Никто и не говорил что они будут аккумулировать средства. С точки зрения бухучета это одно и то же — положить12.5 млн налички на счет или инвестировать эти же 12.5млн в оборудование, в любом случае увеличивается баланс на одну и ту же сумму, которая и есть доход Гугла на их капиталовложение. А в каком виде этот доход представлен — в виде денег или материальных активов, разницы особой нету.
Опять повторюсь. Мало кто в бизнесе смотрит на то, за сколько времени полностью отобьются инвестиции. Смотрят на то, сколько вы получите, например, в год в сравнении с другими альтернативами. Гугл сейчас имеет порядка $8 млрд кэша — мертвые деньги, которые еще и обесцениваются из-за инфляции (примерно 1-2% этой суммы каждый год улетают в трубу).
Если Nest имеет хотя-бы 25% чистую доходность, то в год они дают $12,5 млн * 12 * 25% = $37,5 млн. чистой прибыли. На вложение в 3,2 млрд это равнозначно доходности 1,2%. Это при том, что из-за рецессии банковские процентные ставки по депозитам колеблются в штатах сейчас в пределах 0,1-0,4%, что даже не перекрывает инфляцию. А с учетом инфляции — даже самые высокопроцентные депозиты убыточные.
Так что даже если Гугл не собирается развивать умный дом, они просто сохраняют свои средства. А появится более выгодное вложение — продадут «Гнездо» и выведут все деньги обратно.
Да вот не помню тоже. Давно было. По стилю — вроде Кларк или Ле Гуин. В конце оказалось что оба изобретателя таки сделали несуществующие штуки, но по законам планет, их не могли отпустить домой из-за неразглашения тайны.
Еще был рассказ как две цивилизации мерялись у кого лучше изобретатели. Для этого они обменялись группами инженеров, которым нужно было повторить три изобретения существующие у другой расы. И последнее задание у обеих сторон было из разряда несуществующих.
"Пользователь может просканировать QR-код с помощью планшета/телефона, открыть меню, и сделать заказ"
Пробемы возникающие если разрешить посетителю использовать свой собственный телефон/планшет:
— ему придется скачать и установить приложение с меню или перейти по ссылке на мобильный сайт ресторана. Во-первых, это занимает время. Во-вторых, не все захотят использовать траффик для скачивания энного количества мегабайт картинок с блюдами.
— какова вероятность, что некий посетитель-приколист выйдет из ресторана и с помощью установленной аппликашки не закажет еще пару стейков и дессерт для столика за которым уже новые посетители? Как вариант, можно для потехи стоять на улице и наблюдая в окно раз за разом вызывать оффицианта к столику с сохраненным qr-кодом.
Тест Харки — Бера. Значение данной статистики свидетельствует о том, нулевая гипотеза о нормальности распределения отвергается с малой вероятностью (probably > 0.05)
В данном тесте нулевая гипотеза утверждает что данные распределены нормально, и вероятность этого равна в вашем случае 0.06. И поэтому правильнее сказать, что нулевая гипотеза не отвергается а принимается с малой вероятностью. Вероятность есть, но маленькая. На 5% уровне rejection level мы еще можем поверить в это, но если ужесточить критерий до уровня 10%, то придется отбросить гипотезу.
Полученный отрицательный R2=-0.03. Чтобы не перепечатывать, просто скопирую: «R2 compares the fit of the chosen model with that of a horizontal straight line (the null hypothesis). If the chosen model fits worse than a horizontal line, then R2 is negative. Note that R2 is not always the square of anything, so it can have a negative value without violating any rules of math. R2 is negative only when the chosen model does not follow the trend of the data, so fits worse than a horizontal line.» Итого, модель работает хуже чем просто горизонтальная линия y=0
Среднеквадратичное отклонение (RMSE) и Средняя абсолютная ошибка (MAE) не несут никакой информации если только не использовать их для сравнения. Например, сравнить ошибку прогнозов между разными моделями, чтобы определить какая лучше. Или сравнить прогноз ex post и ex ante. А просто сообщить RMSE, это как сказать «Тихий океан глубокий» вместо «Тихий океан глубже чем Индийский».
Для теста Дикки-Фуллера лучше задать явно количество лагов, а не оставлять по дефолту 12*(nobs/100)^{1/4}. У вас явно видно годовую зависимость данных, поэтому (и вообще в экономике это традиционно) задать лаги до 12 месяцев.
Для определения порядка AR и МA можно дополнительно к кореллограммам прогнать отдельно регрессии AR(p) и MA(q) c достаточно большими параметрами p и q, и посмотреть какие из этих лагов будут значительны и должны быть включенными в модель.
Ну и насчет сезонности уже сказали. Кстати, Игорь, а можно попросить поделиться файлом с оригинальными данными? Я бы хотел поиграться с другой моделью на основе фильтра Калмана.
