РефератыЭкономикаЛиЛинейная регрессия

Линейная регрессия

Министерство образования и науки Российской Федерации


Федеральное агентство по образованию


Государственное образовательное учреждение высшего профессионального образования


Всероссийский Заочный Финансово-Экономический институт


Филиал г. Тула


Контрольная работа


по дисциплине "Эконометрика"


Вариант 8


Выполнила:


Проверил:


Тула


2008


Задача 1


По предприятиям легкой промышленности региона получена информация, характеризующая зависимость объема выпуска продукции (, млн. руб.) от объема капиталовложений (, млн. руб.).


Требуется:


1. Найти параметры уравнения линейной регрессии, дать экономическую интерпретацию коэффициента регрессии.


2. Вычислить остатки; найти остаточную сумму квадратов; оценить дисперсию остатков ; построить график остатков.


3. Проверить выполнение предпосылок МНК.


4. Осуществить проверку значимости параметров уравнения регрессии с помощью t-критерия Стьюдента


5. Вычислить коэффициент детерминации, проверить значимость уравнения регрессии с помощью -критерия Фишера , найти среднюю относительную ошибку аппроксимации. Сделать вывод о качестве модели.


6. Осуществить прогнозирование среднего значения показателя при уровне значимости , если прогнозное значения фактора Х составит 80% от его максимального значения.


7. Представить графически: фактические и модельные значения точки прогноза.


8. Составить уравнения нелинейной регрессии:


· гиперболической;


· степенной;


· показательной.


Привести графики построенных уравнений регрессии.


9. Для указанных моделей найти коэффициенты детерминации и средние относительные ошибки аппроксимации. Сравнить модели по этим характеристикам и сделать вывод.


Вариант 8



























17


22


10


7


12


21


14


7


20


3



26


27


22


19


21


26


20


15


30


13



Решение:


1. Уравнение линейной регрессии имеет следующий вид:





Таблица 1
















































































№наблюдения


X


Y


X2


X·Y


1


17


26


289


442


2


22


27


484


594


3


10


22


100


220


4


7


19


49


133


5


12


21


144


252


6


21


26


441


546


7


14


20


196


280


8


7


15


49


105


9


20


30


400


600


10


3


13


9


39


Сумма


133


219


2161


3211


Ср. значение


13,3


21,9


216,1


321,1



Найдем b:



Тогда


Уравнение линейной регрессии имеет вид: ŷx
=11,779+0,761x.


Коэффициент регрессии показывает среднее изменение результата с изменением фактора на одну единицу.


С увеличением объема капиталовложений на 1 млн. рублей объем выпускаемой продукции увеличится в среднем на 761 тыс. рублей.


2. Вычислим остатки при помощи. Получим:




Таблица 2
































































ВЫВОД ОСТАТКА


Наблюдение





Остатки




1


24,72


1,284


1,649


2


28,52


-1,521


2,313


3


19,39


2,611


6,817


4


17,11


1,894


3,587


5


20,91


0,089


0,008


6


27,76


-1,76


3,098


7


22,43


-2,433


5,919


8


17,11


-2,106


4,435


9


27


3,001


9,006


10


14,06


-1,062


1,128


Сумма


219


-0,003


37,961



Найдем остаточную сумму квадратов:



Дисперсия остатков равна:


.


График остатков имеет следующий вид:




График 1



3. Проверим выполнение предпосылок МНК.


· Случайный характер остатков.


Случайный характер остатков εi
проверяется по графику. Как видно из графика 1 в расположении точек εi
нет направленности (на графике получена горизонтальная полоса). Следовательно, εi
– случайные величины и применение МНК оправдано.


· Средняя величина остатков или математическое ожидание равно нулю.


Так как расположение остатков на графике не имеет направленности (расположены на графике в виде горизонтальной полосы), то они независимы от значений фактора xi
. Следовательно, модель адекватна.


· Проверка гомоскедастичности остатков.


Выборка у нас малого объема, поэтому для оценки гомоскедастичность остатков используем метод Голдфельда - Квандта.


1) Упорядочим n = 10 наблюдений в порядке возрастания х.


2) Разделим на две группы - с большим и меньшим x, и для каждой группы определим уравнения регрессии.




