Анализ данных 1. экономические явления и процессы. Общая характеристика и классификация

Анализ данных
1.
Цели и задачи анализа данных, характеризующих социально-
экономические явления и процессы. Общая характеристика и классификация
методов обработки и анализа экономической информации.
2.
Основные технологические этапы анализа данных, их назначение
и краткая характеристика.
3.
Представление исходных данных в виде матрицы «объекты-
свойства». Основные задачи, решаемые в процессе качественного анализа
данных: информативное описание данных, группировка (классификация)
данных, анализ взаимосвязи свойств данных, распознавание образов.
4.
Вариационные ряды данных, числовые характеристики рядов.
5.
Методы
визуализации
вариационных
рядов:
полигоны,
гистограммы, кумуляты, огивы. Анализ свойств данных на основе
гистограмм.
6.
Цели и задачи дескриптивного анализа данных в экономических
исследованиях. Типы экономических задач, решаемых с применением
методов дескриптивного анализа.
7.
Основные описательные статистики: средние величины и
показатели вариации, способы их расчета. Правило сложения дисперсий, его
применение.
8.
Теоретические
и
эмпирические
кривые
распределения.
Показатели формы распределения. Критерии согласия.
9.
Автоматизация
дескриптивного
анализа
на
основе
статистических пакетов прикладных программ (ППП).
10.
Генеральная
и
выборочная
совокупности.
Способы
формирования выборочных совокупностей. Понятие об ошибках выборки.
Методика расчета средней и предельной ошибок выборки. Определение
необходимой численности выборки.
11.
Понятие
«статистическая
гипотеза».
Основные
виды
статистических гипотез в экономических исследованиях. Статистические
критерии проверки гипотез. Понятие «уровень значимости». Этапы проверки
статистических гипотез.
12.
Практическое применение методов статистического вывода в
экономических исследованиях и прикладных задачах.
13.
Понятие «корреляционная взаимосвязь данных». Цели и зада-
14.
чи корреляционного и регрессионного анализа в экономических
15.
исследованиях и задачах.
16.
Типы экономических задач, решаемых с применением методов
корреляционно-регрессионного анализа.
17.
Корреляционный
анализ
количественных
показателей.
Параметрические методы определения тесноты и направления связи
показателей.
18.
Коэффициент детерминации, линейный коэффициент корреля
ции. Оценка их значимости на основе критериев Фишера и Стьюдента.
19.
Частные коэффициенты корреляции.
20.
Корреляционный анализ качественных показателей. Ранговые
коэффициенты корреляции Спирмена и Кендалла.
21.
Классическая модель регрессионного анализа, условия ее
корректного применения.
22.
Проверка состоятельности коэффициентов регрессии: критерий
Стьюдента, бета-коэффициенты.
23.
Проверка состоятельности регрессионной модели в целом:
критерий Фишера,
24.
коэффициент детерминации.
25.
Проверка наличия автокорреляции: критерий Дарбина–Уотсона.
26.
Метод пошагового регрессионного анализа. Отбор наиболее
существенных факторов для включения в модель. Использование фиктивных
переменных.
27.
Практическое
применение
методов
моделирования в задачах изучения взаимосвязей показателей.
регрессионного
28.
Понятие «ряды динамики», их виды.
29.
Аналитические показатели изменения уровней ряда: абсолютный
прирост, темп роста, темп прироста, абсолютное значение одного процента
прироста.
30.
Расчет средних показателей в рядах динамики.
31.
Методы выявления основной тенденции (тренда) в рядах
динамики.
32.
Измерение колеблемости в рядах динамики. Выявление и
измерение сезонных колебаний. Индексы сезонности.
33.
Интерполяция и экстраполяция в рядах динамики.
34.
Прогнозирование уровней динамических рядов на основе
среднего
абсолютного
прироста,
среднего
темпа
роста
и
метода
аналитического выравнивания.
35.
Прогнозирование при наличии сезонной компоненты.
36.
Типы экономических задач, решаемых с применением методов
многомерного статистического анализа.
37.
Цели и задачи кластерного анализа. Выбор переменных для
кластерного анализа. Нормирование значений переменных. Расстояние
между объектами и меры близости. Расстояние между классами объектов.
38.
Основные типы кластер-процедур: иерархические процедуры,
параллельные процедуры, последовательные кластер-процедуры.
39.
Интерпретация кластеров. Оценка надежности и достоверности
результатов анализа.
40.
Цели и задачи факторного анализа. Необходимость факторизации
(сокращения количества) переменных.
41.
Метод главных компонент. Определение числа факторов.
Интерпретация факторов. Повышение интерпретируемости факторов с
помощью метода «варимакс».
42.
Назначение
методов
обнаруживаемых в данных.
Data
mining.
Свойства
знаний,
43.
Виды моделей представленных знаний в Data mining.
44.
Задачи Data mining, их классификация. Общая характеристика
задач
классификации
объектов,
поиска
ассоциативных
правил,
кластеризации. Их практическое применение.
45.
Предсказательные и описательные модели Data mining.
46.
Методы
Data
mining:
базовые
методы,
нечеткая
логика,
генетические алгоритмы, нейронные сети.
47.
Технология Data mining. Этапы интеллектуального анализа
данных.
48.
mining
Подготовка исходных данных. Программные средства Data