Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:

ПСОД студенты / Корреляционный анализ

.pdf
Скачиваний:
24
Добавлен:
24.02.2016
Размер:
742.69 Кб
Скачать

Проверка на однородность случайных ошибок

Для проверки на однородность дисперсии D(ε)=const. Целесообразно воспользоваться методом Гольфельда. Последовательность значений случайной величины Y разбивается на две последовательности объемом n1 и n2 , где (n1+n2=n). Для каждой последовательности вычисляются дисперсии

воспроизводимости S12 и S22 . Тогда отношение

F = S2

2 ,

S2

1

при S12 < S22 будет иметь распределение Фишера со степенями свободы

f1= n1 k 1 ; f2= n2 k 1 . Если значение F превышает табличное, то гипотеза об однородности дисперсии отклоняется. Чувствительность критерия увеличивается, если исключить средние наблюдения.

В случае, если дисперсии оказались неоднородными, часто оказывается полезным изменение масштаба для выходной переменной. Вводится

некоторая функция от выходной переменной, например ln y или y.

Проверка на автокорреляцию случайных ошибок

Наличие автокорреляции ошибок можно проверить с помощью критерия Дарбина-Уотсона:

 

n

 

 

DW =

(ei ei1)2

.

i=2

 

 

n

 

 

ei2

 

 

 

i=1

 

Критерий Дарбина-Уотсона изменяется в диапазоне 0 ≤ DW ≤ 4. При отсутствии автокорреляции DW=2. В приложении 3 приводятся нижние и верхние границы критерия dн и dвдля степеней свободы f1=n; f2=k.

Если

DW dн, есть положительная автокорреляция,

0

4–dн ≤ DW ≤ 4,

есть отрицательная автокорреляция,

dв

≤ DW ≤ 4–dв,

автокорреляция отсутствует,

 

dн

< DW < dв или 4–dв ≤ DW ≤ 4–dн, нужны дополнительные

исследования.

П р а к т и ч е с к и й с о в е т: желательно область неопределенности подключить к области отклонения гипотезы об отсутствии автокорреляции.

2.6.ОПИСАНИЕ ТИПОВОГО ПРИМЕРА

Втабл. 2.2 приведены значения выходной переменной yi при данном значении входной переменной xi . Модель ищется в виде

~y = a0 +a1 x .

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Таблица 2.2

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

X

 

 

 

 

 

 

1

 

 

 

 

 

 

 

2

 

 

 

 

 

 

 

 

 

 

 

3

 

 

 

 

 

4

Y

 

 

 

 

 

 

2

 

 

 

 

 

 

 

4

 

 

 

 

 

 

 

 

 

 

 

5

 

 

 

 

 

7

1. Вычислим оценки

математических

 

ожиданий, смещенные и

несмещенные оценки дисперсий и средних квадратических отклонений:

 

 

 

 

 

 

 

 

 

=

1

xi = 2,5 ,

 

 

=

1

yi = 4,5 ,

 

 

 

 

 

 

 

 

 

x

y

 

 

 

 

 

 

 

 

 

n

n

 

Sх2

=

 

1

(xi

 

)2

=1,250 ,

Sy2

=

1

 

( yi

 

 

)2

= 3,251,

 

x

y

 

 

 

n

 

 

 

n

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Sхн2

 

1

 

 

(xi

 

)2 =1,666 ,

 

Sy2н

 

 

1

( yi

 

)2

 

=

 

 

x

 

=

 

 

 

= 4,333,

 

 

 

y

n

1

 

 

n

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Sх

=

1

(xi x)2

=1,118

,

Sy

=

 

 

 

1

( yi y)2

=1,803,

 

 

 

n

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

n

 

 

 

 

 

 

 

 

Sхн =

1

 

 

(xi x)2 =1,291

,

S

=

 

 

 

 

1

( yi y)2 = 2,082 .

 

 

n 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

n 1

 

 

 

 

 

 

 

2. Определим модель. Вычислим соответствующие суммы и составим систему двух линейных уравнений:

Σxi=10, Σyi=18, Σxi2=30, Σxiyi=53, Σyi2=94,

 

 

a0

+ 10

a1

=18 ,

4

 

 

 

a1

 

 

 

a0

+30

= 53,

10

 

 

 

решая которую, получаем:

 

 

a0 = 0,5, a1 =1,6. Модель имеет вид

 

~

= 0,5 +1,6x

 

y

3. Рассчитаем модельные значения, подставляя в уравнение значения входной переменной (табл. 2.3).

