Возьмем регрессионную модель с наблюдениями и k регрессорами:
\ mathbf {y = X \ beta + u} \ newcommand {\ Var} {\ rm Var}Nky=Xβ+u
Для данного вектора x0 прогнозируемое значение для этого наблюдения будет
E[y|x0]=y^0=x0β^.
Последовательная оценка дисперсии этого предсказания:
V^p=s2⋅x0⋅(X′X)−1x′0,
где s2=ΣNi=1u^2iN−k.
Ошибка прогноза для конкретного y0 :
е^= у0- у^0= х0β+ ты0- у^0,
Нулевая ковариация между U0 и β^ подразумевает, что
V a r [ e^] = V a r [ у^0] + V a r [ u0] ,
и непротиворечивая оценка этого
В^е= с2⋅ х0⋅ ( X'Х )- 1Икс'0+ с2,
1 - α с о н ея д е н с й интервал будет: Y0± т1 - α / 2⋅ V^п---√,
1−α prediction интервал будет шире: y0±t1−α/2⋅V^f−−−√.