Средните остатък (средна грешка) е следната формула: (Σ_ (I = 1) ^ n▒ 〖(y_i- (y_i))〗) / п, където п - общ брой на наблюденията, y_i - действителните стойности на зависимата променлива, (y_i) - стойност модел на зависимата променлива. Това показва колко много се отклонява от средното действителната стойност на зависимата променлива на симулираните стойности.

Средните стойности на остатъците абсолютни

Вторични модули зависими променливи първоначалните стойности на отклоненията от модела. (Σ_ (I = 1) ^ n▒ | y_i- (y_i) |) / п, където п - общ брой на наблюденията, y_i - действителните стойности на зависимата променлива, (y_i) - стойност модел на зависимата променлива.

Средните квадратите на остатъците

Среден квадратен зависими променливи първоначалните стойности на отклоненията от модела. (Σ_ (I = 1) ^ n▒ 〖(y_i- (y_i))〗 ^ 2) / п, където п - общ брой на наблюденията, y_i - действителните стойности на зависимата променлива, (y_i) - стойност модел на зависимата променлива.

Root на средните квадратите на остатъците

Коренът на средната стойност на квадрат отклонения. √ ((Σ_ (I = 1) ^ n▒ 〖(y_i- (y_i))〗 ^ 2) / п)

В случай на остатъци на дисперсия, равен на средната стойност на квадрат остатъци изчислява по формулата: (Σ_ (I = 1) ^ n▒ 〖(y_i- (y_i))〗 ^ 2) / п, където п - общ брой на наблюденията, y_i - действителната стойности на зависимата променлива, (y_i) - стойност модел на зависимата променлива. За по-точна формула изчисление неизместен (коригирано) дисперсия: (Σ_ (I = 1) ^ n▒ 〖(y_i- (y_i))〗 ^ 2) / (п-1)

Стандартно отклонение остатъци

Това е мярка за широко разпръснати стойностите на роднина на грешка на средната стойност. √ (1 / (п-1) Σ_ (I = 1) ^ n▒ ((y_i- (y_i)) - (Σ_ (I = 1) ^ n▒ 〖〖(у〗 _i- (y_i) )〗) / п) ^ 2)

Критерий Jacques Baer използва за тестване на хипотезата за нормално разпределение на пробата и се изчислява по следната формула: JB = (N-K) / 6 (S ^ 2 + 〖(К-3) 2/4〗 ^) където: N - броят на наблюденията; K - броят на обяснителни променливи; К - индикатор на излишък; S - асиметрия. Получената стойност се сравнява с таблична стойност Chi-квадрат разпределение с две степени на свобода. Ако изчислената стойност на статистика е по-малка от масата, хипотезата е приета, пробата е признат нормално разпределение. В противен случай, хипотезата се отхвърля.

Пример САЩ модел за прибавя в производството на нарастване моделиране стойност (Y = -0,7349 + 0,3841x_1 + 0,2073x_2 + 0,0934x_3) статистическа стойност Jacques Ber (1.5208) е много по-малко критично, получена при ниво на значимост 0 , 01 (9.2103). Поради това, хипотезата за нормално разпределение на редица остатъци приемат.

Сумата от квадратите на остатъците

Сумата от квадратите стойност разлики между модела и действителните стойности на зависимата променлива за периода на идентификация се изчислява по следната формула: Σ_ (I = 1) ^ n▒ 〖(y_i- (y_i)) ^ 2〗

Максимална абсолютна грешка

Максималната стойност на разликите между модела и действителните стойности на зависимата променлива за периода на идентификация се изчислява по следната формула: 〖макс (⁡〗 〖x_i-X ̅)〗, I = (1, п) ̅