Нелінійні моделі парної регресії

Використання рівняння регресії для складання прогнозу

У прогнозних розрахунках по рівнянню регресії визначається прогнозоване значення, як точковий прогноз при . Однак точковий прогноз явно не реальний. Тому він доповнюється розрахунком стандартної помилки , тобто , і відповідно інтервальною оцінкою прогнозного значення :

де , а – середня помилка прогнозованого індивідуального значення:

.

Знайдемо прогнозне значення результативного фактору при значенні ознаки-фактору, що становить 110% від середнього рівня , тобто знайдемо витрати на харчування, якщо прибутки родини складуть 9,85 тис. гр.

(тис. гр.)

Виходить, якщо прибутки родини складуть 9,845 тис. гр., то витрати на харчування будуть 2,490 тис. гр.

Знайдемо довірчий інтервал прогнозу. Помилка прогнозу

,

а довірчий інтервал: .

Прогноз є статистично надійним.

Тепер на одному графіку зобразимо вихідні дані й лінію регресії:

Рівняння нелінійної регресії, так само, як і у випадку лінійної залежності, доповнюється показником тісноти зв'язку. У цьому випадку це індекс кореляції:

, (1.11)

де (1.12)

– залишкова дисперсія.

Чим ближче значення індексу кореляції до одиниці, тим тісніше зв'язок розглянутих ознак, тим більш надійне рівняння регресії (аналогічно (1.6)).

Квадрат індексу кореляції зветься індексом детермінації й характеризує частку дисперсії результативної ознаки, що пояснюється регресією, у загальній дисперсії результативної ознаки.

Індекс детермінації використовується для перевірки істотності в цілому рівняння регресії по - критерію Фішера:

, (1.13)

де – індекс детермінації, – число спостережень, – число параметрів при змінній . Фактичне значення критерію порівнюється з табличним при рівні значимості й числі ступенів свободи (для залишкової суми квадратів) і (для факторної суми квадратів).

Про якість нелінійного рівняння регресії можна також свідчити й по середній помилці апроксимації.

Розглянемо приклад 1, припустивши, що зв'язок між ознаками носить нелінійний характер, і знайдемо параметри наступних нелінійних рівнянь:

,

.

Для знаходження параметрів регресії робимо заміну й складаємо допоміжну таблицю ().

	1,2	0,182	0,9	0,164	0,033
	3,1	1,131	1,2	1,358	1,280
	5,3	1,668	1,8	3,002	2,781
	7,4	2,001	2,2	4,403	4,006
	9,6	2,262	2,6	5,881	5,116
	11,8	2,468	2,9	7,157	6,092
	14,5	2,674	3,3	8,825	7,151
	18,7	2,929	3,8	11,128	8,576
Разом	71,6	15,315	18,7	41,918	35,035
Середнє значення	8,95	1,914	2,34	5,240	4,379
	–	0,846	0,935	–	–
	–	0,716	0,874	–	–

	0,81	0,499	0,401	0,1610	44,58
	1,44	1,508	-0,308	0,0947	25,64
	3,24	2,078	-0,278	0,0772	15,43
	4,84	2,433	-0,233	0,0541	10,57
	6,76	2,709	-0,109	0,0119	4,20
	8,41	2,929	-0,029	0,0008	0,99
	10,89	3,148	0,152	0,0232	4,62
	14,44	3,418	0,382	0,1459	10,05
Разом	50,83	18,720	-0,020	0,5688	116,08
Середнє значення	6,35	–	–	0,0711	14,51
	–	–	–	–	–
	–	–	–	–	–

Знайдемо рівняння регресії: .

Індекс кореляції (1.11):

,

індекс детермінації який показує, що 91,8% варіації результативної ознаки пояснюється варіацією ознаки-фактору, а 8,2% доводиться на частку інших факторів.

Середня помилка апроксимації (1.9): , що неприпустимо багато.

- критерій Фішера (1.13):

,

значно перевищує табличне .

Зобразимо на графіку вихідні дані й лінію регресії:

Для знаходження параметрів регресії робимо заміну й складаємо допоміжну таблицю.

