اليمين فرض الرقابة في و الحسابية الفوركس

عندما لا تفشل جميع الوحدات في الاختبار لدينا رقابة البيانات النظر في الحالة التي نحن اختبار الموثوقية (ن) (غير قابل للإصلاح) وحدات مأخوذة عشوائيا من السكان. نحن نحقق السكان لتحديد ما إذا كان معدل الفشل مقبول. في سيناريو الاختبار النموذجي، لدينا وقت ثابت (T) لتشغيل الوحدات لمعرفة ما إذا كانت البقاء على قيد الحياة أو فشل. وتسمى البيانات التي تم الحصول عليها البيانات رقابة نوع I. بيانات النوع I المراقبة خلال ساعات الاختبار (T) نلاحظ (r) الفشل (حيث (r) يمكن أن يكون أي عدد من 0 إلى (n)). وأوقات الفشل (الدقيق) هي (t1، و t2، و لدوتس، و تر)، وهناك وحدات ((n - r)) نجت من الاختبار (T) بأكمله دون الفشل. لاحظ أن (T) يتم إصلاحه مسبقا و (r) عشوائي، لأننا لا نعرف كم عدد الإخفاقات ستحدث حتى يتم تشغيل الاختبار. لاحظ أيضا أننا نفترض يتم تسجيل الأوقات الدقيقة للفشل عندما يكون هناك إخفاقات. ويسمى هذا النوع من الرقابة أيضا بيانات الرقابة الصحيحة منذ أوقات الفشل في اليمين (أي أكبر من (T)) مفقودة. طريقة أخرى (أقل شيوعا) لاختبار هي أن تقرر مقدما أنك تريد أن ترى بالضبط (ص) مرات الفشل ثم اختبار حتى تحدث. على سبيل المثال، يمكنك وضع 100 وحدة على الاختبار وتقرر أنك تريد أن ترى على الأقل نصف منهم تفشل. ثم (ص 50)، ولكن (T) غير معروف حتى يحدث فشل 50. وهذا ما يسمى بيانات النوع الثاني من الرقابة. بيانات النوع الثاني الخاضع للرقابة نلاحظ (t1، و t2، و لدوتس، و تر) حيث يتم تحديد (r) مسبقا. ينتهي الاختبار في الوقت (T تر)، و ((ن - ص) وحدات نجا. مرة أخرى نفترض أنه من الممكن لمراقبة الوقت المحدد للفشل للوحدات الفاشلة. النوع الثاني من الرقابة له ميزة كبيرة أن تعرف مسبقا كم عدد مرات الفشل الاختبار الخاص بك سوف تسفر - وهذا يساعد بشكل كبير عند التخطيط للاختبارات الكافية. ومع ذلك، فإن وقت الاختبار العشوائي المفتوح غير عملي بوجه عام من وجهة نظر الإدارة، ونادرا ما ينظر إلى هذا النوع من الاختبارات. في بعض الأحيان نحن لا نعرف حتى الوقت المحدد للفشل قراءات أو البيانات الفاصلة في بعض الأحيان لا يعرف أوقات الفشل بالضبط سوى فترة من الزمن الذي حدث فشل يتم تسجيل. ويسمى هذا النوع من البيانات بيانات القراءات أو الفاصل الزمني، ويظهر الوضع في الشكل أدناه: في الحالة الأكثر عمومية، لاحظت كل وحدة غلة بالضبط واحدة من الأنواع الثلاثة التالية من المعلومات: وقت التشغيل إذا لم تفشل الوحدة بينما تحت المراقبة وقت الفشل الدقيق الفاصل الزمني من الوقت الذي فشل الوحدة. قد يكون لكل وحدة أوقات تشغيل مختلفة و فترات قراءة مختلفة. وقد تم تطوير العديد من الطرق الخاصة للتعامل مع البيانات الخاضعة للرقابة كيف نتعامل مع البيانات الخاضعة للرقابة يمكن استخدام العديد من الأساليب الإحصائية لتناسب النماذج وتقدير معدلات الفشل، حتى مع البيانات الخاضعة للرقابة. في أقسام لاحقة سوف نناقش نهج كابلان-ماير، احتمال التآمر. خطر التآمر. تقدير رسومي. وتقدير احتمالات الحد الأقصى. فصل أنماط الفشل لاحظ أنه عندما تتكون مجموعة البيانات من أوقات الفشل التي يمكن فرزها إلى عدة أنماط فشل مختلفة، فمن الممكن (وغالبا ما يكون ضروريا) لتحليل ونمذجة كل وضع على حدة. النظر في جميع الإخفاقات بسبب وسائط أخرى غير واحد يجري تحليلها مرات الرقابة، مع وقت الرقابة رقابة تساوي الوقت الذي فشلت بسبب مختلف (مستقل) وضع الفشل. ويناقش هذا أكثر من ذلك في قسم المخاطر المتنافسة وأجزاء تحليل لاحقة. الترحيب بمعهد البحوث