Предположим для примера, что анализируется влияние различных факторов на изменение производительности труда. Среди этих факторов — показатели, связанные с техническим обеспечением производственной деятельности, технологическим уровнем производства, уровнем организации производства, уровнем квалификационной и общеобразовательной подготовки работников и т.п. Все факторы влияют на изменение производительности труда, но вместе с тем они, без сомнения, не являются независимыми друг от друга. В рамках классического корреляционно-регрессионного анализа методом пошаговой регрессии можно отбросить коррелирующие и незначимые факторы, однако не исключено, что модель существенно упростится, причем значимые (по логике) направления (например, факторы, связанные с технологией производства) могут вообще быть не представлены в модели. [c.128]
Рассмотрим вопрос о регрессии. В ряде случаев именно от его решения — оценки уравнений регрессии — зависят оценки тесноты связи, а они, в свою очередь, дополняют результаты регрессионного анализа. Прежде всего следует определить перечень независимых переменных X, включаемых в уравнение. Это должно делаться на основе теоретических положений. Список X может быть достаточно широк и ограничен только исходной информацией. На практике теоретические положения о сути взаимосвязи подкрепляются парными коэффициентами корреляции между зависимой и независимыми переменными. Отбор наиболее значимых из них можно провести с помощью ЭВМ, выбирая в соответствии с коэффициентами корреляции и другими критериями факторы, наиболее тесно связанные с У. Параллельно решается вопрос о форме уравнения. Современные средства вычислительной техники позволяют за относительно короткое время рассчитать достаточно много вариантов уравнений. В ЭВМ вводятся значения зависимой переменной У и матрица независимых переменных X, принимается форма уравнения, например линейная. Ставится задача включить в уравнение k наиболее значимых X. В результате получим уравнение регрессии с k наиболее значимыми факторами. Аналогично можно выбрать наилучшую форму связи. Этот традиционный прием, называемый пошаговой регрессией, если он не противоречит качественным посылкам, достигает приемлемых результатов. Первоначально обычно берется линейная модель множественной регрессии [c.134]
Описать специализированные методы, используемые в рамках множественного регрессионного анализа, особенно пошаговую регрессию, регрессию с фиктивными переменными, а также и ковариационный анализ с регрессией. [c.640]
На первом этапе задача регрессии решается в пространстве ключевых переменных. Проводится анализ точности и адекватности соответствующей линейной модели (см. гл. 11). Если не все из ключевых переменных необходимо в принудительном порядке включить в итоговую модель, то можно попытаться сократить их число, применяя тот или иной пошаговый алгоритм. При этом переменные, не вошедшие в информативный набор, переводятся ь группу потенциально информативных переменных. [c.296]
Раздел математической статистики включает подпрограммы отбора и анализа данных, элементарных статистик, корреляционного и регрессионного анализа (корреляция, множественная линейная регрессия, пошаговая линейная регрессия). Пакет разработан на ПЛ/1 для ЕС ЭВМ. [c.183]
Пошаговую и множественную регрессию осложняет мультиколлинеарность. Фактически всегда множественный регрессионный анализ в маркетинговых исследованиях имеет дело со связанными между собой предикторами. Однако мультиколлинеарность возникает тогда, когда связь между предикторами очень сильная [c.669]
Ниже рассматриваются такие вопросы регрессионного анализа, как пошаговая регрессия, неарность, относительная важность независимых переменных (предикторов) и перекрестная проверка. Мы опишем регрессию с фиктивными переменными и использование этой процедуры для выполнения дисперсионного и ковариационного анализа. Рассмотрим на применение регрессионного анализа. [c.641]
Регрессионный анализ (индекс браузинга - зависимее использованием пошаговой регрессии [c.669]
При пошаговой регрессии предикторы вводят или выводят из уравнения регрессии один за другим с целью выбора меньшего их числа, которые объясняют большую часть вариации критериальной переменной.неарность или очень высокая взаимная корреляция между предикторами может вызвать некоторые проблемы. Из-за того, что предикторы взаимосвязаны (коррелируют), регрессионный анализ не обеспечивает однозначного свидетельства об относительной важности предикторов. Перекрестная проверка может установить, верна ли регрессионная модель для сопоставимых данных, не использованных при ее вычислении. Она является полезным методом при оценке регрессионной [c.678]