Tài liệu Hồi quy và các ứng dụng - Trần Kim Thanh: 74
Journal of Transportation Science and Technology, Vol 19, May 2016
HỒI QUY VÀ CÁC ỨNG DỤNG
REGRESSION AND ITS APPLICATIONS
Trần Kim Thanh
Trường ĐH Tài chính – Marketing
Tóm tắt: Trong bài báo này có ba chủ đề chính được trình bày: Các khái niệm về hồi quy, tổng
ngẫu nhiên; một số kết quả về ứng dụng hồi quy trong bài toán đặc trưng phân phối và những ứng
dụng của hồi quy trong thực tế.
Từ khóa: Hồi quy, tổng ngẫu nhiên, bài toán đặc trưng phân phối, phân tích phương sai.
Abstract: There are three main topics in this article: The notions of regression and random sum,
some of the results of the application of regression in characteristic distribution problem, some
applications of the regression in practice.
Keywords: Regression, random sum, characterization problems for distributions, analysis of
variance.
1. Giới thiệu
Trong bài này, chúng tôi đề cập đến các
nội dung sau: các khái niệm về hồi quy, tổng
ngẫu nhiên và ứng dụng hồi quy trong bài
to...
5 trang |
Chia sẻ: quangot475 | Lượt xem: 500 | Lượt tải: 0
Bạn đang xem nội dung tài liệu Hồi quy và các ứng dụng - Trần Kim Thanh, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
74
Journal of Transportation Science and Technology, Vol 19, May 2016
HỒI QUY VÀ CÁC ỨNG DỤNG
REGRESSION AND ITS APPLICATIONS
Trần Kim Thanh
Trường ĐH Tài chính – Marketing
Tóm tắt: Trong bài báo này có ba chủ đề chính được trình bày: Các khái niệm về hồi quy, tổng
ngẫu nhiên; một số kết quả về ứng dụng hồi quy trong bài toán đặc trưng phân phối và những ứng
dụng của hồi quy trong thực tế.
Từ khóa: Hồi quy, tổng ngẫu nhiên, bài toán đặc trưng phân phối, phân tích phương sai.
Abstract: There are three main topics in this article: The notions of regression and random sum,
some of the results of the application of regression in characteristic distribution problem, some
applications of the regression in practice.
Keywords: Regression, random sum, characterization problems for distributions, analysis of
variance.
1. Giới thiệu
Trong bài này, chúng tôi đề cập đến các
nội dung sau: các khái niệm về hồi quy, tổng
ngẫu nhiên và ứng dụng hồi quy trong bài
toán đặc trưng phân phối, trong các vấn đề
phân tích và dự báo, phân tích phương sai.
2. Một số khái niệm và kết quả cần
thiết:
2.1.Hàm hồi quy
Hàm hồi quy hay trung bình có điều kiện
(kỳ vọng có điều kiện) là một công cụ rất
quan trọng được ứng dụng trong nhiều lĩnh
vực: Kinh tế lượng hay giải quyết các vấn đề
phân tích và dự báo,. Chúng ta sẽ trình bày
một số hướng tiếp cận khái niệm này.
- Hướng tiếp cận từ thực tế: Trên mỗi cá
thể của tổng thể Ω, ta quan sát hai biến (2
tiêu chuẩn) X, Y. Ký hiệu Ω𝑥 là tập hợp các
phần tử của Ω có cùng giá trị X = x. Nếu chỉ
giới hạn quan sát Y trên Ωx, ta có biến quan
sát Yx, tức là: Yx = Y│Ωx (thu hẹp của Y trên
Ωx). Khi đó giá trị trung bình (kỳ vọng) của
biến Yx là EYx được gọi là trung bình có điều
kiện hay kỳ vọng có điều kiện của biến Y với
điều kiện X = x và được ký hiệu là
E(Y|X = x). Vậy:
E(Y|X = x) = EYx
Khi x thay đổi, ta có hàm số f(x) =
E(Y|X = x). Ký hiệu E(Y|X) = f(X), là biến
ngẫu nhiên, lấy giá trị E(Y|X = x) khi X = x,
và gọi là kỳ vọng có điều kiện hay trung bình
có điều kiện của Y theo X. Nó còn được gọi
là hàm hồi quy tổng thể của Y theo X, ký
hiệu là PRF của Y theo X.
- Tiếp cận theo hướng mô hình toán học:
Giả sử X, Y là các biến ngẫu nhiên trên
không gian xác suất cơ sở (Ω, ℱ, P). Trong
đó Y có mô men cấp 1 hữu hạn. Ký hiệu ℬ là
σ - đại số Borel trên ℝ;ℬ(X) = X−1(ℬ) là σ
- đại số sinh bởi X; Pℬ(X) = P│ℬ(X). Khi đó
hàm tập:
A
φ (A)= Y dP, A ∈ ℬ(X) là một độ đo
suy rộng trên ℬ(X), liên tục tuyệt đối theo độ
đo Pℬ(X). Đạo hàm Radon của φ theo Pℬ(X):
𝑑𝜑
𝑑𝑃ℬ(𝑋)
là hàm ℬ(X) - đo được và được gọi là
kỳ vọng có điều kiện của Y theo X, ký hiệu:
E(Y|X) =
dφ
dPℬ(X)
Đó là hàm của X, gọi là hàm hồi quy của
Y theo X. Nếu E(Y|X) = const (= EY), ta
nói Y có hồi quy hằng số đối với X.
- Hướng tiếp cận từ yêu cầu chung: Khi
khảo sát hai biến X, Y trong sự phụ thuộc
thống kê, dựa vào những thông tin về X,
người ta muốn tìm một biến ngẫu nhiên (tất
nhiên phụ thuộc vào X, hay là hàm của X),
mà nó là xấp xỉ tốt nhất cho Y theo nghĩa cực
tiểu sai số bình phương trung bình. Biến
ngẫu nhiên cần tìm đó chính là hình chiếu
(vuông góc) của Y lên không gian các hàm
của X, bình phương khả tích. Nó được gọi là
kỳ vọng có điều kiện của Y với điều kiện X,
hay là hàm hồi quy của Y theo X, ký hiệu là
E(Y|X).
TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 19 - 05/2016
75
Ví dụ: Tổng thể là các hộ gia đình ở một
khu vực. Với mỗi hộ, ta quan tâm hai tiêu
chuẩn:
X (triệu đồng) là thu nhập hàng tháng,
Y (triệu đồng) là mức chi tiêu hàng tháng.
Khi đó Ωx là tập hợp các hộ gia đình ở khu
vực có cùng mức thu nhập X = x; Yx là mức
chi tiêu của hộ gia đình có mức thu nhập X =
x; E(Y|X = x) = EYx là mức chi tiêu bình
quân của các hộ gia đình trong khu vực có
cùng mức thu nhập X = x.
2.2. Tổng ngẫu nhiên:
Cho N là đại lượng ngẫu nhiên có giá trị
nguyên, không âm và ξ1, ξ2, ξn, là các đại
lượng ngẫu nhiên độc lập, có cùng phân phối
và độc lập với N. Biến ngẫu nhiên:
X = {
0, nếu N = 0
ξ1 + ξ2 +⋯+ ξn, nếu N = n
được gọi là một tổng ngẫu nhiên.
Để đơn giản, ta ký hiệu là: X = ξ1 +
ξ2 +⋯+ ξN, trong đó quy ước hiểu: X =
0, nếu N = 0. Tổng ngẫu nhiên X còn được
gọi biến phức hợp của các biến ξ1, ξ2, ξn,
bởi N
Nói chung ta gọi tên của biến phức hợp
theo tên phân phối của biến N, chẳng hạn:
nếu N là biến ngẫu nhiên có phân phối hình
học thì tổng ngẫu nhiên X được gọi là biến
phức hợp hình học.
