----------------- F (1, 18) = 31.70
Model | .030711968 1 .030711968 Prob> F = 0.0000
Residual | .017438982 18 .000968832 R-squared = 0.6378
------------- + ------------------------------ Adj R-squared = 0.6177
Total | .04815095 19 .002534261 Root MSE = .03113
----------------------------------------------- -------------------------------
sst | Coef. Std. Err. t P> | t | [95% Conf. Interval]
------------- + --------------------------------- -------------------------------
lnud | - .1672727 .0297095 -5.63 0.000 - .22969 - .1048553
_cons | 1.703191 .241499 7.05 0.000 1.19582 2.210561
----------------------------------------------- -------------------------------
У підсумку отримали модель. Це рівняння значимо згідно F-критерієм Фішера, і параметр при змінній lnud і константа значущі за t-критерієм Стьюдента. 63,78% суми квадратів відхилень змінної sst від середнього значення пояснюється змінними моделі. А при збільшенні удою молока на 2,72% собівартість знижується на 0,17%.
. sw reg sst lnud1 korm ves korm1 ves1 lnud2 korm2 ves2, pe (0.05)
begin with empty model
p = 0.0000 <0.0500 adding lnud1
Source | SS df MS Number of obs = 20
------------- + ------------------------------ F (1, 18) = 32.04
Model | .030830369 1 .030830369 Prob> F = 0.0000
Residual | .017320581 18 .000962254 R-squared = 0.6403
------------- + ------------------------------ Adj R-squared = 0.6203
Total | .04815095 19 .002534261 Root MSE = .03102
----------------------------------------------- -------------------------------
sst | Coef. Std. Err. t P> | t | [95% Conf. Interval]
------------- + --------------------------------- -------------------------------
lnud1 | 11.2229 1.982717 5.66 0.000 7.057366 15.38843
_cons | -1.038311 .2443161 -4.25 0.000 -1.5516 - .5250216
----------------------------------------------- -------------------------------
Отримали модель. Це рівняння значимо за F-критерієм Фішера, і параметр при змінній lnud1 і константа значущі за t-критерієм Стьюдента. 64,03% суми квадратів відхилень змінної sst від середнього значення пояснюється змінними моделі.
Зробимо вибір між цими двома моделями. Уявімо критерії вибору моделі в наступній таблиці:
Модель
Критерій
R-квадрат
Скоригований R-квадрат
Акейка
Шварца
Пѓ ост
В
0.6378
0.6177
-13,9896
-6,89499
0,0302959
В
0.6403
0.6203
-14,0032
-6,90180
0,03019289
З даної таблиці видно, що за всіма критеріями гіперболічна модель краще лінійної.
Перевіримо регресію на автокореляції залишків:
. regdw sst lnud1, t (lnud1) force
Source | SS df MS Number of obs = 20
------------- + ------------------------------ F (1, 18) = 32.04
Model | .030830369 1 .030830369 Prob> F = 0.0000
Residual | .017320581 18 .000962254 R-squared = 0.6403
------------- + ------------------------------ Adj R-squared = 0.6203
Total | .04815095 19 .002534261 Root MSE = .03102
----------------------------------------------- -------------------------------
sst | Coef. Std. Err. t P> | t | [95% Conf. Interval]
------------- + --------------------------------- -------------------------------
lnud1 | 11.2229 1.982717 5.66 0.000 7.057366 15.38843
_cons | -1.038311 .2443161 -4.25 0.000 -1.5516 - .5250216
----------------------------------------------- -------------------------------
Durbin-Watson Statistic = 2.460766
Перевірка на автокореляції дає задовільний значення статистики Дарбіна-Уотсона 2,46 (Автокорреляция відсутній), так як, де (табличне значення). Це означає, що помилки незалежні між собою. p> Побудуємо графік залишків регресії від оціненої залежною змінною:
. fit sst lnud1
Source | SS df MS Number of obs = 20
------------- + ------------------------------ F (1, 18) = 32.04
Model | .030830369 1 .030830369 Prob> F = 0.0000
Residual | .017320581 18 .000962254 R-squared = 0.6403
------------- + ------------------------------ Adj R-squared = 0.6203
Total | .04815095 19 .002534261 Root MSE = .03102
----------------------------------------------- -------------------------------
sst ...
