Submit Search
Upload
12 introduction to multiple regression model
•
0 likes
•
987 views
Baterdene Batchuluun
Follow
12 introduction to multiple regression model
Read less
Read more
Education
Report
Share
Report
Share
1 of 68
Recommended
Mac ecs8.2021h
Mac ecs8.2021h
ssuserca5598
Таамаглал шалгах
Таамаглал шалгах
serod_hsum
Macro l 3
Macro l 3
hicheel2020
Macroeconomics - shalgalt -1,2
Macroeconomics - shalgalt -1,2
hicheel2020
Mac ecs9.2021h
Mac ecs9.2021h
ssuserca5598
тойм статистик лекц 2
тойм статистик лекц 2
Serod Khuyagaa
Lekts4. statistik hemjigdehuun
Lekts4. statistik hemjigdehuun
Anhaa8941
Econ ch 3
Econ ch 3
Baterdene Batchuluun
Recommended
Mac ecs8.2021h
Mac ecs8.2021h
ssuserca5598
Таамаглал шалгах
Таамаглал шалгах
serod_hsum
Macro l 3
Macro l 3
hicheel2020
Macroeconomics - shalgalt -1,2
Macroeconomics - shalgalt -1,2
hicheel2020
Mac ecs9.2021h
Mac ecs9.2021h
ssuserca5598
тойм статистик лекц 2
тойм статистик лекц 2
Serod Khuyagaa
Lekts4. statistik hemjigdehuun
Lekts4. statistik hemjigdehuun
Anhaa8941
Econ ch 3
Econ ch 3
Baterdene Batchuluun
Д.БА206 СТАТИСТИК ХЭМЖИГДЭХҮҮН
Д.БА206 СТАТИСТИК ХЭМЖИГДЭХҮҮН
Nomuuntk
Economics.s14
Economics.s14
hicheel2020
Mac ecs6.2021h
Mac ecs6.2021h
ssuserca5598
Mac ecs4.2021 h
Mac ecs4.2021 h
ssuserca5598
Хугацааны цуваан шинжилгээ
Хугацааны цуваан шинжилгээ
Serod Khuyagaa
эрүүл мэндийн статистик лекц 1
эрүүл мэндийн статистик лекц 1
zorigoo.sph
Files
Files
Sainbold Batbold
Mie.s16 ht
Mie.s16 ht
hicheel2020
Lekts12 hamaarliin huchiig hemjih engiin arguud buten
Lekts12 hamaarliin huchiig hemjih engiin arguud buten
Anhaa8941
Mie.s6.2020 2021
Mie.s6.2020 2021
hicheel2020
Sanhuugiin undes L9.2019 - 2020 on
Sanhuugiin undes L9.2019 - 2020 on
hicheel2020
Бизнесийн статистик
Бизнесийн статистик
Ikhzasag SEZS
макро эдийн засгийн бие даалтын бодлого
макро эдийн засгийн бие даалтын бодлого
Onobold Odgerel
Lekts11. murui shugaman regress buten
Lekts11. murui shugaman regress buten
Anhaa8941
Mies2.2020 2021h
Mies2.2020 2021h
hicheel2020
Нэгж хичээлийн сан /Статистикийн онол/
Нэгж хичээлийн сан /Статистикийн онол/
Ikhzasag SEZS
Mac ecs7.2021h
Mac ecs7.2021h
ssuserca5598
Bodlogo 2
Bodlogo 2
Onobold Odgerel
Mac ecs11.2021h
Mac ecs11.2021h
ssuserca5598
Econ ch 10
Econ ch 10
Baterdene Batchuluun
Econ ch 7
Econ ch 7
Baterdene Batchuluun
Econ ch 8
Econ ch 8
Baterdene Batchuluun
More Related Content
What's hot
Д.БА206 СТАТИСТИК ХЭМЖИГДЭХҮҮН
Д.БА206 СТАТИСТИК ХЭМЖИГДЭХҮҮН
Nomuuntk
Economics.s14
Economics.s14
hicheel2020
Mac ecs6.2021h
Mac ecs6.2021h
ssuserca5598
Mac ecs4.2021 h
Mac ecs4.2021 h
ssuserca5598
Хугацааны цуваан шинжилгээ
Хугацааны цуваан шинжилгээ
Serod Khuyagaa
эрүүл мэндийн статистик лекц 1
эрүүл мэндийн статистик лекц 1
zorigoo.sph
Files
Files
Sainbold Batbold
Mie.s16 ht
Mie.s16 ht
hicheel2020
Lekts12 hamaarliin huchiig hemjih engiin arguud buten
Lekts12 hamaarliin huchiig hemjih engiin arguud buten
Anhaa8941
Mie.s6.2020 2021
Mie.s6.2020 2021
hicheel2020
Sanhuugiin undes L9.2019 - 2020 on
Sanhuugiin undes L9.2019 - 2020 on
hicheel2020
Бизнесийн статистик
Бизнесийн статистик
Ikhzasag SEZS
макро эдийн засгийн бие даалтын бодлого
макро эдийн засгийн бие даалтын бодлого
Onobold Odgerel
Lekts11. murui shugaman regress buten
Lekts11. murui shugaman regress buten
Anhaa8941
Mies2.2020 2021h
Mies2.2020 2021h
hicheel2020
Нэгж хичээлийн сан /Статистикийн онол/
Нэгж хичээлийн сан /Статистикийн онол/
Ikhzasag SEZS
Mac ecs7.2021h
Mac ecs7.2021h
ssuserca5598
Bodlogo 2
Bodlogo 2
Onobold Odgerel
Mac ecs11.2021h
Mac ecs11.2021h
ssuserca5598
Econ ch 10
Econ ch 10
Baterdene Batchuluun
What's hot
(20)
Д.БА206 СТАТИСТИК ХЭМЖИГДЭХҮҮН
Д.БА206 СТАТИСТИК ХЭМЖИГДЭХҮҮН
Economics.s14
