2_0
.pdfпредставлена функциями |
g j (xi ) , |
где xi − размер выделенной ему суммы и |
||||||||
определена в табл. 2.5.1. |
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
Таблица 2.5.1 |
||
|
|
|
|
|
|
|
|
|
|
|
|
g j (xi ) |
xi |
0 |
100 |
|
200 |
300 |
400 |
500 |
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
g1 (xi ) |
|
0 |
30 |
|
33 |
35 |
39 |
43 |
|
|
g2 (xi ) |
|
0 |
32 |
|
34 |
38 |
42 |
45 |
|
|
g3 (xi ) |
|
0 |
19 |
|
27 |
33 |
40 |
43 |
|
|
g4 (xi ) |
|
0 |
28 |
|
31 |
33 |
37 |
42 |
|
Необходимо распределить капиталовложения между предприятиями таким образом, чтобы эффективность работы всех предприятий была макси- мальной.
2. Построим математическую модель задачи.
Q(ξ ) = g1 (x1 ) + g2 (x2 ) + g3 (x3 ) + g4 (x4 ) → max x1 + x2 + x3 + x4 = ξ
xi ≥ 0, i = 1, 4, ξ ≥ 0 .
3. Рекуррентное соотношение Беллмана для нахождения условно-опти- мальных управлений:
Wk (ξ ) = max{gk (x) + Wk −1 (ξ − x)}, k = 2,3,4 0,
0≤ x≤ξ
где Wk (η ) − максимальная эффективность k предприятий, если им выделено η капита-
ловложений.
4. Решение задачи.
Если мы выделили все средства 1-му предприятию, то по таблице 1 ви- дим, что общий доход будет составлять 43 ед.
Выделим средства первому и второму предприятию. Тогда, пользуясь рекуррентным соотношение Беллмана получим условно-оптимальные управ- ления следующие:
W2 (ξ ) = max{g2 (x) + W1 (ξ − x)}
0≤ x≤ξ
W2 (0) = 0 .
W2 (100) = max {g2 (0) + W1 (100 − 0), g2 (100) + W1 (0)} = max{30,32} = 32.
0≤ x≤100
60
W2 (200) = max {g2 (0) +W1 (200), g2 (100) +W1 (100), g2 (200) +W1 (0)} =
0≤x≤200
= max{33, 32 + 30,34} = 62.
W2 |
(300) = max{38, 32 + 33, 34 + 30,35} = 65. |
|
|
|
|
||||||
W2 |
(400) = max{42, 38 + 30, 34 + 33, 32 + 35,39} = 68. |
|
|||||||||
W2 |
(500) = max{45, 42 + 30, 38 + 33, 34 + 35, 32 + 39, 0 + 43} = 72. |
||||||||||
Тогда W2 (ξ ) = {0, 32, 62, 65, 68, 72}. |
|
|
|
|
|
||||||
Для удобства расчетов составлены таблицы: |
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
Таблица 2.5.2 |
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
W1 (ξ ) |
0 |
100 |
200 |
300 |
|
400 |
500 |
|
|
|
|
g1 (x) |
|
|
|
|
|
|
|
|
|
|
0 |
30 |
33 |
35 |
|
39 |
43 |
||
|
|
|
g2 (x) |
|
|||||||
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
0 |
0 |
30 |
33 |
35 |
|
39 |
43 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
100 |
|
32 |
32* |
62* |
65* |
67 |
|
71 |
× |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
200 |
|
34 |
34 |
64 |
67* |
69 |
|
× |
× |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
300 |
|
38 |
38 |
68 |
71 |
× |
|
× |
× |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
400 |
|
42 |
42 |
72* |
× |
× |
|
× |
× |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
500 |
|
45 |
45 |
× |
× |
× |
|
× |
× |
|
|
|
|
|
|
|
|
|
|
|
|
Выпишем в таблицу условно-оптимальное управление на втором шаге.
ξ |
0 |
100 |
W2 (ξ ) |
0 |
32 |
u2 = x2 (opt ) |
0 |
100 |
|
Таблица 2. 5.2а |
||
|
|
|
|
200 |
300 |
400 |
500 |
62 |
65 |
67 |
72 |
|
|
|
|
100 |
100 |
200 |
400 |
|
|
|
|
u2 − оптимальное выделение средств второму предприятию при распределе- нии их между двумя первыми.
