3322
.pdf11
3. Аналогично с п. 1 построить и провести анализ нелинейной степенной функции yx = a xb , при этом для удобства проводимых вычислений составить табл. 2.2 (см. теоретические сведения).
4.Сравнить построенные в п. 1, п. 2, п. 3 модели по индексу детерминации
исредней ошибке аппроксимации, составив табл. 2.3.
|
|
|
Таблица 2.3 |
||
|
|
|
|
|
|
Модель |
Индекс детерминации, ρxy |
2 |
Средняя ошибка аппроксимации, |
|
, % |
A |
|||||
yx = a + b ln x |
|
|
|
|
|
yx = a + b |
x |
|
|
|
|
yx = a xb
Содержание отчета
•Титульный лист, сделанный в стандартной форме.
•Расчёт, выполненный в соответствии с заданием к работе и вариантом исходных данных.
•Комментарии и пояснения к каждому выполненному пункту задания.
•Итоговый вывод об основных результатах, полученных в ходе выполнения работы.
Лабораторная работа № 3 Построение линейной модели множественной регрессии
Цель работы: на основе исходных данных построить линейную модель множественной регрессии.
Теоретические сведения
Линейная модель множественной регрессии имеет вид
yx = a + b1 x1 + b2 x2 +... + bm xm , |
(3.1) |
где y x – зависимая переменная (результативный признак); x1 , x2 , … , xm – независимые переменные (признак факторы).
12
Уравнение (3.1) позволяет по заданным значениям факторов x1 , x2 , … , xm находить теоретические значения результативного признака y x , подставляя в него фактические значения факторовx1 , x2 , … , xm .
Построение линейной модели множественной регрессии сводится к оценке ее параметров – a , b1 , b2 , … , bm . Для оценивания параметров линейной множественной регрессии применяется метод наименьших квадратов (МНК). Согласно данному методу параметры a , b1 , b2 , … , bm находятся из решения системы линейных уравнений
|
|
n |
|
n |
|
n |
n |
|
|
|
a n + b1 |
∑x1i + b2 |
∑x2i |
+... + bm |
∑xmi |
= ∑yi ; |
|
|
|
||
|
|
i=1 |
|
i=1 |
|
i=1 |
i=1 |
|
|
|
|
n |
n |
|
|
n |
|
n |
|
n |
|
a ∑x1i |
+ b1 ∑x1i x1i |
+ b2 ∑x1i x2i |
+ ... +bm ∑x1i xmi |
= |
∑x1i yi ; |
(3.2) |
||||
|
i=1 |
i=1 |
|
|
i=1 |
|
i=1 |
|
i=1 |
|
............................................................................................... |
|
|
||||||||
|
n |
n |
|
|
n |
|
n |
|
n |
|
|
|
|
|
|
|
|||||
a ∑xmi |
+ b1 ∑xmi x1i + b2 ∑xmi x2i + ... +bm ∑xmi xmi |
= ∑xmi yi , |
|
|||||||
|
i=1 |
i=1 |
|
|
i=1 |
|
i=1 |
|
i=1 |
|
где n – число наблюдений.
