Множественное уравнение регрессии

МНОЖЕСТВЕННОЕ УРАВНЕНИЕ РЕГРЕССИИ  [c.268]

Проблема размерности модели связи, т.е. определение оптимального числа факторных признаков, — одна из основных проблем построения множественного уравнения регрессии. С одной стороны, чем больше факторных признаков включено в уравнение, тем оно лучше описывает явление. С другой стороны, сокращение размерности модели за счет исключения второстепенных, экономически и статистически несущественных факторов способствует простоте и качеству ее реализации.  [c.118]


Аналитическая форма выражения связи результативного признака и ряда факторных признаков называется многофакторным (множественным) уравнением регрессии, или моделью связи.  [c.119]

Частный коэффициент детерминации показывает, на сколько процентов вариация результативного признака объясняется вариацией первого признака, входящего в множественное уравнение регрессии.  [c.122]

Оценить с помощью r-критерия Стьюдента статистическую значимость коэффициентов при переменных хх и х2 множественного уравнения регрессии.  [c.61]

Существенность включенных в уравнения регрессии (20) — (22) факторов оценена по коэффициенту множественной корреляции R и путем проверки по /-критерию Стьюдента.  [c.86]

Оператор 3. Вычисление коэффициента множественной корреляции уравнения регрессии (IV.4).  [c.78]

После выполнения указанных действий проводится проверка на адекватность и надежность модели в целом по всем участвующим в переборе уравнениям регрессии. Для этого применяют такие показатели, как коэффициенты множественной корреляции, средняя ошибка аппроксимации и -критерий. Оценка моделей по совокупности этих характеристик позволяет установить наиболее оптимальную форму связи.  [c.18]


Оценка этой формы связи по коэффициенту множественной корреляции и средней ошибке аппроксимации показывает, что адекватность данной модели не подтверждается. Действительно, хотя значение коэффициента достаточно высокое (0,92), средняя ошибка аппроксимации составляет более 10% (I = 14,5%). Поэтому данная форма должна быть исключена из перебора известных уравнений регрессии.  [c.29]

Анализ полученной формы связи по той же причине, что и в первом случае, позволяет сделать вывод о непригодности и этой модели. Коэффициент множественной корреляции хотя и имеет более высокое значение, чем в линейной зависимости (0,93), но по величине средней ошибки аппроксимации (б = 12,4%) это уравнение регрессии подлежит исключению из дальнейшего перебора.  [c.29]

Иногда при построении уравнений множественной регрессии по временным рядам автокорреляция возникает в отклонениях фактических значений зависимой переменной от расчетных, выравненных по уравнению регрессии.  [c.70]

Оценки параметров уравнения регрессии с помощью метода наименьших квадратов в случае множественной регрессии удобнее представить в матричном виде.  [c.325]

Таким образом, коэффициент множественной корреляции, как и величина остаточной дисперсии, характеризует качество подбора уравнения регрессии.  [c.328]

Множественный коэффициент корреляции R = 0,947, коэффициент детерминации R2 = 0,898. Таким образом, три фактора, включенные в уравнение регрессии, объясняют 89,8% вариации прибыли.  [c.332]

После проведения корреляционного анализа принимается решение о целесообразности построения уравнения регрессии, с помощью которого определяется аналитическое выражение формы связи между отдельными видами процентных ставок. С помощью регрессионного анализа выявляется изменение одной величины (результата) под влиянием одного или нескольких факторов, а множество прочих причин, оказывающих влияние на результат, принимается за постоянные и средние значения. Регрессия может быть однофакторной (парной) и многофакторной (множественной). Подбор аналитических функций (линейных и криволинейных) для построения уравнения регрессии осуществляется аналогично подбору функций для уравнения тренда. На практике теоретическая форма связи определяется с использованием пакета статистических программ на ПЭВМ. Для наглядного изображения теоретической формы связи значения показателей, полученные с помощью уравнения регрессии, наносят на график и сравнивают их с эмпирическими данными.  [c.624]


Формулы (8.10) соответствуют самому общему подходу к определению параметров уравнения регрессии и могут применяться в случае как парной, так и множественной регрессии.  [c.240]

