Студопедия

Главная страница Случайная страница

КАТЕГОРИИ:

АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника






Уравнение в отклонениях






 

Значения переменных и могут быть измеримы в отклонениях от средних значений, введем новые переменные .

Начало координат при этом переместится в точку и из геометрических соображений ясно, что решением задачи будет та же прямая на плоскости , что и для исходных данных , только . Решая систему в новых переменных МНК, получим формулы:

.

Поэтому значение и основная смысловая нагрузка ложится на коэффициент .

Определение. Коэффициент называется выборочным коэффициентом регрессии (или просто коэффициентом регрессии) по .

Коэффициент регрессии по показывает, на сколько единиц в среднем изменяется переменная при увеличении переменной на одну единицу.

Запишем уравнение регрессии в ином виде, т.к. , то, подставив правую часть этого равенства в уравнение , получим

эквивалентный вид

т.о. .

На первый взгляд, подходящим измерителем тесноты связи от является коэффициент регрессии , ибо, как уже было сказано, он показывает, на сколько единиц в среднем изменяется , когда увеличивается на одну единицу. Однако зависит от единиц измерения переменных (например, он увеличится в 100 раз, если измерять не в метрах, а в сантиметрах).

Очевидно, что для исправления как показателя тесноты связи нужна такая стандартная система единиц измерения, в которой данные по различным характеристикам оказались бы сравнимы между собой. Статистика знает такую систему единиц. Эта система использует в качестве единицы измерения переменной её среднее квадратическое отклонение .

В этой системе величина показывает, на сколько величин изменится в среднем , когда увеличится на одно .

Величина является показателем тесноты связи и называется выборочным коэффициентом корреляции (коэффициентом корреляции). Ниже, на рисунке 2 изображены варианты a) - d) полей корреляции.

(удалить надписи, добавить названия осей)

a) b) c) d)

 

Рис 2.

На рис.2 b) исходные данные расположены плотнее к прямой – функции регрессии, нежели данные рис.2 a), а на рис. 2 c) – d) все данные расположены на прямой.

Свойства коэффициента корреляции:

1) , т.к. ;

2) при , корреляционная связь представляет линейную функциональную зависимость. При этом все наблюдаемые значения располагаются на прямой (рис. 2 c) – d));

 

3) при линейная связь отсутствует (рис. 3), при этом близость к нулю не означает отсутствия связи между признаками, она может оказаться достаточно тесной.

Рис. 3

 

Для практических расчетов наиболее удобна формула:

т.к. по этой формуле находится непосредственно из данных наблюдений, и на значении не скажутся округление данных, связанные с расчетом средних и отклонений от них.

 

1.3. Оценка значимости уравнения регрессии

Проверить значимость уравнения регрессии - значит установить, соответствует ли математическая модель, выражающая зависимость между переменными, экспериментальным данным и достаточно ли включенных в уравнение объясняющих переменных (одной или нескольких) для описания зависимой переменной.

Проверка значимости уравнения регрессии производится на основе дисперсионного анализа.

Обозначим через - теоретически вычисляемые по формуле значения, тогда

Преобразуем формулу дисперсии с учетом вышеуказанной суммы:

Далее

Так как имеет место равенство ,

и из МНК следуют два соотношения ,

то

(*)

Введем обозначения:

TSS (total sum of sguares) – вся дисперсия: сумма квадратов отклонений от среднего.

RSS (regression sum of sguares) – объясненная часть всей дисперсии (обусловленная

регрессией), факторная, объясненная дисперсия.

ESS (error sum of sguares) – остаточная сумма, дисперсия остаточная.

Определение. Коэффициентом детерминации, или долей объясненной дисперсии

называется

.

В силу определения .

Если , то это означает, что регрессия ничего не дает, т.е. не улучшает качество предсказания , по сравнению с тривиальным .

Если , то лежат на линии регрессии и между и y существует линейная функциональная зависимость, т.е. абсолютно точное совпадение: .

Для линейной регрессии определяется коэффициент регрессии по формуле:

или .

 

 

Тогда

- получившаяся формула есть дисперсия объясненная, факторная, тогда ;

 

отсюда, можно построить коэффициент (индекс корреляции) для нелинейной регрессии

.

Т.к. формулы для связи TSS, RSS, ESS мы получили в предположении что , то при , полученная формула не будет справедливой.

 


Поделиться с друзьями:

mylektsii.su - Мои Лекции - 2015-2024 год. (0.011 сек.)Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав Пожаловаться на материал