Economics.s14
Mac ecs6.2021h
Mac ecs6.2021h
Mac ecs4.2021 h
Mac ecs4.2021 h
Хугацааны цуваан шинжилгээ
Хугацааны цуваан шинжилгээ
эрүүл мэндийн статистик лекц 1
эрүүл мэндийн статистик лекц 1
Files
Files
Mie.s16 ht
Mie.s16 ht
Lekts12 hamaarliin huchiig hemjih engiin arguud buten
Lekts12 hamaarliin huchiig hemjih engiin arguud buten
Mie.s6.2020 2021
Mie.s6.2020 2021
Sanhuugiin undes L9.2019 - 2020 on
Sanhuugiin undes L9.2019 - 2020 on
Бизнесийн статистик
Бизнесийн статистик
макро эдийн засгийн бие даалтын бодлого
макро эдийн засгийн бие даалтын бодлого
Lekts11. murui shugaman regress buten
Lekts11. murui shugaman regress buten
Mies2.2020 2021h
Mies2.2020 2021h
Нэгж хичээлийн сан /Статистикийн онол/
Нэгж хичээлийн сан /Статистикийн онол/
Mac ecs7.2021h
Mac ecs7.2021h
Bodlogo 2
Bodlogo 2
Mac ecs11.2021h
Mac ecs11.2021h
Econ ch 10
Econ ch 10
Viewers also liked
Econ ch 7
Econ ch 7
Baterdene Batchuluun
Econ ch 8
Econ ch 8
Baterdene Batchuluun
Econ ch 1
Econ ch 1
Baterdene Batchuluun
Econ ch 9
Econ ch 9
Baterdene Batchuluun
Econ ch 11
Econ ch 11
Baterdene Batchuluun
Econ ch 3
Econ ch 3
Baterdene Batchuluun
Econ ch 6
Econ ch 6
Baterdene Batchuluun
Econ ch 2
Econ ch 2
Baterdene Batchuluun
Econ ch 4
Econ ch 4
Baterdene Batchuluun
Econ ch 5
Econ ch 5
Baterdene Batchuluun
Shadow economy
Shadow economy
Baterdene Batchuluun
Biy daaltiin tsag
Biy daaltiin tsag
Baterdene Batchuluun
Business statistics processing
Business statistics processing
Baterdene Batchuluun
Econometrics standard
Econometrics standard
Baterdene Batchuluun
Basic04
Basic04
Baterdene Batchuluun
Basic03
Basic03
Baterdene Batchuluun
Chap007 ch
Chap007 ch
Baterdene Batchuluun
Chap012 ch
Chap012 ch
Baterdene Batchuluun
Chap011 ch
Chap011 ch
Baterdene Batchuluun
Chap010 ch
Chap010 ch
Baterdene Batchuluun
Viewers also liked
(20)
Econ ch 7
Econ ch 7
Econ ch 8
Econ ch 8
Econ ch 1
Econ ch 1
Econ ch 9
Econ ch 9
Econ ch 11
Econ ch 11
Econ ch 3
Econ ch 3
Econ ch 6
Econ ch 6
Econ ch 2
Econ ch 2
Econ ch 4
Econ ch 4
Econ ch 5
Econ ch 5
Shadow economy
Shadow economy
Biy daaltiin tsag
Biy daaltiin tsag
Business statistics processing
Business statistics processing
Econometrics standard
Econometrics standard
Basic04
Basic04
Basic03
Basic03
Chap007 ch
Chap007 ch
Chap012 ch
Chap012 ch
Chap011 ch
Chap011 ch
Chap010 ch
Chap010 ch
12 introduction to multiple regression model
1.
© 2002 Prentice-Hall,
Inc. Chap 14-1 Олон х чин з йлсийнү ү регрессийн загвар
2.
© 2002 Prentice-Hall,
Inc. Chap 14-2 Дэд сэдэв Олон х чин з йлийн регрессийн шугаманү ү загвар (MLR) лдэгдлийн шинжилгээҮ Н л ллийн шинжилгээө өө Регрессийн загварын ач холбогдлыг шалгах Эх олонлогийн регрессийн коэффициентийг нэлэхү Олон х чин з йлийн загварыг хэсэгчлэнү ү шалгах
3.
© 2002 Prentice-Hall,
Inc. Chap 14-3 0 1 1 2 2i i i k ki iY b b X b X b X e= + + + + +L Population Y-intercept Population slopes Random Error Multiple Linear Regression Model Хамааран хувьсагчийн 2 ба түүнээс олон үл хамааран хувьсагчаас хамаарах хамаарал Dependent (Response) variable for sample Independent (Explanatory) variables for sample model 1 2i i i k ki iY X X Xβ β β β ε0 1 2= + + + + +L Residual
4.
© 2002 Prentice-Hall,
Inc. Chap 14-4 Population Multiple Regression Model X 2 Y X 1 µ Y X = β 0 + β 1 X 1 i + β 2 X 2 i β 0 Y i = β 0 + β 1 X 1 i + β 2 X 2 i + ε i R e s p o n s e P la n e ( X 1 i,X 2 i) ( O b s e r v e d Y ) ε i Bivariate model
5.
© 2002 Prentice-Hall,
Inc. Chap 14-5 Sample Multiple Regression Model X 2 Y X 1 b 0 Y i = b 0 + b 1 X 1 i + b 2 X 2 i + e i R e s p o n s e P la n e ( X 1 i, X 2 i) ( O b s e r v e d Y ) ^ e i Y i = b 0 + b 1 X 1 i + b 2 X 2 i Bivariate model Sample Regression PlaneSample Regression Plane
6.
