New application of multiple linear regression method - A case in China air quality

Ян Хе; Дунфан Ци; Владимир Мансурович Буре

doi:10.21638/11701/spbu10.2022.406

Авторы

Ян Хе Санкт-Петербургский государственный университет, Российская Федерация, 199034, Санкт-Петербург, Университетская наб., 7-9 https://orcid.org/0000-0002-1066-3575
Дунфан Ци Санкт-Петербургский государственный университет, Российская Федерация, 199034, Санкт-Петербург, Университетская наб., 7-9 https://orcid.org/0000-0002-8017-0151
Владимир Мансурович Буре Санкт-Петербургский государственный университет, Российская Федерация, 199034, Санкт-Петербург, Университетская наб., 7-9; Агрофизический научно-исследовательский институт, Российская Федерация, 195220, Санкт-Петербург, Гражданский пр., 14 https://orcid.org/0000-0001-7018-4667

DOI:

https://doi.org/10.21638/11701/spbu10.2022.406

Аннотация

Предлагается эконометрическая модель, основанная на методе множественной линейной регрессии. Это исследование направлено на оценку наиболее важных факторов зависимой переменной. Например, рассматриваются свойства этой модели, качество модели, тест параметров, проверка остатков модели. Затем, чтобы убедиться, что модель прогнозирования оптимальна, используется метод пошаговой регрессии с обратным исключением, чтобы получить окончательную модель. В то же время также необходимо проверять свойства на каждом шаге. Наконец, результаты иллюстрируются реальным случаем качества воздуха в Китае. Полученная модель была применена для прогнозирования индекса качества воздуха (AQI) в 31 городе Китая в течение 2013-2019 гг. Все расчеты и тесты проводились с использованием R-studio. Величина AQI характеризует индекс качества воздуха в Китае. К контрольным переменным относятся шесть факторов загрязнения и четыре метеорологических фактора. Таким образом, модель показывает, что наиболее значительным фактором, влияющим на AQI в Китае, является PM_2.5, за которым следует O₃.

Ключевые слова:

множественная линейная регрессия, загрязнение воздуха, AQI, проверка гипотез, PM2.5, O3

Скачивания

Данные скачивания пока недоступны.

Библиографические ссылки

References

Nassiri M., Elahi T. M., Ghovvati S. Evaluation of different statistical methods using SAS software: an in silico approach for analysis of real-time PCR. Journal of Applied Statistics, 2018, vol. 45, iss. 2, pp. 306-319.

Bure V. M., Petrushin A. F., Mitrofanov E. P., Mitrofanova O. A., Denisov V. Experience with the use of mathematical statistics methods for assessment of agricultural plants status. Sel'skokhozyaistvennaya Biologiya [ Agricultural Biology], 2019, vol. 54, iss. 1, pp. 84-90. https://doi.org/10.15389/agrobiology.2019.1.84eng

Iakushev V. P., Bure V. M., Mitrofanova O. A., Mitrofanov E. P. Theoretical foundations of probabilistic and statistical forecasting of agrometeorological risks. Vestnik of Saint Petersburg University. Applied Mathematics. Computer Science. Control Processes, 2021, vol. 17, iss. 2, pp. 174-182. https://doi.org/10.21638/11701/spbu10.2021.207

Iakushev V. P., Bure V. M., Mitrofanova O. A., Mitrofanov E. P. On the issue of semivariograms constructing automation for precision agriculture problems. Vestnik of Saint Petersburg University. Applied Mathematics. Computer Science. Control Processes, 2020, vol. 16, iss. 2, pp. 177-185. https://doi.org/10.21638/11701/spbu10.2020.209

Ghani I. M., Ahmad S. Stepwise multiple regression method to forecast fish landing. Procedia-Social and Behavioral Sciences, 2010, vol. 8, pp. 549-554.

Bure V. M., Parilina E. M., Sedakov A. A. Metody prikladnoi statistiki v R i Excel. 3-izd. [Applied statistics methods in R and Excel]. 3rd ed. St Petersburg, Lan’ Publ., 2019, 196 p. (In Russian)

Qi D. Study of the investment attractiveness of China's regions. Management Processes and Sustainability, 2020, vol. 7, iss. 1, pp. 423-427.

Karim S. A., Kamsani N. F. Water quality index prediction using multiple linear fuzzy regression model: Case study in Perak River, Malaysia. Springer Nature, 2020, pp. 31-35.

Adrain R. Research concerning the probabilities of the errors which happen in making observations. George Long, 1814, vol. 1, no. 4, pp. 93-107.

Merriman M. On the history of the method of least squares. The Analyst, 1877, vol. 4, iss. 2, pp. 33-36.

Zyskind G., Martin F. B. On best linear estimation and general Gauss-Markov theorem in linear models with arbitrary nonnegative covariance structure. SIAM Journal on Applied Mathematics, 1969, vol. 17(6), pp. 1190-1202.

Quandt R. E. Tests of the hypothesis that a linear regression system obeys two separate regimes. Journal of the American Statistical Association, 1960, vol. 55, iss. 290, pp. 324-330.

Pope P. T., Webster J. T. The use of an F-statistic in stepwise regression procedures. Technometrics, 1972, vol. 14, iss. 2, pp. 327-340.

Bure V. M., Parilina E. M. Teoriia veroiatnosti i matematicheskaia statistika [Probability theory and mathematical statistics]. 1st ed., St Petersburg, Lan’ Publ., 2013, 416 p. (In Russian)

Royston P. Approximating the Shapiro-Wilk test for non-normality. Statistics and Computing, 1992, vol. 2, iss. 3, pp. 117-119.

Wilford L. L., Taylor D. The power of four tests of autocorrelation in the linear regression model. Journal of Econometrics, 1975, vol. 3, iss. 1, pp. 1-21.