Практическое занятие №2 Множественный регрессионный анализ

социологических исследованиях»

направления связи между изучаемыми величинами.
В ходе регрессионного анализа определяется

аналитическое выражение связи зависимой случайной величины Y (результативный признак) с независимыми случайными величинами Х1, Х2, …Хm (факторами).

одной или нескольких независимых переменных.
Например, на спортивные качества атлета

влияют несколько факторов, включая возраст, рост и вес.
Можно вычислить степень влияния каждого из этих трех факторов по результатам выступления спортсмена, а затем использовать полученные данные для предсказания выступления другого спортсмена.

Прогнозные значения вычисляются путем подстановки в уравнение регрессии параметров значений

объясняющих переменных.
Основные задачи регрессионного анализа
установление формы зависимости,
определение функции регрессии,
оценка неизвестных значений зависимой переменной.

1 задача - Установление формы зависимости.
Характер и форма зависимости между переменными могут образовывать следующие разновидности регрессии:
положительная линейная регрессия (выражается в равномерном росте функции);
положительная равноускоренно возрастающая регрессия;
положительная равнозамедленно возрастающая регрессия;
отрицательная линейная регрессия (выражается в равномерном падении функции);
отрицательная равноускоренно убывающая регрессия;
отрицательная равнозамедленно убывающая регрессия.
Однако описанные разновидности обычно встречаются не в чистом виде, а в сочетании друг с другом. В таком случае говорят о комбинированных формах регрессии.

к выяснению действия на зависимую переменную главных факторов или причин,

при неизменных прочих равных условиях, и при условии исключения воздействия на зависимую переменную случайных элементов. Функция регрессии определяется в виде математического уравнения того или иного типа.
3 задача - Оценка неизвестных значений зависимой переменной.
Оценка значений зависимой переменной внутри рассматриваемого интервала исходных данных, т.е. пропущенных значений; при этом решается задача интерполяции.
Оценка будущих значений зависимой переменной, т.е. нахождение значений вне заданного интервала исходных данных; при этом решается задача экстраполяции.
Обе задачи решаются путем подстановки в уравнение регрессии найденных оценок параметров значений независимых переменных. Результат решения уравнения представляет собой оценку значения целевой (зависимой) переменной.

Х1, Х2, …Хm.

В зависимости от типа выбранного уравнения различают

линейную и нелинейную (квадратичную, экспоненциальную, логарифмическую и т.д.) регрессию.

парную и множественную регрессию.
Парная – исследуется связь между двумя признаками

(результативным и факторным).
Множественная (многофакторная) – между тремя признаками (результативным и несколькими факторными).

переменная Y выражается через константу a и угол наклона прямой

(или угловой коэффициент) b, умноженный на значение переменной X. Константу a также называют свободным членом, а угловой коэффициент - коэффициентом регрессии или B-коэффициентом.
В большинстве случав (если не всегда) наблюдается определенный разброс наблюдений относительно регрессионной прямой.
Остаток - это отклонение отдельной точки (наблюдения) от линии регрессии (предсказанного значения).
Для решения задачи регрессионного анализа в MS Excel выбираем в меню Сервис "Пакет анализа" и инструмент анализа "Регрессия". Задаем входные интервалы X и Y. Входной интервал Y - это диапазон зависимых анализируемых данных, он должен включать один столбец. Входной интервал X - это диапазон независимых данных, которые необходимо проанализировать. Число входных диапазонов должно быть не больше 16.

параметров регрессии.
2. Определение в регрессии степени стохастической взаимосвязи результативного признака

и факторов, проверка общего качества уравнения регрессии.
3. Проверка статистической значимости каждого коэффициента уравнения регрессии и определение их доверительных интервалов.

между рассматриваемыми переменными является линейной. Так, в рассматриваемом примере мы

построили диаграмму рассеивания и смогли увидеть явную линейную связь. Если же на диаграмме рассеивания переменных мы видим явное отсутствие линейной связи, т.е. присутствует нелинейная связь, следует использовать нелинейные методы анализа.
Предположение о нормальности остатков. Оно допускает, что распределение разницы предсказанных и наблюдаемых значений является нормальным. Для визуального определения характера распределения можно воспользоваться гистограммами остатков.
При использовании регрессионного анализа следует учитывать его основное ограничение. Оно состоит в том, что регрессионный анализ позволяет обнаружить лишь зависимости, а не связи, лежащие в основе этих зависимостей.
Регрессионный анализ дает возможность оценить степень связи между переменными путем вычисления предполагаемого значения переменной на основании нескольких известных значений.

зависимую переменную. 
При помощи регрессионного анализа возможно решение задачи прогнозирования.
Уравнение регрессии

выглядит следующим образом: Y=a+b*X
Прогнозные значения вычисляются путем подстановки в уравнение регрессии параметров значений объясняющих переменных
Используем пакет «Регрессия».

