рефераты конспекты курсовые дипломные лекции шпоры

Раздел Образование
/
Мерой для оценки включения фактора в модель

Реферат Курсовая Конспект

Выберите учебное заведение

Мерой для оценки включения фактора в модель

Мерой для оценки включения фактора в модель - раздел Образование, Парная линейная регрессия Служит Частный F-Критерий, Т.е. ...

служит частный F-критерий, т.е. . Так, если оцениваем значимость влияния фактора после включения в модель факторов , то формула частного F-критерия примет вид:

. (6.20)

Если фактическое значение критерия с и степенями свободы больше табличного при заданном уровне значимости, то дополнительное включение фактора в модель статистически оправдано и коэффициент регрессии при данном факторе статистически значим.

Оценка значимости коэффициентов «чистой» регрессии

Для каждого фактора используется формула

, (6.22)

где – коэффициент «чистой» регрессии при факторе ; – средняя квадратическая ошибка коэффициента регрессии ,

, (6.23)

где – среднее квадратическое отклонение для признака y;

– коэффициент детерминации для уравнения множественной регрессии;

– среднее квадратическое отклонение для признака ;

– коэффициент детерминации для зависимости фактора со всеми другими факторами уравнения множественной регрессии.

Практические рекомендации по выполнению расчетов

с помощью табличного редактора MS Excel

Исследуется зависимость производительности труда y (т/ч) от уровня механизации работ (%), среднего возраста работников (лет) и энерговооруженности (кВт/100 работающих) по данным 14 промышленных предприятий.

По исходным статистическим данным необходимо:

1. Рассчитать параметры линейного уравнения множественной регрессии с полным перечнем факторов.

2. Оценить значимость уравнения в целом, используя значение множественного коэффициента корреляции и общего F-критерия Фишера.

3. Оценить статистическую значимость параметров регрессионной модели с помощью t-критерия.

4. Исследовать коллинеарность между факторами. При наличии мультиколлинеарности исключить какой-либо фактор из уравнения регрессии.

5. Построить новое уравнение множественной регрессии, провести все необходимые исследования, аналогичные проведенным выше.

6. На основании результатов п. 5 найти

а) средние коэффициенты эластичности фактора y от независимых факторов;

б) прогнозное значение результата при значении важнейшей объясняющей переменной, равном максимальному наблюденному значению, увеличенному на 10 %, и при значении второй объясняющей переменной, равном минимальному наблюденному значению, уменьшенному на 15%.

в) Интервальное предсказание значения y с надежностью 0,95.

Развернуть

Открыть в широком формате

– Конец работы –

Эта тема принадлежит разделу:

Парная линейная регрессия

Для проверки нулевой гипотезы о несущественности найденного параметра... Расчетные значения t статистики вычисляются по формулам...

Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Мерой для оценки включения фактора в модель

Что будем делать с полученным материалом:

Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:

Все темы данного раздела:

Парная линейная регрессия
Предварительные расчеты: ;

Активизация надстройки Пакет анализа
Для активизации надстройки Пакет анализа необходимо выполнить следующие действия: 1. Выбрать команду Сервис/Надстройки. 2. В появившемся диалоговом окне установить ф

Нелинейные модели парной регрессии
Полином 2-го порядка:. Параметры a, b и c находят, решая методом определителей систему ур

Обоснования возможности замены нелинейной регрессии линейной функцией
1) если величина не превышает 0,1, то предположение о линейной форме связи считается оправданным; 2) если

Оценка параметров линейной множественной регрессии
1) в натуральном масштабе, т.е. для уравнения система нормальных уравнений имеет вид:

Оценка тесноты связи и статистической значимости во множественной регрессии
1) коэффициент множественной детерминации , ; 2)

Решение.
1. Получение протокола расчета. Операция проводится с помощью инструмента Анализ данных/Регрессия. Она аналогична расчету параметров парной линейной регрессии, рассмотренной

По особенностям остаточных величин
Практические рекомендации к выполнению задания Представлены данные о доходах по акциям x и балансовой прибыли y по 11 предприятиям одной отрасли, ден. ед.

На 5%-ном уровне значимости
n

На гетерокедастичность остатков
Практические рекомендации к выполнению задания Представлены данные о доходах по акциям x и балансовой прибыли y по 11 предприятиям одной отрасли, ден. ед.

Для верхней группы
ВЫВОД ИТОГОВ

Для нижней группы
ВЫВОД ИТОГОВ

Анализ динамики временных рядов
Для выявления специфики развития изучаемых явлений за отдельные периоды времени определяют: Ø абсолютные приросты уровней ряда; Ø относительные приросты уровней ряда

С сезонными колебаниями
Модель временного ряда с сезонными колебаниями можно рассматривать в следующих возможных формах: ,

Анализ взаимосвязи двух временных рядов
Имеются следующие данные о величине дохода на одного члена семьи и расхода на некоторый товар по годам год

Справочный материал
Последовательность выявления автокорреляции с помощью критерия Дарбина-Уотсона Расчетное значение критерия определяется по формуле

Уравнение линейной регрессии по уровням временных рядов
Уравнение регрессии и все статистические параметры получим по Анализ данных/Регрессия. Причем, в диалоговом окне ввода данных и параметров вывода можно поставить флажок на позиции Остатки

С включенным фактором времени
Построим уравнение регрессии, включив в него фактор времени. ВЫВОД ИТОГОВ

Уравнение регрессии по первым разностям
Ежегодные абсолютные приросты (первые разности) определяются по формулам , .

С распределенным лагом
Рассмотрим модель с распределенным лагом в ее общем виде в предположении, что максимальная величина лага конечна: . Данна