الرقمية والتعليم ستاتا تحليل البيانات أمثلة تحليل توبيت معلومات الإصدار: تم اختبار رمز لهذه الصفحة في ستاتا 12. نموذج المدار، وتسمى أيضا رقابة نموذج الانحدار، تم تصميمه لتقدير العلاقات الخطية بين المتغيرات عندما يكون هناك إما لليسار أو يمين الرقابة في المتغير التابع (المعروف أيضا باسم الرقابة من أسفل وما فوق، على التوالي). ويحدث الرقابة من فوق عندما تكون الحالات ذات القيمة عند أو فوق عتبة معينة، تأخذ جميعها قيمة تلك العتبة، بحيث تكون القيمة الحقيقية مساوية للعتبة، ولكنها قد تكون أعلى أيضا. في حالة الرقابة من الأسفل، يتم مراقبة القيم التي تقع عند أو تحت عتبة معينة. يرجى ملاحظة: الغرض من هذه الصفحة هو إظهار كيفية استخدام مختلف أوامر تحليل البيانات. وهي لا تغطي جميع جوانب عملية البحث التي يتوقع من الباحثين القيام بها. وعلى وجه الخصوص، فإنه لا يغطي تنظيف البيانات وفحصها والتحقق من الافتراضات والتشخيص النموذجي والتحليلات المحتملة للمتابعة. أمثلة على الانحدار المداري المثال 1. في 1980s كان هناك قانون اتحادي يقيد عدادات عداد السرعة إلى ما لا يزيد عن 85 ميلا في الساعة. حتى إذا كنت ترغب في محاولة للتنبؤ سيارات أعلى سرعة من مزيج من الحصان السلطة وحجم المحرك، سوف تحصل على قراءة لا يزيد عن 85، بغض النظر عن مدى سرعة السيارة كانت حقا السفر. هذه حالة كلاسيكية من الرقابة الصحيحة (الرقابة من أعلاه) من البيانات. الشيء الوحيد الذي نحن على يقين من أن تلك المركبات كانت تسافر على الأقل 85 ميلا في الساعة. مثال 2: مشروع بحثي يدرس مستوى الرصاص في مياه الشرب المنزلية كدالة لعمر المنزل ودخل الأسرة. لا يمكن للكشف عن المياه الكشف عن تركيزات الرصاص أقل من 5 أجزاء في المليار (جزء في البليون). وتعتبر وكالة حماية البيئة مستويات أعلى من 15 جزء في البليون لتكون خطرة. هذه البيانات هي مثال على الرقابة اليسرى (الرقابة من أدناه). مثال 3. النظر في الوضع الذي لدينا مقياس الكفاءة الأكاديمية (تحجيم 200-800) الذي نريد أن نمذجة باستخدام درجات اختبار الرياضيات والرياضيات، وكذلك، نوع البرنامج الطالب المسجل في (الأكاديمية، العامة ، أو مهني). والمشكلة هنا هي أن الطلاب الذين يجيبون على جميع الأسئلة على اختبار الكفاءة الأكاديمية يحصلون على درجة 800، على الرغم من أنه من المرجح أن هؤلاء الطلاب ليست متساوية حقا في الكفاءة. وينطبق الشيء نفسه على الطلاب الذين يجيبون على جميع الأسئلة بشكل غير صحيح. كل هؤلاء الطلاب سيكون لديهم درجة من 200، على الرغم من أنها قد لا تكون جميعا على قدم المساواة الكفاءة. وصف البيانات يتيح متابعة المثال 3 من أعلاه. لدينا ملف بيانات افتراضية، tobit. dta مع 200 الملاحظات. متغير الكفاءة الأكاديمية هو عرضة، وقراءة ودرجات اختبار الرياضيات والقراءة والرياضيات على التوالي. المتغير المتغير هو نوع البرنامج الذي يكون فيه الطالب، وهو متغير فئوي (اسمي) يأخذ ثلاث قيم، أكاديمية (بروج 1)، عامة (بروج 2)، والمهنية (بروج 3). دعونا ننظر إلى البيانات. تجدر الإشارة إلى أنه في هذه المجموعة من البيانات، تكون أدنى قيمة ل أبت هي 352. ولم يحصل الطلاب على درجة 200 (أي أقل درجة ممكنة)، وهذا يعني أنه على الرغم من أن الرقابة من الأسفل ممكنة، إلا أنها لا تحدث في مجموعة البيانات. وبالنظر إلى الرسم البياني أعلاه تبين توزيع أبت. يمكننا أن نرى الرقابة في البيانات، وهذا هو، هناك حالات أكثر بكثير مع عشرات من 750 إلى 800 من واحد يتوقع أن ينظر في بقية التوزيع. وفيما يلي رسم بياني بديل يسلط الضوء على