уточню вопрос — если запустить ламповый обычный гироскоп, например, на экваторе, то он будет «жить» в своей личной системе координат. И если Земля «уедет» вращаясь, то гироскоп все равно останется стабилен в своей системе. Для наблюдателя это будет выглядеть как отклонение оси гироскопа от горизонта (принцип гирокомпаса). Что в этом произойдет с Кубли? Если он позиционирует себя в пространстве с помощью сенсоров относительно Земли, тогда он будет «уезжать» вместе с планетой? В таком случае полезность девайса в космотехнике, навигации и тп. будет весьма сомнительна.
Кто знает, этот кубли будет одинаково стабильно работать на экваторе и на полюсе, или нужна будет постоянно рекалибровка сенсоров (или что там у него внутри)?
с последним обновлением все работает — и висты и реклама пропала, спасибо!
еще можно одно замечание? каждый раз при начале новой игры длина пули по умолчанию 5, и приходится «накликивать» до 20 или выше. Можно добавить где-то в настройках чтобы ее по умолчанию выставить?
да, все так.
p-value указывает на вероятность нулевой гипотезы. Чем меньше p-value, тем более высокая вероятность что H0 неверна и ее можно отбросить.
Например, в обычной регрессии смотрим на p-values коэффициентов. H0 в данном случае утверждает что коэффициент при переменной равен нулю, т.е. наша переменная не имеет никакого влияния. Тогда низкая p-value (обычно меньше 10%, 5%, или 1%, в зависимости от выбранного уровня significancy), означает что вы можете отбросить нулевую гипотезу, и переменная нужна и важна)
Или, например, в тесте Breusch-Godfrey на серийную корелляцию, H0 — это гипотеза об отсутствии корелляции. В таком случае высокая p-val означает что гипотезу можно принять, и у вас есть корелляция.
да, это поможет. в principal component analysis вы вместо измерения влияния отдельных переменных используете их средневзвешенное влияние.
Но проще выбросить ненужную переменную)
По первому вопросу, честно, не знаю. Надо порыться в литературе, больше 4-5 категорий я не встречал в приложениях. Как вариант — если у вас n категорий, создаете n-1 дамми (0;1) и их используете в регрессии.
Насчет второго вопроса я не совсем уверен что понял что именно вы спрашиваете.
Насколько я понимаю, у вас бинарный результат (купил / не купил) и разношерстные вводные данные. В таком случае — Limited dependent variable модели. Классические варианты — логит или пробит.
Да, все правильно. Если рассматривать корелляцию между Х1 и Х2, то коэффициент корелляции между ними очень высок (-0.99), значит можно подразумевать мультиколлинеарность. Поэтому теоретически можно выбросить один из них – Х1 или Х2. То же относительно Х4 и Х5 – если они коррелируют, то скрипач одна переменная не нужна. Но даже в этом случае их нельзя выбросить просто так. Помните – про пиратов и температуру? Объяснение этому — Spurious relationship. Посмотрите интересные примеры, например, как кореллируют Индекс экспорта в США и продолжительность жизни мужчин в Австралии. Корреляция еще не означает что переменные взаимосвязаны и взаимозаменяемы. Надо поочередно выбросить по одной из переменной и посмотреть как изменятся результаты регрессии. Если коэффициенты значительно изменились, значит выбросили не напрасно. Или же с использовать что-то из серии Farrar-Glauber Test, Variance Inflation Factor test, и иже с ними.
Автор в целом был на правильном пути. Он собирался выбросить переменные из кореллирующих пар (X1, X2), (X4,X5). Но при этом говоря, что большее влияние оказывают X2 и X5, поэтому их и оставим. Ок, corr(X1,Y1)=0.62, corr(X2,Y1)=-0.66. Разница в влиянии – минимальна, и трудно сказать почему X2 лучше чем X1, особенно при наличии в модели еще шести переменных. Опять же – просто так взять и выбросить – нельзя. Только проверять.
Если Nest имеет хотя-бы 25% чистую доходность, то в год они дают $12,5 млн * 12 * 25% = $37,5 млн. чистой прибыли. На вложение в 3,2 млрд это равнозначно доходности 1,2%. Это при том, что из-за рецессии банковские процентные ставки по депозитам колеблются в штатах сейчас в пределах 0,1-0,4%, что даже не перекрывает инфляцию. А с учетом инфляции — даже самые высокопроцентные депозиты убыточные.
Так что даже если Гугл не собирается развивать умный дом, они просто сохраняют свои средства. А появится более выгодное вложение — продадут «Гнездо» и выведут все деньги обратно.
Пробемы возникающие если разрешить посетителю использовать свой собственный телефон/планшет:
— ему придется скачать и установить приложение с меню или перейти по ссылке на мобильный сайт ресторана. Во-первых, это занимает время. Во-вторых, не все захотят использовать траффик для скачивания энного количества мегабайт картинок с блюдами.
— какова вероятность, что некий посетитель-приколист выйдет из ресторана и с помощью установленной аппликашки не закажет еще пару стейков и дессерт для столика за которым уже новые посетители? Как вариант, можно для потехи стоять на улице и наблюдая в окно раз за разом вызывать оффицианта к столику с сохраненным qr-кодом.
