Условное распределение при заданном z

Так как это двумерное нормальное распределение (x,y)/z, то оно определяется пятью параметрами (двумя условными математическими ожиданиями _x/z, и _y/z, двумя условными дисперсиями и ; условным коэффициентом корреляции _xy/z):

Форма зависимости выражается следующими линиями регрессии в плоскости Z=:

Коэффициенты частной регрессии имеют вид:

(127)

причем

Условные средние квадратические отклонения (при двух условиях), характеризующие рассеяние относительно указанных линий регрессии и совпадающие с остаточными средними квадратическими отклонениями, определяются формулами:

Центр условного двумерного распределения (M(x/y)/z, M{y/x)/z) при изменении Z описывает прямую в пространстве 0_xyz, в то время, как условные дисперсии и условный коэффициент корреляции _xy/z остаются постоянными.

Условное распределение при заданном (х, у)

Это распределение z/(x,y) является одномерным и определяется своими математическим ожиданием и дисперсией (естественно условными):

Если точку (х,у) менять, то будем иметь плоскость регрессии z на (х,у)

и остаточную дисперсию относительно плоскости регрессии (совпадающую с условной дисперсией)

.

Коэффициент множественной регрессии (совпадающий с соответствующим коэффициентом частной регрессии), например, _zx/y, показывает, на сколько единиц своего измерения изменится признак z в среднем, если признак х изменится на единицу своего измерения, а остальные признаки не изменятся. Таким образом, коэффициент регрессии может выступать в качестве норматива.

Множественный коэффициент корреляции _z можно вычислить в силу линейности регрессии и как корреляционное отношение z на (ху):

Если, например, _zx/y = 0, то из последней формулы следует:

2.4.2. Оценивание и проверка значимости параметров

Пусть дана выборка объемом из трехмерной нормально распределенной генеральной совокупности с признаками х, у и z:

Обработку данных будем производить, руководствуясь таблицей приведенной ниже:

x	y	z	x2	y2	z2	xy	xz	yx
. . . xj . . .	. . . yj . . .	. . . zj . . .	. . . . . .	. . . . . .	. . . . . .	. . . . . .	. . . . . .	. . . . . .

Точечные оценки девяти генеральных параметров _x, _y, _z, _xy, _xz и _yz можно вычислить по формулам:

(128)

Затем вычисляются оценки условных средних квадратических отклонений при фиксировании одной компоненты, частных коэффициентов корреляции, условных средних квадратических отклонений при двух фиксированных компонентах и множественных коэффициентов корреляции, используя формулы, соответствующие формулам для вычисления параметров генеральной совокупности:

(129)

(130)

Проверка значимости множественного коэффициента детерминации ²_M (следовательно, и _M) осуществляется с помощью F-распределения. Вычисляется

(131)

Затем с заданным уровнем значимости  и числами степеней свободы vi=2 (числителя) и v₁=n-3 (знаменателя) находят F_табл. Если F_набл>F_табл, то гипотеза Н0:²_М =0 отвергается с вероятностью ошибки , т. е. ²_М значимо отличается от нуля. Если коэффициент незначим, связь между случайной величиной Z и случайной величиной (х,у) отсутствует.

Конечно, проверку значимости коэффициентов связи начинать с частных коэффициентов корреляции не обязательно. Можно в некоторых случаях сократить такую проверку, например, если _z незначим, то коэффициенты _zx/у и _zy/x становятся незначимыми. Далее, если _zx/у незначим, то _z=|_z/у| (множественный коэффициент корреляции незначимо отличается от абсолютной величины парного коэффициента корреляции).

Для значимых множественных коэффициентов корреляции можно получить оценки уравнения регрессии.

Например, пусть _z значимо отличается от нуля, тогда оценкой соответствующего уравнения регрессии служит

(132)

При этом коэффициенты регрессии вычисляются по формулам:

(133)

и является оценкой Мz/(х,у).

Напомним, что если какой-либо частный коэффициент корреляции незначим, то соответствующий коэффициент плоскости регрессии также незначим. Поэтому, если позволяют условия практического анализа, с точки зрения надежности статистических выводов, предпочтительнее рассматривать модель взаимозависимости признаков такую, для которой множественный коэффициент детерминации — наибольший (и, конечно, значимый): ему соответствует максимальное число значимых частных коэффициентов детерминации (корреляции).

Для значимых параметров связи представляет интерес найти интервальную оценку с надежностью  = 1 -  .

Интервальная оценка для _частн находится с помощью статистики Фишера:

По таблице указанного преобразования находят величину Z/_частн. Затем вычисляют точность интервальной оценки для MZ, воспользовавшись тем фактом, что статистика Z(r) распределена приближенно нормально с параметрами и

где t_ является решением уравнения Ф(t)=  и находится по таблице интегральной функции Лапласа.

Затем вычисляются границы интервальной оценки для MZ по формуле

и, наконец, доверительные границы для _част получают по таблице обратного преобразования Фишера.

Для значимого множественного коэффициента корреляции интервальная оценка также находится с помощью Z-преобразования Фишера, с дисперсией, приблизительно равной для достаточно больших значенийn.

Имеются графики и таблицы (Эзекиела и Фокса; К. Крамера) для получения интервальных оценок по значениям.

Определение доверительных интервалов для коэффициентов плоскости регрессии производится исходя из статистик:

(134)

которые имеют Z-распределение Стьюдента с v=n-3 степенями свободы. Для этого достаточно решить относительно оцениваемого коэффициента регрессии неравенство |t|  t(,n-3), где t(,n-3) находится по таблице Стьюдента.

Для значимых частных и множественных коэффициентов детерминации можно указать более предпочтительные точечные оценки, чем выборочные коэффициенты, например:

- оценка для

- оценка для