Таблица 3




















































































































































х


y


x·y


x2


ŷ


εi
=yi
-ŷi


ε2


1


3


13


39


9


13,181


-0,181


0,033


2


7


19


133


49


17,197


1,803


3,251


3


7


15


105


49


17,197


-2,197


4,827


4


10


22


220


100


20,209


1,791


3,208


5


12


21


252


144


22,217


-1,217


1,481


Сумма


39


90


749


351


12,799


Ср.знач


7,8


18


149,8


70,2




х


y


x·y


x2


ŷ


εi
=yi
-ŷi


ε2


1


14


20


280


196


21,672


-1,672


2,796


2


17


26


442


289


24,252


1,748


3,056


3


20


30


600


400


26,832


3,168


10,036


4


21


26


546


441


27,692


-1,692


2,863


5


22


27


594


484


28,552


-1,552


2,409


Сумма


94


129


2462


1810


21,159


Ср.знач


18,8


25,8


492,4


362









3) Рассчитаем остаточные суммы квадратов для каждой регрессии.


,


.


4) Вычислим F- распределения.


Fнабл
=S2ŷ
/S1ŷ
=1,653.


5) Произведем сравнение Fнабл
и Fтабл
.


1,653<5,32 (при k1
=1 и k2
=n–2=10–2=8), следовательно, гетероскедастичность места не имеет, т.е. дисперсия остатков гомоскедастична.


· Отсутствие автокорреляции.


Отсутствие автокорреляции проверяется по d-критерию Дарбина - Уотсона:




Таблица 4












































































ε

i


ε

i-1


ε

i

- ε

i-1




i

- ε

i-1

)2


1


1,284


2


-1,521


1,284


-2,805


7,868


3


2,611


-1,521


4,132


17,073


4


1,894


2,611


-0,717


0,5141


5


0,089


1,894


-1,805


3,258


6


-1,760


0,089


-1,849


3,4188


7


-2,433


-1,760


-0,673


0,4529


8


-2,106


-2,433


0,327


0,1069


9


3,001


-2,106


5,107


26,081


10


-1,062


3,001


-4,063


16,508


Сумма


75,282



; d=75,282/37,961=1,983.


Так как d-критерий меньше двух, то мы наблюдаем присутствие положительной автокорреляции.


· Остатки подчиняются нормальному закону распределения.


4. Осуществить проверку значимости параметров уравнения регрессии с помощью t-критерия Стьюдента


; ,


; ,


где


Тогда , ; и


tтабл
=2,3060 (при 10-2=8 степенях свободы); tа
и tb
> tтабл
, что говорит о значимости параметров модели.


5. Коэффициент детерминации находится по формуле:


.


Данные возьмем из таблицы 5:



Таблица 5







































































































































x


y














1


17


26


3,7


4,1


13,69


16,81


1,284


4,938


2


22


27


8,7


5,1


75,69


26,01


-1,521


5,633


3


10


22


-3,3


0,1


10,89


0,01


2,611


11,868


4


7


19


-6,3


-2,9


39,69


8,41


1,894


9,968


5


12


21


-1,3


-0,9


1,69


0,81


0,089


0,424


6


21


26


7,7


4,1


59,29


16,81


-1,760


6,769


7


14


20


0,7


-1,9


0,49


3,61


-2,433


12,165


8


7


15


-6,3


-6,9


39,69


47,61


-2,106


14,040


9


20


30


6,7


8,1


44,89


65,61


3,001


10,003


10


3


13


-10,3


-8,9


106,09


79,21


-1,062


8,169


Сумма


133


219


392,1


264,9



83,979


Ср. знач.


13,3


21,9









Для проверки значимости модели используем F-критерий Фишера:


.


Fтабл
=5,32 (k1
=1, k2
=8 степенями свободы) ;


F>Fтабл
, что говорит о значимости уравнения регрессии.


Среднюю относительную ошибку аппроксимации находим по формуле:


;


В среднем расчетные значения отклоняются от фактических на 8,4%.


Поскольку найденная средняя относительная ошибка аппроксимации находится в интервале от 5 до 10, то можно утверждать, что модель имеет хорошее качество.


6. Ширина доверительного интервала находится по формулам:





где tα
=1,86 при m=n-2=8 и α=0,1


Т.о.



Верхн. граница: 25,173+4,34=29,513


Нижн. граница: 25,173-4,34=20,833




Таблица 6










Нижняя граница


Прогноз


Верхняя граница


20,83


25,17


29,51



7.

Фактические и модельные значения Y, точки прогноза представлены на графике 2.




