піричні дані і нею можна скористатися для прогнозу значень результативної ознаки. p align="justify"> Мірою якості рівняння регресії, характеристикою прогностичної сили аналізованої регресійній моделі є коефіцієнт детермінації (R-squared). Він показує, яка частина варіації залежної змінної обумовлена ​​варіацією пояснюватиме змінної. Чим ближче коефіцієнт детермінації до одиниці, тим краще регресія апроксимує емпіричні дані. p align="justify"> Коефіцієнт детермінації R 2 = 0,7050003> 0,7 говорить про те, що частка впливу незалежних змінних на залежну значна (71%).
Адекватність регресії досвідченим даними можна перевірити за допомогою критерію Фішера F-statistic та ймовірності Prob (F-statistic). Висувається нульова гіпотеза H 0 про статистичної незначущості лінійного рівняння регресії в цілому і відсутності зв'язку між залежною і незалежними змінними (b i = 0 і r yxi = 0) . Якщо Prob (F-statistic)> a = 0,05, то H 0 приймаємо.
Будемо проводити перевірку за допомогою Prob (F-statistic). p align="justify"> Т.к. Prob (F-statistic) = 0.000769 <0,05, то відкидаємо гіпотезу H 0 про незначущості регресії.
Значимість оцінок регресії можна перевірити за допомогою критерію Стьюдента та ймовірності Prob. Висувається нульова гіпотеза H 0 про статистичної незначущості коефіцієнта лінійного рівняння регресії (b i = 0). На відміну від критерію Фішера, кожен коефіцієнт перевіряється окремо. Якщо Prob> a = 0,05, то H 0 приймаємо. Так як всі коефіцієнти більше ? = 0.05, то гіпотеза про незначущості для цих коефіцієнтів відхиляється.
S.E. of regression - стандартна помилка регресії в результаті рішення рівняння. Тобто різниця між фактичним і прогнозованим значенням y t -? t = 2,42.
Standart error - стандартні помилки коефіцієнтів рівняння. Стандартні помилки показують статистичну надійність коефіцієнта.
Durbin-Watson Stat - ...
