Modelizacija veza izmeu dvije ili vie varijabli

Model - pojednostavljena slika realnosti Model slui da se na adekvatan nain kvantificiraju sloeni ekonomski fenomeni i relacije izmeu njih Pretpostavke koje moraju biti zadovoljene kako bismo mogli modelizirati vezu izmeu varijabli: Modeliziranje moemo vriti ukoliko postoji zavisnost izmeu varijabli Funkcionalna versus stohastika meuzavisnost Mogu se modelizirati jedino kvantitativne varijable, jer je u tom sluaju mogue kompletirati oblak (dijagram) rasipanja, raunati mjere centralne tendencije i disperzije Regresioni model - model koji kvantificira oblik meuzavisnosti izmeu dvije ili vie varijabli

Etape konstrukcije regresionog modela (modela meuzavisnosti dvije varijable)

1. Determinisati nezavisnu i zavisnu varijablu 2. Grafiki predstaviti na dijagramu rasipanja podatke o analiziranim varijablama da bi se potvrdila ili odbacila pretpostavka o zavisnosti izmeu dvije statistike varijable 3. Na osnovu dijagrama procijeniti oblik veze izmeu posmatranih varijabli Postoje razliiti oblici veza kao npr. linearna, krivolinijska, eksponencijalna itd 4. Konstruisati ili ocijeniti primjenom odgovarajuih metoda odabrani regresioni model 5. Izraunati rezidualna (neobjanjena) odstupanja ocijenjenih od posmatranih podataka i analizirati ih 6. Procijeniti kvalitet ocijenjenog regresionog modela Smjer veze izmeu dvije varijable 7. Pozitivan ili direktan porast vrijednosti jedne varijable uslovljava porast vrijednosti druge varijable. Vrijeme koje student provede uei i ocjena na ispitu Vrijeme provedeno u gledanju TV-a i strah od kriminala 8. Negativan ili indirektan porast vrijednosti jedne varijable uslovljava pad vrijednosti druge varijable Brzina i vrijeme potrebno da se stigne do zadanog odredita Cijena i koliina Dijagram (oblak) rasipanja Slui za vizuelnu identifikaciju da li izmeu dvije varijable postoji meuzavisnost, pri emu moramo imati jednu nezavisnu varijablu (npr. period edukacije) i jednu zavisnu varijablu (npr. visina primanja) Pokazuje koliko jedna varijabla utie na drugu Daje odgovor na sljedea pitanja: Da li postoji veza izmeu varijabli X i Y? Kog smjera je veza izmeu varijabli X i Y? Da li je ta veza pravolinijska (linearna) ili nije? Da li postoje outlieri? Dijagram rasipanja - Da li postoji veza izmeu varijabli X i Y?

Veza postoji
y y y

a y

x y

x y

Veza ne postoji

Dijagram rasipanja - Smjer veze izmeu varijabli X i Y

Dijagram rasipanja Linearna versus nelinearna veza?

Pitanje

Rjeenje Prvi korak je da identificiramo zavisnu i nezavisnu varijablu: Nezavisna varijabla je broj dana pohaanja nastave Zavisna varijabla je ocjena Potom kreiramo dijagram rasipanja da sagledamo vezu izmeu posmatranih varijabli. Rjeenje, cont.

Dijagram rasipanja
1,1 1 0,9 0,8 a 0,7 n e j 0,6 0,5 c 0,4 o 0,3 0,2 0,1 0 0 10 20 30 dani pohaanja nastave 40

 Rjeenje, cont. Na bazi dijagrama rasipanja zakljuujemo sljedee: Postoji meuzavisnost Smjer veze je direktan (vie dana pohaanja nastave via ocjena) Veza se moe ocijenti linearnim regresionim modelom

Kovarijansa

Tumaenje kovarijanse Kovarijansa je pozitivna ako oblak rasipanja ima generalno rastuu tendenciju. Kada X i Y variraju u istom smjeru, kovarijansa je pozitivna. Kovarijansa je negativna kada oblak rasipanja ima generalno opadajuu tendenciju. Kada X i Y variraju u suprotnom smjeru, kovarijansa je negativna. Kovarijansa je jednaka ili priblino jednaka nuli ako oblak rasipanja nije ni rastui ni opadajui ili ukoliko je pola opadajui, a pola rastui. Ako nema ni rastue ni opadajue generalne tendencije, kovarijansa je jednaka nuli.

Pitanje U jednom regionu pratili smo varijable broj industrijskih postrojenja i broj oboljelih od astme po gradovima. Kovarijansa ove dvije varijable iznosi 34,6. Veza izmeu ove dvije varijable je: a) multipla b) direktna c) indirektna d) jaka

Zbir i razlika statistikih varijabli

Varijansu zbira i razlike statistikih varijabli moemo analizirati koristei kovarijansu i izraziti ih na sljedei nain: Var(X +Y)=VarX + Var Y + 2 Cov(X,Y) Var(X-Y)=VarX + Var Y - 2 Cov(X,Y)

Meutim, ukoliko su X i Y nezavisne varijable kovarijansa je jednala nuli (Cov(X, Y)=0). U tom sluaju varijansu za zbir i razliku statistikih varijabli moemo izraziti sljedeim relacijama: Var(X+Y)=VarX + Var Y

Var(X-Y)=VarX + Var Y

Regresioni model
Kvantificira ili matematski formalizira vezu izmeu zavisne i niza nezavisnih varijabli oblik veze Opti oblik regresionog modela glasi:

gdje je:

Yi = f ( X 1i , X 2i,.., X ji ,.., X ki ) + ei
Yi - zavisna promjenljiva, Xj - nezavisne promjenljive i ei - sluajno odstupanje.

Prezentirani model naziva se model viestruke ili multiple regresije ili viedimenzionalni regresioni model.

Model jednostavne regresije

Za odreivanje analitikog odnosa izmeu dvije varijable. Sadri zavisnu i jednu nezavisnu promjenljivu Opti oblik modela jednostavne regresije glasi:

Model jednostavne linearne regresije

Za odreivanje parametrara za konstrukciju modela linearne meuzavisnosti izmeu dvije varijable. Jednostavni ili prosti model sadri zavisnu i jednu nezavisnu promjenljivu Opti oblik modela jednostavne linearne regresije glasi:

Yi = f ( X i ) + ei

yi = a + b xi + ei , i = 1,2,...,n.
gdje su parametri a i b parametri linearne veze koje je potrebno ocijeniti.

Model jednostavne linearne regresije, cont.

Razloimo model jednostavne linerne regresije na funkcionalni i stohastiki dio:

yi =

( a + b xi )
yi -funkcionalni dio modela

ei
stohastiki dio modela

Funkcionalni dio modela odnosi se na varijabilitet zavisne varijable nastao pod uticajem varijabiliteta nezavisne varijable i predstavljen je lineranom vezom Stohastiki dio modela (rezidualno odstupanje) odnosi se na varijabilitet zavisne varijable nastao pod uticajem varijabiliteta varijabli ili faktora koji nisu ukljueni u regresioni model

Model jednostavne linearne regresije, cont.

Rezidualno odstupanje ili stohastiki dio regresionog modela moemo izraziti kao:

yi = yi +ei ei = yi yi ei = yi ( a + b xi )

yi

y e i= ( y i - y i )

y i = a + b xi

yi

xi

Metod najmanjih kvadrata

Metod najmanjih kvadrata jednostavna linearna regresija

Tumaenje parametara jednostavnog linearnog regresionog modela

Parametar a je matematski presjek sa x osom, to jeste ukazuje na oekivanu vrijednost zavisne varijable ukoliko nezavisna varijabla uzme vrijednost nula:

xi == a 0 yi
Parametar b je matematski nagib prave koja predstavlja jednostavni linearni regresioni model, to jeste pokazuje za koliko e se jedinica promijeniti zavisna varijabla ukoliko se nezavisna varijabla povea za jednu svoju jedinicu:

x = 1 y = b

Primjer 1, cont. Vezu izmeu analiziranih varijabli ocijeniti odgovarajuim regresionim modelom.
1,1 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0 5 10 15 20 25 30 35 40

a n e j c o

dani pohaanja nastave

Na osnovu dijagrama rasipanja za ovaj primjer zakljuili smo da je adekvatno konstruisati linearni regresioni model, te ocjenjujemo parametre jednostavne linearne regresije.

Rjeenje

Rjeenje, cont.

b=

n x y x y n x 2 ( x )
2

14 226,88 280 10,39 = 0, 0166 14 6748 280 2

Ocjena e porasti za 0,0166 ako se broj dana pohaanja nastave povea za 1. (direktna veza)

a = y bx =

10,39 280 0, 0166 = 0, 4097 14 14

Student koji ima 0 skor za pohaanje nastave e prema modelu imati ocjenu 0,4097. Regresioni model glasi:

yi = 0, 4097 + 0, 0166 xi

Pitanje 1. Izmeu koliine proizvodnje kao nezavisne varijable i trokova proizvodnje kao zavisne varijable utvrena je regresiona veza oblika:

y i = 1,3 x i + 10
Vrijednost 10 u ovoj funkcionalnoj vezi predstavlja: a) trokove po jedinici proizvoda b) ukupne trokove c) dobit po jedinici proizvoda d) fiksne trokove Pitanje 2.

Pratili smo uticaj broja agenata osiguranja na broj prodanih polica osiguranja i dobijena je regresiona veza Ukoliko se broj agenata povea za 1, broj prodanih polica e se: a) poveati za 1 b) smanjiti za 2 c) poveati za 2 d) poveati za 8

yi = 2 xi + 8

Prim 2 jer
Istraivanje da li postoji veza izmeu godina starosti polovnog automobila tipa C i njegove tekue prodajne cijene za 8 polovnih automobila dalo je sljedee rezultate:
Starost auta u godinama Cijena u $000 1 2 3 4 5 6 7 8 15 13 12 10 9 7 6 4

Primjer 2, cont. Konstruisati oblak rasipanja. Komentar. Konstruisati odgovarajui regresioni model. Objasniti parametre.

Rjeenje
U Excelu biramo opciju Chart Wizard i u okviru nje Scatterplot:

Rjeenje, cont.

16 14 12 cijena 10 8 6 4 2 0 0 2 4 starost auta 6 8 10

Ovakav oblak rasipanja ukazuje na postojanje indirektne veze izmeu analiziranih varijabli.

R n , c t. je e je on
Kod odreivanja param etara a i b koristiem Excelove o statistike funkcije:

Regresioni model glasi:

yi = 16375,14 1523,81 xi
to znai da: Ako kupujemo novo auto analiziranog tipa C njegova oekivana cijena je $16 375,14 Ako starost auta poraste za jednu godinu oekujemo da e cijena tog auta da se smanji za $1 523,81 (indirektna veza)

Mjere reprezentativnosti regresionog modela

Pokazatelji reprezentativnosti ili kvaliteta regresionog modela kvantificiraju stepen meuzavisnosti i izraavaju direktno ili indirektno odstupanje vrijednosti zavisne varijable ocijenjenih regresionim modelom od orginalnih vrijednosti zavisne varijable. Pokazatelji reprezentativnosti regresionog modela su: 1. koeficijent determinacije, 2. koeficijent korelacije, 3. standardna greka i 4. koeficijent varijacije regresionog modela.

