Помощь в написании студенческих работ
Антистрессовый сервис

Регрессионный анализ.

РефератПомощь в написанииУзнать стоимостьмоей работы

В практических приложениях часто встречаются задачи, в которых изучается случайная величина у, зависящая от некоторого множества переменных и неизвестных параметров. Будем рассматривать () как (k + 1)-мерную генеральную совокупность, из которой взята случайная выборка объемом п, где () результат /-го наблюдения,. Требуется по результатам наблюдений оценить неизвестные параметры. Описанная выше… Читать ещё >

Регрессионный анализ. (реферат, курсовая, диплом, контрольная)

В результате изучения материала главы 4 обучающийся должен:

знать

  • • основные понятия регрессионного анализа;
  • • методы оценивания и свойства оценок метода наименьших квадратов;
  • • основные правила проверки значимости и интервального оценивания уравнения и коэффициентов регрессии;

уметь

  • • находить по выборочным данным оценки параметров двумерной и множественной моделей уравнений регрессии, анализировать их свойства;
  • • проверять значимость уравнения и коэффициентов регрессии;
  • • находить интервальные оценки значимых параметров;

владеть

  • • навыками статистического оценивания параметров двумерного и множественного уравнения регрессии; навыками проверки адекватности регрессионных моделей;
  • • навыками получения уравнения регрессии со всеми значимыми коэффициентами с использованием аналитического программного обеспечения.

Основные понятия

После проведения корреляционного анализа, когда выявлено наличие статистически значимых связей между переменными и оценена степень их тесноты, обычно переходят к математическому описанию вида зависимостей с использованием методов регрессионного анализа. С этой целью подбирают класс функций, связывающий результативный показатель у и аргументы Регрессионный анализ. «вычисляют оценки параметров уравнения связи и анализируют точность полученного уравнения [3, 13].

Функция Регрессионный анализ. |, описывающая зависимость условного среднего значения результативного признака у от заданных значений аргументов, называется уравнением регрессии.

Термин «регрессия» (от лат. regression — отступление, возврат к чемулибо) введен английским психологом и антропологом Ф. Гальтоном и связан с одним из его первых примеров, в котором Гальтон, обрабатывая статистические данные, связанные с вопросом о наследственности роста, нашел, что если рост отцов отклоняется от среднего роста всех отцов на х дюймов, то рост их сыновей отклоняется от среднего роста всех сыновей меньше, чем на x дюймов. Выявленная тенденция была названа регрессией к среднему состоянию.

Термин «регрессия» широко используется в статистической литературе, хотя во многих случаях он недостаточно точно характеризует статистическую зависимость.

Для точного описания уравнения регрессии необходимо знать условный закон распределения результативного показателя у. В статистической практике такую информацию получить обычно не удается, поэтому ограничиваются поиском подходящих аппроксимаций для функции f (xu х2,… л*), основанных на предварительном содержательном анализе явления или на исходных статистических данных.

В рамках отдельных модельных допущений о типе распределения вектора показателей < Регрессионный анализ.) может быть получен общий вид уравнения регрессии Регрессионный анализ. , где Регрессионный анализ.. Например, в предположении о том, что исследуемая совокупность показателей подчиняется (Регрессионный анализ.)-мерному нормальному закону распределения с вектором математических ожиданий.

Регрессионный анализ., где Регрессионный анализ., и ковариационной матрицей Регрессионный анализ. ,.

где Регрессионный анализ. — дисперсия у,

Регрессионный анализ.

  • —  Регрессионный анализ. ковариация между величинами Регрессионный анализ. и. Регрессионный анализ.
  • —  Регрессионный анализ. дисперсия Регрессионный анализ.

Уравнение регрессии (условное математическое ожидание) имеет вид

Таким образом, если многомерная случайная величина (Регрессионный анализ.)

подчиняется (Регрессионный анализ.)-мерному нормальному закону распределения, то уравнение регрессии результативного показателя у по объясняющим переменным Регрессионный анализ. имеет линейный по х вид.

Однако в статистической практике обычно приходится ограничиваться поиском подходящих аппроксимаций для неизвестной истинной функции регрессии f (x), так как исследователь не располагает точным знанием условного закона распределения вероятностей анализируемого результативного показателя у при заданных значениях аргументов х.

Рассмотрим взаимоотношение между истинной Регрессионный анализ., модельной Регрессионный анализ. и оценкой Регрессионный анализ. регрессии [1, 29]. Пусть результативный показатель у связан с аргументом х соотношением.

Регрессионный анализ.

где Регрессионный анализ. — случайная величина, имеющая нормальный закон распределения, причем Регрессионный анализ. и Регрессионный анализ.. Истинная функция регрессии в этом случае имеет вид.

Регрессионный анализ.

Предположим, что точный вид истинного уравнения регрессии нам неизвестен, но мы располагаем девятью наблюдениями над двумерной случайной величиной, связанной соотношением Регрессионный анализ. и представленной на рис. 4.1.

Взаимное расположение истинной f(x) и теоретической уы модели регрессии.

Рис. 4.1. Взаимное расположение истинной f (x) и теоретической уы модели регрессии.

Расположение точек на рис. 4.1 позволяет ограничиться классом линейных зависимостей вида Регрессионный анализ.

С помощью метода наименьших квадратов найдем оценку Регрессионный анализ. Регрессионный анализ. уравнения регрессии.

Для сравнения на рис. 4.1 приводятся графики истинной функции регрессии Регрессионный анализ. и теоретической аппроксимирующей функции регрессии Регрессионный анализ.. К последней сходится по вероятности оценка уравнения регрессии уы при неограниченном увеличении объема выборки (Регрессионный анализ.).

Поскольку мы вместо истинной функции регрессии ошибочно выбрали линейную функцию регрессии, что, к сожалению, достаточно часто встречается в практике статистических исследований, то наши статистические выводы и оценки не будут обладать свойством состоятельности, т. е. так бы мы ни увеличивали объем наблюдений, наша выборочная оценка Регрессионный анализ. не будет сходиться к истинной функции регрессии Регрессионный анализ.

Если бы мы правильно выбрали класс функций регрессии, то неточность в описании Регрессионный анализ. с помощью уы объяснялась бы только ограниченностью выборки и, следовательно, она могла бы быть сделана сколько угодно малой при Регрессионный анализ.

С целью наилучшего восстановления по исходным статистическим данным условного значения результативного показателя Регрессионный анализ. и неизвестной функции регрессии Регрессионный анализ. наиболее часто используют следующие критерии адекватности функции потерь [29].

1. Метод наименьших квадратов, согласно которому минимизируется квадрат отклонения наблюдаемых значений результативного показателя Регрессионный анализ., Регрессионный анализ., от модельных значений Регрессионный анализ., где Регрессионный анализ. коэффициенты уравнения регрессии; Регрессионный анализ. — значения вектора аргументов в «-М наблюдении:

Регрессионный анализ.

Решается задача отыскания оценки Регрессионный анализ. вектора Регрессионный анализ.. Получаемая регрессия называется средней квадратической.

2. Метод наименьших модулей, согласно которому минимизируется сумма абсолютных отклонений наблюдаемых значений результативного показателя от модульных значений Регрессионный анализ., т. е.

Регрессионный анализ.

Получаемая регрессия называется среднеабсолютной (медианной).

3. Метод минимакса сводится к минимизации максимума модуля отклонения наблюдаемого значения результативного показателя у, от модельного значения Регрессионный анализ., т. е.

Регрессионный анализ.

Получаемая при этом регрессия называется минимаксной.

В практических приложениях часто встречаются задачи, в которых изучается случайная величина у, зависящая от некоторого множества переменных Регрессионный анализ. и неизвестных параметров Регрессионный анализ.. Будем рассматривать (Регрессионный анализ.) как (k + 1)-мерную генеральную совокупность, из которой взята случайная выборка объемом п, где (Регрессионный анализ.) результат /-го наблюдения, Регрессионный анализ.. Требуется по результатам наблюдений оценить неизвестные параметры Регрессионный анализ.. Описанная выше задача относится к задачам регрессионного анализа.

Регрессионным анализом называют метод статистического анализа зависимости случайной величины у от переменных Регрессионный анализ., рассматриваемых в регрессионном анализе как неслучайные величины, независимо от истинного закона распределения Регрессионный анализ.

Часто предполагается, что случайная величина у имеет нормальный закон распределения с условным математическим ожиданием Регрессионный анализ., являющимся функцией от аргументов Регрессионный анализ., и постоянной, не зависящей от аргументов дисперсий Регрессионный анализ.

Следует помнить, что требование нормальности закона распределения у необходимо лишь для проверки значимости уравнения регрессии и его параметров Регрессионный анализ., а также для интервального оценивания Регрессионный анализ.. Для получения точечных оценок Регрессионный анализ., этого условия не требуется.

В регрессионном анализе под линейной моделью подразумевают модель, линейно зависящую от неизвестных параметров Регрессионный анализ.

Простейшей линейной будем называть модель, линейно зависящую как от параметров Регрессионный анализ., так и от переменных Регрессионный анализ. .

В общем виде линейная модель регрессии имеет вид.

Регрессионный анализ.

где Регрессионный анализ. - некоторая функция его переменных Регрессионный анализ. - случайная величина с нулевым математическим ожиданием и дисперсией Регрессионный анализ.

В регрессионном методе вид уравнения регрессии выбирают исходя из анализа физической сущности изучаемого явления и результатов наблюдения.

Наиболее часто встречаются следующие виды уравнений регрессии:

  • • линейное множественное Регрессионный анализ. ;
  • • полиномиальное Регрессионный анализ. ;
  • • гиперболическое Регрессионный анализ. ;
  • • степенное Регрессионный анализ.

Путем логарифмирования степенные уравнения регрессии могут быть преобразованы в линейные уравнения относительно параметров Регрессионный анализ.. Логарифмируя, получим.

Регрессионный анализ.

Пусть Регрессионный анализ. для Регрессионный анализ., тогда после подстановки будем иметь линейное уравнение регрессии: Регрессионный анализ. В результате замен переменных Регрессионный анализ. и Регрессионный анализ. гиперболическое и полиномиальное уравнения также могут быть преобразованы в линейные, теория которых разработана наиболее полно.

Оценки неизвестных параметров уравнения регрессии находят обычно методом наименьших квадратов. Ниже мы остановимся более подробно на этом методе и свойствах оценок, найденных этим методом.

Показать весь текст
Заполнить форму текущей работой