(A2) Pertunjukan n percobaan yang kita mendapatkan sampel (x1, y1), ..., (xn, yn) independen
Asumsi (A2) puas misalnya, di Ex. 1 dari detik. 17.2. tidak puas, misalnya dalam percobaan di mana x adalah waktu dan Y adalah tinggi dari tanaman yang tumbuh.
Β di (1) disebut koefisien regresi populasi. Untuk membenarkan nama ini, kita akan membuktikan teorema berikut.
Teorema 1. Berdasarkan Asumsi (A1) dan (A2) yang koefisien regresi b di garis regresi sampel
Y = a + bx
Apakah estimasi kemungkinan maksimum (Sec. 11.5) dari β, dan adalah estimasi kemungkinan maksimum dari
Bukti. y dalam nilai sampel (xj, yj) dapat dianggap sebagai nilai yang diamati dari variabel Yj acak yang oleh asumsi (A1) adalah normal dengan mean α + βx dan varians δ2. Oleh karena itu Yj memiliki fungsi kepadatan probabilitas
1 .... 297 Dimana exp u berarti eu. Dari asumsi (A2) mengikuti bahwa variabel acak, Y1, ..., Yn independen. Dengan demikian fungsi kemungkinan adalah 2 .... 297 Dimana Σ menunjukkan penjumlahan lebih j dari 1 sampai n. mengambil logaritma kami memiliki 3 .... 297 Kami sekarang memperoleh perkiraan kemungkinan maksimum α, β dan δ oleh defferentating dan menetapkan derivatif parsial sama dengan nol; sehingga 4 ... 297 Yang menunjukkan kemungkinan maksimum memperkirakan oleh, dan, kita melihat bahwa (2a) dan (2b) dapat ditulis 5 ... 297 Jika kita set = a dan b =, ini menjadi identik dengan pasangan kedua rumus di sebelumnya bagian, dan teorema 1 terbukti. Selanjutnya, dari (2 c) kita memperoleh kemungkinan estimasi maksimum .... (298) 17,5 Interval Keyakinan untuk regresi Cefficient Tabel 17.5.1 menunjukkan bagaimana menentukan interval kepercayaan untuk β koefisien regresi ketika asumsi (A1) dan (A2), sec 17,4, tahan. Dalam hubungan ini kita ingat bahwa β adalah kemiringan mean .... (298) Bahwa telah diperkenalkan sehubungan dengan asumsi-asumsi. Teori yang sesuai dengan metode dalam tabel 17.5.1, akan dibahas dalam detik. 17,8, bersama-sama dengan teori dua metode lain yang akan disajikan dalam dua bagian. Tabel 17.5.1. menentukan dari Confidence Interval untuk β Koefisien Regresi bawah Asumsi (A1) dan (A2) di detik 17,4 Contoh 1 (Regresi dari kekerasan baja pada jumlah deformasi pada suhu normal). Dalam produksi alat metode deformasi baja pada suhu normal (80oF, misalnya) adalah semakin penting. Kita mungkin berharap bahwa proses ini mempengaruhi kekerasan baja. Untuk menyelidiki realitionship ini, sampel dalam tabel 17.5.2. deformasi x (dalam milimeter) dan Brinell Hardness y (dalam kilogram / milimeter2) dari jenis tertentu baja (tipe 556-5) (k. Schimz, indstr, Organisasi, 26,1957,107) Deformasi XJ (dalam milimeter) Brinell Kekerasan yj (dalam kilogram / milimeter2) 6 68 9 67 11 65 13 53 22 44 26 40 28 37 33 34 35 32 Tabel 17.5.2 diambil. Yang sesuai representasi grafis (Gambar. 17.5.1) menunjukkan bahwa kami menganggap kurva regresi sesuai dengan regresi kekerasan Brinell γ pada deformasi x sebagai garis lurus. (Sebuah tes yang sesuai untuk linearitas akan dibahas kemudian). Kami menduga bahwa di Asumsi ini percobaan (A1) dan (A2), sec. 17,4, puas, sehingga kita dapat menggunakan procesure pada Tabel 17.5.1 untuk menentukan interval kepercayaan untuk koefisien regresi β. Dari data yang diberikan kita memperoleh ... 