Парный линейный регрессионный анализ.
Пусть проводится наблюдение над двумерной г.с. (Х, Y).
Если фиксировать значение x случайной величины X, то можно рассмотреть условное математическое ожидание с.в. Y при X=x: M[Y/X=x]. Таким образом, M[Y/X=x] является некоторой детерминированной функцией от x: M[Y/X=x] =j(x). Эта функция называется функцией регрессии Y на X, а график функции y=j(x) кривой регрессии Y на X. Если наблюдаетя с.в. Y при определенных значениях x, то случайную величину Y можно представить в виде Y=j(x)+e, где e – с.в. Пусть наблюдения проводятся при фиксированных значениях x1, x2, …,xn. При этом случайная величина Y приняла соответственно значения y1, y2, …, yn. Тогда можно считать, что имеет место выборка yi = j(xi) + ei, i=1, …, n. В дальнейшем будем считать, что случайные величины ei, i=1, …, n, удовлетворяют следующим условиям.
1) ei (i=1, …, n) распределены по нормальному закону с математическим ожиданием 0 и дисперсией s2;
2) они попарно некоррелированны.
Если функция регрессии j(x) линейна, то говорят, что имеет место линейная регрессионная модель. Рассмотрим подробно эту модель.
Пусть Y= b0+b1x+e, yi= b0+b1xi+ei, (i=1, …, n) и выполняются условия 1) – 2).
Задача корреляционного и регрессионного анализа состоит в следующем.
1) Получить наилучшие точечные и интервальные оценки параметров b0, b1, s линейной модели;
2) Проверить значимость модели;
3) Проверить адекватность модели наблюдаемым данным.
Для нахождения точечных оценок применяется метод наименьших квадратов (сокращенно – МНК).
Обозначим искомое уравнение . По МНК коэффициенты ищут, такие, чтобы принимала минимальное значение сумма
,
где обозначено .
По необходимому условию экстремума частные производные функции S по переменным должны обратиться в нуль в точке минимума.
Итак, решаем систему
Преобразовав систему, получаем
(9.1)
По методу Крамера, получим
,
где – выборочный корреляционный момент, – выборочная дисперсия с.в. X.
Преобразовав далее, получим
,
где – выборочный коэффициент корреляции.
В итоге получаем формулы для оценок коэффициентов уравнения линейной регрессии:
, . (9.2)
Коэффициент называется выборочным коэффициентом регрессии. Выборочное уравнение регрессии имеет вид
Введем в рассмотрение следующие суммы.
– сумма квадратов отклонений,
– остаточная сумма квадратов,
– сумма квадратов, обусловленная регрессией,
называется остаточной дисперсией.
Теорема 9.1 .
Если параметр = 0, то линейная модель называется незначимой. Для проверки значимости линейной модели выдвигается основная гипотеза H0: = 0 при альтернативной гипотезе H1: ¹ 0.
Статистика имеет распределение Фишера с 1 и n–2 степенями свободы, если основная гипотеза верна. Таким образом, если выборочное значение Fв больше квантили распределения Фишера, то основная гипотеза отвергается с вероятностью a, то есть на уровне значимости a линейная модель статистически значима.
Доверительные интервалы для коэффициентов , c доверительной вероятностью 1– a имеют вид:
< < ,
< < ,
где – квантиль распределения Стьюдента порядка 1–a./2 со степенью свободы n–2.
Коэффициентом детерминации называется величина . Чем ближе значение коэффициента детерминации к 1, тем лучше линейная модель описывает наблюдаемые данные. Если имеет место линейная регрессионная модель, то выборочный коэффициент корреляции между X, Y .
<== предыдущая лекция | | | следующая лекция ==> |
Виды и типы дошкольных образовательных учреждений, профессиональная деятельность специалистов ДОУ | | | Лекарственные средства, регулирующие функцию матки. |
Дата добавления: 2017-02-04; просмотров: 1108;