/p>
Якість моделі оцінюється стандартним для математичних моделей чином: щодо адекватності і точності на основі аналізу залишків регресії e. Розрахункові значення виходять шляхом підстановки в модель фактичних значень всіх включених факторів. br/>В
Рис. 1. В«Вибір виду моделіВ»
Аналіз залишків дозволяє отримати уявлення, наскільки добре підібрана сама модель і наскільки правильно обраний метод оцінки коефіцієнтів.
Таблиця 7
Оцінка параметрів поліноміальної моделі
Згідно загальним припущеннями регресійного аналізу, залишки повинні поводитися як незалежні (насправді майже незалежні), однаково розподілені випадкові величини. У класичних методах регресійного аналізу передбачається також нормальний закон розподілу залишків. p align="justify"> Розрахункове значення критерію Дарбіна-Уотсона
= 0,52548
Чи не потрапляє в зону невизначеності від d 1 = 1,05 до d 2 = 1,35; d 2 < d, значить, рівні залишкової компоненти не коррелірованни між собою.
Рівні залишкової компоненти розподілені по нормальному закону, тому що виконується вимога: RS розр = 3,8957 ГЋ [RS н = 2,96; RS в = 4,14].
Розрахункове значення RS-критерію визначається за формулою:
В
e min = -291,28; e max = 737,257.
Рівні залишкової компоненти носять випадковий характер, т. к. Р факт > P розр . Кількість В«піківВ», які визначаються за значеннями залишкової компоненти:
В
Рфакт = 6
де n = 11 - число рівнів часового ряду залишкової компоненти
В
Рис. 2. В«ПікиВ» за значенням залишкової компоненти
Після перевірки всіх основних критеріїв можна зробити висновок, що модель є адекватною, тому що:
математичне сподівання залишкової компоненти дорівнює нулю;
відсутня автокорреляция у відхиленнях від моделі зростання;
рівні залишкової компоненти розподілені по нормальному закону;
умова випадковості виникнення окр...