Для трех предприятий:
61
Таблица 2.5.3
g3 (ξ ) |
W2 (ξ ) |
0 |
100 |
200 |
300 |
400 |
500 |
|
0 |
32 |
62 |
65 |
67 |
72 |
|
|
|
|
|
|
|
|
|
0 |
0 |
0 |
32* |
62* |
65 |
67 |
72 |
|
|
|
|
|
|
|
|
100 |
19 |
19 |
51 |
81* |
84 |
86 |
× |
|
|
|
|
|
|
|
|
200 |
27 |
27 |
61 |
89* |
92 |
× |
× |
|
|
|
|
|
|
|
|
300 |
33 |
33 |
65 |
95* |
× |
× |
× |
|
|
|
|
|
|
|
|
400 |
40 |
40 |
72 |
× |
× |
× |
× |
|
|
|
|
|
|
|
|
500 |
43 |
43 |
× |
× |
× |
× |
× |
|
|
|
|
|
|
|
|
Таблица 2.5.3 а
ξ |
0 |
100 |
W3 (ξ ) |
0 |
32 |
u3 = x3 (opt ) |
0 |
0 |
200 |
300 |
400 |
500 |
62 |
81 |
89 |
95 |
|
|
|
|
0 |
100 |
200 |
300 |
|
|
|
|
u3 − оптимальное выделение средств третьему предприятию при распределе- нии их между тремя первыми.
Для четырех предприятий:
Таблица 2.5.4
g4 (ξ ) |
W3 (ξ ) |
0 |
100 |
200 |
300 |
400 |
500 |
||
|
|
|
|
|
|
|
|
|
|
|
0 |
32 |
62 |
81 |
89 |
|
95 |
||
|
|
|
|
|
|
|
|
|
|
0 |
0 |
0 |
32* |
62* |
81 |
89 |
|
95 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
× |
100 |
28 |
28 |
60 |
90* |
109* |
|
117* |
|
|
|
|
|
|
|
|
|
|
|
|
200 |
31 |
31 |
63 |
93 |
112 |
× |
|
× |
|
|
|
|
|
|
|
|
|
|
|
300 |
33 |
33 |
65 |
95 |
× |
× |
|
× |
|
|
|
|
|
|
|
|
|
|
|
400 |
37 |
37 |
69 |
× |
× |
× |
|
× |
|
|
|
|
|
|
|
|
|
|
|
500 |
42 |
42 |
× |
× |
× |
× |
|
× |
|
|
|
|
|
|
|
|
|
|
|
62
ξ |
0 |
100 |
W4 (ξ ) |
0 |
32 |
x4 (opt ) |
0 |
0 |
|
Таблица 2.5.4а |
||
|
|
|
|
200 |
300 |
400 |
500 |
62 |
90 |
109 |
117 |
|
|
|
|
0 |
100 |
100 |
100 |
|
|
|
|
Таким образом, из табл. 2.5.4. а видим, что max эффект составляет 117ед. = Wopt . Теперь будем находить безусловно-оптимальное управление.
Для этого будем использовать таблицы 2.5.2а , 2.5.3а 2.5.4а . Максимальный эффект получается, если четвертому предприятию мы выделим 100 тыс. т.е x4 = 100 .
Если трем предприятиям выделим 400 тыс. $, то оптимальный эффект будет при выделении третьему предприятию 300 тыс. $, т.е. x3 = 300 (из табл. 2.5.3а).
Теперь видно, что для первого и второго предприятия остается 100 тыс. $. Из таблицы 2.5.2а видим, что max эффект при выделении первым двум предприятиям 100 тыс. будет, если второму предприятию мы выделим 100 тыс. $, т.е. x2 =100 . Тогда x1 = 0 .
Ответ: x1 = 0 ; x2 = 100 ; x3 = 300; |
x4 = 100 и Qmax = 117 усл.ед. |
||||||||||||
|
|
opt = (0, 100, 300, 100). Wmax = 117 . |
|
|
|
|
|||||||
X |
|
|
|
|
|||||||||
|
|
|
|
|
2. 6. Парная регрессия |
|
|
|
|
||||
|
|
Задача 2.6. Имеются следующие статистические данные значений |
|||||||||||
показателей X и Y (табл. 2.6.1). |
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
Таблица 2.6.1 |
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
yi |
0 |
|
2 |
|
4 |
|
8 |
|
11 |
|
|
|
|
xi |
4,1 |
|
6 |
|
8 |
|
15 |
|
22 |
|
Требуется:
1)найти оценки коэффициентов уравнения линейной регрессии yˆ = aˆ0 + a1 x ;
2)найти линейный коэффициент корреляции, сделать вывод;
3)найти коэффициент детерминации, сделать вывод;
4)проверить значимость уравнения регрессии в целом;
5)проверить значимость коэффициентов регрессии и коэффициента корре- ляции;
6)найти доверительные интервалы для параметров регрессии;
7)найти ошибку аппроксимации, сделать вывод;
63
8)найти прогнозное значение результативного признака при данном xпр = 1,1x ;
9)найти доверительный интервал для индивидуального значения результа- тивного признака yпр ;
10)построить корреляционное поле и линию регрессии на нём.
