Phụ lục A: Tính toán hệ số hồi quy

PHỤ LỤC A: TÍNH TOÁN HỆ SỐ HỒI QUY PHỤ LỤC A: TÍNH TOÁN HỆ SỐ HỒI QUY Mô hình phát sinh (P) và thu hút (A) chuyến đi được xây dựng là các hàm hồi quy tuyến tính 3 biến với các biến là số lượng dân số, số lượng lao động và số lượng học sinh sinh viên. Cụ thể kết quả tính toán như sau: Mô hình phát sinh chuyến đi: Pi = ai*Population + bi*Workers + ci*Students Mô hình thu hút chuyến đi: Aj = xj*Population + yj*Workers + zj*Students Trong đó: Population : Dân số Workers Students : Số lao động : Số HSSV ai, bi, ci, xj, yj, zj là tham số, hệ số hồi quy tương ứng. Các dự liệu đầu vào sử dụng hàm hồi quy được trình bày trong Bảng 1. Bảng 1. Dữ liệu đầu vào hàm hồi quy Các biến số Phát sinh chuyến đi năm 2014 Thu hút chuyến đi năm 2014 Zone Dân số 1 15427 2 24207 3 21868 4 15691 5 10144 6 15577 7 17903 8 20776 9 36178 10 20072 11 16157 Tổng 214000 Lao động 3350 3910 3792 4465 2718 4646 3100 3056 7830 5613 3415 45895 HSSV HBW 4203 1190 1755 653 5952 1224 4898 2418 1487 635 4750 2575 4305 1786 6295 916 9775 4245 7168 2434 1887 980 52475 19056 HBS HBO NHB 1020 5269 623 1905 4518 1198 2507 2448 233 1846 1582 220 494 2365 388 1848 3829 660 2449 1939 306 4063 3148 1259 3313 5488 569 2339 2816 382 1519 4214 539 23304 37616 6378 HBW HBS 3350 4203 3910 1755 3792 5952 4465 4898 2718 1487 4646 4750 3100 4305 3056 6295 7830 9775 5613 7168 3415 1887 45895 52475 HBO NHB 1190 1020 653 1905 1224 2507 2418 1846 635 494 2575 1848 1786 2449 916 4063 4245 3313 2434 2339 980 1519 19056 23304 Với các dữ liệu trên sử dụng công cụ Microsofl Excel để tính toán hồi quy cho từng giá trị của từng chuyến đi phát sinh(P) và thu hút (A). Kết quả tính toán của hàm hồi quy cho chuyến đi Phát sinh với mục đích HBW như sau: Bảng 2: Kết quả hồi quy Phát sinh chuyến đi với mục đích HBW trong Excel Cao Văn Trường _ QG10_1051170069 Trang 1 PHỤ LỤC A: TÍNH TOÁN HỆ SỐ HỒI QUY Regression Statistics Multiple R (R) R Square (R2) Adjusted R Square Standard Error Observations ( Số mẫu n) 0.979238 0.958907 0.823634 481.5898 11 ANOVA Regression Residual Total df SS (k) 3 ESS 43296957 (n-k) 8 RSS 1855430 TSS=ESS+RSS 11 45152387 MS 14432319 231928.7 F 62.22738 Significance F 2.06E-05 Intercept Dân số Lao động HSSV Coefficients 0 -0.07706 0.595462 0.169772 Standard Error #N/A 0.033757 0.173266 0.09496 t Stat #N/A -2.2829 3.436699 1.787828 P-value #N/A 0.051836 0.008867 0.111609 Lower 95% #N/A -0.15490576 0.19591068 -0.04920606 Upper 95% #N/A 0.00078001 0.995013946 0.388750652 Lower 95.0% #N/A -0.154905764 0.195910683 -0.049206065 Upper 95.0% #N/A 0.00078 0.995014 0.388751 Cao Văn Trường _ QG10_1051170069 Trang 2 PHỤ LỤC A: TÍNH TOÁN HỆ SỐ HỒI QUY  Bảng tóm tắt kết quả tính toán SUMMARY OUTPUT: Hàm hồi quy có dạng Pi = ai*Populationi + bi*Workersi + ci*Studentsi Regression Statistics: Các thông số của mô hình hồi quy Multiple R: Hệ số tương quan bội (0<=R<=1). R= 0.979238 cho thấy mức độ chặt chẽ của mối liên hệ tương quan bội. R Square: Hệ số xác định. Với R2= = =0.958907 trong 100% sự biến động của biến phụ thuộc P (số chuyến đi phát sinh với mục đích HBW) thì có 95,89 % sự biến động là do các biến độc lập Population, Workers, Students ảnh hưởng, còn lại là do sai số ngẫu nhiên. Adjusted R: Hệ số xác định mẫu điều chỉnh. Là hệ số xác định có tính đến độ lớn hay nhỏ của bậc tự do df. Cho thấy mức ảnh hưởng của việc tăng thêm biến số. Standard Error: Sai số chuẩn của P do hồi quy là910. Observation: Số quan sát hay dung lượng mẫu là 11. Đây chính là số Zone nội vùng.  