исследуемого объекта (см. табл. 4) построить линейную модель парной регрессии вида y(х)= = a+bx+e (a и b – коэффициенты регрессии, y и х - зависимая и независимая переменные) и оценить точность модели.
Таблица 4. Результаты наблюдений за показателями (переменными) x и y
Наблюдения n=10 | y×x | x2 | (по расчетам) | |
x | y | |||
5,91 10,22 14,53 18,84 23,15 27,46 31,77 36,03 40,39 44,7 | ||||
å: 55 | 253,05 |
Порядок выполнения задания:
1. Согласно исходным данным (табл.4) по известным формулам математической статистики определяем:
2. Расчёт коэффициентов а и b регрессионной модели y=a+bx+e осуществляют в соответствии с методом наименьших квадратов (МНК) по формулам:
Подставим данные промежуточных расчётов в приведённые формулы:
3. Определяем значение аппроксимирующей функции в каждом узле xi табл.4:
1) 1,6+4,31×1=5,91; 6) 1,6+4,31×6=27,46;
2) 1,6+4,31×2=10,22; 7) 1,6+4,31×7=31,77;
3) 1,6+4,31×3=14,53; 8) 1,6+4,31×8=36,08;
4) 1,6+4,31×4=18,84; 9) 1,6+4,31×9=40,39;
5) 1,6+4,31×5=23,15; 10) 1,6+4,31×10=44,7.
4. Согласно полученным данным получим график функции (рис.1)
|
|
5. Найдем среднюю ошибку аппроксимации по формуле:
. .
6. Найдем коэффициент эластичности, отражающий степень влияния фактора на зависимую переменную y:
; Э= .
Вывод: По данным табл.1были найдены значения и построена линейная регрессионная модель, которая аппроксимирует результаты наблюдений. Ошибка аппроксимации составила 13,46 %, а эластичность - 0,937. В интересах повышения точности аппроксимации результатов наблюдений следует применить более полную модель, например, применить регрессионную модель второго порядка – параболическую модель.