КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Исходные данные для построения уравнений регрессии
Можно попробовать включить в уравнение регрессии второй фактор x2 и проанализировать получившийся результат. При построении уравнений множественной регрессии возникает много дополнительных сложностей по сравнению с процессом построения уравнений парной регрессии. Сами системы нормальных уравнений для вычисления параметров регрессии включают больше уравнений и неизвестных, но кроме того, возникает дополнительная проблема отбора тех факторных переменных, которые целесообразно включить в уравнений множественной регрессии. На лекции №1 мы уже говорили о проблеме мультиколлинеарности и о том, что в уравнение множественной регрессии нельзя включать факторы, между которыми существует линейная статистическая зависимость (корреляционная связь), измеряемая с помощью коэффициента парной корреляции. Но, может быть, в уравнение регрессии достаточно включить только единственный фактор, а включение дополнительного фактора будет лишним? Попытаемся оценить это с помощью расчета коэффициента детерминации. Этот показатель рассчитывается как отношение двух дисперсий (дисперсии расчетных значений и дисперсии фактических значений результативной переменной y) и показывает, какая часть вариации результативного признака может быть объяснена влиянием факторного признака.
Проведя расчеты, основанные на одних и тех же исходных данных, для нескольких типов функций, мы можем из них выбрать такую, которая дает наибольшее значение R2 и, следовательно, в большей степени, чем другие функции, объясняет вариацию результативного признака. Коэффициент детерминации рассчитывается по формуле: (3.1) где в числителе - дисперсия расчетных, а в знаменателе – дисперсия фактических значений изучаемого признака. Действительно, при расчете R2 для одних и тех же данных, но разных функций знаменатель выражения (3.1) остается неизменным, а числитель показывает ту часть вариации результативного признака, которая учитывается выбранной функцией. Чем больше R2, т. е. чем больше числитель, тем больше изменение факторного признака объясняет изменение результативного признака и тем, следовательно, лучше уравнение регрессии, лучше выбор функции. Рассчитаем коэффициент детерминации для уравнения у = 17,8 + 24,5x, полученного в примере, рассмотренном на предыдущей лекции. Вычисляем R2, воспользовавшись формулой (3.1) и данными табл. 3.1. Вначале построим вспомогательную таблицу для определения ошибки аппроксимации и дисперсий фактических и расчетных значений признака (табл. 3.2). Таблица 3.2 Вспомогательная таблица для расчета ошибки аппроксимации и индекса детерминации для уравнения у = 17,8 + 24,5x
Используя суммы, рассчитанные в последней (итоговой) строке таблицы 3.2, для расчета ошибки аппроксимации и индекса детерминации, получаем: R 2 = 0,774 = 77,4% (3.2) σ2 = 4,42 (3.3)
Итак, уравнение регрессии примерно на 77 % объясняет колебания сбора хлеба на душу. Это немало, но, по-видимому, можно улучшить модель введением в нее еще одного фактора. Одной из дополнительных проблем, возникающих при построении уравнений множественной регрессии, является проблема отбора факторов, которые целесообразно включать в модель. Если известны данные о множестве самых различных факторов, каждый из которых может оказать то или иное влияние на результирующий показатель, обычно отбирают 2-3 фактора по результатам анализа мультиколлинеарности. В рассмотренном ранее примере известны данные только о двух факторах, которые могут быть включены в модель. Поэтому далее мы рассмотрим построение уравнения двухфакторной линейной регрессии, включив в уравнение, кроме фактора x1 дополнительный фактор x2 – урожайность зерна.
Дата добавления: 2014-01-05; Просмотров: 718; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |