Regresijos lygties parametr vertinimas 2014 02 19 D
- Slides: 46
Regresijos lygties parametrų vertinimas 2014 -02 -19 D. Gujarati Part 1 “ Single-Eguation regression Models” 3 skyrelis “Two –variable Regression model: The Problem of Estimation” ir 4 skyrelis The Normality Assumption: CNLRM) VU EF V. Karpuškienė 1
Porinė tiesinė regresija: parametrų vertinimas Grafinė ir statistinė duomenų analizė ¡ Parametrų vertinimas mažiausių kvadratų metodu ¡ l l l ¡ Porinė tiesinė regresija Dauginė tiesinė regresija Klasikinio regresinio modelio prielaidos Gauso-Markovo teorema Įverčių savybės Regresijos paklaida ir jos įvertis Maksimalaus tikėtinumo metodas VU EF V. Karpuškienė 2
Pvz. VU EF V. Karpuškienė 3
Grafinė studento-motinos ūgio priklausomybės analizė VU EF V. Karpuškienė 4
Regresijos parametrų vertinimo metodai Regresinis modelis – bendras atvejis Porinė tiesinė regresija Yi = β 0 + β 2 Xi + εi Yi = β 0 + β 1 Xi Sisteminė/dėsningoji dalis VU EF V. Karpuškienė + εi Atsitiktinė dalis 5
Regresijos parametrų vertinimo metodai ¡ ¡ MKM – rasti tokius parametrų β 1, β 2 įverčius, kurie minimizuoja modelio paklaidas, t. y atsitiktinę modelio dalį. MTM – rasti tokius parametrų įverčius β 1, β 2, kurie maksimizuoja sisteminės dalies ir Yi atitikimo tikimybę VU EF V. Karpuškienė 6
Parametrų įverčių nustatymas mažiausių kvadratų metodu Yi= 0+ 1 Xi+ i Yi = b 0+ b 1 Xi +ei MKM Įrodymas auditorijoje VU EF V. Karpuškienė 7
Y Y 4 . e 4 { Y 3 Y 2 Y 1 e 2 {. . } e 3 e 1 }. x 1 x 2 x 3 x 4 x Y, e ir tiesinė regresijos lygtis VU EF V. Karpuškienė 8
Parametrų įverčių nustatymas mažiausių kvadratų metodu ¡ Formulių išvedimas paskaitos metu VU EF V. Karpuškienė 9
Parametrų įverčių nustatymas mažiausių kvadratų metodu Galimos b 1 matematinės išraiškos Įrodymas auditorijoje VU EF V. Karpuškienė 10
Pvz. Matavimo vienetų įtaka koeficientams YSŪ ir XMŪ - cm YSŪ ir XMŪ - metrais YSŪ- cm , XMŪ - m YSŪ- m , XMŪ - cm VU EF V. Karpuškienė 11
Dauginės regresijos įverčių nustatymas mažiausių kvadratų metodu Yi= 0 + 1 X 1 i + 2 X 2 i + i Yi = b 0+ b 1 Xi + b 2 X 2 i+ ei VU EF V. Karpuškienė MKM 12
MKM dviems kintamiesiems Yi = 0 + 1 X 1 + 2 X 2 + ei Pasižymime : VU EF V. Karpuškienė 13
MKM dviems kintamiesiems 2 yi xi 1 xi 2 yi xi 2 xi 1 xi 2 b 1 = 2 2 2 xi 1 xi 2 xi 1 xi 2 2 yi xi 2 xi 1 yi xi 1 xi 2 xi 1 b 2 = 2 2 2 xi 1 xi 2 xi 1 xi 2 VU EF V. Karpuškienė 14
1 -4 grupių studentų ūgiai 2014 Regression Statistics Multiple R 0, 37 R Square 0, 14 Adjusted R Square 0, 11 Standard Error 7, 73 Observations 76, 00 ANOVA Regression Residual Total Intercept MŪ TŪ VU EF V. Karpuškienė df 2, 00 73, 00 75, 00 SS 699, 04 4357, 95 5056, 99 Coefficient Standard s Error 57, 60 35, 26 0, 60 0, 19 0, 08 0, 13 MS 349, 52 59, 70 F Significanc e F 5, 85 0, 00 t Stat P-value Lower 95% Upper 95% 1, 63 0, 11 -12, 67 127, 87 3, 19 0, 00 0, 22 0, 98 0, 62 0, 54 -0, 17 0, 33 Lower 95, 0% -12, 67 0, 22 -0, 17 Upper 95, 0% 127, 87 0, 98 0, 33 15
MKM įverčių savybės Įverčiai yra atsitiktiniai dydžiai ¡ Įverčiai yra tiesiniai, nepaslinkti, efektyvūs ir suderinti ¡ VU EF V. Karpuškienė 16
Įverčiai atsitiktiniai dydžiai Įverčiai, kaip ir visi atsitiktiniai dydžiai, charakterizuojami vidurkiu ir dispersija VU EF V. Karpuškienė 17