© 2002 Prentice-Hall,
Inc. Chap 14-6 Simple and Multiple Linear Regression Compared: Example Two simple regressions: Multiple regression: 0 1 0 1 Oil Temp Oil Insulation β β β β = + = + 0 1 2Oil Temp Insulationβ β β= + +
7.
© 2002 Prentice-Hall,
Inc. Chap 14-7 Multiple Linear Regression Equation Гараар тооцоход хэцүү! Ouch!
8.
© 2002 Prentice-Hall,
Inc. Chap 14-8 Тооцсон коэффициентийг тайлбарлах нь Slope (bi) – нцгийн коэффициентө Бусад х чин з йлс тогтмол байхадү ү Xi нэгжээр с х дө ө ө Y утга дунджаар bi хэмжээгээр рчл гд хийг илэрхийлнэөө ө ө (ceterus paribus) Жишээ: Хэрэв b1 = -2 бол X2 –ийн г гдс нө ө ө т вшинд температурү (X1) 1 градусаар с х дө ө ө т лшний хэрэглээү (Y) 2 галлоноор буурахаар таамаглагдаж байна гэсэн г юм.ү Y-intercept (b0) - тогтмол коэффициент Xi = 0 байхад Y-ийн авах дундаж утга
9.
© 2002 Prentice-Hall,
Inc. Chap 14-9 Multiple Regression Model: Example Oil (Gal) Temp Insulation 275.30 40 3 363.80 27 3 164.30 40 10 40.80 73 6 94.30 64 6 230.90 34 6 366.70 9 6 300.60 8 10 237.80 23 10 121.40 63 3 31.40 65 10 203.50 41 6 441.10 21 3 323.00 38 3 52.50 58 10 (0 F) Нэг өрх гэрийн 1-р сарын түлшний хэрэглээг дундаж температур болон инчээрх тусгаарлагчид суурилан загвар байгуулъя.
10.
© 2002 Prentice-Hall,
Inc. Chap 14-10 1 2 ˆ 562.151 5.437 20.012i i iY X X= − − Sample Multiple Regression Equation: Example Coefficients Intercept 562.1510092 X Variable 1 -5.436580588 X Variable 2 -20.01232067 Excel Output Тусгаарлагч тогтмол байхад температур нэг градусаар өсөхөд үнэлсэн түлшний хэрэглээний дундаж түвшин 5.437 галлоноор буурна. Температур тогтмол байхад тусгаарлагч нэг инчээр өсөхөд үнэлсэн түлшний хэрэглээний дундаж түвшин 20.012 галлоноор буурна. 0 1 1 2 2 ˆ i i i k kiY b b X b X b X= + + + +L
11.
© 2002 Prentice-Hall,
Inc. Chap 14-11 Венний диаграмм ба регрессийн тайлбарлах х чү Oil Temp Variations in oil explained by temp or variations in temp used in explaining variation in oil Variations in oil explained by the error term Variations in temp not used in explaining variation in Oil ( )SSE ( )SSR
12.
© 2002 Prentice-Hall,
Inc. Chap 14-12 Венний диаграмм ба регрессийн тайлбарлах х чү Oil Temp 2 r SSR SSR SSE = = + ( ргэлжлэлү )
13.
© 2002 Prentice-Hall,
Inc. Chap 14-13 Венний диаграмм ба регрессийн тайлбарлах х чү Oil Temp Insulation OverlappingOverlapping variation in both Temp and Insulation are used in explaining the variationvariation in Oil but NOTNOT in the estimationestimation of nor 1β 2β Variation NOTNOT explained by Temp nor Insulation ( )SSE
14.
© 2002 Prentice-Hall,
Inc. Chap 14-14 Олон х чин з йлийнү ү детерминацийн коэффициент Б хү Х хувьсагчдын хамтын н л г рө өө өө тайлбарлагдах Y-ийн нийт хэлбэлзэлд эзлэх хувь Шинэ Х хувьсагч загварт нэмэхэд хэзээ ч буурдагг йү Загваруудыг харьцуулахад сул тал болдог 2 12 Explained Variation Total Variation Y k SSR r SST • = =L
15.
© 2002 Prentice-Hall,
Inc. Chap 14-15 Венний диаграмм ба регрессийн тайлбарлах х чү Oil Temp Insulation 2 12Yr SSR SSR SSE • = = +
16.
© 2002 Prentice-Hall,
Inc. Chap 14-16 ОХЗ-ийн засварлагдсан детерминацийн коэффициент Х хувьсагчдын тоогоор засварлагдсан, б хү Х хувьсагчдаар тайлбарлагдах Y-ийн хэлбэлзлийн хувь л хамааран хувьсагчдын хэт их хэрэглээнийҮ н л г бууруулахө өө утгаас бага Загваруудыг харьцуулахад хэрэглэдэг ( )2 2 12 1 1 1 1 adj Y k n r r n k • − = − − − − L 2 12Y kr • L
17.
© 2002 Prentice-Hall,
Inc. Chap 14-17 ОХЗ-ийн детерминацийн коэффициент Regression Statistics Multiple R 0.982654757 R Square 0.965610371 Adjusted R Square 0.959878766 Standard Error 26.01378323 Observations 15 Excel Output SST SSR r ,Y =2 12 Adjusted r2 Үл хамааран хувьсагчдын тоо болон түүврийн хэмжээнээс хамаарна r2 -аас бага
18.
© 2002 Prentice-Hall,
Inc. Chap 14-18 ОХЗ-ийн детерминацийн коэффициентийн тайлбар Т лшний нийт хэлбэлзлийнү 96.56% нь температурын хэлбэлзэл болон тусгаарлагчийн хэмжээгээр тайлбарлагдаж байна л хамааран хувьсагчид болон т врийн хэмжээгҮ үү тохируулсны дараа т лшний нийт хэлбэлзлийнү 95.99% нь температурын хэлбэлзэл болон тусгаарлагчийн хэмжээгээр тайлбарлагдаж байна 2 ,12 .9656Y SSR r SST = = 2 adj .9599r =
19.