Примечание. Вычисления произвести с помощью аналитических фор- мул и с помощью пакета «Анализ данных».
При статистическом анализе результатов использовать доверительную вероятность γ = 0,95 (значимость α = 0,05 ).
Решение. 1) в регрессионном анализе рассматривается три основные задачи: построение уравнения регрессии, проверка качества полученного уравнения, прогнозирование по полученному уравнению. Рассмотрим эти за- дачи. Можно более подробно анализировать полученное уравнение регрес- сии.
|
|
|
|
Построение уравнениия регрессии |
|
|
|
|
|||||||
|
Анализируя корреляционное поле (Рис. 2.6.1, Рис. 2.6.2.) можно стро- |
||||||||||||||
ить как линейную модель так и нелинейную. Здесь больше подходит нели- |
|||||||||||||||
нейная модель. Методика построения этих диаграмм изложена при построе- |
|||||||||||||||
нии рис.2.6.3. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
25 |
|
|
|
|
|
|
|
25 |
|
|
|
|
|
|
|
20 |
|
|
|
|
|
|
|
20 |
|
|
|
|
|
|
|
15 |
|
|
|
|
|
|
|
15 |
|
|
|
|
|
|
|
10 |
|
|
|
|
|
|
|
10 |
|
|
|
|
|
|
|
5 |
|
|
|
|
|
|
|
5 |
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
0 |
2 |
4 |
6 |
8 |
|
10 |
12 |
0 |
2 |
4 |
6 |
8 |
|
10 |
12 |
|
Рис. 2.6.1. Линейная модель |
|
Рис. 2.6.2. Нелинейная модель |
|
|||||||||||
|
|
|
yˆ = aˆ |
+ aˆ x |
|
|
|
|
ˆ |
ˆ |
ˆ |
ˆ |
2 |
. |
|
|
|
|
0 |
1 |
|
|
|
|
yˆ |
= aˆ0 |
+ aˆ1x + aˆ2 x |
|
|
||
|
Заменой |
|
x = x , |
x2 = x |
для стандартного анализа нелинейная модель |
||||||||||
|
|
|
1 |
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
ˆ |
ˆ |
|
ˆ |
ˆ |
|
|
|
|
|
|
|
|
сводится к линейной yˆ = aˆ0 |
+ aˆ1x1 |
+ aˆ2 x2 ). |
|
|
|
|
|
|
|
|
|||||
|
Предположим, что между |
x и y существует теоретическая линейная |
|||||||||||||
связь y = a0 + a1x + ε , где ε |
− случайная составляющая. |
|
|
|
|
||||||||||
|
Методом наименьших квадратов найдём оценки параметров a0 , a1 , ко- |
||||||||||||||
торые обозначают aˆ0 , aˆ1 . |
|
|
|
|
|
|
|
|
|
|
|
||||
|
Таким образом мы должны получит уравнение |
|
|
|
|
|
y = aˆ0 + aˆ1x + e
64
где e = εˆ или
yˆ = aˆ0 + aˆ1x − уравнение регрессии y на x
Построение модели, оценка параметров, в основном осуществляют тремя подходами.
1.1) Параметры модели оценивают решением системы
|
|
ˆ |
ˆ |
|
n |
|
|
∑xi |
|||
|
na0 |
+ a1 |
|||
|
|
|
|
|
i=1 |
|
|
n |
|
|
n |
|
|
|
|
||
ˆ |
∑xi |
ˆ |
|
2 |
|
a0 |
+ a1 |
∑xi |
|||
|
|
i=1 |
|
|
i=1 |
1.2) Используют матричный подход
n
= ∑yi ,
i=1
n
=∑xi yi .
i=1
ˆ |
aˆ0 |
|
= ( X ′X ) |
−1 |
X ′Y . |
A = |
|
||||
|
aˆ1 |
|
|
|
|
1.3) Используют компьютерные программы в EXCEL. Это наиболее просто.
