Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Вид результатов расчета множественной линейной регрессии
Представим результаты расчета для параметров, приведенных на рис.5-8.
Рис. 5-8. Множественная регрессия с методом пошагового включения и выключения переменных в модель
Рис.5-9. Общие параметры
Рис.5-10. Суммарные характеристики модели по шагам
Рис.5-11. Коэффициенты моделей по шагам
Рис.5-12. Изменение модели по шагам
Рис.5-13. Исключенные из моделей переменные по шагам
Детальный анализ результатов произведем на практическом занятии. Заметим только, что переменные Wag_R_M и RTRD имеют положительную корреляция с зависимой переменной, а IPCDE и IMQ – отрицательную.
Нелинейная регрессия
Регрессия, парная или множественная, совсем не обязательно должна быть линейной. Существует много других, нелинейных, форм для ее выражения. В SPSS для формирования нелинейной регрессии предусмотрены следующие технологии: · подгонка кривых; · использование фиктивных переменных, · собственно нелинейная регрессия. Кроме того, предусмотрены методы расчета специфических форм регрессии. Подгонка кривых
Подгонка кривых предназначена, в первую очередь, для вычисления парной нелинейной регрессии. Косвенно, с некоторыми усложнениями, она может быть использована и для расчета множественной нелинейной регрессии. Эта процедура позволяет вычислять статистики и строить графики для различных типовых регрессионных моделей. Можно также сохранять предсказанные значения, остатки и интервалы прогнозирования в виде новых переменных. Предлагаемые модели соответствуют следующим типам (выражаемым посредством формул) - см. табл. 5.1. Таблица 5.1 Типы моделей
Требования к данным: · зависимые и независимые переменные должны быть количественными; · если в качестве независимой переменной выбрано Время, а не переменная из исходного файла данных, зависимая переменная должна представлять собой временной ряд.
Исходные допущения: · остатки должны представлять собой случайные величины и распределяться по нормальному закону. При использовании линейной модели предъявляются такие же требования, как и для обычной линейной регрессии. Прежде чем запустить выполнение процедуры, полезно ознакомиться с расположением исходных точек на графике, чтобы определить наиболее подходящие кривые. Хотя, это не обязательно. Выполним последовательность команд Chart/ Legacy Dialogs (рис.5-14).Вокне Scatter/ Dot (рис. 5-15) установим флажок в ячейке Простая. Затем в следующем диалоговом окне Диаграмма рассеяния (рис. 5-16) укажем показатели для осей графика. Рис.5-14. Выбор команд просмотр графика рассеяния
Рис.5-15. Уточнение типа графика Рис.1-16. Установка параметров графика Рис.5-17. Облако исходных точек по годам
В результате получим облако рассеяния исходных точек (рис. 5-17). Предполагаем, что наилучшее приближение к этому облаку может обеспечить одна из следующих моделей: логарифмическая, квадратичная, кубическая, гиперболическая. Теперь обратимся к процедуре подгонка кривых, для чего выполним последовательность команд Анализ >• Регрессия >■ Подгонка кривых (рис.5-18).
Рис.5-18. Выбор команд по подбору кривых
В окне Подгонка кривых (рис. 5-19) активизируем отобранные модели. Кроме того, установим флажки в ячейках Включать константу (в формуле для каждой модели), Графики моделей (для вывода графических зависимостей), Вывести таблицу дисперсионного анализа (для фиксации оценок качества регрессии). В результате получатся графики отобранных функций и, дополнительно, график аппроксимации наблюденных значений. Рис. 5-19. Окно Подгонка кривых
Сравнение всех этих кривых (рис.5-20) показывает, что наилучшее приближение к множеству исходных точек дает кубическая модель: Индекс РТС = b0+ b1(Время) + b2*(Время)^2 + b3*(Время)^3. Оснований для такого утверждения два: · это видно из подобия кривых кубической модели и реальных значений (рис. 5-20);
· данный вывод подтверждается результатами дисперсионного анализа для кубической модели (рис. 5-21), согласно которым R2 = 0,915, F=468,860, что говорит о хорошем приближении. Данный анализ проводится для каждой из сравниваемых моделей, и для кубической модели значения являются наибольшими.
Параметры кубической модели: b0=957,535; b1=113,857; b2=-2,913; b3=0,022. Рис.5-20. Графики подогнанных кривых и исходные точки
Рис.5-21. Суммарные характеристики моделей
|
||||||||||||||||||||||||||||||
Последнее изменение этой страницы: 2021-01-08; просмотров: 155; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.145.184.113 (0.009 с.) |