Статті. Кафедра фінансів
Постійне посилання зібрання
Переглянути
Перегляд Статті. Кафедра фінансів за Автор "Prykhodko, S. B."
Зараз показуємо 1 - 5 з 5
Результатів на сторінці
Налаштування сортування
Документ Constructing non-linear regression equations on the basis of bivariate normalizing transformations(2017) Prykhodko, S. B.; Prykhodko, N.V.; Makarova, L. M.; Kudin, O. O.; Smykodub, T. G.; Приходько, С. Б.; Приходько, Н. В.; Макарова, Л. М.; Кудін, О. О.; Смикодуб, Т. Г.Запропоновано методи побудови рівнянь, довірчих інтервалів та інтервалів передбачення нелінійних регресій на основі двомірних нормалізуючих перетворень для негаусовських даних. Застосування методів розглядається для одного набору двомірних негаусовських даних: для фактичної трудомісткості (години) і розміру (скориговані функціональні точки) зі 133 проектів з підтримки та розробки програмного забезпечення.Документ Constructing the nonlinear regression equations based on multivariate normalizing transformations(2018) Prykhodko, N. V.; Prykhodko, S. B.В статті розглядаються методи побудови рівнянь, довірчих інтервалів та інтервалів передбачення нелінійних регресій на основі багатовимірних нормалізуючих перетворень для негаусовських даних. У якості прикладу побудовано нелінійне регресійне рівняння для оцінювання розміру програмного забезпечення інформаційних систем з відкритим кодом на PHP із застосуванням багатовимірного нормалізуючого перетворення Джонсона для сімейства SB. Це рівняння отримано за вибіркою чотиривимірних негаусовських даних: фактичний розмір програмного забезпечення у тисячах рядків коду, загальна кількість класів, загальна кількість зв'язків та середня кількість атрибутів на клас у концептуальній моделі даних з 32 інформаційних систем, розроблених з використанням мови програмування PHP. Попередньо зазначені дані були перевірені на наявність викидів із використанням квадрату відстані Махаланобиса (Mahalanobis): для рівня значимості, що дорівнює 0,005, викиди відсутні. Гіпотезу про багатовимірну нормальність було перевірено за критерієм квадрату відстані Махаланобиса. Побудоване нелінійне рівняння у порівнянні з іншими регресійними рівняннями (як лінійними, так і нелінійними, які отримані за допомогою одновимірних нормалізуючих перетворень Джонсона та десяткового логарифму) має більший множинний коефіцієнт детермінації і менше значення середньої величини відносної похибки. Продемонстровано, що погана нормалізація багатовимірних негаусовських даних за допомогою одновимірних перетворень або її відсутність призводить до збільшення ширини довірчих інтервалів та інтервалів передбачення як нелінійної так і лінійної регресії для більшої кількості рядків даних у порівнянні з багатовимірним нормалізуючим перетворенням.Документ Нелінійне регресійне рівняння для оцінювання розміру програмного забезпечення інформаційних систем з відкритим кодом на PHP(2018) Приходько, Н. В.; Приходько, С. Б.; Prykhodko, N. V.; Prykhodko, S. B.Нелінійне регресійне рівняння для оцінювання розміру програмного забезпечення інформаційних систем з відкритим кодом на PHP побудовано на основі багатовимірного перетворення Джонсона для сімейства SB. Це рівняння, в порівнянні з іншими регресійними рівняннями, має більший множинний коефіцієнт детермінації, менше значення середньої величини відносної похибки та менші ширини довірчого інтервалу та інтервалу передбачення нелінійної регресії.Документ Трифакторне нелінійне регресійне рівняння для оцінювання трудомісткості розробки мобільних застосунків у фазі планування(2019) Приходько, С. Б.; Приходько, Н. В.; Книрік, К. О.; Prykhodko, S. B.; Prykhodko, N. V.; Knyrik, K. O.