Scrigroup - Documente si articole

     

HomeDocumenteUploadResurseAlte limbi doc
BulgaraCeha slovacaCroataEnglezaEstonaFinlandezaFranceza
GermanaItalianaLetonaLituanianaMaghiaraOlandezaPoloneza
SarbaSlovenaSpaniolaSuedezaTurcaUcraineana

ástatymaiávairiøApskaitosArchitektûraBiografijaBiologijaBotanikaChemija
EkologijaEkonomikaElektraFinansaiFizinisGeografijaIstorijaKarjeros
KompiuteriaiKultûraLiteratûraMatematikaMedicinaPolitikaPrekybaPsichologija
ReceptusSociologijaTechnikaTeisëTurizmasValdymasšvietimas

Regresijos modeliai - Regresijos modelio samprata

ekonomika



+ Font mai mare | - Font mai mic



DOCUMENTE SIMILARE

Regresijos modeliai

1. Regresijos modelio samprata

Ekonomikos tyrimuose dažnai tenka nustatyti dviejø dydžiø – Y, vadinamo išëjimo kintamuoju (pasekme), ir X, vadinamo áëjimo kinta­muoju (priežastimi), – tarpusavio ryšá. Pasaulyje esama nepaprastos ávairovës šiø ryšiø tipø, bet visus juos galima suskirstyti á dvi grupes:



funkcinius;

koreliacijos.

Kiekvienà funkcinio ryšio áëjimo kintamojo reikšmæ atitinka griežtai apibrëžta, fiksuota išëjimo kintamojo reikšmë. Žinant ámonës pajamas ir išlaidas, visuomet galima apskaièiuoti pelnà. Funkcinë priklausomybë užrašoma taip: Y=F(X ).

Koreliacijos ryšio áëjimo kintamojo kitimas veikia tik išëjimo kintamojo vidutines reikšmes. Kai yra šis ryšys, esant tai paèiai áëjimo kintamojo reikšmei, išëjimo kintamojo reikšmës gali bûti skirtingos. Taip yra todël, kad išëjimo kintamojo dydá, be áëjimo kintamojo, sàlygoja daugybë kitø veiksniø, kuriø átakos negalima išvengti (kartais jie gali bûti nežinomi). Tad koreliacijos ryšys ryškëja tik per statistinius stebëjimus: formaliai jis užrašomas lygtimi:  , kur e – atsitiktinë dedamoji, ávertinanti ir X, ir Y atsitiktiná pobûdá. Jei e =0, tai X ir Y sieja funkcinis ryšys, o jei funkcija F (X) yra pastovi, tai X ir Y nepriklausomi. Kai yra koreliacijos ryšys, funkcija Y=F (X) vadinama regresijos lygtimi (modeliu), o jos koeficientai – regresijos koeficientais.

Priklausomai nuo áëjimo kintamojo X matiškumo, skiriami vienmaèiai regresijos modeliai, kai kintamøjø skaièius lygus vienam, ir daugiamaèiai, kai kintamøjø skaièiaus yra daugiau nei vienetas.

Regresinës lygties kintamøjø ryšio stiprumà nusako ryšio glaudumo rodikliai:

koreliacijos koeficientas r;

koreliacijos santykis R;

determinacijos koeficientas D.

Kai y ir x sieja tiesinis ryšys, šio ryšio stiprumà nusako koreliacijos koeficientas, kuris nustatomas iš stebëjimo duomenø (xi, yi), pagal šià formulæ:

(1)

èia:

 –  áëjimo kintamojo reikšmiø vidurkis;

 –  išëjimo kintamojo reikšmiø vidurkis;

;

 –  áëjimo kintamojo dispersija;

 –  išëjimo kintamojo dispersija.

Šio koreliacijos koeficiento kitimo ribos . Jei r > 0, regresijos funkcija didëja, o tai reiškia, kad, didëjant x, didëja ir y. Kai r < 0, x didëjant, y mažëja. Kai , visi taškai sutampa su tiesës linija.