Gauso-Markovo teorema ¡ Teorema Jeigu yra tenkinamos klasikinio regresinio modelio prielaidos, tai mažiausių kvadratų metodu apskaičiuoti regresijos įverčiai yra tiesiniai, nepaslinkti ir turi mažiausią dispersiją nepaslinktų tiesinių įverčių klasėje. VU EF V. Karpuškienė 18
Klasikinio regresinio modelio prielaidos Prielaidos matematinė išraiška Prielaida 1. Regresijos funkcija koeficientų ir paklaidų atžvilgiu yra tiesinė (tiesiškumas) yi = 1 + 2 Xi 2+. . . + n. Xim+ i 2. Paklaidų vidurkis lygus nuliui (nulinis vidurkis) E( i) = 0 3. Paklaidos neautokoreliuoja autokoreliuotumas) Cov( i j) = 0, i, j / i j 4. Paklaidų dispersija (Homoskedastiškumas) (likučių yra ne pastovi 2( i) = const. 5. Nepriklausomi veiksniai nėra tiesinės kitų nepriklausomų veiksnių kombinacijos (ne multikolinearumas) Xi θ 0+θj. Xj, i, j / i j 6. Paklaidos pasiskirsčiusios pagal normalųjį pasiskirstymo dėsnį (normalumas). i ~ N (0, 2) VU EF V. Karpuškienė 19
Klasikinės regresijos prielaidos Prielaidos matematinė išraiška Prielaida 7. Regresijos nepriklausomi atsitiktiniai dydžiai kintamieji nėra Cov(Xj. I i) = 0, j 8. Stebėjimų skaičius turi būti didesnis negu vertinamų parametrų skaičius N>M 9. Nepriklausomų kintamųjų reikšmės turi būti įvairios, negali įgyti tik vieną reikšmę Xj≠const 10. Regresijos modelis yra teisingai sudarytas kintamųjų parinkimo ir parametrų vertinimo požiūriu VU EF V. Karpuškienė 20
Sąvokos ¡ ¡ Tiesiniai įverčiai l Gauti įverčiai yra apskaičiuoti pagal tiesinę Y atžvilgiu lygtį Nepaslinkti įverčiai l Įverčių bj, apskaičiuotų skirtingų duomenų imčių pagrindu, vidurkis yra lygus tikrajai parametro reikšmei E(bj)= j Efektyvūs l Efektyvus įvertis –tai įvertis turintis mažiausią dispersiją nepaslinktų įverčių klasėje, t. y. , įvertis, esantis arčiausiai tikrosios parametro reikšmės Suderinti l Suderintas - tai toks įvertis, kurio reikšmės artėja prie tikrosios parametro reikšmės, didėjant stebėjimų skaičiui VU EF V. Karpuškienė 21
Svarbios skaitinės savybės ¡ VU EF V. Karpuškienė
MKM įverčių savybių įrodymas ¡ Tiesiškumas Suma lygi 0 Konstanta VU EF V. Karpuškienė 23
MKM įverčių savybių įrodymas ¡ Nepaslinktumas =0 =0 =1 VU EF V. Karpuškienė 24
Mažos imties įverčių pageidaujamos savybės ¡ Nepaslinktumas Tikimybių tankis 1 b j βj 2 b j VU EF Vita Karpuškienė Tikroji parametro reikšmė
3. 15 Efektyvūs įverčiai Įverčių efektyvumas Efektyvus Tikimybių tankis Neefektyvūs βj
3. 15 Suderinti įverčiai Suderinamumas N=10 Tikimybių tankis N=1000 N=5000
Įverčiai tiesiniai nepaslinkti ir efektyvūs yi . . xi VU EF V. Karpuškienė 28
Įverčiai tiesiniai paslinkti yi . . xi VU EF V. Karpuškienė 29
Gauss –Markov teoremos įrodymas Efektyvumas Tarkim turime tiesinį nepaslinktą įvertį, kurio dispersija yra mažiausia Tiesinis Efektyvumas Min pasiekiamas tuo atveju, kai VU EF V. Karpuškienė 30
Porinės regresijos paklaida ir jos įvertis Porinės regresijos paklaida Modelio paklaidos įvertis yra atsitiktinis dydis, kuris apibūdinamas vidurkiu ir dispersija; • Vidurkis E(e)=0 • Dispersijos įvertis • Standartinė modelio paklaida VU EF V. Karpuškienė 31
Dauginės regresijos paklaida ir jos įvertis Dauginės regresijos paklaida Modelio paklaidos įvertis yra atsitiktinis dydis, kuris apibūdinamas vidurkiu ir dispersija; • Vidurkis E(e)=0 • Dispersijos įvertis • Standartinė modelio paklaida VU EF V. Karpuškienė 32
Modelio paklaidos ei VU EF V. Karpuškienė 33