زيادة الحالات التي يكون فيها أبت 800. في الرسم البياني أدناه، ينتج الخيار المنفصل مخططا بيانيا حيث يكون لكل قيمة فريدة من أبت شريط خاص به. ويؤدي خيار التكرار إلى تسمية المحور ص بالتردد لكل قيمة بدلا من الكثافة. لأن أبت مستمر، معظم القيم من أبت هي فريدة من نوعها في مجموعة البيانات، على الرغم من أن قريبة من مركز التوزيع هناك عدد قليل من القيم من أبت التي لديها حالتين أو ثلاث حالات. ارتفاع في أقصى اليمين من الرسم البياني هو شريط للحالات حيث أبت 800، وارتفاع هذا الشريط بالنسبة لجميع الآخرين يظهر بوضوح العدد الزائد من الحالات مع هذه القيمة. التالي أيضا استكشاف العلاقات ثنائي المتغير في مجموعة البيانات لدينا. في الصف الأخير من المصفوفة سكاتيربلوت هو مبين أعلاه، ونحن نرى سكاتيربلوتس تظهر قراءة وممتازة. وكذلك الرياضيات و أبت. لاحظ مجموعة من الحالات في الجزء العلوي من كل سكاتيربلوت بسبب الرقابة في توزيع أبت. طرق التحليل التي قد تفكر بها فيما يلي قائمة ببعض طرق التحليل التي قد تكون قد واجهتها. بعض الأساليب المدرجة هي معقولة جدا في حين أن البعض الآخر إما سقطت لصالح أو لديها قيود. توبيت الانحدار، والتركيز من هذه الصفحة. انحدار عملية شريان الحياة للسودان - يمكنك تحليل هذه البيانات باستخدام انحدار عملية شريان الحياة للسودان. إن انحدار عملية شريان الحياة للسودان سوف يعامل 800 كقيم فعلية وليس كحد أعلى من الكفاءة الأكاديمية العليا. ويتمثل الحد من هذا النهج في أنه عندما يتم مراقبة المتغير، توفر عملية شريان الحياة للسودان تقديرات غير متناسقة للمعلمات، بمعنى أن المعاملات من التحليل لن تقترب بالضرورة من المعلمات السكانية كوترويكوت مع زيادة حجم العينة. انظر لونغ (1997، الفصل 7) لإجراء مناقشة أكثر تفصيلا لمشاكل استخدام انحدار عملية شريان الحياة للسودان مع البيانات الخاضعة للرقابة. الانحدار المقتطع - هناك أحيانا ارتباك حول الفرق بين البيانات المقتطعة والبيانات الخاضعة للرقابة. مع المتغيرات رقابة، كل من الملاحظات هي في مجموعة البيانات، ولكننا لا نعرف قيم كوترويكوت بعض منهم. مع اقتطاع بعض الملاحظات ليست مدرجة في التحليل بسبب قيمة المتغير. عندما يتم مراقبة متغير، نماذج الانحدار للبيانات المقتطعة توفر تقديرات غير متناسقة للمعلمات. انظر لونغ (1997، الفصل 7) لمناقشة أكثر تفصيلا لمشاكل استخدام نماذج الانحدار للبيانات المقتطعة لتحليل البيانات الخاضعة للرقابة. توبيت الانحدار أدناه نحن تشغيل نموذج توبيت، وذلك باستخدام قراءة. الرياضيات. و بروغ للتنبؤ أبت. ويشير الخيار أول () في الأمر توبيت إلى القيمة التي يبدأ فيها فرض الرقابة على الحق (أي الحد الأعلى). وهناك أيضا خيار (ل) للإشارة إلى قيمة الرقابة اليسرى (الحد الأدنى) التي لم تكن مطلوبة في هذا المثال. i. قبل أن يشير بروغ إلى أن بروغ هو متغير عامل (أي متغير فئوي)، وأنه ينبغي تضمينه في النموذج كمجموعة من المتغيرات الوهمية. لاحظ أن هذا التركيب قد تم إدخاله في ستاتا 11. يظهر احتمال السجل النهائي (-1041.0629) في الجزء العلوي من الإخراج، ويمكن استخدامه في مقارنات من النماذج المتداخلة، لكننا لن نعرض مثالا على ذلك هنا. أيضا في الجزء العلوي من الإخراج نرى أن جميع الملاحظات 200 في مجموعة البيانات لدينا استخدمت في التحليل (عدد أقل من الملاحظات كان يمكن استخدامها إذا كان أي من المتغيرات لدينا قيم مفقودة). تخبرنا نسبة الاحتمال تشي-سكوار 188.97 (df4) بقيمة p 0.0001 أن نموذجنا ككل يناسب أفضل بكثير من النموذج الفارغ (أي نموذج بدون