Jei koreliacijos koeficientas r=0 arba artimas jam, tai dar nereiškia, kad kintamieji x ir y   yra nepriklausomi ar menkai priklausomi: jie gali bûti susieti ne tiesine, o priklausomybe.

Jei tarp y ir x yra netiesinë koreliacija, ryšio stiprumà nusako koreliacijos santykis:

; (2)

èia – išëjimo kintamojo reikšmë, apskaièiuota pagal regresijos lygtá.

Akivaizdu, kad šis koeficientas ágyja reikšmes iš intervalo . Kuo koeficiento reikšmë artimesnë vienetui, tuo ryšys stipresnis. Kuo regresijos lygtis geriau aprašys stebëjimo duomenis, tuo skaitiklio narys bus mažesnis ir koeficientas didesnis.

Ir tiesinës, ir netiesinës koreliacijos atveju apskaièiuojamas determina­cijos koeficientas:

. (3)

Jis rodo, kokià viso išëjimo kintamojo kitimo dalá nulemia áëjimo kintamojo kitimas, o (100-D ) – likæ neávertinti veiksniai.

Regresiniuose modeliuose gali bûti skaièiuojamos trys dispersijos:

liekamosios paklaidos

regresinës lygties

ávertinimo .

Liekamosios paklaidos dispersija parodo, kiek nukrypsta faktiški stebëjimo duomenys nuo apskaièiuotøjø pagal regresijos lygtá:

. (4)

Kuo šios dispersijos reikšmë didesnë, tuo modelyje yra daugiau veikianèiø y neávertintø veiksniø.

Regresijos lygties dispersija, parodo nukrypimà nuo vidurkio:

. (5)

Ir ávertinimo dispersija ávertina suminá dispersijø poveiká:

. (6)

Kadangi ryšio glaudumo rodikliai ávertinami pagal statistinius duome­nis, visuomet bûtina patikrinti šiø rodikliø reikšmingumà.

Koreliacijos koeficiento reikšmingumas tikrinamas naudojant Stjuden­to kriterijø. Laikoma, kad koeficientas yra reikšminis, jei galioja ši nelygybë:

.; (7)

èia  – Stjudento kriterijaus (t) lentelinë reikšmë, esant nuro­dytajam patikimumui a ir n-m-1 laisvës laipsniams; m – regresijos lygtyje ávertinamø koeficientø skaièius.

Lentelinë Stjudento kriterijaus reikšmë, kai patikimumas 0,05 ir laisvës laipsnis k = n-m-1, pateikta 1 lentelëje.

1 lentelë

Stjudento kriterijaus reikšmë

k

t

k

t

k

t

Koreliacijos koeficiento vidutinis kvadratinis nukrypimas, esant didelei stebëjimo duomenø aibei (n>25), nustatomas taip:

. (8)

Esant mažai aibei:

. (9)

Koreliacijos santykio reikšmingumas tikrinamas pagal Fišerio kriterijø:

; (10)

èia  – Fišerio kriterijaus (F ) lentelinë reikšmë, kai nurodytas patikimumas ir yra du laisvës laipsniai: k1=(m -1) ir k2=(n -m).

Vienmaèiø regresijos modeliø sudarymas

Regresijos modeliø koeficientø ávertinimas paremtas mažiausiø kvadratø metodu:

. (11)

Šios liekamosios paklaidos dispersijos minimizavimas leidžia geriausiai parinkti nežinomuosius regresijos lygties koeficientus.

Kiekvienas sudaromas regresijos modelis apima tris etapus:

ryšio formos parinkimà;

kiekybiná regresijos lygties koeficientø ávertinimà;

ryšio glaudumo reikšmingumo nustatymà.

Parenkant modelio tipà, pirmiausia reikëtø grafiškai pavaizduoti visus turimus stebëjimo duomenis ir nustatyti jø pasiskirstymà. Kuo glaudžiau taškai išsidëstæ, tuo stipresnis x ir y ryšys. Kai taškai išsidësto apskritime, galima teigti, kad koreliacijos ryšio nëra. Atliekant grafinæ koreliacijos lauko, t.y. statistiniø duomenø, analizæ, atskiri taškai nejungiami kreive, tik pažymima jø vieta.

