where y is the fitted freight volum

where y is the fitted freight volume, x1 is GDP, x2 is the fixed investment. Fitted freight volume versus actual freight volume based on MLR,NLR, and SLR is shown in Fig. 2. But in [7], the predicted transport data is compared with actual data. Finally the polynomial model gives the best result. Th emodel based on NLR is the polynomial model in this paper. So we can get the root mean squared error of calibration (RMSEC) of MLR,NLR,and SLR models from Table2:

ผลลัพธ์ (ไทย) 1:

y คือ ปริมาตรตู้ขนส่งสินค้า GDP คือ x1, x2 คือ การลงทุนถาวร ตู้ขนส่งสินค้าปริมาณเมื่อเทียบกับปริมาณขนส่งจริงอิง MLR, NLR และ SLR จะแสดงในรูปที่ 2 แต่ใน [7], ข้อมูลคาดการณ์ขนส่งเปรียบเทียบกับข้อมูลจริง ในที่สุด แบบพหุนามให้ผลลัพธ์ที่ดีที่สุด Th emodel อิง NLR เป็นแบบพหุนามในเอกสารนี้ ดังนั้น เราจะได้รับรากเฉลี่ยกำลังสองข้อผิดพลาดของการสอบเทียบ (RMSEC) รุ่น MLR, NLR และ SLR จาก Table2:

ผลลัพธ์ (ไทย) 2:

ที่ Y คือปริมาณการขนส่งสินค้าติดตั้งที่ X1 เป็นจีดีพี X2 คือการลงทุนที่คงที่ ปริมาณการขนส่งสินค้าติดตั้งเมื่อเทียบกับปริมาณการขนส่งสินค้าที่เกิดขึ้นจริงขึ้นอยู่กับอัตราดอกเบี้ย MLR, NLR และ SLR แสดงในรูป 2. แต่ใน [7], ข้อมูลการขนส่งที่คาดการณ์ไว้เมื่อเทียบกับข้อมูลที่เกิดขึ้นจริง สุดท้ายรูปแบบพหุนามให้ผลที่ดีที่สุด emodel th ขึ้นอยู่กับ NLR เป็นรูปแบบพหุนามในเอกสารนี้ ดังนั้นเราจึงสามารถได้รับรากคลาดเคลื่อนกำลังสองเฉลี่ยของการสอบเทียบ (RMSEC) ร้อยละ MLR, NLR และรูปแบบ SLR จาก Table2:

ผลลัพธ์ (ไทย) 3:

Y คือปริมาณการขนส่งสินค้าที่ติดตั้ง , มี GDP X1 X2 คือการลงทุนคงที่ . ติดตั้งจริงปริมาณการขนส่งสินค้าเมื่อเทียบกับปริมาณการขนส่งสินค้าตามอัตราดอกเบี้ย NLR และ SLR จะแสดงในรูปที่ 2 แต่ใน [ 7 ] , ทำนายข้อมูลการขนส่งเปรียบเทียบกับข้อมูลจริง ในที่สุดพหุนามแบบให้ผลดีที่สุด emodel th ตาม NLR เป็นแบบจำลองพหุนามในกระดาษนี้ แล้วเราก็จะได้รากหมายถึงยกกำลังสองข้อผิดพลาดของการสอบเทียบ ( rmsec ) อัตราดอกเบี้ย NLR และ SLR รุ่นจาก table2 :