![](/user_photo/644_y1sN3.jpg)
2.2. Реализация задания на компьютере с помощью ппп Ехсеl
Здесь так же, как и в парной регрессии необходимо выполнить задание в двух вариантах:
ВНИМАНИЕ !Каждый студент должен выполнить индивидуальное задание с использованием компьютера в двух вариантах:
Реализовать формулы (2.1) – (2.15) с помощью одиночных функций ППП Ехсеl.
Использовать «комплексные» функции, выходом которых являются не только коэффициенты регрессии, но и дополнительная регрессионная статистика (среднеквадратические отклонения, коэффициент детерминации и т.д.).
Реализация регрессионных формул (2.1) – (2.15) с помощью одиночных функций.
В первую очередь необходимо представить данные наблюдений в матричной форме (см. рис.2.1). Затем используя матричные функции из Мастер функций: МОБР, МУМНОЖ, ТРАНСП реализуем формулу (2.6), результатом которой будет вектор оценок коэффициентов регрессииВ.
Примечание. Вышеперечисленные функции должны быть введены, как функции массивов в интервал с необходимым количеством строк и столбцов (см. реализацию функцииЛИНЕЙНв парной регрессии).
Для вычисления
дисперсий
необходимо
вычислитьS2в
соответствие с формулой (2.8). На основанииТ-статистик делается вывод о
значимости коэффициентов регрессии их
доверительные интервалы. Значенияtкрможно получить, используя статистическую
функцию СТЬЮДРАСПОБР. По соответствующим
формулам вычисляются коэффициент
детерминацииR2иF– критерий, на
основании которых делается вывод о
значимости уравнения регрессии в целом.
Для нахождения критической точкиfкрнужно воспользоваться функцией FРАСПОБР.
Проверка соответствия предпосылкам МНК осуществляется по критерию Дарбина – Уотсона. Критические значения распределения определяются из таблицы (электронного варианта таблицы нет).
Примерный вид реализации задачи на компьютере представлен на рис.2.2.
Значение
Y
Матрица
Х 20
1 100 2 25
1 110 2 30
1 140 3 30
1 150 2 35
1 160 3 38
1 160 4 40
1 180 4 38
1 200 3 44
1 230 4 50
1 250 5 55
1 260 5
Рис.2.1
Рис.2.2
Для графической
иллюстрации приближения корреляционной
функции
и
выборочных данныхyiвоспользуемсяМастером диаграмм(График) (см. рис.2.3).
Значение
Y Yмод
20 22,48852
25 23,7304085
30 31,009917
30 28,6979627
35 33,4936941
38 37,0475369
40 39,531314
38 38,4612482
44 45,7407567
50 51,7783766
55 53,0202652
Рис.2.3
На рис.2.2 в ячейке с названием «S(Yp)» была вычислена стандартная ошибка прогноза объясняемой переменной по формуле:
S(Yр)
=S ,
которую необходимо использовать для определения интервальной оценки среднего значения предсказания.
Использование «Комплексных» функций.
В качестве такой функции может быть использована встроенная статистическая функция ЛИНЕЙН.
Дополнительная регрессионная статистика (в случае ее инициализации) будет выводиться в порядке, указанном на рис.2.4.
Рис.2.4.
Обозначения на рисунке следующие: b– свободный коэффициент линейной регрессии;mi– коэффициенты прихi;Se– стандартные ошибки коэффициентов регрессии;r2 - коэффициент детерминации;Sey- стандартная ошибка для оценкиу;F–F- статистика;df– количество степеней свободы;Ssрег – регрессионная сумма квадратов;Ssост – остаточная сумма квадратов.
Для лучшей наглядности можно нужные значения из этой таблицы выбирать индивидуально и размещать в нужных форматах документа. Для этого можно воспользоваться функцией ИНДЕКСиз категорииСсылки и массивы. Выделите ячейку, в которую хотите поместить отдельный элемент массива и введите формулу, например:Индекс(Линейн(Y;Х;1;1);1;2). В результате в данную ячейку будет записан элемент (1,2) регрессионной таблицы. Таким образом, можно создать более наглядную таблицу.
Пример решения задания на компьютере с использованием функции ЛИНЕЙН представлен на рисунках 2.5, 2.6.
Значения
X1 Значения
X2 Значения
Y
100 2 20
110 2 25
140 3 30
150 2 30
160 3 35
160 4 38
180 4 40
200 3 38
230 4 44
250 5 50
260 5 55
Результаты
вычислений параметров модели
y
= b0+b1*x1+b2*x2
b0 b1 b2 Sb0 Sb1 Sb2 2,9619489 0,1241889 3,5538428 1,89297977 0,021231 1,01465
Sy r2 F
-статист Кол.ст.св Ss
рег Ss
ост 1,7407109 0,9777126 175,47354 8 1063,396 24,2406
Определение
Ттабл и Fтабл
Al
= 0,05
Выводы:1)Если
Тbi > Tтабл,
то
коэффициент bi - статис-
тически
значим.
Fтабл Ттабл
2)Если
F-статист > Fтабл,
то
коэффициент детерми- 4,4589683 2,3060056
нации
r2- cтатистически зна-
чим.
Общее качество моде-
ли
высокое.
Рис.2.5
-
№ изм.
Yфакт
Yмод
1
20
22,48852
2
25
23,73041
3
30
31,00992
4
30
28,69796
5
35
33,49369
6
38
37,04754
7
40
39,53131
8
38
38,46125
9
44
45,74076
10
50
51,77838
11
55
53,02027
Определение Т-стат. для коэффициентов bi
и доверительных интервалов
b0
b1
b2
Т-статистика
1,56470182
5,84952
3,5025331
Нижн.гран.дов.инт.
-1,4032731
0,075231
1,2140558
Верх.гран.дов.инт.
7,32717092
0,173147
5,8936299
Рис.2.6
Так же, как и в парной регрессии для оценки коэффициентов множественной регрессии и получения дополнительной статистики кроме функции Линейн можно воспользоватьсяСтатистическим пакетом анализа данных.
Чтобы запустить пакет анализа в меню Сервис, выберите командуАнализ данных. В диалоговом окнеАнализ данныхв спискеИнструменты анализавыберите строкуРегрессия и заполните диалоговое окно ввода данных и параметров вывода. Результаты регрессионного анализа для данных выше использованного примера представлены на рис.2.7.
Рис.2.7
Контрольные задания
Задача 1. Предполагается, что объем Q предложения некоторого блага для функционирующей в условиях конкуренции фирмы зависит линейно от цены Р данного блага и заработной платы W сотрудников фирмы, производящих данное благо:
Q
= 0
+
1
Р
+
2
W
+
.
Статистические данные, собранные за 12 месяцев, занесены в таблицу.
Задание.
По МНК оценить коэффициенты линейной регрессии
i , i = 0, 1, 2;
Оценить статистическую значимость найденных эмпирических коэффициентов регрессии b i , i =0, 1, 2;
В соответствие с заданным значением
построить доверительные интервалы для найденных коэффициентов;
Вычислить коэффициент детерминации R2 и оценить его статистическую значимость при заданном значении
;
Определить какой процент разброса зависимой переменной объясняется данной регрессией;
Сравнить коэффициент детерминации R2 со скорректированным коэффициентом детерминации;
Вычислить статистику DW Дарбина-Уотсона и оценить наличие автокорреляции;
Посредством коэффициентов bi , i = 1, 2, оценить в % отношении влияние объясняющих переменных P и W на изменение объясняемой переменной;
Спрогнозировать значение объясняемой переменной Qпрогн для прогнозных значений Рпрогн , Wпрогн и определить доверительный интервал для Qпрогн;
Сделать обобщающие выводы по регрессионной модели.