Реферат: Изучение состава кадров на промышленном предприятии

29

871,3

5

105,4

30

860,5

5

103,2

Итого

152

3386,9

Оценки а0, а1, а2 следует рассчитать по методу наименьших квадратов.

1 5 117,4 1100,1 1 … 1

X = : : : , Y = : , X^T = 5 … 5

1 5 103,2 860,5 117,4 … 103,2

30 152 3386,9 27662,9

X^T X = 152 824 17466 , X^T y = 150068,4 ,

3386,9 17466 38632,4 3215384

0,004570565 -0,000891327 2,27457Е-06

(X^T X)^-1 = -0,000891327 0,000172501 1,53416Е-07 .

2,27457Е-06 1,53416Е-07 –3,37237Е-07

Вектор оценок параметров уравнения линейной регрессии равен (см.формулу 2.6.) :

-0,01133

а = 42,08981 .

7,313614

Уравнение линейной регрессии с данными оценками параметров имеет следующий вид:

у = -0,01133 + 42,08981*х₁ + 7,313614*х₂ .

Далее следует проводить анализ коэффициентов регрессии.

2.5.Анализ коэффициентов регрессии

В общем случае, чтобы сделать коэффициенты регрессии сопоставимыми, применяют нормированные коэффициенты регрессии.

Коэффициент показывает величину изменения результативного признака в значениях средней квадратичной ошибки при изменении факторного признака х_j на одну среднеквадратическую ошибку:

(2.7)

где а_j – коэффициент регрессии при факторе х_j ;

j – 1,2,…,m; m – число факторных признаков;

- среднеквадратическое отклонение факторного признака х_j ;

- среднеквадратическое отклонение результативного признака.

Для множественной регрессии также определяются частные коэффициенты эластичности Э_j относительно х_j :

(2.8)