Modelio paklaidos ei VU EF V. Karpuškienė 34
Maksimalaus tikėtinumo metodas Idėja: Rasti tokius parametrų β 0, β 1 įverčius, kurie maksimizuoja sisteminės dalies ir Yi atitikimo tikimybę ¡ Neatsitiktiniai dydžiai Yi = β 0 + β 1 Xi+ εi Atsitiktiniai dydžiai VU EF V. Karpuškienė 35
2. 48 Normalusis skirstinys 2 Y ~ N( , s ) f(y) = f(y) VU EF V. Karpuškienė 2 (y - ) exp 2 1 2 s 2 p s 2 y 36
Maksimalaus tikėtinumo metodas Tarkim nagrinėjame porinę priklausomybę, kurios Yi – 2) atsitiktinis dydis pasiskirstęs N ( , σ Yi = β 0 + β 1 Xi +εi i = E(Yi) = β 0 + β 1 Xi MTM – esmė VU EF V. Karpuškienė 37
Maksimalaus tikėtinumo metodas Iš tikimybių teorijos žinom, jeigu Y – nepriklausomas atsitiktinis dydis, tai . . . VU EF V. Karpuškienė 38
Maksimalaus tikėtinumo metodas = Įsistatom į tankio f-jos lygtį VU EF V. Karpuškienė 39
Maksimalaus tikėtinumo funkcija LF – maksimalaus tikėtinumo funkcija LF= VU EF V. Karpuškienė max 40
Maksimalaus tikėtinumo funkcija (Imties koeficientai) Ieškome LF maksimalios reikšmės duomenų imties koeficientams, skaičiuodami dalines išvestines, prilygintas 0 VU EF V. Karpuškienė 41
Maksimalaus tikėtinumo funkcija Dalinių išvestinių skaičiavimo rezultatai VU EF V. Karpuškienė 42
Maksimalaus tikėtinumo funkcija VU EF V. Karpuškienė 43
Maksimalaus tikėtinumo metodo įverčiai VU EF V. Karpuškienė 44
MKM ir MTM palyginimas ¡ MKM privalumai: l l ¡ Idėjos akivaizdumas Skaičiavimų paprastumas MKM trūkumai l VU EF V. Karpuškienė Kad įverčiai turėtų pageidaujamas savybes: tiesiškumą, nepaslinktumą, suderinamumą, turi būti tenkinamos klasikinio regresinio modelio prielaidos, kurias reikia tikrinti kiekviename modelyje) 45
MKM ir MTM palyginimas ¡ MTM privalumai: l l ¡ MTM trūkumai l l ¡ Apskaičiuoja tiesinių ir netiesinių regresinių modelių parametrų įvarčius Esant didelėms stebėjimų imtims, apskaičiuoti įverčiai turi pageidaujamas savybes Būtina žinoti priklausomojo kintamojo tikimybių pasiskirstymą. Sudėtingi skaičiavimai MKM ir MTM tiesinės regresinės lygties parametrų įverčiai sutampa, kai Y turi normalųjį tikimybių skirstinį VU EF V. Karpuškienė 46
- Pasikliautinasis intervalas
- Darbuotojo apibudinimas ir vertinimas
- Matematikos vbe taskai i balus
- 2002 biologijos valstybinio egzamino atsakymai
- Mokinių gebėjimų vertinimas
- Windows essentials 2014
- 2014 pearson education inc
- 1477 de 2014
- Cpea results 2017 grenada
- Frusatex
- Implementasi uu no 33 tahun 2014 dilaksanakan pada:
- 2014 pearson education inc
- Adrenaline intra tracheale
- Rd 517/2014
- Atlas status 2014
- Tms 2014
- Pot cali acuerdo 0373 de 2014
- Liam payne
- Growth and development in physical education
- Ley 1732
- 2014 pearson education inc
- Srnt 2014
- Uu no 38 tahun 2014
- Www.teachitscience.co.uk 2018 answers
- Acsm 2014
- Climate change 2014 mitigation of climate change
- Creg 038 de 2014
- 2014 pearson education inc
- 2014 brain wrinkles
- Protoctista
- Hypokyphose
- 2014 brain wrinkles answer key
- Orden 3814/2014
- 2015 geografijos egzamino atsakymai
- Ddb board regulation no.1 series of 2014
- Mconline singapore
- Eft payment bangladesh
- 21 fevrier 2014
- Poema narrativo
- 2014
- Irs cbc 2014
- Moleculas organicas
- Conjuntos numéricos
- Microsoft word 2014
- Libros jessica hall
- Barem de convertire a punctelor in note
- Lucy movie 2014