1. Trang chủ
  2. » Khoa Học Tự Nhiên

Phân tích hồi qui tuyến tính

29 1,3K 8
Tài liệu đã được kiểm tra trùng lặp

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 29
Dung lượng 468,6 KB

Nội dung

Hồi qui

10 Phân tích hi qui tuyn tính Phân tích hi qui tuyn tính (linear regression analysis) có l là mt trong nhng phng pháp phân tích s liu thông dng nht trong thng kê hc. Anon tng vit “Cho con ngi 3 v khí – h s tng quan, hi qui tuyn tính và mt cây bút, con ngi s s dng c ba”! Trong chng này, tôi s gii thiu cách s dng R đ phân tích hi qui tuyn tính và các phng pháp liên quan nh h s tng quan và kim đnh gi thit thng kê. Ví d 1.  minh ha cho vn đ, chúng ta th xem xét nghiên cu sau đây, mà trong đó nhà nghiên cu đo lng đ cholestrol trong máu ca 18 đi tng nam. T trng c th (body mass index) cng đc c tính cho mi đi tng bng công thc tính BMI là ly trng lng (tính bng kg) chia cho chiu cao bình phng (m 2 ). Kt qu đo lng nh sau: Bng 1.  tui, t trng c th và cholesterol Mã s ID (id)  tui (age) BMI (bmi) Cholesterol (chol) 1 46 25.4 3.5 2 20 20.6 1.9 3 52 26.2 4.0 4 30 22.6 2.6 5 57 25.4 4.5 6 25 23.1 3.0 7 28 22.7 2.9 8 36 24.9 3.8 9 22 19.8 2.1 10 43 25.3 3.8 11 57 23.2 4.1 12 33 21.8 3.0 13 22 20.9 2.5 14 63 26.7 4.6 15 40 26.4 3.2 16 48 21.2 4.2 17 28 21.2 2.3 18 49 22.8 4.0 Nhìn s qua s liu chúng ta thy ngi có đ tui càng cao đ cholesterol cng càng cao. Chúng ta th nhp s liu này vào R và v mt biu đ tán x nh sau: > age <- c(46,20,52,30,57,25,28,36,22,43,57,33,22,63,40,48,28,49) > bmi <-c(25.4,20.6,26.2,22.6,25.4,23.1,22.7,24.9,19.8,25.3,23.2, 21.8,20.9,26.7,26.4,21.2,21.2,22.8) > chol <- c(3.5,1.9,4.0,2.6,4.5,3.0,2.9,3.8,2.1,3.8,4.1,3.0, 2.5,4.6,3.2, 4.2,2.3,4.0) > data <- data.frame(age, bmi, chol) > plot(chol ~ age, pch=16) 20 30 40 50 60 2.0 2.5 3.0 3.5 4.0 4.5 age chol Biu đ 10.1. Liên h gia đ tui và cholesterol. Biu đ 10.1 trên đây gi ý cho thy mi liên h gia đ tui (age) và cholesterol là mt đng thng (tuyn tính).  “đo lng” mi liên h này, chúng ta có th s dng h s tng quan (coefficient of correlation). 10.1 H s tng quan H s tng quan (r) là mt ch s thng kê đo lng mi liên h tng quan gia hai bin s, nh gia đ tui (x) và cholesterol (y). H s tng quan có giá tr t -1 đn 1. H s tng quan bng 0 (hay gn 0) có ngha là hai bin s không có liên h gì vi nhau; ngc li nu h s bng -1 hay 1 có ngha là hai bin s có mt mi liên h tuyt đi. Nu giá tr ca h s tng quan là âm (r <0) có ngha là khi x tng cao thì y gim (và ngc li, khi x gim thì y tng); nu giá tr h s tng quan là dng (r > 0) có ngha là khi x tng cao thì y cng tng, và khi x tng cao thì y cng gim theo. Thc ra có nhiu h s tng quan trong thng kê, nhng  đây tôi s trình bày 3 h s tng quan thông dng nht: h s tng quan Pearson r, Spearman ρ, và Kendall τ. 10.1.1 H s tng quan Pearson Cho hai bin s x và y t n mu, h s tng quan Pearson đc c tính bng công thc sau đây: ()() ()() ∑ − ∑ − ∑ −− = == = n i i n i i n i ii yyxx yyxx r 1 2 1 2 1 Trong đó, nh đnh ngha phn trên, x và y là giá tr trung bình ca bin s x và y.  c tính h s tng quan gia đ tui age