Dekompozicija varijanse

Dekompozicija varijanse, cont. Dekompozicija varijanse za orginalni podatak o vrijednosti zavisne varijable matematski se moe matematski izraziti kao:

yi = y + ( yi y ) +( yi yi )
gdje: je orginalna vrijednost zavisne varijable iz niza podataka dobijenih istraivanjem je procjenjena ili predviena vrijednost zavisne varijable na bazi regresionog modela

yi yi

y=y

je prosjena vrijednost zavisne varijable

D k moi i v rja s ,c n. e o p zcja ai ne o t

P s a jm u u a v rija ilite z v n v rija leu o mtra o k p n a b t a is e a b k n k tun g v d ad lak jas oid n ira o te s je o a v ije o m e tific li d k m o ic m a n e e o p z ijo v rija s :

( yi ) = y( + yi yi) y y () i
O dstupanje orginalnih podataka za zavisnu varijablu od prosjeka zavisne varijable O dstupanje podataka ocjenjenihregresionim m odelomza zavisnu varijablu od prosjeka zavisne varijable ovo je dio koji ukazuje na m euzavisnost izm eu zavisne i nezavisne varijable

Odstupanje podataka ocjenjenihregresionim m odelomza zavisnu varijablu od orginalnih vrijednosti zavisne varijable ovo je dio koji ukazuje na uticaj drugih faktora koje regresioni m odel nije ukljuio na zavisnu varijablu .

D k moi i av rj ne c n. e o p zcj ai a s , o t
A ok a rir m o ao s p n i s m a oih d b e o k v d a o v d tu a ja u ir m , o i m s m k a r tak jes z ro e u e v da o u b jiv :

( y = ) 2 yi
Ukupan varijabilitet sum kvadrata a odstupanja orginalnih vrijednosti zavisne varijable od njenog prosjeka

yi (+ y

( yi yi) )
2

Objanjeni varijabilitet - sum kvadrata a odstupanja u okviru regresionogm odela ovo je dio varijabilitetazavisne varijable koji se m oe predvidjeti na osnovu poznavanja vrijednosti nezavisne varijable

Neobjanjeni varijabilitet sum kvadrata odstupanja a koja nije objanjena regresionimm odelom

K eic n d t r in c o f ije t eem a ije

N o n v d k m o ic v rija s o re u m k e ije t d te in c . a s o u e o p z ije a n e d je o o fic n e rm a ije P d ta ljau e o ja n n gv rija ilite uu u n m a b tuz v n re s v e b je o a b ta k p o v rija ilite a is e v rija le a b .

( y = ( y

i i

) y = 2 1 ) y
2

i ( yi y i ( y y

2 2

) )

P k z jed v rija ilite z v n v rija lek ji jeo ja n nre re io im o a u io a b ta a is e a b o b je g s n m d lo k zu a n z v n v rija leb m d la o e m ro tic j e a is e a b iz o e . R la n m ra iz v s u% e tiv a je , ra a a e . M u e v d o ti izin rv la o e z ti rije n s te a 0 do+ (ili 0 -1 0 ) . 1 0% V v d o t o o k e ije tau a u d jev p p rc o ja n n u e a rije n s v g o fic n k z je a e a ro o ija b je e u u n j v rija s i d jeo a ra i m d l p u d n i re re e ta n k p o a n i a d b n o e o z a iji p z n tiv iji.

Koeficijent korelacije
Mjeri jainu i smjer povezanosti dvije pojave za koje poznajemo empirijske vrijednosti kvantitatinih varijabli.

r= r =
2

( y i y ) 2 ( y i y ) 2

Neimenovani broj. Kao i kod koeficijenta determinacije sa kojim je u funkcionalnoj vezi, vea vrijednost ovog koeficijenta ukazuje da je vea proporcija objanjene u ukupnoj varijansi i da je odabrani model pouzdaniji i reprezentativniji.

