Разделы презентаций
- Разное
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Геометрия
- Детские презентации
- Информатика
- История
- Литература
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
COST N 1 ТЕСТ ЧОУ Иногда при регрессионном анализе в образце данных имеются два
Содержание
- 1. COST N 1 ТЕСТ ЧОУ Иногда при регрессионном анализе в образце данных имеются два
- 2. COSTN2Если это так, разумно исследовать, применима ли
- 3. 3Мы проиллюстрируем это, используя данные для 74
- 4. . reg COST N Source |
- 5. 5Это диаграмма рассеяния с линией регрессииТЕСТ ЧОУCOSTN
- 6. 6Теперь мы проводим различие между профессиональными школами
- 7. . reg COST N if OCC==1 Source
- 8. . reg COST N if OCC==0 Source
- 9. 9Вот регрессионные линии для двух подвыборкиТЕСТ ЧОУПрофессиональные школы Обычные школыCOSTN
- 10. 10Для сравнения показана линия регрессии для объединенного
- 11. 11ТЕСТ ЧОУRSS = 5.55 x 1011COSTNОбычные школыПрофессиональные
- 12. 12ТЕСТ ЧОУCOSTNОбычные школыПрофессиональные школыТеперь соответствующие остатки для
- 13. 13ТЕСТ ЧОУCOSTNОбычные школыПрофессиональные школыRSS меньше для остатков
- 14. 14ТЕСТ ЧОУCOSTNОбычные школыПроф. школыЛиния регрессии для подвыборной
- 15. 15ТЕСТ ЧОУЛиния регрессии для объединенного образца расположена
- 16. 16ТЕСТ ЧОУПоэтому его местоположение является компромиссом между
- 17. 17Затем мы переходим к обычным школам. Вот
- 18. 18ТЕСТ ЧОУCOSTОбычные школыПроф. школыNЗатем мы переходим к
- 19. 19ТЕСТ ЧОУCOSTОбычные школыПроф. школыNОпять же, RSS должен
- 20. 20В таблице приведены данные RSS для двух
- 21. 21Остаточные суммы квадратов для отдельных регрессий для
- 22. 22Добавляя их вместе, мы получаем общую остаточную
- 23. 23Мы сравниваем эту сумму с RSSP, остаточной
- 24. 24Это получается непосредственно из исходной регрессии. Нет
- 25. 25Мы заинтересованы в том, чтобы добиться существенного
- 26. 26Статистика теста - это статистика F, определенная
- 27. 27Первым аргументом статистики F является k, стоимость,
- 28. 28Стоимость k, поскольку два набора k параметров
- 29. 29Второй аргумент статистики F - n -
- 30. 30По каждой регрессии, когда проводятся отдельные регрессии,
- 31. F(k, n – 2k) 31Числитель F-статистики состоит
- 32. F(k, n – 2k) 32Знаменателем F-статистики является
- 33. F(k, n – 2k) RSSP = 8.91
- 34. F(k, n – 2k) RSSP = 8.91
- 35. F(k, n – 2k) RSSP = 8.91
- 36. 37Таким образом, статистика F равна 31.2. Критическое
- 37. 38Поэтому уменьшение остаточной суммы квадратов является значительным
- 38. Скачать презентанцию
COSTN2Если это так, разумно исследовать, применима ли одна модель регрессии к обоим категориям или нужны ли вам отдельные для них. Для этого вы можете выполнить тест ChowТЕСТ ЧОУ
Слайды и текст этой презентации
Слайд 2COST
N
2
Если это так, разумно исследовать, применима ли одна модель регрессии
к обоим категориям или нужны ли вам отдельные для них.
Для этого вы можете выполнить тест ChowТЕСТ ЧОУ
Слайд 33
Мы проиллюстрируем это, используя данные для 74 средних школ в
Шанхае. Диаграмма разброса отображает данные о годовых периодических расходах и
числе студентов.ТЕСТ ЧОУ
COST
N
Слайд 4. reg COST N
Source | SS
df MS
Number of obs = 74---------+------------------------------ F( 1, 72) = 46.82
Model | 5.7974e+11 1 5.7974e+11 Prob > F = 0.0000
Residual | 8.9160e+11 72 1.2383e+10 R-squared = 0.3940
---------+------------------------------ Adj R-squared = 0.3856
Total | 1.4713e+12 73 2.0155e+10 Root MSE = 1.1e+05
------------------------------------------------------------------------------
COST | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
N | 339.0432 49.55144 6.842 0.000 240.2642 437.8222
_cons | 23953.3 27167.96 0.882 0.381 -30205.04 78111.65
------------------------------------------------------------------------------
4
Вот результат регрессии, когда COST регрессируется на N, не делая различия между различными типами школ.
