Professional Documents
Culture Documents
ΜΙΝΙΤΑΒ 17 - ΠΑΛΙΝΔΡΟΜΗΣΗ
ΜΙΝΙΤΑΒ 17 - ΠΑΛΙΝΔΡΟΜΗΣΗ
Tο φυλλάδιο αυτό έχει ως στόχο να βοηθήσει τους φοιτητές της ΘΕ ΔΙΠ 50 στην προσαρμογή προτύπων παλινδρόμησης με χρήση του ΜΙΝΙΤΑΒ 17. Η
συγγραφή του φυλλαδίου κρίθηκε απαραίτητη αφού στο ΜΙΝΙΤΑΒ 17 η προσαρμογή προτύπων παλινδρόμησης διαφέρει σε σχέση με προηγούμενες εκδόσεις
του (το εκπαιδευτικό υλικό της ΘΕ ΔΙΠ 50 έχει βασιστεί στις εκδόσεις 12 και 15 του ΜΙΝΙΤΑΒ). Στις επόμενες σελίδες παρουσιάζονται οι δύο βασικές
διαδικασίες της παλινδρόμησης
Stat > Regression > Regression > Fit Regression Model
Stat > Regression > Regression > Predict
με τη βοήθεια Παραδειγμάτων και Ασκήσεων Αυτοαξιολόγησης του εκπαιδευτικού υλικού.
1. Παράδειγμα 9.11, σελίδα 74, Τευχίδιο Β΄
Εξαγωγή της βασικής ανάλυσης της απλής γραμμικής παλινδρόμησης: Η εισαγωγή των δεδομένων γίνεται με τον τρόπο που αναφέρεται στην τελευταία
παράγραφο της σελίδας 76 του Τευχιδίου Β΄. Συνεχίζουμε με Stat > Regression > Regression > Fit Regression Model. Στο παράθυρο που εμφανίζεται
εισάγουμε y στο πεδίο Responses: και x στο πεδίο Continuous predictors:. Κάνουμε κλικ στο Options και στο παράθυρο που ανοίγει επιλέγουμε Sequential
(Type I) στην περιοχή με ένδειξη Sum of Squares for Tests. Πατάμε ΟΚ και ξανά ΟΚ.
Στην αριστερή στήλη του παρακάτω πίνακα δίνονται με διαφορετικά χρώματα τα 5 βασικά κομμάτια του πλαισίου της σελίδας 77 του Τευχιδίου Β΄. Στη δεξιά
στήλη δίνονται τα αποτελέσματα που προκύπτουν με την προαναφερθείσα διαδικασία του ΜΙΝΙΤΑΒ 17. Στη δεξιά στήλη έχουν χρωματιστεί, με χρώματα
ανάλογα της αριστερής τα κομμάτια της ανάλυσης που είναι ίδια. Με μαύρο χρώμα δηλώνονται αποτελέσματα της δεξιάς στήλης που δεν υπάρχουν στην
αριστερή, όπως R-sq(pred), VIF κ.ά.
New Obs x
1 6,00
Εξαγωγή διαστημάτων εμπιστοσύνης και πρόβλεψης: Ακολουθούμε τη διαδικασία Stat > Regression > Regression > Predict. Στο παράθυρο που εμφανίζεται
εισάγουμε y στο πεδίο Responses: και την τιμή 6 στα κελί που βρίσκονται αμέσως κάτω από το x. Κάνουμε κλικ στο Options και στο παράθυρο που ανοίγει
πληκτρολογούμε 98 στο πεδίο Confidence level:. Πατάμε ΟΚ και ξανά ΟΚ. Το MINITAB δίνει τα παρακάτω αποτελέσματα:
MINITAB 17
Prediction for y
Regression Equation
y = 4,060 + 0,1800 x
Variable Setting
x 6
Σημείωση: Προκειμένου να ενεργοποιηθεί η διαδικασία Stat > Regression > Regression > Predict, θα πρέπει να προηγηθεί η εξαγωγή της βασικής ανάλυση
της απλής γραμμικής παλινδρόμησης της προηγούμενης παραγράφου.
