Проверка гипотез, относящихся к коэффициентам регрессии

Содержание

Слайд 2

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Тестирование гипотез составляет основную часть основы эконометрики,

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ Тестирование гипотез составляет основную часть основы
и важно иметь четкое понимание теории.

2

Moдель

X неизвестное μ, σ2

Оценочная функция

Review chapter

Модель регрессии

Слайд 3

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Теория, обсуждаемая в разделах R.9-R.11 главы обзора,

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ Теория, обсуждаемая в разделах R.9-R.11 главы
является нетривиальной и требует тщательного изучения. Эта последовательность является чисто механической и никоим образом не является заменителем.

3

Модель

X неизвестное μ, σ2

Оценочная функция

Review chapter

Модель регрессии

Слайд 4

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Если вы не понимаете, например, взаимные уступки

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ Если вы не понимаете, например, взаимные
между размером (уровнем значимости) и мощностью теста, вы должны изучить материал в этих разделах, прежде чем смотреть на эту последовательность.

4

Модель

X неизвестное μ, σ2

Оценочная функция

Review chapter

Модель регрессии

Слайд 5

В нашем стандартном примере в главе «Обзор» мы имели случайную переменную Х

В нашем стандартном примере в главе «Обзор» мы имели случайную переменную Х
с неизвестным средним населением variance μ и дисперсией σ2. Учитывая выборку данных, мы использовали среднее значение выборки как оценку μ.

5

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Модель

X неизвестное μ, σ2

Оценочная функция

Review chapter

Модель регрессии

Слайд 6

В контексте модели регрессии мы имеем параметры β1 и β2 и для

В контексте модели регрессии мы имеем параметры β1 и β2 и для
них были получены оценки b1 и b2 . В дальнейшем мы сосредоточимся на β2 и его оценке b2.

6

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Модель

X неизвестное μ, σ2

Оценочная функция

Review chapter

Модель регрессии

Слайд 7

В случае случайной величины X, наша стандартная нулевая гипотеза заключалась в том,

В случае случайной величины X, наша стандартная нулевая гипотеза заключалась в том,
что μ было равно некоторому определенному значению μ0. В случае модели регрессии наша нулевая гипотеза состоит в том, что β2 равен некоторому конкретному значению β20.

7

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Модель

X неизвестное μ, σ2

Оценочная функция

Review chapter

Модель регрессии

Нулевая гипотеза

Альтернативная гипотеза

Слайд 8

Для обеих популяций среднее значение μ случайной величины X и коэффициент регрессии

Для обеих популяций среднее значение μ случайной величины X и коэффициент регрессии
β2, тестовая статистика является t статистикой.

8

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Статистика испытаний

Модель

X неизвестное μ, σ2

Оценочная функция

Нулевая гипотеза

Альтернативная гипотеза

Review chapter

Модель регрессии

Слайд 9

В обоих случаях он определяется как разница между расчетным коэффициентом и его

В обоих случаях он определяется как разница между расчетным коэффициентом и его
гипотетическим значением, деленная на стандартную ошибку коэффициента.

9

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Статистика испытаний

Модель

X неизвестное μ, σ2

Оценочная функция

Нулевая гипотеза

Альтернативная гипотеза

Review chapter

Модель регрессии

Слайд 10

Мы отклоняем нулевую гипотезу, если абсолютное значение больше критического значения t, учитывая

Мы отклоняем нулевую гипотезу, если абсолютное значение больше критического значения t, учитывая
выбранный уровень значимости.

10

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Статистика испытаний

Модель

X неизвестное μ, σ2

Оценочная функция

Нулевая гипотеза

Альтернативная гипотеза

Reject H0 if

Review chapter

Модель регрессии

Слайд 11

Есть одно важное различие. При определении критического значения t необходимо учитывать число

Есть одно важное различие. При определении критического значения t необходимо учитывать число
степеней свободы. В случае случайной величины X это
n - 1, где n - количество наблюдений в образце.

11

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Статистика испытаний

Модель

X неизвестное μ, σ2

Оценочная функция

Нулевая гипотеза

Альтернативная гипотеза

Reject H0 if

Степени свободы

n – 1

n – k = n – 2

Review chapter

Модель регрессии

Слайд 12

Статистика испытаний

В случае модели регрессии число степеней свободы n - k, где

Статистика испытаний В случае модели регрессии число степеней свободы n - k,
n - количество наблюдений в выборке, а k - количество параметров (β коэффициентов). Для простой модели регрессии выше n - 2.