ТЕСТ ЧОУ
Слайд 66
Теперь мы проводим различие между профессиональными школами и обычными школами
и проводим отдельные регрессии для двух подвыборки
ТЕСТ ЧОУ
Профессиональные школы
Обычные школы
COST
N
Слайд 7. reg COST N if OCC==1
Source |
SS df MS
Number of obs = 34---------+------------------------------ F( 1, 32) = 55.52
Model | 6.0538e+11 1 6.0538e+11 Prob > F = 0.0000
Residual | 3.4895e+11 32 1.0905e+10 R-squared = 0.6344
---------+------------------------------ Adj R-squared = 0.6229
Total | 9.5433e+11 33 2.8919e+10 Root MSE = 1.0e+05
------------------------------------------------------------------------------
COST | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
N | 436.7769 58.62085 7.451 0.000 317.3701 556.1836
_cons | 47974.07 33879.03 1.416 0.166 -21035.26 116983.4
------------------------------------------------------------------------------
7
Это результат регрессии, когда COST регрессируется на N, используя подвыборку из 34 профессиональных школ.
ТЕСТ ЧОУ
Слайд 8. reg COST N if OCC==0
Source |
SS df MS
Number of obs = 40---------+------------------------------ F( 1, 38) = 13.53
Model | 4.3273e+10 1 4.3273e+10 Prob > F = 0.0007
Residual | 1.2150e+11 38 3.1973e+09 R-squared = 0.2626
---------+------------------------------ Adj R-squared = 0.2432
Total | 1.6477e+11 39 4.2249e+09 Root MSE = 56545
------------------------------------------------------------------------------
COST | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
N | 152.2982 41.39782 3.679 0.001 68.49275 236.1037
_cons | 51475.25 21599.14 2.383 0.022 7750.064 95200.43
------------------------------------------------------------------------------
8
И это результат регрессии, когда COST регрессируется на N для подвыборки из 40 обычных школ.
ТЕСТ ЧОУ
Слайд 99
Вот регрессионные линии для двух подвыборки
ТЕСТ ЧОУ
Профессиональные школы
Обычные школы
COST
N
Слайд 1010
Для сравнения показана линия регрессии для объединенного образца (целая выборка,
без какого-либо различия).
ТЕСТ ЧОУ
Профессиональные школы
Обычные школы
COST
N
Слайд 1111
ТЕСТ ЧОУ
RSS = 5.55 x 1011
COST
N
Обычные школы
Профессиональные школы
На диаграмме показаны
остатки для профессиональных школ в регрессии с использованием объединенного образца
Слайд 1212
ТЕСТ ЧОУ
COST
N
Обычные школы
Профессиональные школы
Теперь соответствующие остатки для регрессии с использованием
только выборочных наблюдений в оккупационных школах
RSS = 3.49 x 1011
Слайд 1313
ТЕСТ ЧОУ
COST
N
Обычные школы
Профессиональные школы
RSS меньше для остатков от подвыборной регрессии.
Это должно быть так. Зачем? (Попробуйте ответить, прежде чем продолжить.)
RSS
= 3.49 x 1011
Слайд 1414
ТЕСТ ЧОУ
COST
N
Обычные школы
Проф. школы
Линия регрессии для подвыборной регрессии расположена так,
чтобы минимизировать сумму квадратов остатков для наблюдений в школе. Это
принцип, лежащий в основе OLS.RSS = 3.49 x 1011
Слайд 1515
ТЕСТ ЧОУ
Линия регрессии для объединенного образца расположена для обеспечения наилучшего
общего соответствия для образца в целом, включая обычные школы
COST
N
Обычные школы
Проф.
