- •Самарский государственный университет.
- •Глава 5. Анализ временных рядов. 29
- •Глава 6. Дисперсионный анализ. 34
- •Глава 7. Метод главных компонент 47
- •Глава 8. Факторный анализ 53
- •Глава 1. Математические модели.
- •1.1. Классификация моделей.
- •1.2. Этапы построения математических моделей
- •Глава 2. Корреляционный анализ: вид связи и проверка гипотез.
- •2.1.Коэффициент парной корреляции
- •2.2. Коэффициент детерминации
- •2.3. Статистическая оценка значимости коэффициентов корреляции.
- •2.4. Интервальные оценки для значимых парных коэффициентов корреляции.
- •2.5. Коэффициент корреляции рангов.
- •Решение
- •Глава 3. Регрессионный анализ: парная линейная регрессия.
- •3.1. Общие сведения. Парная линейная регрессия.
- •3.1.1. Функция регрессии
- •3.1.2. Последовательность проведения регрессионного анализа
- •3.1.3. Предпосылки к проведению регрессионного анализа
- •3.2. Метод наименьших квадратов
- •3.2.1. Проверка адекватности модели
- •3.2.2. Проверка значимости параметров модели
- •3.3. Описание типового примера. Алгоритм построения регрессионной модели.
- •3.4. Использование оцененной модели для прогнозирования
- •Глава 4. Множественная линейная регрессия
- •4.1. Корреляционно - регрессионный анализ.
- •4.2. Некоторые нелинейные модели, сводящиеся к линейным
- •4.3. Проверка предпосылок регрессионного анализа
- •1. Проверка нормальности закона распределения ошибок
- •3. Проверка на автокорреляцию случайных ошибок
- •Замечание. Если в модели много незначимых коэффициентов - ее надо упростить, т.Е. Уменьшить число искомых величин b. Если модель неадекватна, ее надо усложнить, т.Е. Добавить новые члены.
- •4.4. Пример решения задачи моделирования с использованием метода наименьших квадратов.
- •4.5. Метод наименьших квадратов (мнк) – общий случай
- •Глава 5. Анализ временных рядов.
- •5.1. Проверка законов распределения.
- •1. Проверка подчинения эмпирического распределения нормальному закону распределения
- •2. Проверка подчинения эмпирического распределения закону распределения Пуассона.
- •5.2. Изучение динамики
- •5.2.1. Средние показатели тенденции динамики
- •5.2.2. Выявление типа тенденции динамики тренда
- •5.2.3. Определение оптимального значения тренда
- •Глава 6. Дисперсионный анализ.
- •Однофакторный дисперсионный анализ.
- •6.2. Применение однофакторного анализа.
- •6.3. Проверка гипотезы об отсутствии влияния факторов на параметр
- •Можно показать [5], что, как и в случае однофакторного анализа, разность
- •Трехфакторный дисперсионный анализ.
- •6.5. Отсеивающие эксперименты и дисперсионный анализ
- •6.6. Рандомизация эксперимента
- •6.7. Определение аналитического вида зависимости параметра от факторов.
- •6.7.1. Матрица планирования
- •Глава 7. Метод главных компонент
- •7.1. Математическая модель метода главных компонент.
- •7.2. Алгоритм метода главных компонент
- •7.3. Нахождение коэффициентов характеристического уравнения
- •Глава 8. Факторный анализ
- •8.1. Модель факторного анализа.
- •8.2. Вращение факторов.
- •8.3. Применение факторного анализа.
- •8.4. Некоторые результаты факторного анализа
- •Приложение 1. Статистические таблицы
- •При числе степеней свободы
- •Критические точки распределения критерия g
- •Значения верхнего предела n2 в зависимости от уровня значимости
4.5. Метод наименьших квадратов (мнк) – общий случай
Кратко остановимся на случае, когда нет уверенности, что все погрешности независимы и имеют одинаковую дисперсию. В этом случае нужно проделать большую работу, выполнив многократные (р раз) измерения yjво всех точках плана эксперимента и построить оценку ковариационной матрицыD погрешностей измерений по следующему правилу:
(4.4.12)
Здесь i и j - номера экспериментальных точек, k - номера повторных изменений, - средние поkизмерениям в i-й (j-й) точке. Видно, чтоii - оценка дисперсии измерения в i-й точке (р>>1, поэтому р-1р). ОбозначивW = ,можно получить [4] следующие формулы вместо (4.4.4) и (4.4.5):
b = (ATWA)-1ATW y, (4.4.13)
[(ATWA)-1] ii(4.4.14)
Вообще же матрица (ATWA)-1 является ковариационной матрицей оценок b, т. е. ее недиагональные элементы - оценки коэффициентов ковариации b. ([5], п. 5.2.2). Проверка значимости коэффициентов проводится так же, как в предыдущем случае (по (4.4.6)). Проверку адекватности модели в этом случае можно организовать как проверку гипотезы о том, что «истинное значение» в каждой экспериментальной точке равно рассчитанному по модели (см. приложение П1.3) по критерию Т2.
Легко видеть, что если погрешности yнезависимы и одинаковы, тоD=Sy2I(гдеI- единичная матрица) и (4.4.13), (4.4.14) переходят в (4.4.4), (4.4.5).
Подводя итог этому разделу, перечислим основные этапы решения задачи методом наименьших квадратов.
Формулируем модель, т. е. вид зависимости параметра от факторов.
Выбираем диапазон варьирования факторов (область плана эксперимента).
В этой области выбираем экспериментальные точки, т. е. те значения уровней факторов, при которых ставится эксперимент. При этом желательно придерживаться следующих правил (см. раздел 5):
обязательно делать опыты на границах варьирования факторов;
обязательно делать опыты в центре плана (за исключением случая, когда мы уверены, что в модель входят только линейные по факторам члены и это не нуждается в экспериментальной проверке);
располагать экспериментальные точки симметрично относительно центра плана. В общем случае, имея в своем распоряжении ЭВМ, можно всегда подобрать набор экспериментальных точек, обеспечивающих максимальное значение определителя матрицы (AТA), что, в свою очередь, минимизирует в совокупности [(AТA)-1]ii, при всех i.
Оцениваем дисперсию (ковариационную матрицу) результатов опытов путем повторных измерений при одинаковых условиях.
Проверяем гипотезу о ее диагональности и об однородности дисперсий y (см. приложение 1).
Проводим эксперимент и оцениваем коэффициенты модели по формулам (4.4.4) или (4.4.13).
Оцениваем погрешности коэффициентов по (4.4.5) или (4.4.14).
Проверяем значимость коэффициентов по t-критерию (4.4.6).
Проверяем адекватность модели.
Если в модели много незначимых коэффициентов, ее надо упростить, т. е. уменьшить число искомых величин b. Если модель неадекватна, ее надо усложнить, т. е. добавить новые члены.