Параметри моделі залежності y від x2
ВЫВОД ИТОГОВ
Регрессионная статистика |
|
Множественный R |
0,993906 |
R-квадрат |
0,987849 |
Нормированный R-квадрат |
0,935217 |
Стандартная ошибка |
0,110233 |
Наблюдения |
20 |
Дисперсионный анализ |
|
|
|
|
||
|
df |
SS |
MS |
F |
Значимость F |
|
Регрессия |
1 |
18,76913 |
18,76913 |
1544,629 |
6,66E-19 |
|
Остаток |
19 |
0,230873 |
0,012151 |
|
|
|
Итого |
20 |
19 |
|
|
|
|
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
Y ´-пересечение |
0 |
|
|
|
X2´ |
0,993906 |
0,025289 |
39,30177 |
1,16E-19 |
ВЫВОД ОСТАТКА |
|
|
Наблюдение |
Предсказанное Y |
Остатки |
1 |
-1,02553 |
-0,08867 |
2 |
-1,04761 |
-0,07719 |
3 |
-1,01185 |
-0,0601 |
4 |
-0,98232 |
-0,01897 |
5 |
-0,91394 |
0,03968 |
6 |
-0,87334 |
-0,00024 |
7 |
-0,77597 |
-0,00549 |
8 |
-0,69683 |
0,037092 |
9 |
-0,4862 |
0,07126 |
10 |
-0,39065 |
-0,01038 |
11 |
-0,14085 |
-0,08258 |
12 |
0,02835 |
-0,03727 |
13 |
0,395018 |
-0,04452 |
14 |
0,423406 |
0,033985 |
15 |
0,551805 |
0,056196 |
16 |
0,423406 |
0,380672 |
17 |
1,853317 |
-0,14932 |
18 |
1,463953 |
0,1074 |
19 |
1,597343 |
-0,06623 |
20 |
1,608495 |
-0,08534 |
Згідно результатів наведеного в таблиці 4 аналізу модель має вигляд:
Y ´= 0,993906* X2´.
Зауважимо, що з таблиці 4 виплаває значущість як побудованого рівняння регресії (Значимость F=6,66E-19<0,05), так і значущість коефіцієнта регресії (P-Значение=1,16E-19<0,05).
2. Спробуємо вдосконалити отриману модель за рахунок введення додаткової інформації, що міститься в факторах X1 та X3. Для цього розрахуємо парні коефіцієнти кореляції між цими факторами і рядом залишків з таблиці 4 (таблиця 5):
Таблиця 5
|
Остатки |
X1´ |
X3´ |
Остатки |
1 |
|
|
X1´ |
0,17194991 |
1 |
|
X3´ |
-0,0033934 |
0,85259318 |
1 |
Згідно алгоритму методу покрокової регресії введемо до моделі змінну X1, оскільки вона має більший (у порівнянні зі змінною X3) коефіцієнт кореляції.
Результати моделювання представлені в таблиці 6.
Таблиця 6