Скачать 58.65 Kb.
|
ЛЕКЦИЯ №14Множественная линейная регрессияОбобщением линейной регрессионной модели с двумя переменными является многомерная регрессионная модель (или модель множественной регрессии). Уравнение множественной регрессии может быть представлено в виде где вектор независимых (объясняющих) переменных; вектор параметров (подлежащих определению); случайная ошибка (отклонение); зависимая (объясняемая) переменная. Рассмотрим самую употребляемую и наиболее простую модель множественной регрессии – модель множественной линейной регрессии. Теоретическое линейное уравнение регрессии имеет вид: или для индивидуальных наблюдений Здесь вектор размерности неизвестных параметров. называется j-м теоретическим коэффициентом регрессии (частичным коэффициентом регрессии). Он отражает влияние на условное математическое ожидание зависимой переменной объясняющей переменной при условии, что все другие объясняющие переменные модели остаются постоянными. свободный член, определяющий значение в случае, когда все объясняющие переменные равны нулю. Если число наблюдений , то существует бесконечно много различных векторов параметров, при которых линейная формула (14.3) связи между X и Y будет выполняться абсолютно точно. Если число наблюдений , то вектор β рассчитывается единственным образом. При возникает необходимость оптимизации, т.е. оценивания параметров при которых формула (14.3) дает наилучшее приближение для имеющихся наблюдений. В данном случае число называется числом степеней свободы. Наиболее распространенным методом оценки параметров уравнения множественной регрессии является метод наименьших квадратов (МНК). Требования МНК
для любых наблюдений i и j.
Случайные отклонения и являются независимыми друг от друга для всех и .
Для случая множественной линейной регрессии существенными являются еще два требования.
Между объясняющими переменными отсутствует строгая (сильная) линейная зависимость.
Выполнение данного требования важно для проверки статистических гипотез и построения интервальных оценок. Представим выражение (14.3) в матричной форме: Здесь вектор-столбец значений зависимой переменной, Т – символ транспонирования, вектор-столбец (размерности m+1) неизвестных коэффициентов регрессии, вектор-столбец случайных отклонений, матрица размерности : В этой матрице -я строка представляет наблюдение вектора значений независимых переменных ; единица соответствует переменной при свободном члене . Оценка коэффициентов регрессииПо аналогии с парной регрессией построим оценку для вектора так, чтобы вектор оценок зависимой переменной минимально (в смысле квадрата нормы разности) отличался от вектора Y заданных значений: Решением условия (14.5), если ранг матрицы равен , является оценка Нетрудно проверить, что эта оценка несмещенная. Ковариационная (дисперсионная) матрица оценки равна [ Доказана справедливость теоремы Гаусса - Маркова. В условиях справедливости требований МНК (п.3) оценка (14.6) является наилучшей (в смысле минимума дисперсии) оценкой в классе линейных несмещенных оценок. Оценка дисперсии ошибокОбозначим вектор остатков (или невязок); матрица. Можно проверить, что Для остаточной суммы квадратов справедливо соотношение откуда следует, что несмещенной оценкой для является Если справедливо требование МНК (п.7), т.е. , то справедливы следующие свойства оценок:
Как и в случае парной регрессии, справедливо соотношение: По аналогии с (13.1) запишем . (14.10) В векторном виде: Для проверки качества уравнения множественной регрессии, как и в случае парной регрессии, воспользуемся коэффициентом детерминации: Коэффициент показывает качество подгонки регрессионной модели к наблюдённым значениям . Если то регрессия на не улучшает качество предсказания по сравнению с тривиальным предсказанием Другой крайний случай означает точную подгонку: все , т.е. все точки наблюдений лежат на регрессионной плоскости. Однако значение возрастает с ростом числа переменных (регрессоров) в многомерной регрессии, что не означает улучшения качества предсказания, и поэтому вводится скорректированный (adjusted) коэффициент детерминации: Его использование более корректно для сравнения регрессий при изменении числа переменных (регрессоров). Доверительные интервалы для коэффициентов регрессииСтандартной ошибкой оценки является величина оценка для которой Здесь диагональный элемент матрицы . Если ошибки распределены нормально , то, статистика распределена по закону Стьюдента с степенями свободы. Тогда при доверительной вероятности соответствующий доверительный интервал вычисляется по формуле: Проверка гипотезы о нулевых значениях коэффициентов регрессииДля проверки гипотезы об отсутствии какой бы то ни было линейной связи между и совокупностью факторов, т.е. об одновременном равенстве нулю всех коэффициентов при независимых переменных, кроме коэффициента , используется статистика Статистика статистика Фишера – Снедекора при и степенях свободы; число оцениваемых параметров уравнения регрессии; число наблюдений. Если , то верна гипотеза линейная связь между зависимой и независимыми переменными отсутствует. Если , то гипотеза отвергается и принимается альтернативная гипотеза линейная связь значима на уровне . Здесь критическое значение критерия Фишера – Снедекора. Замечание Для выбора наиболее существенных объясняющих переменных можно предложить следующий практический подход. Строятся различные модели многомерной линейной регрессии (с различным набором переменных). Затем можно сравнить скорректированные коэффициенты детерминации (14.13) и принять тот вариант регрессии, для которого максимален. |
Лекция I и проблема языка и сознания лекция II 31 слово и его семантическое... Монография представляет собой изложение курса лекций, про* читанных автором на факультете психологии Московского государственного... | Лекция религии современных неписьменных народов: человек и его мир... Редактор Т. Липкина Художник Л. Чинёное Корректор Г. Казакова Компьютерная верстка М. Егоровой | ||
Лекция №5 Лекция №5 Вредные вещества и их воздействие на человека. Основы промышленной токсикологии | Лекция. Проектирование графического интерфейса пользователя Лекция №11 Комплексная программа «Программа воспитания и обучения в детском саду» под редакцией М. А васильевой, В. В. Гербовой, Т. С. Комаровой... | ||
Лекция-диалог, проблемная лекция, консультация, собеседование, реферат,... Активные формы и методы проведения учебных занятий – это способы и приемы воздействия, побуждающие | Лекция должна отвечать следующим Лекция – одна из основных форм организации учебного процесса, представляющая собой устное, монологическое, систематическое, последовательное... | ||
«Давление газа» Данный урок является развивающим, так как он проводится с использованием новых технологий (интерактивная лекция). Лекция сопровождается... | Лекция «Олимпийские игры древности» Лекция «Возрождение Олимпийских игр» Перечень мероприятий по внедрению системы олимпийского образования «Сочи 2014» в образовательных учреждениях Кемеровского муниципального... | ||
Лекция Компьютерные слайды как Лекция Компьютерные слайды как средство виртуальной наглядности. Технология создания дидактического компьютерного материала в программе... | Лекция 1"государство как социальная структура общества"(8часов) 61... Умк по дисциплине «Правоведение» разработан кафедрой правосудия, прокуроского надзора и криминалистик юш двфу для студентов не юридических... | ||
Лекция «Художественная литература о воспитании безнадзорных детей»,... М 15 А. С. Макаренко. Публичные выступления (1936-1939 гг.). Аутентичное издание. Составитель, автор комментариев: Гётц Хиллиг. Серия:... | Лекция Лаб | ||
Лекция «Художественная литература о воспитании безнадзорных детей» | Лекция шишек, плодов, семян, деревьев и кустарников Коллекция «Лён» | ||
Лекция. Практик Тригонометриянең төпбердәйлекләренһәм формулаларынкабатлау, искэ төшерү. Мисалларчишү, өстендээшләу | Лекция №1 Первая двухпартийная связка: федералисты-антифедералисты (республиканцы), 1789-1825 |