và cholesterol, chúng ta có th s dng hàm cor(x,y) nh sau: > cor(age, chol) [1] 0.936726 Chúng ta có th kim đnh gi thit h s tng quan bng 0 (tc hai bin x và y không có liên h). Phng pháp kim đnh này thng da vào phép bin đi Fisher mà R đã có sn mt hàm cor.test đ tin hành vic tính toán. > cor.test(age, chol) Pearson's product-moment correlation data: age and chol t = 10.7035, df = 16, p-value = 1.058e-08 alternative hypothesis: true correlation is not equal to 0 95 percent confidence interval: 0.8350463 0.9765306 sample estimates: cor 0.936726 Kt qu phân tích cho thy kim đnh t = 10.70 vi tr s p = 1.058e-08; do đó, chúng ta có bng chng đ kt lun rng mi liên h gia đ tui và cholesterol có ý ngha thng kê. Kt lun này cng chính là kt lun chúng ta đã đi đn trong phn phân tích hi qui tuyn tính trên. 10.1.2 H s tng quan Spearman ρ H s tng quan Pearson ch hp lí nu bin s x và y tuân theo lut phân phi chun. Nu x và y không tuân theo lut phân phi chun, chúng ta phi s dng mt h s tng quan khác tên là Spearman, mt phng pháp phân tích phi tham s. H s này đc c tính bng cách bin đi hai bin s x và y thành th bc (rank), và xem đ tng quan gia hai dãy s bc. Do đó, h s còn có tên ting Anh là Spearman’s Rank correlation. R c tính h s tng quan Spearman bng hàm cor.test vi thông s method=”spearman” nh sau: > cor.test(age, chol, method="spearman") Spearman's rank correlation rho data: age and chol S = 51.1584, p-value = 2.57e-09 alternative hypothesis: true rho is not equal to 0 sample estimates: rho 0.947205 Warning message: Cannot compute exact p-values with ties in: cor.test.default(age, chol, method = "spearman") Kt qu phân tích cho thy giá tr rho = 0.947, và tr s p = 2.57e-09. Kt qu t phân tích này cng không khác vi phân tích hi qui tuyn tính: mi liên h gia đ tui và cholesterol rt cao và có ý ngha thng kê. 10.1.3 H s tng quan Kendall τ H s tng quan Kendall (cng là mt phng pháp phân tích phi tham s) đc c tính bng cách tìm các cp s (x, y) “song hành" vi nhau. Mt cp (x, y) song hành  đây đc đnh ngha là hiu (đ khác bit) trên trc hoành có cùng du hiu (dng hay âm) vi hiu trên trc tung. Nu hai bin s x và y không có liên h vi nhau, thì s cp song hành bng hay tng đng vi s cp không song hành. Bi vì có nhiu cp phi kim đnh, phng pháp tính toán h s tng quan Kendall đòi hi thi gian ca máy tính khá cao. Tuy nhiên, nu mt d liu di 5000 đi tng thì mt máy vi tính có th tính toán khá d dàng. R dùng hàm cor.test vi thông s method=”kendall” đ c tính h s tng quan Kendall: > cor.test(age, chol, method="kendall") Kendall's rank correlation tau data: age and chol z = 4.755, p-value = 1.984e-06 alternative hypothesis: true tau is not equal to 0 sample estimates: tau 0.8333333 Warning message: Cannot compute exact p-value with ties in: cor.test.default(age, chol, method = "kendall") Kt qu phân tích h s tng quan Kendall mt ln na khng đnh mi liên h gia đ tui và cholesterol có ý ngha thng kê, vì h s tau = 0.833 và tr s p = 1.98e- 06. Các h s tng quan trên đây đo mc đ tng quan gia hai bin s, nhng không cho chúng ta mt phng trình đ ni hai bin s đó vi nhau. Thành ra, vn đ đt ra là chúng ta tìm mt phng trình tuyn tính đ mô t mi liên h này. Chúng ta s ng dng mô hình hi qui tuyn tính. 10.2 Mô hình ca hi qui tuyn tính đn gin 10.2.1 vài dòng lí thuyt  tin vic theo dõi và mô t mô hình, gi đ tui cho cá nhân i là x i và cholesterol là y i .  