Матриця похибок

Рішення.

1. Складемо матрицю X. Перший її стовпчик містить лише одиниці (він відповідає незалежній змінній Х₀ – вільному членові); інші стовпчики є відповідно векторами Х₁, Х₂.

Матриця Х
		4,2
		5,3
		6,5
Х =		5,8
		6,9
		5,9
		7,2
		14,2

Матриця Y
Y =	38,2
	38,5
	40,2
	41,1
	48,5

2. Далі виконуємо операції над матрицями відповідно формули (15.1).

=ТРАНСП(C29:E36)
Х′ =	4,2	5,3	6,5	5,8	6,9	5,9	7,2	14,2

Транспонування матриці просто реалізувати за допомогою “майстра функцій f” (операція ТРАНСП(.) у категорії “Ссылки и массивы“). Звернення до математичних та статистичних функцій Excel.

=МУМНОЖ(B41:I43;C29:E36)

	8,0	56,00
Х′ × Х =	56,00	457,52	1304,60
		1304,60	4022,00

Функція Microsoft Excel МУМНОЖ(. _, .) – знаходить добуток матриць.

Для цього треба:

1) відмітити поле, де буде знаходитись результат добутку матриць;

2) ввійти у "майстер функцій f". У категоріях вибираємо "математичні", а в функціях – МУМНОЖ. Вводимо адреси матриць, добуток яких знаходимо;

3) для того, щоб отримати на екрані значення добутку матриць, натискаємо спершу клавішу F2, а потім Ctrl+Shift+Еnter.

=МОБР(D46:F48)

	3,78969	0,1200727	–0,20478
(Х' × Х)^–1 =	0,12007	0,0329147	–0,01593
	–0,20478	–0,0159307	0,01438

Функція Microsoft Excel МОБР(.) – знаходить матрицю, обернену до квадратної матриці. Процедура знаходження оберненої матриці аналогічна процедурі мумнож.

=МУМНОЖ(B41:I43;H29:H36)

	312,5
Х' × Y =	2278,91
	7002,7

=МУМНОЖ(D51:F53;D56: D58)

	23,89
b^*=	0,97
	0,38

Отже, наша регресійна модель має вигляд:

Y_розр = 23,89 +0,97X₁ +0,38X₂

3. Далі знаходяться відповідні значення Y_розр за формулою Y= Х×b^*і заносяться до стовпчику "1".

=МУМНОЖ(C29:E36;D61:D63)

Yрозр	Yфакт – Yрозр	Yфакт – Yсер	Yрозр – Yсер
32,92	0,08	–6,06	–6,146
35,89	0,11	–3,06	–3,175
39,33	–2,33	–2,06	0,272
37,89	0,31	–0,86	–1,169
38,97	–0,47	–0,56	–0,097
38,75	1,45	1,14	–0,312
40,40	0,70	2,04	1,334
48,36	0,14	9,44	9,294
	8,399	145,96		=СУММКВ(.)

4. Стовпчик "2" містить залишки регресії, обчислені за формулою
Y_факт – Y_розр.

5. Стовпчик "3" складається з елементів, що знаходяться як
Y_факт – Y_сер.

6. Елементи стовпчика "4" знаходяться як Y_розр – Y_сер .

7.Реалізуємо обчислення суми квадратів елементів кожного з цих стовпчиків за допомогою процедури "майстра функцій f" СУММКВ(.), знаходимо значення суми квадратів відхилень.

8. Проаналізуємо достовірність моделі та її параметрів:

Коефіцієнт детермінації моделі обчислюється за формулою:

В економічних розрахунках вважається прийнятним такий зв’язок між факторами, при якому r² > 0,7.

Скоригований коефіцієнт детермінації:

Скоригований коефіцієнт детермінації не перевищує одиниці

Справедлива нерівність:

0,93287 < 0,94246

9. Множинний коефіцієнт кореляції R розраховується за формулою:

.

що свідчить про вельми високий зв’язок між показниками Y та X₁ , X₂.