Regresijos lygties koeficientai nustatomi, naudojant normaliniø lygèiø sistemà. Kadangi koeficientø skaièius kintamas, kiekvienam modelio tipui ši sistema yra skirtinga.

Vienmaèio regresijos modelio sudarymo struktûrinë schema pateikta 1 paveiksle. Šioje schemoje rodomi trys galimi regresijos modelio sudarymo keliai.

1 pav. Vienmaèio regresijos modelio sudarymo struktûrinë schema

Pasirinkus tiesiná regresijos modelá, galima iš karto skaièiuoti regre­sijos lygties koeficientus ir pagal Fišerio kriterijø patikrinti, ar gautoji lygtis reikšminë. Jei ši lygtis reikšminë, apskaièiuojamas determinacijos koefici­entas ir liekamosios paklaidos dispersija. Toks modelio sudarymo bûdas tinka, kai iš tikrøjø žinoma, kad yra tiesinis regresijos ryšys. Šis kelias parodytas struktûrinëje schemoje punktyrais.

Dalinis tiesinio modelio bûdas leidžia anksèiau nustatyti tiesinio ryšio buvimà. Kai koreliacijos koeficientas nereikšminis, bûtina nagrinëti kreivinës regresijos modelio tipus.

Kreivinio modelio reikšmingumas tikrinamas pagal Fišerio kriterijø. Kartais gali bûti sprendžiamas geriausio kreivinio modelio parinkimo uždavinys. Visi reikšminiai kreiviniai modeliai palyginami pagal liekamo­sios paklaidos dispersijos reikšmes. Atrenkamas tas modelis, kurio mažiausias.

3. Vienmatis tiesinës regresijos modelis

Tiesinës regresijos modeliai dažniausiai naudojami, aprašant ekono­minius procesus. Klasikinis pavyzdys yra paklausos kreivë. Didëjant prekës kainai, pardavimø apimtys mažëja.

Tiesinës regresijos modelio išraiška:

; (12)

èia b – tiesinës regresijos lygties polinkis; a – tiesinës regresijos lygties kirtimas.

Šioje lygtyje koeficientas gali ágyti bet kurias skaitines reikšmes. Šios lygties grafikai pavaizduoti 2 paveiksle.

2 pav. Tiesinës regresijos modelio grafikai

Paveikslo grafikai vaizduoja bet kurias galimas x reikšmes. Ekono­miniai kintamieji dažniausiai ágyja tik teigiamas reikšmes, tad ekonominëje analizëje tikslinga nagrinëti tik viršutiná dešiná kvadratà.

Bet kokià tiesæ apibûdina du dydžiai, polinkis b, kuris rodo, kaip pakinta y, pakitus x, ir kirtimas a, t.y. y reikšmë, kai x=0.

Bet kokios tiesës polinkis, t.y. santykis y pokyèio su x pokyèiu:

. (13)

Šis regresijos lygties koeficientas rodo, kiek y pasikeis, x pakitus vienu vienetu. Paprastai šis polinkis priklauso nuo x ir y matavimo vienetø. Tarkime, kad paklausos kreivë, kai kaina matuojama centais, yra . Šios kreivës polinkis b = Tai paèiai prekei kainà nustatant litais, paklausos kreivë bus y =2 - 0,02x ir b =0,0 Nors nagrinëjamas ekonominis reiškinys yra tas pats, polinkis bus ne tas pats. Šià „matavimo” problemà galima apeiti, regresijos lygtá sudarant standartizuotiems kintamiesiems.

 

Žvaigždute pažymëtiems standartizuotiems dydžiams bûdinga tai, kad jø vidurkis lygus 0, o jø dispersijos lygios vienetui.

Kai b kinta, o a lieka pastovus, lygties grafikas sukasi apie kirtimà. Tai grafiškai pavaizduota 3 paveiksle. Didëjant polinkiui, kreivë tampa nuožulnesnë.