школыRSS = 5.55 x 1011
Слайд 1616
ТЕСТ ЧОУ
Поэтому его местоположение является компромиссом между наилучшим подходом к
наблюдениям в профессиональной школе и наилучшим образом подходит для обычных
школьных наблюдений. Поскольку это компромисс, его подгонка будет ниже, чем для регрессии подвыборкиCOST
N
Обычные школы
Проф. школы
RSS = 5.55 x 1011
Слайд 1717
Затем мы переходим к обычным школам. Вот остатки для объединенной
регрессии.
ТЕСТ ЧОУ
COST
Обычные школы
Проф. школы
N
RSS = 3.36 x 1011
Слайд 1818
ТЕСТ ЧОУ
COST
Обычные школы
Проф. школы
N
Затем мы переходим к обычным школам. Вот
остатки для объединенной регрессии
RSS = 1.22 x 1011
Слайд 1919
ТЕСТ ЧОУ
COST
Обычные школы
Проф. школы
N
Опять же, RSS должен быть ниже для
регрессии подвыборки, чем для объединенной регрессии выборки.
RSS = 1.22 x
1011
Слайд 2020
В таблице приведены данные RSS для двух типов школ в
отдельных и объединенных регрессиях.
ТЕСТ ЧОУ
Остаточная сумма квадратов (x1011)
Регрессия Профессиональная Обычная Всего
Отдельный RSS1 = 3.49 RSS2
= 1.22 4.71Объединенный 5.55 3.36 RSSP = 8.91
Слайд 2121
Остаточные суммы квадратов для отдельных регрессий для профессиональных и обычных
школ будут обозначаться соответственно RSS1 и RSS2
ТЕСТ ЧОУ
Остаточная сумма квадратов(x1011)
Регрессия
Профессиональная Обычная ВсегоОтдельный RSS1 = 3.49 RSS2 = 1.22 4.71
Объединненный 5.55 3.36 RSSP = 8.91
Слайд 2222
Добавляя их вместе, мы получаем общую остаточную сумму квадратов, когда
для двух подвыборки выполняются отдельные регрессии.
ТЕСТ ЧОУ
Остаточная сумма квадратов (x1011)
Регрессия Профессиональная Обычная Всего
Отдельные RSS1
= 3.49 RSS2 = 1.22 4.71Объединненные 5.55 3.36 RSSP = 8.91
Слайд 2323
Мы сравниваем эту сумму с RSSP, остаточной суммой квадратов из
объединенной регрессии выборки.
ТЕСТ ЧОУ
Остаточная сумма квадратов(x1011)
Регрессия Профессиональный Обычная Всего
Отдельные RSS1 = 3.49 RSS2 =
1.22 4.71Объединенные 5.55 3.36 RSSP = 8.91
Слайд 2424
Это получается непосредственно из исходной регрессии. Нет необходимости вычислять профессиональные
и регулярные компоненты. Нас интересует только итог.
ТЕСТ ЧОУ
COST
N
Обычные школы
Проф. школы
RSS
= 8.91 x 1011
Слайд 2525
Мы заинтересованы в том, чтобы добиться существенного уменьшения общего количества,
когда мы выполняем отдельные регрессии для двух подвыборки.
ТЕСТ ЧОУ
Остаточная
сумма квадратов (x1011)Регрессия Профессиональная Обычная Всего
Отдельные RSS1 = 3.49 RSS2 = 1.22 4.71
Объединенные 5.55 3.36 RSSP = 8.91
Слайд 2626
Статистика теста - это статистика F, определенная как показано
ТЕСТ ЧОУ
F(k,
n – 2k)
общее снижение в RSS, когда
выполняются отдельные регрессии
стоимость
в степенисвободы
степеней свободы
осталось
общее количество оставшихся RSS
выполняются отдельные регрессии
Слайд 2727
Первым аргументом статистики F является k, стоимость, с точки зрения
степеней свободы, выполнения отдельных регрессий.
ТЕСТ ЧОУ
F(k, n – 2k)
общее
снижение в RSS, когдавыполняются отдельные регрессии
стоимость в степени
свободы
общее количество оставшихся RSS
выполняются отдельные регрессии
степеней свободы
осталось
Слайд 2828
Стоимость k, поскольку два набора k параметров оцениваются при выполнении
отдельных регрессий, а не только один набор с объединенной регрессией.