Двухфакторная модель линейной множественной регрессии (3.1) имеет вид
yx = a + b1 x1 + b2 x2 . |
(3.3) |
Система уравнений для оценивания параметров двухфакторной модели (3.3) построенная на основе МНК согласно (3.2) будет иметь вид
|
|
n |
n |
n |
|
|
a n + b1 |
∑x1i + b2 |
∑x2i |
= ∑yi ; |
|
|
|
|
|
i=1 |
i=1 |
i=1 |
|
|
|
n |
n |
|
n |
n |
|
a ∑x1i |
+ b1 ∑x1i x1i + b2 |
∑x1i x2i |
= ∑x1i yi ; |
(3.4) |
||
i=1 |
i=1 |
|
i=1 |
i=1 |
|
|
|
n |
n |
|
n |
n |
|
a ∑x2i |
+ b1 ∑x2i x1i + b2 |
∑x2i x2i = ∑x2i yi , |
|
|||
|
i=1 |
i=1 |
|
i=1 |
i=1 |
|
Решая систему уравнений (3.4) относительно параметров a , b1 и b2 получим
b |
= |
|
σ y |
|
ryx1 − ryx2 rx1x2 |
, b |
|
= |
|
σ y |
|
ryx2 − ryx1 rx1x2 |
|
|
σx |
|
|
|
1 − r 2 x1x2 |
|
|||||||||
1 |
|
|
1 − r 2 x1x2 |
2 |
|
σx |
2 |
|
, |
|||||
|
|
1 |
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
a = y − b1 x1 − b2 x2 |
|
(3.5) |
13
где r |
yx |
= |
x1 y |
− y x1 |
, r |
yx |
|
= |
|
x2 y |
− y x2 |
, r |
x x |
|
= |
|
x1 x2 |
− x1 |
x2 |
, |
||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
σ y σx |
|
|
|
σ y σx |
|
|
|
|
|
σx |
σx |
|
|
|
||||||
|
1 |
|
|
2 |
|
|
|
|
1 |
2 |
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
1 |
|
|
|
|
|
|
|
2 |
|
|
|
1 |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
σ |
y |
= y 2 − y 2 , σ |
x |
|
= x 2 |
− x 2 , |
σ |
x |
|
= x |
2 |
|
− x |
2 . |
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
1 |
|
|
|
1 |
|
2 |
|
|
2 |
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
Линейное уравнение множественной регрессии в стандартизированном |
|||||||||||||||||||||||||||||||||
масштабе будет иметь вид |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
ty = β1 |
tx |
+ β2 |
tx +...+ βm tx |
, |
|
|
|
|
(3.6) |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
2 |
|
|
|
|
|
|
m |
|
|
|
||||||
где |
t y , tx |
, tx |
, |
|
… , tx |
|
|
– |
стандартизированные |
переменные: t y = |
y − y |
, |
|||||||||||||||||||||||
|
m |
|
|||||||||||||||||||||||||||||||||
|
|
1 |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
σ y |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
tx |
|
= |
xi − xi |
|
|
|
|
|
|
||||||||||||||||||||||||||
|
, для которых среднее значение равно нулю: t |
y = t x |
= 0 , а среднее |
||||||||||||||||||||||||||||||||
i |
σx |
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
квадратическое отклонение равно единице: |
σt |
|
|
=σt |
=1; βi – |
стандартизиро- |
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
|
xi |
|
|
|
|||||
ванные коэффициенты регрессии. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
Двухфакторная модель линейной множественной регрессии в стандартизи- |
|||||||||||||||||||||||||||||||||
рованном масштабе (3.6) имеет вид |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
t y = β1 |
tx + β2 |
tx |
. |
|
|
|
|
|
(3.7) |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
||
|
|
Метод наименьших квадратов, также справедлив для нахождения стандар- |
тизованных коэффициентов регрессии. Эти коэффициенты показывают, на сколько единиц изменится в среднем результат, если соответствующий фактор xi изменится на одну единицу при неизменном среднем уровне других факторов.
Коэффициенты «чистой» регрессии bi связаны со стандартизованными ко-
эффициентами регрессии βi следующим соотношением |
|
|||
b = β |
|
σ y |
. |
(3.8) |
|
|
|||
i |
i σx |
|
||
|
|
i |
|
Используя соотношение (3.8), можно переходить от уравнения регрессии в стандартизованном масштабе (3.7) к уравнению регрессии в натуральном масштабе переменных (3.1), при этом параметр a определяется как
a = yx − b1 x1 − b2 x2 −... − bm xm . |
(3.9) |
Частные коэффициенты эластичности определяются из выражения
14
Э |
yxi |
= b |
xi |
, |
(3.10) |
|
|||||
|
i |
|
|
||
|
|
|
yxi |
|
|
где bi – коэффициент регрессии для фактора xi в уравнении множественной регрессии, yxi – частное уравнение регрессии, которые связывает результатив-
ный признак с соответствующим фактором xi при закреплении остальных фак-
торов на среднем уровне.
