Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь FAQ Написать работу 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 |
Оценка точности для уравнения парной регрессии.Содержание книги Поиск на нашем сайте
Для уравнения регрессии необходимо кроме b0, b1 оценить D(εi) = δ2, а также дисперсии D(b0), D(b1) и D(Y^), Рассматривая ε, b0, b1 и Y^ как случайные величины. Оценку для δ2 вводят след образом.. Рассмотрим уравнение прогноза Y^ = b0+b1X для исходных точек (Yi,Xi), по которым получены МНК-оценки. Yi = β0 + β1*xi+Еi i=1,n, и остатки регрессии еi=yi-y^i, где xi – наблюдаемые значения отклика yi. Тогда yi можно записать в виде yi= b0+b1*xi +ei. Остатки еi являются наблюдаемыми значениями случайных величин εi. Оценка δ2 в виде S2 = ^ δ2 связана с суммой квадратов остатков еi. Можно показать, что S2= δ2=∑ εi2/(n-2), а дисперсии b0, b1 и ковариация между ними запишутся в виде: D(b0)=S2b0=S2∑xi2/n∑(xi-Xср)2 D(b1)=S2b1=S2 ^cov(b0, b1 ) = - S2 где Xср = ∑xi/n. 6. Распределение МНК- оценок b0, b1 . Принятие предположения εi~N означает, что yi, имеют совместное нормальное распределение, т е для вектора Y справедлива запись Y ~Nn(Xβ,δ2In). Учитывая, что МНК-оценки b0, b1 являются линейными функциями от yi и, также имеют нормальное распределение b0 ~N (β0,δ2∑xi2/n∑(xi-Xср)2), b1 ~N(β0,δ2 . Кроме того можно показать, что случайная величина(n-2)S2/ δ2 имеет распределение хи кадрат(n-2)? А дисперсия ошибок S2 не зависит от МНК – Оценок b0, b1 Интервальные оценки параметров R-модели. Если предполагать, что εi~N(0,δ2), То 100(1*λ/2)%ое доверительные интервалы для β0, β1 и y будут определяться след образом: в1 ± t(n-2,1-λ/2)* В0±t(n-2,1-λ/2)*S Y^n ±± t(n-2,1-λ/2)= S(1+1/n+ )1/2 где t(n-2,1-λ/2) это (1-λ/2)% ая точка T-распределение с (n-2) степенями свободами обычно λ=0,05. Таблица дисперсионного анализа и ее назначение в РА.
При использовании ДА оценивается влияние фактора На Y, т е степень адекватности регрессии выборочном наблюдениям. 9. Меры качества R и R2. Обычно генеральный коэффициент корреляции ρкоторый оценивается коэффициентом R, вводят с помощью формулы ρ2=(DY-σ2)/DY, где ρ=+√ρ2 называется коэффициентом множественной корреляции между Y и [x1….xp-1]. Выборочный коэф множеств. Корреляции между наблюденными величинами yi и вычисленными по модели величинами y^I: R= или пользуясь таблицей ДА по формуле R=+√SSR/SS. Критерии R и R2 (коэф детерминации) используют как меру линейной стохастической связи: чем больше значение R(0«R«1)? Тем сильнее связь, т е тем лучше f(X) соответствует наблюдениям. Мера R(R2 ) имеет дополнительное преимущество перед σ: имеет абсолютный характер при одной выборки наблюдений, поскольку оценивает степень тесности связи. Тем не менее и у этой меры есть свои недостатки: а) как и мера σ является внутренней мерой, т к построена по наблюдениям, по которым строится и модель, и мера; б) пригодна для проверки адекватности моделей относительно одной и той же выборки данных; в) используя эти меры, нельзя выявить набор значимых регрессоров; г) при увеличении количества регрессоров в модели значения R(R2) возрастают. Для устранения последнего недостатка соблюдают условие n>>p. Практически число наблюдений должно быть больше числа неизвестных в 5-15 раз. Кроме того вместо R(R2) предпочтительней применять так называемый скорректированный коэффициент множественной корреляции RC =√1-n(1-R2 )/(n-p) или скорректированный коэф множественной детерминации R2c. Высокое значение R автоматически не гарантирует пригодность модели для прогноза и наоборот. F-критерий. Для оценки адекватности модели в целом и пригодности ее для прогноза можно использовать F-статистику F=MSR/S2. Ее использование превращает задачу сравнения двух дисперсий: дисперсии MSR, обусловленной регрессией, и остаточной дисперсии S2 . При этом необходимо установить, значимую ли часть полной дисперсии DY объясняет модель, содержащая в общем случае регрессоры X1….xp-1. Для этого выдвигается статистическая гипотеза H0 : β1=β2=….=β =0, т е гипотеза о том, что в модели Yi = β0 + β1*x1,i+…+βp-1*xi,p-1+Еi. Вычисляя выборочное значение F-критерия и сравнивая его с табличным FT(λ, р-1, n-p), проверяют выполнение неравенства. При F<=FT гипотеза H0 (гипотеза о неадекватности модели) принимается, в противном случае регрессия признается значимой. На практике применяется правило: модель считается адекватной и пригодной для прогноза в случае, если F>4FT (λ, р-1, n-p). При известном R значение F-критерия можно определить по формуле F= или для линейной парной регрессии F=(n-2) Ошибка аппроксимации. Аср.= 1/n(∑(yi-yi^/yi))*100% 5%-7% - хорошее качество аппроксимации.
|
||||||||||||||||||||||||
Последнее изменение этой страницы: 2016-08-26; просмотров: 265; 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 - 3.144.30.14 (0.009 с.) |