Множественная регрессия

Сентябрь 2, 2022

Главная
Алгебра
Множественная регрессия

Содержание

3. Матричный метод
4. S=[3;6;5;3,5;1,5]’ B=[a;b1;b2]’
5. Скалярный метод
7. Регрессионная модель в стандартизованном масштабе
9. Δ=0,926291; Δ1=0,688461; Δ2=-0,44504; β1=0,688461/0,926291=0,743245; β2=-0,44504/0,926291=-0,48045;
11. Частные уравнения регрессии
14. Анализ качества эмпирического уравнения множественной линейной регрессии
15. H0 не отклоняется, параметр не значим H0 отклоняется, параметр значим
17. - Н0 не отклоняется, на уровне α уравнение не значимо - Н0 отклоняется, на уровне α
18. Исключение k факторов: исключение оправдано исключение не оправдано Н0 не отклоняется, исключение оправдано Н0 отклоняется, исключение
19. Включение k факторов: включение не оправдано включение оправдано Н0 не отклоняется, включение не оправдано Н0 отклоняется,
20. Частный случай: добавление одного фактора - частный F – критерий
21. Показатель множественной корреляции
22. Показатель частной корреляции
23. Для двухфакторной модели
24. Процедуры пошагового отбора переменных процедура последовательного присоединения процедура последовательного присоединения – удаления процедура последовательного удаления
25. Процедура «всех возможных регрессий»: Для заданного значения k (k=1,2,…,p-1) проводится полный перебор всех возможных комбинаций из
26. Таким образом: на первом шаге (k=1) находим один наиболее информативный фактор (при условии, что в модель
27. Критерий останова (завершения) процедуры: выбирается такое оптимальное число k0 факторов, на котором нижняя доверительная граница коэффициента
28. Гетероскедастичность -тест ранговой корреляции Спирмена Н0 отклоняется, гетероскедас- тичность имеет место
29. -тест Голдфелда-Квандта
30. -метод «взвешенных наименьших квадратов» 1.Дисперсии известны
31. 2.Дисперсии неизвестны
33. Автокорреляция остатков
34. -положительная автокорреляция -отрицательная автокорреляция
35. -метод рядов -положительная автокорреляция -отрицательная автокорреляция -нет автокорреляции
36. -критерий Дарбина - Уотсона - положительная автокорреляция - зона неопределенности - автокорреляция отсутствует; - зона неопределенности;
37. -авторегрессионная схема 1-го порядка AR(1)
39. Фиктивные переменные в регрессионных моделях
42. -тест Чоу
43. Данные в подвыборках описываются двумя уравнениями регрессии: 1. Различие между а1 и а2 значимо, между b1
44. 2. Различие между b1 и b2 значимо, между a1 и a2 – нет:
45. 3. Различия между b1 и b2, а также между a1 и a2 значимы:
47. Скачать презентацию

Слайд 2

Слайд 3

Матричный метод

Слайд 4

S=[3;6;5;3,5;1,5]’
B=[a;b1;b2]’

Слайд 5

Скалярный метод

Слайд 6

Слайд 7

Регрессионная модель в стандартизованном масштабе

Слайд 8

Слайд 9

Δ=0,926291; Δ1=0,688461; Δ2=-0,44504;
β1=0,688461/0,926291=0,743245;
β2=-0,44504/0,926291=-0,48045;

Слайд 10

Слайд 11

Частные уравнения регрессии

Слайд 12

Слайд 13

Слайд 14

Анализ качества эмпирического уравнения множественной линейной регрессии

Слайд 15

H0 не отклоняется, параметр не значим
H0 отклоняется, параметр значим

Слайд 16

Слайд 17

- Н0 не отклоняется, на уровне α уравнение не значимо
- Н0

отклоняется, на уровне α уравнение значимо

Слайд 18

Исключение k факторов:
исключение оправдано
исключение не оправдано
Н0 не отклоняется, исключение оправдано
Н0

отклоняется, исключение не оправдано

Слайд 19

Включение k факторов:
включение не оправдано
включение оправдано
Н0 не отклоняется, включение не оправдано
Н0

отклоняется, включение оправдано

Слайд 20

Частный случай: добавление одного фактора
- частный F – критерий

Слайд 21

Показатель множественной корреляции

Слайд 22

Показатель частной корреляции

Слайд 23

Для двухфакторной модели

Слайд 24

Процедуры пошагового отбора переменных
процедура последовательного присоединения
процедура последовательного присоединения – удаления
процедура последовательного

удаления

Слайд 25

Процедура «всех возможных регрессий»:
Для заданного значения k (k=1,2,…,p-1) проводится полный перебор

всех возможных комбинаций из k факторов (которые отобраны из исходного набора x1, x2,…,xp). Определяются такие переменные

для которых коэффициент детерминации с результатом был бы максимальным.

Слайд 26

Таким образом:
на первом шаге (k=1) находим один наиболее информативный фактор (при

условии, что в модель можно включать только один фактор из первоначального набора)
на втором шаге (k=2) определяется уже наиболее информативная пара факторов (из первоначального набора), имеющая наиболее тесную связь с результатом
на третьем шаге (k=3) будет отобрана наиболее информативная тройка факторов
и т.д.

Слайд 27

Критерий останова (завершения) процедуры:
выбирается такое оптимальное число k0 факторов, на котором

нижняя доверительная граница коэффициента детерминации достигает своего максимума. Эта граница вычисляется по формуле:

Слайд 28

Гетероскедастичность
-тест ранговой корреляции Спирмена
Н0 отклоняется, гетероскедас- тичность имеет место

Слайд 29

-тест Голдфелда-Квандта

Слайд 30

-метод «взвешенных наименьших квадратов»
1.Дисперсии известны

Слайд 31

2.Дисперсии неизвестны

Слайд 32

Слайд 33

Автокорреляция остатков

Слайд 34

-положительная автокорреляция
-отрицательная автокорреляция

Слайд 35

-метод рядов
-положительная автокорреляция
-отрицательная автокорреляция
-нет автокорреляции

Слайд 36

-критерий Дарбина - Уотсона
- положительная автокорреляция
- зона неопределенности
- автокорреляция отсутствует;
- зона

неопределенности;

- отрицательная автокорреляция.

Слайд 37

-авторегрессионная схема 1-го порядка AR(1)

Слайд 38

Слайд 39

Фиктивные переменные в регрессионных моделях

Слайд 40

Слайд 41

Слайд 42

-тест Чоу

Слайд 43

Данные в подвыборках описываются двумя уравнениями регрессии:
1. Различие между а1 и

а2 значимо, между b1 и b2 – нет:

Слайд 44

2. Различие между b1 и b2 значимо, между a1 и a2

– нет:

Слайд 45

3. Различия между b1 и b2, а также между a1 и

a2 значимы: