Теми рефератів
> Реферати > Курсові роботи > Звіти з практики > Курсові проекти > Питання та відповіді > Ессе > Доклади > Учбові матеріали > Контрольні роботи > Методички > Лекції > Твори > Підручники > Статті Контакти
Реферати, твори, дипломи, практика » Новые рефераты » Побудова класичної лінійної регресії

Реферат Побудова класичної лінійної регресії

















Лабораторна робота №8

Побудова класичної лінійної регресії



Цілі та завдання:

Розрахувати описові статистики, що характеризують досліджувані дані;

Визначити парні коефіцієнти кореляції і на їх основі виявити фактори, що найбільший вплив на результативний показник;

Оцінити регресійне рівняння наявними факторами. Проаналізувати множинні коефіцієнти кореляції і детермінації, за отриманою моделі;

Оцінити якість моделі на основі t-статистики Стьюдента і F-статистики Фішера.

Вихідні дані:

регресія кореляція детермінація стьюдент


Хід роботи:

Розрахунок описових (дескриптивних) статистик.

Для розрахунку описових статистик необхідно: Statistics - Basic Statistics/Tables - Descriptive statistics - Advanced (Valid N, Mean. Standard Deviation, Skewness, Kurtosis, Minimum amp; Maximum) - Summary.



Для симетричного розподілу, також і для нормального, асиметрія Skewness дорівнює нулю. У даному прикладі для всіх змінних значення асиметрії близько до нуля. Це вказує на те, що розподілу змінних Y, X1 і X2 близькі до симетричним.

Якщо ексцес Kurtosis більше нуля, то розподіл островершинним щодо нормального. Якщо ексцес менше нуля, то розподіл «туповершінное» щодо нормального. У нашому випадку розподіл всіх трьох змінних туповершінное.

Більш точну відповідь про нормальність розподілу можна отримати, якщо звернутися до вкладки Normally у вікні Descriptive statistics.

Вікно установки обчислення характеристики нормальності розподілу:



Після вибору змінних в Frequency tables і натиснення кнопки Summary отримаємо наступні дані:

Щодо Y:



Щодо X1:



Щодо X2:



Побудова класичної лінійної регресії

Для побудови необхідно: Statistics - Multiple Regression - Variables (Y - Dependent var., X1, X2 - Independent var.) - Review descriptive statistics, correlation matrix - OK - Advanced - Correlations.



У результаті отримали матрицю, що містить значення парних коефіцієнтів кореляції:



Також можна представити отримані результати в графічному вигляді, для цього вибираємо кнопку Matrix plot of correlations:



Повернемося в попереднє вікно і знімемо галочку з пункту Review descriptive statistics, correlation matrix і, натиснувши кнопку OK, перейдемо в наступне вікно, що містить результати побудови моделі:



Вибираємо кнопку Summary: Regression results після чого будуть представлені дві таблиці, що містять оціночні параметри моделі і основні показники адекватності побудови регресії.



Чим ближче значення множинний коефіцієнт кореляції R до 1, тим більшу одночасне вплив роблять незалежні змінні. В даному випадку множинний коефіцієнт кореляції отримано рівним 0,248, що показує несильну зв'язок між варіацією результативного показника Y і варіацією факторних ознак X1 і X2.

Множинний коефіцієнт детермінації R ^ 2 вимірює частку повної варіації змінної Y, пояснюється множинної регресією. Якщо значення дорівнює 1, то між змінними існує точна лінійна зв'язок; якщо дорівнює 0, то статистична лінійна зв'язок відсутній. Згідно з даними таблиці, R ^ 2=0,061 свідчить, що всього 6% варіації змінної Y пояснюється факторами X1, X2.

Скоригований коефіцієнт множинної детермінації неубутна функція від кількості факторів, що входять в модель. Даний коефіцієнт кореляції може бути використаний для вибору кращої моделі. (2, 42) - F-статистика Фішера, служить для перевірки моделі на адекватність. Для цього використовується значення ймовірність p, якщо це значення ймовірності менше прийнятого значення a, наприклад, 0,5, то нульова гіпотеза відкидається. Так, в розглянутому прикладі p=0,26, отже, нульова гіпотеза про рівність нулю всіх коефіцієнтів регресії відкидається.



Розглянемо результати оцінки параметрів рівняння регресії по стовпцях. У першому стовпці перераховані члени регресійного рівняння, при цьому Intercept - це вільний член рівняння.

У другому стовпці містяться бета-коефіцієнти, які є абстрактними величинами і вказують на скільки середньоквадратичних відхилень збільшиться залежна змінна при зміні відповідного незалежної змі...


сторінка 1 з 2 | Наступна сторінка





Схожі реферати:

  • Реферат на тему: Рівняння регресії. Коефіцієнт еластичності, кореляції, детермінації і F-кр ...
  • Реферат на тему: Рівняння лінійної регресії, коефіцієнт регресії
  • Реферат на тему: Коефіцієнт детермінації. Значимість рівняння регресії
  • Реферат на тему: Побудова двофакторної моделі, моделей парної лінійної прогресії і множинної ...
  • Реферат на тему: Оцінка значущості коефіцієнтів регресії і кореляції з допомогою f-критерію ...