Парні коефіцієнти кореляції розраховують за формулою матриці коефіцієнтів парної регресії між змінними:

Елементи нормалізованих векторів розраховують за формулами:

Дисперсії змінних мають такі зна­чення:

Тоді знаменники для нормалізації кожної змінної будуть такими:

y^*: ;

x_k^*: ;

x_j^*: .

-6,06	-2,80	-9,00	36,75	7,84		-0,5801	-0,3687	-1,0835
-3,06	-1,70	-4,00	9,38	2,89		-0,2931	-0,2238	-0,4815
-2,06	-0,50	2,00	4,25	0,25		-0,1974	-0,0658	0,2408
-0,86	-1,20	0,00	0,74	1,44		-0,0825	-0,1580	0,0000
-0,56	-0,10	0,00	0,32	0,01	0,0	-0,0538	-0,0132	0,0000
1,14	-1,10	2,00	1,29	1,21	4,0	0,1089	-0,1448	0,2408
2,04	0,20	3,00	4,15	0,04		0,1950	0,0263	0,3612
9,44	7,20	6,00	89,07	51,84		0,9031	0,9480	0,7223
Усього			145,96	65,52

Матриця нормалізованих змінних:

	-0,5018	-0,3459	-0,7348
	-0,2535	-0,2100	-0,3266
	-0,1707	-0,0618	0,1633
X^* =	-0,0714	-0,1482	0,0000
	-0,0466	-0,0124	0,0000
	0,0942	-0,1359	0,1633
	0,1686	0,0247	0,2449
	0,7812	0,8895	0,4899

Матриця, транспонована до X^*:

	-0,5018	-0,2535	-0,1707	-0,0714	-0,0466	0,0942	0,1686	0,7812
X*' =	-0,3459	-0,2100	-0,0618	-0,1482	-0,0124	-0,1359	0,0247	0,8895
	-0,7348	-0,3266	0,1633	0,0000	0,0000	0,1633	0,2449	0,4899

Запишемо шукану кореляційну матрицю:

		0,9347	0,8630
rxx =	0,9347		0,7323
	0,8630	0,7323

Кожний елемент цієї матриці характеризує тісноту зв'язку однієї змінної з іншою.

Оскільки діагональні елемен­ти характеризують тісноту зв'язку кожної змінної з цією самою змінною, то вони дорівнюють одиниці. Решта елементів матриці r_ххтакі:

;

;

.

Вони є парними коефіцієнтами кореляції між змінними.

Користуючись цими коефіцієнтами, можна зро­бити висновок, що між змінними y та x_j – високий зв'язок; між змінними y та x_k існує досить високий кореляційний зв'язок

Частинні коефіцієнти кореляції, як і парні, характеризують тісноту зв’язку між двома змінними, але за умови, що решта змінних сталі.

Розрахунок частинних коефіцієнтів кореляції базується на обернений матриці до матриці r_xx (матриця С):

,

де с_kj – елемент матриці С, що міститься в k-му рядку i j-му стовпці;
с_kk і с_jj – діагональні елементи матриці С.

Розрахуємо матрицю, обернену до матриці r_xx:

	17,379	–11,35	–6,69
C =	–11,345	9,56	2,79
	–6,69	2,79	4,73

Матриця C – симетрична, і її діагональні елементи завжди мають бути додатними.

Визначимо частинні коефіцієнти кореляції:

r yxk =	0,8801
r yxj =	0,7377
r xk xj =	–0,4145

Частинні коефіцієнти кореляції характеризують рівень тісноти зв'язку між двома змінними за умови, що решта змінних на цей зв'язок не впливає. Частинні коефіцієнти кореляції за модулем нижчі, ніж коефіцієнти парної кореляції, бо на їхній рівень не впливає решта змінних, які мають зв'язок із цими двома.

Коефіцієнт парної кореляції ryx_k = 0,88, тому можна зробити висновок, що рівень тісноти зв'язку між двома змінними (y та x_k;) високий за умови, що решта змінних на цей зв'язок не впливає.

