Documente Academic
Documente Profesional
Documente Cultură
1
Regresie multipla
Coeficienti de
regresie
Variabila eroare
Variabila
Variabile Independente
Dependenta
2
Forma generală a modelului
x11 x1k
y1 k
1
1
x2 x2 1
Y , X , ,
y
n
k n
k
1
xn xn
Y = X +
4
Estimarea parametrilor prin MCMMP
Minimizăm suma pătratelor erorilor de ajustare:
S ( ˆ ) ei2 ( yi ˆ1 x1i ˆ2 x2 i ... ˆk xki ) 2
i i
( y
i
i
ˆ ' x )2 .
i
În dezvoltarea ultimei expresii s-a luat în considerare faptul că ˆ ' X ' Y este un scalar
real.
5
Estimarea parametrilor prin MCMMP
Derivînd în raport cu ̂ avem:
S (ˆ ) [Y 'Y 2ˆ ' X 'Y ˆ ' X ' X ˆ ] [ˆ ' X ' X ˆ ]
2 X 'Y 2 X 'Y 2 X ' X ˆ 0 .
ˆ ˆ ˆ
Din ipoteza V matricea X’X este nesingulară, deci estimatorul vectorului parametrilor
modelului de regresie multiplă este:
Generatori de cerere
Elemente de demografie
Cunoaşterea
Competiţia Clienţii Comunitatea Elemente fizice
pieţei
9
Exemplu (3)
Se folosesc date pentru un esantion de
100 hoteluri care apartin aceluiaşi lanţ, si
se foloseste urmatorul model :
Marja =Camere
ApropiereBirouriG/Aerop. + 5Venit
+ 6Dist_oraş+
Hotel
Hotel Marja
Marja Camere Apropiere
Camere Apropiere Birouri
Birouri G/Aerop.
G/Aerop. Venit
Venit Dist_oras
Dist_oras
11 55,5
55,5 3203
3203 0,1
0,1 549
549 88 37
37 12,1
12,1
22 33,8
33,8 2810
2810 1,5
1,5 496
496 17,5
17,5 39
39 0,4
0,4
33 49
49 2890
2890 1,9
1,9 254
254 20
20 39
39 12,2
12,2
44 31,9
31,9 3422
3422 11 434
434 15,5
15,5 36
36 2,7
2,7
55 57,4
57,4 2687
2687 3,4
3,4 678
678 15,5
15,5 32
32 7,9
7,9
66 49
49 3759
3759 1,4
1,4 635
635 19
19 41
41 44
10
Exemplu (4)
Regression Statistics
Multiple R 0,724611
R Square 0,525062
Adjusted R Square
0,49442 Marja = 72.455 - 0.008*Camere -1.646*Apropiere
Standard Error
5,512084 + 0.02*Birouri +0.212*G/Aerop
Observations 100
- 0.413*Venit + 0.225*Dist_oraş
ANOVA
df SS MS F Significance F
Regression 6 3123,832 520,6387 17,13581 3,03E-13
Residual 93 2825,626 30,38307
Total 99 5949,458
Coefficients
Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 72,45461 7,893104 9,179483 1,11E-14 56,78049 88,12874
Camere -0,00762 0,001255 -6,06871 2,77E-08 -0,01011 -0,00513
Apropiere -1,64624 0,632837 -2,60136 0,010803 -2,90292 -0,38955
Birouri 0,019766 0,00341 5,795594 9,24E-08 0,012993 0,026538
G/Aerop. 0,211783 0,133428 1,587246 0,115851 -0,05318 0,476744
Venit -0,41312 0,139552 -2,96034 0,003899 -0,69025 -0,136
Dist_oras 0,225258 0,178709 1,260475 0,210651 -0,12962 0,580138 11
Exemplu (5)
• Utilizarea modelului
Predictie pentru un hotel cu
urmatoarele caracteristici:
3815 camere în raza de 5 km,
Cel mai apropiat competitor la 3.4 km,
11 dacă1 prima
dacă dacă
dateletemperatura
1 dacăcondiţie
sunt
e licenţiat
culese aînfost
e satisfăcutăsubde10
înainte
Finanţe 2000
o
I=
00 dacă
0dacă atemperatura
dacă
dacă doua
edatele
licenţiat a fost
condiţie
sunt
în de 10
altceva
eculese
satisfăcută
după sau2000
decât
o
mai mult
Finanţe
13
Exemplu (1)
14
Exemplu (2)
Folosim modelul
y = 0 + 1(Kilometraj) + 2I1 + 3I2 +
Regression Statistics
Multiple R 0.835482
R Square 0.69803
Adjusted R Square
0.688594
Standard Error
142.271
Observations 100
ANOVA
df SS MS F Significance F
Regression 3 4491749 1497250 73.97095 7.22E-25
Residual 96 1943141 20241.05
Total 99 6434890
Coefficients
Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 6350.323 92.16653 68.90053 1.5E-83 6167.374 6533.272
Odometer -0.02777 0.002369 -11.7242 3.14E-20 -0.03247 -0.02307
I-1 45.24098 34.08443 1.327321 0.187551 -22.4161 112.8981
I-2 147.738 38.18499 3.869007 0.000199 71.94135 223.5347 16