13%, что считается умеренной.

== Выводы ==

=== Вывод 1: Эти формулы — основа анализа данных ===

Выборочное среднее, дисперсия, корреляция и ошибка аппроксимации — это не просто математические формулы. Это инструменты, которые позволяют нам понять закономерности в данных и оценить качество моделей, которые мы строим.

=== Вывод 2: Для правильного применения нужно понимать смысл ===

Просто подставлять числа в формулы — недостаточно. Нужно понимать, что означает каждый показатель и как его интерпретировать. Например, коэффициент корреляции 0,8 — это хорошо или плохо? Ответ зависит от контекста и того, какие значения обычны для этой пары переменных.

=== Вывод 3: Разные показатели дают разную информацию ===

Одного показателя недостаточно. Например, две выборки могут иметь одинаковое среднее, но разную дисперсию. Две пары переменных могут иметь одинаковую корреляцию, но совершенно разные наклоны в регрессионной линии. Нужно смотреть на несколько показателей одновременно.

=== Вывод 4: В эконометрике качество модели зависит от многих факторов ===

Даже если средняя ошибка аппроксимации низкая, это не гарантирует, что модель правильна. Может быть переобучение, может быть пропущена важная переменная, может быть нарушены предположения модели. Поэтому нужна комплексная оценка.

== Ссылки ==

[[Выборочное среднее]] — основной показатель центральной тенденции

[[Выборочная дисперсия]] — мера разброса данных

[[Коэффициент корреляции]] — мера связи между переменными

[[Эконометрика]] — применение статистики в экономике

[[Регрессионный анализ]] — построение моделей

[[Статистика]] — наука об анализе данных

== Категории ==

[[Категория:Эконометрика]]
[[Категория:Статистика]]
[[Категория:Математика]]
[[Категория:Формулы]]
[[Категория:Анализ данных]]
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Участник:Kokotanov ABP231

2025-12-27T06:48:49Z

Kokotanov ABP231: /* Основные статистические характеристики выборки в эконометрике */

Участник:Kokotanov ABP231

2025-12-27T06:48:23Z

Kokotanov ABP231: Новая страница: «== Основные статистические характеристики выборки в эконометрике == {| class="wikitable" style="margin: 1em auto; text-align: center;" + Описание темы ! Параметр !! Значение - Предмет - Тема - Формулы - Область применения } == Введение == В эконометрике постоянно используются формулы, ко...»

== Основные статистические характеристики выборки в эконометрике ==

{| class="wikitable" style="margin: 1em auto; text-align: center;"

+ Описание темы
! Параметр !! Значение
-
Предмет
-
Тема
-
Формулы
-
Область применения
}
== Введение ==

В эконометрике постоянно используются формулы, которые описывают '''статистические характеристики выборки''': выборочное среднее, выборочная дисперсия, коэффициент корреляции и средняя ошибка аппроксимации. Эти показатели помогают описать данные, измерить разброс значений и качество эконометрической модели.

Я изучал эти формулы, потому что они являются фундаментом для понимания того, как работают эконометрические модели и как оценивается их точность. Они встречаются в курсах по статистике, анализу данных и эконометрике.

== Выборочное среднее ==

Выборочное среднее показывает «средний уровень» признака в выборке и является аналогом обычного среднего арифметического.

=== Для несгруппированных данных ===

Формула выборочного среднего для несгруппированных данных:

[math]\displaystyle{ \bar{x} = \frac{x_1 + x_2 + \ldots + x_n}{n} = \frac{\sum_{i=1}^{n} x_i}{n} }[/math]

где:

[math]\displaystyle{ \bar{x} }[/math] — выборочное среднее

[math]\displaystyle{ x_i }[/math] — i-е наблюдение в выборке

[math]\displaystyle{ n }[/math] — объём выборки (количество наблюдений)

[math]\displaystyle{ \sum }[/math] — знак суммирования

'''Интерпретация:''' Если у нас есть 5 студентов с оценками 4, 5, 3, 4, 4, то среднее будет (4+5+3+4+4)/5 = 4.