Наряду с частными коэффициентами эластичности могут быть найдены
средние по совокупности коэффициенты эластичности |
|
||||||||
|
|
|
=b |
|
xi |
|
, |
(3.11) |
|
Э |
yxi |
i |
|||||||
|
yx |
|
|||||||
|
|
|
|
|
|
||||
|
|
|
|
|
i |
|
|||
|
|
|
|
|
|
|
которые показывают, на сколько процентов в среднем изменится результат, при изменении соответствующего фактора на 1 %.
Задание к работе
1. Для удобства проводимых в ходе выполнения работы вычислений составить табл. 3.1, на основе исходных данных к работе (см. прил. 1).
Таблица 3.1
№ |
x1 |
x2 |
y |
x |
2 |
x |
2 |
y 2 |
x1 x2 |
x1 y |
x2 y |
y x |
|
|
|
|
|
1 |
|
2 |
|
|
|
|
|
1 |
2 |
3 |
4 |
5 |
|
6 |
7 |
8 |
9 |
10 |
11 |
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
… |
|
|
|
|
|
|
|
|
|
|
|
|
Сумма |
|
|
|
|
|
|
|
|
|
|
|
|
Среднее |
|
|
|
|
|
|
|
|
|
|
|
|
значение |
|
|
|
|
|
|
|
|
|
|
|
|
σ |
|
|
|
|
|
|
|
|
|
|
|
|
Примечание: столбец 11 заполняется после выполнения п.2 задания к работе.
2. Построить двухфакторную линейную модель множественной регрессии y x от x1 и x2 вида (3.3), найдя её параметры a , b1 , b2 из выражений (3.5).
3. Сделать переход от построенной в п. 1 двухфакторной линейной модели множественной регрессии к модели в стандартизированном масштабе t y от tx1
и t x2 вида (3.7), найдя её параметры β1 , β2 , используя выражение (3.8).
15
4.На основе построенной в п.2 линейной модели множественной регрессии
встандартизированном масштабе t y , провести анализ степени влияния каждого
из стандартизированных факторов tx1 и t x2 на результативный признак.
5. Провести анализ степени влияния каждого из факторов x1 и x2 на результативный признак, на основе среднего коэффициента эластичности (3.11).
Содержание отчета
•Титульный лист, сделанный в стандартной форме.
•Расчёт, выполненный в соответствии с заданием к работе и вариантом исходных данных.
•Комментарии и пояснения к каждому выполненному пункту задания.
•Итоговый вывод об основных результатах, полученных в ходе выполнения работы.
Лабораторная работа № 4 Проверка существенности факторов и показатели качества
уравнения множественной регрессии
Цель работы: оценить качество уравнения множественной регрессии построенного в лабораторной работе № 3.
Теоретические сведения
Линейная модель множественной регрессии имеет вид
yx = a + b1 x1 + b2 x2 +... + bm xm , |
(4.1) |
где y x – зависимая переменная (результативный признак); x1 , x2 , … , xm – независимые переменные (признак факторы).