	1,2	1,10	0,9	0,99
	3,1	1,76	1,2	2,11
	5,3	2,30	1,8	4,14
	7,4	2,72	2,2	5,98
	9,6	3,10	2,6	8,06
	11,8	3,44	2,9	9,96
	14,5	3,81	3,3	12,57
	18,7	4,32	3,8	16,43
Разом	71,6	22,54	18,7	60,24
Середнє значення	8,95	2,82	2,34	7,53
	–	1,00	0,935	–
	–	1,00	0,874	–

	1,2	0,81	0,734	0,166	0,0276	18,46
	3,1	1,44	1,353	-0,153	0,0235	12,77
	5,3	3,24	1,857	-0,057	0,0033	3,19
	7,4	4,84	2,247	-0,047	0,0022	2,12
	9,6	6,76	2,599	0,001	0,0000	0,05
	11,8	8,41	2,912	-0,012	0,0001	0,42
	14,5	10,89	3,259	0,041	0,0017	1,20
	18,7	14,44	3,740	0,060	0,0036	1,58
Разом	71,6	50,83	18,700	-0,001	0,0619	39,82
Середнє значення	8,95	6,35	–	–	0,0077	4,98
	–	–	–	–	–	–
	–	–	–	–	–	–

Зайдемо рівняння регресії:

.

Індекс кореляції (1.11): , індекс детермінації , який показує, що 99,1% варіації результативної ознаки пояснюється варіацією ознаки-фактору, а 0,9% доводиться на частку інших факторів.

Середня помилка апроксимації (1.9): показує, що лінія регресії добре наближає вихідні дані.

- критерій Фішера (1.13) значно перевищує табличне .

Зобразимо на графіку вихідні дані й лінію регресії:

Для знаходження параметрів регресії необхідно провести її лінеаризацію:

,

де , , , .

Складаємо допоміжну таблицю для перетворених даних:

	0,182	-0,105	-0,019	0,033
	1,131	0,182	0,206	1,280
	1,668	0,588	0,980	2,781
	2,001	0,788	1,578	4,006
	2,262	0,956	2,161	5,116
	2,468	1,065	2,628	6,092
	2,674	1,194	3,193	7,151
	2,929	1,335	3,910	8,576
Разом	15,315	6,002	14,637	35,035
Середнє значення	1,914	0,750	1,830	4,379
	0,846	0,470	–	–
	0,716	0,221	–	–

	0,011	0,8149	0,0851	0,0072	9,46
	0,033	1,3747	-0,1747	0,0305	14,56
	0,345	1,8473	-0,0473	0,0022	2,63
	0,622	2,2203	-0,0203	0,0004	0,92
	0,913	2,5627	0,0373	0,0014	1,43
	1,134	2,8713	0,0287	0,0008	0,99
	1,425	3,2165	0,0835	0,0070	2,53
	1,782	3,7004	0,0996	0,0099	2,62
Разом	6,266	18,608	0,0919	0,0595	35,14
Середнє значення	0,783	–	–	0,0074	4,39
	–	–	–	–	–
	–	–	–	–	–

Знайдемо рівняння регресії: . Після потенціювання знаходимо шукане рівняння регресії:

.

Індекс кореляції (1.11): , індекс детермінації , який показує, що 96,7% варіації результативної ознаки пояснюється варіацією ознаки-фактору, а 3,3% доводиться на частку інших факторів.

Середня помилка апроксимації (1.9): показує, що лінія регресії добре наближає вихідні дані.

- критерій Фішера (1.13) значно перевищує табличне .

Зобразимо на графіку вихідні дані й лінію регресії:

Порівняємо побудовані моделі за індексом детермінації й середній помилці апроксимації:

Модель	Індекс детермінації	Середня помилка апроксимації, %
Лінійна модель,	0,987	6,52
Напівлогарифмічна модель,	0,918	14,51
Модель із квадратним коренем,	0,991	4,98
Степенева модель,	0,967	4,39

Найбільш добре вихідні дані апроксимує модель із квадратним коренем. Але в цьому випадку, так як індекси детермінації лінійної моделі й моделі із квадратним коренем відрізняються всього на 0,004, то цілком можна обійтися більш простою лінійною функцією.

Дата добавления: 2017-02-01