Professional Documents
Culture Documents
NNZZZZZZZZZZ
NNZZZZZZZZZZ
)X1~Uniform(0,1
)X2~Uniform(0,1
)X3~Uniform(0,1
))Y=2*X1+X2+X3+Epsilion(~Normal(0,0.5
میخواهیم ببینیم مشکل هم خطی دارند یا نه؟از شاخص VIFاستفاده می کنیم که نتایج برای داده ها و
مدل فوق به شکل زیر می باشد:
ابتدا مقادیر پیش بینی شده را مقال مانده ها رسم میکنیم و میبنیم که ایا روند خطی دارند یا خیر؟
تقریبا روند خطی دارد.
چارک اول برای مانده ها تقریبا برابر 1.99787-چارک دوم یا همانه میانه مانده ها برابر -
0.60405و چارک سوم برابر 0.63041است ضرایب رگرسیونی بتاصفر هت بتا یک هت و بتا دو
هت و بتا سه هت به ترتیب برابر 2.02809و 0.48547-و0.07027و 0.27159است هر
چقدر ضرایب نسبت به خطای استاندارد بزرگتر باشد اماره تی بزرگتر خواهد بود فرضیات به
صورت زیر هستند:
H0:B0=B1=B2=B3=0
H1:contrary H0
هر چقدر مقدار پی ولیو کوچکتر باشد فرض صفر رد و هرچقدر مقدار پی ولیو بزرگتر باشد فرض
صفر قبول می شود و با توجه به پی ولیو های جدول در سطع اطمینان 0.05درصد جز بتا صفر ما
بقی برابر صفر هستند یعنی متغیر پاسخ از هیچ متغیر وابسته ای تاثیر نمیپذیرد مقدار ضریب تعیین
0.0259گزارش شده که نشان دهده وضعیت نامناسب مدل می باشد و معنی داری مدل نیز نیز رد
شده است چون 0.7482بزرگتر از پنج صدم می باشد شاید بتوان با انجام رگرسیون پیش رو پس
رو وضعیت مدل را کمی بهتر از قبل کرد برای تشخیص داده پرت نمودار جعبه ای رسم می کنیم:
همانطور که مشاهده می کنید هیچ داده پرتی وجود ندارد پس نیازی به ارای رگرسیون استوار نیست
کد ها:
)> x1<-runif(50
)> x2<-runif(50
)> x3<-runif(50
)> y=2*x1+x2+x3+rnorm(50,0,0.5
))> z1<-(x1-mean(x1))/sqrt(var(x1
))> z2<-(x2-mean(x2))/sqrt(var(x2
))> z3<-(x3-mean(x3))/sqrt(var(x3
> R1<-summary(lm(z1~z2+z3-1))$r.square
> R2<-summary(lm(z2~z3+z1-1))$r.square
> R3<-summary(lm(z3~z2+z1-1))$r.square
> R<-c(R1,R2,R3)
> VIF<-1/(1-R)
> VIF
[1] 1.028163 1.039452 1.011361
> X<-cbind(x1,x2,x3)
> plot(lm(y~X))
> l=cbind(y,X)
> boxplot(l)