102 о существенной стохастической зависимости общей цены перевозки в зависимости об общей вариации всех цен. В связи с этим воспользуемся моделью множественной регрессии для описания этой зависимости. В таблице.3.1. приведена матрица дисперсионного анализа модели множественной регрессии, которая служит для определения степени адекватности линейной модели. В качестве оценки адекватности выступает значение F-критерия. Таблица 3.1. Регрессионная модель DV: VAR25 (res2_l.sta) tSillil Сумма Степ.св. Средн.кв. F-отношение Регрессия Остаток Общая 321591,8 9704,3 331296,1 12 37 26799,31 262,28 102,1787 Из таблицы видно, что F-отношение равно 102. Это очень большое значение для заключения существования линейной зависимости. На рис.3.7, приведен график предсказанных и наблюдаемых значений. Все полученные решения достаточно близко расположены к биссектрисе. Приведенный график дает возможность оценить равномерность остатков прогноза. Как видно из графика значения остатков также довольно равномерно расположены на всей области. В таблице 3.2. приведены оценки всех параметров регрессии. Коэффициент корреляции множественной регрессии равен 0.98. Это говорит, что зависимость почти линейная. Таким образом, для данной задачи возможна линейная интерполяция цены. |
где в= матрица той же размерности, что и С; элементами матрицы е являются случайные величины с нулевым математическим ожиданием и коэффициентом вариации у. Me=0 V iljl, i2 j 2 : [il*i2vjl*j2] cov(siljb (to# ) =0 (3.36) При этом, полученную матрицу перевозок при каждом значении матрицы цен можно также считать случайной. Интересны следующие аспекты • канонический анализ матрицы перевозки и матрицы цен; • характеристики матрицы перевозок при фиксированных характеристиках матрицы цен В приложении приведены значения ковариаций для всех цен и всех объемов перевозок, -из которых видно, что для некоторых значений коэффициент корреляции принимает весьма большие значения. Это говорит о существенной стохастической зависимости общей цены перевозки в зависимости об общей вариации всех цен. В связи с этим воспользуемся моделью множественной регрессии для описания этой зависимости. В таблице.3.3. приведена матрица дисперсионного анализа модели множественной регрессии, которая служит для определения степени адекватности линейной модели. В качестве оценки адекватности выступает значение F-критерия. Таблица 3.3. Регрессионная модель DV: VAR25 (res2_l.sta) F-отношение Регрессия Остаток Общая 321591,8 9704 13ч.э 331296.1 12 37 26799.31 z,uz.?z,o 102.1787 Из таблицы видно, что F-отношение равно 102. Это очень большое значение для заключения существования линейной зависимости. На рис.3.25. приведен график предсказанных и наблюдаемых значений. Все полученные решения достаточно близко расположены к биссектрисе. Приведенный график дает возможность оценить равномерность остатков прогноза. Как видно из графика значения остатков также довольно равномерно расположены на всей области. Множественная регрессия Predicted vs. Observed Values Dependent variable; VAR25 700 • • 650 600 • • 550 • <0 • ф -I 500 > » "О £ 450 Ф (Лй ► О 400 И 350 ф Р 30Q 250 Л I . . . у : : ' . . •• ^It , V t р ь Р . V , . i * •Чч’« > v I r ; w v . , i ' ' / Г 5_ V,— : r 4 * “ ,Hu.-,• К < r I , J * / У 1 1 " . y 4 !•' . P p ’ ' • • • ^ :u 4 ■ f ч 4 • • # # i I 1 J ---------------------4 . Л ---------------------й --------------------1 L 4 ^ h i . 4 , 1 i i 250 300 350 400 450 500 550 600 650 700 Regression 95% confid Predicted Values Рис. 3.25. В таблице 3.4. приведены оценки всех параметров регрессии. Коэффициент корреляции множественной регрессии равен 0.98. Это говорит, что зависимость почти линейная. Таким образом, для данной задачи возможна линейная интерполяция цены. |