3 pav. Polinkio kitimo grafikai

Paklausos kreivës atveju kitimas – tai maksimali prekës kaina, už kurià nebus parduota në viena prekë. Kintant regresijos lygties kirtimui, o polinkiui nekintant, grafikas pakyla ar nusileidžia lygiagreèiai kitiems grafikams (žr. 4 pav.).

Tiesinës regresijos lygtyje yra du nežinomi koeficientai - a ir b; jie nustatomi iš normaliniø lygèiø sistemos:

(15)

Išsprendæ šià lygèiø sistemà gauname:

; (16)

. (17)

4 pav. Kirtimo kitimo grafikai

Norint patikrinti lygties reikšmingumà, pakanka patikrinti koeficiento b reikšmingumà, naudojant Stjudento kriterijø:

; (18)

èia .

Ir tiesinës, ir kreivinës regresijos lygties atveju reikšmingumas gali bûti patikrintas naudojant ir Fišerio kriterijø:

. (19)

Pateiksime tiesinës regresijos modelio sudarymà konkreèiam uždaviniui.

Uždavinys. Duomenys apie gaminio serijos dydá ir ápakavimo išlaidas pateikti 2 lentelëje. Sudaryti regresijos modelá.

2 lentelë

Gaminio ápakavimo išlaidø duomenys

Gaminio mato vnt.

Gaminio ápakavimo išlaidø duomenys

Serijos dydis

tûkst.vnt.

xi

Vieneto ápakavimo išlaidos

ct

yi

Sprendimas. Šiø duomenø grafinis išsidëstymas pateiktas 5 paveiksle.

5 pav. Koreliacijos laukas

Iš statistiniø duomenø išsidëstymo darome prielaidà, kad yra tiesinis koreliacijos ryšys.

Ávertiname statistines charakteristikas:

Tuomet koreliacijos koeficientas bus:

.

Tai rodo, kad koreliacijos ryšys yra atvirkštinis, t.y. didëjant serijos dydžiui, ápakavimo išlaidos mažëja.

Patikriname koreliacijos koeficiento reikšmingumà:

=2,57

.

Tad koreliacijos koeficientas yra reikšminis.

Apskaièiuojame regresijos lygties koeficientus:

Tad regresijos lygties išraiška yra

.

Koeficientas b rodo, kad, padidinus serijos dydá vienu tûkstanèiu vienetø, produkcijos vieneto ápakavimo išlaidos sumažës dydžiu 0,34 cento.

Patikriname koreliacijos koeficiento b reikšmingumà:

Tad koeficientas b yra reikšminis, o kartu ir visa apskaièiuota tiesinës regresijos lygtis yra reikšminë.

Determinacijos koeficientas

.

Tai rodo, kad tûkstanèio vienetø ápakavimo išlaidos 82,8% prik­lauso nuo serijos dydžio, o 17,2% - nuo kitø neávertintø reikšmiø.

4. Vienmatis hiperbolinës regresijos modelis

Kaip atskiras kreivinës vienmatës regresijos lygties atvejis aptartinas hiperbolinës regresijos modelis. Šis koreliacijos ryšys pasižymi tuo, kad, tolygiai x didëjant, y mažëja greitëjanèiai. Tipinis pavyzdys yra vidutiniø gaminio išlaidø priklausomybë nuo pardavimo apimties.

Dažniausia hiperbolinës regresijos modelio išraiška:

. (20)

Hiperbolinës lygties parametrai a ir b nustatomi pagal normaliniø lygèiø sistemà:

(21)

Uždavinys. 3 lentelëje pateikti statistiniai duomenys. Sudaryti regresiná modelá.

3 lentelë

Gaminio vieneto išlaidø statistiniai duomenys

Pavadinimas

Mato vnt.

Žymëji­mas

Pardavimo apimtis

vnt.

xi

Vieneto išlaidos

Lt

yi

Apskaièiuo­tos vieneto išlaidos

vnt.

Sprendimas. Nubraižome koreliacijos laukà (jis pateiktas 6 paveiksle). Iš statistikos duomenø išdëstymo darome prielaidà, kad yra hiperbolinis koreliacijos ryšys.

