基本假设

人的理性假设+共同知识假设

人是自我利益的判断者(认知的理性):

偏好的完备性{A>B | B> A | A~B}

偏好的传递性{A > B, B > C| A > B}

中庸之道{A~B | (A+B)/ 2}

利益最大化(行为的理性):参照系的重要性

两利相权取其重

两利相害取其轻



(对于顾客来说,便宜不重要,占便宜更重要 : ) 

例: 《经济学人杂志》(捆绑销售,基于价格比较的基础)

1.电子版 49->68%

2.纸质版加电子版125->32%

改动定价策略后:

1.电子版 49->16%

2.纸质版125

3.电子版加纸质版->84%


定价规则:(价格参照作为定价基础)

杭州出租:(一张和两张的关系)

帕萨特:起步价 4公里 10

奔驰:起步价 4公里 12(被打死了)


铁道部和航空公司:(涨价是占我们的便宜,打折是我们占便宜 : ), 我们可以不占便宜,但一定不能占我们的便宜)

企业高规格定价: 对于高价格不是用来销售,而是用来作为参考,将后期开发的产品可以有高标准定价的借口.


人在选择的时候一定需要参照,而这个参照系必须自己给,一定不能别人给

少做判断题,多做选择题:(选项明显有区别, 且选择最好不要超过 3个 : ) 不然就挑化眼喽)

如果不给对方你的两利让其相权,那么对方就很可能会把你的利益和自己的利益相比较。


愿意吃亏,与那些比你更愿意吹亏的人做朋友(基于蜈蚣理论, 搏傻)


在信息不对称的情况下,大家是怎么想的不重要,大家认为大家怎么想的更重要(民主谁都挡不住,要们开门迎进来,要么破门而入)





资源下载链接为: https://pan.quark.cn/s/9648a1f24758 这个HTML文件是一个专门设计的网页,适合在告白或纪念日这样的特殊时刻送给女朋友,给她带来惊喜。它通过HTML技术,将普通文字转化为富有情感和创意的表达方式,让数字媒体也能传递深情。HTML(HyperText Markup Language)是构建网页的基础语言,通过标签描述网页结构和内容,让浏览器正确展示页面。在这个特效网页中,开发者可能使用了HTML5的新特性,比如音频、视频、Canvas画布或WebGL图形,来提升视觉效果和交互体验。 原本这个文件可能是基于ASP.NET技术构建的,其扩展名是“.aspx”。ASP.NET是微软开发的一个服务器端Web应用程序框架,支持多种编程语言(如C#或VB.NET)来编写动态网页。但为了在本地直接运行,不依赖服务器,开发者将其转换为纯静态的HTML格式,只需浏览器即可打开查看。 在使用这个HTML特效页时,建议使用Internet Explorer(IE)浏览器,因为一些老的或特定的网页特效可能只在IE上表现正常,尤其是那些依赖ActiveX控件或IE特有功能的页面。不过,由于IE逐渐被淘汰,现代网页可能不再对其进行优化,因此在其他现代浏览器上运行可能会出现问题。 压缩包内的文件“yangyisen0713-7561403-biaobai(html版本)_1598430618”是经过压缩的HTML文件,可能包含图片、CSS样式表和JavaScript脚本等资源。用户需要先解压,然后在浏览器中打开HTML文件,就能看到预设的告白或纪念日特效。 这个项目展示了HTML作为动态和互动内容载体的强大能力,也提醒我们,尽管技术在进步,但有时复古的方式(如使用IE浏览器)仍能唤起怀旧之情。在准备类似的个性化礼物时,掌握基本的HTML和网页制作技巧非常
### 线性回归模型的假设条件及其意义 线性回归是一种广泛使用的统计建模技术,用于探索因变量与一组自变量之间的关系。为了使线性回归的结果具有可靠性和有效性,在实际应用中需满足一系列基本假设条件。 #### 假设一:模型对参数而言是线性的 线性回归的核心假设之一是模型对于参数必须是线性的。这意味着即使输入特征之间可能存在非线性关系,但模型中的系数应以一次幂的形式出现[^4]。这一假设确保了模型可以通过最小二乘法或其他优化算法有效地求解。 #### 假设二:自变量 \(X\) 是固定的或非随机的 在线性回归框架下,默认认为自变量 \(X\) 的取值在多次实验中保持固定不变或者可以视为非随机量。这种假设简化了理论推导过程,并允许我们专注于误差项分布特性而不必考虑额外的不确定性来源。 #### 假设三:残差服从高斯马尔可夫条件 具体表现为以下几个方面: - **零均值**:期望值为零 (\(E(\epsilon_i) = 0\)) 表明没有任何系统偏差影响观测值。 - **同方差性(Homoscedasticity)**:即所有观察点处噪声水平相同,\(Var(\epsilon_i)\) 应该恒等于某个常数值 \(\sigma^2\)。 - **无序列相关性**:任何两个不同的扰动项间相互独立无关联,即当 \(i≠j\) 时有 \(Cov(\epsilon_i,\epsilon_j)=0\) 成立[^4]。以上三点共同构成了经典的Gauss-Markov定理基础前提。 #### 假设四:干扰项与自变量不相关 另一个重要的前提是残差应该完全独立于所有的解释变量之外[\(^{4}\)] 。如果存在关联,则可能导致偏倚估计结果以及降低预测精度等问题发生。 #### 假设五:样本数量充足且秩满列向量矩阵 要成功执行OLS估算操作至少需要具备比待估参量数目更多的有效记录数;同时设计阵(X)还须达到全行阶梯形状态(rank(X)==p+1<n)[^4]. 这样才能保证最终获得唯一最优解路径而非无穷多种可能性组合情况下的局部极小值解答方案而已. #### 假设六:自变量的变化范围足够宽广 只有当各个维度上的数据波动幅度较大并呈现良好分散趋势的时候才能够更好地捕捉到隐藏其中的真实规律模式出来[\(^{4}\)]. 若不然的话可能会造成某些关键信息丢失从而削弱整体表现效果质量下降明显现象产生. #### 假设七:不存在多重共线性问题 所谓"多重共线性",指的是几个自变数彼此高度相关联的现象. 当这种情况严重时会使得个别权重变得极其不稳定甚至失去物理意义上的合理性解释能力大大减弱.[^4] #### 假设八:正确指定回归模型结构 最后一点也是至关重要的一环那就是所选用的具体表达式形式确实能够恰当反映目标事物本质属性特点并且涵盖了所有必要的构成要素部分而不会遗漏掉任何一个重要因素环节才行. ```python import numpy as np from sklearn.linear_model import LinearRegression # Example of creating a simple linear regression model with assumptions check np.random.seed(0) X = np.array([[1], [2], [3]]) y = np.dot(X, [2]) + np.random.normal(size=(3,)) model = LinearRegression().fit(X, y) print(f"Coefficients: {model.coef_}") print(f"Intercept: {model.intercept_}") ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值