‫‪Name:Nazanin‬‬

‫‪Last Name: Asghari‬‬

‫پنجاه داده به صورت زیر شبیه سازی شده اند‪:‬‬

‫)‪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:‬‬

‫‪X1‬‬ ‫‪x2‬‬ ‫‪x3‬‬

‫‪1.011361 1.039452 1.028163‬‬
‫چون کم تر از ‪ 4‬هستند پس مشکل هم خطی ندارند‬

‫ابتدا مقادیر پیش بینی شده را مقال مانده ها رسم میکنیم و میبنیم که ایا روند خطی دارند یا خیر؟‬
 ‫تقریبا روند خطی دارد‪.‬‬

‫شکل زیر نشان می دهد که داده ها از توزیع نرمال پیروی می کنند‬

‫شکل زیر نشان می دهد که واریانس خطاها تقریبا تثبیت شده است و نیازی به تبدیل نداریم‬
 ‫به روش کمترین مربعات براورد میکنیم‪:‬‬

‫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)