Documente Academic
Documente Profesional
Documente Cultură
C4.
1. Regresia prin origine
2. Prezentarea modelului liniar multiplu
3. Estimarea parametrilor modelului liniar multiplu
4. Testarea parametrilor modelului liniar multiplu
1
Regresia prin origine (I)
Situaţii în care am putea construi un
model de regresie prin origine:
În urma testării parametrilor modelului,
parametrul β0 are o valoare nesemnificativă
statistic, iar parametrul β1 este semnificativ
statistic;
Există suport teoretic care să impună
estimarea unui model care trece prin origine –
lipsa influenţei variabilei independente conduce
la o medie zero pentru variabila dependentă
(analiza de cost, legătura dintre lungimea şi
greutatea frunzelor unui copac).
2
Regresia prin origine (II)
3
Regresia prin origine (III)
În cazul modelului de regresie Y 1 X
aplicarea metodei celor mai mici pătrate
se simplifică.
Problema de minim care trebuie rezolvată
este de forma:
4
Regresia prin origine (IV)
Estimatorul ̂1 este nedeplasat
Avem n-1 grade de libertate
Probleme ale utilizării în practică:
Suma erorilor nu mai este zero;
R2 poate avea o valoare foarte mare, prin urmare
interpretarea acestuia nu mai are sens. Se utilizează o
variantă a lui R2, şi anume:
5
Modelul liniar multiplu (I)
Forma generală a modelului liniar multiplu este dată
prin relaţia:
Y M Y / X 0 1 X 1 2 X 2 ... p X p
unde:
Y - variabila dependentă;
X1, X2,…,Xi,…,Xp - variabile independente (predictori);
ε - variabilă reziduu de modelare (variabila aleatoare);
βi - parametrii modelului de regresie
k - numărul de parametri din model, k=p+1.
Y
i , i 1, p - variaţia absolută a variabilei
X i
7
Modelul liniar multiplu (3)
-normalitatea erorilor :
i ~ N (0, 2 )
-homoscedasticitate: V ( i ) M ( i2 ) 2
Rezultă
ˆ i y i ŷ i y i ˆ 0 ˆ 1 x1i 2 x 2 i
i 1 i
9
Estimarea parametrilor modelului multiplu liniar
(II)
n n n
nβ̂0 β̂1 x1i β̂2 x2i yi
i 1 i 1 i 1
n n n n
β̂0 x1i β̂1 x β̂2 x1i x2i yi x1i
2
1i
i 1 i 1 i 1 i 1
n n n n
β̂0 x2i β̂1 x1i x2i β̂2 x yi x2i 2
2i
i 1 i 1 i 1 i 1
10
Estimarea parametrilor modelului multiplu
liniar (III)
11
Estimarea parametrilor modelului multiplu
liniar (IV)
6. Regula de decizie
Dacă t t se respinge H0
calc /2
14
Testarea parametrilor modelului
liniar multiplu (III)
În SPSS, decizia se ia pe baza semnificaţiei testului (Sig.):
- dacă Sig t , se respinge H0
15
Testarea modelului de regresie (I)
1. Formularea ipotezelor
H0: β0=β1=…=βp=0 (modelul nu este semnificativ)
H1: nu toţi coeficienţii sunt simultan zero
ESS n k R2 n k
5. Valoarea calculată a testului: F
RSS k 1 1 R k 1
2
16
Testarea modelului de regresie (II)
6. Regula de decizie
Dacă Fcalc Fk 1,n k se respinge H0
17
EXEMPLU
Pentru un eşantion de mărci de
cereale, se studiază legătura
dintre ratingul acordat de
consumatori unei mărci de
cereale şi nr. de grame de
grăsimi, de zahăr şi de fibre.
18
Model Summary
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 9325,268 2 4662,634 60,836 ,000a
Residual 5671,533 74 76,642
Total 14996,800 76
a. Predictors: (Constant), sugars, fat
b. Dependent Variable: rating
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 61,089 1,953 31,284 ,000
fat -3,066 1,036 -,220 -2,958 ,004
sugars -2,213 ,235 -,700 -9,428 ,000
a. Dependent Variable: rating
19
Model Summary
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 12503,728 3 4167,909 145,570 ,000a
Residual 1946,958 68 28,632
Total 14450,686 71
a. Predictors: (Constant), fat, fiber, sugars
b. Dependent Variable: rating
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 53,673 1,389 38,637 ,000
fiber 2,938 ,261 ,507 11,265 ,000
sugars -1,992 ,150 -,622 -13,238 ,000
fat -3,347 ,656 -,238 -5,103 ,000
a. Dependent Variable: rating
20