Послідовність виконання роботи. У меню Statistic є модуль Multiple Regression, після виклику якого відкривається його стартова панель

У меню Statistic є модуль Multiple Regression, після виклику якого відкривається його стартова панель.

Виберіть змінні для аналізу, скориставшись кнопкою Variables (Змінні) на стартовій панелі. У вікні Select dependent and independent variable list (Вибір залежної змінної й списку незалежних змінних), що відкрилося, виберіть необхідні змінні. Натиснувши кнопку «ОК», знову перейдіть у стартову панель.

Тут можна задати додаткові опції: приписати ваги значенням змінних (W); вибрати підмножину випадків для аналізу (select cases); задати правило оброблення пропущених значень (MD deletion); ви-брати опції аналізу: обчислити описові статистики й кореляційні матриці (Review descr. stats., corr. matrix) спочатку за замовчуванням (Perform default analysis), а потім з розширеною точністю (Extended precision computations).

Виберіть опцію Advanced options (stepwise or ridge regression). Після натиснення кнопки «ОК» перейдіть у вікно вибору методу (Model Definition). У списку методів (Method) виберіть один з покрокових регресійних методів – Forward stepwise (Прямий покроковий). Тут на кожному кроці в модель вводять або виводять з неї будь-яку незалежну змінну за допомогою F-критерію. Таким чином, виділяють множину найбільш значущих змінних, що дозволяє зменшити кількість змінних у рівнянні регресії. Натисніть кнопку «ОК».

Після виконання обчислень з'явиться попереднєвікно результатів (Multiple Regression Results),в якому зазначено залежну змінну (dependent variable), кількість кроків введення (Step), коефіцієнт множинної кореляції (multiple R), а також незалежні змінні, які ввійшли в рівняння (Variables ((E)ntered) і які не ввійшли ((R)emoved).

Після натиснення кнопки «ОК» з'явиться основне вікно результатів (Multiple Regression Results). Його верхня частина – інформаційна, вона містить основні («короткі») результати аналізу: Dep. Var. – ім'я залежної змінної; Multiple R – коефіцієнт множинної кореляції; значення F-критерію; R1 – коефіцієнт детермінації (квадрат коефіцієнта кореляції), що показує частку розкиду щодо середньої; d – число степенів вільності F-критерію; No. of cases – число випадків, за якими побудована регресія; adjusted R1 – скоректований коефіцієнт детермінації; p – рівень значущості F-критерію; Standard error of estimate – стандартну помилку регресії, що вимірює розкид спостережуваних значень відносно прямої регресії; Intercept – вільний член регресії (коефіцієнт b₀ у рівнянні); Std. error – стандартну помилку оцінювання коефіцієнта b₀; значення t-критерію з числом степенів вільності, рівень його значущості p.

Нижче під рискою наведено рівні значущості коефіцієнтів рівняння регресії при кожній незалежній змінній. Кольором виділено значущі коефіцієнти й найбільш важливі для рівняння змінні.

Основною характеристикою результатів є коефіцієнт детермінації. Його значення визначає відсоток розкиду значень залежної змінної від середньої величини.

Скоректований коефіцієнт детермінації обчислюють за формулою

де n – число спостережень, m – число незалежних змінних плюс одиниця.

F-критерій дозволяє підтвердити (або спростувати) гіпотезу про те, що досліджувана залежність є лінійною.

Нижня частина вікна – функціональні кнопки.

У вікні результатів можна побачити основні підсумки (Regression summary). Тут угорі зібрано ту ж інформацію, що й в основному вікні. Нижче розташовано таблицю з результатами для кожної змінної (перший рядок відноситься до вільного члена рівняння – Intercept): перші два стовпці – рівні значущості коефіцієнтів регресії (Beta) і їхні стандартні помилки (St. Err. of Beta); третій і четвертий – коефіцієнти (В) та їхні помилки (St. Err. of B); далі – значення t-критерію і його рівень значущості (p-level).

Залишаючись у вікні Multiple Regression Results, слід виконати аналіз залишків,для цього необхідно натиснути кнопку «ОК» в основному вікні результатів. Аналіз залишків також являє собою процес побудови рівняння, що описує залежність залишків однієї змінної від залишків інших змінних. Вікно після виконання аналізу подібно до вікна з основними результатами регресії. Тут розміщено більше функціональних кнопок.

У цьому разі доцільніше використати графічне зображення результатів (вкладка Scatterplots). Графік залишків на нормальному імовірнісному папері (Normal plot of resids) свідчить про те, наскільки розподіл залишків відповідає нормальному закону (нормальний розподіл зображено у вигляді прямої). Для цієї ж мети використовують гістограму залишків (graf of residual) з накладеною нормальною функцією. Графік залишків і незалежних змінних (Resids&indep. var) дозволяє припускати наявність автокореляції в залишках. Якщо в розкиді залишків немає закономірності і їхній розподіл є рівноймовірним, то автокореляція відсутня й рівняння регресії підібрано правильно.

Дата добавления: 2015-06-04