đây i = 1, 2, 3, …, 18. Mô hình hi tuyn tính phát biu rng: iii yx α βε = ++ [1] Nói cách khác, phng trình trên gi đnh rng đ cholesterol ca mt cá nhân bng mt hng s α cng vi mt h s β liên quan đn đ tui, và mt sai s ε i . Trong phng trình trên, α là chn (intercept, tc giá tr lúc x i =0), và β là đ dc (slope hay gradient). Trong thc t, α và β là hai thông s (paramater, còn gi là regression coefficient hay h s hi qui), và ε i là mt bin s theo lut phân phi chun vi trung bình 0 và phng sai σ 2 . Các thông s α, β và σ 2 phi đc c tính t d liu. Phng pháp đ c tính các thông s này là phng pháp bình phng nh nht (least squares method). Nh tên gi, phng pháp bình phng nh nht tìm giá tr α, β sao cho () 2 1 n ii i yx αβ =   −+   ∑ nh nht. Sau vài thao tác toán, có th chng minh d dàng rng, c s cho α và β đáp ng điu kin đó là: ()() () 1 2 1 ˆ n ii i n i i x xy y xx β = = − − = − ∑ ∑ [2] và yx α β =− ) ) [3]  đây, x và y là giá tr trung bình ca bin s x và y. Chú ý, tôi vit α ) và β ) (vi du m phía trên) là đ nhc nh rng đây là hai c s (estimates) ca α và β, ch không phi α và β (chúng ta không bit chính xác α và β, nhng ch có th c tính mà thôi). Sau khi đã có c s α ) và β ) , chúng ta có th c tính đ cholesterol trung bình cho tng đ tui nh sau: ˆ ˆ ii yx α β =+ ) Tt nhiên, ˆ i y  đây ch là s trung bình cho đ tui x i , và phn còn li (tc i y - ˆ i y ) gi là phn d (residual). Và phng sai ca phn d có th c tính nh sau: () 2 1 ˆ 2 n ii i yy s n = − = − ∑ [4] s 2 chính là c s ca σ 2 . Trong phân tích hi qui tuyn tính, thông thng chúng ta mun bit h s β = 0 hay khác 0. Nu β bng 0, thì cng có ngha là không có mi liên h gì gia x và y; nu β khác vi 0, chúng ta có bng chng đ phát biu rng x và y có liên quan nhau.  kim đnh gi thit β = 0 chúng ta dùng xét nghim t sau đây: () ˆ ˆ t SE β β = [5] () ˆ SE β có ngha là sai s chun (standard error) ca c s β ) . Trong phng trình trên, t tuân theo lut phân phi t vi bc t do n-2 (nu tht s β = 0). 10.2.2 Phân tích hi qui tuyn tính đn gin bng R Hàm lm (vit tt t linear model) trong R có th tính toán các giá tr ca α ) và β ) , cng nh s 2 mt cách nhanh gn. Chúng ta tip tc vi ví d bng R nh sau: > lm(chol ~ age) Call: lm(formula = chol ~ age) Coefficients: (Intercept) age 1.08922 0.05779 Trong lnh trên, “chol ~ age” có ngha là mô t chol là mt hàm s ca age. Kt qu tính toán ca lm cho thy α ) = 1.0892 và β ) = 0.05779. Nói cách khác, vi hai thông s này, chúng ta có th c tính đ cholesterol cho bt c đ tui nào trong khong tui ca mu bng phng trình tuyn tính: ˆ i y = 1.08922 + 0.05779 x age Phng trình này có ngha là khi đ tui tng 1 nm thì đ cholesterol tng khong 0.058 mmol/L. Tht ra, hàm lm còn cung cp cho chúng ta nhiu thông tin khác, nhng chúng ta phi đa các