12

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Модель

X неизвестное μ, σ2

Оценочная функция

Нулевая гипотеза

Альтернативная гипотеза

Reject H0 if

Степени свободы

n – 1

n – k = n – 2

Review chapter

Модель регрессии

Слайд 13

13

В качестве иллюстрации мы рассмотрим модель, связанную с инфляцией цен для инфляции

13 В качестве иллюстрации мы рассмотрим модель, связанную с инфляцией цен для
заработной платы. p - процентный годовой темп роста цен, w - процентный годовой темп роста заработной платы.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Пример: p = β1 + β2w + u
Нулевая гипотеза: H0: β2 = 1.0
Альтернативная гипотеза: H1: β2 ≠ 1.0

Слайд 14

14

Мы проверим гипотезу о том, что темп инфляции цен равен ставке инфляции

14 Мы проверим гипотезу о том, что темп инфляции цен равен ставке
заработной платы. Поэтому нулевая гипотеза H0: β2 = 1.0. (Мы также должны проверить β1 = 0.)

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Пример: p = β1 + β2w + u
Нулевая гипотеза: H0: β2 = 1.0
Альтернативная гипотеза: H1: β2 ≠ 1.0

Слайд 15

15

Предположим, что результат регрессии показан (стандартные ошибки в скобках). Наша фактическая оценка

15 Предположим, что результат регрессии показан (стандартные ошибки в скобках). Наша фактическая
коэффициента наклона составляет всего 0,82. Мы проверим, следует ли отклонять нулевую гипотезу.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Пример: p = β1 + β2w + u
Нулевая гипотеза: H0: β2 = 1.0
Альтернативная гипотеза: H1: β2 ≠ 1.0

Слайд 16

16

Мы вычисляем t статистику путем вычитания гипотетического истинного значения из оценки выборки

16 Мы вычисляем t статистику путем вычитания гипотетического истинного значения из оценки
и деления на стандартную ошибку. Он достигает -1,80.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Пример: p = β1 + β2w + u
Нулевая гипотеза: H0: β2 = 1.0
Альтернативная гипотеза: H1: β2 ≠ 1.0

Слайд 17

17

В выборке имеется 20 наблюдений. Мы оценили 2 параметра, поэтому существует 18

17 В выборке имеется 20 наблюдений. Мы оценили 2 параметра, поэтому существует
степеней свободы.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Example: p = β1 + β2w + u
Null hypothesis: H0: β2 = 1.0
Alternative hypothesis: H1: β2 ≠ 1.0

Пример: p = β1 + β2w + u
Нулевая гипотеза: H0: β2 = 1.0
Альтернативная гипотеза: H1: β2 ≠ 1.0

Слайд 18

18

Критическое значение t с 18 степенями свободы составляет 2,101 на уровне 5%.

18 Критическое значение t с 18 степенями свободы составляет 2,101 на уровне
Абсолютное значение t-статистики меньше этого, поэтому мы не отвергаем нулевую гипотезу.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Пример: p = β1 + β2w + u
Нулевая гипотеза: H0: β2 = 1.0
Альтернативная гипотеза: H1: β2 ≠ 1.0

Слайд 19

19

На практике обычно не имеют представление о фактическом значении коэффициентов. Очень часто

19 На практике обычно не имеют представление о фактическом значении коэффициентов. Очень
цель анализа состоит в том, чтобы продемонстрировать, что на Y влияет X, без какого-либо конкретного предварительного представления о фактических коэффициентах отношения.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Moдель Y = β1 + β2X + u

Слайд 20

20

В этом случае обычно определяется β2 = 0 как нулевая гипотеза. На

20 В этом случае обычно определяется β2 = 0 как нулевая гипотеза.
словах нулевая гипотеза состоит в том, что Х не влияет на Y. Затем мы попытаемся показать, что нулевая гипотеза ложна.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Модель Y = β1 + β2X + u
Нулевая гипотеза: H0: β2 = 0
Альтернативная гипотеза: H1: β2 ≠ 0

Слайд 21

21

For the null hypothesis β2 = 0, the t statistic reduces to

21 For the null hypothesis β2 = 0, the t statistic reduces
the estimate of the coefficient divided by its standard error.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Moдель Y = β1 + β2X + u
Нулевая гипотеза: H0: β2 = 0
Альтернативная гипотеза: H1: β2 ≠ 0

Слайд 22

22

Это отношение обычно называют t статистикой для коэффициента и автоматически распечатывается как

22 Это отношение обычно называют t статистикой для коэффициента и автоматически распечатывается
часть результатов регрессии. Чтобы выполнить тест для заданного уровня значимости, мы напрямую сравниваем статистику t с критическим значением t для этого уровня значимости.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Moдель Y = β1 + β2X + u
Нулевая гипотеза: H0: β2 = 0
Альтернативная гипотеза: H1: β2 ≠ 0

