Содержание
- 2. 2 Остаток в любом наблюдении определяется разницей между фактическим и расчетным значениями Y для этого наблюдения.
- 3. 3 Вначале заменим расчетное значение выражением для него. Точность расчетной модели Два полезных результата:
- 4. 4 Просуммируем все наблюдения. Точность расчетной модели Два полезных результата:
- 5. 5 Разделив на n, мы получим среднее значение остатков, выраженное через значения X, Y и коэффициенты
- 6. 6 Если мы заменим b1, выражение будет равно нулю. Два полезных результата: Точность расчетной модели
- 7. 7 Этот результат можно записать в другом виде: сумма остатков должна быть равна нулю. Точность расчетной
- 8. 8 Из этого результата следует, что среднее значение расчетных значений Y равно среднему значению фактических значений
- 9. 9 Опять начнем с определения остатка. Точность расчетной модели Два полезных результата: Дальнейшие результаты:
- 10. 10 Просуммируем все наблюдения. Точность расчетной модели Два полезных результата: Дальнейшие результаты:
- 11. 11 В левой части сумма остатков равна нулю. Теперь выражение разделим на n. Точность расчетной модели
- 12. Следовательно, среднее значение расчетных значений равно среднему значению фактических значений. 12 Точность расчетной модели Два полезных
- 13. 13 Далее покажем, что сумма произведений значений X и остатков равна нулю. Точность расчетной модели Два
- 14. 14 Начнем с замены остатка его выражением через Y и X. Точность расчетной модели Два полезных
- 15. 15 Упростим выражение. Точность расчетной модели Два полезных результата: Дальнейшие результаты:
- 16. 16 Выражение равно нулю. Одним из способов продемонстрировать это: заменить b1 и b2 и показать, что
- 17. 17 Точный способ - вспомнить условие первого порядка для b2 при выводе коэффициентов регрессии. Вы можете
- 18. 18 Наконец, побочным результатом нашего последнего расчета, является равенство нулю суммы произведений расчетных значений Y и
- 19. 19 Сначала подставим расчетные значения Y. Точность расчетной модели Два полезных результата: Дальнейшие результаты:
- 20. 20 Производим расчеты. Точность расчетной модели Два полезных результата: Дальнейшие результаты:
- 21. 21 Выражение равно нулю, учитывая ранее полученные результаты. Точность расчетной модели Два полезных результата: Дальнейшие результаты:
- 22. 22 Мерой вариации Y является сумма его квадратов отклонений от среднего значения выборки. Это называется общей
- 23. 23 Мы разложим общую сумму квадратов, используя тот факт, что фактическое значение Y в любом наблюдении
- 24. 24 Подставим Yi. Точность расчетной модели
- 25. 25 Перегруппируем члены. Точность расчетной модели
- 26. 26 Разложим квадрат в правой части уравнения. Точность расчетной модели
- 27. 27 Разложим третий член в правой части уравнения. Точность расчетной модели
- 28. 28 Последние два члена равны нулю, учитывая ранее полученные результаты. Точность расчетной модели
- 29. 29 Мы показали, что TSS, общая сумма квадратов Y может быть разложена на ESS, объяснённую сумму
- 30. Слова, «объясненные» и «необъяснимые», заключены в кавычки, потому что объяснение может быть ложным. Y может действительно
- 31. Правильнее, «явно объясненные» вместо «объясненные». 31 Точность расчетной модели ESS, explained sum of squares TSS, total
- 32. 32 Основным критерием точности расчетной модели является коэффициент детерминации R2, определяемый как отношение ESS к TSS,
- 33. 33 Статистика для регрессии почасового заработка по годам обучения. Точность расчетной модели . reg EARNINGS S
- 34. 34 Заголовок столбца «SS» обозначает суммы квадратов. ESS, названная как «модельная» сумма квадратов, составляет 19322. TSS
- 35. 35 Разделив ESS на TSS, мы имеем R2 = 19,322 / 112,010 = 0.1725, как указано
- 36. 36 Низкий R2 частично объясняется тем, что в модели отсутствуют важные переменные, такие как опыт работы.
- 37. 37 Это также частично объясняется тем фактом, что ненаблюдаемые характеристики важны для определения зарплаты, R2 редко
- 38. 38 Мы хотим построить уравнение регрессии так, чтобы точность была максимально возможной согласно R2 . Возможно
- 39. 39 Чтобы увидеть это, перепишите выражение для R2 в терминах RSS. Точность расчетной модели
- 40. 40 При МНК коэффициенты регрессии выбираются таким образом, чтобы минимизировать сумму квадратов остатков. Из этого автоматически
- 41. Другим критерием точности является корреляция между фактическими и расчетными значениями Y. Если для расчета коэффициентов регрессии
- 42. Заменим фактическое значение Y в первом сомножителе. 42 Точность расчетной модели
- 43. Делаем перестановки. 43 Точность расчетной модели
- 44. Разложим выражение. Последние два члена равны нулю. 44 Точность расчетной модели
- 45. Таким образом, числитель равен сумме квадратов отклонений расчетных значений Y от среднего значения Y. 45 Точность
- 46. Мы имеем то же выражение под квадратным корнем в знаменателе. Следовательно, это выражение под квадратным корнем
- 48. Скачать презентацию