Ávertiname statistikos charakteristikas:

;

6 pav. Koreliacijos laukas

;

.

Nustatome regresijos lygties koeficientus:

Tada a =24,14; b=26,8.

Hiperbolinë regresijos lygtis užrašoma taip:

.

Žinant pardavimø apimtis, galima apskaièiuoti reikšmes pagal pasirinktà regresijos modelá. Kai x =1, tada .

Kitos reikšmës pateiktos 3 lentelëje.

Koreliacijos santykis nustatomas taip:

.

Visos regresijos lygties reikšmingumas patikrinamas pagal Fišerio kriterijø:

;

Kadangi 18,19>5,99, tai apskaièiuotoji regresijos lygtis yra reikšminë.

Determinacijos koeficientas rodo, kad 75,21% vieneto išlaidø priklauso nuo pardavimo apimties.

Liekamoji paklaidos dispersija

.

5. Daugiamaèio regresijos modelio samprata

Vienmatës koreliacijos atveju nagrinëtas vieno išëjimo kintamojo - y ir vieno áëjimo kintamojo - x ryšys. Praktiškai pasitaiko daug uždaviniø, kur reikia nustatyti y priklausomybæ nuo p áëjimo kintamøjø (x1, x2 ,, xp ). Kuo áëjimo kintamøjø daugiau, tuo modelá sudaryti darosi sunkiau, atsiranda papildomø tyrimo aspektø.

Daugiamatá koreliacijos ryšá nusako šis modelis:

. (22)

Bendruoju atveju daugiamatës regresijos modelis užrašomas:

. (23)

Kai nagrinëjamas tik tiesinis koreliacijos ryšys (ekonominëje analizëje to visai pakanka), gauname daugiamatá tiesiná regresijos modelá:

. (24)

Nagrinëjant daugiamaèius regresijos modelius, apskaièiuojami tiesinës koreliacijos koeficientai:

(25)

Tiesinës koreliacijos koeficientai vadinami poriniais koreliacijos koeficientais, jiems bûdingas simetriškumas,.

Poriniø koreliacijos koeficientø reikšmingumas tikrinamas analogiškai kaip ir vienmatës regresijos atveju, pagal Stjudento kriterijø (7 formulë).

Reikšminiai poriniai koreliacijos koeficientai užrašomi á koreliacijos koeficientø matricà R, kuri yra kvadratinë ir simetrinë:

y

x

x

xp

y

 
x

x

xp

Kai koreliacija daugiamatë, dviejø kintamøjø ryšá gali veikti ne tik jø tarpusavio sàveika, bet ir kiti kintamieji. Daliniai koreliacijos koeficientai kaip tik ir nustato ryšio stiprumà tarp dviejø kintamøjø, kai kitø veiksniø átaka eliminuota. Gautàsias daliniø koreliacijos koeficientø reikšmes kartais galima paaiškinti, remiantis ekonominiais samprotavimais.

Daliniai koreliacijos koeficientai nustatomi taip:

; (26)

èia Rij, Rii, Rjj – matricos R elementø rij, rii, rjj algebriniai papildymai.

Daliniø koreliacijos koeficientø reikšmingumas tikrinamas pagal Sjudento kriterijø:

; (27)

èia m – ávertinamø koreliacijos koeficientø skaièius.

Jei daliniai koreliacijos koeficientai nurodo glaudø tiesiná xi ir xj ryšá, tai vieno áëjimo toliau nebereikia nagrinëti.

Daugiamatis koreliacijos koeficientas nustatomas taip:

; (28)

èia - matricos R determinantas; R00 – r00-ojo elemento algebrinis papildymas.

Šis koeficientas kinta nuo 0 iki 1. Kai r =0, tai tiesinë regresijos priklausomybë neegzistuoja.

Esant dviem áëjimams, x1, x2 ( p=2), daugiamatis koreliacijos koefi­cientas nustatomas taip:

. (29)

Kai áëjimo kintamøjø skaièius p >3, derëtø remtis tokia daugiamaèio koreliacijos koeficiento nustatymo formule:

; (30)

èia  – standartizuoti regresijos koeficientai.