Проблема отбора факторных признаков для построения моделей взаимосвязи может быть решена с помощью эвристических или многомерных статистических методов анализа. Наиболее приемлемым методом отбора факторных признаков является шаговая регрессия (шаговый регрессионный анализ). Сущность данного метода заключается в последовательном включении факторов в уравнение регрессии и последующей проверке их значимости. Факторы поочередно вводятся в уравнение так называемым прямым методом . При проверке значимости введенного фактора определяется, насколько уменьшается сумма квадратов остатков и увеличивается величина множественного коэффициента корреляции (R). Одновременно используется и обратный метод, т.е. исключение факторов, ставших незначимыми на основе -крите-рия Стьюдента. Фактор является незначимым, если его включение в уравнение регрессии только изменяет значение коэффициентов регрессии, не уменьшая суммы квадратов остатков и не увеличивая их значения. Если при включении в модель соответствующего факторного признака величина множественного коэффициента корреляции увеличивается, а коэффициент регрессии не изменяется (или меняется несущественно), то данный признак существен и его включение в уравнение регрессии необходимо.  [c.118]

По числу факторов различают простую (парную) и множественную (несколько факторов) регрессию. Вид и параметры уравнения регрессии устанавливаются с помощью метода наименьших квадратов отклонений эмпирических данных от ожидаемых значений. По типу уравнения регрессии различают линейную и нелинейную регрессию.  [c.467]

Пример 4.4. По данным примера 4.1 определить множественный коэффициент детерминации и проверить значимость полученного уравнения регрессии У по Х и Х на уровне а = 0,05.  [c.105]

Есть основания предполагать, что доходы Y по акции С зависят от доходов Х и Xi по акциям А и В. Необходимо а) составить уравнение регрессии У по Х и Х , б) найти множественный коэффициент детерминации R2 и пояснить его смысл в) проверить значимость полученного уравнения регрессии на уровне а=0,05 г) оценить средний доход по акции С, если доходы по акциям Аи В составили соответственно 5,5 и 6,0%.  [c.107]

Блок 14 — переход к вычислению следующего вида уравнения регрессии и анализ статистических характеристик "для каждого уравнения регрессии. Для оценки существенности коэффициента множественной корреляции предусмотрен нормативно-справочный массив В 120.  [c.176]

Параметр R2 называется коэффициентом множественной детерминации и показывает удельный вес влияния включенных в уравнение регрессии факторных признаков на результативный признак. По I группе управлений совокупность факторов х, хц, хз, х5 имеет 88,7% влияния на вариацию результативного признака и лишь 11,3% влияния падает на остальные, не учтенные нами факторы.  [c.180]

Приближение данных с помощью плоскости обычно производится методом множественной регрессии. Для примера из рис. 11.4 это дает следующее уравнение регрессии  [c.307]

Найдите уравнение множественной линейной регрессии в стандартизованном масштабе и сделайте выводы.  [c.81]

Постройте уравнение регрессии, характеризующее зависимость цены от всех факторов. Установите, какие факторы коллинеарны, определив коэффициенты множественной детерминации для каждого из факторов.  [c.105]

Постройте уравнение регрессии и оцените тесноту и силу связи двух рядов (по отклонениям от тренда и по множественной регрессионной модели с включением в нее фактора времени).  [c.176]

В 30-е гг. XX в. повсеместное увлечение множественной регрессией сменилось разочарованием. Строя уравнение множественной регрессии и стремясь включить как можно больше объясняющих переменных, исследователи все чаще сталкивались с бессмысленными результатами — прежде всего с несоответствием знаков при коэффициентах регрессии априорным предположениям, а также с необъяснимым изменением их значений. Причина заключается в том, что изолированно взятое уравнение регрессии есть не что иное, как модель черного ящика , поскольку в ней не раскрыт механизм зависимости выходной переменной у от входных переменных xh а лишь констатируется факт наличия такой зависимости.  [c.17]

В зависимости от количества факторов, включенных и уравнение регрессии, принято различать простую (парную) и множественную регрессии.  [c.34]

К ошибкам спецификации будут относиться не только неправильный выбор той или иной математической функции для ух, но и недоучет в уравнении регрессии какого-либо существенного фактора, т. е. использование парной регрессии вместо множественной. Так, спрос на конкретный товар может определяться не только ценой, но и доходом на душу населения.  [c.36]

Парабола второй степени, как и полином более высокого порядка, при линеаризации принимает вид уравнения множественной регрессии. Если же нелинейное относительно объясняемой переменной уравнение регрессии при линеаризации принимает форму линейного уравнения парной регрессии, то для оценки тесноты связи может быть использован линейный коэффициент корреляции, величина которого в этом случае совпадет с индексом корреляции Ryx = ryv где z — преобразованная величина  [c.81]

Построение уравнения множественной регрессии начинается с решения вопроса о спецификации модели. Суть проблемы спецификации рассматривалась применительно к парной зависимости в п. 2.1. Она включает в себя два круга вопросов отбор факторов и выбор вида уравнения регрессии. Их решение при построении модели множественной регрессии имеет некоторую специфику, которая рассматривается ниже.  [c.91]

