Wzór na średni kwadratowy błąd estymacji w modelu regresji ma postać:
\(SSE = \sqrt{MS_E}\) przy czym:
\(MS_E = \dfrac{SS_E}{df_E}\)
\(df_E = n - p - 1\)
\(SS_E = \sum\limits_{i=1}^{n}(y_{(i)} - \hat{y}_{(i)})^2\)
gdzie:
\(SEE\) - średni kwadratowy błąd estymacji
\(MS_E\) - wariancja błędów estymacji
\(SS_E\) - suma kwadratów odchyleń wyników od prostej regresji
\(df_E\) - liczba stopni swobody błędów
\(n\) - liczba oberwacji
\(p\) - liczba predyktorów w modelu
\(y_{(i)}\) - obserwacje empiryczne (uzyskane w badaniu)
\(y_{\hat{y}_{(i)}}\) - oberwacje prognozowane na podstawie modelu
Aby obliczyć średni kwadratowy błąd estymacji w modelu regresji należy wyciągnąć pierwiastek z wariancji błędów estymacji na podstawie danego modelu regresji.
\(SSE = \sqrt{MS_E}\) przy czym:
\(MS_E = \dfrac{SS_E}{df_E}\)
\(df_E = n - p - 1\)
\(SS_E = \sum\limits_{i=1}^{n}(y_{(i)} - \hat{y}_{(i)})^2\)
gdzie:
\(SEE\) - średni kwadratowy błąd estymacji
\(MS_E\) - wariancja błędów estymacji
\(SS_E\) - suma kwadratów odchyleń wyników od prostej regresji
\(df_E\) - liczba stopni swobody błędów
\(n\) - liczba oberwacji
\(p\) - liczba predyktorów w modelu
\(y_{(i)}\) - obserwacje empiryczne (uzyskane w badaniu)
\(y_{\hat{y}_{(i)}}\) - oberwacje prognozowane na podstawie modelu
Aby obliczyć średni kwadratowy błąd estymacji w modelu regresji należy wyciągnąć pierwiastek z wariancji błędów estymacji na podstawie danego modelu regresji.
Wzór na średni kwadratowy błąd estymacji - jak stosować w praktyce?
16,1