Метою роботи є створення множинного нелінійного рівняння регресії для оцінювання трудомісткості розробки мобільних застосунків на основі багатовимірного нормалізуючого перетворення у фазі планування за змінними, що беруться, наприклад, з такого документу, як RAD (Requirement Analysis Document). Трифакторне нелінійне регресійне рівняння для оцінювання трудомісткості розробки мобільних застосунків у фазі планування побудоване на основі нормалізації чотиривимірного негаусівського набору даних (фактична трудомісткість розробки у людино-годинах, кількості екранів, функцій та файлів мобільного застосунку) із 30 застосунків. Нормалізація цього набору даних здійснена за допомогою чотиривимірного перетворення Джонсона для сімейства SB. Використання чотиривимірного перетворення у порівнянні з одновимірними дозволяє врахувати кореляцію між змінними, що призводить до покращення нормалізації даних, яка пов’язана з виконанням статистичної гіпотези щодо відповідності їх розподілу чотиривимірному розподілу Гауса, з подальшим підвищенням достовірності відповідного оцінювання. Виконано порівняння побудованого нелінійного рівняння з лінійним регресійним рівнянням і нелінійними регресійними рівняннями на основі десяткового логарифму і одновимірного перетворення Джонсона. Порівняно з іншими регресійними рівняннями (як лінійними, так і нелінійними) побудоване нелінійне рівняння має більше значення множинного коефіцієнту детермінації, більший відсоток передбачення, менше значення середньої величини відносної похибки та менші ширини довірчого інтервалу нелінійної регресії. Цей результат може бути пояснений найкращою багатовимірною нормалізацією і тим, що немає підстав відкидати нульову гіпотезу про те, що чотиривимірний розподіл для нормалізованих даних, який нормалізується за допомогою чотиривимірного перетворення Джонсона для сімейства SB, є таким самим, як і чотиривимірний нормальний розподіл.Документ Чотирьохфакторна нелінійна регресійна модель для оцінювання розміру Java-застосунків з відкритим кодом(2020) Приходько, С. Б.; Приходько, Н. В.; Смикодуб, Т. Г.; Prykhodko, S. B.; Prykhodko, N. V.; Smykodub, T. G.Метою роботи є створення множинної нелінійної регресійної моделі для оцінювання розміру Java-застосунків з відкритим кодом на основі багатовимірного нормалізуючого перетворення за значеннями змінних, що можуть бути визначені за діаграмою класів. Чотирьохфакторну нелінійну регресійну модель для оцінювання розміру Java-застосунків з відкритим кодом побудовано на основі нормалізації за допомогою п’ятивимірного перетворення Джонсона для сімейства SB негаусівського набору даних: кількості строк коду (LOC); кількості класів (Classes); кількості статичних методів (NOSM); метрики, що характеризує відсутність згуртованості методів (Lack of Cohesion of Methods, LCOM), та кількості викликів унікального методу в класі (the Response for Class, RFC) з 38 застосунків, розташованих на сайті GitHub (https://github.com) за допомогою інструменту CK (https://github. com/mauricioaniche/ck). Також нормалізацію цього набору даних було здійснено і за допомогою двох одновимірних перетворень: у вигляді десяткового логарифму та перетворення Джонсона для сімейства SB. Використання п’ятивимірного перетворення порівняно з одновимірними дозволяє врахувати кореляцію між змінними, що призводить до покращення нормалізації даних, яка пов’язана з виконанням статистичної гіпотези щодо відповідності їх розподілу п’ятивимірному розподілу Гаусу, з подальшим підвищенням достовірності відповідного оцінювання. Виконано порівняння побудованої нелінійної моделі з лінійною регресійною моделлю і нелінійними регресійними моделями на основі десяткового логарифму і одновимірного перетворення Джонсона. Нелінійна модель, що побудована, порівняно з іншими регресійними моделями (як лінійними, так і нелінійними) має більші значення множинного коефіцієнту детермінації та відсотка прогнозування на рівні величини відносної похибки, який дорівнює 0,25, менші значення середньої величини відносної похибки та ширини інтервалу передбачення нелінійної регресії. Цей результат може бути пояснений найкращою багатовимірною нормалізацією і тим, що немає підстав відкидати нульову гіпотезу про те, що п’ятивимірний розподіл для нормалізованих даних, який нормалізується за допомогою п’ятивимірного перетворення Джонсона для сімейства SB, є таким самим, як і п’ятивимірний нормальний розподіл.