© 2002 Prentice-Hall,
Inc. Chap 14-19 Прогноз хийхэд загварыг ашиглах нь Дундаж температур 300 ба тусгаарлагч 6 инч ед рх гэрийн хэрэглэх т лшний хэмжээгү ө ү прогноз хий. Т лшний прогнозын утгаү 278.97 галлон ( ) ( ) 1 2 ˆ 562.151 5.437 20.012 562.151 5.437 30 20.012 6 278.969 i i iY X X= − − = − − =
20.
© 2002 Prentice-Hall,
Inc. Chap 14-20 лдэгдлийн графикҮ лдэгдэл баҮ Y хувьсагчийг хувиргах хэрэгтэй байж болох юм лдэгдэл баҮ хувьсагчийг хувиргах хэрэгтэй байж болох юм лдэгдэл баҮ хувьсагчийг хувиргах хэрэгтэй байж болох юм лдэгдэл ба хугацааҮ Автокорреляци байж болох юм ˆY 1X 2X 1X 2X
21.
© 2002 Prentice-Hall,
Inc. Chap 14-21 лдэгдлийн графикҮ : Жишээ Insulation Residual Plot 0 2 4 6 8 10 12 No discernable pattern Temperature Residual Plot -60 -40 -20 0 20 40 60 0 20 40 60 80 Residuals May be some non- linear relationship
22.
© 2002 Prentice-Hall,
Inc. Chap 14-22 Н л ллийн шинжилгээө өө Загварт н л з лэх йц ажиглалтынө өө ү үү ү нэгж дийг тодорхойлохүү Н л з лж болзошг й ажиглалтынө өө ү үү ү нэгж дийг загвараас хасахүү Дараах шалгуураар тодорхойлно The hat matrix elements hi The Studentized deleted residuals ti * Cook’s distance statistic Di Б х гурван шалгуур иж б рэн байнаү ү Б х гурван шалгуур ижил р д нгээр хангасанү ү ү ед л ажиглалтын нэгжийг хаснаү
23.
© 2002 Prentice-Hall,
Inc. Chap 14-23 The Hat Matrix Element hi Хэрэв бол Xi н л тэй цэгө өө болно Xi нь загвараас хасахаар нэр дэвшсэн ажиглалтын нэгж гэж зэж болноү ( ) ( ) 2 2 1 1 i i n i i X X h n X X = − = + −∑ ( )2 1 /ih k n> +
24.
© 2002 Prentice-Hall,
Inc. Chap 14-24 The Hat Matrix Element hi : Т лшний жишээү Oil (Gal) Temp Insulation h i 275.30 40 3 0.1567 363.80 27 3 0.1852 164.30 40 10 0.1757 40.80 73 6 0.2467 94.30 64 6 0.1618 230.90 34 6 0.0741 366.70 9 6 0.2306 300.60 8 10 0.3521 237.80 23 10 0.2268 121.40 63 3 0.2446 31.40 65 10 0.2759 203.50 41 6 0.0676 441.10 21 3 0.2174 323.00 38 3 0.1574 52.50 58 10 0.2268 hi > 0.4 утга байхг йү загвараас хасахаар нэр дэвших ажиглалтын нэгж байхг йү ( ) 15 2 2 1 / 0.4 n k k n = = + =
25.
© 2002 Prentice-Hall,
Inc. Chap 14-25 The Studentized Deleted Residuals ti * : i –р ажиглалтын нэгжээс бусад ажиглалтын нэгжийг оруулан загвар байгуулаад ажиглалтын болон нэлсэн хоорондын з рү ө үү : i –р ажиглалтын нэгжээс бусад ажиглалтын нэгжийг оруулан байгуулсан загварын стандарт алдаа Ажиглалтын нэгж бол н л тэй гэжө өө знэү нь альфа ач холбогдлын т вшинд хоёр талтү ( ) ( ) * 1 i i ii e t S h = − iY ˆ iY ( )i S ( )i e * 2i n kt t − −> 2n kt − −
26.
© 2002 Prentice-Hall,
Inc. Chap 14-26 The Studentized Deleted Residuals ti * :Example Oil (Gal) Temp Insulation ti * 275.30 40 3 -0.3772 363.80 27 3 0.3474 164.30 40 10 0.8243 40.80 73 6 -0.1871 94.30 64 6 0.0066 230.90 34 6 -1.0571 366.70 9 6 -1.1776 300.60 8 10 -0.8464 237.80 23 10 0.0341 121.40 63 3 -1.8536 31.40 65 10 1.0304 203.50 41 6 -0.6075 441.10 21 3 2.9674 323.00 38 3 1.1681 52.50 58 10 0.2432 2 11 15 2 1.7957n k n k t t− − = = = = t10 * ба t13 * нь загвараас хасах боломжтой н лө өө б хий цэг дү үү * 10t * 13t
27.
© 2002 Prentice-Hall,
Inc. Chap 14-27 Cook’s Distance Statistic Di нь Studentized residual Хэрэв бол ажиглалтын нэгж н л тэйө өө гэж знэү нь 50% ач холбогдлын т вшин дэхү F тархалтын критик утга ( ) 2 2 1 i i i i SR h D h = − 1 i i YX i e SR S h = − 1, 1i k n kD F + − −> 1, 1k n kF + − −
28.
