Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
в экселе.doc
Скачиваний:
4
Добавлен:
01.05.2025
Размер:
658 Кб
Скачать
☆
  • В области Дисперсионный анализ мы получили:

    6.1 Столбец df - число степеней свободы (используется при проверке адекватности модели по статистическим таблицам):

    • в строке Регрессия находится – количество коэффициентов уравнения, не считая свободного члена b;

    • в строке Остаток находится =n- -1, где n – количество исходных данных.

    6.2. Столбец SS (сумма квадратов):

    • в строке Регрессия: - приведена доля дисперсии, которая описывается уравнением регрессии (сумма квадратов, обусловленная регрессией).

    где - модельные (расчетные) значения Y, полученные путем подстановки значений Х в построенную модель;

    - среднее значение Y;

    • в строке Остаток: - приведена доля дисперсии, которая не учитывается при записи уравнения (остаточная сумма квадратов).

    6.3. Столбец MS - вспомогательные величины:

    • в строке Регрессия: ;

    • в строке Остаток: .

    Используются для расчета критерия Фишера.

    6.4. Столбец F - критерий Фишера. .

    6.5. Столбец Значимость F (критерия Фишера) - оценка адекватности построенной модели. Находится по значениям F, и с помощью функции FРАСП. Если Значимость F меньше 0,05, то модель может считаться адекватной с вероятностью 0,95.

    1. Среди полученных результатов есть столбец «Коэффициенты», содержащий значение a = 625,031 в строке «Y-пересечение», b=22,507 – в строке «Переменная Х1». Сравните полученные результаты с ранее рассчитанными коэффициентами a и b.

    2. Стандартная ошибка, t-статистика - это вспомогательные величины, используемые для проверки значимости коэффициентов модели.

    3. Р - величина - оценка значимости коэффициентов модели. Если Р - величина меньше 0,05, то с вероятностью 0,95 можно считать, что соответствующий коэффициент модели значим (т.е. его нельзя считать равным нулю и Y значимо зависит от соответствующего Х).

    4. Нижние и верхние 95 - доверительные интервалы для коэффициентов модели.

    3.4 Построение модели линейной регрессии с помощью ппп spss.

    Для построения модели линейной регрессии в SPSS следуйте следующим инструкциям:

    1. Выполните команду Analyze/Regression/Linear (Анализ/Регрессия/Линейная).

    2. В диалоговом окне переменную Количество туристов перенесите в область Dependent (Зависимая), а переменную Затраты – в область Independent (Независимая). Нажмите кнопку ОК (см. рис. 20).

    Рис.20. Фрагмент окна Linear Regression.

    1. Проанализируем полученные результаты.

      1. Первое, на что необходимо обратить внимание, - это таблица ANOVA, на которой представлены результаты дисперсионного анализа (рис. 21). Результаты данной таблицы соответствуют результатам, полученным с использованием инструмента анализа Регрессия в MS Excel (таблица Дисперсионный анализ).

    • В строке Regression (Регрессия) приведена доля дисперсии, которая описывается уравнением регрессии (сумма квадратов, обусловленная регрессией).

    • В строке Residual (Остаток) – доля дисперсии, которая не учитывается при записи уравнения (остаточная сумма квадратов).

    • Наибольший интерес представляет статистическая значимость Sig или значимость F (вероятность случайности результата), которая должна быть меньше или равна 0,05. Если значимость меньше 0,05, то модель может считаться адекватной с вероятностью 0,95. В нашем случае вероятность того, что получен случайный результат, очень мала (p0,001), и, соответственно, адекватность построенной модели стремится к 100%.

    Рис.21. Таблица ANOVA (Дисперсионный анализ).

      1. Затем следует рассмотреть таблицу Model Summary (Сводная таблица по модели), содержащую важные сведения о построенной модели (рис.22). Результаты данной таблицы соответствуют результатам, полученным с помощью инструмента анализа Регрессия (таблица Регрессионная статистика) в MS Excel.

    • Коэффициент корреляции R=0,952, что указывает на наличие очень сильной связи между исследуемыми переменными.

    • Величина R Square (R2) - коэффициент детерминации. В нашем случае R2 = 0,907 – это значит, что регрессионной моделью описано 90,7 % случаев.

    • Более точное значение дает Adjusted R Square (Исправленный квадрат R).

    • Третьим, практически значимым показателем, определяющим качество регрессионной модели, является величина стандартной ошибки расчетов (Std. Error of the Estimate). Сравните данный показатель с полученным ранее в MS Excel.

    Рис.22. Таблица Model Summary.

    На основании таблиц ANOVA и Model Summary можно судить о практической пригодности построенной регрессионной модели. Учитывая, что ANOVA показывает весьма высокую значимость (менее 0,001), коэффициент корреляции равен 0,952, можно сделать вывод о том, что с учетом ограничения модель описывает приблизительно 90 % совокупной дисперсии, то есть построенная регрессионная модель является статистически значимой и практически приемлемой.