График 2





8. Составить уравнения нелинейной регрессии:


· Гиперболической


Уравнение показательной кривой имеет вид: ŷ = a + b/x.


Произведем линеаризацию модели путем замены
Х = 1/х.


Тогда уравнение примет вид:
ŷ = a + bХ- линейное уравнение регрессии.


Данные, необходимые для нахождения параметров приведены в таблице 6




Таблица 7



















































































































































y


x


X


X2


Xy


ŷ


εi


ε
i

2





1


26


17


0,0588


0,0035


1,5294


24,41


1,59


2,52


6,11


2


27


22


0,0455


0,0021


1,2273


25,10


1,90


3,61


7,04


3


22


10


0,1000


0,0100


2,2000


22,29


-0,29


0,09


1,33


4


19


7


0,1429


0,0204


2,7143


20,09


-1,09


1,18


5,72


5


21


12


0,0833


0,0069


1,7500


23,15


-2,15


4,63


10,24


6


26


21


0,0476


0,0023


1,2381


24,99


1,01


1,02


3,89


7


20


14


0,0714


0,0051


1,4286


23,76


-3,76


14,16


18,82


8


15


7


0,1429


0,0204


2,1429


20,09


-5,09


25,88


33,91


9


30


20


0,0500


0,0025


1,5000


24,87


5,13


26,35


17,11


10


13


3


0,3333


0,1111


4,3333


10,28


2,72


7,38


20,90


Сумма


219


133


1,0757


0,1843


20,0638




86,82


125,07


Ср.знач.


21,9


13,3


0,1076


0,0184


2,0064








Значение параметров а и b линейной модели определим по формулам:



Уравнение регрессии будет иметь вид ŷ = 27,44 – 51,47 X.


Перейдем к исходным переменным, получим уравнение гиперболической модели:


.


График 3




Степенная


Уравнение степенной модели имеет вид: ŷ = a · xb


Для построения этой модели необходимо произвести линеаризацию переменных. Для этого произведем логарифмирование обеих частей уравнения:


lg ŷ = lg a + b lg x


Обозначим Y = lg ŷ;
A = lg a;
X = lg x


Тогда уравнение примет вид: Y = A + b
X - линейное уравнение регрессии.


Рассчитаем его параметры, используя данные таблицы 8:




Таблица 8
































































































































































y


x


Y


X


YX


X2


ŷ


εi


ε
i

2




26


17


1,4150


1,2304


1,7411


1,5140


24,545


1,45


2,12


5,60


27


22


1,4314


1,3424


1,9215


1,8021


27,142


-0,14


0,02


0,52


22


10


1,3424


1,0000


1,3424


1,0000


19,957


2,04


4,17


9,29


19


7


1,2788


0,8451


1,0807


0,7142


17,365


1,63


2,67


8,60


21


12


1,3222


1,0792


1,4269


1,1646


21,427


-0,43


0,18


2,04


26


21


1,4150


1,3222


1,8709


1,7483


26,654


-0,65


0,43


2,51


20


14


1,3010


1,1461


1,4911


1,3136


22,755


-2,76


7,59


13,78


15


7


1,1761


0,8451


0,9939


0,7142


17,365


-2,37


5,59


15,77


30


20


1,4771


1,3010


1,9218


1,6927


26,151


3,85


14,81


12,83


13


3


1,1139


0,4771


0,5315


0,2276


12,479


0,52


0,27


4,01


Сумма


219


133


13,2729


10,5887


14,3218


11,8913




37,86


74,94


Ср.знач.


21,9


13,3


1,3273


1,0589


1,4322


1,1891







Значение параметров А и b линейной модели определим по формулам:



Значение параметров А и b линейной модели определим по формулам:



Уравнение регрессии имеет вид: Y=0,91 + 0,39X


Перейдем к исходным переменным x и y, выполнив потенцирование данного уравнения:


ŷ=100,91 ·
x0,39


ŷ =8,13 · x0,39
.




График 4



· Показательная


Уравнение показательной кривой имеет вид: ŷ = a · bx


Для построения этой модели необходимо произвести линеаризацию переменных. Для этого произведем логарифмирование обеих частей уравнения:


lg ŷ = lg a + x lg b


Обозначим Y = lg ŷ; A = lg a; B = lg b


Тогда уравнение примет вид: Y = A + Bx
- линейное уравнение регрессии.