© 2002 Prentice-Hall,
Inc. Chap 14-28 Cook’s Distance Statistic Di : Т лшний жишээү Oil (Gal) Temp Insulation Di 275.30 40 3 0.0094 363.80 27 3 0.0098 164.30 40 10 0.0496 40.80 73 6 0.0041 94.30 64 6 0.0001 230.90 34 6 0.0295 366.70 9 6 0.1342 300.60 8 10 0.1328 237.80 23 10 0.0001 121.40 63 3 0.3083 31.40 65 10 0.1342 203.50 41 6 0.0094 441.10 21 3 0.4941 323.00 38 3 0.0824 52.50 58 10 0.0062 Di > 0.835 утга байхг йү Загвараас хасахаар нэр дэвших ажиглалтын нэгж байхг йү Гурван шалгуурыг ашиглахад загвараас ажиглалтын нэгжийг хасах хангалттай нотолгоо алга 1, 1 3,12 15 2 0.835k n k n k F F+ − − = = = =
29.
© 2002 Prentice-Hall,
Inc. Chap 14-29 Ер нхий ач холбогдлыг шалгахө Б хү X хувьсагчид болон Y хооронд шугаман хамааралтай эсэхийг харуул F тестийг ашигла Таамаглал: H0: β1 = β 2 = … = β k = 0 (шугаман хамаарал байхг йү ) H1: ядаж нэг β i ≠ 0 (ядаж нэг л хамааран хувьсагчү Y-т н л лнө өө ө) Тэг таамаглал нь маш х чтэй таамаглал юмү Бараг б х тохиолдолд тэг таамаглалү няцаагддаг
30.
© 2002 Prentice-Hall,
Inc. Chap 14-30 Ер нхий ач холбогдлыг шалгахө Test statistic: F –ийн х ртвэрийн ч л ний зэрэг ньү ө өө p хуваарийн ч л ний зэрэг ньө өө (n-p-1) ( ргэлжлэлү ) ( ) ( ) all / all SSR pMSR F MSE MSE = =
31.
© 2002 Prentice-Hall,
Inc. Chap 14-31 Ер нхий ач холбогдлыг шалгахө Excel Output: Жишээ ANOVA df SS MS F Significance F Regression 2 228014.6 114007.3 168.4712 1.65411E-09 Residual 12 8120.603 676.7169 Total 14 236135.2 p = 2, л хамааранү хувьсагчдын тоо n - 1 p value Test Statistic MSR F MSE =
32.
© 2002 Prentice-Hall,
Inc. Chap 14-32 Ер нхий ач холбогдлыг шалгахө Жишээ шийдэл F0 3.89 H0: β 1 = β 2= … = β p = 0 H1: At least one β i β ≠ 0 α = .05 df = 2 ба 12 Критик утга (s): Тест статистик: Шийдвэр: Д гнэлтү : α = 0.05 ед няцаанаү Ядаж нэг л хамааранү хувьсагч Y-т н л лнө өө ө α = 0.05 F = 168.47 (Excel Output)
33.
© 2002 Prentice-Hall,
Inc. Chap 14-33 Ач холбогдлыг шалгах: Бие даасан хувьсагчид Xi болон Y хувьсагчийн хооронд шугаман хамаарал байгаа эсэхийг харуул t тест ашиглана Таамаглал: H0: β i = 0 (Шугаман хамааралг йү ) H1: β i ≠ 0 (Xi болон Y хоорондоо шугаман хамааралтай)
34.
© 2002 Prentice-Hall,
Inc. Chap 14-34 t Test Statistic Excel Output: Example Coefficients Standard Error t Stat Intercept 562.1510092 21.09310433 26.65093769 X Variable 1 -5.436580588 0.336216167 -16.16989642 X Variable 2 -20.01232067 2.342505227 -8.543127434 t Test Statistic for X1 (Temperature) t Test Statistic for X2 (Insulation) i i b b t S =
35.
© 2002 Prentice-Hall,
Inc. Chap 14-35 t тест: Жишээ шийдэл H0: β 1 = 0 H1: β 1 ≠ 0 df = 12 Critical Value(s): Тест статистик: Шийдвэр: р д нҮ ү : α = 0.05 т вшиндү H0 няцаагдана Температур т лшнийү хэрэглээнд н л тэйг баталнаө өөt0 2.1788-2.1788 .025 Reject H0 Reject H0 .025 Температур т лшний сарын хэрэглээндү н л тэй юуө өө ? α = 0.05 т вшинд шалгаяү . t Test Statistic = -16.1699
36.
© 2002 Prentice-Hall,
Inc. Chap 14-36 Венний диаграмм ба регрессийн загварын нэлэлтү Oil Temp Insulation Only this information is used in the estimation of 2β Only this information is used in the estimation of 1β This information is NOT used in the estimation of nor1β 2β
37.
© 2002 Prentice-Hall,
Inc. Chap 14-37 Параметрийн итгэх интервал Эх олонлогийн β1 параметрийг 95% итгэх завсраар хангана (түлшинд температурын нөлөө). 11 1n p bb t S− −± Coefficients Lower 95% Upper 95% Intercept 562.151009 516.1930837 608.108935 X Variable 1 -5.4365806 -6.169132673 -4.7040285 X Variable 2 -20.012321 -25.11620102 -14.90844 -6.169 ≤ β1 ≤ -4.704 Температур 10 өсөхөд үнэлсэн түлшний дундаж хэрэглээ 4.7 галлоноос 6.17 галлоноор буурна.
38.
© 2002 Prentice-Hall,
Inc. Chap 14-38 Нэг л хамааран хувьсагчү -ийн хувь нэмэр Xk сонирхсон л хамааран хувьсагч гэеү Y (SST)-ийн нийт хэлбэлзлийг тайлбарлахад Xk хувьсагчийн хувь нэмрийг хэмжих kX ( ) ( ) ( ) | all others except all all others except k k k SSR X X SSR SSR X= −
39.
© 2002 Prentice-Hall,
Inc. Chap 14-39 Нэг л хамааран хувьсагчү -ийн хувь нэмэрkX ( ) ( ) ( ) 1 2 3 1 2 3 2 3 | and , and and SSR X X X SSR X X X SSR X X= − SST-г тайлбарлахад -ийн хувь нэмрийг хэмжих1X Дараах регрессийн ANOVA хэсгээс Дараах регрессийн ANOVA хэсгээс 0 1 1 2 2 3 3 ˆ i i i iY b b X b X b X= + + + 0 2 2 3 3 ˆ i i iY b b X b X= + +
40.
