Автор работы: Пользователь скрыл имя, 11 Декабря 2011 в 19:18, курсовая работа
В регрессионных моделях в качестве объясняющих переменных часто приходится использовать не только количественные (определяемые численно), но и качественные переменные. Например, спрос на некоторое благо может определяться ценой данного блага, ценой на заменители данного блага, ценой дополняющих благ, доходом потребителей и т.д. (эти показатели определяются количественно). Но спрос может также зависеть от вкусов потребителей, их ожиданий, сезона, пола, национальных и религиозных особенностей и т.д. А эти показатели можно представить в целочисленном виде – это качественные признаки.
Введение
Описание предметной области
Экономико-математическая постановка задачи
Решение поставленной задачи
Выводы
Заключение
Список используемых источников
Применяя
второй способ построения регрессии, получим
следующие значения коэффициентов
Таким образом, получим уравнение
| Y-пересечение | -1,16519 |
| Переменная Х1 | 0,743363 |
| Переменная Х2 | 0,466077 |
Коэффициент детерминации тоже вычисляется и равен R2 = 0,549084. Наряду с этими параметрами также вычисляется значение F-статистики (факторной) Fфакт. = 5,47969. Отсюда следует, что уравнение регрессии (6) в целом значимо, так как для уровня значимости
Fфакт.>F0,05;2;9 = 4,26
Можно было не сравнивать эти две величины, так как второй способ построения регрессии выдает также под ячейкой «Значимость F» значение аргумента распределения Фишера 0,027761. Поскольку оно меньше уровня значимости , то уравнение (6) в целом значимо.
Из уравнения (6) следует, что при одном и том же числе решенных задач на вступительных экзаменах хi, на курсовых экзаменах юноши решают в среднем на 0,466077 задачи больше, что изображено на рисунке.
Рис.
Две линии зависимости
Но коэффициент регрессии 0,466077 при фиктивной переменной z1i не является значимым по t-критерию Стьюдента, так как
tфакт.<t0,95;9 = 2,262
Следовательно, для наших данных влияние фактора «пол» оказалось несущественным (незначимым), и есть основания считать, что регрессионная зависимость результатов курсовых экзаменов в зависимости от вступительных одна и та же для юношей и девушек.
Замечание.
Если бы в регрессионной модели мы
хотели учесть другие факторы с большим,
чем две, числом ki градаций
(здесь i – номер фактора), то, как отмечено
выше, следовало бы ввести в модель (ki
– 1) бинарных переменных. Например, если
было бы необходимо изучить влияние на
результаты курсового экзамена фактора
Z2 – «тип учебного заведения», оконченного
студентом (школа, техникум, колледж), то
в регрессионную модель (6) следовало ввести
ki – 1 = 3 – 1 = 2 бинарные переменные
где
Но при этом, конечно, следовало увеличить объем выборки n, так как надежность статистических выводов существенно зависит от отношения объема выборки n к общему числу всех параметров регрессионной модели: чем больше величина отношения n/(m + 1), тем точнее соответствующие оценки, тем надежнее статистические выводы.