 

 

 

 

 

 

 

 

 

Таблица 2.3

 

~

 

2,1

 

3,7

 

5,3

 

6,9

 

 

 

 

 

 

 

 

y

 

 

 

 

 

4. Определим адекватность модели, для этого вычислим общую сумму квадратов, сумму квадратов, относящуюся к регрессии, и сумму квадратов остатков:

Q = ∑( y

 

)2 = ∑ y2

(y)2

=94

(18)2

 

=13

 

y

;

 

 

i

 

 

 

 

 

 

 

 

 

 

n

 

 

 

4

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

~

 

 

 

 

 

2

 

~2

 

(y)2

 

 

(18)2

 

 

 

 

 

 

y )

 

 

 

 

 

 

 

Q R = ∑ ( y i

 

 

=

y

 

 

= 93,8

 

 

 

=12,8 ;

 

 

n

 

4

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Qe=Σei2=(2–2,1)2+(4–3,7)2+(5–5,3)2+(7–6,9)2=0,2 .

Для проверки полученных расчетов необходимо, чтобы Q =QR +Qe .

В нашем случае равенство выполняется. Расчетное значение критерия Фишера равно

F =

 

QR / k

 

=

S2R

=

12,8 /1

=128.

Qe

/(n k

1)

S2

0,2 /(4 11)

 

 

 

 

Расчетное значение критерия Фишера больше, чем табличное значение

F > FТАБЛ.=F0,05;1;2=18,512.

Вывод 1: модель адекватна, исходные данные хорошо согласуются с моделью.

5. Оперативно адекватность модели можно проверить по коэффициентам детерминации или корреляции. Коэффициент

детерминации, скорректированный коэффициент детерминации и коэффициент корреляции определяются следующим образом:

R2 =

Q R

=

Q R =

12,8

= 0,9846 ,

Q R + Q e

 

 

 

 

Q

13

 

R*2 =1n n k 11(1R2) =144111(10,9846) =0,977,

R = R2 = 0,9922 .

Полученное значение коэффициента детерминации больше, чем 0,75 следовательно, модель можно считать адекватной.

6. Определим значимость параметров модели. Вычислим средние квадратические отклонения ошибок коэффициентов регрессии:

 

 

 

1

 

 

 

 

 

2

 

 

 

 

 

 

 

 

 

S2 xi2

 

 

0,1 30

 

2

2

 

 

 

 

x

 

 

 

 

 

 

2

 

 

 

 

 

Sa0

=S

(

 

+

 

 

 

 

 

 

 

 

)

 

=

 

 

 

 

=

 

 

 

=0,15;

 

 

 

 

 

 

 

 

 

 

 

 

 

 

4 30(10)2

n

(xi x)2

 

nxi2 (xi)2

 

 

 

 

 

 

 

 

 

 

 

 

Sa2

=

 

 

s2

 

 

 

=

 

 

 

 

nS2

=

 

4 0,1

 

=0,02;

 

 

 

 

 

 

 

 

2

 

 

 

 

 

 

2

 

 

 

2

 

 

1

 

 

(xi x)

 

 

 

 

 

 

2

 

4 30(10)

 

 

 

 

 

 

 

 

 

 

 

nxi

(xi)

 

 

 

 

 

 

 

 

 

 

S a 0

= 0,387 ;

S a 1

=

0 ,141 .

 

 

 

Табличное значение Стьюдента t2;0,025=4,303. Получаем расчетные значения Стьюдентов:

ta0 =0,5/0,387=1,291; ta1 =1,6/0,141=11,31.

Вывод 2: параметр a1 будет значим так, расчетное значение Стьюдента

будет больше, чем табличное, параметр a0 – незначим.

Аналогичный вывод можно сделать иначе, вычисляя доверительные интервалы для параметров модели:

a0 =0,5±4,303·0,387=0,5±1,665; a1 = 1,6±4,303·0,141= 1,6±0,607.

Так как абсолютное значение параметра a1 будет больше, чем его доверительный интервал, то параметр значим. Параметр a0 незначим.

7. Оценка

среднеквадратического

отклонения

ошибки

S = S2 = 0,1 =0,316. Разделив все отклонения (остатки)

на эту

величину, получим нормированные отклонения, которые все находятся в интервале [-2; +2].

