- •Теоретичні відомості
- •Методичні вказівки
- •Хід роботи
- •Порядок побудови графіків
- •Висновки
- •Контрольні запитання
- •Теоретичні відомості
- •Методичні вказівки
- •Хід роботи
- •Висновки
- •Контрольні запитання
- •Лабораторна робота № 5 Множинна нелінійна регресія Завдання
- •Теоретичні відомості
- •Методичні вказівки
- •Хід роботи
- •Висновки
- •Контрольні запитання
- •Додатки
- •Література
Теоретичні відомості
Явище, яке залежить від багатьох факторів, можна описати за допомогою множинної регресії. Дослідивши взаємозв’язок процесів у минулому і діставши функціональний зв’язок між ними, можна з певною вірогідністю планувати майбутнє.
Розглянемо модель множинної регресії для трьох факторів. Припустимо, що маємо пар спостережень. Висуваємо гіпотезу, що між показником та трьома факторами та існує лінійна стохастична залежність
, (4.1)
в якій – показник, та – фактори, – параметри, – випадкова величина, що є відхиленням від передбачуваної функціональної залежності.
Справжні значення параметрів знайти не можна. Позначимо через та оцінки параметрів регресії. Тоді рівняння множинної лінійної регресії
(4.2)
є оцінкою моделі (4.1).
Методичні вказівки
1. Оцінимо цю модель за допомогою метода МНК (методу найменших квадратів)
у матричній формі матиме вигляд
, (4.3)
де – матриця спостережуваних значень факторів , та – фіктивний фактор, всі значення якого дорівнюють одиниці, – вектор-стовпець спостережуваних значень показника, – вектор-стовпець розрахункових значень показника, – вектор-стовпець оцінюваних параметрів.
Параметри регресії шукаються за формулою
. (4.4)
2. Взаємозв’язок між окремими ознаками описується за допомогою кореляційної матриці. Кореляційна матриця
, (4.5)
де .
Безрозмірна величина називається коефіцієнтом кореляції факторів та і характеризує ступінь лінійної залежності цих факторів. Якщо , то випадкові величини та зв’язані додатною кореляцією (при зростанні однієї випадкової величини друга також має тенденцію до зростання); якщо , то випадкові величини зв’язані від’ємною кореляцією (при зростанні однієї випадкової величини друга має тенденцію до спадання)
Для будь-яких двох факторів та коефіцієнт кореляції має властивість
. (4.6)
Вибіркова кореляційна матриця володіє властивостями:
вона симетрична відносно головної діагоналі ( ),
елементи головної діагоналі дорівнюють одиниці ( ).
3. Перевірка на загальну мультиколінеарність за методом Фаррара-Глобера.
Твердження 4.1. Якщо , то з імовірністю можна вважати, що між факторами існує загальна мультиколінеарність.
Для відомої ймовірності і , знаходимо значення або за допомогою вбудованої функції ХИ2ОБР.
Обчислення здійснюється за формулою
, (4.7)
де , – число періодів, що спостерігаються, – число факторів включених у регресію.
4. –статистика для перевірки мультиколінеарності між та .
Для з’ясування між якими саме факторами існує мультиколінеарність використовується –статистика. Для цього спочатку обчислюють – частинні коефіцієнти кореляції за формулою
, (4.8)
де – елементи матриці .
, (4.9)
Для цих частинних коефіцієнтів кореляції використовується –статистика
. (4.10)
Значення порівнюються з критичним значенням критерію Стьюдента , яке залежить від параметрів та числа ступенів вільності .
Твердження 4.2. Якщо є деяке , то з надійністю можна стверджувати, що між факторами та існує мультиколінеарність.
5. Усунення мультиколінеарності.
Якщо між двома факторами та існує мультиколінеарність, то один з факторів виключається з розгляду.
Критерій Фішера ( -статистика).
Твердження 4.3. Якщо , то з надійністю можна вважати, що математична модель адекватна статистичним даним. обчислюється за формулою
, (4.11)
де – коефіцієнт детермінації, – число періодів, що спостерігаються, – число параметрів рівняння регресії.
Коефіцієнт детермінації
або
, (4.12)
Дисперсії та шукаємо за формулами:
(4.13),
, (4.14)
де , .
Значення береться з табл.8 за відомими , та .
7. А) Довірчий інтервал для параметрів регресії
, , (4.15)
де беремо з табл.7 , – діагональні елементи матриці
, (4.16)
. (4.17)
; (4.18)
(4.19)
або
або
.
Б) Довірчий інтервал для показника .
Використаємо знайдені з попереднього пункту для обчислення за формулою:
, . (4.20)
Тоді довірчий інтервал для показника має вигляд:
, . (4.21)
Зокрема, та .
В) Довірчий інтервал для прогнозованого значення показника .
Використаємо обраховані в попередньому пункті значення для , та , маємо
. (4.22)
Отже довірчий інтервал для прогнозованого значення показника :
. (4.23)
Зокрема, та .
10. Частинні коефіцієнти еластичності для прогнозу знаходимо за формулами
, , (4.24)
, . (4.25)