Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Regresszióanalízis 10. gyakorlat. Korrelációanalízisben a kérdés: –milyen szoros és milyen irányú kapcsolat áll fenn a változók között (szoros kapcsolat.

Hasonló előadás


Az előadások a következő témára: "Regresszióanalízis 10. gyakorlat. Korrelációanalízisben a kérdés: –milyen szoros és milyen irányú kapcsolat áll fenn a változók között (szoros kapcsolat."— Előadás másolata:

1 Regresszióanalízis 10. gyakorlat

2 Korrelációanalízisben a kérdés: –milyen szoros és milyen irányú kapcsolat áll fenn a változók között (szoros kapcsolat összefüggést jelez) A két változó egyenrangú Regresszióanalízisben a kérdések: –van-e összefüggés a változók között –az egyik változó megváltozásával milyen irányba és mennyit változik a másik változó A változók viszonyát nem tekintjük egyenrangúak: feltételezzük, hogy a valóságban oksági kapcsolat van közöttük Megjegyzendő, hogy a változók közötti tényleges oksági kapcsolatot a regresszióanalízis önmagában nem bizonyítja, az csupán az adataink közötti statisztikai kapcsolat feltárására alkalmas.

3 Y függő változó és –X független vagy magyarázó változó → egyszerű regressziós modell –X1, X2,…,Xp független vagy magyarázó változók → többszörös regressziós modell A regresszióanalízis feladata tehát egy függvényszerű kapcsolat keresése egy függő és egy vagy több folytonos magyarázó változó között.

4 A lineáris regressziós modell egyszerű regressziós modell –Yi a függő változó értéke az i-dik mintavételi objektumon –Xi a magyarázó változó értéke az i-dik mintavételi objektumon –εi az i-dik objektumhoz tartozó véletlen eseti hiba, ún. reziduális érték. Az ε hibatag a modell szerint 0 várható értékű és szig2 szórású normál eloszlást követ. –α és β az alapsokaságbeli ismeretlen és fix értékűnek tekintett paraméterek, vagy regressziós koefficiensek. α jelentése: az alapsokaságra vonatkozó y tengely metszet; megmutatja, hogy mekkora lenne Y értéke abban a hipotetikus esetben, amikor X=0 β jelentése: az alapsokaságra vonatkozó meredekség; megmutatja, hogy hányszorosára és milyen irányba változik Y ha X egy egységgel nő

5 többszörös regressziós modell –βj együtthatókat itt parciális regressziós koefficienseknek hívjuk. Egy adott j magyarázó változóhoz tartozó βj együttható megmutatja, hogy hányszorosára és milyen irányba változik Y ha az XJ magyarázó egy egységgel nő, miközben a többi magyarázó változó az átlagaiknak megfelelő konstans értéken van.

6 A modellkészítés folyamata Olykor bonyolult dolog, különösen többszörös regresszió esetén; szakmai megfontolásokat és tapasztalatot igényel. A főbb lépések: –Alapsokaságból mintavétel → modellillesztés az adatokra –A modell validálása: annak ellenőrzése, hogy az illesztett modell megfelel-e a lineáris regresszió feltételezéseinek –Ha a modellünk megfelel az alkalmazhatósági feltételeknek, akkor teszteljük a modellt, hogy választ kapjunk vajon van-e összefüggés a függő változó és a magyarázó változó között –Leírjuk a modellt függvényszerű formában

7 A paraméterek becslése Az ún. legkisebbb négyzetek módszerével történik.

8 A lineáris regressziós modell feltételezései – alkalmazhatósági feltételek Normalitás: minden egyes X értékre, a lehetséges Y értékek megfigyelése normál eloszlású Homogenitás: az egyes X értékekre a normál eloszlás azonos varianciájú

9

10 A magyarázó változó(k) értéke determinisztikus (fixed X), azaz a kutató állítja be, hogy milyen X értékek mellett vizsgálja Y-t Függetlenség: Egy adott Xi értékhez tartozó Yi érték nagysága nem függ egy másik Xi értékhez tartozó Y érték nagyságától (mintavételi objektumok függetlensége)

11 Hipotézisvizsgálatok F-próba a magyarázott variabilitás vizsgálatára – a modell általános tesztje A függő változó eltérésnégyzet-összeggel (Sum of Squares) kifejezett teljes variabilitása (SStotal) additív felbontása: Az SSregression és SSerror tagból képezhető F próbastatisztika, ami (p, n-p-1) szabadsági fokok szerinti F- eloszlást követ:

12 H0 az egyszerű regressziós modellben: nincs összefüggés Y és X között. Grafikusan azt jelenti, hogy a pontokra illesztett egyenes a vízszintes tengellyel párhuzamos: béta = 0. H1: beta != H0 a többszörös regressziós modellben: a függőváltozó egyik magyarázó változótól sem függ, azaz betai = 0 minden i-re (i = 1, 2, …, p). H1: van olyan magyarázó változó a modellben, amely összefügg Y-al, vagyis betai != 0 legalább egy i-re.

13

14 t-próba a magyarázó változók vizsgálatára – a béta együtthatók egyenkénti tesztelése H0 az egyszerű regressziós modellben: nincs összefüggés Y és X között. a független változó regressziós együtthatója nulla, azaz beta = 0 H1: a meredekség nem nulla, vagyis: beta != H0 a többszörös regressziós modellben: az adott magyarázó változó regressziós együtthatója nulla: betai = 0 (i = 1,2,…,p) H1: az adott magyarázó változó regressziós együtthatója eltér nullától, azaz betai != 0 (i = 1,2,…,p). Student-féle t-eloszlás (n-p-1) szabadsági fokkal

15 Egyszerű modellben (egy magyarázó változó esetén) az F-próba és a magyarázó változó meredekségére vonatkozó t-próba azonos.


Letölteni ppt "Regresszióanalízis 10. gyakorlat. Korrelációanalízisben a kérdés: –milyen szoros és milyen irányú kapcsolat áll fenn a változók között (szoros kapcsolat."

Hasonló előadás


Google Hirdetések