پایان نامه ارشد رایگان با موضوع مدل رگرسیون و رگرسیون

در این دو معیار، ضریب تعیین رگرسیون متغیر توضیح دهنده j ام روی دیگر متغیرهای توضیح دهنده است . چنانچه tolerance کوچکتر از 0.1 یا VIF بزرگتر از ۱۰ باشد در آن صورت همخطی محتمل است .
جدول 3-4 : خلاصه روشهای ازمایش هم‌خطی چندگانه در مدل رگرسیون
Serious
Multi collinearity Possible
Multi collinearity No
Multi collinearity Test
0.7> 0.5< >0.7 <0.5 Partial correlation among independent variable
30> 15< >30 <15 condition index
0.1< >10 N/a 0.1> <10 tolerance
10> 5< >10 <5 vif
نا هم واریانسی
یکی از مفروضات مهم در رگرسیون خطی نا هم واریانسی می باشد. متغیرهای تصادفی که دارای واریانس‌های متفاوتی باشد ناهم‌واریانس ( heteroscedastic ) نامیده می‌شود. در مقابل به یک دنباله از متغیرهای تصادفی واریانس همسان می‌گویند اگر دارای واریانس ثابتی باشند. در واقع ما در تخمین رگرسیون که با استفاده از روش حداقل مربعات معمولی انجام می‌شود ابتدا فرض می‌کنیم که تمامی جملات خطا دارای ‍‍واریانسهای برابر هستند وبعد از ان که مدل را تخمین زدیم سپس با استفاده از یک سری روش‌ها و تکنیک‌ها به بررسی این فرض می‌پردازیم .
ناهم واریانسی به دلایل متفاوتی شامل وجود نقاط خارج از دامنه, منحنی های متقارن یا نامتقارن و انتقال اشتباه داده ها اتفاق می افتد. هم چنین در صورتی که سازمان های کوچک و متوسط و بزرگ تواما در مدل نمونه مورد بررسی قرار بگیرند امکان وقوع نا هم واریانسی زیاد می باشد.
نا هم واریانسی می تواند به طرق مختلفی مورد ازمایش قرار گیرد از جمله: آزمون پارک , آزمون گلچسر , آزمون وایت , آزمون بروش-پاگان , آزمون گلدفلد-کوانت روشی که ما در این تحقیق به این دلیل که ازمون وایت به فرض نرمال بودن بستگی ندارد از این ازمون برای تشخیص ناهمواریانسی استفاده می کنیم.
از انجایی که در نرم افزار SPSS امکان اجرای مستقیم ازمون وایت وجود ندارد مراحل ذیل که توسط ویلیم پیرس معرفی شده در این تحقیق استفاده می شود.
1.ایجاد مربع مقادیر باقیمانده غیراستاندارد (σ2)
2.ایجاد مربع کل متغیرهای وابسته (X2)
3.ایجاد حاصل ضرب دو به دو کل متغیرهای وابسته (X1 × X2)
اجرا کردن رگرسیون برای پیش بینی مربع مقادیر باقیمانده غیراستاندارد (σ2) بوسیله تمام متغیرهای وابسته, مربع کل متغیرهای وابسته (X2), حاصل ضرب دو به دو کل متغیرهای وابسته (X1 × X2). .سپس ضرب R2 در اندازه نمونه و مقایسه نتیجه ان با ارزش مربع CHI با درجه ازادی P ( – 1تمام رپرسورهاP= ).اگر این مقدار بزرگتر از ارزش مربع CHI بود, ناهم واریانسی ثابت می شود و اگر کمتر از این مقدار بود نشان دهنده هم واریانسی است.
σ2 = α1+ α2 (TAN) +α3 (PRO) +α4 (GRO) + α5 (RSK) + α6 (TAN)2 +α7 (PRO)2+α8 (RSK)2+α9 (GRO)2+α10 (TAN × PRO) +α11 (TAN × GRO)+α12 (TAN × RSK)+α13 (PRO × GRO) +α14 (PRO × RSK)+α15 (GRO × RSK)
3-8-4 نرمال بودن
مهمترین و شایعترین فرض، فرض نرمال بون داده هاست. منظور از نرمال بودن توزیع داده ها این است که هیستوگرام فراوانی داده ها تقریبا به صورت منحنی نرمال باشد
نمودار3- 3: نمودار منحنی نرمال
این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.