Тест Харки — Бера. Значение данной статистики свидетельствует о том, нулевая гипотеза о нормальности распределения отвергается с малой вероятностью (probably > 0.05)
В данном тесте нулевая гипотеза утверждает что данные распределены нормально, и вероятность этого равна в вашем случае 0.06. И поэтому правильнее сказать, что нулевая гипотеза не отвергается а принимается с малой вероятностью. Вероятность есть, но маленькая. На 5% уровне rejection level мы еще можем поверить в это, но если ужесточить критерий до уровня 10%, то придется отбросить гипотезу.
Полученный отрицательный R2=-0.03. Чтобы не перепечатывать, просто скопирую: «R2 compares the fit of the chosen model with that of a horizontal straight line (the null hypothesis). If the chosen model fits worse than a horizontal line, then R2 is negative. Note that R2 is not always the square of anything, so it can have a negative value without violating any rules of math. R2 is negative only when the chosen model does not follow the trend of the data, so fits worse than a horizontal line.» Итого, модель работает хуже чем просто горизонтальная линия y=0
Среднеквадратичное отклонение (RMSE) и Средняя абсолютная ошибка (MAE) не несут никакой информации если только не использовать их для сравнения. Например, сравнить ошибку прогнозов между разными моделями, чтобы определить какая лучше. Или сравнить прогноз ex post и ex ante. А просто сообщить RMSE, это как сказать «Тихий океан глубокий» вместо «Тихий океан глубже чем Индийский».
Для теста Дикки-Фуллера лучше задать явно количество лагов, а не оставлять по дефолту 12*(nobs/100)^{1/4}. У вас явно видно годовую зависимость данных, поэтому (и вообще в экономике это традиционно) задать лаги до 12 месяцев.
Для определения порядка AR и МA можно дополнительно к кореллограммам прогнать отдельно регрессии AR(p) и MA(q) c достаточно большими параметрами p и q, и посмотреть какие из этих лагов будут значительны и должны быть включенными в модель.
Ну и насчет сезонности уже сказали. Кстати, Игорь, а можно попросить поделиться файлом с оригинальными данными? Я бы хотел поиграться с другой моделью на основе фильтра Калмана.
ламповыйобычный гироскоп, например, на экваторе, то он будет «жить» в своей личной системе координат. И если Земля «уедет» вращаясь, то гироскоп все равно останется стабилен в своей системе. Для наблюдателя это будет выглядеть как отклонение оси гироскопа от горизонта (принцип гирокомпаса). Что в этом произойдет с Кубли? Если он позиционирует себя в пространстве с помощью сенсоров относительно Земли, тогда он будет «уезжать» вместе с планетой? В таком случае полезность девайса в космотехнике, навигации и тп. будет весьма сомнительна.еще можно одно замечание? каждый раз при начале новой игры длина пули по умолчанию 5, и приходится «накликивать» до 20 или выше. Можно добавить где-то в настройках чтобы ее по умолчанию выставить?
p-value указывает на вероятность нулевой гипотезы. Чем меньше p-value, тем более высокая вероятность что H0 неверна и ее можно отбросить.
Например, в обычной регрессии смотрим на p-values коэффициентов. H0 в данном случае утверждает что коэффициент при переменной равен нулю, т.е. наша переменная не имеет никакого влияния. Тогда низкая p-value (обычно меньше 10%, 5%, или 1%, в зависимости от выбранного уровня significancy), означает что вы можете отбросить нулевую гипотезу, и переменная нужна и важна)
Или, например, в тесте Breusch-Godfrey на серийную корелляцию, H0 — это гипотеза об отсутствии корелляции. В таком случае высокая p-val означает что гипотезу можно принять, и у вас есть корелляция.
Но проще выбросить ненужную переменную)
Насчет второго вопроса я не совсем уверен что понял что именно вы спрашиваете.
Насколько я понимаю, у вас бинарный результат (купил / не купил) и разношерстные вводные данные. В таком случае — Limited dependent variable модели. Классические варианты — логит или пробит.
скрипачодна переменная не нужна. Но даже в этом случае их нельзя выбросить просто так. Помните – про пиратов и температуру? Объяснение этому — Spurious relationship. Посмотрите интересные примеры, например, как кореллируют Индекс экспорта в США и продолжительность жизни мужчин в Австралии. Корреляция еще не означает что переменные взаимосвязаны и взаимозаменяемы. Надо поочередно выбросить по одной из переменной и посмотреть как изменятся результаты регрессии. Если коэффициенты значительно изменились, значит выбросили не напрасно. Или же с использовать что-то из серии Farrar-Glauber Test, Variance Inflation Factor test, и иже с ними.Автор в целом был на правильном пути. Он собирался выбросить переменные из кореллирующих пар (X1, X2), (X4,X5). Но при этом говоря, что большее влияние оказывают X2 и X5, поэтому их и оставим. Ок, corr(X1,Y1)=0.62, corr(X2,Y1)=-0.66. Разница в влиянии – минимальна, и трудно сказать почему X2 лучше чем X1, особенно при наличии в модели еще шести переменных. Опять же – просто так взять и выбросить – нельзя. Только проверять.