Данные, необходимы для нахождения параметров, приведены в таблице 9.




Таблица

9

















































































































































№наблюдения


y


x


Y


Yx


x2


ŷ


εi


ε
i

2





1


26


17


1,4150


24,0545


289


24,564


1,436


2,06


5,52


2


27


22


1,4314


31,4900


484


29,600


-2,600


6,76


9,63


3


22


10


1,3424


13,4242


100


18,920


3,080


9,49


14,00


4


19


7


1,2788


8,9513


49


16,917


2,083


4,34


10,96


5


21


12


1,3222


15,8666


144


20,385


0,615


0,38


2,93


6


26


21


1,4150


29,7144


441


28,516


-2,516


6,33


9,68


7


20


14


1,3010


18,2144


196


21,964


-1,964


3,86


9,82


8


15


7


1,1761


8,2326


49


16,917


-1,917


3,68


12,78


9


30


20


1,4771


29,5424


400


27,472


2,528


6,39


8,43


10


13


3


1,1139


3,3418


9


14,573


-1,573


2,47


12,10


Сумма


219


133


13,2729


182,8324


2161




45,75


95,84


Ср.знач.


21,9


13,3


1,3273


18,2832


216,1








Значение параметров А и B линейной модели определим по формулам:



Уравнение регрессии будет иметь вид: Y = 1,115 + 0,016x.


Перейдем к исходным переменным x и y, выполнив потенцирование данного уравнения:


ŷ =101,115
·(100,016
)x
;


ŷ =13,03·1,038x
.




График 5



9. Для указанных моделей найти: R2
– коэффициент детерминации и средние относительные ошибки аппроксимации А.


для всех моделей = 264,9 (см. таблицу 5).


· Степенная модель (см. таблицу 8):


;


;


· Показательная модель (см.таблицу 9):


;


;


· Гиперболическая модель (см. таблицу 7):



.




Таблица 10


















Параметры


Модели


Коэффициент


детерминации R2


Средняя относительная ошибка аппроксимации А


1. Степенная


0,857


7,5


2. Показательная


0,827


9,6


3. Гиперболическая


0,672


12,5



Коэффициент детерминации показывает долю вариации результативного признака, находящегося под воздействием изучаемых факторов. Чем ближе R2
к 1, тем выше качество модели.


Чем выше рассеяние эмпирических точек вокруг теоретической линии регрессии, тем меньше средняя ошибка аппроксимации. Ошибка аппроксимации меньше 7% свидетельствует о хорошем качестве модели.


При сравнении гиперболической, степенной и показательной моделей по данным характеристикам мы видим, что наибольшее значение коэффициента детерминации R2
и наименьшую ошибку аппроксимации имеет степенная модель, следовательно, ее можно считать лучшей.


Задача 2



Даны две СФМ, которые заданы в виде матриц коэффициентов модели. Необходимо записать системы одновременных уравнений и проверить обе системы на идентифицируемость.




Таблица 1










































































№ варианта


№ уравнения


Задача 2а


Задача 2б


переменные


переменные


y1


y2


y3


x1


x2


x3


x4


y1


y2


y3


x1


x2


x3


x4


8


1


-1


b12


b13


0


a12


a13


0


-1


0


b13


a11


0


a13


a14


2


0


-1


b23


a21


a22


0


a24


b21


-1


b23


0


a22


0


a24


3


0


b32


-1


a31


a32


a33


0


b31


0


-1


a31


0


a33


a34



Решение


2а) , тогда система уравнений будет иметь вид:




Модель имеет 3 эндогенные (y1
, y2
, y3
) и 4 экзогенные (x1
, x2
, x3
, x4
) переменные. Проверим каждое уравнение на необходимое и достаточное условие идентификации.


1 уравнение:

y

1

=

b

12

y

2

+

b

13

y

3

+

a

12

x

2

+

a

13

x

3

;


Необходимое условие:
D + 1 = H


Эндогенные переменные: y1,
y2,
y3
; H=3


Отсутствующие экзогенные переменные: х1,
х4
; D=2


2+1=3 - условие необходимости выполнено.


Достаточное условие:
В уравнении отсутствуют х1,
х4
. Построим матрицу из коэффициентов для второго и третьего уравнения:




Таблица 2
















Уравнение


переменные


х1


х4


2


a21


a24


3


a3
1


0



Найдем определитель: , ранг =2, следовательно, условие достаточности выполнено.


1-ое уравнение идентифицируемо.


2 уравнение:


y

2

=

b

23

y

3

+

a

21

x

1

+

a

22

x

2

+

a

24

x

4

;


Необходимое условие:
D + 1 = H


Эндогенные переменные: y2,
y3
; H=2


Отсутствующие экзогенные переменные: х3
; D=1


1+1=2 - условие необходимости выполнено.


Достаточное условие:
В уравнении отсутствуют y1,
х3
. Построим матрицу из коэффициентов для первого и третьего уравнения:




Таблица 3
















Уравнение


переменные


y1


х
3


1


-1


a13


3


0


a3
3



Найдем определитель: , ранг =2, следовательно, условие достаточности выполнено.


2-ое уравнение идентифицируемо.


3 уравнение:

y

3

=

b

32

y

2

+

a

31

x

1

+

a

32

x

2

+

a

33

x

3

;


Необходимое условие:
D + 1 = H


Эндогенные переменные: y2,
y3
; H=2


Отсутствующие экзогенные переменные: х4
; D=1


1+1=2 - условие необходимости выполнено.


Достаточное условие:
В уравнении отсутствуют y1,
х4
. Построим матрицу из коэффициентов для первого и второго уравнения:



Таблица 4
















Уравнение


переменные


х1


х4


1


-1


0


2


0


a24



Найдем определитель: , ранг =2, следовательно, условие достаточности выполнено.


3-е уравнение идентифицируемо.


В целом вся система уравнений является идентифицируемой.



Решение


2б) ,


Тогда система уравнений будет иметь вид:



Модель имеет 3 эндогенные (y1
, y2
, y3
) и 4 экзогенные (x1
, x2
, x3
, x4
) переменные. Проверим каждое уравнение на необходимое и достаточное условие идентификации.


1 уравнение:

y

1

=

b

13

y

3

+

a

11

x

1

+

a

13

x

3

+

a

14

x

4

;


Необходимое условие:
D + 1 = H


Эндогенные переменные: y1,
y3
; H=2


Отсутствующие экзогенные переменные: х2
; D=1


1+1=2 - условие необходимости выполнено.


Достаточное условие:
В уравнении отсутствуют y2
, х2
. Построим матрицу из коэффициентов для второго и третьего уравнения:




Таблица

5
















Уравнение


переменные


y2


х
2


2


-1


a2
2


3


0


0



Найдем определитель: , следовательно, условие достаточности НЕ выполнено.


1-ое уравнение НЕидентифицируемо.


2 уравнение:


y

2

=

b

11

y

1

+

b

23

y

3

+

a

22

x

2

+

a

24

x

4

;


Необходимое условие:
D + 1 = H


Эндогенные переменные: y1
, y2,
y3
; H=3


Отсутствующие экзогенные переменные: x1
, х3
; D=2


2+1=3 - условие необходимости выполнено.


Достаточное условие:
В уравнении отсутствуют x1,
х3
. Построим матрицу из коэффициентов для первого и третьего уравнения:




Таблица 6
















Уравнение


переменные


x1


х
3


1


a11


a13


3


a31


a3
3



Найдем определитель: , ранг =2, следовательно, условие достаточности выполнено.


2-ое уравнение идентифицируемо.


3

уравнение

:

y3
= b31
y2
+a31
x1
+a33
x3
+a34
x4

;


Необходимое условие:
D + 1 = H


Эндогенные переменные: y1,
y3
; H=2


Отсутствующие экзогенные переменные: х2
; D=1


1+1=2 - условие необходимости выполнено.


Достаточное условие:
В уравнении отсутствуют y1,
х4
. Построим матрицу из коэффициентов для первого и второго уравнения:




Таблица 7
















Уравнение


переменные


y2


х
2


1


0


0


2


-1


a2
2



Найдем определитель: , следовательно, условие достаточности НЕ выполнено


3-е уравнение НЕидентифицируемо.


В целом вся система уравнений является НЕидентифицируемой, так как первое и третье уравнение – НЕидентифицируемы.