Тут можно использовать «Мастер диаграмм»; «»; «Стандартные»; «Точечная»; «»; «Далее»; «Далее»; «Далее»; «Готово»; «Диаграмма»; «Добавить линию тренда»; «Параметры»; «Показать уравнение на диа-
грамме»; «ОК». Получим рис. 2.6.3.
25 |
|
|
|
|
|
|
20 |
|
y = 1,6313x + 2,8638 |
|
|
|
|
|
|
|
|
|
|
|
15 |
|
|
|
|
|
|
10 |
|
|
|
|
|
|
5 |
|
|
|
|
|
|
0 |
|
|
|
|
|
|
0 |
2 |
4 |
6 |
8 |
10 |
12 |
Рис. 2.6.3
Рассмотрим эти способы в отдельности.
1.1) При первом способе надо найти указанные суммы в системе и ёё решить. Для анализа полученной модели основную роль играют остатки ei = yi − yˆi . Потому их тоже вычисляем. Вычисления оформляем табл. 2.6.2.
65
Таблица 2.6.2.
|
|
|
|
|
|
|
x − 2 |
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
2 |
2 |
|
|
i |
|
|
|
|
2 |
|
2 |
|
ei |
|
|
||
|
xi |
yi |
xi yi |
yˆi |
|
|
|
(yi − y) |
ei |
Ei = |
|
|
|||||||||
|
|
|
|
|
|
|
|||||||||||||||
№ |
xi |
yi |
|
− x |
|
ei |
|
|
|
||||||||||||
|
y |
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
1 |
0 |
4,1 |
0 |
0 |
16,81 |
2,864 |
|
25 |
|
47,886 |
|
1,236 |
1,528 |
0,060 |
|
|
|||||
2 |
2 |
6 |
12 |
4 |
36 |
6,126 |
|
9 |
|
25,200 |
|
-0,126 |
0,016 |
0,004 |
|
|
|||||
3 |
4 |
8 |
32 |
16 |
64 |
9,389 |
|
1 |
|
9,120 |
|
-1,389 |
1,929 |
0,035 |
|
|
|||||
4 |
8 |
15 |
120 |
64 |
225 |
15,914 |
|
9 |
|
15,840 |
|
-0,914 |
0,835 |
0,012 |
|
|
|||||
5 |
11 |
22 |
242 |
121 |
484 |
20,808 |
|
36 |
|
120,560 |
1,193 |
1,422 |
0,011 |
|
|
||||||
Сумма |
25 |
55,1 |
406 |
205 |
825,8 |
- |
|
80 |
|
SST = |
|
- |
SSE = |
0,122 |
|
|
|||||
Ср. зн. |
5 |
11,02 |
81,2 |
41 |
165,1 |
- |
|
- |
|
|
= 218,608 |
- |
= 5,730 |
- |
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
S |
4,472 |
7,393 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Для наглядности вычислим средние значения и исправленные диспер- сии показателей X и Y :
|
|
|
|
|
|
|
|
1 |
|
n |
|
|
|
|
1 |
|
n |
|
1 |
n |
|
|||||||||
|
|
|
|
|
|
|
= |
|
∑xi |
, |
|
= |
|
∑yi , Sx2 = |
∑(xi − |
|
)2 , |
|
||||||||||||
|
|
|
|
|
|
x |
y |
x |
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
n i=1 |
|
|
|
|
n i=1 |
|
n − 1 i=1 |
|
||||||||||||||
|
|
|
= |
0 + 2 + 4 + 8 + 11 |
= |
25 |
= 5 , |
|
= |
4,1+ 6 + 8 + 15 + 22 |
= |
55,1 |
= 11,02 , |
|||||||||||||||||
|
|
|
y |
|||||||||||||||||||||||||||
|
|
x |
||||||||||||||||||||||||||||
|
|
|
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
5 |
5 |
|
|
|
|
|
|
|
|
|
5 |
5 |
|
|
|||||||||||
|
|
|
|
|
(0 − 5)2 |
+ (2 − 5)2 + (4 − 5)2 + (8 − 5)2 |
+ (11 |
− 5)2 |
|
|||||||||||||||||||||
|
Sx = |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= 4,472 , |
|
||||||||
|
|
|
|
|
|
|
|
|
|
5 − 1 |
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
Sy = |
(4,1− 11,02)2 + (6 − 11,02)2 + (8 − 11,02)2 + (15 − 11.02)2 + (22 − 11,02)2 |
= 7,393 . |
||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5 − 1 |
|
|
|
|
|
|
|
|
|
|
Составляем систему нормальных уравнений и решаем её:
|
5aˆ0 + |
25aˆ1 |
= 55,1 |
|
||
|
25aˆ |
|
+ |
205aˆ |
= 406 |
|
0 |
|
|||||
|
|
|
1 |
|
|
aˆ |
0 |
|
= |
|
-1 |
. |
|
55,1 |
|
= |
|
0,513 |
− 0,063 |
|
|
|
. |
|
55,1 |
|
= |
|
2,864 |
5 25 |
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
25 205 |
|
|
|
406 |
|
|
− 0,063 |
0,013 |
|
|
|
|
|
406 |
|
|
1,631 |
|||
aˆ1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Получили модель
yˆ = 2,864+1,631x .
