br/>В
До такого ряду можна застосувати модель лінійної регресії, так як він стаціонарний;
4) побудова регресії:
В
По графіку видно, що в Загалом модель адекватна: практично всі значення лягли на лінію регресії;
5) гістограми вихідних і обчислених значень мають нормальний розподіл:
В
В
ВИСНОВОК
Як показано вище, множинна регресії застосовна у випадку стаціонарності ряду і дозволяє робити моніторинг результатів, грунтуючись на ПРЕДИКТОРИ.
У громадських і природничих науках процедури множинної регресії надзвичайно широко використовуються в дослідженнях. Загалом, множинна регресія дозволяє досліднику задати питання (і, ймовірно, отримати відповідь) про те, "що є кращим предиктором для ... ". Наприклад, дослідник в області освіти міг би побажати дізнатися, які чинники є кращими предикторами успішного навчання в середній школі. А психолога міг бути зацікавити питання, які індивідуальні якості дозволяють краще передбачити ступінь соціальної адаптації індивіда. Соціологи, ймовірно, хотіли б знайти ті соціальні індикатори, які краще за інших пророкують результат адаптації нової іммігрантської групи і ступінь її злиття з суспільством. Термін "множинна" вказує на наявність декількох предикторів або регресорів, які використовуються в моделі, отже така модель збільшує спектр аналізу регресорів, що дозволить побудувати більш точний прогноз.
ПЕРЕЛІК ПОСИЛАНЬ
1) Демиденко Є.З. Лінійна і нелінійна регресії. - М.: Фінанси і статистика, 2010. - 302 с
2) Дрейпер Н., Сміт Г. Прикладний регресійний аналіз. - М.: Статистика, 2009. - 437 с. p> 3) Афіфі А., Ейзен С. Статистичний аналіз. Підхід з використанням ЕОМ. Пер. з англ. - М.: Мир, 1982. - 488 с. p> 4) Тюрін Ю.М.., Макаров А.А. Статистичний аналіз даних на комп'ютері. - М.: Инфра, 1997.-528с. p> 5) statsoft.ru p> 6) Ясницький Л.М. Введення в штучний інтелект. М. Academia, 2005р., 176 стор: іл. br/>