299 Sejak n = 9, berarti ... 299 Selanjutnya, ... 299 (gambar) Memasukkan nilai rhese, kita memperoleh dari (6), sec 17,1, .... 300 Dan dari (8), Sec. 17.1 ... 300 ini menghasilkan koefisien regresi ... 300 Yang negatif. Oleh karena itu garis regresi memiliki representasi (lih Gambar. 17.5.1) ... 300 ini juga dapat ditulis .... 300 Sekarang kita akan menentukan interval kepercayaan untuk koefisien regresi (lihat Tabel 17.5.1). langkah 1. Kami memilih tingkat kepercayaan γ = 0,95 langkah 2. Sisi kanan (2) sama dengan (1 + γ) / 2 = 0.975, dan meja 8 dengan = 7 derajat kebebasan 2 n-memberikan solusi c = 2,37 langkah ke-3. Menggunakan nilai di atas dan (3), sec 17,3, kita menghitung .... 300 Dari (4) dalam detik. 17.3 kita memperoleh ... 300 (lebih tepatnya, q = 77,15, seperti dapat dilihat dengan menggunakan lebih digit dan pembulatan pada akhir perhitungan). Formula (3) sehingga memberikan ... 300 Sejak b = -1,32 (lihat di atas), interval kepercayaan adalah ... 301 Gambar 17.5.2 menunjukkan dua garis lurus melalui (x, y) dengan lereng -1,58 dan -1,06 Masalah 1. -6. Dalam setiap kasus menemukan interval -confidence 95% untuk β koefisien regresi, menggunakan sampel yang diberikan dan mengandaikan bahwa asumsi (A1) dan (A2), Sec.17.4 puas Sampel di masalah 4, Sec 17.2. Sampel dalam Contoh 1, Sec 17.2. Sampel dalam Soal 3, Sec. 17.2. X = tanggal penampilan pertama dari tunas gandum di mana 1 = 1 Juni 2 = 2 Juni dll; Y = persentase tanaman terserang gout-lalat: X = kelembaban udara (dalam persen), y = expapansion dari gelatin (dalam persen): 17,6 Interval Keyakinan untuk Mean Nilai Sekarang kita akan melihat bagaimana menentukan interval kepercayaan untuk nilai rata-rata (1) Ketika kurva regresi adalah garis lurus dan Asumsi (A1) dan (A2) (lih Sec, 17,4) terus. Tabel 17.6.1 menunjukkan bagaimana untuk melanjutkan. Teori yang sesuai akan disajikan dalam Sec. 17,8. Interval kepercayaan (4) memiliki panjang 2k (x). Untuk γ dipilih dan sampel yang diberikan, panjang ini tergantung pada x karena h tergantung pada x. itu minimum untuk x = x. ini dapat dilihat dari (3) dan diilustrasikan pada Gambar. 17.6.1. panjang meningkat dengan meningkatnya jarak x dari x. ini menjadi dimengerti jika kita mengingat interval kepercayaan untuk β. Tabel 17.6.1. Penentuan interval kepercayaan untuk Mean Nilai (1) Dalam Asumsi (A1) dan (A2) di Sec. 17,4. Contoh 1. Menggunakan sampel dalam Contoh 1, Sec. 17,5, menentukan 95% - interval kepercayaan untuk nilai rata-rata Beberapa quantitaties dihitung dalam contoh yang dapat digunakan untuk tujuan ini, menurut (6), Sec. 17,5, kita memiliki y = 75,73-1,32 x dan ini akan dibutuhkan dalam (4), Selanjutnya, dari (3) kita memperoleh ... .. Tabel 17.6.2. Keyakinan Daerah (4) dalam contoh 1 xh 7.8h 75.7-1.32x Confidence Interval (4) 5 0.600 4,7 69,1 64,4 73,8 ... 10 0,473 3,7 62,5 58,8 66,2 ... 15 0,376 2,9 55,9 53,0 58,8 ... 20 0,334 2,6 49,3 46,7 ... 51,9 20,33 0,333 2,6 48,9 46,3 51,5 ... 25 0,366 2,9 42,7 39,8 45,6 ... 30 0,458 3,6 36,1 32,5 39,7 ... 35 0,582 4,5 29,5 25,0 34,0 ... Gambar. 17.6.1. Wilayah kepercayaan untuk nilai rata-rata di Ex.1 mana .... h menjadi minimum ketika x = x = 20,33. maka h = 1/3 dan k = 7,8 / 3 = 2,6. Interval kepercayaan yang sesuai memiliki titik akhir 48,9-2,6 = 46,3 dan 48,9 + 2,6 = 51,5 Semakin x menyimpang dari x, semakin besar h menjadi dan semakin lama selang kepercayaan (4) akan; lih Tabel 17.6.2. Gambar. 