|
Уравнение парной регрессии. Уравнение парной регрессии. Использование графического метода
Индекс корреляции. Для линейной регрессии индекс корреляции равен коэффициенту корреляции rxy = 0.985. Полученная величина свидетельствует о том, что фактор x существенно влияет на y Для любой формы зависимости теснота связи определяется с помощью множественного коэффициента корреляции:
![](data:image/png;base64,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) Данный коэффициент является универсальным, так как отражает тесноту связи и точность модели, а также может использоваться при любой форме связи переменных. При построении однофакторной корреляционной модели коэффициент множественной корреляции равен коэффициенту парной корреляции rxy. В отличие от линейного коэффициента корреляции он характеризует тесноту нелинейной связи и не характеризует ее направление. Изменяется в пределах [0;1]. Теоретическое корреляционное отношение для линейной связи равно коэффициенту корреляции rxy. Для оценки качества параметров регрессии построим расчетную таблицу (табл. 2)
x
| y
| y(x)
| (yi-ycp)2
| (y-y(x))2
| 653.38
| 19.22
| 19.417
| 20.485
| 0.0388
| 659.05
| 19.08
| 19.516
| 21.772
| 0.19
| 661.19
| 19.33
| 19.554
| 19.501
| 0.05
| 674.73
| 20.78
| 19.791
| 8.797
| 0.979
| 704.67
| 20.97
| 20.315
| 7.706
| 0.429
| 705.3
| 20.87
| 20.326
| 8.272
| 0.296
| 715.91
| 20.22
| 20.512
| 12.433
| 0.085
| 722.39
| 20
| 20.625
| 14.033
| 0.391
| 723.15
| 20.18
| 20.638
| 12.717
| 0.21
| 752.03
| 22.23
| 21.144
| 2.298
| 1.18
| 768.24
| 21.48
| 21.428
| 5.135
| 0.00275
| 791.96
| 21.83
| 21.843
| 3.671
| 0.000163
| 797.23
| 21.9
| 21.935
| 3.408
| 0.00123
| 810.17
| 21.81
| 22.162
| 3.748
| 0.124
| 810.39
| 22.02
| 22.165
| 2.979
| 0.0211
| 827.52
| 22.9
| 22.465
| 0.716
| 0.189
| 839.77
| 22.13
| 22.68
| 2.612
| 0.302
| 847.7
| 23
| 22.819
| 0.557
| 0.0329
| 848.84
| 22.22
| 22.838
| 2.329
| 0.383
| 853.86
| 23.05
| 22.926
| 0.484
| 0.0153
| 854.77
| 22.94
| 22.942
| 0.65
| 5.0E-6
| 864.89
| 23.22
| 23.119
| 0.277
| 0.0101
| 868.19
| 22.69
| 23.177
| 1.115
| 0.237
| 893.87
| 23.12
| 23.627
| 0.392
| 0.257
| 911.36
| 23.46
| 23.933
| 0.0818
| 0.224
| 914.83
| 24.96
| 23.994
| 1.474
| 0.934
| 925.07
| 24.53
| 24.173
| 0.615
| 0.128
| 929.98
| 24.72
| 24.259
| 0.949
| 0.213
| 936.76
| 24.6
| 24.378
| 0.729
| 0.0495
| 941.98
| 24.59
| 24.469
| 0.712
| 0.0147
| 953.96
| 24.29
| 24.679
| 0.296
| 0.151
| 955.01
| 24.33
| 24.697
| 0.341
| 0.135
| 967.57
| 24.47
| 24.917
| 0.524
| 0.2
| 969.02
| 24.97
| 24.942
| 1.498
| 0.00077
| 982.07
| 24.64
| 25.171
| 0.799
| 0.282
| 985.67
| 25.44
| 25.234
| 2.869
| 0.0426
| 996.24
| 25.91
| 25.419
| 4.683
| 0.241
| 1005.62
| 26.31
| 25.583
| 6.574
| 0.529
| 1027.58
| 25.83
| 25.967
| 4.343
| 0.0189
| 1029.66
| 25.86
| 26.004
| 4.469
| 0.0207
| 1033.74
| 26.13
| 26.075
| 5.683
| 0.003
| 1074.32
| 26.38
| 26.786
| 6.938
| 0.164
| 1105.7
| 27.16
| 27.335
| 11.655
| 0.0306
| 1110.3
| 26.37
| 27.415
| 6.885
| 1.093
| 1113.72
| 27.6
| 27.475
| 14.853
| 0.0156
| 1184.38
| 29.53
| 28.712
| 33.454
| 0.669
| 1250.74
| 30.06
| 29.874
| 39.866
| 0.0347
| 1278.43
| 30.48
| 30.359
| 45.346
| 0.0148
| 43232.91
| 1139.81
| 1139.81
| 351.724
| 10.63
|
2. Оценка параметров уравнения регрессии. Выводы. Изучена зависимость Y от X. На этапе спецификации была выбрана парная линейная регрессия. Оценены её параметры методом наименьших квадратов. Возможна экономическая интерпретация параметров модели - увеличение X на 1 ед.изм. приводит к увеличению Y в среднем на 0.0175 ед.изм. |
|
|