thông tin này vào mt object. Gi object đó là reg, thì lnh s là: > reg <- lm(chol ~ age) > summary(reg) Call: lm(formula = chol ~ age) Residuals: Min 1Q Median 3Q Max -0.40729 -0.24133 -0.04522 0.17939 0.63040 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 1.089218 0.221466 4.918 0.000154 *** age 0.057788 0.005399 10.704 1.06e-08 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Residual standard error: 0.3027 on 16 degrees of freedom Multiple R-Squared: 0.8775, Adjusted R-squared: 0.8698 F-statistic: 114.6 on 1 and 16 DF, p-value: 1.058e-08 Lnh th hai, summary(reg), yêu cu R lit kê các thông tin tính toán trong reg. Phn kt qu chia làm 3 phn: (a) Phn 1 mô t phn d (residuals) ca mô hình hi qui: Residuals: Min 1Q Median 3Q Max -0.40729 -0.24133 -0.04522 0.17939 0.63040 Chúng ta bit rng trung bình phn d phi là 0, và  đây, s trung v là -0.04, cng không xa 0 bao nhiêu. Các s quantiles 25% (1Q) và 75% (3Q) cng khá cân đi chung quan s trung v, cho thy phn d ca phng trình này tng đi cân đi. (b) Phn hai trình bày c s ca α ) và β ) cùng vi sai s chun và giá tr ca kim đnh t. Giá tr kim đnh t cho β ) là 10.74 vi tr s p = 1.06e-08, cho thy β không phi bng 0. Nói cách khác, chúng ta có bng chng đ cho rng có mt mi liên h gia cholesterol và đ tui, và mi liên h này có ý ngha thng kê. Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 1.089218 0.221466 4.918 0.000154 *** age 0.057788 0.005399 10.704 1.06e-08 *** --- Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 (c) Phn ba ca kt qu cho chúng ta thông tin v phng sai ca phn d (residual mean square).  đây, s 2 = 0.3027. Trong kt qu này còn có kim đnh F, cng ch là mt kim đnh xem có qu tht β bng 0, tc có ý ngha tng t nh kim đnh t trong phn trên. Nói chung, trong trng hp phân tích hi qui tuyn tính đn gin (vi mt yu t) chúng ta không cn phi quan tâm đn kim đnh F. Residual standard error: 0.3027 on 16 degrees of freedom Multiple R-Squared: 0.8775, Adjusted R-squared: 0.8698 F-statistic: 114.6 on 1 and 16 DF, p-value: 1.058e-08 Ngoài ra, phn 3 còn cho chúng ta mt thông tin quan trng, đó là tr s R 2 hay h s xác đnh bi (coefficient of determination). H s này đc c tính bng công thc: () () 2 2 1 2 1 ˆ n i i n i i yy R yy = = − = − ∑ ∑ [6] Tc là bng tng bình phng gia s c tính và trung bình chia cho tng bình phng s quan sát và trung bình. Tr s R 2 trong ví d này là 0.8775, có ngha là phng trình tuyn tính (vi đ tui là mt yu t) gii thích khong 88% các khác bit v đ cholesterol gia các cá nhân. Tt nhiên tr s R 2 có giá tr t 0 đn 100% (hay 1). Giá tr R 2 càng cao là mt du hiu cho thy mi liên h gia hai bin s đ tui và cholesterol càng cht ch. Mt h s cng cn đ cp  đây là h s điu chnh xác đnh bi (mà trong kt qu trên R gi là “Adjusted R-squared”). ây là h s cho chúng ta bit mc đ ci tin ca phng sai phn d (residual variance) do yu t đ tui có mt trong mô hình tuyn tính. Nói chung, h s này không khác my so vi h s xác đnh bi, và chúng ta cng không cn chú tâm quá mc. 10.2.3 Gi đnh ca phân tích hi qui tuyn tính Tt c các phân tích trên da vào mt