Действия в случае потери или кражи iPhone, iPad или iPod touch
Если вы потеряли свое устройство iPhone, iPad или iPod touch либо считаете, что его могли украсть, воспользуйтесь приложением «Локатор» и защитите свои данные.
Поиск устройства на карте
Чтобы найти устройство, выполните вход на странице iCloud.com/find. Можно также воспользоваться приложением «Локатор» на другом принадлежащем вам устройстве Apple.
Если устройство iPhone, iPad или iPod touch не отображается в списке устройств, это означает, что на нем не был включен Локатор. Но вы все равно можете защитить свою учетную запись, даже если Локатор не был включен.
Обозначение устройства как пропавшего
Обозначив устройство как пропавшее, вы удаленно заблокируете его с помощью код-пароля, что позволит защитить данные на устройстве. При этом на утерянном устройстве также отключится служба Apple Pay. Кроме того, на утерянном устройстве можно отобразить произвольное сообщение со своей контактной информацией.
Обозначьте устройство как пропавшее
Подача заявления о пропавшем устройстве в местные правоохранительные органы
Сотрудники правоохранительных органов могут запросить серийный номер вашего устройства.
Определите серийный номер
Подача заявления о краже и потере
Если на утерянный iPhone распространяется действие соглашения AppleCare+ с покрытием кражи и потери, подайте заявление для замены iPhone.
Подайте заявление
Удаленное стирание данных с устройства
Если вы стерли данные с устройства с установленной iOS 15, iPadOS 15 или более поздней версии, вы все равно можете найти устройство или воспроизвести на нем звук с помощью программы «Локатор». В противном случае вы не сможете найти устройство или воспроизвести звук после стирания данных.
Если на устройство распространяется действие соглашения AppleCare+ с покрытием кражи и потери, не удаляйте его из приложения «Локатор» или идентификатора Apple ID.
Стирание данных с устройства
Обращение к оператору сотовой связи
Если у вас пропал iPhone или iPad с поддержкой сотовой связи, сообщите об этом оператору сотовой связи.
Попросите оператора заблокировать вашу учетную запись, чтобы предотвратить совершение звонков, отправку текстовых сообщений и передачу данных. Если ваше устройство защищено по программе оператора сотовой связи, подайте соответствующее заявление.
Удаление утерянного устройства из учетной записи
Если на устройство распространяется действие соглашения AppleCare+ с покрытием кражи и потери, не удаляйте iPhone из приложения «Локатор» или идентификатора Apple ID, пока ваше заявление не будет одобрено.
Чтобы удалить утерянное устройство из списка доверенных, перейдите на страницу appleid.apple.com.
Соглашение AppleCare+ с покрытием кражи и потери доступно не во всех странах и регионах.
Информация о продуктах, произведенных не компанией Apple, или о независимых веб-сайтах, неподконтрольных и не тестируемых компанией Apple, не носит рекомендательного или одобрительного характера. Компания Apple не несет никакой ответственности за выбор, функциональность и использование веб-сайтов или продукции сторонних производителей.
Компания Apple также не несет ответственности за точность или достоверность данных, размещенных на веб-сайтах сторонних производителей. Обратитесь к поставщику за дополнительной информацией.
Дата публикации:
Простая регрессия
Простая регрессияPPA 696 МЕТОДЫ ИССЛЕДОВАНИЯ
ПРОСТАЯ РЕГРЕССИЯ
Регрессия
Элементы уравнения регрессии
Оценка уравнения регрессии
шагов линейной регрессии
предположений
линейной регрессии
Время
Серийная регрессия
РЕГРЕССИЯ
Наиболее часто используемая форма регрессии представляет собой линейную регрессию, и наиболее распространенным типом линейной регрессии является называется обычной регрессией методом наименьших квадратов.
Линейная регрессия использует значения из
существующий набор данных, состоящий из измерений значений двух переменных,
X и Y, чтобы разработать модель, полезную для прогнозирования значения
зависимая переменная Y для заданных значений X.
ЭЛЕМЕНТЫ УРАВНЕНИЕ РЕГРЕССИИ
Y — значение зависимой переменной (Y), что предсказывается или объясняется
а или Альфа, константа; равно значению Y, когда значение X=0
б или Бета, коэффициент Х; склон линии регрессии; насколько изменяется Y при каждом изменении на одну единицу ИКС.
X — значение независимой переменной (X), что предсказывает или объясняет значение Y
e — ошибка; ошибка в предсказании значения Y, учитывая значение X (оно не отображается в большинстве регрессионных уравнения).
Например, предположим, что мы знаем среднее
скорость автомобилей на автостраде, когда у нас есть 2 дорожных патруля
(средняя скорость = 75 миль в час) или развернуто 10 дорожных патрулей (средняя скорость = 35 миль в час).
миль/ч). Но какова будет средняя скорость автомобилей на автостраде, когда мы
развернуть 5 дорожных патрулей?
| Средняя скорость на шоссе (Y) | Количество развернутых патрульных машин (X) |
| 75 | 2 |
| 35 | 10 |
Из наших известных данных мы можем использовать регрессию формула (расчеты не показаны) для вычисления значений и и получения следующее уравнение: Y= 85 + (-5) X, где
Y средняя скорость автомобилей на автостраде
a=85 или средняя скорость при X=0
b=(-5), влияние на Y каждого дополнительного патруля автомобиль развернут
X — количество развернутых патрульных машин
То есть средняя скорость автомобилей на
шоссе, когда не работают дорожные патрули (X = 0), будет 85
миль в час Для каждой дополнительной патрульной машины, работающей на шоссе, средняя скорость
упадет на 5 км/ч.
Вы можете увидеть символы альфа (а)
и бета (b) написаны греческими буквами, или вы можете увидеть их написанными английскими буквами
буквы. Коэффициент независимой переменной может иметь нижний индекс,
как и термин для X, например, b 1 X 1 (это часто встречается при множественной регрессии).
ОЦЕНКА УРАВНЕНИЕ РЕГРЕССИИ
Теперь у нас есть уравнение регрессии. Но как хорошо это уравнение при прогнозировании значений Y для заданных значений X? Для этого оценки, обратимся к мерам ассоциации и мерам статистической значения, которые используются с уравнениями регрессии.
р 2
r 2 является мерой ассоциации;
он представляет собой процент дисперсии значений Y, который может быть
объясняется знанием значения X.
r 2 варьируется от минимума
0,0 (ни одна из дисперсий не объяснена), до максимума +1,0 (все
разница объясняется).
СЭБ
s.e.b — стандартная ошибка вычисленного
значение б. Стьюдентный критерий статистической значимости коэффициента
проводится путем деления значения b на его стандартную ошибку. По правилу
thumb, значение t больше 2,0 обычно является статистически значимым.
но вы должны проконсультироваться с t-таблицей, чтобы быть уверенным. Если
значение t указывает на то, что коэффициент b является статистически значимым,
это означает, что независимая переменная или X (количество развернутых патрульных машин)
следует сохранить в уравнении регрессии, так как оно имеет статистически
значимая связь с зависимой переменной или Y (средняя скорость
в милях в час). Если отношений не было
статистически значимым, значение коэффициента b будет (статистически
говоря) неотличимы от нуля.
Ф
F — тест на статистическую значимость
уравнения регрессии в целом.
Получается путем деления объясненного
дисперсия необъяснимой дисперсией. По эмпирическому правилу значение F больше
чем 4,0, как правило, статистически значимо, но вы должны свериться с F-таблицей
быть уверенным. Если F значимо, то уравнение регрессии помогает нам
понять связь между X и Y.
Допустим, для нашего примера выше мы получили следующие значения:
г 2 = .9
Зная значение X (количество
автомобилей), мы можем объяснить 90% дисперсии Y (средняя скорость
автомобилистов на трассе).
