ИЗОБРАЖЕНИЕ ГРАФИКА ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ РЕГРЕССИОННОЙ МОДЕЛИ Продукция презентация, доклад

Слайд 1ИЗОБРАЖЕНИЕ ГРАФИКА ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ РЕГРЕССИОННОЙ МОДЕЛИ
Продукция выше показывает результат

регрессии ДОХОДА, почасового дохода в долларах умноженного на S, годы

обучения и EXP, годы опыта работы.

1

. reg EARNINGS S EXP
----------------------------------------------------------------------------
Начало | SS df MS Number of obs = 500
-----------+------------------------------ F( 2, 497) = 35.24
Модель| 8735.42401 2 4367.712 Prob > F = 0.0000
Остаток| 61593.5422 497 123.930668 R-squared = 0.1242
-----------+------------------------------ Adj R-squared = 0.1207
Всего | 70328.9662 499 140.939812 Root MSE = 11.132
----------------------------------------------------------------------------
Доход| Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | 1.877563 .2237434 8.39 0.000 1.437964 2.317163
EXP | .9833436 .2098457 4.69 0.000 .5710495 1.395638
_cons | -14.66833 4.288375 -3.42 0.001 -23.09391 -6.242752
----------------------------------------------------------------------------

ИЗОБРАЖЕНИЕ ГРАФИКА ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ РЕГРЕССИОННОЙ МОДЕЛИПродукция выше показывает результат регрессии ДОХОДА, почасового дохода в долларах умноженного

Слайд 22
Предположим, что Вы интересовались отношением между ДОХОДОМ и S и

хотели представить его графически, используя типовые данные.
ИЗОБРАЖЕНИЕ ГРАФИКА ОТНОШЕНИЙ В

МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

2Предположим, что Вы интересовались отношением между ДОХОДОМ и S и хотели представить его графически, используя типовые данные.ИЗОБРАЖЕНИЕ

Слайд 33
Простой график ввел бы в заблуждение
ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ

РЕГРЕССА

Слайд 44
Обучение отрицательно коррелируется с опытом работы. График проваливается и нужно

обратить на это внимание, и как следствие линия регресса недооценивает

воздействие обучения на доход

ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

4Обучение отрицательно коррелируется с опытом работы. График проваливается и нужно обратить на это внимание, и как следствие

Слайд 55
Мы исследуем искажение математически, когда мы дойдем до смещения из-за

снятых переменных
ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

5Мы исследуем искажение математически, когда мы дойдем до смещения из-за снятых переменныхГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

Слайд 66
Чтобы устранить искажение, мы производим чистку обоих и ДОХОДОВ и

S, их компонентов, связанных с EXP, и затем рисуем диаграмму

разброса, используя очищенные переменные.

ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

6Чтобы устранить искажение, мы производим чистку обоих и ДОХОДОВ и S, их компонентов, связанных с EXP, и

Слайд 7. reg EARNINGS EXP
----------------------------------------------------------------------------
Source |

SS df MS

Number of obs = 500
-----------+------------------------------ F( 1, 498) = 0.06
Model | 8.36885807 1 8.36885807 Prob > F = 0.8078
Residual | 70320.5974 498 141.206019 R-squared = 0.0001
-----------+------------------------------ Adj R-squared = -0.0019
Total | 70328.9662 499 140.939812 Root MSE = 11.883
----------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
EXP | -.0442828 .1818981 -0.24 0.808 -.4016651 .3130996
_cons | 19.86614 1.287089 15.43 0.000 17.33735 22.39494
----------------------------------------------------------------------------

. predict EEARN, resid

7

Мы начинаем, возвращая ДОХОД на EXP, как показано выше. Остатки - часть ДОХОДА, которая не связана с ЭКСПОРТОМ, команда 'предсказать' - команда Stata для экономии остатков от нового регресса. Мы называем их EEARN.

ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

. reg EARNINGS EXP---------------------------------------------------------------------------- Source | SS df

Слайд 8. reg S EXP
----------------------------------------------------------------------------
Source |

SS df MS

Number of obs = 500
-----------+------------------------------ F( 1, 498) = 257.18
Model | 1278.43322 1 1278.43322 Prob > F = 0.0000
Residual | 2475.58878 498 4.9710618 R-squared = 0.3406
-----------+------------------------------ Adj R-squared = 0.3392
Total | 3754.022 499 7.52309018 Root MSE = 2.2296
----------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
EXP | -.5473191 .0341292 -16.04 0.000 -.6143741 -.4802641
_cons | 18.39324 .241494 76.16 0.000 17.91877 18.86771
----------------------------------------------------------------------------

. predict ES, resid

8

Мы делаем то же самое с S. Мы возвращаемся к EXP и сохраняем остатки как ES

ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

. reg S EXP---------------------------------------------------------------------------- Source | SS df

Слайд 99
Теперь мы готовим EEARN на ES, и разброс - верное

представление отношений, обоих с точки зрения наклона линии тенденции (твердая

линия) и с точки зрения изменения о той линии.

ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

9Теперь мы готовим EEARN на ES, и разброс - верное представление отношений, обоих с точки зрения наклона

Слайд 1010
Как Вы ожидали бы, линия тенденции более крута, что в

диаграмме разброса, которая не управляла для EXP (воспроизведенный здесь как

пунктирная линия).

ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

10Как Вы ожидали бы, линия тенденции более крута, что в диаграмме разброса, которая не управляла для EXP

Слайд 1111
Вот регресс EEARN на ES.
ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА
.

reg EEARN ES
Source | SS

df MS Number of obs = 500
-----------+------------------------------ F( 1, 498) = 70.56
Model | 8727.05507 1 8727.05507 Prob > F = 0.0000
Residual | 61593.5414 498 123.68181 R-squared = 0.1241
-----------+------------------------------ Adj R-squared = 0.1223
Total | 70320.5965 499 140.923039 Root MSE = 11.121
----------------------------------------------------------------------------
EEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ES | 1.877563 .2235186 8.40 0.000 1.438408 2.316719
_cons | -1.32e-08 .4973566 -0.00 1.000 -.977176 .977176
----------------------------------------------------------------------------

11Вот регресс EEARN на ES.ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА. reg EEARN ES Source |

Слайд 1212
Математическое доказательство, что работы техники требуют матричной алгебры. Мы будем

довольствоваться, проверяя, что оценка наклонного коэффициента совпадает с в многократном

регрессе.

ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

From multiple regression:

. reg EEARN ES
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 1, 498) = 70.56
Model | 8727.05507 1 8727.05507 Prob > F = 0.0000
Residual | 61593.5414 498 123.68181 R-squared = 0.1241
-----------+------------------------------ Adj R-squared = 0.1223
Total | 70320.5965 499 140.923039 Root MSE = 11.121
----------------------------------------------------------------------------
EEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ES | 1.877563 .2235186 8.40 0.000 1.438408 2.316719
_cons | -1.32e-08 .4973566 -0.00 1.000 -.977176 .977176
----------------------------------------------------------------------------

. reg EARNINGS S EXP
----------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | 1.877563 .2237434 8.39 0.000 1.437964 2.317163
EXP | .9833436 .2098457 4.69 0.000 .5710495 1.395638
_cons | -14.66833 4.288375 -3.42 0.001 -23.09391 -6.242752
----------------------------------------------------------------------------

12Математическое доказательство, что работы техники требуют матричной алгебры. Мы будем довольствоваться, проверяя, что оценка наклонного коэффициента совпадает

Слайд 1313
Наконец, маленькое и не очень важный технический пункт. Вы, возможно,

заметили, что стандартная ошибка и t статистическая величина действительно не

совсем соответствуют. Причина этого состоит в том, что количество степеней свободы завышено 1 в регрессе остатков.

ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

From multiple regression:

. reg EEARN ES
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 1, 498) = 70.56
Model | 8727.05507 1 8727.05507 Prob > F = 0.0000
Residual | 61593.5414 498 123.68181 R-squared = 0.1241
-----------+------------------------------ Adj R-squared = 0.1223
Total | 70320.5965 499 140.923039 Root MSE = 11.121
----------------------------------------------------------------------------
EEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ES | 1.877563 .2235186 8.40 0.000 1.438408 2.316719
_cons | -1.32e-08 .4973566 -0.00 1.000 -.977176 .977176
----------------------------------------------------------------------------

. reg EARNINGS S EXP
----------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | 1.877563 .2237434 8.39 0.000 1.437964 2.317163
EXP | .9833436 .2098457 4.69 0.000 .5710495 1.395638
_cons | -14.66833 4.288375 -3.42 0.001 -23.09391 -6.242752
----------------------------------------------------------------------------

13Наконец, маленькое и не очень важный технический пункт. Вы, возможно, заметили, что стандартная ошибка и t статистическая

Слайд 1414
Тот регресс не делал поправку на то, что мы уже

израсходовали 1 степень свободы в удалении EXP из модели.
ГРАФИК ОТНОШЕНИЙ

В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

From multiple regression:

. reg EEARN ES
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 1, 498) = 70.56
Model | 8727.05507 1 8727.05507 Prob > F = 0.0000
Residual | 61593.5414 498 123.68181 R-squared = 0.1241
-----------+------------------------------ Adj R-squared = 0.1223
Total | 70320.5965 499 140.923039 Root MSE = 11.121
----------------------------------------------------------------------------
EEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
ES | 1.877563 .2235186 8.40 0.000 1.438408 2.316719
_cons | -1.32e-08 .4973566 -0.00 1.000 -.977176 .977176
----------------------------------------------------------------------------

. reg EARNINGS S EXP
----------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | 1.877563 .2237434 8.39 0.000 1.437964 2.317163
EXP | .9833436 .2098457 4.69 0.000 .5710495 1.395638
_cons | -14.66833 4.288375 -3.42 0.001 -23.09391 -6.242752
----------------------------------------------------------------------------

14Тот регресс не делал поправку на то, что мы уже израсходовали 1 степень свободы в удалении EXP

Разделы презентаций

ИЗОБРАЖЕНИЕ ГРАФИКА ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ РЕГРЕССИОННОЙ МОДЕЛИ Продукция

Содержание

Слайды и текст этой презентации

Слайд 1ИЗОБРАЖЕНИЕ ГРАФИКА ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ РЕГРЕССИОННОЙ МОДЕЛИ
Продукция выше показывает результат

регрессии ДОХОДА, почасового дохода в долларах умноженного на S, годы

Слайд 22
Предположим, что Вы интересовались отношением между ДОХОДОМ и S и

хотели представить его графически, используя типовые данные.
ИЗОБРАЖЕНИЕ ГРАФИКА ОТНОШЕНИЙ В

Слайд 33
Простой график ввел бы в заблуждение
ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ

РЕГРЕССА

Слайд 44
Обучение отрицательно коррелируется с опытом работы. График проваливается и нужно

обратить на это внимание, и как следствие линия регресса недооценивает

Слайд 55
Мы исследуем искажение математически, когда мы дойдем до смещения из-за

снятых переменных
ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

Слайд 66
Чтобы устранить искажение, мы производим чистку обоих и ДОХОДОВ и

S, их компонентов, связанных с EXP, и затем рисуем диаграмму

Слайд 7. reg EARNINGS EXP
----------------------------------------------------------------------------
Source |

SS df MS

Слайд 8. reg S EXP
----------------------------------------------------------------------------
Source |

SS df MS

Слайд 99
Теперь мы готовим EEARN на ES, и разброс - верное

представление отношений, обоих с точки зрения наклона линии тенденции (твердая

Слайд 1010
Как Вы ожидали бы, линия тенденции более крута, что в

диаграмме разброса, которая не управляла для EXP (воспроизведенный здесь как

Слайд 1111
Вот регресс EEARN на ES.
ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА
.

reg EEARN ES
Source | SS

Слайд 1212
Математическое доказательство, что работы техники требуют матричной алгебры. Мы будем

довольствоваться, проверяя, что оценка наклонного коэффициента совпадает с в многократном

Слайд 1313
Наконец, маленькое и не очень важный технический пункт. Вы, возможно,

заметили, что стандартная ошибка и t статистическая величина действительно не

Слайд 1414
Тот регресс не делал поправку на то, что мы уже

израсходовали 1 степень свободы в удалении EXP из модели.
ГРАФИК ОТНОШЕНИЙ

Обратная связь

Что такое TheSlide.ru?

