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 |
Интерпретация коэффициентов множественной регрессииСодержание книги
Поиск на нашем сайте
Множественный регрессионный анализ позволяет нам разграничить влияние независимых переменных, допуская при этом возможность их коррелированности. Коэффициент регрессии при каждой переменной X дает оценку ее влияния на величину Y в случае неизменности влияния на нее всех остальных переменных X. Это может быть продемонстрировано двумя способами. Один из них состоит в выяснении того, что если модель правильно специфицирована и выполнены предпосылки регрессионной модели, то оценки получаются несмещенными. Это будет сделано в следующей главе для случая, когда имеются только две независимые переменные. Второй способ состоит в оценивании регрессионной зависимости Y от одной из переменных X, очистив предварительно переменные Y и X от составляющих, относящихся к другим объясняющим переменным. Оценка коэффициента наклона и ее стандартная ошибка в этом случае получаются точно такими же, как при оценивании множественной регрессии. Этот результат доказан теоремой Фриша—Вауга—Ловелла (Frisch, Waugh, 1933; Lovell, 1963). Отсюда следует, что диаграмма рассеяния для зависимости «очищенной» переменной 7 от «очищенной» переменной X является корректным графическим представлением их взаимосвязи, которое невозможно получить каким-либо другим путем. Этот результат мы не будем доказывать, но он будет проиллюстрирован с помощью функции заработка в разделе 3.1: = β1 + β2S+ β3 ЕХР+и. (3.16) Предположим, что нас особенно интересует зависимость между заработком и продолжительностью обучения и что мы хотели бы представить ее графически. Непосредственное построение точек зависимости EARNINGS от S, как это представлено на рис. 1.8, дает искаженный вид взаимосвязи, поскольку переменная ЕХР отрицательно коррелирована с S. Среди людей одинакового возраста, люди, которые провели в школе больше времени, чаще всего имеют меньше опыта работы. Вследствие этого, если S возрастает, то 1) EARNINGS будет иметь тенденцию к возрастанию, поскольку р2 положительно; 2) ЕХР будет иметь тенденцию к убыванию, поскольку S и ЕХР отрицательно коррелированы, и 3) EARNINGS уменьшится благодаря убыванию ЕХР и тому, что рз положительна. Другими словами, вариации величины EARNINGS не будут полностью отражать влияние вариаций в S, поскольку частично они будут вызваны связанными с этим вариациями в ЕХР. Вследствие этого при оценивании парной регрессии оценка β 2 будет смещена вниз. Мы исследуем это смещение аналитически в разделе 6.2. В данном примере присутствует еще одна объясняющая переменная ЕХР. Чтобы «очистить» EARNINGS и S от их составляющих, обусловленных ЕХР, мы сначала оценим их регрессии на ЕХР: EARNINGS = с1+с2ЕХР; (3.17) S = d1+d2EXP. (3.18) Далее вычтем полученные теоретические значения из фактических значений: EEARN = EARNINGS - ; (3.19) ES = S- . (3.20) «Очищенные» переменные EEARN и ES — это, конечно, всего лишь остаточные члены регрессий (3.17) и (3.18). Далее мы оценим регрессию EEARN на ES и получим представленную в табл. 3.2 распечатку результатов. В записи оценки свободного члена регрессии использовано общее правило записи очень больших или очень маленьких чисел с заданным числом цифр. Запись е + п означает, что коэффициент должен быть умножен на 10n. Аналогично е - п означает, что он должен быть умножен на 10 -n. Итак, в нашей регрессии свободный член практически равен нулю. Вы можете убедиться в том, что коэффициент при ES идентичен коэффициенту при S в множественной регрессии в разделе 3.1. Рисунок 3.2 представляет линию регрессии на диаграмме рассеяния. Пунктирная линия на рисунке — это парная регрессия EARNINGS на S и приведена для сравнения. Она немного более пологая, чем реальная зависимость EARNINGS от S, поскольку Таблица 3.2
она не учитывает эффект EXP. В этом случае отклонение мало, потому что мала корреляция между S и ЕХР, равная -0,22. Но, даже принимая во внимание этот факт, диаграмма полезна, потому что она позволяет напрямую увидеть соотношение между заработком и продолжительностью обучения при фиксированном стаже работы. Наличие далеко лежащих наблюдений для больших значений S приводит к выводу, что модель была в чем-то неправильно специфицирована.
|
||||||||||||||||||||||||||||||||||||||
Последнее изменение этой страницы: 2016-08-01; просмотров: 297; 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 - 3.145.12.100 (0.006 с.) |