2. Παράδειγμα 9.8, σελίδα 191, Τόμος Β΄
Εξαγωγή της βασικής ανάλυσης της πολλαπλής γραμμικής παλινδρόμησης: Η εισαγωγή των δεδομένων γίνεται με τον τρόπο που αναφέρεται στην πρώτη
παράγραφο της σελίδας 192 του Τόμου Β΄. Συνεχίζουμε με Stat > Regression > Regression > Fit Regression Model. Στο παράθυρο που εμφανίζεται εισάγουμε
Υ στο πεδίο Responses: και X1-X3 στο πεδίο Continuous predictors:. Κάνουμε κλικ στο Options και στο παράθυρο που ανοίγει επιλέγουμε Sequential (Type I)
στην περιοχή με ένδειξη Sum of Squares for Tests. Πατάμε ΟΚ και ξανά ΟΚ.
Στην αριστερή στήλη του παρακάτω πίνακα δίνονται με διαφορετικά χρώματα τα 5 βασικά κομμάτια του πλαισίου της σελίδας 192 του Τόμου Β΄. Στη δεξιά
στήλη δίνονται τα αποτελέσματα που προκύπτουν με την προαναφερθείσα διαδικασία του ΜΙΝΙΤΑΒ 17. Στη δεξιά στήλη έχουν χρωματιστεί, με χρώματα
ανάλογα της αριστερής τα κομμάτια της ανάλυσης που είναι ίδια. Με μαύρο χρώμα δηλώνονται αποτελέσματα της δεξιάς στήλης που δεν υπάρχουν στην
αριστερή, όπως R-sq(pred), VIF κ.ά..
Source DF SS MS F P
Regression 3 597,08 199,03 21,70 0,000 Coefficients
Residual Error 11 100,90 9,17
Total 14 697,98 Term Coef SE Coef T-Value P-Value VIF
Constant 21,5 10,6 2,03 0,067
X1 -0,929 0,133 -6,98 0,000 1,36
Source DF Seq SS X2 1,001 0,234 4,27 0,001 1,17
X1 1 172,34 X3 0,582 0,142 4,11 0,002 1,41
X2 1 270,01
X3 1 154,73
Regression Equation
MINITAB 17
Prediction for Y
Regression Equation
Variable Setting
X1 8
X2 35
X3 83
Σημείωση: Προκειμένου να ενεργοποιηθεί η διαδικασία Stat > Regression > Regression > Predict, θα πρέπει να προηγηθεί η εξαγωγή της βασικής ανάλυση
της πολλαπλής γραμμικής παλινδρόμησης της προηγούμενης παραγράφου.
MINITAB 17
Regression Analysis: y versus t
Analysis of Variance
Model Summary
Coefficients
Regression Equation
Model Summary
S R-sq R-sq(adj) R-sq(pred)
38,8101 98,48% 97,10% 93,33%
Coefficients
Term Coef SE Coef T-Value P-Value VIF
Constant 295,1 13,3 22,12 0,000
x1 303,6 12,3 24,74 0,000 1,00
x2 18,2 12,3 1,49 0,168 1,00
x3 -13,4 12,3 -1,09 0,302 1,00
x1*x2 13,8 13,7 1,01 0,338 1,00
x1*x3 3,8 13,7 0,27 0,789 1,00
x2*x3 -2,9 13,7 -0,21 0,836 1,00
x1*x1 56,2 23,4 2,40 0,037 1,82
x2*x2 28,9 23,4 1,23 0,245 1,82
x3*x3 23,4 23,4 1,00 0,340 1,82
Regression Equation
y = 295,1 + 303,6 x1 + 18,2 x2 - 13,4 x3 + 13,8 x1*x2 + 3,8 x1*x3 - 2,9 x2*x3 + 56,2 x1*x1
+ 28,9 x2*x2 + 23,4 x3*x3