ТЕСТ
ЧОУF(k, n – 2k)
общее снижение в RSS, когда
выполняются отдельные регрессии
стоимость в степени
свободы
общее количество оставшихся RSS
выполняются отдельные регрессии
степеней свободы
осталось
Слайд 2929
Второй аргумент статистики F - n - 2k, общее число
степеней свободы, оставшихся при выполнении отдельных регрессий.
ТЕСТ ЧОУ
F(k, n –
2k) общее снижение в RSS, когда
выполняются отдельные регрессии
стоимость в степени
свободы
общее количество оставшихся RSS
выполняются отдельные регрессии
степеней свободы
осталось
Слайд 3030
По каждой регрессии, когда проводятся отдельные регрессии, есть n наблюдений
и k степеней свободы.
ТЕСТ ЧОУ
F(k, n – 2k)
общее снижение
в RSS, когдавыполняются отдельные регрессии
общее количество оставшихся RSS
выполняются отдельные регрессии
стоимость в степени
свободы
степеней свободы
осталось
Слайд 31F(k, n – 2k)
31
Числитель F-статистики состоит из общего улучшения
пригонки при расщеплении образца, деленного на стоимость в терминах степеней
свободы при выполнении отдельных регрессий.ТЕСТ ЧОУ
общее снижение в RSS, когда
выполняются отдельные регрессии
стоимость в степени
свободы
общее количество оставшихся RSS
выполняются отдельные регрессии
степеней свободы
осталось
Слайд 32F(k, n – 2k)
32
Знаменателем F-статистики является общее количество RSS,
оставшееся после расщепления выборки, деленное на количество оставшихся степеней свободы
ТЕСТ
ЧОУобщее снижение в RSS, когда
выполняются отдельные регрессии
стоимость в степени
свободы
общее количество оставшихся RSS
выполняются отдельные регрессии
степеней свободы
осталось
Слайд 33F(k, n – 2k)
RSSP = 8.91 x 1011
RSS1 +
RSS2 = 4.71 x 1011
33
В случае функций стоимости школы сокращение
остаточной суммы квадратов уже было сведено в таблицу.ТЕСТ ЧОУ
общее снижение в RSS, когда
выполняются отдельные регрессии
стоимость в степени
свободы
общее количество оставшихся RSS
выполняются отдельные регрессии
степеней свободы
осталось
Слайд 34F(k, n – 2k)
RSSP = 8.91 x 1011
RSS1 +
RSS2 = 4.71 x 1011
34
В модели только два параметра: константа
и коэффициент N, поэтому первый аргумент статистики F равен 2ТЕСТ ЧОУ
общее снижение в RSS, когда
выполняются отдельные регрессии
общее количество оставшихся RSS
выполняются отдельные регрессии
стоимость в степени
свободы
степеней свободы
осталось
Слайд 35F(k, n – 2k)
RSSP = 8.91 x 1011
RSS1 +
RSS2 = 4.71 x 1011
35
Остаточная сумма квадратов, оставшихся после расщепления
образца, представляет собой сумму RSS1 и RSS2.ТЕСТ ЧОУ
общее снижение в RSS, когда
выполняются отдельные регрессии
общее количество оставшихся RSS
выполняются отдельные регрессии
стоимость в степени
свободы
степеней свободы
осталось
Слайд 3637
Таким образом, статистика F равна 31.2. Критическое значение F (2,70)
составляет 7,6 при уровне значимости 0,1%.
ТЕСТ ЧОУ
F(k, n – 2k)
RSSP = 8.91 x 1011
RSS1 + RSS2 = 4.71 x 1011
общее снижение в RSS, когда
выполняются отдельные регрессии
стоимость в степени
свободы
общее количество оставшихся RSS
выполняются отдельные регрессии
степеней свободы
осталось
Слайд 3738
Поэтому уменьшение остаточной суммы квадратов является значительным на уровне 0,1%.
Мы пришли к выводу, что функция объединенных затрат является неадекватной
спецификацией и что мы должны проводить отдельные регрессии для двух типов школТЕСТ ЧОУ
F(k, n – 2k)
RSSP = 8.91 x 1011
RSS1 + RSS2 = 4.71 x 1011
общее снижение в RSS, когда
выполняются отдельные регрессии
общее количество оставшихся RSS
выполняются отдельные регрессии
стоимость в степени
свободы
степеней свободы
осталось