Слайд 23

. reg EARNINGS S
Source | SS df MS Number of obs

. reg EARNINGS S Source | SS df MS Number of obs
= 540
-------------+------------------------------ F( 1, 538) = 112.15
Model | 19321.5589 1 19321.5589 Prob > F = 0.0000
Residual | 92688.6722 538 172.283777 R-squared = 0.1725
-------------+------------------------------ Adj R-squared = 0.1710
Total | 112010.231 539 207.811189 Root MSE = 13.126
------------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
S | 2.455321 .2318512 10.59 0.000 1.999876 2.910765
_cons | -13.93347 3.219851 -4.33 0.000 -20.25849 -7.608444
------------------------------------------------------------------------------

23

Вот результат функции заработка, установленный в предыдущем слайд-шоу, с выделенной статистикой t.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

Слайд 24

24

Вы можете видеть, что t статистика для коэффициента S огромна. Мы отвергли

24 Вы можете видеть, что t статистика для коэффициента S огромна. Мы
бы нулевую гипотезу о том, что школьное образование не влияет на заработок на уровне значимости 1% (критическое значение около 2,59).

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

. reg EARNINGS S
Source | SS df MS Number of obs = 540
-------------+------------------------------ F( 1, 538) = 112.15
Model | 19321.5589 1 19321.5589 Prob > F = 0.0000
Residual | 92688.6722 538 172.283777 R-squared = 0.1725
-------------+------------------------------ Adj R-squared = 0.1710
Total | 112010.231 539 207.811189 Root MSE = 13.126
------------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
S | 2.455321 .2318512 10.59 0.000 1.999876 2.910765
_cons | -13.93347 3.219851 -4.33 0.000 -20.25849 -7.608444
------------------------------------------------------------------------------

Слайд 25

25

В этом случае мы могли бы пойти дальше и отвергнуть нулевую гипотезу

25 В этом случае мы могли бы пойти дальше и отвергнуть нулевую
о том, что обучение не влияет на доход на уровне значимости 0,1%.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

. reg EARNINGS S
Source | SS df MS Number of obs = 540
-------------+------------------------------ F( 1, 538) = 112.15
Model | 19321.5589 1 19321.5589 Prob > F = 0.0000
Residual | 92688.6722 538 172.283777 R-squared = 0.1725
-------------+------------------------------ Adj R-squared = 0.1710
Total | 112010.231 539 207.811189 Root MSE = 13.126
------------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
S | 2.455321 .2318512 10.59 0.000 1.999876 2.910765
_cons | -13.93347 3.219851 -4.33 0.000 -20.25849 -7.608444
------------------------------------------------------------------------------

Слайд 26

26

Преимущество отчетности об отказе на уровне 0,1%, а не на уровне 1%,

26 Преимущество отчетности об отказе на уровне 0,1%, а не на уровне
заключается в том, что риск ошибочного отклонения нулевой гипотезы без эффекта теперь составляет всего 0,1% вместо 1%. Результат, следовательно, еще более убедителен.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

. reg EARNINGS S
Source | SS df MS Number of obs = 540
-------------+------------------------------ F( 1, 538) = 112.15
Model | 19321.5589 1 19321.5589 Prob > F = 0.0000
Residual | 92688.6722 538 172.283777 R-squared = 0.1725
-------------+------------------------------ Adj R-squared = 0.1710
Total | 112010.231 539 207.811189 Root MSE = 13.126
------------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
S | 2.455321 .2318512 10.59 0.000 1.999876 2.910765
_cons | -13.93347 3.219851 -4.33 0.000 -20.25849 -7.608444
------------------------------------------------------------------------------

Слайд 27

27

T cтатистика для перехвата также огромна. Однако, поскольку перехват не имеет никакого

27 T cтатистика для перехвата также огромна. Однако, поскольку перехват не имеет
значения, для него нет смысла выполнять t-тест.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

. reg EARNINGS S
Source | SS df MS Number of obs = 540
-------------+------------------------------ F( 1, 538) = 112.15
Model | 19321.5589 1 19321.5589 Prob > F = 0.0000
Residual | 92688.6722 538 172.283777 R-squared = 0.1725
-------------+------------------------------ Adj R-squared = 0.1710
Total | 112010.231 539 207.811189 Root MSE = 13.126
------------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
S | 2.455321 .2318512 10.59 0.000 1.999876 2.910765
_cons | -13.93347 3.219851 -4.33 0.000 -20.25849 -7.608444
------------------------------------------------------------------------------

Слайд 28

28

Следующий столбец на выходе дает так называемые значения р для каждого коэффициента.

