поле изграждане на корелация с текста на формата на комуникация хипотеза

4. Конструкция поле корелация и формулира хипотеза за формата на комуникация;

5. Изграждане на модел:

Линейна регресия на пара;

Удвоява полулогаритмична регресия;

мощност регресия Steam; За да направите това:

Изчислява параметрите на уравненията;

Оценка стягане поради фактор (индекс) на корелация;

Оценка на качеството на модела се използва коефициент (индекс) определяне и вторични апроксимиращи грешки;

Писане на базата на средно коефициент на еластичност на сравнителна оценка на силата фактор поради резултата;

Използването на F-тест на Фишер да се оцени надеждността на резултатите статистически регресия за моделиране;

От стойностите на производителност изчислена съгласно параграфи 2-5, за да изберете най-добрият регресионно уравнение;

Използването на салдата по метод Golfrelda-Квант проверка на хетероскедастицитет;

Изчислява се прогнозира стойността на резултата, когато прогнозираната стойност на фактора ще се увеличи с 5% от средното ниво. За ниво на значимост = 0.05 за определяне на доверителен интервал на предсказване.

1. Изграждане поле корелация.

Анализ на местоположението на точките корелационните поле, като се предполага, че връзката между променливите х и у може да бъде линеен, т.е. у = а + BX. или нелинейни тип: у = а + blnh, у = AHB.

2.1 Модел пара линейна регресия

2.1.1 Изчислете параметри А и Б на линейната регресия у = а + BX.

Изграждане на маса за сетълмент 1.

определя по метода на най-малките квадрати:

Разделяне от п и вземане на решение от Kramer, формула за определяне б:

С нарастването на производителността на 1000. Разтрийте. производствените разходи са се увеличили с 0,871 млн RUR .. средно, фиксираните разходи са равни рубли 11591000 ..

2.1.2. Херметичност поради оценява чрез използване на линеен коефициент на корелация двойка.

Първо определете средните квадратни отклонение знаци.

Стандартно отклонение:

Между характеристики на X и Y има много силна линейна корелация.

2.1.3 оценка на качеството на конструираната модел.

Ние дефинираме коефициентът на определяне:

т. е., моделът обяснява 90,5% от общото разсейване инча делът на необяснима разрез представлява 9,5%.

Вследствие на това високо качествен модел.

Намираме средните грешки стойност сближаване AI.

Предварително на регресионни уравнения се определят теоретичните стойности за всеки фактор ценности.

Средната грешка на сближаване:

Грешка малък, висококачествен модел.

5.1.4. Ние определяме средния коефициент на еластичност:

Тя показва, че увеличение на продукцията от 1% от производствените разходи са нараснали средно с 0,515%.

2.1.5.Otsenim статистическа значимост на получения уравнение. За да тествате хипотеза H0. че показа зависимостта на база на х е произволен, т. е. в резултат на уравнението е статистически незначително. Да приемем, б = 0.05. Нека да намерите таблица (критичен) стойност F- Фишър критерий:

Ние считаме, действителната стойност на F - тест на Фишер:

Ето защо, Н0 хипотеза е отхвърлен, приет алтернативната хипотеза H1. с вероятност 1-б = 0.95 Получената уравнение е статистически значима, връзката между променливите х и у не е случайна.

Ние изграждане Получената уравнение.

2.2.Model удвоява полулогаритмична регресия.

2.2.1. Изчислете параметри А и Б в регресията:

Линеаризирането това уравнение, означаващ:

а параметрите и б от уравнението

Разделяне от п и вземане на решение от Kramer, формула за определяне б:

2.2.2. Ние очакваме, близостта на връзката между променливите х и у.

Тъй като. Уравнение у = а + млрд х линейно по отношение на параметрите на А и В и линеаризация не е свързана с превръщането на зависима променлива ш. близостта на връзката между променливите у и х. се оценява като се използва сдвоен индекс RXY корелация. Това може да се определи с помощта на линейна корелация коефициент двойка ryz на

стандартно отклонение Z:

Стойността на корелация на индекса е близо до 1, следователно между променливите у и х се наблюдава много тясна връзка тип = а + BZ.