Koeficijent linearne korelacije

Odnos kovarijanse varijabli X i Y i proizvoda standardnih devijacija varijable X i varijable Y.

r=

Cov( X , Y ) = X Y

(x

(x
i

x )( yi y )

x )2

( y

y )2

Vrijednost koeficijenta linearne korelacije se nalazi izmeu -1 i 1. Vea vrijednost koeficijenta ukazuje na postojanje vee linearne povezanosti izmeu promjenjljivih X i Y. Manja vrijednost r ne mora uvijek znaiti da je slaba korelacija jer se moe raditi o pogrenoj primjeni koeficijenta linearne korelacije za mjerenje jaine veze pojava koje nisu u linearnom odnosu. Tumaenje: Za vrijednosti: -1 < r < 0 korelacija je negativna (stohastika). Za vrijednosti: 0 < r < 1 korelacije je pozitivna (stohastika). Za vrijednosti 1 i 1, radi se o perfektnoj negativnoj odnosno pozitivnoj korelaciji, to jeste o funkcionalnoj vezi.

Koeficijent linearne korelacije, cont.

Napomena: ako je mogue uvjek je bolje prvo testirati hipotezu H0: r=0, a tek onda komentarisati koeficijent korelacije. Standardna greka ocjene Prema vrijednosti neobjanjenog varijabiliteta za regresioni model odreujemo standardnu greku ocjene:

standardna neobjanjeni varijabilitet = greka ocjene = n = (1 r 2 ) ukupan varijabilitet n

Standardna greka ocjene, cont. Mjeri kvalitet i reprezentativnost ocijenjenog regresionog modela i pokazuje prosjeno odstupanje empirijskih vrijednosti zavisne varijable Y od podataka ocijenjenih regresionim modelom. Apsolutna mjera disperzije oko regresije jer se izraava u istim jedinicama mjere kao zavisna varijabla. Vea vrijednost ovog pokazatelja ukazuje da je vea proporcija neobjanjene u ukupnoj varijansi i da je odabrani model manje pouzdan i manje reprezentativan i obratno. Koeficijent varijacije regresionog modela Relativni pokazatelj kvaliteta regresionog modela Jednak je odnosu standardne greke ocijenjenog regresionog modela i aritmetike sredine zavisne varijable Y:

kVy =

y
y

100

Vea vrijednost ovog pokazatelja ukazuje da je vea proporcija neobjanjene u ukupnoj varijansi i da je odabrani model manje pouzdan i manje reprezentativan i obratno.

Koeficijent varijacije regresionog modela, cont. Na osnovu vrijednosti ovog koeficijenta moemo procijeniti preciznost i kvalitet ocjene na sljedei nain: Ako je Ako je Ako je Ako je u intervalu 7%<kv 10%, ocjena je relativno dosta dobra u intervalu 4%< kv 7%, ocjena je dobra u intervalu 1%< kv 4%, ocjena je vrlo dobra kv 1%, ocjena je odlina.

Predvianje Regresioni model dobijen MNK metodom koristimo za predvianje vrijednosti zavisne varijable na osnovu poznate vrijednosti nezavisne varijable. to je: Vii koeficijent determinacije i korelacije Nia standardna greka procjene Nii koeficijent varijacije regresionog modela to je predvianje pouzdanije i obratno. Predvianje, cont. Predvianje na osnovu regresionog modela moe biti: 1. Interpolacija ako se dato X (vrijednost nezavisne varijable) nalazi u rangu vrijednosti nezavisne varijable na osnovu kojih je izveden regresioni model za predvianje 2. Ekstrapolacija ako se dato X (vrijednost nezavisne varijable) ne nalazi u rangu vrijednosti nezavisne varijable na osnovu kojih je izveden regresioni model za predvianje Interpolacija daje pouzdanije procjene od ekstrapolacije.

Primjer 1, cont.

Primjer 2, cont. Da se prisjetimo, u ovom primjeru smo pratili vezu izmeu godina starosti polovnog automobila tipa C i njegove tekue prodajne cijene.

Analizirati kvalitet (reprezentativnost) regresionog modela kojim je ocjenjena veza izmeu godina starosti polovnog automobila tipa C i njegove tekue prodajne cijene. Koliku cijenu oekujemo kod automobila starog 10 godina?

