(Назад)
(Cкачать работу)значимості .Если расчетное значение більше , то это значит, что дисперсия MSR статистически меньше дисперсии MSD относительно ,в этом случае полученное уравнение регрессии можно считать дееспособным.
2. ПРАКТИЧЕСКАЯ ЧАСТЬ Поставлена следующая задача: построить зависимость количества выигранных голов от характеристик сыгранных игр на основе модели множественной регрессии.
На основе имеющейся выборки сделаем следующие оценки:
параметры модели βi (для данной модели существенными являются переменные WIN и DP):
оценки: множественный коэффициент корреляции R, R2 ,F, p, и Std Error of estimate:
график для вычисленных значений и исходных:
К такому ряду можно применить модель линейной регрессии, так как он стационарный;
построение регрессии:
По графику видно, что в целом модель адекватна: практически все значения легли на линию регрессии;
гистограммы исходных и вычисленных значений имеют нормальное распределение:
ВЫВОД Как показано выше, множественная регрессии применима в случае стационарности ряда и позволяет производить мониторинг результатов, основываясь на предикторах.
В общественных и естественных науках процедуры множественной регрессии чрезвычайно широко используются в исследованиях. В общем, множественная регрессия позволяет исследователю задать вопрос (и, вероятно, получить ответ) о том, "что является лучшим предиктором для...". Например, исследователь в области образования мог бы пожелать узнать, какие факторы являются лучшими предикторами успешной учебы в средней школе. А психолога мог быть заинтересовать вопрос, какие индивидуальные качества позволяют лучше предсказать степень социальной адаптации индивида. Социологи, вероятно, хотели бы найти те социальные индикаторы, которые лучше других предсказывают результат адаптации новой иммигрантской группы и степень ее слияния с обществом. Термин "множественная" указывает на наличие нескольких предикторов или регрессоров, которые используются в модели, следовательно такая модель увеличивает спектр анализа регрессоров, что позволит построить более точный прогноз. ПЕРЕЧЕНЬ ССЫЛОК
Демиденко Е.З. Линейная и нелинейная регрессии. – М.: Финансы и статистика, 2010. – 302 сДрейпер Н., Смит Г. Прикладной регрессионный анализ. – М.: Статистика, 2009. - 437 с.Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. Пер. с англ. – М.: Мир, 1982. – 488 с.Тюрин Ю.Н.., Макаров А.А. Статистический анализ данных на компьютере.- М.:Инфра, 1997.-528с.www.statsoft.ru Ясницкий Л.Н. Введение в искусственный интеллект. М. Academia, 2005г.,176 стр.: ил.
Похожие работы
Интересная статья: Быстрое написание курсовой работы