s gi đnh quan trng nh sau: (a) x là mt bin s c đnh hay fixed, (“c đnh”  đây có ngha là không có sai sót ngu nhiên trong đo lng); (b) ε i phân phi theo lut phân phi chun; (c) ε i có giá tr trung bình (mean) là 0; (d) ε i có phng sai σ 2 c đnh cho tt c x i ; và (e) các giá tr liên tc ca ε i không có liên h tng quan vi nhau (nói cách khác, ε 1 và ε 2 không có liên h vi nhau). Nu các gi đnh này không đc đáp ng thì phng trình mà chúng ta c tính có vn đ hp lí (validity). Do đó, trc khi trình bày và din dch mô hình trên, chúng ta cn phi kim tra xem các gi đnh trên có đáp ng đc hay không. Trong trng hp này, gi đnh (a) không phi là vn đ, vì đ tui không phi là mt bin s ngu nhiên, và không có sai s khi tính đ tui ca mt cá nhân. i vi các gi đnh (b) đn (e), cách kim tra đn gin nhng hu hiu nht là bng cách xem xét mi liên h gia ˆ i y , i x , và phn d i e ( ˆ iii eyy = − ) bng nhng đ th tán x. Vi lnh fitted() chúng ta có th tính toán ˆ i y cho tng cá nhân nh sau (ví d đi vi cá nhân 1, 46 tui, đ cholestrol có th tiên đoán nh sau: 1.08922 + 0.05779 x 46 = 3.747). > fitted(reg) 1 2 3 4 5 6 7 8 3.747483 2.244985 4.094214 2.822869 4.383156 2.533927 2.707292 3.169600 9 10 11 12 13 14 15 16 2.360562 3.574118 4.383156 2.996234 2.360562 4.729886 3.400753 3.863060 17 18 2.707292 3.920849 Vi lnh resid() chúng ta có th tính toán phn d i e cho tng cá nhân nh sau (vi đi tng 1, e 1 = 3.5 – 3.74748 = -0.24748): > resid(reg) 1 2 3 4 5 6 -0.247483426 -0.344985415 -0.094213736 -0.222869265 0.116844338 0.466072660 7 8 9 10 11 12 0.192707505 0.630400424 -0.260562185 0.225881729 -0.283155662 0.003765579 13 14 15 16 17 18 0.139437815 -0.129885972 -0.200753116 0.336939804 -0.407292495 0.079151419  kim tra các gi đnh trên, chúng ta có th v mt lot 4 đ th mà tôi s gii thích sau đây: > op <- par(mfrow=c(2,2)) #yêu cu R dành ra 4 ca s > plot(reg) #v các đ th trong reg 2.5 3.0 3.5 4.0 4.5 -0.4 0.0 0.2 0.4 0.6 Fitted values Residuals Residuals vs Fitted 8 6 17 -2-1012 -1012 Theoretical Quantiles Standardized residuals Normal Q-Q 8 6 17 2.5 3.0 3.5 4.0 4.5 0.00.51.01.5 Fitted values Standardized residuals Scale-Location 8 6 17 0.00 0.05 0.10 0.15 0.20 0.25 -1 0 1 2 Leverage Standardized residuals Cook's distance 0.5 0.5 1 Residuals vs Leverage 6 2 8 Biu đ 10.2. Phân tích phn d đ kim tra các gi đnh trong phân tích hi qui tuyn tính. (a)  th bên trái dòng 1 v phn d i e và giá tr tiên đoán cholesterol ˆ i y .  th này cho thy các giá tr phn d tp chung quanh đng y = 0, cho nên gi đnh (c), hay ε i có giá tr trung bình 0, là có th chp nhn đc. (b)  th bên phi dòng 1 v giá tr phn d và giá tr kì vng da vào phân phi chun. Chúng ta thy các s phn d tp trung rt gn các giá tr trên đng chun, và do đó, gi đnh (b), tc ε i phân phi theo lut phân phi chun, cng có th đáp ng. (c)  th bên trái dòng 2 v cn s phn d chun (standardized residual) và giá tr ca ˆ i y .  th này cho thy không có gì khác nhau gia các s phn d chun cho các giá tr ca ˆ i y , và do đó, gi đnh (d), tc ε i có phng sai σ 2 c đnh cho tt c x i , cng có th đáp ng.

