Регрессионная модель - История изменений

Patarakin: /* Провести регрессионный анализ */

2025-12-17T12:26:45Z

Провести регрессионный анализ

← Предыдущая версия		Версия от 15:26, 17 декабря 2025
Строка 117:		Строка 117:


	[[p-value]]: < 2.2e-16 = <math>2 \times 10^{-16}</math> - (0.0000000000000002).		[[p-value]]: < 2.2e-16 = <math>2 \times 10^{-16}</math> - (0.0000000000000002). Это значение экстремально мало, гораздо меньше стандартного порога <math>\alpha = 0.05</math> или даже <math>\alpha = 0.001</math>.

	==== Результаты анализа ====		==== Результаты анализа ====

Patarakin: /* Провести регрессионный анализ */

2025-12-17T12:25:43Z

Провести регрессионный анализ

← Предыдущая версия		Версия от 15:25, 17 декабря 2025
Строка 116:		Строка 116:
	F-statistic: 6299 on 4 and 1435 DF, [[p-value]]: < 2.2e-16		F-statistic: 6299 on 4 and 1435 DF, [[p-value]]: < 2.2e-16


			[[p-value]]: < 2.2e-16 = <math>2 \times 10^{-16}</math> - (0.0000000000000002).

	==== Результаты анализа ====		==== Результаты анализа ====

Patarakin: /* Провести регрессионный анализ */

2025-12-17T11:47:13Z

Провести регрессионный анализ

← Предыдущая версия		Версия от 14:47, 17 декабря 2025
Строка 93:		Строка 93:
	</syntaxhighlight>		</syntaxhighlight>

			; Результаты
	Call:		Call:
	lm(formula = LCI ~ alpha + gamma + IsLogistic + StartPercent,		lm(formula = LCI ~ alpha + gamma + IsLogistic + StartPercent,
Строка 114:		Строка 114:
	Residual standard error: 0.01304 on 1435 degrees of freedom		Residual standard error: 0.01304 on 1435 degrees of freedom
	Multiple R-squared: 0.9461, Adjusted R-squared: 0.946		Multiple R-squared: 0.9461, Adjusted R-squared: 0.946
	F-statistic: 6299 on 4 and 1435 DF, p-value: < 2.2e-16		F-statistic: 6299 on 4 and 1435 DF, [[p-value]]: < 2.2e-16

Patarakin: /* Провести регрессионный анализ */

2025-12-17T11:44:34Z

Провести регрессионный анализ

← Предыдущая версия		Версия от 14:44, 17 декабря 2025
Строка 93:		Строка 93:
	</syntaxhighlight>		</syntaxhighlight>

	~~<nowiki>~~
	Call:		Call:
	lm(formula = LCI ~ alpha + gamma + IsLogistic + StartPercent,		lm(formula = LCI ~ alpha + gamma + IsLogistic + StartPercent,
Строка 99:		Строка 99:

	Residuals:		Residuals:
	Min 1Q Median 3Q Max		Min 1Q [[Median]] 3Q Max
	-0.060078 -0.008360 0.000560 0.008557 0.040863		-0.060078 -0.008360 0.000560 0.008557 0.040863

Строка 115:		Строка 115:
	Multiple R-squared: 0.9461, Adjusted R-squared: 0.946		Multiple R-squared: 0.9461, Adjusted R-squared: 0.946
	F-statistic: 6299 on 4 and 1435 DF, p-value: < 2.2e-16		F-statistic: 6299 on 4 and 1435 DF, p-value: < 2.2e-16
	~~</nowiki>~~

Patarakin: /* Провести регрессионный анализ */

2025-12-17T11:43:44Z

Провести регрессионный анализ

← Предыдущая версия		Версия от 14:43, 17 декабря 2025
Строка 93:		Строка 93:
	</syntaxhighlight>		</syntaxhighlight>

			<nowiki>
	Call:		Call:
	lm(formula = LCI ~ alpha + gamma + IsLogistic + StartPercent,		lm(formula = LCI ~ alpha + gamma + IsLogistic + StartPercent,
Строка 114:		Строка 115:
	Multiple R-squared: 0.9461, Adjusted R-squared: 0.946		Multiple R-squared: 0.9461, Adjusted R-squared: 0.946
	F-statistic: 6299 on 4 and 1435 DF, p-value: < 2.2e-16		F-statistic: 6299 on 4 and 1435 DF, p-value: < 2.2e-16
			</nowiki>
	~~----~~

Patarakin: /* Провести регрессионный анализ */

2025-12-17T11:42:47Z

Провести регрессионный анализ

← Предыдущая версия		Версия от 14:42, 17 декабря 2025
Строка 83:		Строка 83:


	-~~---~~		<syntaxhighlight lang="R" >
	> model_1 <- lm(LCI ~ alpha + gamma + IsLogistic + StartPercent, data = data)
	> summary(model_1)		data <- read.csv("../DataSets/Lang_Change_1440.csv",
			header = TRUE,
			stringsAsFactors = FALSE)

			model_1 <- lm(LCI ~ alpha + gamma + IsLogistic + StartPercent, data = data)
			summary(model_1)
			</syntaxhighlight>

	Call:		Call:

Patarakin: /* Провести регрессионный анализ */

2025-12-17T11:40:11Z

Провести регрессионный анализ

← Предыдущая версия		Версия от 14:40, 17 декабря 2025
Строка 81:		Строка 81:

	<math>LCI = \beta_0 + \beta_1 \cdot \alpha + \beta_2 \cdot \gamma + \beta_3 \cdot IsLogistic + \beta_4 \cdot StartPercent + \epsilon</math>		<math>LCI = \beta_0 + \beta_1 \cdot \alpha + \beta_2 \cdot \gamma + \beta_3 \cdot IsLogistic + \beta_4 \cdot StartPercent + \epsilon</math>


			----
			> model_1 <- lm(LCI ~ alpha + gamma + IsLogistic + StartPercent, data = data)
			> summary(model_1)

			Call:
			lm(formula = LCI ~ alpha + gamma + IsLogistic + StartPercent,
			data = data)

			Residuals:
			Min 1Q Median 3Q Max
			-0.060078 -0.008360 0.000560 0.008557 0.040863

			Coefficients:
			Estimate Std. Error t value Pr(>\|t\|)
			(Intercept) 9.746e-02 5.596e-03 17.42 <2e-16 ***
			alpha 6.845e-01 6.146e-02 11.14 <2e-16 ***
			gamma 5.253e+00 4.208e-02 124.83 <2e-16 ***
			IsLogistictrue -1.947e-02 6.871e-04 -28.34 <2e-16 ***
			StartPercent 7.842e-03 8.415e-05 93.19 <2e-16 ***
			---
			Signif. codes: 0 ‘*’ 0.001 ‘’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

			Residual standard error: 0.01304 on 1435 degrees of freedom
			Multiple R-squared: 0.9461, Adjusted R-squared: 0.946
			F-statistic: 6299 on 4 and 1435 DF, p-value: < 2.2e-16

			----




	==== Результаты анализа ====		==== Результаты анализа ====

Patarakin: /* Результаты анализа */

2025-12-17T11:37:44Z

Результаты анализа

@@ Строка 96: / Строка 96: @@
 |-
 | StartPercent || 0.007842 || 0.00008415 || 93.19 || <2e-16  || Увеличение начальной доли на 1% → LCI ↑ на 0.00784
 |}

Patarakin: /* Провести регрессионный анализ */

2025-12-17T11:33:53Z

Провести регрессионный анализ

← Предыдущая версия		Версия от 14:33, 17 декабря 2025
Строка 81:		Строка 81:

	<math>LCI = \beta_0 + \beta_1 \cdot \alpha + \beta_2 \cdot \gamma + \beta_3 \cdot IsLogistic + \beta_4 \cdot StartPercent + \epsilon</math>		<math>LCI = \beta_0 + \beta_1 \cdot \alpha + \beta_2 \cdot \gamma + \beta_3 \cdot IsLogistic + \beta_4 \cdot StartPercent + \epsilon</math>

			==== Результаты анализа ====
			{\| class="wikitable" style="border-collapse: collapse; width: 100%; margin: 1em 0;"
			\|-
			! Переменная !! Коэффициент !! Std. Error !! t-статистика !! p-значение !! Интерпретация
			\|-
			\| (Intercept) \|\| 0.0975 \|\| 0.00560 \|\| 17.42 \|\| <2e-16 \|\| Базовое значение LCI при нулевых параметрах
			\|-
			\| alpha \|\| 0.6845 \|\| 0.06146 \|\| 11.14 \|\| <2e-16 \|\| Увеличение alpha на 0.01 → LCI ↑ на 0.0068
			\|-
			\| gamma \|\| 5.253 \|\| 0.04208 \|\| 124.83 \|\| <2e-16 \|\| '''ДОМИНИРУЮЩИЙ ФАКТОР:''' увеличение gamma на 0.01 → LCI ↑ на 0.053
			\|-
			\| IsLogistic (TRUE) \|\| -0.01947 \|\| 0.0006871 \|\| -28.34 \|\| <2e-16 \|\| Логистический процесс снижает LCI на 0.0195 (консервативный эффект)
			\|-
			\| StartPercent \|\| 0.007842 \|\| 0.00008415 \|\| 93.19 \|\| <2e-16 \|\| Увеличение начальной доли на 1% → LCI ↑ на 0.00784
			\|}

Patarakin: /* Вырастить данные в агент-ориентированной модели */

2025-12-17T11:31:21Z

Вырастить данные в агент-ориентированной модели

← Предыдущая версия		Версия от 14:31, 17 декабря 2025
Строка 75:		Строка 75:

	Для каждого из 72 сценариев проведено 20 повторений (реплик) с разными случайными сидами → 1440 наблюдений (данные в [https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/Lang_Change_1440.csv Lang_Change_1440.csv]		Для каждого из 72 сценариев проведено 20 повторений (реплик) с разными случайными сидами → 1440 наблюдений (данные в [https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/Lang_Change_1440.csv Lang_Change_1440.csv]

			=== Провести регрессионный анализ ===

			* Какие факторы и как влияют на успешность распространения языковой инновации в агент-ориентированной системе?

			<math>LCI = \beta_0 + \beta_1 \cdot \alpha + \beta_2 \cdot \gamma + \beta_3 \cdot IsLogistic + \beta_4 \cdot StartPercent + \epsilon</math>