Коефіцієнт парної кореляції ryx_j = 0,7377 – можна зробити висновок, що рівень тісноти зв'язку між двома змінними (y та x_j) високий за умови, що решта змінних на цей зв'язок не впливає.

10. Перевіримо значимість зв'язку між змінними моделі:

З урахуванням ступенів вільності:

F^0,05табл =	3,97
F^0,05табл <	Fрозр

Модель приймаємо – припускаємо присутність лінійного зв'язку для рівня надійності р =(1– a) = 0,95.

11. Стандартні похибки оцінок параметрів з урахуванням дисперсії залишків:

З матриці похибок:
С00=	3,78969
С11=	0,03291
С22=	0,01438

Стандартні помилки параметрів не перевищують абсолютні значення цих параметрів, то це означає, що оцінки параметрів є незміщеними відносно їх істотних значень.

12. Перевірка значимості коефіцієнта детермінації, коефіцієнта кореляції та оцінок параметрів моделі множинної регресії.

Перевірка значимості коефіцієнта детермінації

Висувається нульова гіпотеза H₀: R²=0,

або H₀: b₁ = b₂ =... = b_n = 0.

Альтернативна до неї є Н_А: (b_j ≠ 0)

За отриманими в моделі значеннями коефіцієнта детермінації R²обчислюємо експериментальне значення F-статистики:

Визначимо табличне значення F-критерію Фішера:

Fтабл =	3,9715
	==FРАСПОБР(0,05;5;7)

Порівняємо з табличним значенням розподілу Фішера при рівні значущості a= 0,05:

F_експ > F_табл

Нульова гіпотеза відхиляється.

Відхи­лення нуль-гіпотези свідчить про значимість коефіцієнта детермінації.

Перевірка значимості коефіцієнта кореляції

Коефіцієнт кореляції, як вибіркова характеристика, перевіряється на значущість за допомогою t-критерію Ст’юдента.

Задамо рівень значущості a=0,05 та визначимо табличне значення
t-критерію Ст’юдента:

tтабл =	2,570581835
	=СТЬЮДРАСПОБР(0,05;5)

Величина експериментального значення t-статистики перевищує табличне:

|t_експ| > t_табл

9,049 > 2,57

Тобто можна зробити висновок, що коефіцієнт кореляції достовірний (зна­чущий), а зв'язок між залежною змінною та всіма незалежними фак­торами суттєвий.

Перевірка значимості оцінок параметрів моделі

множинної регресії

Для оцінки значимості кожного параметра моделі перевіряємо їх за допомогою t-критерію Ст’юдента:

де с_jj – діагональний елемент матриці (Х' Х)^-1;

– стандартна похибка оцінки параметра моделі.

Статистичну значущість кожного параметра моделі можна пере­вірити за допомогою t-критерію. При цьому нульова гіпотеза має вигляд

Н₀ : b_j = 0,

альтернативна

Н_А : b_j ≠ 0.

Будемо наслідувати відповідний алгоритм. Задамо рівень значущості a=0,05, визначимо табличне значення t-критерію Ст’юдента (t_табл =2,5058) і розрахуємо значення t-критерію для кожного параметра.

Перевірка гіпотези Н0: b0 =0
tспос =	9,4678
Перевірка гіпотези Н0: b1 =0
tспос =	4,1439
Перевірка гіпотези Н0: b2 =0
tспос =	2,4435

Якщо | t_спос | < t_табл , то приймаємо гіпотезу Н₀.

Якщо | t_спос | > t_табл , то відхиляємо гіпотезу Н₀.

Перевіряємо виконання нерівності | t_спос | > t_табл робимо висновки про стійкість впливу відповідного параметру на залежну змінну Y:

для b₀: |9,4678| > 2,57058 → Н₀ (b₀=0) відхиляємо; змінна X₀ (вільний член) є значущою;

для b₁: |4,1439| > 2,57058 → Н₀ (b₁=0) відхиляємо; змінна Х₁ (вартість основних засобів) є значущою;

для b₂: |2,4435| < 2,57058 → Н₀, (β₂=0) приймаємо; змінна Х_2, (чисельність працюючих) є незначущою.

