- •К лабораторной работе № 5
- •Севастополь
- •1 Цель работы
- •2 Теоретические сведения
- •2.1 Простая линейная регрессия. Прямая регрессии
- •2.2 Стандартная ошибка оценки
- •2.3 Прогнозирование величины y
- •2.4 Разложение дисперсии
- •2.5 Коэффициент детерминации
- •2.6 Проверка гипотез
- •2.7 Анализ остатков
- •2.8 Преобразования переменных
- •3 Практическая часть
- •3.1 Постановка задачи
- •3.2 Пример использования Minitab for Windows для построения уравнений регрессии
- •3.3 Пример использования ms Excel для построения уравнений регрессии
- •4 Порядок выполнения работы
- •5 Контрольные вопросы
- •Библиографический список
- •Приложение а Исходные данные для задания 1
2.8 Преобразования переменных
Хотя модель простой линейной регрессии предполагает прямолинейную зависимость между величинами Y и X, в общем случае модель линейной регрессии относится к моделям, линейным относительно неизвестных . До тех пор, пока функция регрессии является линейной по всем , независимые переменные X могут входить в уравнение различным образом, и при этом стандартная методология регрессии будет по-прежнему применима. В подобных случаях регрессионные модели могут быть использованы для моделирования сложных взаимосвязей между величинами Y и X (или несколькими переменными X) или же для моделирования прямолинейной взаимосвязи между величиной Y и некоторой функцией (преобразованием) от величины X.
Когда диаграмма рассеивания указывает, что в данных присутствует нелинейная зависимость между Y и X, возможны два основных подхода к исследованию этих данных. Первый из них – подобрать для значений данных такую функцию регрессии, которая даст расположение точек на графике, приблизительно соответствующее имеющемуся, а затем использовать найденную взаимозависимость для составления прогноза.
Второй подход предполагает преобразование переменной X в другой вид таким образом, чтобы полученная в результате взаимосвязь между модифицированным X и Y оказалась линейной.
Для создания новых независимых переменных чаще всего используются четыре типа преобразований (функций) – обратная, логарифмическая, квадратный корень и квадратная.
Если точки этих функций расположить на графике вместе с соответствующими значениями Y, можно надеяться, что нелинейную взаимосвязь между Y и X удастся привести к линейной зависимости между Y и одной из преобразованных переменных X. Если преобразование будет успешным, величину Y и эту новую переменную можно будет исследовать с помощью модели прямолинейной регрессии.
3 Практическая часть
3.1 Постановка задачи
Осуществить прогнозирование данных с использованием регрессионного анализа в системе Minitab for Windows (задание 1, 2) и приложении MS Excel (задание 1).
Задание 1.
Построить уравнение регрессии, отражающее взаимосвязь между объемом продаж и ценой товара (таблица 1). Определить прогноз при цене 1,55
Таблица 1 – Данные о цене и объеме продаж товара
Объем продаж, шт. |
6 |
5 |
12 |
10 |
15 |
5 |
12 |
17 |
20 |
23 |
11 |
7 |
9 |
13 |
Цена, грн. |
2 |
1,7 |
1,5 |
1,6 |
1,2 |
1,6 |
1,4 |
1 |
1,1 |
1 |
1,4 |
1,6 |
1,6 |
1,4 |
Задание 2.
Построить уравнение регрессии характеризующее изменение объемов продаж вычислительной техники исходя из расходов на рекламу (таблица 2).
Объем продаж, тыс.шт. |
1,1 |
1,7 |
2,6 |
2,4 |
2,3 |
2,9 |
0,4 |
3,2 |
3,3 |
3,1 |
3,2 |
3 |
3,7 |
3,3 |
Расходы на рекламу, тыс.грн. |
3,9 |
4,9 |
7,6 |
6,8 |
5,9 |
9,1 |
3,4 |
11,6 |
14,1 |
14,9 |
10,5 |
9,9 |
17,1 |
12,4 |