Komplexe Wissenschaft.
Bemerkenswert einfach zu nutzen.
Ziehen Sie Ihre Datendatei in OptiMod und legen Sie Ihr Ziel fest. OptiMod übernimmt die wissenschaftliche Analyse automatisch, erklärt die Ergebnisse und dokumentiert, wie sie zustande kommen.
Analyse der täglichen NachfrageBeispieldatensatzDaten hinzufügen.
Ziehen Sie Ihren Datensatz hierher. Keine Programmier- oder Statistikkenntnisse erforderlich.
Datensatz hier ablegen
CSV, Excel & mehr · hier beginnt Ihre Analyse
✓ 731 Datenzeilen erkannt · Quelldatei erhaltenProbieren Sie es aus: Ziehen Sie die Beispieldatei hierher oder wählen Sie sie per Klick aus.| Datum | Tägliche Fahrten | Wetter |
|---|---|---|
| 01. Jan. 2011 | 985 | Nebel / bewölkt |
| 02. Jan. 2011 | 801 | Nebel / bewölkt |
| 03. Jan. 2011 | 1,349 | Klar |
Drei Zeilen des ursprünglichen öffentlichen Datensatzes. Ihre Quelldatei bleibt unverändert.
Wählen Sie Ihr Analyseziel.
Wählen Sie aus, was erklärt und welche Variablen berücksichtigt werden sollen. OptiMod bestimmt das statistische Vorgehen.
Wie hängt das Wetter
mit der Bike-Sharing-Nachfrage zusammen?
Analyse abgeschlossen.
OptiMod prüft die Daten und Verfahrensvoraussetzungen, vergleicht geeignete Modelle und berechnet die Ergebnisse.
731 Datenzeilen geprüft. Spalten mit Zielwert-Leakage und redundante Spalten ausgeschlossen.
Zähldatenmodelle anhand der Daten und diagnostischen Befunde verglichen.
Konfidenzintervalle, Sensitivitätsprüfungen und verbleibende Grenzen dokumentiert.
Geringere Nachfrage an Regentagen.
Das Wetter hängt mit der täglichen Nachfrage zusammen, auch unter Berücksichtigung weiterer Variablen.
Geschätzter Zusammenhang in diesem Datensatz.
95%-Intervall: 38%–60% geringer.
Modellbasierter Vergleich bei konstant gehaltenen weiteren Variablen. Klares Wetter = 100.
Dies ist ein Zusammenhang, kein Nachweis von Ursache und Wirkung. Modellgrenzen bleiben Teil der Analyse.
Ihre Analyse. Vollständig dokumentiert.
Von Modellannahmen bis zu konkreten statistischen Tests: die wissenschaftliche Dokumentation hinter Ihrem Ergebnis.
WISSENSCHAFTLICHER BERICHTTägliche Bike-Sharing-
Nachfrage.
Daten. Methoden. Evidenz.
- 01Was analysiert wurde
Fragestellung, Quelldaten und Aufbereitung.
- 02Annahmen & konkrete statistische Tests
Testnamen, Teststatistiken, p-Werte und Interpretation.
- 03Was die Evidenz trägt
Ergebnisse, Unsicherheit und Grenzen.
Bewahren und teilen Sie die Dokumentation unabhängig vom Zugang zu OptiMod.
Laden Sie Ihre Daten hoch. Sobald Sie das Ziel festlegen, übernimmt OptiMod die wissenschaftliche Analyse.
Echte öffentliche DatenVorschau der Benutzeroberfläche in der abschließenden Entwicklung. Das Beispiel verwendet echte öffentliche Daten und unabhängig berechnete Ergebnisse. Die Wiedergabe veranschaulicht den Ablauf von Analyse und Berichtexport.
731 Tage erfasster Bike-Sharing-Nachfrage in Washington, DC, von Januar 2011 bis Dezember 2012.
- Originalquelle
- UCI Bike Sharing · day.csv · 16 Spalten
- Fehlende Werte / doppelte Tage
- 0 / 0
- Integrität der Quelldaten
- Originaldatei erhalten; SHA-256 im Bericht dokumentiert
Die Vorschau verwendet verständliche Spaltenbezeichnungen. Die herunterladbare CSV-Datei behält die ursprünglichen Namen und normierten Einheiten bei.
Original-CSV herunterladenEine erklärende Analyse bedingter Zusammenhänge anhand beobachteter täglicher Wetter- und Kalenderdaten.
- Zielvariable
cnt· tägliche Anzahl der Ausleihen- Ursprüngliche Variablen
- Wetterkategorie, Temperatur, Luftfeuchtigkeit, Wind, Feiertag, Wochentag und Datum.
- Kalenderbereinigung
- Monat, Wochentag und ein kontinuierlicher Zeittrend; ein quadratischer Temperaturterm.
- Als Prädiktoren ausgeschlossen
casualundregisteredaddieren sich bereits zur Zielvariable;instantist eine Kennung;atempenthält redundante Temperaturinformationen.
Fragestellung und Konfiguration sind für dieses Beispiel festgelegt. Es handelt sich weder um eine Prognose anhand zukünftigen Wetters noch um eine Schätzung kausaler Effekte.
