Главная страница
Навигация по странице:

  • 3) Модель регрессии в стандартном масштабе

  • Множественный коэффициент корреляции (Индекс множественной корреляции)

  • t-статистика

  • Умножаем матрицы, X


    Скачать 132.59 Kb.
    НазваниеУмножаем матрицы, X
    Дата07.04.2023
    Размер132.59 Kb.
    Формат файлаdocx
    Имя файлаKseniiaNo_2_Word_12693041 (1).docx
    ТипДокументы
    #1045048

    1) Умножаем матрицы, (XT*Y)

    XT Y =

    613,2

    1923,8

    12790,4











    Находим обратную матрицу (XTX)-1

    (XT X) -1 =

    15,1167

    11,3

    -2,4167

    11,3

    9,7

    -2

    -2,4167

    -2

    0,4167











    Вектор оценок коэффициентов регрессии равен

    Y(X) =

    15,1167

    11,3

    -2,4167

    11,3

    9,7

    -2

    -2,4167

    -2

    0,4167










    *

    613,2

    1923,8

    12790,4










    =

    98,3467

    9,22

    -0,1667











    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:

    -

    y

    x1

    x2

    y

    1

    0.9999

    0.9938

    x1

    0.9999

    1

    0.9948

    x2

    0.9938

    0.9948

    1


    Частные коэффициенты корреляции:










    3) Модель регрессии в стандартном масштабе:
    r
    x1y1+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

    X0 =

    1

    3.15

    21.21











    X0T = [ 1 ; 3.15 ; 21.21]

    (XT X) -1 =

    15,1167

    11,3

    -2,4167

    11,3

    9,7

    -2

    -2,4167

    -2

    0,4167











    Умножаем матрицы X0T и (XTX)-1

    X0T(XTX)-1 = ( 1 ; 3.15 ; 21.21) *

    15,1167

    11,3

    -2,4167

    11,3

    9,7

    -2

    -2,4167

    -2

    0,4167










    =

    -0,5458

    -0,565

    0,1208











    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.


    написать администратору сайта