De Methode Van Het Kleinste Kwadraat - HP 50g Gebruikershandleiding
Verberg thumbnails
Zie ook voor 50g:
- Gebruiksaanwijzing (192 pagina's) ,
- Snel aan de slag (49 pagina's)
Inhoudsopgave
Advertenties
Voorbeeld – Neem bijvoorbeeld twee steekproeven die uit normale populaties
worden gehaald, zodat n
toetsen de nulhypothese, H
tegen de alternatieve hypothese, H
hypothese moeten we s
s
M
s
m
Ook
Daarom is de F-teststatistiek F
De P-waarde is P-waarde = P(F>F
UTPF(20,30,1.44) = 0.1788...
Omdat 0,1788... > 0,05, dus P-waarde > α, kunnen we de nulhypothese H
2
2
σ
= σ
dus niet verwerpen.
1
2
Extra opmerkingen over lineaire regressie
In dit deel gaan we verder met lineaire regressie, dat we eerder in dit hoofdstuk
hebben gezien, en geven we een procedure voor hypothesetoetsing van
regressieparameters.
De methode van het kleinste kwadraat
Stel dat x = onafhankelijke, niet-willekeurige variabele en Y = afhankelijke,
willekeurige variabele. De regressiecurve van Y op x wordt gedefinieerd als de
relatie tussen x en het gemiddelde van de bijbehorende verdeling van de Y's.
Stel dat de regressiecurve van Y op x lineair is, dus de gemiddelde verdeling
van Y's wordt gegeven als Α + Βx. Y verschilt van het gemiddelde (Α + Β⋅x)
door een waarde ε, dus Y = Α + Β⋅x + ε, waarbij ε een willekeurige variabele
is.
Teken een puntdiagram of een puntgrafiek om te controleren of de gegevens
een lineaire trend volgen.
Stel dat we n gepaarde observaties (x
= 21, n
1
2
: σ
1
o
en s
als volgt identificeren:
M
m
2
2
2
=max(s
,s
) = max(0.36,0.25) = 0.36 = s
1
2
2
2
2
=min(s
,s
) = min(0.36, 0.25) = 0.25 = s
1
2
n
ν
= n
N
ν
= n
D
= s
o
2
= 31, s
= 0.36 en s
2
1
2
= σ
op een significantieniveau α = 0.05,
2
2
2
: σ
≠ σ
. Voor een tweezijdige
1
1
2
= n
= 21,
M
1
n
= n
= 31,
m
2
- 1= 21-1=20,
M
-1 = 31-1 =30.
m
2
2
/s
=0.36/0.25=1.44
M
m
) = P(F>1.44) = UTPF(ν
o
, y
) hebben; dan voorspellen we y met
i
i
2
= 0.25. We
2
2
1
2
2
, ν
,F
) =
N
D
o
Blz. 18-49
:
o
Advertenties
Inhoudsopgave
