Главная страница

Решение Выполнить центрирование факторов


Скачать 24.84 Kb.
НазваниеРешение Выполнить центрирование факторов
Дата26.01.2023
Размер24.84 Kb.
Формат файлаdocx
Имя файлаMRA_var_7_12086009.docx
ТипРешение
#906272

Задание №5 Многофакторный регрессионный анализ
На основе заданного массива данных построить уравнение регрессии в виде линейного алгебраического полинома от двух переменных, проверить его адекватность и значимость факторов. Расчёты произвести в матричной форме.

Порядок выполнения задания.

1. Выполнить центрирование факторов

2. Составить матричное уравнение с вектором неизвестных оценок коэффициентов регрессии.

3. Найти решение матричного уравнения - оценки коэффициентов регрессии.

4. Проверить адекватность построенного уравнения регрессии экспериментальным данным по критерию Фишера при уровне значимости α = 0,05.

5. Выполнить селекцию факторов по критерию Стьюдента при таком же уровне значимости.

6. Повторно проверить адекватность уравнения регрессии после исключения незначимых факторов.

Таблица 1. Исходные данные



1

0,5

3

2

1

-2



1

2

2

3

0,3

0,5



2

4,3

7,2

8

0

-3


Решение


  1. Выполнить центрирование факторов


Факторы считаются центрированными, если . Если данное условие не выполняется, то необходимо сдвинуть центр. Для этого из каждого значения необходимо вычесть их среднее арифметическое .

Рассчитаем среднее арифметическое для каждого фактора.

Таблица 2. Среднее арифметическое



1

2

3

4

5

6

Сумма

Среднее



1

0,5

3

2

1

-2

5,5

0,92



1

2

2

3

0,3

0,5

8,8

1,47



2

4,3

7,2

8

0

-3

18,5

3,08


Таблица 3. Центрированные факторы



1

2

3

4

5

6

Сумма



0,08

-0,42

2,08

1,08

0,08

-2,92

0



-0,47

0,53

0,53

1,53

-1,17

-0,97

0



-1,08

1,22

4,12

4,92

-3,08

-6,08

0


2. Составить матричное уравнение с вектором неизвестных оценок коэффициентов регрессии.

Уравнение множественной регрессии представляет собой зависимость объясняемой переменной Y от нескольких объясняющих переменных X:



Систему можно записать в матричном виде:



3. Найти решение матричного уравнения - оценки коэффициентов регрессии.

Согласно методу наименьших квадратов, вектор A получается из выражения:



К матрице с переменными Xj добавляем единичный столбец:

1

0,08

-0,47

1

-0,42

0,53

1

2,08

0,53

1

1,08

1,53

1

0,08

-1,17

1

-2,92

-0,97


Матрица Y

-1.08

1.22

4.12

4.92

-3.08

-6.08


Находим транспонированную матрицу

1,00

1,00

1,00

1,00

1

1

0,08

-0,42

2,08

1,08

0,08

-2,92

-0,47

0,53

0,53

1,53

-1,17

-0,97


Умножаем матрицы

=

6,00

-0,02

-0,02

-0,02

14,21

5,23

-0,02

5,23

5,43














Умножаем матрицы

=

0,02

30,79

20,37














Находим обратную матрицу

=

0,16667

0,00001

0,00060

0,00001

0,10908

-0,10506

0,00060

-0,10506

0,28525














Вектор оценок коэффициентов регрессии равен

Y(X) =

0,16667

0,00001

0,00060

0,00001

0,10908

-0,10506

0,00060

-0,10506

0,28525










*

0,02

30,79

20,37










=

0,0160

1,2189

2,5744













Уравнение регрессии (оценка уравнения регрессии)



4. Проверить адекватность построенного уравнения регрессии экспериментальным данным по критерию Фишера при уровне значимости α = 0,05.

Матрица A, составленная из Y и X:

1

-1.08

0.08

-0.47

1

1.22

-0.42

0.53

1

4.12

2.08

0.53

1

4.92

1.08

1.53

1

-3.08

0.08

-1.17

1

-6.08

-2.92

-0.97

Транспонированная матрица.

1

1

1

1

1

1

-1.08

1.22

4.12

4.92

-3.08

-6.08

0.08

-0.42

2.08

1.08

0.08

-2.92

-0.47

0.53

0.53

1.53

-1.17

-0.97

Матрица .

6

0.02

-0.02

-0.02

0.02

90.288

30.792

20.367

-0.02

30.792

14.208

5.233

-0.02

20.367

5.233

5.433


Полученная матрица имеет следующее соответствие:

∑n

∑y

∑x1

∑x2

∑y

∑y2

∑x1 y

∑x2 y

∑x1

∑yx1

∑x12

∑x2 x1

∑x2

∑yx2

∑x1 x2

∑x22



















Для y и x1

-0,02

-0,0033

0,02

0,0033

30,7916

5,1319

Для y и x2

-0,02

-0,0033

0,02

0,0033

20,3666

3,3944

Для x1 и x2

-0,02

-0,0033

-0,02

-0,0033

5,2334

0,8722




Признаки x и y

D(x)

D(y)

s(x)

s(y)

Для y и x1

2,3681

15,0477

1,5388

3,8791

Для y и x2

0,9056

15,0477

0,9516

3,8791

Для x1 и x2

0,9056

2,3681

0,9516

1,5388


Найдем парные коэффициенты корреляции.



Матрица коэффициентов корреляции:

 

y

x1

x2

y

1

0,8597

0,9196

x1

0,8597

1

0,5956

x2

0,9196

0,5956

1


Найдем









Отсюда



Критерий Фишера рассчитаем по формуле:



Табличное значение при степенях свободы k1 = 2 и k2 = n-m-1 = 6 - 2 - 1 = 3:



Поскольку фактическое значение F > , то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно.

5. Выполнить селекцию факторов по критерию Стьюдента при таком же уровне значимости.

Для несмещенной оценки дисперсии проделаем следующие вычисления:

Y(x)

Y-Y(x)







-1,0965

0,0165

1,1736

-0,0153

 

0,8685

0,3515

1,4803

0,2881

0,1123

3,9158

0,2042

16,9469

0,0496

0,0217

5,2713

-0,3513

24,1736

0,0714

0,3086

-2,8986

-0,1814

9,5069

-0,0589

0,0288

-6,0405

-0,0395

37,0069

-0,0065

0,0201

Сумма

0,0000

90,2883

0,3284

0,4915

Оценка дисперсии равна:



Несмещенная оценка дисперсии равна:



Оценка среднеквадратичного отклонения:



Найдем оценку ковариационной матрицы вектора

k(x) = 0.1078*

0,16667

0,00001

0,00060

0,00001

0,10908

-0,10506

0,00060

-0,10506

0,28525
















=

0,0180

0,0000

0,0001

0,0000

0,0118

-0,0113

0,0001

-0,0113

0,0308











Дисперсии параметров модели определяются соотношением , т.е. это элементы, лежащие на главной диагонали:







Значимость коэффициентов регрессии:







Статистическая значимость коэффициента регрессии  не подтверждается.


Статистическая значимость коэффициента регрессии   подтверждается.


Статистическая значимость коэффициента регрессии   подтверждается.

Коэффициенты уравнения регрессии значимы, факторы из модели не исключаются.

6. Повторно проверить адекватность уравнения регрессии после исключения незначимых факторов.

Не требуется, так как факторы из модели не исключались.


написать администратору сайта