Chúng ta biết rằng (xem [13]):
Nếu E|ξk| < +∞ thì E|Z| < +∞ và
EZ = EN. Eξk (1)
Tổng ngẫu nhiên mô tả nhiều mô hình
trong thực tế (xem [12]).
2.3. Điều kiện cần và đủ đối với hồi
quy hằng
Định lý 1 (Xem [1]): Giả sử X, Y là các
biến ngẫu nhiên có 𝐸|𝑌| < +∞ . Khi đó: Y
có hồi quy hằng số đối với X khi và chỉ khi
đối với mọi số thực t, ta đều có:
𝐸{𝑌. 𝑒𝑖𝑡𝑋} = 𝐸𝑌. 𝐸𝑒𝑖𝑡𝑋
3. Giới thiệu một số ứng dụng của hồi
quy
Có thể nói hàm hồi quy là công cụ toán
học có rất nhiều ứng dụng trong các lĩnh vực
khác nhau.
3.1. Ứng dụng trong Lý thuyết đặc
trưng.
Trong Lý thuyết đặc trưng phân phối,
việc ứng dụng hàm hồi quy đã mở ra một
hướng nghiên cứu: Đặc trưng phân phối bởi
hồi quy. Theo hướng nghiên cứu này, nhiều
tác giả đã gặt hái được những kết quả quan
trọng và đặc sắc. Những người đi tiên phong
trong hướng này là Kagan A.M, Linnik Yu.V
và Rao [2] (1965). Các tác giả này đã chỉ ra
một đặc trưng của luật chuẩn như sau.
Định lý 2 (xem [2]): Giả sử X̅ là trung
bình cộng của n biến ngẫu nhiên
X1, X2, , Xn độc lập, cùng phân phối, có
EXj = 0 và thỏa điều kiện:
E(X̅|X1 − X̅, , Xn − X̅) = 0. Khi đó các biến
X1, X2, , Xn có phân phối chuẩn.
Hướng đặc trưng bởi hồi quy được phát
triển như là một sự mở rộng tự nhiên của kết
quả nói trên với một loạt các công trình của
Rao [6], Ramachandran và Rao [7], [8],
Khatri và Rao [3], [4], Pathak và Pillai [9],
Shimizu [10]. Kết quả trên cũng đã được
chính các tác giả tổng quát hóa (xem [1, 156
- 158], trong đó các thành phần điều kiện:
X1 − X̅, , Xn − X̅ được thay bởi: M1, ,Mp,
với 𝑀𝑘 = 𝑋𝑘 + 𝑐𝑘1𝑋𝑘+1 +⋯+ 𝑐𝑘𝑛−𝑘𝑋𝑛, 𝑘 =
1,2, , 𝑝.
Với hai biến ngẫu nhiên X1, X2 độc lập
cùng phân phối có EXi = 0, từ điều kiện hồi
quy không: E(X1 − αX2|X1 + βX2) = 0,
Kagan A.M, Linnik Yu.V và Rao C.R [1, 158
- 161] đã chỉ ra X1, X2 suy biến, nếu αβ < 0;
X1, X2 là đối xứng nếu α = −1, X1, X2 có
phân phối chuẩn nếu αβ = 1,−1 < β < 1 .
Các tác giả này cũng đã chỉ ra (xem [1,
191]), với một số giả thiết nhất định, đối với
các biến ngẫu nhiên X1, X2, , Xn độc lập có
mô men cấp 2 hữu hạn, điều kiện hồi quy
tuyến tính:
E(L|M) = α + β.M, với: Var(L|M) = const
Trong đó: L = a1X1 + a2X2 +⋯+ anXn;
M = b1X1 + b2X2 +⋯+ bnXn) đảm bảo
cho các thành phần X1, X2, , Xn có phân
phối chuẩn.
Định lý 3 (xem [1, 215]). Giả sử Λ là
tổng của n biến ngẫu nhiên X1, X2, , Xn độc
76
Journal of Transportation Science and Technology, Vol 19, May 2016
lập, cùng phân phối, có VarXj = σ
2, và Q =
∑ ajkXjXk
n
j,k=1 + ∑ bjXj.
n
j=1 Khi đó nếu:
B1 =∑ajj ≠ 0 , B2 =∑ ajk = 0
n
j,k=1
,
B3 =∑bj = 0
thì điều kiện hồi quy hằng số của Q theo Λ là
đặc trưng cho phân phối chuẩn của các thành
phần X1, X2, , Xn.
Khatri và Rao [1] , Laha và Lukacs [11]
cũng đã chỉ ra các đặc trưng cho phân phối
Gamma bởi điều kiện hồi quy hằng số;
Lukacs cũng đã chỉ ra một đặc trưng của
phân phối Poisson theo hướng này,Cũng
theo hướng đặc trưng bởi hồi quy, trong [13],
chúng tôi đã nhận được một kết quả về đặc
trưng suy biến của các thành phần Xj của
biến phức hợp hình học Z, đó là hồi quy của
Z theo 𝑋𝑗 là hằng số: E(Z|Xj) = EZ. Trong
bài báo này, chúng tôi nhận được kết quả
sau:
Mệnh đề: Giả sử Z = ξ1 + ξ2 +⋯+ ξN
là tổng ngẫu nhiên, trong đó các biến
ξ1, ξ2, ξn, độc lập, cùng phân phối với
Eξk = m và N là biến ngẫu nhiên có phân
phối Poisson với tham số λ hoặc có phân
phối hình học tham số p. Khi đó: Hồi quy của
Z theo N là hằng số khi và chỉ khi m = 0. Để
chứng minh mệnh đề này, ta ký hiệu:
α = EN; pk = P(N = k), k = 0,1,2, ;
Ι{N=k} là hàm chỉ tiêu của tập hợp {𝑁 =
𝑘}, 𝜑𝑁(𝑡) là hàm đặc trưng của biến N. Sử
dụng tính chất của kỳ vọng có điều kiện, ta
có:
E{Z. eitN} = E{E(Z. eitN|N)}
= E {∑E(Z. eitN|N = k)
∞
k=0
. Ι{N=k}} =
∑E{(ξ1 + ξ2 +⋯+ ξk). e
itk. P(N = k)}
∞
k=0
= m.∑ k. eitk. pk
∞
k=0 (2)
EZ. EeitN = m.α. φN(t) (3)
Vậy theo định lý 1, từ (2) và (3) thì hồi
quy của Z theo N là hằng số khi và chỉ khi:
m.∑ k. eitk. pk
∞
k=0 = m.α. φN(t), ∀t (4)
Từ đó:
- Khi N có phân phối Poisson với tham
số λ:
pk =
λke−λ
k!
; α = EN = λ; φN(t) = e
λ(eit−1),
Do đó: (4) trở thành:
m.∑k. eitk.
λke−λ
k!
∞
k=0
= m. λ. eλ(e
it−1), ∀t
⇔ m. λeit−λ∑
(λeit)
k−1
(k−1)!
∞
k=1 = m. λ. e
λ(eit−1), ∀t
⇔m.λeλ(e
it−1). eit = m. λeλ(e
it−1), ∀t
⇔ m(1 − eit) = 0, ∀t
Hay: m = 0.
- Khi N có phân phối hình học tham số p:
𝑝𝑘 = 𝑝(1 − 𝑝)
𝑘−1; 𝛼 = 𝐸𝑁 =
1
𝑝
;
𝜑𝑁(𝑡) =
𝑝𝑒𝑖𝑡
1 − 𝑞𝑒𝑖𝑡
(𝑞 = 1 − 𝑝),
Do đó: (4) trở thành:
m.∑kpqk−1eitk
∞
k=1
=
meit
1 − qeit
, ∀t
⇔ m.peit∑k(qeit)k−1
∞
k=1
=
meit
1 − qeit
, ∀t
⇔ m.peit {∑xk
∞
k=0
}
′
| x = qeit =
meit
1 − qeit
, ∀t
⇔
mpeit
(1 − qeit)2
=
meit
1 − qeit
, ∀t
⇔mq(1 − eit) = 0, ∀t
Hay: m = 0.
3.2. Ứng dụng trong các lĩnh vực khác
Chúng ta biết rằng hàm hồi quy: f(X) =
E(Y|X) mô tả sự phụ thuộc của giá trị trung
bình của Y theo X, hơn nữa nó là xấp xỉ tốt
nhất (theo nghĩa sai số bình phương trung
bình nhỏ nhất), do đó hàm hồi quy thường
được sử dụng để đánh giá, phân tích một
cách định lượng mối quan hệ giữa X và Y,
đồng thời dự báo cho giá trị của biến Y khi
biến X lấy giá trị nào đó.
Kinh tế lượng thực chất là phép đo lường
kinh tế thông qua mô hình hồi quy. Trong
thực tế, biến Y không chỉ phụ thuộc vào một
biến X, mà còn phụ thuộc vào nhiều yếu tố
ngẫu nhiên khác. Vì thế trong kinh tế lượng,
người ta đặt: U = Y − E(Y|X) (5)
TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 19 - 05/2016
77
là sai lệch giữa giá trị thực tế của biến Y (gọi
là biến phụ thuộc) so với trung bình có điều
kiện E(Y|X) và gọi U là sai số ngẫu nhiên, nó
là sự tác động của các yếu tố ngẫu nhiên
khác ngoài X (biến giải thích), tác động vào
Y, khiến Y lệch khỏi giá trị trung bình (đây
chính là bản chất của sự phụ thuộc thống kê).
Vì thế từ (5) ta nhận được mô hình kinh tế
lượng: Y = E(Y|X) + U (6)
Chính nhờ hồi quy mà trong kinh tế
lượng, người ta có thể phân tích, đánh giá
một cách định lượng mối quan hệ giữa biến
kinh tế Y (biến phụ thuộc) và các biến kinh
tế X là các biến giải thích (X có thể là một
đại lượng ngẫu nhiên hoặc một véc tơ ngẫu
nhiên), giải quyết các bài toán thống kê trên
mô hình như ước lượng, kiểm định, dự báo.
Để kết thúc bài báo này, chúng tôi sẽ sử dụng
mô hình hồi quy để giải quyết bài toán phân
tích phương sai một nhân tố (và tương tự cho
bài toán phân tích phương sai hai nhân tố)
Bài toán: Ta muốn khảo sát sự tác động
của nhân tố F, với p mức nhân tố khác nhau,
đối với biến quan sát X~N(a, σ2), mà dưới
tác động của F ở mức j nó lệch khỏi trung
bình tổng thể a một lượng αj và do tác động
của các yếu tố ngẫu nhiên khác, nó lệch tiếp
một lượng Uj, tức là ta có mô hình:
X
tác động mức j của F
→ Xj = a + αj + Uj (7)
Trong đó αj đặc trưng cho sự khác biệt
về gía trị trung bình: aj = a + αj của X dưới
tác động của F ở mức j; còn Uj là sai số ngẫu
nhiên có phân phối chuẩn N(0, σj
2). Để xác
minh có sự ảnh hưởng của các mức nhân tố
của F đến X hay không, ta kiểm định giả
thuyết H: α1 = α2 = ⋯ = αp = 0, đối với
thuyết K: ∃αj ≠ 0.
- Như chúng ta đã biết, trong phân tích
phương phương sai, người ta sử dụng các
tổng bình phương các độ lệch:
TSS = ∑ ∑ (Xki − X̅)
2ni
k=1
p
i=1 = ∑ 𝑄𝑖𝑖 −
1
𝑛
(∑ 𝑇𝑖𝑖 )
2 (8)
𝐌𝐒𝐒 = ∑ 𝐧𝐢. (�̅�𝐢 − 𝐗
̅̅ ̅)
𝟐
𝐢 = ∑
𝐓𝐢
𝟐
𝐧𝐢
𝐢 −
𝟏
𝐧
(∑ 𝐓𝐢𝐢 )
𝟐 (9)
𝐑𝐒𝐒 = ∑ ∑ (𝐗𝐤𝐢 − 𝐗�̅�)
𝟐𝐧𝐢
𝐤=𝟏
𝐩
𝐢=𝟏 = ∑ 𝐐𝐢𝐢 − ∑
𝐓𝐢
𝟐
𝐧𝐢
𝐢 (10)
Trong đó: 𝑛𝑖 là số quan sát của biến Xi,
Xki là quan sát thứ k của biến Xi.
X̅ =
1
n
∑∑Xki
ki
; Qi =∑Xki
2
k
;
Ti =∑Xki
k
; n =∑ni
Tiêu chuẩn bác bỏ giả thuyết H là: 𝑊 =
{𝐹 > 𝐹𝛼(𝑝 − 1, 𝑛 − 𝑝)}, với:
𝐅 =
𝐌𝐒𝐒/(𝐩−𝟏)
𝐑𝐒𝐒/(𝐧−𝐩)
(11)
- Ứng dụng hồi quy, chúng ta có thể giải
quyết bài toán này bằng việc sử dụng mô
hình hồi quy với biến giả. X được xét dưới sự
tác động của biến định tính F gồm p thuộc
tính (p mức nhân tố). Chọn một mức nhân tố
nào đó, chẳng hạn mức nhân tố p, làm thuộc
tính cơ sở, ta đưa vào p – 1 biến giả nhị phân:
Zj = {
1, với mức nhân tố j
0, với các mức nhân tố khác.
;
j = 1,2, p − 1
Ta có mô hình hồi quy PRF:
X = a + b1Z1 + b2Z2 +⋯+ bp−1Zp−1 + U.
Khi đó bài toán trên có nghĩa là kiểm
định giả thuyết về các hệ số hồi quy: b1 =
b2 = ⋯ = bp−1 = 0, đối thuyết K: ∃bj ≠ 0 .
Để kiểm định, ta có thể dùng phương pháp
kiểm định Wald hoặc phương pháp p - value,
hoặc dùng tiêu chuẩn thống kê F
Ví dụ: Năng suất X một loại cây trồng
qua 4 nơi trồng có số liệu:
F 1 2 3 4
X
1.38
1.38
1.42
1.42
1.41
1.42
1.44
1.45
1.32
1.33
1.34
1.31
1.33
Ta muốn biết: nơi trồng có ảnh hưởng
tới năng suất (bình quân) của cây trồng
không?
- Dùng phân tích phương sai, từ mẫu lập
bảng phân tích phương sai, tính được:
TSS = 0,029292;MSS = 0,026292;
𝑅𝑆𝑆 = 𝑇𝑆𝑆 − 𝑀𝑆𝑆 = 0,003
Fqs = 26,29 > 𝐹0,05(3, 9) = 3,86. Vậy ta
bác bỏ H và cho rằng năng suất bình quân
cây trồng nói trên ở bốn nơi trồng này là
khác nhau.
78
Journal of Transportation Science and Technology, Vol 19, May 2016
- Ứng dụng hồi quy, đối với bài toán
này: biến phụ thuộc là X (năng suất cây
trồng), biến giải thích là biến nơi trồng, có
bốn thuộc tính, được đại diện bởi ba biến giả
nhị phân 𝑍1, 𝑍2, 𝑍3, với thuộc tính cơ sở là
nơi trồng thứ 4, mô hình PRF có dạng:
𝑋 = 𝑎 + 𝑏1𝑍1 + 𝑏2𝑍2 + 𝑏3𝑍3 + 𝑈.
Ta có bài toán kiểm định giả thuyết H: 𝑏1 =
𝑏2 = 𝑏3 = 0, đối thuyết K: ∃𝑏𝑗 ≠ 0 .