Ngày đăng: 24/10/2013, 15:11

HÌNH ẢNH LIÊN QUAN

Nói chung qua phân tích ph n d, chúng ta có th kt lu nr ng mô hình hi qui tu yn tính mô t  m i liên h  gi a  đ tu i và cholesterol m t cách khá đy đ và h p lí - Phân tích hồi qui tuyến tính
i chung qua phân tích ph n d, chúng ta có th kt lu nr ng mô hình hi qui tu yn tính mô t m i liên h gi a đ tu i và cholesterol m t cách khá đy đ và h p lí (Trang 11)
10.3 Mô hình hi qui tu yn tính đa bin (multiple linear - Phân tích hồi qui tuyến tính
10.3 Mô hình hi qui tu yn tính đa bin (multiple linear (Trang 12)
linear regression model). Trong th c t, chúng ta có th phát tr in mô hình này thành nhi u bi n, ch  không ch  gi i h n m t bi n nh  trên, ch ng h n nh :   - Phân tích hồi qui tuyến tính
linear regression model). Trong th c t, chúng ta có th phát tr in mô hình này thành nhi u bi n, ch không ch gi i h n m t bi n nh trên, ch ng h n nh : (Trang 13)
đa th c. Mô hình hi qui đa bin mô mt bin ph th uc nh làm t hàm s tu yn tính - Phân tích hồi qui tuyến tính
a th c. Mô hình hi qui đa bin mô mt bin ph th uc nh làm t hàm s tu yn tính (Trang 17)
Chúng ta th xem mô hình hi qui tu yn tính đn gi nb ng l nh: - Phân tích hồi qui tuyến tính
h úng ta th xem mô hình hi qui tu yn tính đn gi nb ng l nh: (Trang 18)
Nh v y, mô hình mi này y= 34.18 + 32.30*x – 45.4*x2 gi i thích kho ng 91% phng sai c a y - Phân tích hồi qui tuyến tính
h v y, mô hình mi này y= 34.18 + 32.30*x – 45.4*x2 gi i thích kho ng 91% phng sai c a y (Trang 19)
Chúng ta th xét mt mô hình cubic (b c ba) yi α+ β1x + β2x 2+ β3x3 xem có mô t  y t t h n mô hình phng trình b c hai hay không - Phân tích hồi qui tuyến tính
h úng ta th xét mt mô hình cubic (b c ba) yi α+ β1x + β2x 2+ β3x3 xem có mô t y t t h n mô hình phng trình b c hai hay không (Trang 19)
Mô hình cubic này th m chí có kh n ng mô ty tt hn hai mô hình tr c, vi h  s  xác  đnh b i (R2) b ng 0.97, và t t c  các thông s  trong mô hình đ u có ý ngh a  th ng kê - Phân tích hồi qui tuyến tính
h ình cubic này th m chí có kh n ng mô ty tt hn hai mô hình tr c, vi h s xác đnh b i (R2) b ng 0.97, và t t c các thông s trong mô hình đ u có ý ngh a th ng kê (Trang 20)
10.5 Xâ yd ng mô hình tu yn tín ht nhi ub in - Phân tích hồi qui tuyến tính
10.5 Xâ yd ng mô hình tu yn tín ht nhi ub in (Trang 21)
Trong đó, n là sl ng m u. Công th c trên cho th yn u mô hình mô ty yđ thì RSS s  th p, vì  đ khác bi t gi a giá tr  tiên đoán  ˆy và giá tr  quan sát y   g n nhau - Phân tích hồi qui tuyến tính
rong đó, n là sl ng m u. Công th c trên cho th yn u mô hình mô ty yđ thì RSS s th p, vì đ khác bi t gi a giá tr tiên đoán ˆy và giá tr quan sát y g n nhau (Trang 22)
Ch vi mt bin x6 mà mô hình có th gi i thích kho ng 64% ph ng sai ca y. Chúng ta ch p nh n mô hình này?  Trc khi ch p nh n mô hình này, chúng ta ph i xem xét  đ - Phân tích hồi qui tuyến tính
h vi mt bin x6 mà mô hình có th gi i thích kho ng 64% ph ng sai ca y. Chúng ta ch p nh n mô hình này? Trc khi ch p nh n mô hình này, chúng ta ph i xem xét đ (Trang 24)
tìm mt mô hình ti u trong bic nh có nhi um it ng quan nh t h, chúng ta ng d ng step nh  sau - Phân tích hồi qui tuyến tính
t ìm mt mô hình ti u trong bic nh có nhi um it ng quan nh t h, chúng ta ng d ng step nh sau (Trang 25)
Quá trình tìm mô hình ti ud ng mô hình vi hai bin x6 và x7, vì mô hình này có giá tr  AIC th p nh t - Phân tích hồi qui tuyến tính
u á trình tìm mô hình ti ud ng mô hình vi hai bin x6 và x7, vì mô hình này có giá tr AIC th p nh t (Trang 26)
BMA trình bày kt qu ca 5 mô hình đc đánh giá là ti u n ht cho tiên đoán y - Phân tích hồi qui tuyến tính
tr ình bày kt qu ca 5 mô hình đc đánh giá là ti u n ht cho tiên đoán y (Trang 28)
Bi uđ này trình bày 13 mô hình. Trong 13 mô hình đó, bin x6 xu thi t cách nh t quán.  K   đn là bi n x7  c ng có xu t hi n trong m t s  mô hình, nh ng nh   chúng ta bi t xác su t là 74% - Phân tích hồi qui tuyến tính
i uđ này trình bày 13 mô hình. Trong 13 mô hình đó, bin x6 xu thi t cách nh t quán. K đn là bi n x7 c ng có xu t hi n trong m t s mô hình, nh ng nh chúng ta bi t xác su t là 74% (Trang 29)

TỪ KHÓA LIÊN QUAN

w