2.2.3 оценка на качеството на конструираната модел.

Ние дефинираме коефициентът на определяне:

т. е., моделът обяснява 83,8% от общото отклонение в резултатите. делът на необяснима вариация представлява 16,2%.

Вследствие на това високо качествен модел.

Намираме средните грешки стойност сближаване AI.

Предварително на регресионни уравнения се определят теоретичните стойности за всеки фактор ценности.

Средната грешка на сближаване:

Грешка малък, висококачествен модел.

2.2.4.Opredelim среден коефициент на еластичност:

Тя показва, че увеличение на продукцията от 1% от производствените разходи са нараснали средно с 0,414%.

2.2.5.Otsenim статистическа значимост на получения уравнение. За да тествате хипотеза H0. че показа зависимостта на база на х е произволно, т.е. получената уравнение е статистически незначително. Да приемем, б = 0.05.

Ние намерите таблица (критичен) -тест на стойност F Фишер:

Ние считаме, действителната стойност на F-тест на Фишер:

Ето защо, Н0 хипотеза е отхвърлен, приет алтернативната хипотеза H1. с вероятност 1-б = 0.95 Получената уравнение е статистически значима, връзката между променливите х и у не е случайна.

Ние се изгради регресионното уравнение на полето за корелация

2.3.Model пара мощност регресия.

2.3.1. Изчисляваме параметри а и б Мощност регресия:

Изчисляване на параметрите, предшествани от процедура за линеаризация на уравнението:

и промяната на променливите:

Анализ на масата и се правят изводи.

б трите уравнения са статистически значими и надеждни, имат съотношение близо до 1 корелация (индекс) е висок (близо 1) съотношение (индекс) определяне и приближения на грешките в приемливи граници.

б В този случай, характеристиките на линеен модел показват, че е малко по-добро от полулогаритмична и експоненциален описва връзката между признаците на х и у.

б Следователно, както регресионните уравнения от линеен модел.

4. За да се провери модел избран предпоставка на OLS остатъци homoscedasticity, т. Е. Това останките на регресия имат постоянен вариацията.

Ние използваме метода Goldfeldta-Квант.

1. Поръчка на наблюдението, с увеличение на променливата х.

2. изключи от разглеждане 3 централно наблюдение.

3. Да разгледаме първо наблюдение група (малки стойности на фактор X) и дефинира група.

4. Да разгледаме втория наблюдение група (големи стойности на фактор X) и дефинира група.

5. проверява значително или незначително различни дисперсия остатъци от тези групи.

1. С помощта на детерминантата на коефициентите на сдвоени корелации mezhfaktornoy оцени мултиколинеарност фактори изключени от фактора на модел, отговарящ за мултиколинеарност.

2. изграждане на множествена регресия уравнение в стандартизирана форма:

Изчислете параметрите на уравнението.

Използването на стандартизирани регресионни коефициенти фактори, за да се сравни силата на тяхното влияние върху резултата.

Оцени близостта на връзката между резултатите от фактори и използването на коефициента на множествена корелация.

Оценена с помощта множествена коефициент за определяне на модела на качеството.

Използване на F-тест на Fisher за оценка на статистическата значимост на наличието на всеки фактор в уравнението на регресия.

Изграждане на множествена регресия уравнение в естествена форма, обясни икономическият смисъл на параметрите на уравнението.

Намерете средната грешка приближение.

Изчислява се прогнозира стойността на резултата, ако предсказаната стойност фактори ще бъде: Х1 = 35, Х2 = 10, x3 = 20 броя на смяна.

За оценка на използването на мултиколинеарност фактори детерминанта на матрицата на сдвоените корелационни коефициенти между фактори.

Ние дефинираме чифт корелационни коефициенти.

За да направите това, ние се изчисли масата 7.

Ние считаме, стандартното отклонение признаци у, x1, x2. x3. корен квадратен от съответната промяна.

Ние дефинираме коефициентите на корелация двойка: