Извините, не могу прикрепить файлом, места не хватает((( Вот задача:
1. Задание.

1) Установить тесноту линейной парной зависимости между откликом и факто-ром.
2) Построить уравнение регрессии y(x).
3) Вычислить значение объема продаж, если в новом магазине планируется принять 10 – 14 человек.

2. Таблица экспериментальных данных.

Администрация торговой компании исследует зависимость между объемом продаж Y (млн. руб.) и числом обслуживающего персонала Х (чел.). Данные по 6 магазинам представлены в таблице.

Статистика объема продаж
Магазин 1 2 3 4 5 6
yi 3,1 2,5 2,2 2,1 2,0 2,2
xi 18 15 7 9 12 12

3. Результаты.

3.1 Показателем тесноты линейной парной зависимости между фактором и от-кликом является линейный коэффициент корреляции rxy.

Столбец 1 Столбец 2
Столбец 1 1
Столбец 2 0,80468511 1

rxy ≈ 0,8047. Связь между фактором Х и откликом Y сильная и прямая.

3.2 Регрессионный анализ.

Регрессионная статистика
Множественный R 0,80468511
R-квадрат 0,647518126
Нормированный R-квадрат 0,559397658
Стандартная ошибка 0,267989145
Наблюдения 6

Так как R2 = 0,6475, то в 64,75% случаев изменения х приводят к изменению у. Следовательно, точность подбора уравнения регрессии средняя.

Дисперсионный анализ
df SS MS F Значи-мость F
Регрессия 1 0,52773 0,5277 7,35 0,05349
Остаток 4 0,28727 0,0718
Итого 5 0,815

Коэф-фици-енты Стандарт-ная ошибка t-статисти-ка P-Значе-ние Нижние 95% Верх-ние 95% Нижние 95,0% Верхние 95,0%
Y-пересече-ние 1,35 0,38318 3,535 0,02 0,29067 2,4184 0,29067 2,4184
Перемен-ная X 1 0,08 0,03018 2,7107 0,05 -0,0019 0,1656 -0,0019 0,1656

Уравнение регрессии имеет вид: yх = 1,35 + 0,08х. То есть при увеличении числа обслуживающего персонала на одного человека, объем продаж увеличится на 80000 рублей.
Так как Fфакт = 7,3481 < Fтабл = 7,71, то коэффициент детерминации статистиче-ски не значим.
Так как tфакт = 2,7107 > tтабл = 2,132, то отклоняем гипотезу о равенстве 0 коэф-фициента корреляции. Коэффициент корреляции статистически значим.
Так как tа = 3,535 > tтабл = 2,132; tb = 2,7107 > tтабл = 2,132, то коэффициенты рег-рессии а и b статистически значимы.

Дополнительная регрессионная статистика выводится в порядке, указанном в следующей схеме:

Значение коэффициента b Значение коэффициента a
Среднеквадратическое отклонение b Среднеквадратическое отклонение a
Коэффициент детерминации R2 Среднеквадратическое отклонение у
F- статистика Число степеней свободы
Регрессионная сумма квадратов Остаточная сумма квадратов

Дополнительная регрессионная статистика
0,081818182 1,354545
0,03018299 0,383177
0,647518126 0,267989
7,348101266 4
0,527727273 0,287273

3.3 Полученные оценки уравнения регрессии позволяют использовать его для прогноза. Вычислим прогнозное значение объема продаж, если в новом магазине планируется принять 10-14 человек.

Магазин yi xi
1 3,1 18
2 2,5 15
3 2,2 7
4 2,1 9
5 2 12
6 2,2 12

7 2,15 10
2,23 11
2,31 12
2,39 13
2,47 14

= 1,35 + 0,08*10 = 2,15 млн. руб. Если в новом магазине будет принято 10 человек, то прогнозируемый объем продаж будет равен 2,15 млн. руб. При увеличении числа обслуживающего персонала на одного человека, прогнозируемый объем продаж будет увеличиваться на 80 тыс. руб.

Заранее спасибо (IMG:style_emoticons/default/wink.gif)

Помогите, я совсем запуталась!!!
Мне подсказали, что уравнение линейной регрессии статистически не значимо! Значит строю нелинейную, получается полином четвертой степени самый удачный. Но прогнозные значения по такой модели не подходят! Они астрономичнски большие! Что делать???

Я у Вас спрашивала как Вы находите значение F (критическое для критерия Фишера).
Вы сказали по таблице. Но таблицы разрабатывают для 0,95 и 0,99 уровня значимости.
Если у Вас на этом уровне значимости вышло что регрессия не значима, то это не говорит о том что например на уровне значимости 0,80 регрессия тоже будет не значима....

Это так мысли в слух.
Я не настаивала что раз у Вас для регрессии У=аХ+в при уровне значимости 0,99 имеет значение F которое попадает в ОПГ то необходимо кричать караул и не знать что делать.

Я Вам просто составила план решения:
- строите все другие не линейные зависимости.
- оцениваете их.
- находите наилучшую по следующим данным :
- самое большое F
- самые маленькие ошибки регрессии
- R и R^2

Анализируете и делаете выводы.
Вроде ничего нет сложного.
Если не смотря ни на что у Вас самой лучшей моделью окажется линейная, ну очень хорошо...