66
Замечание. Оценки параметров модели можно находить по формулам
ˆ |
|
|
|
yx |
− |
|
|
|
|
|
|
|
|
|
Sy |
|
||||
|
= |
y |
x |
= ry, x |
, |
|||||||||||||||
a1 |
|
|
− ( |
|
|
)2 |
|
|
||||||||||||
|
|
|
|
|
Sx |
|||||||||||||||
x2 |
||||||||||||||||||||
|
|
|
x |
|
||||||||||||||||
|
|
|
|
a0 = y − a1x . |
|
|||||||||||||||
|
|
|
|
ˆ |
|
|
|
ˆ |
|
|
|
1.2) Строим модель линейной регрессии, используя матричный подход
|
|
|
ˆ |
|
aˆ0 |
|
= ( X ′X ) |
−1 |
X ′Y , |
|
|
|
|
|
|
|
A = |
|
|
|
|
|
|||||
|
|
|
|
|
aˆ1 |
|
|
|
|
|
|
|
|
|
|
|
|
ˆ |
ˆ |
ˆ |
|
|
|
|
|
|
|
|
|
|
|
y = a0 |
+ a1x . |
|
|
|
|
|
|
||
Запишем матрицы X , X ′ и Y |
|
|
|
|
|
|
|
|
|||||
|
|
0 |
|
|
|
|
|
|
|
|
|
|
4,1 |
|
1 |
|
|
|
|
|
|
|
|
|
|
||
X = |
1 |
2 |
X ′ = |
1 |
|
1 |
1 |
|
1 |
1 |
Y = |
6 |
|
1 |
4 |
0 |
|
2 |
4 |
|
8 |
11 |
8 |
||||
|
|
|
|
|
|||||||||
|
1 |
8 |
|
|
|
|
|
|
|
|
|
|
15 |
|
1 |
11 |
|
|
|
|
|
|
|
|
|
|
22 |
Матрица X получается дописыванием слева столбца из единиц к столбцу из наблюдаемых значений объясняющей переменной.
X ′ − матрица транспонированная к матрице X .
Транспонированную матрицу в EXCEL получают следующим образом. Выделяем место расположения транспонированной матрицы; «Вставка»; «Функция»; «Ссылки и Массивы»; «ТРАНСП»; «ОК»; выделяют массив,
который надо транспонировать; |
одновременно нажимают две клавиши |
|||||||||||
« ,Ctrl» и, не отпуская их, нажимают и отпускают «Enter». |
|
|
||||||||||
Найдём матрицу X ′X : |
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
X ′X = |
1 |
1 |
1 |
1 |
1 |
× |
1 |
2 |
= |
5 |
25 |
|
0 |
2 |
4 |
8 |
11 |
1 |
4 |
25 |
205 |
|
|||
|
|
|
|
|
|
|
1 |
8 |
|
|
|
|
|
|
|
|
|
|
|
1 |
11 |
|
|
|
|
Произведение матриц в EXCEL получают следующим образом. Выде- ляем место расположения произведения матриц, четыре клетки 2 × 2 ; «Вставка»; «Функция»; «Математические»; «МУМНОЖ»; «ОК»; выде-
67
ляют «Массив1»; переводят курсор в «Массив 2» и выделяют вторую мат- рицу; одновременно нажимают две клавиши « ,Ctrl» и, не отпуская их, на- жимают и отпускают «Enter».
Находим обратную матрицу ( X ′X )−1 .