Die Prüfungen machen wissenschaftliche Entscheidungen nachvollziehbar. Auch Befunde, die eine Beurteilung erfordern, bleiben sichtbar.
Datenaufbereitung
Alle 731 Zeilen bleiben erhalten. Fehlende Werte werden nicht imputiert, Ausreißer nicht stillschweigend entfernt. Zwei Spalten mit Zielwert-Leakage und eine redundante Temperaturvariable werden ausgeschlossen.
Ein Luftfeuchtigkeitswert ist null (10. März 2011). Er wird markiert; zur Sensitivitätsprüfung wird die Analyse ohne ihn wiederholt. Wegen widersprüchlicher Archivmetadaten bleibt die Temperatur in den normierten Quelleinheiten.
Modellvergleich
Poisson und Negative Binomial (NB2) werden an 547 Trainingstagen angepasst. Der Trainings-AIC beträgt 66,197.6 für Poisson und 8,815.7 für NB2. Die Poisson-Dispersion beträgt 109.20 und zeigt eine deutlich höhere Streuung als unter der Varianzannahme des Modells.
Für die Zusammenhangsanalyse wird NB2 gewählt. Im zurückgehaltenen 184-Tage-Testdatensatz hat Poisson den geringeren Prognosefehler: 689 gegenüber 863 Fahrten/Tag. Die Modellauswahl richtet sich nach der Fragestellung; es gibt keinen universellen Sieger.
Verbleibender Prüfbedarf
Die Koeffizientenintervalle verwenden eine HAC-Kovarianzschätzung mit 7 Verzögerungen. Die Residuenkorrelation bei Verzögerung 1 bleibt bei 0.387; diese Anpassung beseitigt die Modellgrenzen nicht. Wetterkategorie 3 umfasst nur 21 Tage. Studiendesign, Messung und Übertragbarkeit auf andere Kontexte müssen weiterhin geprüft werden.
Leichter Regen oder Schnee geht in diesem Datensatz mit einer um 50.4% niedrigeren erwarteten täglichen Anzahl als bei klarem Wetter einher, unter Berücksichtigung der einbezogenen Variablen.
- Geschätztes Zählratenverhältnis
- 0.496 · klares Wetter = 1
- 95%-Konfidenzintervall
- 0.399 bis 0.617 · 38.3% bis 60.1% geringere Nachfrage
- Analysestichprobe
- Vollständiger Datensatz · 731 Tage · Negativ-Binomial-Regression
- Unsicherheit
- Approximatives punktweises HAC-Intervall · 7 tägliche Verzögerungen
Die Grafik zeigt bereinigte Zählratenverhältnisse, nicht die unbereinigte durchschnittliche Nachfrage. Die Schätzung für Nebel/bewölkt beträgt 0.910. Diese explorativen Zusammenhänge sind nicht für multiples Testen korrigiert und belegen keine Kausalität.
Prognosegüte ist eine eigene Frage
Der Prognosefehler im Testdatensatz wird mit einem an den ersten 547 Tagen angepassten Modell ermittelt. Für NB2 beträgt der MAE 863 Fahrten/Tag und der RMSE 1,123; Poisson hat einen niedrigeren MAE von 689. Die 184 zurückgehaltenen Tage verwenden das tatsächlich beobachtete Wetter, keine Wettervorhersagen.
Ein exaktes Berechnungsprotokoll: die geprüfte Frage, das verwendete Verfahren, sein numerisches Ergebnis und die Interpretation.
| Frage / Annahme | Test oder Diagnose | Ergebnis |
|---|---|---|
| Autokorrelation der Residuen bis zu 7 täglichen Verzögerungen | Ljung–Box Q df = 7 | Q = 251.9104 p = 1.0863 × 10−50 Abhängigkeit festgestellt |
| Autokorrelation der Residuen bis zu 14 täglichen Verzögerungen | Ljung–Box Q df = 14 | Q = 258.9912 p = 3.9574 × 10−47 Abhängigkeit festgestellt |
| Sind die Koeffizienten des Mittelwertmodells schätzbar? | Rang der Designmatrix | 26 von 26 Spalten Voller Rang · kein p-Wert |
| Passt die Poisson-Varianzannahme zur beobachteten Streuung? | Pearson-Dispersion Trainingsmodell | 109.20 Deutliche Überdispersion · Diagnose, kein formaler Test mit p-Wert |
Die Interpretation gehört zur Dokumentation.
Die Ljung–Box-Nullhypothese besagt, dass bis zur angegebenen Verzögerung keine Residuenautokorrelation vorliegt. Beide Referenzprüfungen weisen auf verbleibende Abhängigkeit hin. Hier dienen sie als beschreibende Residuenprüfungen mit model_df = 0, nicht als abschließende Tests der NB2-Modellspezifikation.
Für die Unsicherheit der Koeffizienten wird eine HAC-Kovarianzschätzung mit sieben Verzögerungen verwendet. Sie beseitigt weder die Abhängigkeit noch garantiert sie eine korrekte Modellspezifikation. Der Bericht hält diesen Befund zusammen mit der Modellauswahl und den Ergebnissen fest.