Paprastai randami pagal tokià lygèiø sistemà:

(31)

Daugiamaèio koreliacijos koeficiento reikšmingumas tikrinamas pagal Fišerio kriterijø (10 formulë).

Paprastai daugiamaèiame tiesinës regresijos modelyje (24) reikia nustatyti ( p -1) regresijos koeficientà:

;

koeficientai b1, b2,...bj. ., bp randami iš p lygèiø sistemos, kur  j-oji lygtis nustatoma taip:

(32)

Atskirø apskaièiuotø regresijos koeficientø reikšmingumas tikrinamas pagal Stjudento kriterijø:

. (33)

Nereikšminiai bi atmetami.

Koeficiento bi vidutinis nukrypimas:

(34)

;

Koeficientai cii randami iš stebëjimo matricos diagonaliniø elementø.

Liekamosios paklaidos, regresinës lygties bei ávertinimo paklaidos dispersijos apskaièiuojamos analogiškai kaip ir vienmatës regresijos. Visos apskaièiuotosios lygties reikšmingumas tikrinamas pagal Fišerio kriterijø (19 formulë).

Daugiamaèiame regresijos modelyje, analogiškai kaip ir vienmaèiame, yra determinacijos koeficientas, kuris nustatomas pagal 3 formulæ.

Be bendrojo determinacijos koeficiento, yra daliniai determinacijos koeficientai D1D2, , Dn, kurie rodo, kokià variacijos dalá nulemia ati­tinkami áëjimo kintamieji.

6. Daugiamatës regresijos lygties optimalaus dydžio nustatymas

Atliekant konkreèius regresijos modelio parametrø ávertinimo skaièiavimus, nustatyta, kad lygties pagrindimui nepakanka vien žinoti daugiamatá koreliacijos koeficientà, bet reikia patikrinti pagal Stjudento kriterijø ir kiekvieno koeficiento reikšmingumà. Tokia skaièiavimo seka sudëtinga, nes, tik atlikæs visus sudëtingus skaièiavimus, gauname reg­resijos lygtá. Ar negalima ankstesniuose skaièiavimo etapuose patikrinti atskirø áëjimo kintamøjø reikšmingumà ir kartu sumažinti skaièiavimo apimtá?

Šis uždavinys sprendžiamas Helvigo metodu, leidžianèiu nustatyti kiekvieno áëjimo kintamojo xj papildomà ánašà á skirtingø veiksniø kombinacijø išëjimo kintamojo pasikeitimà.

Áëjimo kintamasis xj teikia daugiau informacijos apie y kitimà, pirma, jei jo koreliacijos koeficientas artimas vienetui ir, antra, jei jis mažiau koreliuotas su kitais áëjimo kintamaisiais.

Áëjimo kintamojo xj teikiamos informacijos apimtá nusako dydis gj:

. (35)

Šiam dydžiui visuomet galioja . Dydis gj lygus 0 tada, kai xj yra išsamios informacijos apie y kitimà indikatorius. Ir g=1, kai xj nesuteikia papildomos informacijos apie y   kitimà.

Áëjimo kintamojo xj teikiamos informacijos kiekis nustatomas taip:

. (36)

Suminis atskirø áëjimo kintamøjø kombinacijø informacijos kiekis nustatomas taip:

; (37)

èia k – áëjimo kintamøjø kombinacijø eilës numeris.

Dydis Hk kinta nuo 0 iki 1. Jei Hk artimas vienetui, tai k -oji áëjimo kintamøjø kombinacija teikia beveik išsamià informacijà apie y kitimà. Tuomet tinkamiausia tiesinës daugiamatës regresijos lygtis atrenkama taip:

. (48)

Šiuo metodu ir spræsime konkretø uždaviná.

Uždavinys. Tarkime, kad yra žinoma koreliacijos matrica (žr. 4 len­telæ), kurios visi poriniai koreliacijos koeficientai reikšminiai:

4 lentelë

Koreliacijos matrica

y

x

x

x

y

R

 
x

x

x

Sprendimas. Norint rasti kiekvienos galimos regresijos lygties infor­ma­cijos kieká, sudaromos visos galimos áëjimo kintamøjø kombinacijos:

Apskaièiuojamas kiekvienos kombinacijos informacijos kiekis:

Geriausia yra septintoji regresijos lygtis, apimanti visus tris áëjimus.

