за таким алгоритмом:
- встановити курсор на осередку, що містить значення функції Q (Q 2 );
- Сервіс - Пошук рішення;
- в діалоговому вікні Пошук рішення (рис.11) перевірити, чи варто в поле Встановити цільову комірку адреса функції Q (Q 2 ), і якщо ні, то ввести його;
- в полі Рівної клацнути пункт мінімальному значенню ;
- в полі Змінюючи осередку ввести діапазон комірок, які відведені для значень шуканих параметрів ; p> - клацнути по кнопці Виконати;
- якщо рішення знайдено, повідомлення про це з'явиться в діалоговому вікні, де потрібно клацнути по пункту Зберегти знайдене рішення. Значення знайдені і знаходяться у відведених для них осередках (рис.10).
- Значення суми квадратів відхилень знайденої оцінки функції регресії від спостережених значень результуючого ознаки, тобто функції Q для лінійної регресії і функції Q 2 для квадратичної регресії, знаходяться в комірках F53 і I53, лінійна величина відхилень - у комірці F54 і у клітинці I54. br/>В
Рис.11. Введення інформації для Пошуку рішення.
Таким чином, коефіцієнти лінійної функції регресії P (x) слід зчитувати з комірок A56, B56 і С56; коефіцієнти нелінійної функції регресії P 2 (x) - з осередків A59 F59. Для розглянутого прикладу лінійна функція регресії збігається з отриманою за допомогою інструменту Регресія , а квадратична
P 2 ( x ) = 247,9641 - 930,3571 x 4 + 73,538 x 8 + 1009,39 x 4 2 - 4,44689 x 8 < sup> 2 - 140,1884 x 4 x 8
Перевірка значущості отриманої квадратичної оцінки рівняння регресії виконаємо так. Визначимо коефіцієнт кореляції значень емпіричної функції регресії і вибіркового середнього RyP 2 (x). Як видно з рис.12, коефіцієнт кореляції досить великий (0,80921). Виконаємо ще одну перевірку значущості P 2 (x) за допомогою коефіцієнта детермінації, для чого необхідно обчислити значення S ост , S факт .
Розміщення потрібних формул наведено на рис.12, а проміжні результати і значення коефіцієнта детермінації нижче. Оскільки коефіцієнт детермінації для випадку квадратичної регресії значно перевершує коефіцієнт детермінації для випадку лінійної регресії і має достатньо велике значення (0,472867), робимо висновок, що квадратична регресія досить добре узгоджується зі статистичними даними.
Виконаємо оцінку значущості отриманого наближення функції в цілому за допомогою критерію Фішера. Для цього знайдемо значення критерію Фішера за вибіркою для розглянутих двох видів залежності (див. рис.12 і 13).
В
R
S
1
RyP (x)
RyP 2 (x)
2
= КОРРЕЛ (C2: C52; D2: D52)
= КОРРЕЛ (C2: C52; H2: H52)
3
S ост
В
S ост
В
В
4
В В
5
= F53/48
= I53/45
6
7
S факт
В В В
S факт
В В В В В
8
В В
9
= L53/48
= N53/45
10
R 2
R 2 2
...
