Возможен и иной подход к определению параметров множественной регрессии, когда строится уравнение регрессии в стандартизованном масштабе:
ty = b 1 × tx 1 + b 2 × tx 2 + … + bk × txk + e,
где ty, tx 1,…, txp – стандартизованные переменные: , для которых среднее значение равно нулю, а среднее квадратическое отклонение равно единице: sty = stx = 1; b – стандартизованные коэффициенты регрессии.
Применив МНК к уравнению множественной регрессии в стандартизованном масштабе, после соответствующих преобразований можно получить систему нормальных уравнений вида
Решая её, найдем параметры – стандартизованные коэффициенты регрессии (b -коэффициенты).
Стандартизованные коэффициенты регрессии показывают, на сколько сигм изменится в среднем результат, если соответствующий фактор xj изменится на одну сигму при неизменном среднем уровне других факторов. В силу того, что все переменные заданы как центрированные и нормированные, стандартизованные коэффициенты регрессии bj сравнимы между собой. Сравнивая их друг с другом, можно ранжировать факторы по силе их воздействия на результат. В этом основное достоинство стандартизованных коэффициентов регрессии в отличие от коэффициентов «чистой» регрессии, которые несравнимы между собой.
|
|
В парной линейной регрессии стандартизованный коэффициент регрессии есть не что иное, как линейный коэффициент корреляции ryx. Подобно тому, как в парной зависимости коэффициенты регрессии и корреляции связаны между собой, так и во множественной регрессии коэффициенты «чистой» регрессии bj связаны со стандартизованными коэффициентами регрессии bj, а именно
(3.6)
Это позволяет от уравнения регрессии в стандартизованном масштабе
ty = b1 × tx1 + b2 × tx2 + … + bk × txk (3.7)
переходить к уравнению регрессии в натуральном масштабе переменных
y = b 0 + b 1 × x 1 + b 2 × x 2 + … + bk × xk.
Параметр b0 определяется как
. (3.8)
Содержание стандартизованных коэффициентов регрессии позволяет использовать их при отсеве факторов – из модели исключаются факторы с наименьшим значением bj.