Компьютерные программы построения уравнения множественной регрессии в зависимости от использованного в них алгоритма решения позволяют получить либо только уравнение регрессии для исходных данных, либо, кроме того, уравнение регрессии в стандартизованном масштабе.  [c.108]

Поскольку нахождению параметров множественного уравнения регрессии всегда предшествует определение и анализ парных коэффициентов корреляции, систему нормальных уравнений можно видоизменить таким образом, чтобы при вычислении параметров регрессии использовать уже найденные парные коэффициенты корреляции. Для этого в уравнении регрессии за меним xit х2, х3,. .., xk переменными t, полученными следующим преобразованием  [c.129]

Более сложные системы оплаты на основе компетенций можно разработать с помощью уравнений регрессии. Множественные уравнения регрессии могут содержать размер работы, компетенции и факторы исполнения2  [c.312]

Такого рода характеристика явлений, влияющих на уровень и динамику валютного курса, является непременным этапом, предшествующим самостоятельному статистическому анализу факторов на основе конкретного цифрового материала. Дальнейший анализ выглядит чаще как моделирование взаимосвязей и оценка тесноты взаимозависимости (корреляционно-регрессионный анализ). Напомним, что выбор функции осуществляется исходя из показателей значимости уравнения и ошибок аппроксимации. Это относительная ошибка аппроксимации, средняя квадратическая ошибка аппроксимации (6ОСТ) (чем они меньше, тем лучше уравнение) и коэффициент множественной детерминации (R2) или коэффициент множественной корреляции (R) (чем ближе он к 1, тем более вероятность, что уравнение регрессии носит совершенно случайный характер). Для проверки значимости используют F-критерий с распределением Фишера.  [c.670]

Верхняя строка корректированный / -квадрат = 0,872390 вторая строка / -квадрат = 0,897912 третья строка множественный R = 0,947582. Затем приводится таблица дисперсионного анализа, в которой указываются источники вариации объясненная сумма квадратов отклонений значений, рассчитанных по уравнению регрессии, от среднего значения DlfnM il = Z(p/ - у)2 = 662 772,98 при числе степеней свободы, равном числу объясняющих переменных dfk = 3 остаточная - отклонения фактических значений от расчетных Dwm Z(y/ - у)2 = 75353,96 при числе степеней свободы, равном df=n-k-, df= 2 общая - ZO/ - У = 738 126,94, при числе степеней свободы df = п - 1, df = 15. Затем приводится средний квадрат отклонений s = Д , с//)6ы, , = 662772,98 3 = 220924,3 s г = D,Km dfwm, = 75353,96 12 = 6279,5. Далее указано их отношение, т. е. 5, /г2 = F-критерию. Наконец, указывается вероятность ошибочного решения, т. е. нулевого / 2, равная 0,000003171.  [c.277]

Корректированный коэффициент детерминации всегда ниже, чем некорректированный, причем разность их значений тем меньше, чем меньше факторов входит в уравнение регрессии. Если из числа факторов исключить факторы, слабо связанные с результативным признаком (т. е. с низким значением Р , например, Р < 0,1), то некорректированный коэффициент детерминации немного уменьшится (он всегда уменьшается при исключении части факторов), но корректированный коэффициент может даже возрасти за счет уменьшения разности между R2 и корректированным R2. Что касается множественного коэффициента корреляции R, то программа Mi rostat рассчитывает его, как корень квадратный из некорректированного R2, а другие программы, например Statgraphi s , - как корень квадратный из f K,,rp.  [c.278]

Блок 7 — критерием оценки уравнения регрессии выбран коэффициент множественной корреляции, оценка значимости которого проводится с использованием модуля М108. В. модуле предусмотрена проверка существенности путем сравнения рассчитанного коэффициента с табличным значением. Если условие t к > a,f выполняется, то переходим к блоку 9, в противном случае — к блоку 8.  [c.98]

Блок 7—проверка значимости уравнения регрессии. Критерием оценки уравнения регрессии выбран коэффициент множественной корреляции, оценка значимости которого проводится с использованием модуля Mill.  [c.53]

Другой вид уравнения множественной регрессии - уравнение регрессии в стандттизованном масштабе  [c.50]

В отличие от парной регрессии частные уравнения регрессии характеризуют изолированное влияние фактора на результат, ибо другие факторы закреплены на неизменном уровне. Эффекты влияния других факторов присоединены в них к свободному члену уравнения множественной регрессии. Это позволяет на основе частных уравнений регрессии определять частные коэффициенты эластичности1  [c.110]