=== Для сгруппированных данных ===

Если данные сгруппированы (одно значение повторяется несколько раз), используют формулу с учётом частот:

[math]\displaystyle{ \bar{x} = \frac{f_1 x_1 + f_2 x_2 + \ldots + f_k x_k}{f_1 + f_2 + \ldots + f_k} = \frac{\sum_{i=1}^{k} f_i x_i}{\sum_{i=1}^{k} f_i} }[/math]

где:

[math]\displaystyle{ f_i }[/math] — частота (сколько раз встретилось значение [math]\displaystyle{ x_i }[/math])

[math]\displaystyle{ k }[/math] — количество различных значений

'''Пример:''' Если оценка 3 встречается 1 раз, оценка 4 встречается 3 раза, оценка 5 встречается 1 раз, то среднее будет (1·3 + 3·4 + 1·5)/(1+3+1) = 16/5 = 3,2.

=== Для интервальных данных ===

Для интервальных данных (когда значения сгруппированы в классы или интервалы) применяется формула:

[math]\displaystyle{ \bar{x} = \frac{\sum_{i=1}^{k} f_i m_i}{\sum_{i=1}^{k} f_i} }[/math]

где [math]\displaystyle{ m_i }[/math] — середина i-го интервала (класса), [math]\displaystyle{ f_i }[/math] — частота в этом интервале.

== Выборочная дисперсия ==

Выборочная дисперсия показывает, насколько сильно элементы выборки отклоняются от среднего. Это мера разброса данных вокруг среднего значения.

=== Формула дисперсии ===

Формула выборочной дисперсии:

[math]\displaystyle{ s^2 = \frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n - 1} }[/math]

где:

[math]\displaystyle{ s^2 }[/math] — выборочная дисперсия

[math]\displaystyle{ x_i }[/math] — i-ое значение в выборке

[math]\displaystyle{ \bar{x} }[/math] — выборочное среднее

[math]\displaystyle{ n }[/math] — размер выборки

[math]\displaystyle{ \sum }[/math] — знак суммы элементов

'''Важно:''' В знаменателе стоит (n-1), а не n. Это называется несмещённой оценкой дисперсии и используется в выборочной статистике.

=== Альтернативная формула для расчёта ===

Для упрощения ручного вычисления можно использовать эквивалентную формулу:

[math]\displaystyle{ s^2 = \frac{1}{n - 1} \left( \sum_{i=1}^{n} x_i^2 - \frac{\left(\sum_{i=1}^{n} x_i\right)^2}{n} \right) }[/math]

Эта форма удобна для ручных расчётов и часто встречается в учебниках.

=== Стандартное отклонение ===

Выборочная дисперсия измеряется в квадратах единиц измерения исходных данных. Для получения меры разброса в тех же единицах, что и исходные данные, используется стандартное отклонение (среднеквадратическое отклонение):

[math]\displaystyle{ s = \sqrt{s^2} }[/math]

'''Интерпретация:''' Если дисперсия доходов равна 2500 (тыс. рублей)², то стандартное отклонение равно 50 тыс. рублей, что означает: в среднем доход отклоняется от средней величины на 50 тыс. рублей.

== Коэффициент вариации ==

Коэффициент вариации показывает относительный разброс данных (в процентах). Это удобно для сравнения вариабельности разных показателей с разными единицами измерения.

=== Формула коэффициента вариации ===

[math]\displaystyle{ V = \frac{s}{\bar{x}} \times 100% }[/math]

где:

[math]\displaystyle{ V }[/math] — коэффициент вариации (в процентах)

[math]\displaystyle{ s }[/math] — стандартное отклонение

[math]\displaystyle{ \bar{x} }[/math] — выборочное среднее

'''Интерпретация:'''

V < 10% — слабая вариабельность (данные однородны)

V = 10%-25% — умеренная вариабельность

V > 25% — высокая вариабельность (данные разнородны)

== Выборочный коэффициент корреляции ==

В эконометрике часто анализируют связь между двумя признаками, например, доход и потребление, цена и спрос. Для этого используют коэффициент корреляции.

