Miary dokładności kształtu regresji
Niekiedy zdarza się, że pomimo niskiego błędu predykcji (MAPE,PE,ei lub jakiegokolwiek innego), nie można poprawnie dokonać regresji. Najlepiej jest wówczas skorzystać z współczynników, które mierzą dokładność kształtu predykcji.
- Współczynnik determinacji R2:
 | (10.6) |
Współczynnik R2 jest miarą dokładności dopasowania modelu, który dla doskonałego dopasowania modelu przyjmuje wartość 1. Przy braku dopasowania R2 = 0. Współczynnik określoności wskazuje jaka część całkowitej zmienności obiektu została wyjaśniona danym modelem.
- Miara Durbina-Watsona zdefiniowana jako:
(10.7) wskazuje, czy po dokonaniu predykcji błąd predykcji (residuum) jest białym szumem, czy też związany jest jakąś zależnością nie uwzględnioną w zastosowanym postępowaniu predykcyjnym.
- Jeżeli błędy predykcji są przypadkowe - miara DW przyjmuje wartości bliskie 2.
- Jeżeli błędy predykcji są dodatnio skorelowane, czyli można dopasować względnie gładką funkcję modelującą residuum - miara DW jest mniejsza od 2.
- Jeżeli błędy predykcji są ujemnie skorelowane, np. w przebiegu błędu obserwuje się piłokształtne oscylacje ze zmianą znaku z plus na minus czy minus na plus, miara DW jest większa od 2 [8].
- Współczynnik zgodności f2:
(10.8) określa dopasowanie wyznaczonej linii regresji do punktów empirycznych:
- im f2 bliższe jest 0, tym wyznaczona linia regresji lepiej opisuje badaną zależność,
- f2 * 100% mówi nam w ilu % na zmienność zmiennej zależnej Y wpływają inne czynniki, niż zmienna niezależna X.
Interpretowanie współczynnika zgodności f2 (czyli dopasowanie wyznaczonej linii regresji do punktów empirycznych):
- f2 = 0
-
- dopasowanie jest doskonałe,
- 0 < f2 Ł 0, 1
-
- dopasowanie jest bardzo dobre,
- 0, 1 < f2 Ł 0, 2
-
- dopasowanie jest dobre,
- 0, 2 < f2 Ł 0, 3
-
- dopasowanie jest dość dobre,
- 0, 3 < f2 Ł 0, 4
-
- dopasowanie jest słabe,
- 0, 4 < f2 Ł 0, 5
-
- dopasowanie jest bardzo słabe,
- 0, 5 < f2
-
- dopasowanie jest złe.
komentarze
Copyright © 2008-2010 EPrace oraz autorzy prac.