Умножаем матрицы, X
Скачать 132.59 Kb.
|
1) Умножаем матрицы, (XT*Y)
Находим обратную матрицу (XTX)-1
Вектор оценок коэффициентов регрессии равен
Уравнение регрессии (оценка уравнения регрессии): Y = 98.3467 + 9.22X1-0.1667X2 Константа оценивает агрегированное влияние прочих (кроме учтенных в модели хi) факторов на результат Y и означает, что Y при отсутствии xi составила бы 98.3467. Коэффициент b1 указывает, что с увеличением x1 на 1, Y увеличивается на 9.22. Коэффициент b2 указывает, что с увеличением x2 на 1, Y снижается на 0.1667. 2) Найдем парные коэффициенты корреляции. Значения парного коэффициента корреляции свидетельствует о весьма сильной линейной связи между x1 и y. Значения парного коэффициента корреляции свидетельствует о весьма сильной линейной связи между x2 и y. Значения парного коэффициента корреляции свидетельствует о весьма сильной линейной связи между x2 и x1. Матрица парных коэффициентов корреляции R:
Частные коэффициенты корреляции: 3) Модель регрессии в стандартном масштабе: rx1y=β1+rx1x2•β2 + ... + rx1xm•βm rx2y=rx2x1•β1 + β2 + ... + rx2xm•βm ... rxmy=rxmx1•β1 + rxmx2•β2 + ... + βm Стандартизированная форма уравнения регрессии имеет вид: ty = 121.28 + 1.095x1 -0.0955x2 4) Коэффициенты в стандартизованном масштабе удовлетворяют неравенству 2 1, т.е. фактор x1 оказывает более сильное влияние на результат y по сравнению с фактором x2 . 5) Средняя ошибка аппроксимации 6) или 7) Частные коэффициенты эластичности: При изменении фактора х1 на 1%, Y изменится на 0.226%. Частный коэффициент эластичности |E1| < 1. Следовательно, его влияние на результативный признак Y незначительно. При изменении фактора х2 на 1%, Y изменится на -0.0275%. 8) Множественный коэффициент корреляции (Индекс множественной корреляции): или Оба показателя близки к 1. 9) Критерий F-Фишера. F-статистика. Критерий Фишера. Если F < Fkp = Fα ; n-m-1, то нет оснований для отклонения гипотезы H0. F = = = 17153.968 Табличное значение при степенях свободы k1 = 2 и k2 = n-m-1 = 5 - 2 - 1 = 2, Fkp(2;2) = 99 Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим и уравнение регрессии статистически надежно (т.е. коэффициенты bi совместно значимы). 10) Оценим с помощью частного F-критерия: 1) целесообразность включения в модель регрессии факторов х1 после введения хj (Fx1). Определим наблюдаемое значение частного F-критерия: Fx1= R2(x2,xn) = r2(x2) = 0.99382 = 0.988 Fkp(k1=1;k2=2) = 98.5 Сравним наблюдаемое значение частного F-критерия с критическим: Fx1>98.5, следовательно, фактор х1 целесообразно включать в модель после введения фактора х2. 2) целесообразность включения в модель регрессии факторов х2 после введения хj (Fx2). Определим наблюдаемое значение частного F-критерия: Fx2= R2(x1,xn) = r2(x1) = 0.99992 = 1 Сравним наблюдаемое значение частного F-критерия с критическим: Fx2<98.5, следовательно, фактор х2 не целесообразно включать в модель после введения фактора х1. 11) t-статистика: Tтабл (n-m-1;α/2) = (2;0.005) = 14.089 Статистическая значимость коэффициента регрессии b0 подтверждается. Статистическая значимость коэффициента регрессии b1 подтверждается. Статистическая значимость коэффициента регрессии b2 не подтверждается. 12) Y(3.15,21.21) = 98.35 + 9.22*3.15-0.167*21.21 = 123.855 V = X0T(XTX)-1X0 где
X0T = [ 1 ; 3.15 ; 21.21]
Умножаем матрицы X0T и (XTX)-1
Умножаем полученную матрицу на X0, находим V = 0.24 Sy= = = 0.0704 Доверительные интервалы с вероятностью 0.95 для значения результативного признака M(Y). (Y – t*SY ; Y + t*SY ) где t(5-2-1;0.05/2) = 6.205 находим по таблице Стьюдента. (123.85 – 6.205*0.0704 ; 123.85 + 6.205*0.0704) (123.41;124.29) C вероятностью 0.95 среднее значение Y при X0i находится в указанных пределах. Доверительные интервалы с вероятностью 0.95 для индивидуального значения результативного признака. |