![]() Главная страница Случайная страница Разделы сайта АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Понятие множественной регрессииСтр 1 из 4Следующая ⇒
ЛЕКЦИЯ 4. Множественный регрессионный анализ Понятие множественной регрессии Множественной регрессией называют уравнение связи с несколькими независимыми переменными: ŷ = f (x1, x2,..., xp). (1) Переменная у называется зависимой, объясняемой или результативным признаком. х1, х2, …, хp – независимые, объясняющие переменные или факторные признаки (факторы). Соответствующая регрессионная модель имеет вид y = f (x1, x2,..., xp) + ε, (2) где ε - ошибка модели, являющаяся случайной величиной. Множественная регрессия применяется в ситуациях, когда из множества факторов, влияющих на результативный признак, нельзя выделить один доминирующий фактор и необходимо учитывать влияние нескольких факторов. Например, объем выпуска продукции определяется величиной основных и оборотных средств, численностью персонала, уровнем менеджмента и т. д., уровень спроса зависит не только от цены, но и от имеющихся у населения денежных средств. Основная цель множественной регрессии – построить модель с несколькими факторами и определить при этом влияние каждого фактора в отдельности, а также их совместное воздействие на изучаемый показатель. Постановка задачи множественной регрессии: по имеющимся данным n наблюдений (табл. 3.1) за совместным изменением p+1 параметра y и xj и ((yi, xj, i); j=1, 2,..., p; i=1, 2,..., n) необходимо определить аналитическую зависимость ŷ = f(x1, x2,..., xp), наилучшим образом описывающую данные наблюдений. Таблица 3.1 Результаты наблюдений
Каждая строка таблицы содержит p +1 число и представляет собой результат одного наблюдения. Наблюдения различаются условиями их проведения. Вопрос о том, какую зависимость следует считать наилучшей, решается на основе какого-либо критерия. В качестве такого критерия обычно используется минимум суммы квадратов отклонений расчетных или модельных значений результативного показателя ŷ i = f (x1i, x2i,..., xpi) от наблюдаемых значений Забиваем Сайты В ТОП КУВАЛДОЙ - Уникальные возможности от SeoHammer
Каждая ссылка анализируется по трем пакетам оценки: SEO, Трафик и SMM.
SeoHammer делает продвижение сайта прозрачным и простым занятием.
Ссылки, вечные ссылки, статьи, упоминания, пресс-релизы - используйте по максимуму потенциал SeoHammer для продвижения вашего сайта.
Что умеет делать SeoHammer
— Продвижение в один клик, интеллектуальный подбор запросов, покупка самых лучших ссылок с высокой степенью качества у лучших бирж ссылок. — Регулярная проверка качества ссылок по более чем 100 показателям и ежедневный пересчет показателей качества проекта. — Все известные форматы ссылок: арендные ссылки, вечные ссылки, публикации (упоминания, мнения, отзывы, статьи, пресс-релизы). — SeoHammer покажет, где рост или падение, а также запросы, на которые нужно обратить внимание. SeoHammer еще предоставляет технологию Буст, она ускоряет продвижение в десятки раз, а первые результаты появляются уже в течение первых 7 дней. Зарегистрироваться и Начать продвижение Как и в случае парной регрессии, построение уравнения множественной регрессии предполагает решение двух задач (или, другими словами, осуществляется в два этапа): 1) спецификация модели; 2) оценка параметров выбранной модели. В свою очередь, спецификация модели включает в себя решение двух задач: – отбор p факторов xj, подлежащих включению в модель; – выбор вида аналитической зависимости ŷ = f (x1, x2,..., xp).
|