Xreferat.com » Рефераты по экономико-математическому моделированию » Основы практического использования прикладного регрессионного анализа

Основы практического использования прикладного регрессионного анализа

/>-критерий Пирсона, F-критерий Фишера), однако в обычной ситуации проверка стационарности осуществляется при высокой неопределенности относительно исследуемого процесса. В этом случае целесообразно использовать непараметрические критерии, например, критерий серий и критерий тренда

Критерий тренда основан на подсчете числа случаев, когда Основы практического использования прикладного регрессионного анализа для Основы практического использования прикладного регрессионного анализа в последовательности N наблюденных значений величины x.

Такое неравенство называется инверсией, а их число k определяется из соотношения


Основы практического использования прикладного регрессионного анализа,


где


Основы практического использования прикладного регрессионного анализа

Основы практического использования прикладного регрессионного анализа


Число инверсий есть также случайная величина со средним


Основы практического использования прикладного регрессионного анализа


и дисперсией

Основы практического использования прикладного регрессионного анализа.


Область принятия гипотезы ограничена интервалом Основы практического использования прикладного регрессионного анализа.

Критерий тренда обладает большей мощностью при выявлении монотонного тренда, однако при выявлении колебательного тренда его мощность невелика, в этом случае целесообразнее использовать критерий серий.

Критерии проверки гипотезы стационарности обладают рядом особенностей:

1) Нет необходимости знать ширину полосы частот исследуемых процессов;

2) Не требуется точно знать время осреднения, использованное для вычисления средних и квадратов отклонений от средних;

3) Для проверки не обязательно, чтобы исследуемые процессы были полностью случайными. При изучении процессов может возникнуть случай, когда независимость от времени средних и квадратов не является достаточным условием для утверждения о независимости от времени автокорреляционной функции.


1.3 Обнаружение выбросов в выборке


Выбросом среди остатков представляет собой остаток, который значительно превосходит по абсолютной величине остальные и отличается от среднего по остаткам на три, четыре или даже более стандартных отклонений.

Для обнаружения выбросов необходимо построить график остатков, определённых по формуле

Основы практического использования прикладного регрессионного анализа


В случае если Основы практического использования прикладного регрессионного анализа, данная точка будет характеризовать выброс. Следует отметить, что иногда выброс может дать полезную информацию. В этом случае необходимо более тщательное исследование выбросов, а не механическое их отбрасывание. Выбросы должны быть исключены сразу если выясняется, что они вызваны такими причинами, как ошибки в регистрации данных, неудовлетворительная настройка аппаратуры и т.д. Если имеется не одно аномальное измерение, то критерий Основы практического использования прикладного регрессионного анализаих не обнаруживает, особенно если анализируется менее 30 измерений.


1.4 Мультиколлинеарность переменных


Одно из основных предположений регрессионного анализа относится к матрице исходных данных: среди независимых переменных не должно быть линейно зависимых. Это требование необходимо для вычисления оценки Основы практического использования прикладного регрессионного анализа методом наименьших квадратов.

Мультиколлинеарность приводит к:

1)снижению точности, дисперсия оценок увеличивается, параметры модели коррелированны, что приводит к трудностям в интерпретации модели;

2)оценки коэффициентов становятся чувствительны к особенностям множества выборочных данных.

Причиной мультиколлинеарности могут служить:

1) наличие автокорреляции в ряду наблюдений;

2) корреляция между переменными;

3) высокий уровень помех.

Под мультиколлинеарностью будем понимать сопряженность независимых переменных, это означает "почти линейную зависимость" векторов Основы практического использования прикладного регрессионного анализа, т.е. существование чисел Основы практического использования прикладного регрессионного анализа таких, что:


Основы практического использования прикладного регрессионного анализа (3.3)


Когда равенство (3.3) имеет место, говорят о строгой мультиколлинеарности.

При наличии мультиколлинеарности оценки МНК становятся положительными, т.е. дисперсия оценок будет весьма большой. При наличии (3.3) матрица Основы практического использования прикладного регрессионного анализа становится плохо обусловленной, в частности Основы практического использования прикладного регрессионного анализа, т.е. Основы практического использования прикладного регрессионного анализа.


1.4.1 Рекомендации по устранению мультиколлинеарности

Наиболее простой способ устранения мультиколлинеарности – исключение одной переменной из пары переменных, коэффициент корреляции между которыми больше 0,8.

