Корреляционно-регрессионная модель

Содержание

Слайд 2

Представление исходных данных
Yt1, Yt2, Yt3………………Ytn

Представление исходных данных Yt1, Yt2, Yt3………………Ytn

Слайд 3

Представление исходных данных

У1 Х11 Х12 …………X1k
У2 Х21 Х22 …………X2k
… ………… ………
Уn Xn1

Представление исходных данных У1 Х11 Х12 …………X1k У2 Х21 Х22 …………X2k …
Xn2 …………Xnk
n > k ~ 3

Слайд 4

Представление исходных данных

Представление исходных данных

Слайд 5

Построение корреляционно-регрессионной модели

У=в0+в1*х1+в2*х2 + … BkXk +ε

Построение корреляционно-регрессионной модели У=в0+в1*х1+в2*х2 + … BkXk +ε

Слайд 6

Оценка параметров модели

Оценка параметра называется несмещенной, если ее математическое ожидание равно оцениваемому

Оценка параметров модели Оценка параметра называется несмещенной, если ее математическое ожидание равно
параметру
Оценка параметра называется состоятельной, если она сходится по вероятности к оцениваемому параметру при возрастании количества наблюдений
Оценка параметра называется эффективной, если она имеет наименьшую дисперсию среди возможных несмещенных оценок параметра, вычисленных по выборкам одного и того же объема n

Слайд 7

Требования к исходным данным

Объясняющие переменные х1, х2…..хк рассматриваются как неслучайные величины
Величины х1,

Требования к исходным данным Объясняющие переменные х1, х2…..хк рассматриваются как неслучайные величины
х2…..хк не связаны между собой линейной функциональной зависимостью

Слайд 8

Требования к регрессионным остаткам

Регрессионные остатки εi есть взаимонезависимые случайные величины с нулевым

Требования к регрессионным остаткам Регрессионные остатки εi есть взаимонезависимые случайные величины с
математическим ожиданием
Регрессионные остатки εi имеют постоянную остаточную дисперсию
Вектор регресионных остатков подчиняется n-мерному нормальному закону распределения вероятностей

Слайд 9

Исходная информация

В=(ХтХ)-1ХтУ
У1 1 Х11 Х12
У2 1 Х21 Х22
… …………
Уn 1

Исходная информация В=(ХтХ)-1ХтУ У1 1 Х11 Х12 У2 1 Х21 Х22 …
Xn1 Xn2

Слайд 10

Используемые функции

Хт транспонированная матрица.
Копировать, специальная вставка, выбрать окошко «транспонировать», ввод
МУМНОЖ
МОБР
Shift + Alt

Используемые функции Хт транспонированная матрица. Копировать, специальная вставка, выбрать окошко «транспонировать», ввод
+ Enter

Слайд 11

Оценка значимости уравнения в целом
Fрасч =

Оценка значимости уравнения в целом Fрасч =

Слайд 12

Сравнение расчетного и табличного значения
Fтабл =FРАСПОБР
Вероятность = вероятности ошибки
V1 = K+1
V2 =

Сравнение расчетного и табличного значения Fтабл =FРАСПОБР Вероятность = вероятности ошибки V1
n-k-1
Fрасч > Fтабл Уравнение значимо

Слайд 13

Оценка значимости регрессоров

Tbj = bj/sbj
Ковариационная матрица по bj
S*(XтХ)-1
S2 = Qост/(n-k-1)
По диагонали

Оценка значимости регрессоров Tbj = bj/sbj Ковариационная матрица по bj S*(XтХ)-1 S2
этой матрицы находим Sbj в квадрате

Слайд 14

Определение значимости регрессоров

tтабл = СТЬЮДРАСПОБР
Вероятность ошибки
V1=n-k-1
tрасч > tтабл по абсолютной величине, то

Определение значимости регрессоров tтабл = СТЬЮДРАСПОБР Вероятность ошибки V1=n-k-1 tрасч > tтабл
регрессор значим

Слайд 15

Множественный коэффициент детерминации

Множественный коэффициент детерминации

Слайд 16

Точечный и интервальный прогноз

Расчет прогнозных значений по лекциям

Точечный и интервальный прогноз Расчет прогнозных значений по лекциям

Слайд 17

Расчет интервального прогноза для простейшей модели
Yn+1∈Yn+1 ±tтS

Расчет интервального прогноза для простейшей модели Yn+1∈Yn+1 ±tтS
Имя файла: Корреляционно-регрессионная-модель.pptx
Количество просмотров: 31
Количество скачиваний: 0