Елементи дисперсійного аналізу і теорії кореляції
![]()
Якщо
![]()
то нульову
гіпотезу приймають,
тобто при заданому
рівні значущості
приймають
рішення про
те, що вплив
фактора
можна вважати
несуттєвим.
Якщо
![]()
то вплив фактора
визнають значимим.
Отже, метод
дисперсійного
аналізу складається
в перевірці
нульової гіпотези
про рівність
групових середніх
нормальних
сукупностей
з однаковими
дисперсіями.
Для цього досить
перевірити
за критерієм
нульову гіпотезу
про рівність
факторної і
залишкової
дисперсій.
2 Поняття про кореляцію і регресію
Оцінка залежності між випадковими величинами та поява можливості прогнозувати при цьому значення однієї випадкової величини за значеннями іншої випадкової величини є важливою проблемою статистичного аналізу.
2.1 Функціональна, статистична і кореляційна залежності
Дві випадкові величини можуть бути незалежними або пов'язаними між собою визначеною функціональною залежністю, або залежністю особливого типу, що називається статистичною (стохастичною).
Статистичною називають залежність, при якій зміна однієї з випадкових величин спричиняє зміну розподілу іншої випадкової величини. Статистична залежність виявляється зокрема в тому, що при зміні однієї з величин змінюється середнє значення іншої; при цьому статистичну залежність називають кореляційною.
Прикладом такої кореляційної залежності є зв'язок між внесеними в землю добривами і отриманим врожаєм зерна. Відомо, що твердого функціонального зв'язку між цими величинами немає у зв'язку з впливом безлічі випадкових факторів (опади, температура повітря й ін.). Однак досвід свідчить, що зміна кількості внесених добрив змінює середню врожайність.
2.2 Умовне математичне сподівання, коефіцієнт кореляції і регресія двовимірної випадкової величини в теорії ймовірностей
У теорії
ймовірностей
при описі системи
двох випадкових
величин
і
було введено
поняття умовного
математичного
сподівання
(регресії) для
дискретних
і для неперервних
випадкових
величин, відповідно


де
– визначене
можливе значення
випадкової
величини
;
(
) – можливі значення
величини
;
– відповідні
умовні ймовірності;
– умовна щільність
ймовірності
випадкової
величини
при
;
– функція регресії
на
![]()
(8)
– рівняння
регресії
на
.
Аналогічно
визначаються
умовне математичне
сподівання
випадкової
величини
і функція, а
також рівняння
регресії
на
:
(9)
Функції
і
(рівняння регресії),
що уявляють
інтерес, у загальному
випадку невідомі,
тому їх шукають
у наближеному
вигляді, причому
звичайно обмежуються
лінійним наближенням:
(10)
де
і
– параметри,
що підлягають
визначенню.
Найчастіше
для цього вживають
метод найменших
квадратів.
Функцію
називають
"найкращим
наближенням"
у сенсі методу
найменших
квадратів, якщо
математичне
сподівання
(11)
приймає
найменше можливе
значення. При
цьому функцію
називають
середньоквадратичною
регресією
на
.
У теорії
ймовірностей
доведено, що
лінійна середня
квадратична
регресія
на
має вигляд

де
,
,
,
,
– коефіцієнт
кореляції
величин
і
,
– кореляційний
момент цих
величин.
Можна показати,
що кореляційний
момент
характеризує
зв'язок між
величинами
і
,
зокрема, якщо
вони незалежні,
то
![]()
Коефіцієнт

називають
коефіцієнтом
регресії
на
,
а пряму
(12)
називають
прямою середньоквадратичної
регресії
на
.
При підстановці
знайдених
значень
і
у формулу (11)
отримуємо
мінімальне
значення функції
,
що дорівнює
![]()
Цю величину
називають
залишковою
дисперсією
випадкової
величини
щодо випадкової
величини
.
Вона характеризує
похибку, що
виникає під
час заміни
лінійною функцією
(10). При
залишкова
дисперсія
дорівнює нулю,
тобто в цих
випадках лінійна
функція (10) точно
подає випадкову
величину
.
Це означає, що
при цьому
та
пов'язані лінійною
функціональною
залежністю.
Аналогічний
вигляд має і
пряма середньоквадратичної
регресії
на
![]()
(13)
Очевидно,
що обидві прямі
регресії (12) і
(13) проходять
через спільну
точку
,
яка називається
центром спільного
розподілу
величин
і
.
Якщо коефіцієнт
кореляції
дорівнює нулю,
то пряма регресії
на
(12) є паралельною
осі
,
а пряма регресії
на
(13) – паралельна
осі
,
тобто вони є
взаємно ортогональні.
Крім того, при
обидві прямі
регресії співпадають.
Таким чином, значення кута між прямими регресії (12) і (13) характеризує тісноту зв’язку між випадковими величинами: чим менше кут, тим більш тісною є зв’язок.
2.3 Умовне середнє і вибіркова регресія
У математичній
статистиці
вводять вибіркові
оцінки умовного
математичного
сподівання
і регресії. У
якості оцінки
умовного
математичного
сподівання
беруть умовне
середнє
,
яке знаходять
за вибірковими
даними спостережень.
Умовним середнім
називається
середнє арифметичне
значень випадкової
величини
,
що спостерігаються
за умови, яка
випадкова
величина
при цьому має
значення
.
Аналогічно
визначається
і умовне середнє
,
однак надалі
для стислості
викладення
обмежимося
в основному
розглядом
тільки
і пов'язаними
з ним питаннями.
Також як і умовне
математичне
сподівання
,
його вибіркова
оцінка є функцією
від змінної
,
що позначимо
через
і будемо називати
вибірковою
регресією
на
,
а її графік –
вибірковою
лінією регресії
на
.
Крім того, за
аналогією з
рівняннями
(8) і (9) вводяться
вибіркові
рівняння регресії
на
і
на
,
відповідно
(14)
(15)
2.4 Визначення параметрів вибіркового рівняння прямої лінії середньоквадратичної регресії за незгрупованих даних
Нехай під час
дослідження
кількісних
ознак (
,
)
у результаті
незалежних
випробувань
отримано
пар чисел:
,
,...,
.
Будемо шукати
функцію
в лінійному
наближенні
(все аналогічно
проводиться
і для функції
у випадку регресії
на
).
Крім того, у
припущенні
незгрупованих
даних спостережень
(різні значення
ознаки
і відповідні
їм значення
ознаки
спостерігалися
по одному разу)
і
можна замінити
на