Rjeenje, cont.

Spearmanov koeficijent korelacije ranga

se koristi ako imamo pojave za koje su podaci dati u obliku modaliteta rang varijable:

= 1

6 di 2 n3 n

gdje je d razlika rangova za x i y:

Tumaenje identino koeficijentu korelacije.

di = rx ,i ry ,i

Primjer 3 Dva umjetnika su ocjenjivala est umjetnikih dijela sa ocjenama u obliku rangova 1 (najbolji) do 6 (najloiji). U tabeli su prezentirane njihove ocjene: Umjetnik Umjetnik 1 Umjetnik 2 o djelo A B C D E F 6 5 1 3 4 2 5 6 2 1 3 4

Izraunati i objasniti Spearmanov koeficijent korelacije ranga.

R enje je
Imamo rangove za dvije varijable te izraunavamo razliku rangova:
Umjetniko djelo A B C D E F sum Umjetnik 1

rx

Umjetnik 2 ry 5 6 2 1 3 4

d 1 -1 -1 2 1 -2

d2
1 1 1 4 1 4 12

6 5 1 3 4 2

Rjeenje, cont. Spearmanov koeficijent korelacije ranga je:

= 1

6d2 n n
3

= 1

6 12 = 0, 66 63 6

Ovo ukazuje na relativno visoko direktno slaganje (66%) miljenja dva umjetnika.

Primjer 4

a) Dijagram (oblak) rasipanja

trokovi proizvodnje (=== KM) 140 130 120 110 100 90 80 70 60 50 40 1 2 3 4 5 6 7 obim proizvodnje (000 kom)

b) Linearni model jednostavne regresije radna tabela

obim proizvodnje (000 kom) X 2 3 4 5 6 Suma: 20 trokovi proizvodnje (000 KM)- Y 50 73 89 110 128 450

x2
4 9 16 25 36 90

xy
100 219 356 550 768 1993

y2
2500 5329 7921 12100 16384 44234

b) L inearni m odel jednos tavne reg ije potrebni elem res enti
1 X = N
2 X =

20 x i= 5= 4 i =1

Y =

1 N

y =
i =1 i

450 = 90 5

1 N

x
2 i i =1

1 X=

2 90= 4 5

2 Y =

1 N

y Y =
i =1 2 i 2

1 44234 90 2= 5

746,8

C XY =

1 N

x y
i =1

i i

1 X Y = 1993 4 90 38,6 = 5

b) Linearni model jednostavne regresije izraunavanje parametara

b L e r im d l je n sa n r ge ije ) in an o e d o t v e e r s iza u a a jep r mt r r n v n aa eaa

b= CX Y

2 X

38,6 = 2

19,3
povea porasti za 1.000 kom za 19 .300 KM .

Ukoliko se obim proizvodnje tada e trokovi proizvodnje

a =Y b X

= 90 19,3 4 12,8 =

Ukoliko se ne proizvodi tj. obim proizvodnje je jednak 0, tada su trokovi proizvodnje 12 .800 KM (fiksni trokovi).

yi =1 ,8 1 ,3 i 2+ x 9
c) Koeficijent determinacije

r2 =

99,76% promjena trokova izraenih varijansom duguje se uticaju obima proizvodnje. d) Predvianje

C XY 2 2 X Y2

38, 62 = 0,9976 2 746,8

za obim proizvodnje 8.500 komada je xi = 8,5

yi = 12,8 + 19,3 8,5 = 176,85

Ako obim proizvodnje iznosi 8.500 komada oekuju se trokovi od 176.850 KM. Model viestruke ili multiple regresije