Вывод 3: первая предпосылка выполняется, случайная ошибка имеет нормальный закон распределения с нулевым математическим ожиданием.

8. Критерий Дарбина-Уотсона вычисляем следующим образом:

DW = ((0,3+0,1)2+(–0,3–0,3)2+(0,1+0,3)2) / 0,2=3,4

1,5 < DW < 4–1,5 (dв примерно равно 1,5 (прил. 3)).

Вывод 4: вторая предпосылка не выполняется, между текущими значениями случайной величины присутствует отрицательная автокорреляция.

В завершении работы приведем итоговую таблицу остатков и нормированных отклонений (табл. 2.4).

 

 

 

 

Таблица 2.4

 

 

 

 

 

 

N/N

Значение Y

Оценка Y

Остатки

Нормированные

 

 

 

 

 

отклонения

 

1

2

2,1

–0,1

–0,316

 

2

4

3,7

0,3

0,948

 

3

5

5,3

–0,3

–0,948

 

4

7

6,9

0,1

0,316

 

2.7. STATISTICA.

ПРОВЕРКА

РЕЗУЛЬТАТОВ КОНТРОЛЬНОГО

ПРИМЕРА MULTIPLE REGRESSIN

 

Для проведения расчетов с модулем предварительной обработки

необходимо выполнить следующие действия:

 

запустить

программу

STATISTICA

командой

Пуск/Программы/Statistica/Statistica;

выделить строку Basic Statistica/Tables и нажать кнопку Switch To;

в открывшемся окне Basic Statistica/Tables закрыть все окна документов и выполнить команду File/New Data. Появится таблица для ввода данных (рис. 2.1);

Рис. 2.1

введите исходные данные для переменных X и Y в столбцы VAR1 и

VAR2;

выделите блок колонок VAR3-VAR10 и нажмите на панели инструментов кнопку Vars. В появившемся меню выберите команду Delete, а затем в диалоговом окне нажмите кнопку OK;

выделите блок строк 5–10 и нажмите на панели инструментов кнопку Cases. В появившемся меню выберите команду Delete, а затем в диалоговом окне нажмите кнопку OK;

щелкните правой клавишей мыши по столбцу VAR1 и выберите команду Variable Specs.... (Спецификации переменной). Появится диалоговое окно (рис. 2.2).

Рис. 2.2

введите имя переменной X и нажмите OK;

щелкните правой клавишей мыши по столбцу VAR2 и выберите команду Variable Specs.... (Спецификации переменной). Появится диалоговое окно (рис. 2.3);

Рис. 2.3

введите имя переменной Y и нажмите OK;

в результате вы должны получить таблицу данных следующего вида

(рис. 2.4);

Рис. 2.4

сохраните полученный файл данных командой File/Save As под именем lab1.sta в предназначенной для работы папке;

сделайте активным окно с таблицей данных, а затем выполните команду Analysis/Resume Analysis (Анализ/Резюме анализ). Появится окно

(рис. 2.5);

Рис. 2.5

выберете пункт Descriptive statistics (Описательные статистики) и

нажмите OK. Появится окно (рис. 2.6);

Рис. 2.6

нажмите кнопку Variables. В появившемся (рис. 2.7) диалоговом окне нажмите кнопку Select All (Выбрать все) и OK;

Рис. 2.7

программа выполнит переход в предыдущее окно, в котором необходимо нажать кнопку Detailed descriptive tatistics (Детальные описательные статистики). Появится таблица с результатами расчетов (рис. 2.8);

Рис. 2.8

выпишите необходимые данные – Mean (Выборочное среднее), Std.Dev. (Стандартная девиация-среднее квадратическое отклонение);

нажмите кнопку Continue. Выполнится переход в предыдущее окно, нажмите кнопку 2D scatterp. Появится окно для выбора переменных (рис. 2.9);

Рис. 2.9

сделайте необходимые изменения и нажмите кнопку OK;

появится окно (рис. 2.10) с графиком линейной регрессионной модели, с рассчитанными значениями коэффициентов модели и коэффициентом корреляции. Первая часть работы выполнена.

Рис. 2.10

Тут вы можете оставить комментарий к выбранному абзацу или сообщить об ошибке.

Оставленные комментарии видны всем.