1. Диаграмма рассеяния Она позволяет выявить вид и степень зависимости между парами переменных x, y, которые могут представлять: Характеристику качества и воздействующий на нее фактор; Две характеристики качества; Два фактора, воздействующие на одну и ту же характеристику качества. Основываясь на диаграмме рассеяния Y по сравнению с X, мы можем наблюдать общую положительную связь между переменными. При увеличении переменной X (Цена 1 кв. м, руб.) переменная Y (Спрос на 3-комнатные квартиры на вторичном рынке, тыс. кв.) также имеет тенденцию к увеличению. Положительная корреляция: значения переменных увеличиваются вместе. Степень корреляция сильная, потому что точки близко расположены. Прямая корреляция 2. Парная линейная регрессия - это зависимость между одной переменной и средним значением другой переменной. Чаще всего модель записывается как y=ax+b+e, где x факторная переменная, y - результативная (зависимая), e - случайная компонента (остаток, отклонение). Однако важно отметить, что зависимость не является идеально линейной. Кажется, что в точках данных есть некоторые различия и разброс, указывающие на то, что другие факторы могут также влиять на спрос на квартиры в дополнение к цен. 3. Коэффициент парной корреляции (Пирсона) — это некоторое число от -1 до 1, характеризующее тесноту линейной корреляционной связи (корреляцию) между зависимой случайной величиной и независимой случайной величиной. 4. Дисперсионный анализ — метод, направленный на поиск зависимостей в экспериментальных данных путём исследования значимости различий в средних значениях. Результатом будет диапазон, дисперсия и стандартное отклонение переменных X и Y. Эти меры могут помочь нам понять дисперсию или изменчивость точек данных вокруг среднего значения. Сравнивая меры дисперсии X и Y, мы можем получить представление о разбросе и изменчивости цен и спроса на трехкомнатные квартиры соответственно. На основе дисперсионного анализа можно сделать выводы о разбросе и изменчивости данных. Больший диапазон, дисперсия или стандартное отклонение указывают на большую дисперсию точек данных. И наоборот, меньший диапазон, дисперсия или стандартное отклонение предполагают меньшую дисперсию или большую согласованность между точками данных. 5. Критерий Стьюдента (t-тест) - это статистический метод, который позволяет сравнивать средние значения двух выборок и на основе результатов теста делать заключение о том, различаются ли они друг от друга статистически или нет. 6. Коэффициент детерминации — это доля дисперсии зависимой переменной, объясняемая рассматриваемой моделью зависимости, то есть объясняющими переменными. Более точно — это единица минус доля необъяснённой дисперсии в дисперсии зависимой переменной. R-квадрат показывает насколько хорошо наша модель описывает реальные данные, либо насколько тесна связь между y и x Так как Ffact меньше Ftabl, вывод что наша модель адекватна Критерий Фишера — статистический критерий для оценки значимости различия дисперсий двух случайных выборок. 7. Точечный прогноз предполагает, что данный вариант включает единственное значение прогнозируемого показателя. Y, если предположить, что значения факторного признака увеличится относительно среднего значения на 5 %. 8.