Software Gebruiksaanwijzing

6-19
De betekenis van de parameters die op het scherm verschijnen is dezelfde als die beschreven
in “Lineaire regressie ten opzichte van het gemiddelde” tot “Logistieke regressie”.
u Berekening van de bepalingscoëfficiënt (r
2
) en MSe
In de modus STAT kunt u de bepalingscoëfficiënt (r
2
) berekenen voor een tweedegraads-,
derdegraads- en vierdegraadsregressie. De volgende berekeningen van de gemiddelde
kwadraten van de fouten (MSe) kunt u ook op elk regressietype uitvoeren.
• Lineaire Regressie (
ax + b ) ............
(
a + bx ) ............
• Tweedemachts regressie ...............
• Derdemachts regressie ..................
• Vierdemachts regressie ..................
• Logaritmische regressie .................
• Exponentiele regressie (
a · e
bx
) ........
(
a · b
x
) .........
• Machtsregressie .............................
• Sinusvormige regressie ..................
• Logistieke regressie .......................
u Berekening van geschatte waarden voor regressiegrafieken
In de modus STAT kunt u met de functie Y-CAL de geschatte y -waarde berekenen voor
een specifieke x -waarde na het tekenen van de regressiegrafiek voor de statistische
waarnemingen met twee variabelen.
Hier volgt de algemene werkwijze voor het gebruik van de functie Y-CAL.
M
Se =
Σ
1
n – 2
i=1
n
(y i – (ax i + b))
2
M
Se =
Σ
1
n – 2
i=1
n
(y i – (ax i + b))
2
M
Se =
Σ
1
n – 2
i=1
n
(yi – (a + bxi))
2
M
Se =
Σ
1
n – 2
i=1
n
(yi – (a + bxi))
2
M
Se =
Σ
1
n – 3
i=1
n
(y i – (ax i + bx i + c))
2
2
M
Se =
Σ
1
n – 3
i=1
n
(y i – (ax i + bx i + c))
2
2
M
Se =
Σ
1
n – 4
i=1
n
(y i – (ax i
3
+ bx i + cx i + d ))
2
2
M
Se =
Σ
1
n – 4
i=1
n
(y i – (ax i
3
+ bx i + cx i + d ))
2
2
M
Se =
Σ
1
n – 5
i=1
n
(yi – (axi
4
+ bxi
3
+ cxi + dxi + e))
2
2
M
Se =
Σ
1
n – 5
i=1
n
(yi – (axi
4
+ bxi
3
+ cxi + dxi + e))
2
2
M
Se =
Σ
1
n – 2
i=1
n
(y i – (a + b ln x i ))
2
M
Se =
Σ
1
n – 2
i=1
n
(y i – (a + b ln x i ))
2
M
Se =
Σ
1
n – 2
i=1
n
(ln y i – (ln a + bx i ))
2
M
Se =
Σ
1
n – 2
i=1
n
(ln y i – (ln a + bx i ))
2
M
Se =
Σ
1
n – 2
i=1
n
(ln yi – (ln a + (ln b) · xi ))
2
M
Se =
Σ
1
n – 2
i=1
n
(ln yi – (ln a + (ln b) · xi ))
2
M
Se =
Σ
1
n – 2
i=1
n
(ln y i – (ln a + b ln x i ))
2
M
Se =
Σ
1
n – 2
i=1
n
(ln y i – (ln a + b ln x i ))
2
M
Se =
Σ
1
n – 2
i=1
n
(yi – (a sin (bxi + c) + d ))
2
M
Se =
Σ
1
n – 2
i=1
n
(yi – (a sin (bxi + c) + d ))
2
M
Se =
Σ
1
n – 2 1 + ae
–bx
i
C
i=1
n
y i –
2
M
Se =
Σ
1
n – 2 1 + ae
–bx
i
C
i=1
n
y i –
2