© 2002 Prentice-Hall,
Inc. Chap 14-40 -ийн хэсгийн детерминацийн коэффициент Бусад л хамааран хувьсагчид тогтмол едү ү Xk –аар тайлбарлагдах хамааран хувьсагчийн хэлбэлзлийн хувийг хэмждэг ( ) ( ) ( ) 2 all others | all others all | all others Yk k k r SSR X SST SSR SSR X • = − + kX
41.
© 2002 Prentice-Hall,
Inc. Chap 14-41 -ийн хэсгийн детерминацийн коэффициент kX ( ргэлжлэлү ) ( ) ( ) ( ) 1 22 1 2 1 2 1 2 | , | Y SSR X X r SST SSR X X SSR X X • = − + Жишээ: Хоёр л хамааран хувьсагчтай загварү
42.
© 2002 Prentice-Hall,
Inc. Chap 14-42 Венний диаграмм ба -ийн хэсгийн детерминацийн коэффициент kX Oil Temp Insulation ( )1 2|SSR X X ( ) ( ) ( ) 2 1 2 1 2 1 2 1 2 | , | Yr SSR X X SST SSR X X SSR X X • = − + =
43.
© 2002 Prentice-Hall,
Inc. Chap 14-43 л хамааран хувьсагчдынҮ багцын хувь нэмэр Xs нь сонирхсон л хамааран хувьсагчдын багцү гэе SST-г тайлбарлах xsбагцын хувь нэмрийг хэмждэг ( ) ( ) ( ) | all others except all all others except s s s SSR X X SSR SSR X= −
44.
© 2002 Prentice-Hall,
Inc. Chap 14-44 л хамааран хувьсагчдынҮ багцын хувь нэмэр: Жишээ Xs нь X1 ба X3 гэе ( ) ( ) ( ) 1 3 2 1 2 3 2 and | , and SSR X X X SSR X X X SSR X= − Дараах регрессийн ANOVA хэсгээс Дараах регрессийн ANOVA хэсгээс 0 1 1 2 2 3 3 ˆ i i i iY b b X b X b X= + + + 0 2 2 ˆ i iY b b X= +
45.
© 2002 Prentice-Hall,
Inc. Chap 14-45 Загварын тест л хамааран хувьсагчдынҮ Xs багцын Y хувьсагчтай хамааралтай хувь нэмрийг судална Тэг таамаглал: Багц дахь хувьсагчид нь бусад хувьсагчдыг авч зсэн ед загварыг сайжруулахад ачү ү холбогдолг йү Альтернатив таамаглал: Ядаж нэг хувьсагч нь ач холбогдолтой
46.
© 2002 Prentice-Hall,
Inc. Chap 14-46 Загварын тест ргэлж нэг талт няцаах мужтай байдагҮ Хоёр регрессийг харьцуулахад хэрэгтэй Нэг регресс нь б гдийг оруулнаү Н г регресс нь тест хийж байгаа хэсгээс бусдыгө өө оруулна ( ргэлжлэлү )
47.
© 2002 Prentice-Hall,
Inc. Chap 14-47 Partial F Test For Contribution of Subset of X variables Таамаглал: H0 : Бусад хувьсагчдыг авч зсэн едү ү Xs хувьсагчид загварыг сайжруулахад ач холбогдолг йү H1 : Бусад хувьсагчдыг авч зсэн едү ү Xs хувьсагчид загварыг сайжруулахад ач холбогдолтой Test Statistic: df = m ба (n-p-1) m = Xsбагц дахь хувьсагчдын тоо ( ) ( ) | all others / all sSSR X m F MSE =
48.
© 2002 Prentice-Hall,
Inc. Chap 14-48 Partial F Test For Contribution of A Single Таамаглал: H0 : Бусад хувьсагчдыг авч зсэн едү ү Xj хувьсагч загварыг сайжруулахад ач холбогдолг йү H1 : Бусад хувьсагчдыг авч зсэн едү ү Xj хувьсагч загварыг сайжруулахад ач холбогдолтой Test Statistic: df = 1 ба (n-p-1) m = 1 jX ( ) ( ) | all others all jSSR X F MSE =
49.
© 2002 Prentice-Hall,
Inc. Chap 14-49 Testing Portions of Model: Жишээ Тусгаарлагчийг авч үзсэн үед дундаж температур хувьсагч загварыг сайжруулахад ач холбогдолтой эсэхийг α = .05 түвшинд шалга.
50.
© 2002 Prentice-Hall,
Inc. Chap 14-50 Testing Portions of Model: Жишээ H0: X2 (тусгаарлагч)-г авч зсэн едү ү X1 (температур) загварыг сайжруулахг йү H1: X1 загварыг сайжруулна α = .05, df = 1 ба 12 Критик утга = 4.75 ANOVA SS Regression 51076.47 Residual 185058.8 Total 236135.2 ANOVA SS MS Regression 228014.6263 114007.313 Residual 8120.603016 676.716918 Total 236135.2293 (For X1 and X2) (For X2) Дүгнэлт: H0 няцаагдана; X1 загварыг сайжруулна ( ) ( ) ( )1 2 1 2 | 228,015 51,076 261.47 , 676.717 SSR X X F MSE X X − = = =
51.
© 2002 Prentice-Hall,
Inc. Chap 14-51 F тест ашиглах едү Загварт бусад б х хувьсагчдыг оруулсныү дараа ганц хувьсагч нэмэх талаарх F тест нь t тестээр тухайн хувьсагчийн нцгийнө коэффициентийг шалгахтай адил юм F тест хийх ганц шалтгаан нь хэд хэдэн хувьсагчийг хамтад нь шалгах явдал юм
52.
