The 4 references with contexts in paper Lilia Matraeva V., Лилия Матраева Валериевна (2016) “ИСПОЛЬЗОВАНИЕ ЛОГИСТИЧЕСКОЙ РЕГРЕССИИ ПРИ ВЫЯВЛЕНИИ ПРИОРИТЕТОВ РЕГИОНАЛЬНОЙ ИНВЕСТИЦИОННОЙ ПОЛИТИКИ В ОТНОШЕНИИ ИНОСТРАННЫХ ИНВЕСТОРОВ В РЕГИОНЫ РФ // USE OF LOGISTIC REGRESSION IN IDENTIFYING PRIORITIES FOR REGIONAL INVESTMENT POLICY IN RESPECT OF FOREIGN INVESTORS IN THE REGIONS OF THE RUSSIAN FEDERATION” / spz:neicon:statecon:y:2013:i:6:p:170-174

1
Илышев А.М., Шубат О.М. Возможности углубления статистического изучения малого предпринимательства// Вопросы статистики. – 2009. – No2. – С. 8–17.
Total in-text references: 2
  1. In-text reference with the coordinate start=5754
    Prefix
    Поэтому, учитывая специфику исходных данных, в качестве инструмента исследования был выбран аппарат бинарной логистической регрессии. Модель бинарной логистической регрессии, в случае если имеется более одной независимой переменной, имеет вид (форм.1)
    Exact
    [1]
    Suffix
    : Таблица 1 Оценка переменных в уравнениях логистической регрессии ПеременныеBСтд.ошибкаВальдЗнч.Exp(B) Стадия допуска инвестора (ŷ1) Наличие инвестиционных площадок с готовой инфраструктурой–2,0451,0973,4770,0620,129 Преступления совершенные в сфере экономики–2,1881,0414,4150,0360,112 Участие в создании организаций1,5401,2521,5130,2194,666 Преступления на 100000 населения3,8311,5136,4100,0114

  2. In-text reference with the coordinate start=15640
    Prefix
    В свою очередь отрицательные примеры, классифицированные как положительные представляют собой ошибку II рода. [4] Для определения качества бинарного классификатора рассчитывают два показателя: чувствительность (Se) и специфичность (Sp) модели
    Exact
    [1]
    Suffix
    . Само по себе исследование таких характеристик модели как чувствительность и специфичность, дают возможность определить две очень важных показателя модели: 1. оптимальный порог отсечения, в котором ошибки ошибок I и II рода минимальны (Sp + Se ⇒ max), то есть это точка, в которой чувствительность и специфичность модели максимальна. 2. точку баланса, в которой чувствительность и специфичнос

2
Крыштановский А.О. Анализ социологических данных с помощью пакета SPSS. – М. : Изд. дом ГУ ВШЭ, 2006. – 281 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=13135
    Prefix
    Во-первых, для оценки качества логистической регрессии используют меры определенности Кокса&Шнела и Нэйджелкерка. Они характеризуют часть дисперсии, объясняемой с помощью построенной модели логистической регрессии
    Exact
    [2]
    Suffix
    . Для первой модели R квадрат Нэйджелкерка (псевдокоэффициент детерминации) составил 64,9%. Для второй модели – 50,%. В-вторых, для оценки доли правильно определенных (переклассифицированных) наблюдений используют проценты конкордации.

3
Илышев А.М., Шубат О.М. Многомерная классификация данных: особенности методики, анализ практики и перспектив применения // Вопросы статистики. – 2010. – No10. – С. 34–40.
Total in-text references: 1
  1. In-text reference with the coordinate start=14402
    Prefix
    Самым наглядным методом, позволяющим оценить качество модели, является построение ROC-кривой. Однако, как справедливо отмечается в работе Илышева А.М. и Шуба- та О.М., посвященной исследованию практике применения многомерных методов классификации
    Exact
    [3]
    Suffix
    , «... этот метод еще не достаточно применяется в отечественной науке и крайне редко встречается в работах российских статистиков» представляется совершенно обоснованным утверждение авторов статьи о том, что наиболее полно техника применения логистической регрессии представлена в работах И.

4
Паклин Н.Б. Логистическая регрессия и ROC-анализ – математический аппарат // Официальный сайт компании BaseGroup Labs URL: http:// www.basegroup.ru/library/analysis/
Total in-text references: 3
  1. In-text reference with the coordinate start=14836
    Prefix
    в отечественной науке и крайне редко встречается в работах российских статистиков» представляется совершенно обоснованным утверждение авторов статьи о том, что наиболее полно техника применения логистической регрессии представлена в работах И.И. Елисеевой и В.С. Мхитаряна. Среди последних публикаций в этой области можно выделить работы Н.Б. Паклина, В.И Орешкова, Цыпиной Н.Ю
    Exact
    [4]
    Suffix
    . В связи с вышесказанным рассмотрим методику построения ROC-кривой для решения поставленной в исследовании задачи более подробно. ROC-кривая показывает зависимость количества верно классифицированных положительных примеров (истинно положительное множество) от количества неверно классифицированных отрицательных примеров (ложно отрицательное множество) [4].

  2. In-text reference with the coordinate start=15198
    Prefix
    ROC-кривая показывает зависимость количества верно классифицированных положительных примеров (истинно положительное множество) от количества неверно классифицированных отрицательных примеров (ложно отрицательное множество)
    Exact
    [4]
    Suffix
    . Положительные примеры, классифицированные как отрицательные в подобных терминах трактуются как ошибка I рода. То есть в этом случае построенная модель не выявила интересующее нас событие. В свою очередь отрицательные примеры, классифицированные как положительные представляют собой ошибку II рода. [4] Для определения качества бинарного классификатора рассчитывают два показателя: чувствите

  3. In-text reference with the coordinate start=15507
    Prefix
    Положительные примеры, классифицированные как отрицательные в подобных терминах трактуются как ошибка I рода. То есть в этом случае построенная модель не выявила интересующее нас событие. В свою очередь отрицательные примеры, классифицированные как положительные представляют собой ошибку II рода.
    Exact
    [4]
    Suffix
    Для определения качества бинарного классификатора рассчитывают два показателя: чувствительность (Se) и специфичность (Sp) модели [1]. Само по себе исследование таких характеристик модели как чувствительность и специфичность, дают возможность определить две очень важных показателя модели: 1. оптимальный порог отсечения, в котором ошибки ошибок I и II рода минимальны (Sp + Se ⇒ max), то есть