- •К лабораторной работе № 6
- •Севастополь
- •1 Цель работы
- •2 Теоретические сведения
- •2.1 Несколько независимых переменных
- •2.2 Корреляционная матрица
- •2.3 Многомерная регрессионная модель
- •2.4 Статистический анализ модели многомерной регрессии
- •2.4.1 Разложение дисперсии
- •2.4.2 Стандартная ошибка дисперсии
- •2.4.3 Значимость регрессии
- •2.4.4 Отдельные независимые переменные
- •2.4.5 Прогнозирование будущих значений зависимой переменной
- •2.5 Фиктивные переменные
- •2.6 Мультиколлинеарность
- •2.7 Выбор «наилучшего» уравнения регрессии
- •2.7.1 Общие подходы к выбору уравнения регрессии
- •2.7.2 Анализ всех возможных регрессий
- •2.7.3 Пошаговая регрессия
- •2.8 Регрессионная диагностика и анализ остатков
- •3 Практическая часть
- •3.1 Постановка задачи
- •3.2 Пример использования Minitab for Windows для построения уравнения регрессии
- •4 Порядок выполнения работы
- •5 Контрольные вопросы
- •Библиографический список
- •Приложение а Исходные данные
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ
Севастопольский национальный технический университет
Кафедра Экономики и маркетинга
Методические указания
К лабораторной работе № 6
”Многомерный регрессионный анализ в Minitab for Windows и MS Excel “
по дисциплине “Прогнозирование деятельности предприятия”
для студентов всех форм обучения
Севастополь
2008
СОДЕРЖАНИЕ
1 Цель работы 4
2 Теоретические сведения 4
2.1 Несколько независимых переменных 4
2.2 Корреляционная матрица 4
2.3 Многомерная регрессионная модель 5
2.4 Статистический анализ модели многомерной регрессии 6
2.5 Фиктивные переменные 10
2.6 Мультиколлинеарность 10
2.7 Выбор «наилучшего» уравнения регрессии 11
2.8 Регрессионная диагностика и анализ остатков 15
3 Практическая часть 18
3.1 Постановка задачи 18
3.2 Пример использования Minitab for Windows для построения уравнения регрессии 18
4 Порядок выполнения работы 25
5 Контрольные вопросы 25
Библиографический список 26
Приложение А Исходные данные 27
1 Цель работы
Ознакомиться с основными возможностями применения многомерного регрессионного анализа для прогнозирования данных с использованием Minitab for Windows.
2 Теоретические сведения
2.1 Несколько независимых переменных
Для точного прогнозирования зависимой переменной часто требуется знать значения более чем одной независимой переменной. Регрессионные модели с более чем одной независимой переменной называются моделями многомерной регрессии. Большинство понятий, введенных для простой линейной регрессии, распространяется и на многомерную регрессию.
Новая независимая переменная не должна быть тесно связана с уже использованной независимой переменной. Если две независимые переменные тесно связаны, то они будут объяснять одну и ту же изменчивость, и поэтому добавление второй переменной не позволит улучшить прогнозирование.
В таких областях, как эконометрика и прикладная статистика, значительная часть возникающих проблем связана как раз с взаимной корреляцией между независимыми переменными. Подобное состояние обычно называют мультиколлинеарностью. Простое решение проблемы наличия двух тесно связанных независимых переменных состоит в том, чтобы не использовать их вместе. Проблема мультиколлинеарности будет рассмотрена ниже.
Таким образом, выделяют следующие признаки независимой переменной:
-
связана с зависимой переменной;
-
не имеет тесной связи с любой другой независимой переменной.
2.2 Корреляционная матрица
Для оценки переменных используют корреляционную матрицу. Корреляционная матрица составляется из коэффициентов корреляции, вычисленных для каждой возможной пары переменных.
Пример корреляционной матрицы приведен в табл. 1.
Таблица 1 – Пример корреляционной матрицы
Переменные |
1 |
2 |
3 |
1 |
r11 |
r12 |
r13 |
2 |
r21 |
r22 |
r23 |
3 |
r31 |
r32 |
r33 |
В табл. 1 через r12 обозначен коэффициент корреляции, показывающий взаимосвязь между переменными 1 и 2. Отметим, что первый индекс задает номер строки, а второй – номер столбца таблицы. Такой подход позволяет проанализировать взаимозависимость, существующую между двумя любыми переменными. Безусловно, корреляция, например, между переменными 1 и 2 точно такая же, как и между переменными 2 и 1, а значит r12 = r21. Следовательно, для анализа достаточно рассмотреть только половину корреляционной матрицы. Кроме того, корреляция каждой переменной с самой собой всегда равна 1.
Анализ корреляционной матрицы – это первый шаг при решении любой задачи, в которой имеется несколько независимых переменных.