      1. Основные практические результаты регрессии содержатся в таблице Coefficients (Коэффициенты), представленной на рис.23. Результаты данной таблицы соответствуют результатам, полученным с помощью инструмента анализа Регрессия в MS Excel.

    • Столбец В содержит коэффициент регрессии. Он служат для формирования регрессионного уравнения, по которому можно рассчитать величину зависимой переменной при разных значениях независимых. В нашем примере B=22,507.

    • Cтрока Constant (Постоянная) содержит значение зависимой переменной при нулевом значении независимой переменной (смещение по оси ординат) и в нашем случае А = 625,031.

    • Итак, в результате построения регрессионной модели можно сформировать следующее регрессионное уравнение:

    Y=22,507*X+625,031

    • Столбец Std. Error (Стандартная ошибка), рассчи­тываемая для коэффициента регрессии В. При 95%-ном доверительном уровне коэффициент может отклоняться от величины В на ± 2*Std.Error. Это означает, что коэффициент В, равный 22,507 в 95 % случаев может отклоняться от данного значения на ± 2 * 1,7 или на ± 3,4. Минимальное значение коэффициен­та будет равно 22,507 – 3,4 = 19,107; а максимальное – 22,507 + 3,4 = 25,907. Таким образом, в 95 % случаев коэффициент регрессии варьируется в пределах от 19,107 до 25,907 (при среднем значении 22,507).

    Рис.23. Таблица Coefficients .

    На этом интерпретация результатов регрессионного анализа может считаться за­вершенной.

    3.5. Построение линии регрессии.

    1. Для графического отображения линии регрессии постройте сначала корреляционное поле способом, описанным в задании №1.

    2. Далее в окне просмотра результатов  щёлкните дважды на графике, чтобы перенести его в редактор диаграмм.

    3. В окне редактора диаграмм выполните команду Elements/Fit line at total (Элементы/Линия тренда для всего графика).

    4. В окне Properties (Свойства) на вкладке Fit Line подтвердите предварительную установку Linear Regression и щелкните по кнопке [Apply] (Применить).

    5. Сохраните отчет по заданиям в своей папке под именем Регресc_Анализ.spo.

    Задание 4. Выбор наиболее точной модели связи.

    Условие задачи. Исследуется зависимость дозы облучения от толщины слоя защитного материала. Имеются результаты 10 экспериментов (см. рис.24).

    Имеются основания предполагать, что зависимость дозы (функция) от толщины слоя материала (аргумент) может выражаться одним из следующих уравнений:

    • Y=a + b*X (линейная модель);

    • Y=a* (степенная модель);

    • Y=a+b/X (гиперболическая модель).

    Выберите наиболее точную модель и определите ее коэффициенты.

    Рис.24 Исходные данные для задания №4.

    1. Откройте новую книгу MS Excel и создайте таблицу согласно рис. 25, сохраните в своей папке под именем Выбор модели.xls

    2. Постройте на этом же листе точечную диаграмму зависимости Y=f(X).

    3. Нанесите на нее линейный и степенной тренды с уравнениями и величиной достоверности аппроксимации ( ).

    4. Для построения гиперболической модели преобразуйте модель в линейную, получив в ячейках С2:С11 величину 1/Х.

    5. Используя функцию ЛИНЕЙН, получите в ячейках А14:В14 коэффициенты уравнения b и a (т.е. уравнение).

    6. В ячейке А17 введите уравнение гиперболической модели Y= a+b*U. (вместо b и a подставьте полученные коэффициенты).

    7. Для построенной гиперболической модели найдите величину достоверности аппроксимации R2. Для этого сделайте следующие предварительные расчеты:

    • Сначала найдите среднее значение в ячейке D2.

    • В диапазоне ячеек E2:E11 получите модельные значения путем подстановки значений U из блока ячеек С2:С11 в полученное уравнение гиперболической модели (в ячейке E2 будет формула =$B$14+$A$14*C2).

    • В диапазоне ячеек F2:F11 рассчитайте (отклонение значений переменной от среднего значения ).

    • В диапазоне ячеек G2:G11 рассчитайте (квадраты отклонений значений переменной от среднего значения ).

    • В ячейке H2 найдите сумму квадратов , скорректированную на среднее: .

    • Аналогичным образом найдите сумму квадратов прогнозируемых (модельных) значений, обусловленную регрессией . Для этого используйте столбцы I, J, K.

    • Найдите величину достоверности аппроксимации: в ячейке L2.

    1. По значениям коэффициентов достоверности аппроксимации выберите наиболее точную модель, которая соответствует максимальному коэффициенту достоверности.

    2. Копия экрана Задания 4 приведена на рис. 25.

    Рис. 25. Расчеты по выбору оптимальной модели.

    28