Регрессионный анализ данных на ПК в примерах и задачах (система Statistica). Богатова В.П. - 13 стр.

мальности остатков можно считать выполненным. На рис. 33 нет резко выделяю-
щихся остатков и нет закономерности в поведении остатков. Заключаем, что мо-
дель достаточно адекватно описывает данные.


      2.2.2. Пример 5.[2] Используя данные электронной таблицы на рис 35, ис-
следовать зависимость урожайности         Y зерновых культур (ц /га) от ряда
факторов производства, а именно:
      x1    – число тракторов на 100 га;
      x2     – число зерноуборочных комбайнов на 100 га;
      x3 – число орудий поверхностной обработки почвы на 100 га;
      x4    – количество удобрений, расходуемых на гектар (т/га);
      x5     – количество химических средств защиты растений на гектар (ц/га).


           Предварительный анализ технологии сбора исходных данных показал,
что допущения (13) могут быть приняты в качестве рабочей гипотезы. Поэтому
уравнение статистической связи можно строить в виде


                        yi =β0 +β1 x1i +... +β5 x5i +εi , i =1,..., 20 .


      Поручим системе STATISTICA оценить неизвестные коэффициенты и адек-
ватность построенной модели. В модуле Multiple Regression (Множественная
регрессия) создадим файл Harvest.sta (Урожай) размером              6v× 20c.     Введем
данные в таблицу с 6 столбцами и 20 строками. Столбцы назовем              y, x1, x2, … ,
x5.
      Предварительно оценим визуально исходные данные, построив диаграммы
рассеяния независимой переменной с каждым из факторов с целью увидеть ос-
новную зависимость:
      Graphs – Stats 2D Graphs – Scatter plots – Variables – X: x1, Y: y, Graph
Type: Regular, Fit (подбор): Linear – OK.
      Повторим построение еще 4 раза, заменяя x1 факторами: x2,x3,…,x5. Ос-
новная зависимость не просматривается, продолжаем работу.