Content text PHÂN TÍCH MAR - KHOALEMING.docx
- Giải thích: ước lượng các tham số ��0 và ��1 sử dụng dữ liệu quan sát. ��0 là h số/hệ số chặn, và ��1 là hệ số góc của mối quan hệ tuyến tính giữa X và Y trên tổng thể - Hệ số R^2 đo mức độ phù hợp của mô hình. R^2 cho biết biến số độc lập giải thích được bao nhiêu % sự thay đổi trong biến số phụ thuộc ● Vì vậy để tăng R2 => Thêm biến độc lập ● R2 nói lên sự phù hợp của mô hình R2 càng cao thì biến độc lập giải thích càng tốt cho biến phụ thuộc - Ví dụ: Tâm trạng của cô = Biến phụ thuộc = Y|Thái độ sv đối với cô = Biến độc lập = X => Y=... + …*X và có R^2 = 0.51 => Ta có: R^2 = 0.51 => R^2 cho biết thái độ của sinh viên đối với cô giải thích được 51 % sự thay đổi trong tâm trạng của cô | 49% còn lại được giải thích bởi những yếu tố khác. 4. Phương trình hồi quy tuyến tính bội và ứng dụng của nó. Cho ví dụ ? - Hồi quy tuyến tính bội (Multiple Linear Regression): sử dụng nhiều biến giải thích (biến độc lập) để giải thích sự thay đổi của biến phụ thuộc. - Ví dụ, mô hình hồi quy tuyến tính bội giúp xác định việc giảm giá tăng doanh số như thế nào hoặc việc giảm chi phí quảng cáo giảm doanh số như thế nào. Hoặc Dự đoán chi tiêu của hộ gia đình dựa trên thu nhập, trình độ học vấn và số thành viên trong gia đình. - Sai số (error term)Là biến số ngẫu nhiên thể hiện rằng mô hình hồi quy thường không phù hợp với dữ liệu một cách hoàn toàn mà có nhiệm vụ ước lượng các mối quan hệ trong dữ liệu. ● Khi sai số > 0, điều này có nghĩa là giá trị thực tế y lớn hơn giá trị dự đoán y của mô hình => Nói cách khác, mô hình đã dự đoán thấp hơn so với giá trị thực tế. ● Khi sai số < 0, điều này có nghĩa là giá trị thực tế y nhỏ hơn giá trị dự đoán y của mô hình => Nói cách khác, mô hình đã dự đoán cao hơn so với giá trị thực tế. - Ví dụ: Công ty HAL Computer; File thực hành Europe.xlsx Y = Doanh số cho máy tính trên đầu người X1 = GNP đầu người X2 = Tỉ lệ thất nghiệp X3 = Phần trăm GNP chi tiêu cho giáo dục - CÁI BẢNG TỔNG NÓ SẼ RA LÀ NHƯ NÀY