Двухфакторная модель линейной множественной регрессии (4.1) имеет вид
yx = a + b1 x1 + b2 x2 . |
(4.2) |
Для двухфакторной модели (4.2) парные коэффициенты корреляции вычисляются по следующим формулам
|
|
|
|
− y x1 |
; r |
|
|
|
x2 y |
− y x2 |
; r |
|
= |
x1 x2 |
|
− x1 |
x2 |
|
||
r |
= |
|
x1 y |
yx |
|
= |
|
(4.3) |
||||||||||||
|
|
|
|
|
|
|
|
|
||||||||||||
yx |
|
|
σy σx |
|
|
σ y σx |
|
x x |
|
|
σx σx |
|
|
|
||||||
1 |
|
|
|
2 |
|
1 |
2 |
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
1 |
|
|
|
|
|
|
2 |
|
|
1 |
|
2 |
|
|
16
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
− x 2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
2 . |
|
|||||||
где |
σ |
y |
= |
y 2 − y 2 ; σ |
x |
= |
x |
|
; |
|
σ |
x |
|
|
|
= |
|
|
x |
|
− x |
|
||||||||||||||||||||
|
|
|
|
|
|
1 |
|
|
|
|
|
|
1 |
|
|
|
2 |
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
2 |
|
||||||||
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
Совокупный коэффициент корреляции для модели (4.1) определяется из вы- |
|||||||||||||||||||||||||||||||||||||||||
ражения |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
Ryx x ...x |
|
|
= |
|
|
1 |
− |
|
|
|
r |
, |
|
|
|
(4.4) |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
2 |
p |
|
|
|
|
|
|
|
|
|
|
|
r11 |
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
где r – определитель матрицы парных коэффициентов корреляции; |
r11 – оп- |
|||||||||||||||||||||||||||||||||||||||||
ределитель матрицы межфакторной корреляции. |
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||
|
Для двухфакторной модели (4.2) выражение (4.4) примет |
|
||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
Ryx x = |
|
|
1 − |
|
|
|
|
r |
. |
|
|
|
|
|
|
|
|
(4.5) |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
2 |
|
|
|
|
|
|
|
|
|
r11 |
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
Матрица парных коэффициентов корреляции для модели (4.1) будет иметь |
|||||||||||||||||||||||||||||||||||||||||
вид |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
ryx |
|
|
ryx |
|
... |
|
|
ryx |
p |
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
ryx |
|
|
|
1 |
|
|
rx x |
|
... |
|
|
rx x |
p |
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
1 |
2 |
|
|
|
|
|
|
1 |
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
r = |
|
|
|
ryx |
|
|
|
rx x |
|
|
1 |
|
|
... |
|
|
rx x |
p |
. |
|
(4.6) |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
2 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
... ... ... ... ... |
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
ryx |
p |
|
rx |
x |
|
|
rx |
p |
x ... |
1 |
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
p |
1 |
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
Для двухфакторной модели (4.2) матрица (4.6) примет вид |
|
||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
ryx |
|
|
ryx |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
r = |
|
ryx |
|
|
|
1 |
|
|
rx x |
|
|
. |
|
|
|
|
|
|
|
|
|
|
|
|
(4.7) |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
1 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
ryx |
2 |
|
|
rx x |
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Матрица межфакторной корреляции для общей модели (4.1) будет иметь |
|||||||||||||||||||||||||||||||||||||||||
вид |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
rx x |
|
|
... |
|
rx x |
p |
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 2 |
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
r |
= |
|
|
rx x |
1 |
|
|
... |
|
rx x |
p |
. |
|
|
|
|
(4.8) |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
2 1 |
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
11 |
|
|
|
|
|
|
... ... ... ... |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
rx |
p |
x |
rx |
|
x |
|
|
... 1 |
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
p 2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Для двухфакторной модели (4.2) матрица (4.8) примет вид
17
r = |
1 |
|
rx x |
. |
(4.9) |
|
|
1 2 |
|||
11 |
rx x |
1 |
|
|
|
|
|
|
|||
|
2 |
1 |
|
|
|
Частные коэффициенты корреляции характеризуют тесноту связи между результатом и соответствующим фактором при устранении влияния других факторов, включенных в уравнение регрессии.
