
- •7 Регресійний аналіз
- •7.1 Попередній аналіз даних
- •7.2 Припущення, які використовує регресійний аналіз
- •7.3 Вибір вигляду функції для монотонних процесів
- •7.4 Метод найменших квадратів для оцінки параметрів функції регресії
- •Властивості регресії
- •7.5 Оцінка якості моделі
- •7.6 Критерій Фішера для оцінки адекватності моделі
- •7.7 Перевірка значущості коефіцієнтів регресії
- •7.8 Функції Excel для побудови регресійних залежностей
- •Розв’язання
- •7.9 Парна регресія в матричній формі
- •7.10 Метод найменших квадратів при оцінюванні параметрів поліномів
- •Розв’язання
- •7.11 Множинний регресійний аналіз
- •7.11.1 Матричний спосіб оцінки параметрів множинної регресії
- •7.11.2 Перевірка значущості коефіцієнтів регресії
- •7.11.3 Перевірка якості моделі. Скоригований коефіцієнт детермінації
- •7.11.4 Парна й часткова кореляції
- •Розв’язання.
- •7.12 Методи побудови багатофакторної регресійної моделі
- •7.12.1 Вибір "найкращого" рівняння регресії
- •7.12.2 Метод усіх можливих регресій
- •7.12.3 Метод виключень
- •7.12.4 Кроковий регресійний метод
- •Питання і завдання до розділу 7
- •Лабораторна робота Тема. Парний регресійний аналіз
- •Лабораторна робота Тема. Множинний регресійний аналіз
- •8 Дисперсійний аналіз
- •8.1 Однофакторний дисперсійний аналіз
- •Розв’язання.
- •Питання і завдання до розділу 8
- •Лабораторна робота Тема. Однофакторний дисперсійний аналіз
- •9 Ранговий аналіз
- •9.1 Коефіцієнт рангової кореляції Кенделла (Кендалла)
- •9.2 Коефіцієнт рангової кореляції Спірмена
- •Розв’язок.
- •9.3 Коефіцієнт конкордації
- •Питання і завдання до розділу 9
9.3 Коефіцієнт конкордації
Нехай m експертів ранжують n факторів. Кожному фактору кожний експерт присвоює ранг – ціле число від 1 до n, приписуючи ранг 1 найбільш важливому фактору, ранг 2 – наступний по важливості і т.д. На підставі цих даних складається матриця рангів
, (9.6)
де
-
ранг j-го фактору (
), визначений i-м експертом (
), номери рядків відповідають номерам
експертів, а номери стовпців –
номерам факторів. Це означає, що i-й
рядок являє собою думку i-го
експерта про усі фактори, а j-й
стовпець – думка усіх експертів з
приводу j-го
фактора.
На базі даних матриці (9.6) обчислюємо:
– сума
рангів j-го фактора
(
);
– середнє значення
усіх рангів;
– сума квадратів
відхилень від середнього для кожного
з факторів.
Ступінь погодженості оцінок експертів характеризує коефіцієнт конкордації (погодженості)
. (9.7)
Коефіцієнт
конкордації змінюється від нуля
(відсутність згоди в оцінках експертів)
до одиниці (повна згода). Статистичну
значущість коефіцієнта W визначають
залежно від числа факторів. При
використовують
критерій Пірсона
.
Розраховане
значення
порівнюють із критичним
,
обчисленим для заданого рівня значущості
і числа ступенів вільності
.
Гіпотеза про наявність згоди між
фахівцями приймається в тому випадку,
якщо
.
Значення
визначається з таблиці розподілу
Пірсона, або за допомогою функції Excel
=
ХИ2ОБР(;
n-1).
Приклад. Судді розставили 6 учасників змагань таким чином:
|
Учасники |
||||||
А |
Б |
В |
Г |
Д |
Є |
||
Судді |
1 |
5 |
4 |
1 |
6 |
3 |
2 |
2 |
4 |
6 |
2 |
3 |
5 |
1 |
|
3 |
3 |
4 |
2 |
6 |
5 |
1 |
Встановити наскільки погоджені дії суддів.
Розв’язок. Для обчислення коефіцієнта конкордації треба знайти значення S. Для цього необхідно спочатку визначити середнє значення всіх рангів
0,5·3·(6+1)=10,5.
Обчислюємо
для кожного фактора
суми рангів (dj),
відхилення від середнього
та
.
Результати розрахунків наведені в
таблиці.
|
Учасники |
||||||
А |
Б |
В |
Г |
Д |
Є |
||
Судді |
1 |
5 |
4 |
1 |
6 |
3 |
2 |
2 |
4 |
6 |
2 |
3 |
5 |
1 |
|
3 |
3 |
4 |
2 |
6 |
5 |
1 |
|
dj |
12 |
14 |
5 |
15 |
13 |
4 |
|
|
1,5 |
3,5 |
-5,5 |
4,5 |
2,5 |
-6,5 |
|
|
2,25 |
12,25 |
30,25 |
20,25 |
6,25 |
42,25 |
S=(2,25+12,25+30,25+20,25+6,25+42,25)=113,5,
Оскільки коефіцієнт конкордації W=0,72, можна вважати дії суддів погодженими.