- •2. Суть корреляционного и регрессионного анализа. Основные задачи решаемые методами анализа
- •3. Поле корреляции
- •4. Линейная регрессия и корреляция, смысл и оценка параметров. Сопряженные регрессионные прямые
- •5. Метод наименьших квадратов (мнк). Обобщенный мнк
- •6. Свойства оценок мнк. Проверка качества уравнения регрессии.
- •7. Проверка значимости коэффициента корреляции и коэффициента детерминации
- •8. Оценка существенности параметров линейной регрессии и корреляции.
- •9. Интервалы прогноза по линейному уравнению регрессии. Проверка значимости оценок параметров регрессии
- •10 Влияние неучтенных факторов на коэффициент корреляции
- •11. Распределение коэффициентов регрессии и корреляции
- •12. Множественная регрессия.
- •13. Линейная модель множественной регрессии. Проверка линейности модели
- •14. Спецификация модели. Коэффициент множественной детерминации. Коэффициент частной детерминации. Коэффициент частной детерминации между объясняющими переменными
- •15. Отбор факторов при построении множественной регрессии
- •16. Мультиколлениарность
- •17. Выбор формы уравнения регрессии
- •18. Оценка параметров уравнения множественной регрессии.
- •19. Обобщенный метод наименьших квадратов
- •20. Частные уравнения регрессии
- •21. Множественная корреляция.
- •22. Частная корреляция.
- •23. Оценка надежности результатов множественной регрессии и корреляции.
- •24. Нелинейные модели регрессии. Множественная нелинейная регрессия
- •25. Логарифмические модели
- •26. Полулогарифмические модели
- •33. Метод максимального правдоподобия
- •34. Метод линеаризации
- •35. Коэффициент детерминации. Коэффициент конкордации
- •36. Функция правдоподобия в математической статистике - это совместное распределение выборки из параметрического распределения как функция параметра.
- •37. Метод Бокса-Кокса
- •38. Коэффициент ранговой корреляции Спирмена.
- •39. Коэффициенты эластичности
- •40. Фиктивные переменные
- •41. Проверка значимости для коэффициента корреляции
- •42. Проверка значимости для коэффициента детерминации.
- •43. Проверка линейной регрессии
- •44. Коэффициент детерминации при простой линейной регрессии.
- •45. Коэффициент множественной детерминации
- •46. Коэффициент частной детерминации
- •47. Коэффициент детерминации между объясняющими переменными
- •48. Стандартные ошибки оценок
42. Проверка значимости для коэффициента детерминации.
При выполнении процедуры проверки значимости коэффициента детерминации выдвигается нулевая гипотеза Н0 против альтернативной Н1 которые заключаются в следующем.
Н0: существенного различия между выборочным коэффициентом детерминации и коэффициентом детерминации генеральной совокупности B(г) = 0 нет.
Эта гипотеза равносильна гипотезе Н0: = β1=β2=…βm=0, т. е. ни одна из объясняющих переменных, включенных в регрессию, не оказывает существенного влияния на зависимую переменную.
Н1: выборочный коэффициент детерминации существенно больше коэффициента детерминации генеральной совокупности B(г) = 0.
Из постановки задачи ясно, что следует использовать одностороннюю критическую область. Принятие гипотезы Н1 означает, что по крайней мере одна из m объясняющих переменных, включенных в регрессию, оказывает существенное влияние на переменную у.
Для оценки значимости парного коэффициента детерминации используется статистика
(8.50)
имеющая F-распределение Фишера с f1=m=1 и f2=n-2степенями свободы. Значение статистики, вычисленное по (8.50), сравнивается с критическим значением этой статистики, найденным по табл. 4 приложения при заданном уровне значимости α и соответствующем числе степеней свободы. Если F > Ff1;f2;α , то вычисленный коэффициент детерминации значимо отличается от нуля. Этот вывод обеспечивается с вероятностью 1- α.
Пример
В разделе 3.2 был вычислен по п = 14 предприятиям коэффициент детерминации для регрессии, отражающей зависимость производительности труда от уровня механизации работ, Bvx = 0,938. По (8.50) получим
Зададимся уровнем значимости α = 0,05. Числа степеней свободы соответственно следующие: f1 = 1 и f 2 = 12. По табл. 4 приложения находим критическое значение F1;12;0,05 = 4,747. Вследствие того что F>F1;12;0,05, делаем вывод, что Вух существенно отличается от нуля, и, следовательно, включенные в регрессию переменные достаточно объясняют зависимую переменную.
Можно показать, что при fx = 1 всегда F = t2. Тогда (8.50) можно записать в виде
(8.51)
Эта величина имеет F-распределение с f=п-2 степенями свободы. Если мы теперь учтем, что В = r2 (см. (4.13)), то отсюда следует, что с помощью критерия (8.51) можно проверить также значимость коэффициента корреляции.
Оценка значимости коэффициента множественной детерминации производится с помощью статистики
(8.52)
которая имеет F-распределение с f1= m и f2= n-т-1 степенями свободы. Здесь т - количество учитываемых объясняющих переменных. Значение статистики (8.52), вычисленное по эмпирическим данным, сравнивается с табличным значением Ff1;f2;α. Критическое значение определяется по табл. 4 приложения по заданному α и степеням свободы f1 и f2. Правило проверки аналогично процедуре оценки значимости коэффициента парной детерминации.
Пример
В разделе 3.3 были вычислены два коэффициента множественной детерминации, Ву.12 = 0,9447 и Ву.123 = 0,9541, по п = 14 наблюдениям соответственно для т = 2 и т = 3 объясняющих переменных. Имеем:
Итак, в обоих случаях F > Ff1;f2;α. Коэффициенты множественной детерминации существенно отличны от нуля, и, следовательно, рассматриваемые регрессии достаточно определены включенными переменными. Для оценки значимости коэффициента частной детерминации используется статистика
(8.53)
которая имеет f-распределение с f1 = т и f2 = n-m-p-1степенями свободы. Здесь р число переменных, исключенных при вычислении коэффициентов частной детерминации. Процедура проверки значимости аналогична описанным выше.