Коэффициент частной корреляции, измеряющий влияние на y вида (4.1) фактора xi , при неизменном уровне других факторов определяется из выражения
ryxi x1x2 ...xi−1xi+1...xm = |
1 − |
1 − Ryx2 |
x x ...x ...x |
, |
(4.10) |
||||
1 − Ryx2 |
x x ...x x |
...x |
|||||||
|
|
|
i |
1 2 |
i |
m |
|
|
|
|
|
i |
1 |
2 |
i−1 i+1 |
|
m |
|
где Ryx2 i x1x2 ...xi ...xm – множественный коэффициент детерминации всех m факторов
с результатом; Ryx2 i x1x2 ...xi−1xi+1...xm – тот же показатель детерминации, но без введения в модель фактора xi .
Для двухфакторной модели (4.2) выражение (4.10) примет вид
r |
= 1 |
− |
1 − Ry2x x |
|
r |
= 1 |
− |
1 − Ry2x x |
|
|
1 2 |
; |
1 2 |
. |
(4.11) |
||||||
1 − r2 |
|
|||||||||
yx1 |
x2 |
|
|
yx2 |
x1 |
|
1 − r2 |
|
||
|
|
|
yx |
|
|
|
|
yx |
|
|
|
|
|
2 |
|
|
|
|
1 |
|
|
Значимость уравнения множественной регрессии в целом, так же как и в парной регрессии, оценивается с помощью F-критерия Фишера
|
|
|
F |
= |
|
Ryx2 1x2 ... xp |
|
|
n − m −1 |
, |
(4.12) |
||
|
|
|
|
− Ryx2 |
|
|
|
|
|||||
|
|
|
факт |
1 |
x ... x |
p |
m |
|
|
||||
|
|
|
|
|
|
1 |
2 |
|
|
|
|
||
где |
Ryx2 |
x ...x |
– совокупный коэффициент (индекс) множественной детермина- |
||||||||||
|
1 |
2 |
p |
|
|
|
|
|
|
|
|
|
|
ции; m – число параметров при переменных x (в линейной регрессии совпадает с числом включенных в модель факторов); n – число наблюдений.
Частный F-критерий в общем виде для фактора xi определяется из выражения
F = |
Ryx2 |
x x |
...x |
...x − Ryx2 |
x x |
...x x |
...x |
|
n − m −1 |
, |
(4.13) |
||
i |
1 2 |
i |
m |
i |
1 2 |
i−1 i+1 |
m |
|
|
||||
|
|
1 − Ryx2 |
|
|
|
|
|
|
|||||
xi |
|
|
x x ...x ...x |
|
|
1 |
|
|
|
||||
|
|
|
|
i |
1 2 |
i |
m |
|
|
|
|
|
|
18
где Ryx2 i x1x2 ...xi ...xm – коэффициент множественной детерминации для модели с
полным набором факторов, Ryx2 i x1x2 ...xi−1xi+1...xm – тот же показатель, но без включения в модель фактора xi , n – число наблюдений, m – число параметров в модели (без свободного члена).
Задание к работе
1. Найти значения парных коэффициентов корреляции ryx1 , ryx2 , rx1x2 для
уравнения множественной регрессии, полученного в лабораторной работе № 3, используя выражения (4.3).
2. Рассчитать совокупный коэффициент корреляции Ryx1x2 из выражений
(4.5), (4.7) и (4.9).
3. Рассчитать частные коэффициенты корреляции ryx1 x2 , используя выражения (4.11).
4.Оценить значимость уравнения регрессии в целом с помощь F-критерия Фишера. Необходимо рассчитать фактическое значение F-критерия (4.12) и сравнить его с табличным значением (см. прил. 2).
5.Оценить целесообразность включения фактора x1 после фактора x2 и x2
после x1 с помощью частного F-критерия (4.13). При этом частные F-критерии Fx1 , Fx2 необходимо сравнить с их табличными значениями (см. прил. 2).
Содержание отчета
•Титульный лист, сделанный в стандартной форме.
•Расчёт, выполненный в соответствии с заданием к работе и вариантом исходных данных.
•Комментарии и пояснения к каждому выполненному пункту задания.
•Итоговый вывод об основных результатах, полученных в ходе выполнения работы.
