![]() |
Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | |
|
Регрессионный анализ объединяет широкий круг задач, связанный с построением функциональных зависимостей между двумя группами числовых переменных: и
. Для краткости объединим
в многомерную переменную
,
- в переменную
, и будем говорить об исследовании зависимости между
и
. При этом будем считать
независимой переменной, влияющей на значения
. В связи с этим будем называть
откликом, а
=(
) – факторами, влияющими на отклик.
Многомерная линейная регрессия позволяет построить и проверить модель линейной связи между одной зависимой (эндогенной) и несколькими независимыми (экзогенными) переменными.
Уравнение множественной регрессии (то есть регрессии с двумя и более переменными) имеет вид:
, где
- зависимая переменная,
- независимая переменная,
- коэффициенты регрессионного уравнения,
- ошибка с нормальным законом распределения, средним равным нулю и стандартным отклонением s. Матричная запись модели имеет вид:
, где
- вектор-столбец значений зависимой переменной,
- детерминированная матрица объясняющих переменных (регрессоров),
- вектор столбец параметров модели,
- вектор столбец ошибок.
Статистический подход к задаче построения функциональной зависимости от
основывается на предположении, что нам известны некоторые исходные (экспериментальные) данные (
), где
- значение отклика при заданном значении фактора
,
изменяется от 1 до n. Пару значений (
) часто называют результатом одного измерения, а n – числом измерений.
Для оценки коэффициентов регрессионного уравнения будем использовать метод наименьших квадратов (МНК).
МНК минимизирует сумму квадратов ошибок (остатков):
, где
- оцененное значение.
Вектор оценок параметров модели в матричной форме имеет вид:
.
Дата публикования: 2014-11-28; Прочитано: 331 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!