© 2002 Prentice-Hall,
Inc. Chap 14-52 Chapter Summary Developed the multiple regression model Discussed residual plots Presented influence analysis Addressed testing the significance of the multiple regression model Discussed inferences on population regression coefficients Addressed testing portion of the multiple regression model
53.
© 2002 Prentice-Hall,
Inc. Chap 14-53 nieXXY iippii ,,2,1,110 =++++= βββ Multiple Linear Regression = = = = npnpn p p n e e e e XX XX XX X Y Y Y whereY 2 1 1 0 1 221 111 2 1 ,, 1 1 1 , β β β β Data Model: Matrix Model: eXY += β
54.
© 2002 Prentice-Hall,
Inc. Chap 14-54 ( ) ( ) ( ) ( )ppp n i ippiip p XXXXwhereXYXXY XXYQ Q FittingSquaresLeast ,,,,1 ,,, ,,,,min.1 : 21 22 110 1 2 11010 10 =−=−−−−= −−−−= ∑= ββββ ββββββ βββ ( ) ββββ βββββ ˆˆˆˆˆ ,,,minˆ,,ˆ.2 110 100 XXXY valuefittedtheThen QimizeLet pp pp =+++= noningularisXXiff YXXXXYXXYYSince T TTT )( )(ˆ0)ˆ(ˆ 1− =⇒=−⇒⊥− ββ
55.
© 2002 Prentice-Hall,
Inc. Chap 14-55 YYXXY rR t ˆ,,,; 1 = Multiple Correlation Coefficient: Multiple Coefficient of Determination: may be interpreted as the proportion of variance explained by the regression of Y on X. 2 ˆ, 2 ,,; 2 2 ˆ 2 ˆ 2 1 , YYXXY eYY rRR SSS Moreover t == += 2 2 ˆ2 Y Y S S R =
56.
© 2002 Prentice-Hall,
Inc. Chap 14-56 ( ) ( ) ) 0 0 ..(,0~ 2 2 2 .. = += σ σ σ β eVareiINeassume eXYModel dii ( ) ( )( )YXXXEESolve TT 1 ˆ: − =β ( )( )12 ,~ˆ − XXN T σββTheorem: ( ) ( )YEXXX TT 1− = ( ) ( ) ( ) ( ) ( ) β β β β = = = += − − − XXXX XEXXX eXEXXX TT TT TT 1 1 1
57.
© 2002 Prentice-Hall,
Inc. Chap 14-57 ( )( )12 ,~ˆ − XXN T σββ ( ) ( )βββ ˆ,ˆˆ: CovVarSolve = ( ) ( )[ ]YXXXYXXXCov TTTT 11 , −− = ( ) ( ) ( )[ ]T TTTT XXXYYCovXXX 11 , −− = ( ) ( ) ( )[ ]T TTTT XXXeXVarXXX 11 −− += β ( ) ( )[ ]T TTT XXXIXXX 121 −− ⋅= σ ( ) ( )( ) 112 −− = XXXXXX TTT σ ( ) 12 − = XX T σ ( ) 1 ˆ 1 1 1 ˆ ˆ 1 2 1 2 2 −− =− −− = −− = ∑ ∑ = = pn RSS YY pnpn e where n i ii n i i σ
58.
© 2002 Prentice-Hall,
Inc. Chap 14-58 DATA; INPUT X1 X2 Y; CARDS; 68 60 75 49 94 63 60 91 57 . 77 78 72 ; PROC PRINT; PROC REG; MODEL Y=X1 X2 / COVB CORRB R INFLUENCE; RUN;
59.
© 2002 Prentice-Hall,
Inc. Chap 14-59 Model: MODEL1 Dependent Variable: Y Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model 2 1966.20840 983.10420 14.86 0.0002 Error 17 1124.79160 66.16421 Corrected Total 19 3091.00000 Root MSE 8.13414 R-Square 0.6361 Dependent Mean 74.50000 Adj R-Sq 0.5933 Coeff Var 10.91831 Parameter Estimates Parameter Standard Variable DF Estimate Error t Value Pr > |t| Intercept 1 14.49614 14.20435 1.02 0.3218 X1 1 0.56319 0.11801 4.77 0.0002 X2 1 0.26736 0.15704 1.70 0.1069
60.
© 2002 Prentice-Hall,
Inc. Chap 14-60 Covariance of Estimates COVB Intercept X1 X2 Intercept 201.7635339 -0.635820247 -1.851491131 X1 -0.635820247 0.0139252459 -0.003440529 X2 -1.851491131 -0.003440529 0.0246625524 Correlation of Estimates COVB Intercept X1 X2 Intercept 1.0000 -0.3793 -0.8300 X1 -0.3793 1.0000 -0.1857 X2 -0.8300 -0.1857 1.0000
61.