19
Лабораторная работа № 5 Анализ автокорреляции уровней временных рядов
Цель работы: построить коррелограмму и проанализировать автокорреляцию уровней временного ряда.
Теоретические сведения
Временной ряд – это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени.
Корреляционную зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда. Количественно ее можно измерить с помощью линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени.
Коэффициент автокорреляции уровней ряда первого порядка, измеряющий зависимость между соседними уровнями ряда yt и yt−1 вычисляется из выражения
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
∑(yt − y1 )(yt−1 − y2 ) |
|
|||
|
|
|
|
r = |
|
t=2 |
|
|
, |
(5.1) |
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
1 |
|
|
n |
n |
− y2 )2 |
|
|
|
|
|
|
|
|
|
∑(yt |
− y1 )2 ∑(yt−1 |
|
||
|
|
|
|
|
|
|
t=2 |
t=2 |
|
|
|
|
1 |
n |
|
1 |
|
|
n |
|
|
|
|
где y1 = |
∑yt , |
y2 = |
|
∑yt−1 . |
|
|
|
|
|||
|
|
|
|
|
|
|
|||||
|
n −1 t=2 |
|
n −1 t=2 |
|
|
|
|
Аналогично определяются коэффициенты автокорреляции второго и более высоких порядков. Так, коэффициент автокорреляции второго порядка характеризует тесноту связи между уровнями yt и yt−2 определяется по следующей формуле
|
1 |
n |
|
где y3 = |
∑yt , y4 |
||
|
|||
|
n − 2 t=3 |
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
∑(yt − y3 )(yt−2 − y4 ) |
|
|||
|
r |
|
= |
|
t=3 |
|
|
, |
(5.2) |
|
|
|
|
|
|
||||
|
2 |
|
|
n |
n |
− y4 )2 |
|
||
|
|
|
|
|
∑(yt − y3 )2 |
∑(yt−2 |
|
||
|
|
|
|
|
t=3 |
t=3 |
|
|
|
|
|
1 |
|
n |
|
|
|
|
|
= |
|
|
∑yt−2 . |
|
|
|
|
||
n |
|
|
|
|
|
|
|
||
|
− 2 t=3 |
|
|
|
|
20
Число периодов, по которым рассчитывается коэффициент автокорреляции, называют лагом. Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда. График зависимости ее значений от величины лага (порядка коэффициента автокорреляции) называется коррелограммой.
Задание к работе
1. Найти значение коэффициента автокорреляции уровней ряда первого порядка r1 , используя выражение (5.1). Для его нахождения составить табл. 5.1 на основе исходных данных к работе (см. прил. 1).
|
|
|
|
|
|
|
Таблица 5.1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
(yt − y1 )× |
2 |
2 |
t |
yt |
yt−1 |
yt − y1 |
yt−1 − y2 |
×(yt−1 − y2 ) |
(yt − y1 ) |
(yt−1 − y2 ) |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
1 |
|
– |
– |
– |
– |
– |
– |
2 |
|
|
|
|
|
|
|
… |
|
|
|
|
|
|
|
Сумма |
|
|
|
|
|
|
|
Среднее |
|
|
– |
– |
– |
– |
– |
значение |
|
|
|||||
|
|
|
|
|
|
|
Примечание: среднее значение получается путем деления не на 16, а на 15, так как теперь на одно наблюдение меньше.
2. Найти значение коэффициента автокорреляции уровней ряда второго порядка r2 , используя выражение (5.2). Для его нахождения составить табл. 5.2 на основе исходных данных к работе (см. прил. 1).
3.Аналогично п. 1 и п. 2 найти коэффициенты автокорреляции более высоких порядков (для заданных исходных данных рекомендуется использовать 12 порядков), а все полученные значения занести в сводную табл. 5.3.
4.Построить коррелограмму, как зависимость коэффициентов автокорреляции уровней от соответствующих им лагов.
5.Проанализировать построенную коррелограмму и сделать вывод о наличии сезонных колебаний.