تنبؤات). في الجدول نرى المعاملات، وأخطاءها القياسية، والإحصاء t، وقيم p المرتبطة بها، وفترة الثقة 95 من المعاملات. إن معاملات القراءة والرياضيات ذات دلالة إحصائية، كما هو معامل بروغ 3. وتفسر معاملات الانحدار توبيت بطريقة مماثلة لمعاملات الانحدار في عملية شريان الحياة للسودان، ولكن التأثير الخطي على المتغير الكامن غير الخاضع للرقابة، وليس النتيجة المرصودة. انظر ماكدونالد وموفيت (1980) لمزيد من التفاصيل. لزيادة وحدة واحدة في القراءة. هناك زيادة 2.7 نقطة في القيمة المتوقعة من أبت. ويرتبط زيادة وحدة واحدة في الرياضيات مع زيادة وحدة 5.91 في القيمة المتوقعة من الرابطة. شروط بروغ لها تفسير مختلف قليلا. القيمة المتوقعة من أبت هو 46.14 نقطة أقل للطلاب في برنامج مهني (بروج 3) من للطلاب في برنامج أكاديمي (بروج 1). إن سيجما الإحصائية الإضافية مماثلة للجذر التربيعي للتفاوت المتبقي في انحدار عملية شريان الحياة للسودان. يمكن مقارنة قيمة 65.67 مع الانحراف المعياري من الكفاءة الأكاديمية التي كانت 99.21، وهو انخفاض كبير. يحتوي الإخراج أيضا على تقدير للخطأ القياسي من سيغما وكذلك 95 فترة الثقة. وأخيرا، يقدم المخرجات ملخصا لعدد القيم الخاضعة للرقابة الخاضعة للرقابة والرقابة الخاضعة للرقابة. يمكننا اختبار التأثير الكلي للبروج باستخدام أمر الاختبار. وفيما يلي نرى أن التأثير العام للبروج ذو دلالة إحصائية. يمكننا أيضا اختبار فرضيات إضافية حول الاختلافات في معاملات لمستويات مختلفة من بروغ. أدناه نحن اختبار أن معامل ل بروغ 2 يساوي معامل ل بروج 3. في الناتج أدناه نرى أن معامل ل بروغ 2 يختلف اختلافا كبيرا عن معامل ل بروج 3. قد نود أيضا أن نرى تدابير مدى جيدا نموذجنا يناسب. وهذا يمكن أن يكون مفيدا بشكل خاص عند مقارنة النماذج المنافسة. وتتمثل إحدى طرق القيام بذلك في مقارنة القيم المتوقعة استنادا إلى نموذج المدار إلى القيم الملحوظة في مجموعة البيانات. أدناه نستخدم التنبؤ لتوليد القيم المتوقعة من أبت على أساس النموذج. بعد ذلك نربط القيم الملحوظة من ملائمة مع القيم المتوقعة (يهات). العلاقة بين القيم المتوقعة والمتوقعة من أبت هي 0.7825. إذا قمنا بتقسيم هذه القيمة، نحصل على الترابط التربيعي المتعدد، وهذا يشير إلى أن القيم المتوقعة تتشارك حوالي 61 (0.78252 0.6123) من التباين مع أبت. بالإضافة إلى ذلك، يمكننا استخدام الأمر المكتوب المستخدم فيتستات لإنتاج مجموعة متنوعة من الإحصاءات مناسبا. يمكنك العثور على مزيد من المعلومات حول فيتستات عن طريق كتابة فيستيت فيتستات (انظر كيف يمكنني استخدام الأمر فينديت للبحث عن البرامج والحصول على مساعدة إضافية لمزيد من المعلومات حول استخدام فينديت). ستاتا دليل على الانترنت توبيت ذات الصلة أوامر ستاتا نريغ - رقابة الانحدار العادي، والتي قد تتغير قيم الرقابة من الملاحظة إلى الملاحظة. إنتريغ - الانحدار الفاصل، حيث قد تكون الملاحظات بيانات نقطة، بيانات الفاصل الزمني، بيانات الرقابة الخاضعة للرقابة أو بيانات الرقابة الصحيحة. المراجع لونغ، J. S. (1997). نماذج الانحدار للمتغيرات تعتمد الفئوية ومحدودة. ألف أوكس، كاليفورنيا: منشورات ساجا. ماكدونالد، J. F. و موفيت، R. A. 1980. استخدامات تحليل توبيت. استعراض الاقتصاد والإحصاءات المجلد 62 (2): 318-321. توبين، J. (1958). تقدير العلاقات للمتغيرات التابعة المحدودة. إكونوميتريكا 26: 24-36. محتوى هذا الموقع لا ينبغي أن يفسر على أنه تأييد لأي موقع ويب معين، كتاب، أو منتج البرمجيات من قبل جامعة كاليفورنيا.