Оценка качества регрессионной модели в целом

Под качеством регрессионной модели понимается значимость модели в целом и её параметров, а также ошибка моделирования.

Для оценки качества модели в целом используется коэффициент детерминации, который в общем случае определяется как

где - общая дисперсия результатного признака,

- остаточная дисперсия,

- дисперсия объясняющей части общей дисперсии.

Чем ближе к 1, тем выше качество регрессионной модели.

В случае линейной регрессии:

где - определитель матрицы парных коэффициентов корреляции,

- определитель матрицы межфакторной корреляции.

Для двухфакторной модели

Другим способом оценки качества регрессионной модели в целом является использование F-критерия Фишера, определяемого как

Тем самым величина F-критерия связана с коэффициентом детерминации, а именно

где m – число параметров при переменной х, в линейной модели совпадает с числом включенных в модель факторов;

n – число наблюдений.

Для двухфакторной (парной) модели

Значение полученного фактического F-критерия сравнивается с табличным значением на уровне α = 0,05, и если , то модель в целом считается значимой (существенной).

2.9. Оценка значимости факторов, включаемых в модель множественной регрессии

Кроме значимости уравнения регрессии в целом, оценивается так же значимость каждого фактора, включенного в регрессионную модель. Незначимые факторы включать в модель нецелесообразно.

Для оценки значимости коэффициентов регрессии используется t-критерий Стьюдента:

,

где – СКО коэффициента регрессии , которое может быть определено как

При использовании пакета программ статистического анализа программа наряду с регрессионной моделью выведет сообщения о значимости как всей зависимости в целом, так и о значимости каждого параметра модели. Пусть необходимо построить модель по следующим данным:

	6,3	5,9	8,6	5,1	6,4	9,3
	7,2	4,3	1,5	3,6	5,4	2,6
	25,6	15,8	23,3	31,6	15,9	18,6
y	6,3	3,5	1,2	2,6	4,9	1,5

Будет получено следующее решение:

Зависимость

Параметры	Значения параметров	СКО	t – статистика
	-0,149		-0,074	0,95
	-0,0189	0,168	-0,112	0,92
	0,958	0,129	7,42	0,02
	-0,0144	0,0359	-0,402	0,727

Ниже можно сделать выводы.

В целом модель существенна, т.к. , т.е. объясняющая дисперсия гораздо больше остаточной.

Действительно, так как , то:

(ошибки округления).

t - статистика в данном случае показывает, во сколько раз значение параметра больше, чем СКО параметра.

Если значение параметра меньше, чем СКО параметр, то параметр незначим, даже если параметр больше СКО, но , то это превышение недостаточно. Только параметр

является значительным, так как (в 7,42 раза) и . Таким образом, значимость модели в целом достигается лишь за счет параметра .

Проанализируем переменные.

Матрица парных коэффициентов:

Видно, что очень сильная связь между y и , остальные коэффициенты корреляции незначимы.

Вообще говоря, целесообразно рассмотреть парную модель , где .

Получим

, F=170,81, , т.е. модель в целом значима.

Параметры	Значения параметров	СКО	t – статистика
	-0,63	0,33	-1,9	0,13
	0,967	0,074	13,1	0,0002

Так как для , то этот параметр незначим (в данном случае, т.е. в случае парной регрессии, значимость параметра a, и значимость модели в целом совпадает), незначим в силу малого числа наблюдений.

Этот пример наглядно показывает, что учет множества факторов не всегда приводит к адекватной модели, наоборот, сокращение числа факторов может улучшить модель.

В рассмотренном примере легко перейти от приведенных коэффициентов к структурным:

Откуда:

или

Например, уравнение в структурной форме:

Приведенная форма:

обратный переход дает прежние значения коэффициентов a_11, a_22, b_{12 ,} b₂₁.

Дата добавления: 2014-03-19; просмотров: 1395; Нарушение авторских прав

Мы поможем в написании ваших работ!