Простейшие рекомендации по устранению мультиколлинеарности сводятся к сокращению рассматриваемого множества объясняющих переменных за счет тех из них, которые линейно связаны с уже включенными в модель. Выполнение этих рекомендаций ведет к построению сокращенной модели, которая не всегда соответствует требованию наблюдательности и управляемости. Чтобы избежать нежелательных эффектов мультиколлинеарности, сохранив при этом весь интересующий нас набор объясняющих переменных, предлагается увеличить размеры выборки путем получения дополнительной информации. Ясно, что не любое произвольное увеличение выборки ведет к ослаблению эффектов мультиколлинеарности.

Часто для устранения мультиколлинеарности используют приемы, основанные на предварительном преобразовании исходных данных путем получения отклонений от тренда. Однако, регрессионная модель, полученная благодаря таким преобразованиям, слабо поддается интерпретации. Иногда используют априорную информацию об имеющихся между параметрами связях в виде ограничений при вычислении оцениваемых параметров регрессии. За исключением простейших случаев, реализация этих подходов достигается существенным усложнением вычислительной процедуры нахождения оценок. Широкое распространение получили методы устранения мультиколлинеарности, основанные на замене исходного множества объясняющих переменных главными компонентами с последующим отбрасыванием тех из них, которые незначительны в уравнении регрессии. Близким к рассмотренному можно считать методы, основанные не на компонентном, а на факторном анализе, причем аналогия прослеживается как по достоинствам, так и по недостаткам.

В тех случаях, когда перечень объясняющих переменных регрессионной модели слишком велик, рекомендуется разделить их на группы высоко коррелированных и в каждой группе построить обобщающие факторы в виде главной компоненты, которые далее используются как новые переменные строящейся модели.


1.4.2 Доверительные интервалы для уравнения регрессии

Для проведения углубленного анализа уравнения регрессии прежде всего необходимо убедиться в том, что вектор ошибок Е распределен по нормальному закону. Для построения доверительных интервалов коэффициентов модели, предсказанных значений уравнения регрессии, среднего значения используются стандартные статистические распределения, требующие нормальности распределений.

1.4.3 Определение доверительного интервала для истинного значение уравнения регрессии

Определение доверительного интервала сводится к отысканию интервала, в котором с вероятностью Основы практического использования прикладного регрессионного анализа содержится истинное значение Основы практического использования прикладного регрессионного анализа, соответствующее некоторому опыту Основы практического использования прикладного регрессионного анализа из матрицы наблюдений Основы практического использования прикладного регрессионного анализа.

Другими словами, имеется интервал, в котором с заданной вероятностью находится линия регрессии.

Подставляя Основы практического использования прикладного регрессионного анализа в эмпирическое уравнение регрессии получим оценки Основы практического использования прикладного регрессионного анализа для каждого наблюдения Основы практического использования прикладного регрессионного анализа вида:


Основы практического использования прикладного регрессионного анализа


Различие между Основы практического использования прикладного регрессионного анализа и Основы практического использования прикладного регрессионного анализа объясняется действием различных ошибок.

Отметим, что Основы практического использования прикладного регрессионного анализа имеет случайный характер, оценки Основы практического использования прикладного регрессионного анализа и Основы практического использования прикладного регрессионного анализа распределены нормально с параметрами


Основы практического использования прикладного регрессионного анализа,

Основы практического использования прикладного регрессионного анализа.


Можно утверждать, что Основы практического использования прикладного регрессионного анализа. Другими словами y является состоятельной оценкой истинного значения Основы практического использования прикладного регрессионного анализа, соответствующего опыту Основы практического использования прикладного регрессионного анализа, т.е. при неограниченном числе опытов эмпирическая линия регрессии совпадает с действительной зависимостью


Основы практического использования прикладного регрессионного анализа

Составляя дробь Стьюдента, получаем:


Основы практического использования прикладного регрессионного анализа.


Задавшись уровнем значимости Основы практического использования прикладного регрессионного анализа и найдя табличное значение Основы практического использования прикладного регрессионного анализа можно построить достоверный интервал для Основы практического использования прикладного регрессионного анализа в виде

Основы практического использования прикладного регрессионного анализа.


1.4.4 Свойства доверительных интервалов

а) Доверительный интервал симметричен относительно выборочной оценки Основы практического использования прикладного регрессионного анализа;

б) Ширина доверительного интервала зависит от Основы практического использования прикладного регрессионного анализа и Основы практического использования прикладного регрессионного анализа;

в) Ширина доверительного интервала минимальна, если Основы практического использования прикладного регрессионного анализа, (ортогональны);

г) Ширина доверительного интервала равна бесконечности, если:

вектор-столбцы Основы практического использования прикладного регрессионного анализа и Основы практического использования прикладного регрессионного анализа в матрице наблюдений Основы практического использования прикладного регрессионного анализа коллинеарные, т.е.если:


Основы практического использования прикладного регрессионного анализа


д) В общем случае в регрессионных уравнениях доверительный интервал для отдельно взятого регрессионного коэффициента Основы практического использования прикладного регрессионного анализа определяется выражением


Основы практического использования прикладного регрессионного анализа

1.5 Адекватность модели


Существует соотношение, которое можно использовать для оценки адекватности модели, сравнивая Основы практического использования прикладного регрессионного анализаи Основы практического использования прикладного регрессионного анализа. Расчетное Основы практического использования прикладного регрессионного анализа определяется по формуле

Основы практического использования прикладного регрессионного анализа (3.4)


Табличное значение Основы практического использования прикладного регрессионного анализа берется с таблиц с определенным числом степенем свобода и для притятого уровня значимості Основы практического использования прикладного регрессионного анализа.Если расчетное значение Основы практического использования прикладного регрессионного анализа більше Основы практического использования прикладного регрессионного анализа, то это значит, что дисперсия MSR статистически меньше дисперсии MSD относительно Основы практического использования прикладного регрессионного анализа,в этом случае полученное уравнение регрессии можно считать дееспособным.

2. ПРАКТИЧЕСКАЯ ЧАСТЬ


Поставлена следующая задача: построить зависимость количества выигранных голов от характеристик сыгранных игр на основе модели множественной регрессии.

На основе имеющейся выборки сделаем следующие оценки:


Основы практического использования прикладного регрессионного анализа


параметры модели βi (для данной модели существенными являются переменные WIN и DP):

Основы практического использования прикладного регрессионного анализа


оценки: множественный коэффициент корреляции R, R2 ,F, p, и Std Error of estimate:

Основы практического использования прикладного регрессионного анализа

график для вычисленных значений и исходных:


Основы практического использования прикладного регрессионного анализа


К такому ряду можно применить модель линейной регрессии, так как он стационарный;

построение регрессии:


Основы практического использования прикладного регрессионного анализа

По графику видно, что в целом модель адекватна: практически все значения легли на линию регрессии;

гистограммы исходных и вычисленных значений имеют нормальное распределение:


Основы практического использования прикладного регрессионного анализа


Основы практического использования прикладного регрессионного анализа


ВЫВОД


Как показано выше, множественная регрессии применима в случае стационарности ряда и позволяет производить мониторинг результатов, основываясь на предикторах.

В общественных и естественных науках процедуры множественной регрессии чрезвычайно широко используются в исследованиях. В общем, множественная регрессия позволяет исследователю задать вопрос (и, вероятно, получить ответ) о том, "что является лучшим предиктором для...". Например, исследователь в области образования мог бы пожелать узнать, какие факторы являются лучшими предикторами успешной учебы в средней школе. А психолога мог быть заинтересовать вопрос, какие индивидуальные качества позволяют лучше предсказать степень социальной адаптации индивида. Социологи, вероятно, хотели бы найти те социальные индикаторы, которые лучше других предсказывают результат адаптации новой иммигрантской группы и степень ее слияния с обществом. Термин "множественная" указывает на наличие нескольких предикторов или регрессоров, которые используются в модели, следовательно такая модель увеличивает спектр анализа регрессоров, что позволит построить более точный прогноз.


ПЕРЕЧЕНЬ ССЫЛОК


Демиденко Е.З. Линейная и нелинейная регрессии. – М.: Финансы и статистика, 2010. – 302 с

Дрейпер Н., Смит Г. Прикладной регрессионный анализ. – М.: Статистика, 2009. - 437 с.

Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. Пер. с англ. – М.: Мир, 1982. – 488 с.

Тюрин Ю.Н.., Макаров А.А. Статистический анализ данных на компьютере.- М.:Инфра, 1997.-528с.

www.statsoft

Ясницкий Л.Н. Введение в искусственный интеллект. М. Academia, 2005г.,176 стр.: ил.

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: