Коэффициент детерминации или аппроксимации (RI или R2).

Квадрат коэффициента корреляции (r²) называется коэффициентом детерминации или аппроксимации и обозначается RI или R². Этот коэффициент показывает долю (%) тех изменений, которые в данном явлении зависят от изучаемого фактора. Коэффициент детерминации является более непосредственным и прямым способом выражения зависимости одной величины от другой, и в этом отношении он предпочтительнее коэффициента корреляции. В случаях, где известно, что независимая переменная у находится в причинной связи с независимой переменной х, значение r² показывает ту долю элементов в вариации у, которая определена влиянием х. Так, например, если было установлено, что коэффициент корреляции между дозой азотного удобрений и содержанием белка в зерне составил 0,96, то можно утверждать, что 92% (0,96 · 0,96) колебаний содержания белка в зерне обусловлено варьированием доз азотного удобрения.

В практической статистике, коэффициенты детерминации или аппроксимации более широко используются при характеристике изучаемых взаимосвязей. Его можно использовать не только для описания прямолинейной связи между признаками, но и криволинейной (в этом случае, его называют коэффициент аппроксимации, и он представляет собой квадрат корреляционного отношения ).

Обычно при определении взаимосвязи между изучаемыми признаками устанавливают последовательно коэффициент корреляции, коэффициент детерминации (или аппроксимации) и скорректированный коэффициент детерминации (RI_adj), который рассчитывается по формуле:

. (57)

Именно, скорректированный коэффициент детерминации позволяет судить с высокой степенью вероятности о том, насколько процентов варьирование результативного признака обусловлено варьированием факториального.

Множественная корреляция. Корреляцияназывается множественной если на величину результативного признака одновременно влияют несколько факториальных.

Наиболее простой формой множественной связи является линейная зависимость между тремя признаками, когда один из них, например содержание белка в зерне, рассматривается как результативный признак функции у, а два другие – доза азотного удобрения и количество осадков за вегетацию – как аргументы x и z. В качестве меры тесноты линейной связи трёх признаков используют частные коэффициенты корреляции, обозначаемые r_xy·z, r_xz·y, r_zy·x, и множественные коэффициенты корреляции, обозначаемые символами R_xy·z, R_xz·y, R_zy·x.

Частные коэффициенты корреляции рассчитываются по формулам:

; (58)

; (59)

. (60)

Ошибку и критерий значимости частной корреляции определяют аналогично, что и парной корреляции.

Множественный коэффициент корреляции нескольких переменных – это показатель тесноты связи между одним из признаков (буква индекса перед точкой) и совокупностью других признаков (буквы индекса после точки). Коэффициент корреляции трёх переменных рассчитывается по следующим формулам:

; (61)

; (62)

. (63)

Эти формулы позволяют легко вычислить множественные коэффициенты корреляции при известных значениях коэффициентов парной корреляции. Коэффициент R положителен и всегда находится в пределах от 0 до 1.

Квадрат коэффициента множественной корреляции называется коэффициентом множественной детерминации, который, как и обыкновенный коэффициент детерминации, обозначается RI или R².

Значимость множественной корреляции оценивается по F – критерию:

, (64)

где n – объём выборки,

p – число независимых переменных или признаков.

Теоретическое значение F – критерия берут из приложения III для df₁ = р-1 и df₂ = n–p степеней свободы и принятого уровня значимости. Нулевая гипотеза о равенстве множественного коэффициента корреляции в совокупности нулю (Н₀: R = 0) принимается, если F_факт < F_теор и отвергается, если F_факт ≥ F_теор.

Регрессионный анализ.

Величина коэффициента корреляции позволяет вытеснить тесноту (силу) и направление связи, однако этим не исчерпываются возможности изучения сопряжённости между признаками. Более того, во многих исследованиях возникает необходимость изучить не столько меру корреляции, сколько форму её и характер изменения одного признака в зависимости от изменения другого. Последнее особенно важно в тех случаях, когда фактические наблюдения не охватывают всего разнообразия признака и цель исследования заключается в том, чтобы выяснить взаимозависимости между недостающими данными. Например, при изучении влияния дозы азотного удобрения, вносимого под ячмень, на содержание белка в зерне, научный интерес представляет не только установление тесноты связи и её направленность между этими изучаемыми показателями, но и на сколько повышается белковость зерна от каждого килограмма внесённого в почву азота.

Регрессионный анализ заключается в том, чтобы отыскать линию (прямую в случае линейной корреляции, параболу первого, второго и т.д. порядка при криволинейной зависимости) наиболее точно выражающую зависимость одного признака от другого. Кроме того, при помощи регрессионного анализа можно выяснить ошибку опытных данных, влияющих на конечные результаты исследования.

Существует множество аналитических методов определения регрессии, которые зависят от типа регрессии (парная или множественная), а также от типа, по которому отмечается взаимосвязь (прямая линия, гипербола, парабола и т.д.).

Парная регрессия характеризует связь между двумя признаками: результативным и факторным. Аналитически связь между ними описывается уравнениями:

прямой ;

гиперболы

параболы и т.д.

Определить тип уравнения можно, исследуя зависимость графически, однако в практике не часто прибегают к этому методу определения уравнения.

Оценка параметров уравнений регрессии (а, b₁, b₂…) осуществляется методом наименьших квадратов, в основе которого лежит предположение о независимости наблюдений исследуемой совокупности и нахождении параметров модели при которых минимизируется сумма квадратов отклонений эмпирических (фактических) значений результативного признака от теоретических, полученных по выбранному уравнению регрессии:

SS = → min

Рисунок 8. Прямая линия регрессии на графике зависимости содержания белка в зерне ячменя от дозы азотного удобрения

Рисунок 9. Параболическая линия регрессии на графике зависимости содержания белка в зерне ячменя от дозы азотного удобрения

 

В отношении установленной зависимости между дозами азотного удобрения и содержания белка в зерне ячменя данное правило можно интерпретировать так: прямая линия должна быть максимально приближена ко всем значениям х_у или у_х, что отчётливо отмечается на графике (рисунок 2 и рисунок 3)

Задача регрессионного анализа состоит в том, чтобы установить параметры уравнения регрессии (а, b₁, b₂…) или иными словами, описать взаимосвязь между изучаемыми показателями с помощью уравнения, оценить на какую величину изменяется значение результативного признака, при изменении факторного на единицу.

Нахождение параметров линейной парной регрессии общепринятым методом осуществляется решением системы нормальных уравнений следующего вида:

, (65)

 

где n – объём исследуемой совокупности (число единиц наблюдений).

В уравнениях регрессии параметр a показывает усреднённое влияние на результативный признак неучтённых в уравнении факторных признаков: коэффициент регрессии b показывает, на сколько изменяется в среднем значение результативного признака при увеличении факторного на единицу собственного измерения. Таким образом, решая данную систему нормальных уравнений задача состоит именно в определении параметров уравнения регрессии a и b.

Уравнение линейной регрессии , в сельскохозяйственных и биологических исследованиях нередко представляют несколько в другом виде:

, (66)

или аналогично для нахождения теоретической линии регрессии х по у: , (67)

где и - средние арифметические для ряда х и у;

- коэффициент регрессии у по х,

- коэффициент регрессии х по у.

Коэффициенты регрессии вычисляются по формулам:

; (68)

. (69)

Числители этих формул представляют собой сумму произведений отклонений значений х и у от своих средних (то есть числитель формулы (64) расчёта коэффициента корреляции), а знаменатели – сумму квадратов отклонений от средних. Таким образом, связь между коэффициентов корреляции и коэффициентом регрессии можно математически выразить так:

; . (70, 71)

 

Произведение коэффициентов регрессии равно коэффициенту детерминации:

= RI (72)

При регрессионном анализе проводят обычно две оценки выборочных коэффициентов регрессии: а) оценки величины отклонений от линии регрессии и б) оценку существенности b, то есть значимость отклонения его от нуля.

Ошибка коэффициента регрессии вычисляется по формуле:

и . (73, 74)

Критерий существенности коэффициента регрессии определяют по формуле:

(75)

Существенность коэффициента регрессии оценивают по приложению II, число степеней свободы df принимают равным n–2.

ПРИЛОЖЕНИЯ

Приложение I

Значения критерия ω (по Н.Ф. Деревицкому)

 

Число степеней свободы	Уровень значимости	Число степеней свободы 5%-ный	Уровень значимости
5%-ный	1%-ный	5%-ный	1%-ный
	1,41	1,41		1,93	2,45
	1,64	1,72		1,93	2,45
	1,76	1,92		1,93	2,46
	1,81	2,05		1,93	2,46
	1,85	2,14		1,94	2,47
	1,87	2,21		1,94	4,47
	1,88	2,26		1,94	2,48
	1,90	2,29		1,94	2,48
	1,90	2,32		1,94	2,49
	1,91	2,34		1,94	2,49
	1,92	2,35		1,94	2,50
	1,92	2,38		1,94	2,50
	1,92	2,39		1,94	2,50
	1,92	2,41		1,94	2,51
	1,93	2,42		1,95	2,53
	1,93	2,43		1,95	2,54
	1,93	2,44		1,96	2,55
				1,96	2,58

 

Приложение II

Стандартные значения критерия t (критерия Стьюдента) на 5%-ном, 1%-ном и 0,1%-ном уровне значимости (округлены до десятых)

 

Число степеней свободы	Уровень значимости	Число степеней свободы	Уровень значимости
0,05	0,01	0,001	0,05	0,01	0,001
	12,7	63,7	637,0		2,2	3,0	4,1
	4,3	9,9	31,6	14-15	2,1	3,0	4,1
	3,2	5,8	12,9	16-17	2,1	2,9	4,0
	2,8	4,6	8,6	18-20	2,1	2,9	3,9
	2,6	4,0	6,9	21-24	2,1	2,8	3,8
	2,4	3,7	6,0	25-28	2,1	2,8	3,7
	2,4	3,5	5,3	29-30	2,0	2,8	3,7
	2,3	3,4	5,0	31-34	2,0	2,7	3,7
	2,3	3,3	4,8	35-42	2,0	2,7	3,6
	2,2	3,2	4,6	43-62	2,0	2,7	3,5
	2,2	3,1	4,4	63-175	2,0	2,6	3,4
	2,2	3,1	4,3	≥176	2,0	2,6	3,3

Приложение III

Наиболее значимые стандартные значения критерия F (критерия Р.Фишера) на 5%-ном, 1%-ном (жирным шрифтом) уровне значимости

(округлены до десятых)

Число степеней свободы для меньшей дисперсии (df2)	Число степеней свободы для большей дисперсии (df1)
	6,0 13,7	5,1 10,9	4,8 9,8	4,5 9,2	4,4 8,8	4,3 8,5	4,2 8,3	4,2 8,1	4,0 7,7	3,8 7,3	3,7 6,9
	5,6 12,3	4,7 9,6	4,4 8,5	4,1 7,9	4,0 7,5	3,9 7,2	3,8 7,0	3,7 6,8	3,6 6,5	3,4 6,1	3,2 5,7
	5,3 11,3	4,5 8,7	4,1 7,6	3,8 7,0	3,7 6,3	3,6 6,4	3,5 6,2	3,4 6,0	3,3 5,7	3,1 5,3	2,9 4,9
	5,1 10,6	4,3 8,0	3,9 7,0	3,6 6,4	3,5 6,1	3,4 5,8	3,3 5,6	3,2 5,5	3,1 5,1	2,9 4,7	2,7 4,3
	5,0 10,0	4,1 7,6	3,7 6,6	3,5 6,0	3,3 5,6	3,2 5,4	3,1 5,2	3,1 5,1	2,9 4,7	2,7 4,3	2,5 3,9
	4,8 9,7	4,0 7,2	3,6 6,2	3,4 5,7	3,2 5,3	3,1 5,1	3,0 4,9	3,0 4,7	2,8 4,4	2,6 4,0	2,4 3,6
	4,8 9,3	3,9 6,9	3,5 6,0	3,3 5,4	3,1 5,1	3,0 4,8	2,9 4,6	2,8 4,5	2,7 4,2	2,5 3,8	2,3 3,4
	4,7 9,1	3,8 6,7	3,4 5,7	3,2 5,2	3,0 4,9	2,9 4,6	2,8 4,4	2,8 4,3	2,6 4,0	2,4 3,6	2,2 3,2
	4,6 8,9	3,7 6,5	3,3 5,6	3,1 5,0	3,0 4,7	2,9 4,5	2,8 4,3	2,7 4,1	2,5 3,8	2,3 3,4	2,1 3,0
	4,5 8,7	3,7 6,4	3,3 5,4	3,1 4,9	2,9 4,6	2,8 4,3	2,7 4,1	2,6 4,0	2,5 3,7	2,3 3,3	2,3 2,9
	4,5 8,5	3,6 6,2	3,2 5,3	3,0 4,8	2,9 4,4	2,7 4,2	2,7 4,0	2,6 3,9	2,4 3,6	2,2 3,2	2,0 2,8
	4,4 8,3	3,6 6,0	3,2 5,1	2,9 4,6	2,8 4,3	2,7 4,0	2,6 3,8	2,5 3,7	2,3 3,4	2,1 3,0	1,9 2,6
	4,4 8,1	3,5 5,9	3,1 4,9	2,9 4,4	2,7 4,1	2,6 3,9	2,5 3,7	2,4 3,6	2,3 3,2	2,1 2,9	1,8 2,4
	4,3 7,9	3,4 5,7	3,1 4,8	2,8 4,3	2,7 4,0	2,6 3,8	2,5 3,6	2,4 3,5	2,2 3,1	2,0 2,8	1,8 2,3
	4,3 7,8	3,4 5,6	3,0 4,7	2,8 4,2	2,6 3,9	2,5 3,7	2,4 3,5	2,4 3,3	2,2 3,0	2,0 2,7	1,7 2,2
	4,2 7,7	3,4 5,5	3,0 4,6	2,7 4,1	2,6 3,8	2,5 3,6	2,4 3,4	2,3 3,3	2,2 3,0	1,9 2,6	1,7 2,1
	4,2 7,6	3,3 5,4	2,9 4,5	2,7 4,0	2,5 3,7	2,4 3,5	2,3 3,3	2,3 3,2	2,1 2,8	1,9 2,5	1,6 2,0
	3,8 6,6	3,0 4,6	2,6 3,8	2,4 3,3	2,2 3,0	2,1 2,8	2,0 2,6	1,9 2,5	1,8 2,2	1,5 1,8	1,0 1,0