A jelentősége a lineáris regressziós együtthatók

előző ◈ a következő

Ellenőrzése statisztikai szignifikancia együtthatók lineáris regresszió, hogy ellenőrizze a hipotézis jelentősége, vagy inszignifikanciája bizonyos különbségek becsült regressziós együtthatók nullától. Ha az ellenőrzés során kiderül, hogy ellentétben egyes becslések regressziós együtthatók nullától nem befolyásolja a minőséget a modell, a megfelelő prediktor változók kizárhatók a regressziós modell.

elnevezések

  • - egy sor prediktor változók
  • - lineáris regressziós együtthatók.
  • - a függő változó (válasz)
lineáris regressziós modell a következő formában:

Hagyja .Vvedom kiegészítő jelek:

Elemzés struktkry modell

Ha X, \ Theta „/> (1) tartja. Azt mondjuk, hogy az arány (1) írja:” a folyamat az adatokat generáló „vagy hogy (1) egy” igazi modell. „A szabály szerint a gyakorlatban az igazi modell ismeretlen, vizsgáló értékeli modell, hogy csak körülbelül megfelel adatokat generáló folyamat. Selection regresszorok, amelyek jelen vannak a modell lesz az úgynevezett struktúra modellje.

Ez felveti azt a kérdést, a kapcsolat a OLS becslése a paramétereket a valóságnak, illetve a kiválasztott modelleken. Vegyünk két esetben:

  • A becsült modell hiányzik egy részét a prediktor változók, amelyek a valódi modell (kivéve az alapvető változók);
  • A becsült modell jelen prediktor változók, amelyek nem az igazi modell (felvétele lényegtelen változók).


1. tétel (kivéve a lényeges változók):

1. tétel azt mondja, hogy ha az építőiparban a regressziós modellben gleaning prediktor változók, megkapjuk rossz OLS becslés a regressziós paraméterek.

Elfogadása 2. (befogadás lényegtelen változók):

Itt - kovarianciák mátrix lábnyom értékeléseket. A nyilatkozatot, 2 kimondja, hogy ha a regressziós modell tartalmaz extra prediktor változó, egyre nagyobb a szórás kapott OLS becslés.

Megállapíthatjuk, hogy ha nem végez ellenőrzéseket a jelentősége a prediktor változók, hogy szerezzen egy jó OLS regressziós együtthatók jobb előrejelző változókat, hogy több, mint a többet ér-é.

Check együtthatók jelentősége

A lineáris regressziós koefficiens jelentősnek tekinthető. ha az OLS becslést nullától eltérő.

Bemutatjuk a kritériumokat Fischer teszteljék a jelentősége a lineáris regressziós együtthatók.

A null hipotézis azt állítja, hogy a válasz nem függ a prediktor változók.

Ez egy forgalmazása Fischer és szabadsági fokkal. Aztán a kritikus területen kritérium a jobb hátsó eloszlásának Fisher, amely megfelel az alternatív hipotézis.

  • ha F_ (k-k_1, n-k) "/> F_ (k-k_1, n-k)" />, a null hipotézist elvetjük javára egy alternatív;
előző ◈ a következő