2в) По данным, используя косвенный метод наименьших квадратов, построить структурную форму модели вида: y1
=a01
+b12
y2
+a11
x1
+ε1
;


y2
=a02
+b21
y1
+a22
x2
+ε2




Таблица

8














































Вариант


n


y1


y2


x1


x2


8


1


51.3


39.4


3


10


2


112.4


77.9


10


13


3


67.5


45.2


5


3


4


51.4


37.7


3


7


5


99.3


66.1


9


6


6


57.1


39.6


4


1




Решение


1) Структурную форму модели (СФМ) преобразуем в приведенную форму модели (ПФМ):


Для этого из второго уравнения выражаем y2
и подставляем его в первое, а из первого выражаем y1
и подставляем его во второе уравнение. Получим:


y1
=δ11
x1
+ δ12
x2
+u1;


y2
=δ21
x1
+ δ22
x2
+u2
,


где u1
и u1
–случайные ошибки ПФМ.


Здесь



2) В каждом уравнение ПФМ с помощью МНК определим δ – коэффициент.


Для первого уравнения:



.


Для решения системы уравнений требуются вспомогательные расчеты, которые представлены в таблице 9, 10.




Таблица 9
























































n


y1


y2


x1


x2


1


51,3


39,4


3


10


2


112,4


77,9


10


13


3


67,5


45,2


5


3


4


51,4


37,7


3


7


5


99,3


66,1


9


6


6


57,1


39,6


4


1


Сумма


439


305,9


34


40


Сред. знач.


73,17


50,98


5,67


6,67





Для упрощения расчетов удобнее работать с отклонениями от средних уровней:


∆у = у - уср
; ∆х = х - хср




Таблица


10










































































































n


∆y1


∆y2


∆x1


∆x2


∆y1
∆x1


∆x1
2


∆x1
∆x2


∆y1
∆x2


∆y2
∆x1


∆y2
∆x2


∆x2
2


1


-21,9


-11,6


-2,7


3,3


58,31


7,11


-8,89


-72,89


30,89


-38,61


11,11


2


39,2


26,9


4,3


6,3


170,0


18,78


27,44


248,48


116,64


170,47


40,11


3


-5,7


-5,8


-0,7


-3,7


3,78


0,44


2,44


20,78


3,86


21,21


13,44


4


-21,8


-13,3


-2,7


0,3


58,04


7,11


-0,89


-7,26


35,42


-4,43


0,11


5


26,1


15,1


3,3


-0,7


87,11


11,11


-2,22


-17,42


50,39


-10,08


0,44


6


-16,1


-11,4


-1,7


-5,7


26,78


2,78


9,44


91,04


18,97


64,51


32,11



-0,2


-0,1


-0,2


-0,2


404,03


47,33


27,33


262,73


256,17


203,07


97,33



С учетом приведенных данных получим:


404,03 = 47,33δ11
+ 27,33δ12


262,73 = 27,33δ11
+ 97,33δ12



δ12
= 0,36;



С учетом этого первое уравнение ПФМ примет вид:



y
1

= 8,33х1
+ 0,36х2
+

u
1


Для второго уравнения определим δ – коэффициент с помощью МНК:




Для дальнейших расчетов данные берем из таблицы 9, 10. Получим:


256,17=47,33δ21
+27,33δ22


203,07=27,33δ21
+97,33δ22



δ22
= 0,68;



Второе уравнение ПФМ примет вид:


у2
= 5,02х1
+ 0,68х2
+

u
2


3) Выполним переход от ПФМ к СПФМ. Для этого из последнего уравнения найдем х2
:



Найденное х2
подставим в первое уравнение.


,


тогда b
12

=0,53;
a
11

=5,67


Из первого уравнения ПФМ найдем х1



Подставим во второе уравнение ПФМ


,


тогда b
21

=0,6;
a
22

=0,46


4) Свободные члены СФМ найдем из уравнения:


а01
= у1ср
- b12
у2ср
- а11
х1ср
= 73,17 – 0,53 50,98 - 5,67 5,67 = 14,00;


а02
= у2ср
- b21
у1ср
- а22
х2ср
= 50,98 - 0,6 73,17 - 0,46 6,67 = 4,00.


5) Записываем СФМ в окончательном виде:


y1
=a01
+ b12
y2
+ a11
x1
+ ε1
;


y2
=a02
+ b21
y1
+ a22
x2
+ ε2
.


y1
=14 + 0,53y2
+ 5,67x1
+ ε1
;


y2
= 4 + 0,6y1
+ 0,46x2
+ ε2.

Сохранить в соц. сетях:
Обсуждение:
comments powered by Disqus

Название реферата: Линейная регрессия

Слов:6973
Символов:75168
Размер:146.81 Кб.