4
|
70
|
72
|
70
|
3
|
62
|
65
|
75
|
5
|
68
|
64
|
90
|
7
|
84
|
84
|
94
|
8
|
88
|
87
|
98
|
10
|
90
|
85
|
68
|
5
|
62
|
60
|
72
|
4
|
68
|
65
|
88
|
6
|
88
|
84
|
Това е моделът базиран на нашите данни:
Той предполага, че оценката по счетоводство е функция на учебните часове, оценката по математика и оценката по статистика.
Ето и резултатите:
Multiple R: 0,993: Това е множествената корелация между зависимата променлива (оценка по счетоводство) и три независими променливи – учебни часове, оценка по математика и оценка по статистика.
R-Square: 0,987: Това е процентът на дисперсията в зависимата променлива, обяснена от независимите променливи. Стойността на R-квадрат от 0,987 показва, че 98,7% от вариацията в счетоводната оценка може да се обясни с трите променливи. Този R-квадрат се нарича още коефициент на детерминация.
Adjusted R Square: 0,980. Тази стойност на R-квадрат се коригира за броя на независимите променливи в модела. Тази стойност винаги е по-малка от R-квадрата и ще намалява, когато използваме повече независими променливи.
Standard Error: 1,492: Това е разстоянието между линията на регресия и стойностите на наблюдението. В нашия пример наблюдаваните стойности падат средно с 1,492 единици от регресионната линия.
Observations: 10. Това е размерът на извадката от набора от данни, използван за изпълнение на регресията. В нашия пример е 10.
Intercept:19.490: Коефициентът на прихващане. Стойността 19,49 означава, че очакваната оценка по счетоводство ще бъде 19,49 за ученик, който учи нула часа, има нула по математика и статистика.
Coefficients: Коефициентите за всяка независима променлива ни казват очакваната промяна в зависимата променлива, като приемем, че другата независима променлива остава постоянна.
Например, за всеки допълнителен час обучение се очаква средната оценка по счетоводство да се увеличи с 1,83, ако приемем, че другите променливи остават постоянни.
Сподели с приятели: |