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 » Курсовые проекты » Лінійна регресія

Реферат Лінійна регресія





пояснена) сума квадратів, характеризує випадкову складову розкиду yi щодо лінії регресії.

Зі співвідношень (1.8) і (1.9) випливає, що коефіцієнт детермінації R 2 є ні що інше, як:


R2=ki2: (yi -) 2. (1.10)


У підсумку, коефіцієнт детермінації можна обчислити за (1.8) або за (1.10).

Прогноз значень залежної змінної.

Під прогнозними розуміємо значеннях Yр при певних значеннях пояснюватиме змінної Хр. Так як завдання вирішується в умовах невизначеності то прогноз найзручніше давати на основі інтервальних оцінок, побудованих із заданою надійністю.

Причому тут можливі два підходи:

) пророцтво середнього значення, тобто M (Y: Х=XР);

) пророцтво індивідуальних значень Y: Х=XР.

Інтервальний прогноз для середнього значення обчислюється таким чином:


р=tкр S, (1.11)


де р=a + bxр;

tкр Ї критичне значення, отримане з розподілу Стьюдента при кількості ступенів свободи=n - 2 і заданої ймовірності/2.

Інтервальний прогноз для індивідуального значення обчислюється за формулою:


р=tкр S. (1.12)


. 1.2 Множинна лінійна регресія

Лінійна модель множинної регресії має вигляд:


, (1.13)


де Ї розрахункові значення досліджуваної змінної,

- факторні змінні.

Кожен з коефіцієнтів рівняння має таку економічну інтерпретацію: він показує, наскільки зміниться значення досліджуваного ознаки при зміні відповідного фактора на 1 при незмінних значеннях інших факторних змінних.

Фактичне значення досліджуваної змінної тоді представимо у вигляді:


(1.14)


Для адекватності моделі необхідно, щоб випадкова величина е, що є різницею між фактичними і розрахунковими значеннями, мала нормальний закон розподілу з математичним очікуванням рівним нулю і постійної дисперсією у2.

Маючи n наборів даних спостережень, з використанням уявлення (1.14), ми можемо записати n рівнянь виду:


, (1.15)


де? значення досліджуваної і факторних змінних в i-му спостереженні,

еi Ї відхилення фактичного значення yi від розрахункового значення yрi.

Систему рівнянь (1.15) зручно досліджувати в матричному вигляді:


, (1.16)


де Yв Ї вектор вибіркових даних спостережень досліджуваної змінної (n елементів),

Xв Ї матриця вибіркових даних спостережень факторних змінних (елементів),

А Ї вектор параметрів рівняння (m + 1 елементів),

E Ї вектор випадкових відхилень (n елементів):


(1.17)


При побудові моделі множинної регресії виникає необхідність оцінки (обчислення) коефіцієнтів лінійної функції, які в матричної формі запису позначені вектором A. Формула для обчислення параметрів регресійного рівняння методом найменших квадратів (МНК) за даними спостережень наступна:


. (1.18)


Знаходження параметрів за допомогою співвідношення (1.18) можливо лише в тому випадку, коли між різними стовпцями і різними рядками матриці вихідних даних X відсутня сувора лінійна залежність (інакше не існує зворотна матриця). Ця умова не виконується, якщо існує лінійна або близька до неї зв'язок між результатами двох різних спостережень, або ж якщо такий зв'язок існує між двома різними факторними змінними. Лінійна або близька до неї зв'язок між факторами називається мультиколінеарності. Щоб позбутися мультиколінеарності, в модель включають один з лінійно пов'язаних між собою факторів, причому той, який більшою мірою пов'язаний з досліджуваної змінної.

На практиці щоб позбутися від мультіколленіарності перевіряють для кожної пари факторних змінних виконання наступних умов:


. (1.19)


Тобто коефіцієнт кореляції між двома факторними змінними повинен бути менше 0,8 і, одночасно, менше коефіцієнтів кореляції між досліджуваної змінної і кожної з цих двох факторних змінних. Якщо хоча б одна з умов (1.19) не виконується, то в модель включають тільки один з цих двох факторів, а саме, той, у якого модуль коефіцієнта кореляції з Y більше.

Значимість параметрів моделі множинної регресії aj перевіряється за допомогою t-критерію Стьюдента аналогічно тому, як ми перевіряли значимість коефіцієнтів моделі парної регресії. Для кожного параметра рівняння обчислюється t-статистика:


(1.20)

,


де Sст Ї стандартна помилка оцінки,

bjj Ї діагональний елемент матриці.

Далі за таблицями визначається значення tкр залежно від рівня значущості б і параметра nm - 1. Нарешті, кожна з t-статистик (1.20) порівнюється з табличним значенням. Якщо РtajР gt; tкр, то коефіцієнт aj вважається значимим. В іншому випадку коефіцієнт не є з...


Назад | сторінка 2 з 6 | Наступна сторінка





Схожі реферати:

  • Реферат на тему: Рівняння регресії. Коефіцієнт еластичності, кореляції, детермінації і F-кр ...
  • Реферат на тему: Коефіцієнт детермінації. Значимість рівняння регресії
  • Реферат на тему: Оцінка значущості коефіцієнтів регресії і кореляції з допомогою f-критерію ...
  • Реферат на тему: Рівняння лінійної регресії, коефіцієнт регресії
  • Реферат на тему: Моделі лінійної та множинної регресії і економічний сенс їх параметрів