Ошибки аппроксимации. ⇐ ПредыдущаяСтр 6 из 6
Практически всегда фактическое значение результативного признака отличаются от теоретических, рассчитанных по уравнению регрессии. Чем меньше эти отличия, тем ближе будут теоретические значения подходить к эмпирическим следовательно, тем лучше подобрано уравнение регрессии Величина отклонений фактических значений от расчетных результативного признака по каждому наблюдению представляет собой ошибку аппроксимации. Ошибки аппроксимации для каждого наблюдения принято определять в процентах по модулю: Эти ошибки уже поддаются сравнению, но они оценивают каждое наблюдение в отдельности. Такую ошибку принято называть относительной ошибкой аппроксимации. Чтобы оценить качество модели в целом, можно определить среднюю ошибку аппроксимации, представляющую собой среднюю арифметическую относительных ошибок аппроксимации по всем наблюдениям, включаемым в модель:
Прогнозирование в линейной регрессии Интервалы прогноза
После построения уравнения регрессии, и проверки его значимости можно применять это уравнение для прогнозирования. Используя уравнение регрессии, можно получить предсказываемое значение результата (ур) с помощью точечного прогноза при заданном значении фактора хр, т.е. надо просто подставить в уравнение у (х) = а + b * х соответствующее значение х. Однако точечный прогноз не дает требуемых представлений, он практически нереален на практике, поэтому дополнительно необходимо осуществлять определение стандартной ошибки прогнозирования тyx и интервальную опенку прогнозного значения. Наилучших результатов прогноза можно ожидать, если признак-фактор х находится в центре области всех наблюдений х, а при удалении хз от хороших результатов прогноза не будет, Если же значение хp оказывается за пределами наблюдаемых значений х, используемых при построении линейной регрессии, то результаты прогноза ухудшаются в зависимости от того, насколько хp отклоняется от области наблюдаемый значений факторах.
©2015 arhivinfo.ru Все права принадлежат авторам размещенных материалов.
|