13. Знайдемо інтервали надійності для кожного окремого параметра за формулою:

Оскільки оцінки параметрів моделі β_j*, t_спос і стандартні похибки параметрів моделі обчислені нами у попередніх пунктах, достатньо просто скористатися формулою для знаходження інтервалів:

= 23,89 – 9,4678 * 2,523 < b₀ < 23,89 + 9,4678 * 2,523

= 0,97 – 4,1439 * 0,235 < b₁ < 0,97 + 4,1439 * 0,235

= 0,38 – 2,4435 * 0,155 < b₂ < 0,38 + 2,4435 * 0,155

P (0 < b₀ < 47,78) = 0,95

P (0 < b₁ < 1,95) = 0,95

P (0 < b₂ < 0,96) = 0,95

14. Обчислимо прогнозні значення Y_пр:

У рівняння Y_розр = 23,89 +0,97X₁ +0,38X₂ підставимо прогнозні значення фактору Х_пр = (1, 15, 35), що лежить за межами базового періоду (точковий прогноз):

Y_пр = 23,89 +0,97 × 15 +0,38 × 35 = 51,79

Тоді M(Y_пр) можна розглядати як оцінку прогнозного значення математичного сподівання та індивідуального значення обсягу виробленої продукції при відомих параметрах вартості основних засобів (Х₁) та чисельності працюючих (Х₂).

Визначимо дисперсію прогнозу з урахуванням матриці похибок, яка для прикладу має вигляд:

(Х' × Х)^–1 =	3,78969	0,12007	–0,20478
0,12007	0,03291	–0,01593
–0,20478	–0,01593	0,01438

Елементи дисперсійно-ковартційної матриці, які розраховуються за формулами і мають значення:

	6,36573	0,20169	–0,34398
var (В) =	0,20169	0,05529	–0,02676
	–0,34398	–0,02676	0,02415

Хпр =

Х'пр =

Х'пр * var (В) =

–2,6483

0,0944

0,0999

Знайдемо дисперсію прогнозу:

Середньоквадратична (стандартна) похибка прогнозу:

15. Довірчий інтервал для прогнозних значень:

16. Інтервальний прогноз математичного сподівання M(Y _np) буде в межах:

51,79 – 2,57058 × 1,5046 ≤ M(Y_пр) ≤ 51,79 + 2,57058 × 1,5046

47,9264

≤ M(Yпр) ≤

55,6617

17. Визначимо інтервальний прогноз індивідуального значення Y_пр.

Для цього обчислимо дисперсію та стандартну помилку прогнозу індивідуального значення Y_пр:

51,79 – 2,57058 × 1,9858 ≤ Y_пр  ≤ 51,79 + 2,57058 × 1,9858

46,6893

≤ Yпр ≤

56,8988

18. Графічне зображення моделі ґрунтується на побудові ліній регресії, в прямокутних координатах Y – x₁ та Y – x₂.

При цьому масштаб треба обрати таким, щоб мінімальні та максимальні значення x₁ та x₂ співпадали між собою.

Лінія регресії Y= f (X₁) при X₂=const відображає вплив першого фактора х₁ на продуктивність праці при постійному значенні другого х₂ (середнє значення х₂).

Лінія регресії Y= f (X₂) при X₁=const відображає вплив другого фактора х₂ на продуктивність праці при постійному значенні х₁ (середнє значення х₁).

	X1	X2	Y=f(X1) при X2=const	Y=f(X2) при X1=const	Середні значення
min	4,20	13,00	30,64	35,64	X1	X2
max	14,20	28,00	40,38	41,34	7,00

Y_розр = 23,89 +0,97X₁ +0,38X₂

Дата добавления: 2015-05-23