Регрессионная модель в матричном виде - презентация, доклад, проект скачать

Нажмите для полного просмотра!

Регрессионная модель в матричном виде, слайд №1

Регрессионная модель в матричном виде, слайд №2

Регрессионная модель в матричном виде, слайд №3

Регрессионная модель в матричном виде, слайд №4

Регрессионная модель в матричном виде, слайд №5

Регрессионная модель в матричном виде, слайд №6

Регрессионная модель в матричном виде, слайд №7

Регрессионная модель в матричном виде, слайд №8

Регрессионная модель в матричном виде, слайд №9

Регрессионная модель в матричном виде, слайд №10

Регрессионная модель в матричном виде, слайд №11

Регрессионная модель в матричном виде, слайд №12

Регрессионная модель в матричном виде, слайд №13

Регрессионная модель в матричном виде, слайд №14

Регрессионная модель в матричном виде, слайд №15

Регрессионная модель в матричном виде, слайд №16

Регрессионная модель в матричном виде, слайд №17

Регрессионная модель в матричном виде, слайд №18

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему Регрессионная модель в матричном виде. Доклад-сообщение содержит 18 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1

Описание слайда:

Регрессионная модель в матричном виде В матричной форме регрессионная модель имеет вид: Y = X +  (1) где Y - случайный вектор - столбец размерности (n x 1) X - матрица размерности [n x (k+1)] наблюдаемых значений аргументов.  - вектор - столбец размерности [(k+1) x 1] неизвестных, подлежащих оценке параметров (коэффициентов регрессии) модели;  - случайный вектор - столбец размерности (n x 1) ошибок наблюдений (остатков).

Слайд 2

Описание слайда:

Основы регрессионного анализа Исходные статистические данные могут быть представлены в виде вектора значений результативной переменной и матрицы X значений объясняющих переменных размерности ( ), где – значение j–й объясняющей переменной для i-го наблюдения. Единицы в первом столбце матрицы необходимы для обеспечения свободного члена в регрессионной модели.

Слайд 3

Описание слайда:

Основы регрессионного анализа X=

Слайд 4

Описание слайда:

Регрессионная модель в матричном виде Так как xj - неслучайные величины, Mi=0, оценка уравнения регрессии в матричной форме имеет вид: где - вектор-столбец с элементами

Слайд 5

Описание слайда:

Регрессионная модель в матричном виде Для оценки вектора b наиболее часто используют метод наименьших квадратов (МНК)

Слайд 6

Описание слайда:

Регрессионная модель в общем виде Дифференцируя квадратичную форму Q по b0,b1,...,bк и приравнивая производные к нулю, получим систему нормальных уравнений: Решая которую, получим вектор оценок b, где b=(b0 b1...bк)T (2)

Слайд 7

Описание слайда:

Свойства оценки Из (2) с учетом (1) будем иметь: Таким образом, b - несмещенная оценка

Слайд 8

Описание слайда:

Пример Пусть , i=1,2,…,n Определить МНК-оценку параметра

Слайд 9

Описание слайда:

Оценка ковариационной матрицы Оценка ковариационной матрицы коэффициентов регрессии вектора b определяется из выражения: На главной диагонали ковариационной матрицы находятся дисперсии коэффициентов регрессии.

Слайд 10

Описание слайда:

Например, найдено тогда оценка ковариационной матрицы

Слайд 11

Описание слайда:

Проверка значимости уравнения регрессии H0: =0 (0=1=...=к=0), проверяется по F-критерию Фишера где

Слайд 12

Описание слайда:

Проверка значимости уравнения регрессии 2. По таблице F-распределения находят Fкр для заданных , 1к, 2nк 3. Если Fнабл>Fкр, то гипотеза H0 отклоняется с вероятностью ошибки . Из этого следует, что уравнение регрессии является значимым, т. е. хотя бы один из коэффициентов регрессии отличен от нуля.

Слайд 13

Описание слайда:

Проверка значимости отдельных коэффициентов регрессии В случае значимости уравнения регрессии представляет интерес проверка значимости отдельных коэффициентов регрессии и построение для них интервальных оценок. Значимость коэффициентов регрессии можно проверить с помощью t-критерия, основанного на статистике: которая при выполнении гипотезы имеет t-распределение ( распределение Стьюдента)

Слайд 14

Описание слайда:

Проверка значимости коэффициентов регрессии tкр(, = n-к-1) Гипотеза H0 отвергается с вероятностью , В противном случае коэффициент регрессии незначим и соответствующая переменная в модель не включается.

Слайд 15

Описание слайда:

Интервальное оценивание коэффициентов регрессии Интервальная оценка с доверительной вероятностью  для параметра j имеет вид: где t находят по таблице t-распределения Стьюдента при   и nк .

Слайд 16

Описание слайда:

Явление мультиколлинеарности Мультиколлинеарность - это негативное явление, обусловленное тесной взаимосвязью объясняющих переменных 1. При наличии мультиколлинеарности матрица (XTX) становится слабо обусловленной, т.е. ее определитель близок к нулю. 2. Нахождение обратной матрицы связано с делением на определитель (т.е. величину близкую к нулю). Следовательно, все решения становятся неустойчивыми.

Слайд 17

Описание слайда:

Явление мультиколлинеарности 3. вектор b=(b0 b1...bк)T содержит элементы, знаки которых не поддаются содержательной интерпретации. 4. Находящиеся на главной диагонали ковариационной матрицы дисперсии могут оказаться неоправданно завышенными 5. В этой связи значимые коэффициенты могут оказаться статистически незначимыми, т.к.

Слайд 18

Описание слайда:

Явление мультиколлинеарности 6. Мультиколлинеарность ведет к неоправданно завышенному множественному коэффициенту корреляции Ry Наличие мультиколлинеарности можно проверить по матрице парных коэффициентов корреляции R=(rjl) j,l=1,2,…,р. О мультиколлинеарности говорят, если rjl>0,8 (0