Разделы презентаций

ИЗОБРАЖЕНИЕ ГРАФИКА ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ РЕГРЕССИОННОЙ МОДЕЛИ Продукция

Содержание

Слайды и текст этой презентации

Слайд 1ИЗОБРАЖЕНИЕ ГРАФИКА ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ РЕГРЕССИОННОЙ МОДЕЛИПродукция выше показывает результат

регрессии ДОХОДА, почасового дохода в долларах умноженного на S, годы

Слайд 22Предположим, что Вы интересовались отношением между ДОХОДОМ и S и

хотели представить его графически, используя типовые данные.ИЗОБРАЖЕНИЕ ГРАФИКА ОТНОШЕНИЙ В

Слайд 33Простой график ввел бы в заблуждениеГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ

РЕГРЕССА

Слайд 44Обучение отрицательно коррелируется с опытом работы. График проваливается и нужно

обратить на это внимание, и как следствие линия регресса недооценивает

Слайд 55Мы исследуем искажение математически, когда мы дойдем до смещения из-за

снятых переменныхГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

Слайд 66Чтобы устранить искажение, мы производим чистку обоих и ДОХОДОВ и

S, их компонентов, связанных с EXP, и затем рисуем диаграмму

Слайд 7. reg EARNINGS EXP---------------------------------------------------------------------------- Source |

SS df MS

Слайд 8. reg S EXP---------------------------------------------------------------------------- Source |

SS df MS

Слайд 99Теперь мы готовим EEARN на ES, и разброс - верное

представление отношений, обоих с точки зрения наклона линии тенденции (твердая

Слайд 1010Как Вы ожидали бы, линия тенденции более крута, что в

диаграмме разброса, которая не управляла для EXP (воспроизведенный здесь как

Слайд 1111Вот регресс EEARN на ES.ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА.

reg EEARN ES Source | SS

Слайд 1212Математическое доказательство, что работы техники требуют матричной алгебры. Мы будем

довольствоваться, проверяя, что оценка наклонного коэффициента совпадает с в многократном

Слайд 1313Наконец, маленькое и не очень важный технический пункт. Вы, возможно,

заметили, что стандартная ошибка и t статистическая величина действительно не

Слайд 1414Тот регресс не делал поправку на то, что мы уже

израсходовали 1 степень свободы в удалении EXP из модели.ГРАФИК ОТНОШЕНИЙ

Похожие презентации

Обратная связь

Что такое TheSlide.ru?

Слайд 1ИЗОБРАЖЕНИЕ ГРАФИКА ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ РЕГРЕССИОННОЙ МОДЕЛИ
Продукция выше показывает результат

Слайд 22
Предположим, что Вы интересовались отношением между ДОХОДОМ и S и

хотели представить его графически, используя типовые данные.
ИЗОБРАЖЕНИЕ ГРАФИКА ОТНОШЕНИЙ В

Слайд 33
Простой график ввел бы в заблуждение
ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ

Слайд 44
Обучение отрицательно коррелируется с опытом работы. График проваливается и нужно

Слайд 55
Мы исследуем искажение математически, когда мы дойдем до смещения из-за

снятых переменных
ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА

Слайд 66
Чтобы устранить искажение, мы производим чистку обоих и ДОХОДОВ и

Слайд 7. reg EARNINGS EXP
----------------------------------------------------------------------------
Source |

Слайд 8. reg S EXP
----------------------------------------------------------------------------
Source |

Слайд 99
Теперь мы готовим EEARN на ES, и разброс - верное

Слайд 1010
Как Вы ожидали бы, линия тенденции более крута, что в

Слайд 1111
Вот регресс EEARN на ES.
ГРАФИК ОТНОШЕНИЙ В МНОГОЧИСЛЕННОЙ МОДЕЛИ РЕГРЕССА
.

reg EEARN ES
Source | SS

Слайд 1212
Математическое доказательство, что работы техники требуют матричной алгебры. Мы будем

Слайд 1313
Наконец, маленькое и не очень важный технический пункт. Вы, возможно,

Слайд 1414
Тот регресс не делал поправку на то, что мы уже

израсходовали 1 степень свободы в удалении EXP из модели.
ГРАФИК ОТНОШЕНИЙ