17.6.1. menunjukkan kurva dari titik akhir dari interval ini untuk variabel x; kurva ini dilambangkan dengan C1 dan C2. Angka tersebut dapat digunakan untuk menentukan panjang interval untuk diberikan x (dengan tingkat yang terbatas presisi). Sebagai contoh, untuk x = 18 kita menemukan bahwa CONF {49 ... The daerah antara C1 dan C2 disebut wilayah keyakinan atau sabuk kepercayaan. Masalah 1.-4. Dalam setiap kasus menemukan interval 95% -confidence untuk mean (1) menggunakan sampel yang diberikan dan mengandaikan bahwa Asumsi (A1) dan (A2). Sec 17,4, tahan. Sampel dalam Contoh 1, Sec. 17.2. .... Tinggi x (dalam cm) dan lingkar fronto-occipilatic kepala y (dalam cm) dari 10 bayi saat lahir Deviasi y (dalam kelipatan 1/10000 radian) dari jenis tertentu teleskop terlihat pada suhu x (di centigrades) 17,7. Uji untuk Koefisien Regresi Tabel 17.7.1 menunjukkan bagaimana untuk menguji hipotesis β = βo terhadap alternatif β> βo. Prosedur pengujian adalah sama dengan yang di Chap. 13. Dalam tabel 17.7.1 kita menggunakan α notasi * karena α digunakan dalam Sec.17.4 untuk tujuan yang berbeda. Teori tes akan dipertimbangkan dalam bagian berikutnya. Dalam kasus alternatif dua sisi ββo kita harus mengganti (1) oleh P (T ... Kemudian jika - c ke c, hipotesis tidak ditolak ;. selain itu ditolak Of kepentingan praktis tertentu adalah uji hipotesis β = 0 Jika hipotesis ini benar, maka garis regresi populasi adalah horisontal yaitu, Y adalah independen dari x.. Tabel 17.7.1 Uji. dari Hipotesis β = βo terhadap alternatif β> βo bawah Asumsi (A1) dan (A2) di Sec. 17.4 Tabel 17.7.2 "Siku Jarak" yj dan xj Tinggi dari 22 wanita (M.Enzmann, industr, Organisasi, 27 1958, 185) Tinggi xj (cm) "Siku Jarak" yj (cm) 159 24 24 160 23 24 27 161 24 24 25 26 162 23 24 24 29 166 23 23 25 168 24 29 30 31 172 24 25 Contoh 1 ( "Siku Jarak" orang duduk). Sehubungan dengan desain meja kerja tertentu, itu menarik untuk mempertimbangkan jarak dari kursi ke siku (posisi terendah) dari orang yang duduk. Demi singkatnya kita akan menyebut jumlah ini th "jarak siku" dan dilambangkan dengan Y. Kami meminta regresi Y pada ketinggian x dari nilai-nilai, ukuran sampel makhluk n = 22. Nilai Diamati dari Y yang sesuai dengan nilai yang sama dari x ditulis di baris yang sama, dan x-nilai yang ditulis hanya sekali per baris. Sosok yang sesuai (Fig.17.7.1) menunjukkan bahwa nilai-nilai sampel yang tersebar. Kami ingin menguji hipotesis β = 0 terhadap β alternatif> 0, disarankan oleh alam yhe dari masalah. Ini agak jelas bahwa Asumsi (A2), Sec. 17,4, puas dan kami juga akan mengasumsikan bahwa (A1) memegang. Kami menetapkan (3) xj = xj * + 159, yj = yj * + 23 Gambar. 17.7.1. Nilai sampel pada Tabel 17.7.2 dan garis regresi dari y-nilai pada x-nilai Tabel 17.7.3. Nilai kode dalam Contoh 1 XJ * = xj - 159 yj = yj - 23 0 1 1 1 0 2 4 2 1 1 2 3 3 0 1 1 6 7 0 0 2 9 1 6 7 8 13 1 2 Kemudian kita peroleh dari Tabel 17.7.2 nilai lebih nyaman ditunjukkan pada Tabel 17.7.3 dan dari yang terakhir Σ▒ 〖x_j * = 0,2 + 1,3 + 2,4 + ... + 13,2 = 106〗〖Σ▒ x_j * ^ 2 = 0 ^ 2,2 + 1 ^ 2.3 + 2 ^ 2,4 + ... + 〖13〗 ^ 2,2 = 864〗
Sedang diterjemahkan, harap tunggu..