@whuber ได้ชี้ให้คุณเห็นคำตอบที่ดีสามข้อ แต่บางทีฉันยังสามารถเขียนคุณค่าบางอย่างได้ คำถามที่ชัดเจนของคุณตามที่ฉันเข้าใจคือ:
Yฉัน = เมตร x ฉัน + By^i=m^xi+b^ (แจ้งให้ทราบล่วงหน้าฉันเพิ่ม 'หมวก') , และสมมติว่าเหลือของฉันจะกระจายตามปกติ, ผมสามารถคาดการณ์ได้ว่าเป็นยัง การตอบสนองที่ไม่มีใครสังเกต, Y n E Wมีมูลค่าทำนายรู้จักx n E Wจะตกอยู่ในช่วงเวลา( Y - σ E , Y + σN(0,σ^2e)ynewxnewความน่าจะเป็น 68%?(y^−σe,y^+σe)
สังหรณ์ใจคำตอบดูเหมือนว่ามันควรจะเป็น 'ใช่' แต่คำตอบที่แท้จริงคือบางที นี่จะเป็นกรณีที่ทราบพารามิเตอร์ (เช่น & σ ) และไม่มีข้อผิดพลาด เนื่องจากคุณประเมินพารามิเตอร์เหล่านี้เราจำเป็นต้องพิจารณาความไม่แน่นอนของพารามิเตอร์เหล่านั้น m,b,σ
ก่อนอื่นลองคิดถึงความเบี่ยงเบนมาตรฐานของส่วนที่เหลือของคุณก่อน เนื่องจากข้อมูลนี้ประมาณจากข้อมูลของคุณจึงอาจมีข้อผิดพลาดบางอย่างในการประมาณการ ดังนั้นการกระจายที่คุณควรใช้ในการสร้างช่วงเวลาการทำนายของคุณควรเป็นข้อผิดพลาดไม่ใช่แบบปกติ อย่างไรก็ตามเนื่องจากtมาบรรจบกันอย่างรวดเร็วเป็นปกติจึงมีโอกาสน้อยที่จะมีปัญหาในทางปฏิบัติ tdf errort
ดังนั้นเราสามารถใช้เพียงปีใหม่ ± T ( 1 - α / 2 , ข้อผิดพลาด DF ) sแทนปีใหม่ ± Z ( 1 - α / 2 ) sและไปเกี่ยวกับทางม้าของเราหรือไม่ น่าเสียดายที่ไม่มี ปัญหาที่ใหญ่กว่าคือว่ามีความไม่แน่นอนเกี่ยวกับการประมาณการของคุณหมายถึงเงื่อนไขของการตอบสนองที่ตำแหน่งนั้นเนื่องจากความไม่แน่นอนในการประมาณการของคุณm & B ดังนั้น,y^new±t(1−α/2, df error)sy^new±z(1−α/2)sm^b^ค่าเบี่ยงเบนมาตรฐานของการคาดการณ์ของคุณต้องการที่จะรวมมากกว่าเพียงแค่serrorข้อผิดพลาด เพราะความแปรปรวนเพิ่ม , ความแปรปรวนโดยประมาณของการคาดการณ์จะเป็น:
สังเกตว่า " x " คือ subscripted จะแสดงค่าที่เฉพาะเจาะจงสำหรับการใหม่ การสังเกตและ " s 2 " นั้นห้อยตามลำดับ นั่นคือช่วงเวลาการทำนายของคุณจะขึ้นอยู่กับตำแหน่งของการสังเกตใหม่ตามแนวx
s2predictions(new)=s2error+Var(m^xnew+b^)
xs2xแกน. ค่าเบี่ยงเบนมาตรฐานของการคาดคะเนของคุณสามารถประเมินได้สะดวกกว่าด้วยสูตรต่อไปนี้:
การคาดการณ์
ในฐานะที่เป็นบันทึกด้านที่น่าสนใจเราสามารถสรุปข้อเท็จจริงบางอย่างเกี่ยวกับการทำนายช่วงจากสมการนี้ ครั้งแรกช่วงเวลาที่ทำนายจะแคบข้อมูลเพิ่มเติมที่เราได้เมื่อเราสร้างแบบจำลองการคาดคะเน (นี้เป็นเพราะมีความไม่แน่นอนน้อยลงใน
ม.และ
ข) ประการที่สองการคาดการณ์จะมีความแม่นยำมากที่สุดถ้าพวกเขาจะทำที่ค่าเฉลี่ยของ
xค่าคุณใช้ในการพัฒนารูปแบบของคุณเป็นเศษสำหรับระยะที่สามจะเป็น0
เหตุผลก็คือภายใต้สถานการณ์ปกติไม่มีความไม่แน่นอนเกี่ยวกับความชันโดยประมาณที่ค่าเฉลี่ยของ
xspredictions(new)=s2error(1+1N+(xnew−x¯)2∑(xi−x¯)2)−−−−−−−−−−−−−−−−−−−−−−−−√
m^b^x0xมีความไม่แน่นอนเพียงเล็กน้อยเกี่ยวกับตำแหน่งแนวตั้งที่แท้จริงของเส้นการถดถอย ดังนั้นบทเรียนบางอย่างที่ต้องเรียนรู้สำหรับการสร้างแบบจำลองการทำนายคือ: ข้อมูลเพิ่มเติมมีประโยชน์ไม่ใช่กับการค้นหา 'นัยสำคัญ' แต่ด้วยการปรับปรุงความแม่นยำของการทำนายอนาคต และคุณควรจัดให้มีศูนย์รวบรวมข้อมูลของคุณในช่วงเวลาที่คุณจะต้องทำการคาดการณ์ในอนาคต (เพื่อลดตัวเศษที่) แต่กระจายการสังเกตอย่างกว้างขวางจากศูนย์นั้นเท่าที่จะทำได้ (เพื่อขยายตัวส่วนนั้น)
เมื่อคำนวณค่าที่ถูกต้องในลักษณะนี้แล้วเราสามารถใช้กับการแจกแจงที่เหมาะสมดังที่ระบุไว้ข้างต้น t