Построим классическую линейную модель множественной регрессии

Построим модель Y = a + + +.

Расчет параметров выполним с применением пакета прикладных программ обработки электронных таблиц MS Excel в среде Widows.

Рис. 1.1 Диалоговое окно Регрессия подготовлено к выполнению анализа данных

Рис. 1.2 Результат регрессионного анализа

Согласно рис. 1.2 имеем модель:

Y = 15,215 + 1,636 — 0,680- 3,296.

При увеличении общей площади квартиры на 1 кв.м. (при неизменных этажности квартиры и площади кухни) цена квартиры увеличится на 1,636 тыс. долл., при увеличении этажности квартиры на 1 (при неизменных общей площади квартиры и площади кухни) цена квартиры снизится на 0,680 тыс. долл., а при увеличении площади кухни на 1 кв.м. (при неизменных этажности квартиры и общей площади квартиры) цена квартиры снизится на 3,296 тыс. долл.

Оценим тесноту связи между изучаемыми признаками с помощью индекса корреляции и индекса детерминации.

R= 0,870.

Между изучаемыми признаками присутствует очень тесная связь.

0,758.

Вариация цены квартиры на 75,8% обусловлена вариацией включенных факторов.

Оценить значимость модели в целом (F-критерий Фишера) и отдельных ее параметров (t-статистика Стьюдента).

F = 27,08.

(0,05; 3; 26) = 2,98.

Т.к., F >, то с вероятностью 0,95 полученное уравнение регрессии статистически значимо.

(0,05; 26) = 2,06.

С вероятностью 0,95 параметр регрессии статистически значим, т.к.

> .

С вероятностью 0,95 параметр регрессии статистически не значим,.

т.к. ¦¦< .

С вероятностью 0,95 параметр регрессии статистически не значим,.

т.к. ¦¦< .