Chạy hồi quy ước lượng SRF, có kết quả:
Từ kết quả hồi quy, đối với hệ số hồi
quy của Z1, Z2 có p - value tương ứng là
0,0007 và 0,0001 đều bé hơn α = 0,05 nên X
thực sự phụ thuộc thống kê vào Z1, Z2. Điều
này cũng có nghĩa là năng suất bình quân X
phụ thuộc vào nơi trồng. Lưu ý là kết quả
chạy hồi quy cũng cung cấp cho chúng ta giá
trị của thống kê F nói trên: F = 26,29231
- Nếu dùng kiểm định Wald
Wald Test:
Equation: Untitled
Test Statistic Value df Probability
F-statistic 19504.40 (3, 9) 0.0000
Chi-square 58513.20 3 0.0000
Kết quả kiểm định Wald cho ta p-value
= 0,0000< 𝛼 = 0,05, nên ta bác bỏ giả
thuyết H, chấp nhận đối thuyết K và có cùng
kết luận như trên
Tài liệu tham khảo
[1] A.M.Kagan, Yu.V.Linnik and C.RRao,
Characterization Problems in Mathematical
Statistics, John Wiley and Sons, New York 1973.
[2] A.M. Kagan, Yu.V. Linnik and C.R.Rao, On a
characterization of the normal low based on a
property of the sample average, Sankhya, Ser.
A27, 1965, 405-406.
[3] C.G. Khatri and C.R. Rao, Some characterization
of the Gamma ditribution, Sankhya, Ser, A30,
1968, 157-166.
[4] C.G. Khatri, C.R. Rao, Solutions to some
functional equation and their applicati- ons to
characterization of probability distrib- utions,
Sankhya, Ser A30, 1968, 167-170.
[5] C.R. Rao, Characterization of the distrib- ution of
random variables in linear structural relations,
Sankhya, Ser. A28, 1966,251-260.
[6] C.R.Rao, On some characterizations of the normal
laws, Sankhya, Ser.A29, 1967
[7] B. Ramachandran, Advanced theory of
characteristic functions, Statistical publishing
society, Calcutta 1967
[8] B. Ramachandran and C.R. Rao, Solutio- ns of
functional equations arising in some regression
problems and of a characterization of of the
Cauchy law, Sankhya, Ser. A32, 1970, 1-30
[9] P.K. Pathak and R.N. Pillai, On a characterization
of the normal law, Sankhya, Ser. A30, 1968,
141-144.
[10] R. Shimizu, Characteristic functions satisfying a
function equation-I, Ann. Inst. Statist. Math.20,
1968, 187-209
[11] E. Lukacs and R.G. Laha, applications of
characteristic Functions, 1964, Hajner Publishing
Co., New York.
[12] Trần Kim Thanh, Tổng ngẫu nhiên và ứng dụng,
Tạp chí Khoa học công nghệ Giao thông vận tải,
Trường ĐHGTVT Tp. HCM, 4-02/2013, 74-77.
[13] Trần Kim Thanh, Đặc trưng phân bố của tổng
ngẫu nhiên các đại lượng ngẫu nhiên và tính ổn
định của chúng, Luận án Tiến sĩ Toán học. Hà
Nội 2000.
Ngày nhận bài: 14/04/2016
Ngày hoàn thành sửa bài: 06/05/2016
Ngày chấp nhận đăng: 13/05/2016
Dependent Variable: X
Method: Least Squares
Included observations: 13
Variable
Coefficien
t Std. Error t-Statistic Prob.
C 1.320000 0.012910 102.2468 0.0000
Z1 0.080000 0.015811 5.059644 0.0007
Z2 0.110000 0.015811 6.957011 0.0001
Z3 0.010000 0.016667 0.600000 0.5633
R-squared 0.897584 Mean dependent var 1.380769
RSS 0.003000 Schwarz criterion -4.747000
F 26.29231 Durbin-Watson stat 1.900000
Các file đính kèm theo tài liệu này:
- 87_1_246_1_10_20170721_736_2202519.pdf