=== Формула линейного коэффициента корреляции ===

[math]\displaystyle{ r_{xy} = \frac{\operatorname{cov}(x, y)}{\sigma_x \cdot \sigma_y} }[/math]

где:

[math]\displaystyle{ r_{xy} }[/math] — выборочный коэффициент корреляции

[math]\displaystyle{ \operatorname{cov}(x, y) }[/math] — выборочная ковариация двух переменных

[math]\displaystyle{ \sigma_x }[/math] и [math]\displaystyle{ \sigma_y }[/math] — выборочные среднеквадратические отклонения

=== Альтернативная формула через суммы ===

На практике коэффициент корреляции часто считают так:

[math]\displaystyle{ r_{xy} = \frac{n \sum x_i y_i - \sum x_i \sum y_i}{\sqrt{(n \sum x_i^2 - (\sum x_i)^2)(n \sum y_i^2 - (\sum y_i)^2)}} }[/math]

=== Интерпретация коэффициента корреляции ===

Коэффициент корреляции принимает значения от –1 до +1:

{| class="wikitable" style="margin: 1em auto;"

+ Интерпретация коэффициента корреляции
! Значение !! Интерпретация
-
[math]\displaystyle{ r_{xy} \approx 1 }[/math]
-
[math]\displaystyle{ 0,7 < r_{xy} < 1 }[/math]
-
[math]\displaystyle{ 0,3 < r_{xy} < 0,7 }[/math]
-
[math]\displaystyle{ 0 < r_{xy} < 0,3 }[/math]
-
[math]\displaystyle{ r_{xy} \approx 0 }[/math]
-
[math]\displaystyle{ -0,3 < r_{xy} < 0 }[/math]
-
[math]\displaystyle{ -0,7 < r_{xy} < -0,3 }[/math]
-
[math]\displaystyle{ -1 < r_{xy} < -0,7 }[/math]
-
[math]\displaystyle{ r_{xy} \approx -1 }[/math]
}
'''Примеры:'''

Если [math]\displaystyle{ r_{xy} = 0,85 }[/math] — между доходом и потреблением есть сильная положительная связь (при росте дохода потребление растёт)

Если [math]\displaystyle{ r_{xy} = -0,65 }[/math] — между ценой и спросом есть средняя отрицательная связь (при росте цены спрос уменьшается)

== Средняя ошибка аппроксимации ==

Средняя ошибка аппроксимации оценивает качество эконометрической модели — насколько хорошо теоретические (расчётные) значения модели приближают фактические значения.

=== Формула относительной ошибки для одного наблюдения ===

Для каждого наблюдения считают относительную ошибку аппроксимации (по модулю):

[math]\displaystyle{ A_i = \left| \frac{y_i - \hat{y}_i}{y_i} \right| \times 100% }[/math]

где:

[math]\displaystyle{ y_i }[/math] — фактическое (наблюдаемое) значение зависимой переменной

[math]\displaystyle{ \hat{y}_i }[/math] — расчётное (предсказанное) значение, полученное по модели

Модуль (абсолютное значение) нужен, чтобы избежать взаимной компенсации положительных и отрицательных ошибок

=== Формула средней ошибки аппроксимации ===

Средняя ошибка аппроксимации — это простое среднее этих относительных ошибок:

[math]\displaystyle{ \bar{A} = \frac{1}{n} \sum_{i=1}^{n} A_i = \frac{1}{n} \sum_{i=1}^{n} \left| \frac{y_i - \hat{y}_i}{y_i} \right| \times 100% }[/math]

где [math]\displaystyle{ n }[/math] — количество наблюдений в выборке.

=== Интерпретация и допустимые пределы ===

'''Интерпретация:''' Средняя ошибка аппроксимации показывает, на сколько процентов в среднем расчётные значения отклоняются от фактических.

[math]\displaystyle{ \bar{A} \leq 5% }[/math] — модель имеет отличное качество

[math]\displaystyle{ 5% < \bar{A} \leq 10% }[/math] — модель имеет хорошее качество (допустимо)

[math]\displaystyle{ 10% < \bar{A} \leq 15% }[/math] — модель имеет приемлемое качество

[math]\displaystyle{ \bar{A} > 15% }[/math] — модель имеет низкое качество (нужно пересмотреть)

'''Пример:''' Если средняя ошибка аппроксимации равна 8%, это означает, что в среднем предсказанные значения отличаются от фактических на 8%. Это считается хорошим результатом.