СЭБ = 1,5
Разделив b на s.e.b, получим значение t
= -5/1,5 = -3,3. Просматривая t-таблицу, мы находим, что коэффициент равен
статистически значимый. Это означает, что независимая переменная X (число
развернутых патрульных машин) следует оставить в уравнении регрессии, поскольку
имеет статистически значимую связь с зависимой переменной
Y (средняя скорость в милях в час).
Ф= 8,4
Из F-таблицы мы видим, что регрессия
уравнение в целом является статистически значимым.
Это означает, что уравнение регрессии помогает нам понять
отношения между X и Y.
ЭТАПЫ ЛИНЕЙНОЙ РЕГРЕССИИ
1. Сформулируйте гипотезу.3. Соберите данные.
4. Вычислить уравнение регрессии
5. Изучить тесты статистически значимых и меры ассоциации
6. Свяжите статистические данные с гипотезой. Примите или отклоните нулевую гипотезу.
7. Отклонить, принять или пересмотреть исходную гипотезу. Вносить предложения по дизайну исследования и управлению аспектами проблемы.
Пример: автопарк хочет знать, стоит ли больше для обслуживания автомобилей, которые ездят чаще.
Гипотеза: затраты на обслуживание зависят от
пробег автомобиля
Нулевая гипотеза: нет связи между
пробег и стоимость обслуживания
Зависимая переменная: Y — стоимость в долларах
ежегодное техническое обслуживание автомобиля
Независимая переменная: X — годовой пробег.
на том же автомобиле
Данные собираются по каждому автомобилю автопарка,
относительно количества миль, пройденных в данном году, и затрат на техническое обслуживание
для этого года. Вот образец собранных данных.
| Номер автомобиля | Пройдено миль (X) | Затраты на ремонт (Д) |
| 1 | 80 000 | 1200 долларов |
| 2 | 29 000 | 150 долларов |
| 3 | 53 000 | 650 долларов |
| 4 | 13 000 | 200 долларов |
| 5 | 45 000 | 325 долларов |
Уравнение регрессии вычисляется как (вычисления не показано): Y = 50 + 0,03 X
Например, если X=50 000, то Y = 50 + 0,03 (50 000) = 1550 долларов США
а=50 или стоимость обслуживания при X=0; если на машине нет пробега, то годовая стоимость обслуживания = $50
b=.
03 значение, которое Y увеличивается для каждой единицы
увеличение Х; за каждую дополнительную милю пробега (X) стоимость годового обслуживания
увеличивается на 0,03 доллара США
s.e.b = .0005; значение b разделить по с.э.б=60,0; t-таблица показывает, что коэффициент b для X статистически значимый (это связано с Y)
r 2 = 0,90 мы можем объяснить 90% разницы в стоимости ремонта разных автомобилей если мы знаем пробег каждого автомобиля
Заключение: отвергнуть нулевую гипотезу об отсутствии связи
и принять исследовательскую гипотезу о том, что пробег влияет на стоимость ремонта.
ПРЕДПОЛОЖЕНИЯ ЛИНЕЙНОЙ РЕГРЕССИИ
- Теоретически существует несколько важных предположений. это должно быть выполнено, если будет использоваться линейная регрессия. Это:
- 1. И независимый (X), и зависимый
(Y) переменные измеряются на уровне интервалов или отношений.
- 2. Отношения между независимыми (X) и зависимой (Y) переменных является линейной.
- 3. Ошибки предсказания значения Y распределены так, что приближаются к нормальной кривой.
- 4. Ошибки предсказания значения Y все независимы друг от друга.
- 5. Распределение ошибок предсказания значения Y остается постоянным независимо от значения X.
Существует ряд расширенных статистических
тесты, которые можно использовать для проверки того, верны ли эти предположения.
истинно для любого заданного уравнения регрессии. Однако они выходят за рамки
этого обсуждения.
ВРЕМЯ СЕРИЯ РЕГРЕССИЯ
Линейная регрессия полезна для изучения взаимосвязи независимой переменной, которая отмечает переход времени к зависимой переменной при линейной зависимости; то есть, когда в данных очевидна нисходящая или восходящая тенденция через некоторое время.