регрессии

большое число статистических функций. Некоторые являются встроенными, некоторые доступны после

установки пакета анализа.
Средства, включенные в пакет анализа данных, доступны через команду Сервис == Анализ данных. Если эта команда отсутствует в меню, в меню Сервис/Надстройки необходимо активировать пункт "Пакет анализа".
Пошаговый алгоритм есть здесь https://lumpics.ru/regression-analysis-in-excel/

связи между переменными
Одним из основных показателей является R-квадрат. В нем

указывается качество модели.
В нашем случае данный коэффициент равен 0,705 или около 70,5%. Это приемлемый уровень качества. Следовательно, можно построить уравнение регрессии
Зависимость менее 0,5 является плохой. В этом случае уравнение регрессии построить нельзя. Анализ на этом заканчивается.

анализ)
В данном шаге нужно указать вероятность, с которой независимая переменная

(время) влияет на зависимую (успеваемость).
Оценка значимости уравнения регрессии в целом производится на основе F -критерия Фишера.
В данном примере F=7,18, которому соответствует уровень значимости 0,07. Это фразу следует расшифровывать следующим образом: с вероятностью 93% можно утверждать, что температура воздуха влияет на количество покупателей.

коэффициента и свободного члена построенного уравнения.
Для построения модели линейной регрессии

из данной таблицы используется коэффициент Y-пересечения.
Оценка его значимости проводится по t-критерию Стьюдента. В данном случае уровень значимости t-критерия Стьюдента меньше 0,001 (равен 0,0008), следовательно, можно говорить о статистической значимости коэффициента Y-пересечения.
В случае, если уровень значимости t-критерия Стьюдента (p-значение) меньше, чем 0,05, уравнение регрессии построить нельзя.

коэффициента и свободного члена построенного уравнения.
Математическое уравнение, которое оценивает линию

простой (парной) линейной регрессии:
Y=a+bX, где
X - независимая переменная, 
Y – зависимая переменная (или переменная отклика). Это значение, которое мы ожидаем для y (в среднем), если мы знаем величину x, т.е. это «предсказанное значение y»
a – свободный член (пересечение) линии оценки; это значение Y, когда Х=0,
b – угловой коэффициент или градиент оценённой линии; она представляет собой величину, на которую Y увеличивается в среднем, если мы увеличиваем Х на одну единицу.
Уравнение регрессии в данном случае выглядит как:
Y (количество посетителей) = 58 + 1,3 * Х.

регрессии – вероятностный прогноз изменения исследуемых переменных.
К примеру, мы хотим

узнать, каково будет количество покупателей на следующей неделе.

* Х в строку формул, где Х – показатели температуры

из прогноза погоды на следующую неделю.

Y = 58 + 1,3* Х.
Прогноз числа покупателей

для температуры -8 С равен 47,6 чел; для температуры -10 С равен 45 чел.
В целом можно говорить о температуры окружающей среды на количество покупателей в торговой точке.

наличие статистически значимой линейной связи между переменными
доказать значимость линейной модели

(дисперсионный анализ)
составить уравнение регрессии, доказать значимость коэффициента и свободного члена построенного уравнения
рассчитать прогнозные показатели

потраченного студентами, и средним баллом Y их академической успеваемости, который

варьируется в пределах от 2,0 до 5,0. Под потраченным без пользы временем понимается количество часов определенного соответствующего времяпровождения в неделю (например, занятого просмотром телесериалов). Данные для выборки студентов приведены в таблице.
Требуется построить линейную регрессионную зависимость среднего балла успеваемости от показателя бесполезно потраченного времени, а также выполнить прогноз успеваемости для значений X, равных 20, 30 и 40 часов.

за 1959-1983 годы (данные на следующем слайде).
Требуется вычислить уравнение регрессии

между расходами потребителя на питание (Y) и располагаемым личным доходом (X) по данным, приведенным для США за период с 1959 по 1983 год.
Исследователю хотелось бы предсказать расход на питание в 1984 году при личном доходе потребителя 1 239,3.

характеристик и показателя успешности учебной деятельности студентов-экономистов по изучению компьютерных

технологий. Использовались следующие психологические показатели, измеренные в баллах по шкале от 1 до 7. Показатель успешности учебной деятельности рассчитывался по специальной методике в шкале 20-80 (данные в отдельной таблице).
Требуется построить для успешности рассматриваемой деятельности оптимальную линейную регрессионную зависимость от психологических показателей.
Предсказать, насколько будет успешен Иван Иванович Иванов (испытуемый 19).

и адаптивных способностей у солдат срочной службы - новобранцев в

космических войсках (данные в отдельной таблице).
Определить, какие черты характера соответствуют высоким адаптивным способностям (8 баллов), а какие – низким (6 баллов).

Microsoft Excel мы:
построили уравнение регрессии;
установили форму зависимости и направление связи

между переменными - положительная линейная регрессия, которая выражается в равномерном росте функции;
установили направление связи между переменными;
оценили качество полученной регрессионной прямой;
смогли увидеть отклонения расчетных данных от данных исходного набора;
предсказали будущие значения зависимой переменной.
Если функция регрессии определена, интерпретирована и обоснована, и оценка точности регрессионного анализа соответствует требованиям, можно считать, что построенная модель и прогнозные значения обладают достаточной надежностью.
Прогнозные значения, полученные таким способом, являются средними значениями, которые можно ожидать.

анализа.