== Таблица всех основных формул ==

{| class="wikitable" style="margin: 1em auto;"

+ Краткая справка по формулам
! Показатель !! Формула !! Единицы измерения !! Назначение
-
Выборочное среднее
-
Выборочная дисперсия
-
Стандартное отклонение
-
Коэффициент вариации
-
Коэффициент корреляции
-
Ошибка аппроксимации (одна)
-
Средняя ошибка аппроксимации
}
== Мои наблюдения при изучении этих формул ==

=== Первое наблюдение: Важность выбора правильного n ===

При вычислении дисперсии нужно помнить, что в знаменателе стоит (n-1), а не просто n. Это кажется маленькой деталью, но это очень важно для несмещённой оценки. Когда я впервые посчитал дисперсию двумя способами (с n и с n-1), получились разные результаты — с n-1 результат был более точным при использовании выборочных данных.

=== Второе наблюдение: Корреляция не означает причинно-следственную связь ===

Коэффициент корреляции показывает только связь между переменными, но не показывает, что одна переменная вызывает изменение другой. Например, может быть очень сильная корреляция между количеством мороженого, продаваемого летом, и количеством утопленников, но это не значит, что мороженое вызывает утопления. Просто обе переменные зависят от тепла.

=== Третье наблюдение: Средняя ошибка аппроксимации — главный критерий качества ===

Из всех показателей качества модели, средняя ошибка аппроксимации — это самый простой и интуитивный показатель. Если ошибка 5%, это значит, что модель ошибается в среднем на 5%, что очень просто объяснить любому, даже если он не знает статистику. Поэтому её так часто используют на практике.

== Практический пример расчёта ==

Предположим, у нас есть данные о доходе (в тысячах рублей): 50, 60, 55, 70, 65.

'''Шаг 1: Выборочное среднее'''

[math]\displaystyle{ \bar{x} = \frac{50 + 60 + 55 + 70 + 65}{5} = \frac{300}{5} = 60 }[/math]

Средний доход — 60 тыс. рублей.

'''Шаг 2: Выборочная дисперсия'''

Сначала считаем отклонения от среднего и возводим в квадрат:

(50 - 60)² = 100

(60 - 60)² = 0

(55 - 60)² = 25

(70 - 60)² = 100

(65 - 60)² = 25

[math]\displaystyle{ s^2 = \frac{100 + 0 + 25 + 100 + 25}{5 - 1} = \frac{250}{4} = 62,5 }[/math]

'''Шаг 3: Стандартное отклонение'''

[math]\displaystyle{ s = \sqrt{62,5} \approx 7,9 }[/math] тыс. рублей

Доход отклоняется от среднего примерно на 7,9 тыс. рублей.

'''Шаг 4: Коэффициент вариации'''

[math]\displaystyle{ V = \frac{7,9}{60} \times 100% \approx 13,2% }[/math]

Вариабельность доходов составляет примерно 13%, что считается умеренной.

== Выводы ==

=== Вывод 1: Эти формулы — основа анализа данных ===

Выборочное среднее, дисперсия, корреляция и ошибка аппроксимации — это не просто математические формулы. Это инструменты, которые позволяют нам понять закономерности в данных и оценить качество моделей, которые мы строим.

=== Вывод 2: Для правильного применения нужно понимать смысл ===

Просто подставлять числа в формулы — недостаточно. Нужно понимать, что означает каждый показатель и как его интерпретировать. Например, коэффициент корреляции 0,8 — это хорошо или плохо? Ответ зависит от контекста и того, какие значения обычны для этой пары переменных.

=== Вывод 3: Разные показатели дают разную информацию ===

Одного показателя недостаточно. Например, две выборки могут иметь одинаковое среднее, но разную дисперсию. Две пары переменных могут иметь одинаковую корреляцию, но совершенно разные наклоны в регрессионной линии. Нужно смотреть на несколько показателей одновременно.

=== Вывод 4: В эконометрике качество модели зависит от многих факторов ===

Даже если средняя ошибка аппроксимации низкая, это не гарантирует, что модель правильна. Может быть переобучение, может быть пропущена важная переменная, может быть нарушены предположения модели. Поэтому нужна комплексная оценка.

== Ссылки ==

[[Выборочное среднее]] — основной показатель центральной тенденции

[[Выборочная дисперсия]] — мера разброса данных

[[Коэффициент корреляции]] — мера связи между переменными

[[Эконометрика]] — применение статистики в экономике

[[Регрессионный анализ]] — построение моделей

[[Статистика]] — наука об анализе данных

== Категории ==

[[Категория:Эконометрика]]
[[Категория:Статистика]]
[[Категория:Математика]]
[[Категория:Формулы]]
[[Категория:Анализ данных]]