АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция

Алгоритм проверки адекватности парной регрессионной модели. Модель именуется адекватной, если прогнозы значений эндогенной переменной согласуются с ее наблюденными значениями

Читайте также:
  1. Cпособи опису алгоритмів
  2. Абсолютные и относительные показатели силы связи в уравнениях парной регрессии.
  3. Автором опыта выделен алгоритм формирования умения работать с моделями.
  4. Алгоритм sum-product
  5. Алгоритм активного слушания
  6. Алгоритм Беллмана
  7. Алгоритм ва хосиятёои он
  8. Алгоритм використання ІКТ в роботі з дошкільниками
  9. Алгоритм Витерби
  10. Алгоритм выбора антибиотиков при остром бронхите
  11. Алгоритм выбора направления предпринимательской деятельности
  12. АЛГОРИТМ ВЫПОЛНЕНИЯ

Модель именуется адекватной, если прогнозы значений эндогенной переменной согласуются с ее наблюденными значениями.

Предположим, есть модель:

В рамках нашей модели при наличии информации об объекте-оригинале в виде выборки (вектор у, Х) наилучший точечный прогноз у0 вычисляется по правилу: ỹ0 = ã0 + ã1х0, т.е. в итоге подстановки в МНК-оценку функции регрессии модели значения х = х0 экзогенной переменной. Ско прогноза по формуле:

Описанная выше процедура точечного прогноза в рамках линейной модели парной регрессии остается в силе и для линейной модели множественной регрессии.

Интервальное прогнозирование.

Образуем дробь, имеющую смысл нормированной ошибки прогноза:

Если случайный остаток в модели не имеет автокорреляции и нормально распределен, то дробь обладает законом распределения Стьюдента с числом степеней свободы v2 = n- (k+1), k+1 – количество оцениваемых коэффициентов модели. Данное обстоятельство позволяет построить замкнутый промежуток [у-0;у+0] с границами у-0 = ỹ0 – tкрит*Sỹ0 и у+0 = ỹ0 + tкрит*Sỹ0 именуемый доверительным интервалом, который накрывает прогнозируемое значение у0с принятой доверительной вероятностью 1 – α. tкрит – критическое значение модуля дроби Стьюдента.

Процедура проверки адекватности оцененной линейной модели:

1)Результаты наблюдений объекта-оригинала (выборку) следует разделить на обучающую (90-95%) и контролирующую выборки (оставшиеся).

2)По обучающей выборке (вектор у, Х) оценить модель.

3)Задаться доверительной вероятностью 1-α и по значениям регрессоров, входящих в контролирующую выборку, построить доверительные интервалы для соответствующих этим регрессорам значений эндогенной переменной модели.

4)Проверить, попадают ли значения эндогенной переменной из контролирующей выборки в соответствующие доверительные интервалы. Если да, то признать оцененную модель адекватной. Если нет – то доработка модели.


1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 |


При использовании материала, поставите ссылку на Студалл.Орг (0.005 сек.)