Bảng phân tích phương sai ANOVA (Analysis of variance): Regression: Do hồi quy. Số lượng các biến độc lập k =3 ( Population, Workers, Students) Residual: Do ngẫu nhiên. Giá trị này được xác định bằng hiệu số mẫu quan sát n và số biến độc lập k. Vậy n-k = 11-3 = 8. Total: Tổng của Regression và Residual = 3+8 = 11. Df (Degree of freedom): Số bậc tự do. SS (Sum of Square): Tổng bình phương của mức động (sai lệch) giữa các giá trị quan sát của Y (ký hiệu là Yi) và giá trị bình quân của chúng. MS (Mean of Square): Phương sai hay số bình quân của tổng bình phương sai lệch kể trên TSS ( Total Sum of Square)= ESS+TSS= 45152387 là Tổng bình phương của tất cả các mức sai lệch giữa các giá trị quan sát Pi chúng Cao Văn Trường _ QG10_1051170069 và giá trị bình quân của Trang 3 PHỤ LỤC A: TÍNH TOÁN HỆ SỐ HỒI QUY Do hồi quy Regression ESS (Explained Sum of Square)= 43296957 là tổng bình phương các sai lệch giữa các giá trị của biến phụ thuộc P (số chuyến đi phát sinh với mục đích HBW) nhận được từ hàm hồi quy mẫu (ký hiệu P*i). Độ lớn của ESS phản ánh mức độ giao động của các giá trị cá biệt của mô hình với giá trị trung bình mẫu hàm hồi quy. ESS=Σi (P*i −P) Do ngẫu nhiên Residual RSS (Residual Sum of Square) là tổng bình phương của tất cả các sai lệch giữa các giá trị quan sát của P (Pi) và các giá trị nhận được từ hàm hồi quy P*i RSS =i e2 =i P- *i) = 1855430 Ta có thể kiểm tra chéo như sau: TSS = ESS + RSS = 45152387 R2 = ESS/ TSS= 0.958907 F-stat: Tiêu chuẩn F dùng làm căn cứ để kiểm định độ tin cậy về mặt khoa học (thống kê) của toàn bộ phương trình hồi quy. Significance F: F lý thuyết.  Bảng phân tích hồi quy: - Coefficients: Cột giá trị của các hệ số hàm hồi quy: β1 = -0.07706, β2 = 0.595462, β3 = 0.169772 với β1, β2 , β3 : là các hệ số ước lượng, các hệ số hồi quy này phản ánh mức độ ảnh hưởng của từng biến độc lập ( Dân số, Lao động, HSSV) đến biến phụ thuốc P1 (số chuyến đi phát sinh với mục đích HBW). Trong quá trình phỏng vấn khảo sát thực tế, số chuyến đi khảo sát không nhiều và kết quả khảo sát phải qua 1 bước hiệu chỉnh nên kết quả hồi quy này xuất hiện sai số và các giá trị mang dấu (-) nhưng các sai số này có thể chấp nhận được. - Intercept: Hệ số tự do. Hệ số này cho thấy xuất phát điểm của đường hồi quy. Tuy nhiên ở đây ta không xét đến hệ số tự do này. Standard Error: (se) độ lệch chuẩn của mẫu theo biến t-stat: Tiêu chuẩn t dùng làm căn cứ để kiểm định độ tin cậy về mặt khoa học Cao Văn Trường _ QG10_1051170069 Trang 4 PHỤ LỤC A: TÍNH TOÁN HỆ SỐ HỒI QUY (thống kê) của độ co giãn ai ( a1= -2.2829, a2= 3.436699 , a3= 1.787828) tức là của mối liên hệ giữa các biến số độc lập ( Dân số, Lao động, HSSV) và hàm phụ thuộc P (số chuyến đi phát sinh với mục đích HBW). P-value: Xác suất để t > t-stat, dùng kiểm định độ tin tin cậy về mặt khoa học (thống kê) của độ co giãn ai tức là của mối liên hệ giữa các biến số độc lập ( Dân số, Lao động, HSSV) và hàm phụ thuộc P (số chuyến đi phát sinh với mục đích HBW). Lower 95%, Upper 95%, Lower 98%, Upper 98%: là cận dưới và cận trên của khoảng ước lượng cho các tham số với độ tin cậy 95% và độ tin cậy 98%. Nhận xét: Dựa vào bảng kết quả trên ta có phương trình hồi quy cho chuyến đi Phát sinh với mục đích HBW như sau: P1 = -0.07706*Dân số + 0.595462*Lao động + 0.169772*HSSV Như vậy với dữ liệu dự báo năm 2020 của Zone 1 là: Dân số = 15859, Lao động = 3444, HSSV = 4321 thì giá trị dự báo của P1 được tính như sau: P1 = -0.07706*15859 + 0.595462*3444 + 0.169772*4321= 1562 (chuyến đi/ngày) Tức là số chuyến đi phát sinh với mục đích HBW của Zone 1 năm dự báo 2020 sẽ là 1520 chuyến đi/ngày. Ngoài ra, dựa vào bảng kết quả hồi quy ( Bảng 2) ta cũng thấy: Nếu Số lao động và Số HSSV không đổi thì cứ tăng Dân số 1 người sẽ làm cho Số chuyến đi Phát sinh với mục đích HBW giảm đi 0.07706 chuyến đi. Điều này trái với thực thế. Trong trường hợp này số chuyến đi khảo sát được không nhiều và số lượng mẫu thống kê n nhỏ nên sai số có thể chấp nhận được. Nếu Dân số và Số HSSV không đổi thì cứ tăng Số Lao động lên 1 người sẽ làm cho Số chuyến đi Phát sinh với mục đích HBW tăng lên 0.595462 chuyến đi. Điều này chứng tỏ mức độ ảnh hưởng của Số Lao động lên Số chuyến đi Phát sinh với mục đích HBW là rất lớn. Nếu Dân số và Số lao động không đổi thì cứ tăng Số HSSV lên 1 người sẽ làm cho Số chuyến đi Phát sinh với mục đích HBW tăng lên 0.169772 chuyến đi. Cao Văn Trường _ QG10_1051170069 Trang 5 ... - tailieumienphi.vn