Её можно находить по определению:
|
( |
X ′X )−1 = |
1 |
|
|
A11 |
|
A21 |
|
|
|
|
|
|
|||
|
|
A12 |
|
A22 |
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
= 5 55 − 15 15 = 400 , |
|
|
|
|
|
||||||||
A = (−1)1+1 |
205 = 205, A = (−1)1+2 25 = −25, A |
= (−1)2+1 25 = −25 , |
|||||||||||||||
11 |
|
|
|
12 |
|
|
|
|
|
21 |
|
|
|
|
|
||
|
|
|
|
A = (−1)2+2 |
5 = 5. |
|
|
|
|
|
|
||||||
|
|
|
|
22 |
|
|
|
|
|
|
|
|
|
|
|
|
|
( X ′X )−1 = 1 |
|
|
− 25 |
|
= |
|
0,513 |
− 0,063 |
|
|
|
|
|||||
205 |
|
|
|
|
|||||||||||||
|
|
|
|
− 25 |
5 |
|
|
|
|
− 0,063 |
0,013 |
|
|
|
|
||
|
400 |
|
|
|
|
|
|
|
|
|
Обратную матрицу в EXCEL получают следующим образом. Выделяем место расположения обратной матрицы, четыре клетки 2 × 2 ; «Вставка»;
«Функция»; «Математические»; «МОБР»; «ОК»; выделяют исходную мат-
рицу; одновременно нажимают две клавиши « ,Ctrl» и, не отпуская их, на- жимают и отпускают «Enter».
Находим ( X ′X )−1 X ′
( X ′X )−1 X ′ = |
|
|
− 0,063 |
|
|
|
× |
|
1 |
1 |
1 |
1 |
|
1 |
|
|
|
= |
|
|||||||||
|
0,513 |
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
− 0,063 |
0,013 |
|
|
|
|
|
0 |
2 |
4 |
8 |
|
11 |
|
|
|
|
|
|||||
|
|
= |
|
0,513 |
0,388 |
0,263 |
|
|
0,013 |
− 0,175 |
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
− 0,064 |
− 0,038 |
− 0,014 |
|
|
0,039 |
|
|
|
0,075 |
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
Находим оценки параметров регрессии |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
4,1 |
|
|
|
|
|
ˆ |
−1 |
|
|
|
0,513 |
0,388 |
0,263 0,013 |
− 0,175 |
|
|
|
|
6 |
|
|
|
|
2,864 |
||||||||||
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
A = ( X ′X ) |
|
X ′Y = |
− 0,063 |
− 0,038 |
− 0,013 0,038 |
0,075 |
|
|
× |
|
8 |
|
|
|
= |
1,631 |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
15 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
22 |
|
|
|
|
|
68
Получили ту же формулу линейной модели
yˆ = 2,864+1,631x .
Третий способ рассмотрим ниже.
Проверка качества уравнения регрессии
Проверка качества регрессии состоит в нахождении некоторых чи- сел по определенным формулам и сопоставление этих чисел с табличными или нужно делать непосредственные выводы исходя из величины этих чи- сел.
2) Вычислим линейный коэффициент корреляции rxy :
ˆ |
|
Sx |
= 1,631 |
4,472 |
|
|
rxy = a1 |
|
|
|
= 0,987 . |
||
S |
y |
7,393 |
||||
|
|
|
|
|
|
Близость коэффициента корреляции к единице указывает на тесную линейную связь между признаками.
3) Коэффициент детерминации
R2 = rxy2 = 0,9872 = 0,974
показывает, что уравнением регрессии объясняется 97,4% дисперсии резуль- тативного признака, а на долю прочих факторов приходится лишь 2,6%.
Коэффициент детерминации можно находить непосредственно по оп- ределению
R2 = |
SSR |
= 1− |
SSE |
= 1− |
5,730 |
= 0,974 . |
|
|
||||||
SST |
|
218,608 |
|
|
||||||||||
|
|
SST |
|
|
|
|||||||||
Это важно для множественной регрессии. |
|
|
||||||||||||
Принято обозначать |
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
2 |
|
|
|
|
|
|
2 |
|
|
|
SST = ∑(yi − y) |
|
|
ˆ |
|
|
|
ˆ |
) |
2 |
|||||
|
|
|
|
|
|
|
||||||||
|
, SSR = ∑(yi − y) |
, SSE = ∑( yi − yi |
. |
|||||||||||
Этим суммам соответствуют числа степеней свободы |
|
|
||||||||||||
df = n − 1, |
|
df = m , |
|
|
|
|
df = n − m − 1, |
|
|
где n − число наблюдений, m − число регрессоров (для парной регрес- сии m = 1).
69