28 Следующий столбец на выходе дает так называемые значения р для каждого
Это вероятность получения соответствующей t статистики как случайности, если нулевая гипотезаH0: β = 0 истина.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

. reg EARNINGS S
Source | SS df MS Number of obs = 540
-------------+------------------------------ F( 1, 538) = 112.15
Model | 19321.5589 1 19321.5589 Prob > F = 0.0000
Residual | 92688.6722 538 172.283777 R-squared = 0.1725
-------------+------------------------------ Adj R-squared = 0.1710
Total | 112010.231 539 207.811189 Root MSE = 13.126
------------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
S | 2.455321 .2318512 10.59 0.000 1.999876 2.910765
_cons | -13.93347 3.219851 -4.33 0.000 -20.25849 -7.608444
------------------------------------------------------------------------------

Слайд 29

29

Если вы отклоните нулевую гипотезу H0: β = 0, это вероятность того,

29 Если вы отклоните нулевую гипотезу H0: β = 0, это вероятность
что вы совершили ошибку и сделаете ошибку типа I. Поэтому он дает уровень значимости, при котором нулевая гипотеза будет отвергнута.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

. reg EARNINGS S
Source | SS df MS Number of obs = 540
-------------+------------------------------ F( 1, 538) = 112.15
Model | 19321.5589 1 19321.5589 Prob > F = 0.0000
Residual | 92688.6722 538 172.283777 R-squared = 0.1725
-------------+------------------------------ Adj R-squared = 0.1710
Total | 112010.231 539 207.811189 Root MSE = 13.126
------------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
S | 2.455321 .2318512 10.59 0.000 1.999876 2.910765
_cons | -13.93347 3.219851 -4.33 0.000 -20.25849 -7.608444
------------------------------------------------------------------------------

Слайд 30

30

Если p = 0,05, нулевая гипотеза может быть просто отвергнута на уровне

30 Если p = 0,05, нулевая гипотеза может быть просто отвергнута на
5%. Если это было 0,01, его можно было бы просто отклонить на уровне 1%. Если бы он составлял 0,001, его можно было бы просто отклонить на уровне 0,1%. Это предполагает, что вы используете двухсторонние тесты.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

. reg EARNINGS S
Source | SS df MS Number of obs = 540
-------------+------------------------------ F( 1, 538) = 112.15
Model | 19321.5589 1 19321.5589 Prob > F = 0.0000
Residual | 92688.6722 538 172.283777 R-squared = 0.1725
-------------+------------------------------ Adj R-squared = 0.1710
Total | 112010.231 539 207.811189 Root MSE = 13.126
------------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
S | 2.455321 .2318512 10.59 0.000 1.999876 2.910765
_cons | -13.93347 3.219851 -4.33 0.000 -20.25849 -7.608444
------------------------------------------------------------------------------

Слайд 31

31

В данном случае p = от 0 до трех знаков после запятой

31 В данном случае p = от 0 до трех знаков после
для коэффициента S. Это означает, что мы можем отклонить нулевую гипотезу H0: b2 = 0 на уровне 0,1%, не обращаясь к таблице критических значений t. (Тестирование перехвата не имеет смысла в этой регрессии.)

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ
TESTING A HYPOTHESIS RELATING TO A REGRESSION COEFFICIENT

. reg EARNINGS S
Source | SS df MS Number of obs = 540
-------------+------------------------------ F( 1, 538) = 112.15
Model | 19321.5589 1 19321.5589 Prob > F = 0.0000
Residual | 92688.6722 538 172.283777 R-squared = 0.1725
-------------+------------------------------ Adj R-squared = 0.1710
Total | 112010.231 539 207.811189 Root MSE = 13.126
------------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
S | 2.455321 .2318512 10.59 0.000 1.999876 2.910765
_cons | -13.93347 3.219851 -4.33 0.000 -20.25849 -7.608444
------------------------------------------------------------------------------

Слайд 32

32

Это более информативный подход к представлению результатов испытаний и широко используемых в

32 Это более информативный подход к представлению результатов испытаний и широко используемых
медицинской литературе.

ИСПЫТАНИЕ ГИПОТЕЗЫ, СВЯЗАННОЙ С КОЭФФИЦИЕНТОМ РЕГРЕССИИ

. reg EARNINGS S
Source | SS df MS Number of obs = 540
-------------+------------------------------ F( 1, 538) = 112.15
Model | 19321.5589 1 19321.5589 Prob > F = 0.0000
Residual | 92688.6722 538 172.283777 R-squared = 0.1725
-------------+------------------------------ Adj R-squared = 0.1710
Total | 112010.231 539 207.811189 Root MSE = 13.126
------------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
S | 2.455321 .2318512 10.59 0.000 1.999876 2.910765
_cons | -13.93347 3.219851 -4.33 0.000 -20.25849 -7.608444
------------------------------------------------------------------------------

Имя файла: Проверка-гипотез,-относящихся-к-коэффициентам-регрессии.pptx
Количество просмотров: 32
Количество скачиваний: 0