A rugalmassági tényező - studopediya
Gazdasági tanulmányok széles körben használják olyan indikátort, például a rugalmassági tényező (E), képlet alapján számítható
rugalmassági arányt mutatja a százalékos változást a változása miatt faktor x 1% a névleges érték. A lineáris regressziós rugalmassági tényező egyenlő
és ez attól függ, hogy x. Ezért számított átlagos rugalmassági tényező
Az átlagos rugalmassági együttható () mutatja a százalékos aránya az átlagos aggregált változás eredményét, a s-értéke változó tényező x 1% a névleges érték.
1. Mit jelent a pár regresszió?
2. Milyen problémákat meg lehet oldani az építőiparban a regressziós egyenlet?
3. Melyek az alkalmazott módszerek típusának kiválasztása regressziós modell?
4. Mik a funkciók, leggyakrabban a használt építeni a regressziós egyenlet a pár?
5. Milyen rendszer normális egyenletek a legkisebb négyzetek módszere esetében a lineáris regresszió?
6. Hogyan index kiszámításához és meghatározását mutatja?
7. Hogyan lehet ellenőrizni a jelentősége a regressziós egyenlet?
8. Hogyan lehet ellenőrizni a jelentősége a regressziós együtthatók az egyenlet?
9. Hogyan számoljuk, és azt mutatják, hogy a rugalmassági tényező E. átlagos rugalmassági tényező?
1. A javasolt regressziós egyenletek kiválasztani a legjobb, t. E. Az egyik, hogy adja a legjobb közelítés a megfigyelt adatokat
2. A értéke az együttható meghatározásának R 2 = 0,56 százalékát meghatározó variációs kapott változó, a regressziós egyenletet magyarázható. (56%)
3. meg a kritikus értéket az F-teszt és t-tesztet a megfigyelések száma és a szignifikancia szintjét: n = 50, # 945; = 0,01, m = 1; n = 20 # 945; = 0,05, m = 1, ahol m - száma változó tényező. (7,19; 4,41)
4. A nagysága a meghatározás együtthatója R 2 = 0,4 check szignifikancia (# 945 = 0,05) és a két darab lineáris regresszió. Száma megfigyelés n = 50. (szignifikáns)
5. Mivel a regressziós egyenlet
megtalálja azt az átlagos rugalmassági tényező, ha. (0,90)
6. Egy adott rugalmassági tényező E = 1,5, hogy mennyi változás, amikor a változó x y 2 db, ha változtatni a jeleket az x és y értékek figyelembe x = 40 y = 10. (0,75)
Lab rabota№ 2
Feladat. Az adatok alapján táblázat a megfelelő variánst A1.2 (2.1 táblázat.):
1. Construct javasolt a 2.1 táblázatban regressziós egyenlet, beleértve a lineáris regresszió, a következő képlet segítségével (2.3) - (2.11).
2. Számítsuk ki a paraméterek minőségét és pontosságát minden egyenlet.
3. Ellenőrizze regressziós egyenletek jelentőségét szignifikancia szinten 0,05 és 0,01.
4. Határozza meg a legjobb regressziós egyenlet alapján az átlagos közelítési hiba.
5. Határozza meg az átlagos rugalmassági tényezővel lineáris regressziós egyenlet.
6 eredményeinek grafikus ábrázolását a modellezés.
Kiviteli alakok hangszíngörbét hogy Lab № 2
,
.
Lineáris regressziós egyenlet y = - 20,39 + 0476 · x.
2) Ahhoz, hogy épít egy hatványfüggvény modellben be új változókat x „= ln x; y „= ln y. értékeit számítjuk az új változók, és végre közbenső számítások (2.4 táblázat).
A közbenső számítások eredményei a teljesítmény regresszió
Ahhoz, hogy meghatározzuk az értékeket a paraméterek használja a képletek (2.3a)
,
.
.
Teljesítmény regressziós egyenlet formában van.
3) A számítás a minőségi mutatók. korrelációs index R (2,10), a meghatározás együtthatója R 2 átlagos négyzetes hibát # 949; q (2,11), az átlagos hiba a közelítő (2.12).
A lineáris modell (lásd 2.3 táblázat.)
,
R 2 = R · R · 0,479 = 0,479 = 0,229,
.
Az elektromos jog modell (lásd a 2.4.)
,
R 2 = R · R · 0,467 = 0,467 = 0,218,
.
4) Vizsgálati jelentősége a regressziós egyenletek (Sec. 2.4).
A lineáris modell (2.3 táblázat.):
.
Mivel> Fkrit 0,05 = 4,35, a # 945; = 0,05 lineáris egyenlet jelentősen.
mert Mert hatványalakú modell (2.4 táblázat).: . Mivel a kritikus értékek Fkrit kritérium Fkrit 0,05 és 0,01 jelentése azonos, akkor arra a következtetésre jutunk, hogy a # 945; = 0,05 hatványfüggvény egyenlet jelentősen, a # 945; = 0,01 - nem szignifikáns. 5) meghatározása a legjobb regressziós egyenlet (átlagosan közelítési hiba). Mivel>. A lineáris modell nem ad kisebb hiba. 6) meghatározása az átlagos rugalmassági tényezővel lineáris regressziós egyenlet (2.16). 1) lineáris regressziós egyenlet y = - 20,39 + 0476 · x. 2) Teljesítmény regressziós egyenletet. 3) teljesítménye minőségét és pontosságát: A lineáris modell (lásd 2.3 táblázat.) , . Az elektromos jog modell (lásd a 2.4.) , . 4) A lineáris egyenlet jelentősen # 945; = 0,05 és szignifikáns # 945; = 0,01. A hatványalakú egyenlet jelentősen, amikor # 945; = 0,05 és szignifikáns # 945; = 0,01. 5) Lineáris modell egy kisebb hibát. 6) Az átlagos rugalmassági tényező 7) grafikus ábrázolása a szimulációs eredmények (ábra. 2.1).
Ábra. 2.1 Grafikus ábrázolás a szimulációs eredmények.