Zavisna varijabla Y je izraena kao funkcija K nezavisnih varijabli i sluajnog lana e. Ako je funkcionalni dio modela definisan linearnom funkcijom model moemo definisati generalni model viestruke linearne regresije za n vrijednosti sljedeim izrazom

y i = a + b1 xi1 + b2 xi 2 + ... + bK xiK + ei , i = 1,2,..., n

Model viestruke ili multiple regresije, cont. Koeficijenti u regresijskom modelu imaju sljedee znaenje: parametar a je slobodni, konstantni lan koji predstavlja oekivanu vrijednost zavisne varijable Y kada je vrijednost svih K nezavisnih varijabli (X1, X2,...,XK) jednaka nuli. Vrijednost ovog parametra nema uvijek logiko objanjenje. Parametar bi (i=1,2,....,K) ili regresioni koeficijent pokazuje prosjenu promjenu zavisne varijable Y nastalu usljed jedininog poveanja nezavisne varijable Xi, uz uslov da ostale nezavisne varijable ostanu nepromijenjene. Pozitivna vrijednost parametra bi ukazuje na proporcionalan odnos varijabli Y i Xi. Negativna vrijednost koeficijenta bi znai obrnuto proporcionalan odnos zavisne varijable Y i nezavisne varijable Xi. Koeficijent multiple determinacije Izraava jainu veze ili slaganje varijabiliteta izmeu zavisne varijable i zbirnog varijabiliteta K nezavisnih varijabli

2 Y ;1, 2 ,.., K

( yi y ) 2 = , 0 RY2;1, 2 ,..,K 1 2 ( yi y )

Kvadratni korijen koeficijenta multiple determinacije je koeficijent multiple linearne korelacije

Koeficijent parcijalne korelacije

ry1.2 =

ry1 ry 2 r12
2 (1 ry21 )(1 r12 )

ry 2.1 =

ry 2 ry1 r 12 (1 ry22 )(1 r2 ) 12

Pokazuje jainu i smjer veze zavisne varijable Y i j-te nezavisne varijable uz nepromijenjen uticaj preostalih (K-1) varijabli. Vrijednost ovog koeficijenta se kree u granicama: (-1,1).

Analiza varijanse ANOVA

testira kvalitet ili reprezentativnost modela testira se da li postoji znaajna veza izmeu niza nezavisnih varijabli ukljuenih u model i zavisne varijable odnosi se na F test hipoteza glasi:

H 0 : bi 1. ... = bi 2. ... = ... = bik . ... = 0 / H 1 : najmanje jedan parametar b ij . ... 0

ili makar jedna nezavisna varijabla ukljuena u model je znaajna to jeste signifikantno utie na zavisnu varijablu Analiza varijanse ANOVA, Excel U prvoj koloni su informacije o odgovarajuem broju stepeni slobode:

df regression = dfobjanjeno = k df residual = dfneobjanjeno = n k 1 dftotal = dfukupno = n 1

gdje je k broj nezavisnih varijabli ukljuenih u model i n broj observacija U drugoj koloni su rezultati o sumama kvadrata odstupanja.

SS regresion = SSobjanjeno = ( yi y ) 2

SS residual = SSneobjanjeno = ( yi yi ) 2 SStotal = SSukupno = ( yi y ) 2

U tre o k n s re u ti oMS( s m k a ra od tu a ja /b j s p n s od ) j olo i u z lta u a v d ta s pn ro te e i lob e

MS =

SS (odgovaraju i) MS = df SS residual = df residual

regresion

= df

SS regresion
regresion

SS objanjeno SS ukupno

k 1
p-

MS residual =

SS neobjanjeno MS= total n k 1

SS = total df total

U tv j k lo i je e p k v d o t F te ta , au p to k lon o g v ra e rto o n m irijs a rije n s s e j o i d o a ju a v d o t (F s n a c ) rije n s ig ific n e

=0,05 1 sm tram m del znaajnim (najm nje jedna H Ak je, p < o a o o a o nzv n d e a is ih v rija li u lju e ih um d l je z a a a to je te u e n z v n a b k n oe n jn s ti a a is u v rija lu ). a b