© 2002 Prentice-Hall,
Inc. Chap 14-61 Dep Var Predicted Std Error Std Error Student Cook's Obs Y Value Predict Residual Residual Residual -2-1 0 1 2 D 1 75.0000 68.8346 4.2678 6.1654 6.925 0.890 | |* | 0.100 2 63.0000 67.2242 3.3214 -4.2242 7.425 -0.569 | *| | 0.022 3 57.0000 72.6172 2.2988 -15.6172 7.803 -2.002 | ****| | 0.116 4 88.0000 74.4491 1.9107 13.5509 7.907 1.714 | |*** | 0.057 5 88.0000 90.5143 4.2002 -2.5143 6.966 -0.361 | | | 0.016 6 79.0000 85.2747 2.6984 -6.2747 7.674 -0.818 | *| | 0.028 7 82.0000 67.5089 2.4898 14.4911 7.744 1.871 | |*** | 0.121 8 73.0000 66.4506 2.8567 6.5494 7.616 0.860 | |* | 0.035 9 90.0000 81.2755 2.5928 8.7245 7.710 1.132 | |** | 0.048 10 62.0000 59.7208 3.8097 2.2792 7.187 0.317 | | | 0.009 11 70.0000 77.4755 1.8990 -7.4755 7.909 -0.945 | *| | 0.017 12 96.0000 93.1309 3.8760 2.8691 7.151 0.401 | | | 0.016 13 76.0000 73.9825 2.5281 2.0175 7.731 0.261 | | | 0.002 14 75.0000 80.1776 2.3793 -5.1776 7.778 -0.666 | *| | 0.014 15 85.0000 84.6150 3.2590 0.3850 7.453 0.0517 | | | 0.000 16 40.0000 50.3917 5.9936 -10.3917 5.499 -1.890 | ***| | 1.414 17 74.0000 76.2637 2.1866 -2.2637 7.835 -0.289 | | | 0.002 18 70.0000 69.0846 2.0768 0.9154 7.865 0.116 | | | 0.000 19 75.0000 72.2929 2.6787 2.7071 7.680 0.352 | | | 0.005 20 72.0000 78.7158 2.5093 -6.7158 7.737 -0.868 | *| | 0.026 21 . 83.7560 3.0157 . . . .
62.
© 2002 Prentice-Hall,
Inc. Chap 14-62 Hat Diag Obs Residual RStudent H 1 6.1654 0.8846 0.2753 2 -4.2242 -0.5572 0.1667 3 -15.6172 -2.2211 0.0799 4 13.5509 1.8281 0.0552 5 -2.5143 -0.3515 0.2666 6 -6.2747 -0.8094 0.1100 7 14.4911 2.0374 0.0937 8 6.5494 0.8530 0.1233 9 8.7245 1.1417 0.1016 10 2.2792 0.3086 0.2194 11 -7.4755 -0.9420 0.0545 12 2.8691 0.3911 0.2271 13 2.0175 0.2537 0.0966 14 -5.1776 -0.6543 0.0856 15 0.3850 0.0501 0.1605 16 -10.3917 -2.0627 0.5429 17 -2.2637 -0.2810 0.0723 18 0.9154 0.1130 0.0652 19 2.7071 0.3432 0.1084 20 -6.7158 -0.8613 0.0952
63.
© 2002 Prentice-Hall,
Inc. Chap 14-63 100 + | | o | o o o o o | o o o 90 + o | o | o H | O | o o M 80 + o o E | o W | O | o R | K 70 + | | | | 60 + o | | | | 50 + o | -+------------+------------+------------+------------+------------+------------+------------+ 30 40 50 60 70 80 90 100
64.
© 2002 Prentice-Hall,
Inc. Chap 14-64 ≠ = ++= 0 00 11 ,.1 rrH rrH hypothesisthetesttowantweccrLet a pp : : ββ ( ) ( )rdtspntr rforICaConstruct cccrLet pp ˆˆ1ˆ ..%95 .2 025.0 1100 −−±⇒ +++= βββ ( ) ( ) ( ) ( ) ( ) ( ) T ccVarcVarrVar andpnt rdts rEr tisstatistictesttheThen ββ ˆˆˆ ,1~ ˆˆ ˆˆ == −− − = . ˆ ˆ ˆ),,,(,ˆˆˆ 0 000 ==++= p ppp cccwhereccrchooseWe β β βββ
65.
© 2002 Prentice-Hall,
Inc. Chap 14-65 setdataaforelbetterachoosetoHow mod Goodness of Fit ( )1,~ 1 0 −−− − ⋅ − −− =⇒ pnqpF RSS RSSRSS qp pn F pqjoneleastatH H eldrestriceteatoeledunrestrictanreducetoHow j pq ,,1,0 0 ?modmod 1 10 +=≠ ===⇒ + β ββ : : eXXY elstricted eXXY eledUnrestrict pqAssume qq pp ++++= ++++= < βββ βββ 110 110 modRe mod
66.
© 2002 Prentice-Hall,
Inc. Chap 14-66 ?mod datathefittoelbetterachoosetoHow eYelrestricted eXYeledunrestrictEx += ++= α βα mod mod: 00 0 =⇒= ββ :H ( )2,1~ 1 2 0.0 20 10 − − ⋅ − = ≠= n RSS RSSRSSn F HsvHSolve χ ββ ::: ( ) ( ) .ˆˆ 1 2 1 2 0 ∑ ∑ = = −−= −= n i ii n i i XYRSS YYRSSwhere βα
67.
© 2002 Prentice-Hall,
Inc. Chap 14-67 Regression Effect eY elstricted eXXY eledUnrestrict pp += ++++= 0 110 modRe mod β βββ 2 ˆ 2 ˆ0 11 : e Y S S p pn RSS RSSRSS p pn FSolve ⋅ −− = − ⋅ −− = , 0 0210 ≠ === ⇒ ja p oneleastatH H β βββ : : 2 2 1 1 R R p pn Fthen − ⋅ −− = 22 ˆ 22 ˆ1 Ye YY SS SS p pn ⋅ −− = 2 2 1 1 R R p pn − ⋅ −− =
68.
© 2002 Prentice-Hall,
Inc. Chap 14-68 ( ) ( ) i ijiij ijiij njkifor RSSeYeledUnrestrict RSSeXYelstricted ,,2,1,,2,1 :mod :modRe 0 == += ++= ; α βα ∑= = − ⋅ − − =⇒ k i inn RSS RSSRSS k kn F 1 0 , 2 ≠ = ==+++= jiif jiif dkidddLet ijikkiii ,0 ,1 ,,,2,1,2211 αααα Goodness of Fit for using replicate observations )( mod 2211 RSSedddY asrewrittenbecaneledunrestricttheThen ijikkiiij ++++= ααα