7. Daugiamatis tiesinës regresijos modelis

Daugiamaèio tiesinës regresijos modelio sudarymo struktûrinë schema pateikta 7 paveiksle.

Uždavinys. Šá daugiamatá tiesiná modelá modelá sudarysime, spræsdami konkretø uždaviná, kurio statistiniai duomenys pateikti 5 lentelëje.

5 lentelë

Statistiniai duomenys

Eil. Nr.

y

x

x

x

7 pav. Daugiamaèio tiesinës regresijos modelio sudarymo struktûrinë schema

Sprendimas. Remiantis šiais pradiniais duomenimis, apskaièiuojami statistikos ávertinimai:

Apskaièiuojami poriniai koreliacijos koeficientai:

;

;

;

;

Apskaièiuotø poriniø koreliacijos koeficientø reikšmingumas patikrinamas, pasitelkus Stjudento kriterijø:

.

Patikrinamas mažiausio porinio koreliacijos koeficiento reikšmin­gumas:

Tai rodo, kad visi poriniai koreliacijos koeficientai yra reikšminiai.

Sudaroma koreliacijos koeficientø matrica:

y

x

x

x

y

R

 
x

x

x

Daliniai koreliacijos koeficientai apskaièiuojami tarp áëjimo kintamøjø xi ir xj, tad matricà R reikëtø pertvarkyti, išbraukiant stulpelá ir eilutæ. Pertvarkyta matrica:

x

x

x

R

 
x

x

x

;

;

.

Patikriname apskaièiuotø daliniø koreliacijos koeficientø reikšmin­gumà:

.

Kaip matyti, visi daliniai koreliacijos koeficientai yra nereikšminiai, o tai rodo, kad tarp áëjimo kintamøjø nëra glaudaus ryšio ir në vieno jø išbraukti nereikia.

Standartiniø regresijos koeficientø apskaièiavimui sudaroma lygèiø sistema:

Išsprendæ šià lygèiø sistemà, gauname:

Daugiamatës koreliacijos koeficientas nustatomas taip:

.

Šio koeficiento reikšmingumas patikrinamas pagal Fišerio kriterijø:

Kaip matome, daugiamatis koreliacijos koeficientas yra reikšminis, ir verta apskaièiuoti daugiamatës tiesinës regresijos lygties koeficientus, kurie nustatomi iš lygèiø sistemos:

Išsprendæ lygèiø sistemà, gauname:

Tada regresijos lygtis yra tokia:

.

Norint nustatyti visos lygties reikšmingumà, bûtina apskaièiuoti paklaidø dispersijà. Skaièiuojame pagal regresijos lygties išëjimo reikšmes. Skaièiavimo duomenys pateikti 6 lentelëje.

6 lentelë

Paklaidø apskaièiavimo duomenys

yi

a

Regresijos lygties paklaidos dispersija

.

Liekamosios paklaidos dispersija

.

Vertinimo paklaidos dispersija

.

Tada apskaièiuotos regresijos lygties reikšmingumas tikrinamas pagal Fišerio kriterijø:

Kadangi faktiška Fišerio kriterijaus reikšmë didesnë už teorinæ, tai apskaièiuotoji regresijos lygtis yra reikšminë.

Bendras determinacijos koeficientas

.

Tai rodo, kad 73,96% y kitimo lemia, x1, x2, x3 kitimas. Lieka neávertinta 26,04% y   kitimo.



Politica de confidentialitate | Termeni si conditii de utilizare



DISTRIBUIE DOCUMENTUL

Comentarii


Vizualizari: 3155
Importanta: rank

Comenteaza documentul:

Te rugam sa te autentifici sau sa iti faci cont pentru a putea comenta

Creaza cont nou

Termeni si conditii de utilizare | Contact
© SCRIGROUP 2025 . All rights reserved