лабараторна 9. Практикум (раздел 3) Введение
![]()
|
3.6. Множественная корреляция Коэффициент множественной корреляции характеризует тесноту связи рассматриваемого набора факторов с исследуемым признаком, или, иначе говоря, оценивает тесноту совместного влияния факторов на результат и вычисляется по формуле (1.5).
где n – количество наблюдений; ![]() ![]() ![]() ![]() Коэффициент множественной корреляции изменяется от 0 до 1. Чем ближе его значение к 1, тем теснее связь результативного признака со всем набором исследуемых факторов. Величина коэффициента множественной корреляции больше или равна максимальному парному коэффициенту корреляции ![]() При правильном включении факторов в регрессионный анализ величина индекса множественной корреляции будет существенно отличаться от индекса корреляции парной зависимости. Квадрат коэффициента множественной корреляции называется коэффициентом детерминации и обозначается ![]() Низкое значение коэффициента (индекса) множественной корреляции означает, что либо в регрессионную модель не включены существенные факторы, либо рассматриваемая форма связи не отражает реальные соотношения между переменными, включенными в модель. В этом случае требуются дальнейшие исследования по улучшению качества модели и увеличению ее практической значимости. 3.7. Оценка качества результатов моделированияСтатистическая значимость уравнения множественной регрессии в целом оценивается с помощью F-критерия Фишера (п. 2.4). Статистическая значимость коэффициентов уравнения множественной регрессии в целом оценивается с помощью t-критерия Стьюдента (п. 2.5). 3.8. Проверка остатков регрессии на гомоскедастичностьДля того чтобы МНК давал надежные оценки параметров линейной регрессии, требуется чтобы дисперсии остатков модели ![]()
для каждого наблюдения были одинаковы. Остатки, обладающие таким свойством, называются гомоскедастичными, а не обладающие – гетероскедастичными. При нарушении гомоскедастичности мы имеем неравенства ![]() ![]() Для оценки гетероскедастичности можно использовать Гольдфельда-Квандта, который проверяет наличие зависимости остатков ![]() ![]() 1) исходные данные наблюдений упорядочиваются по мере возрастания выбранной переменной ![]() 2) выделяются первые ![]() ![]() ![]() ![]() ![]() 3) для каждой из групп наблюдений оцениваются уравнения регрессии остатков ![]()
4) для каждого уравнения определяются остаточные суммы квадратов ( ![]() ![]() ![]() ![]() Если выполняется условие
где ![]() ![]() ![]() Чем больше величина ![]() ![]() Авторами метода рекомендовано для случая одного фактора ![]() ![]() ![]() ![]() ![]() ![]() |