Однако, если тренд зависимой переменной во времени нелинейна, то линейная регрессия не зафиксирует отношения. Линейная регрессия не может уловить сезонные, циклические и контрциклические тенденции в данных временных рядов. Ни то, ни другое линейная регрессия фиксирует влияние изменений направления временных рядов данные, ни изменения скорости изменения во времени. Для регрессии временных рядов важно получить график данных с течением времени и проверить его на предмет возможные нелинейные тенденции.
Тоже проблема
если значения в одной точке временного ряда детерминированы или сильно
под влиянием значений в предыдущий момент времени. Это называется автокорреляцией.
Это происходит, когда значения зависимой переменной во времени не
случайно распределены.
- Линейная регрессия может
использоваться с прерванными исследованиями временных рядов. Например, скажите
реализуется политика по снижению количества несчастных случаев среди подростков
водители.
- 1. Данные собираются как минимум за 20 или 30 периоды времени (месяцы или кварталы) до реализации политики, и затем еще в течение 20 или 30 периодов времени после реализации политики.
- 2. Одна линейная регрессия выполняется для данные аварийности за дополитические периоды времени.
- 3. Выполняется еще одна линейная регрессия для данных аварийности за постполитический период времени.
- 4. Должны быть различия в значениях константы, коэффициента b, s.e.b и r 2 для двух уравнений.
Если есть разница
между двумя уравнениями, то политика оказала влияние. Если все
точки данных (как до, так и после) были включены в уравнение регрессии,
сумма объясненной дисперсии (r 2 ) была бы довольно низкой. Этот
потому что, если есть изменение после того, как политика введена, тенденция
уже не является линейным. Вместо этого есть два разных линейных тренда, один
до того, как политика была введена, и другая, другая, после того, как она была
представил.
При настройке данных
для регрессии временных рядов исследователь должен помнить о нумерации
лет (или других периодов времени) последовательно с 1 по n. Эти
значения для независимой (X) переменной. Значение зависимой переменной
это аварийность. Например,
| Независимая переменная (X) — Год | Зависимая переменная (Y) — аварийность |
| 1 | 50 000 |
| 2 | 51 000 |
| 3 | 52 000 |
| 4 | 53 000 |
Линейная регрессия
Линейная регрессияК документам
Уравнение регрессии
Прогнозируемые значения и остатки
- Фактическое значение зависимой переменной равно
у 9 и .
- несмещенными: имеют нулевое среднее значение в любой тонкой вертикали
полоса и
homoscedastic , что означает «тот же участок»: распространение остатки должны быть одинаковыми в любой тонкой вертикальной полосе.
- (а) Беспристрастный и гомоскедастический. Остатки в среднем равны нулю в каждом
тонкая вертикальная полоса, а SD одинакова по всему участку.
(b) Смещенный и гомоскедастический. Остатки имеют линейный характер, вероятно, из-за скрытой переменной, не включенной в эксперимент.
(c) Смещенный и гомоскедастический. Остатки показывают квадратичный образец,
возможно, из-за нелинейной зависимости. Иногда переменная
преобразование устранит предвзятость.
г) беспристрастный, но гомоскедастический. SD мал для слева от графика и большой справа: остатки гетероскадастичны.
(e) Смещенный и гетероскедастический. Узор линейный.
(f) Смещенный и гетероскедастический. Схема квадратичная.
Среднеквадратическая ошибка
- Среднеквадратическая ошибка (RMSE) для регрессионной модели равна похожий на стандартное отклонение (SD) для идеальной модели измерения.
- Мы можем записать это как аналогию Миллера:
- RMSE : регрессионная модель :: SD : идеальная модель измерения
- SD оценивает отклонение от выборочного среднего Икс.
- RMSE оценивает отклонение фактических значений y от
линия регрессии. Другой способ сказать, что это
оценивает стандартное отклонение значений y
в тонкий вертикальный прямоугольник.
