- •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
6.5. Отсеивающие эксперименты и дисперсионный анализ
Если и после ранжирования число оставшихся значимых факторов очень велико, или опрос специалистов вообще неэффективен ввиду отсутствия в отрасли достаточного опыта работы над изделиями, подлежащими разработке, проводятся, так называемые «отсеивающие эксперименты».
При этом все факторы варьируются на двух уровнях. Нижний и верхний уровень каждого фактора выбирается из технологических соображений и предыдущего опыта. Согласно правилам проведения экспериментов общее число опытов должно быть не меньше числа исследуемых факторов. Комбинация уровней факторов определяется «матрицей планирования».
«Матрица планирования» - это таблица, показывающая, на каком уровне устанавливается каждый конкретный фактор в каждом опыте. В этой таблице «+1» (или просто «+») означает, что фактор берется на верхнем уровне, «-1» (или «-») - на нижнем (для качественных факторов эти понятия условны, например, «буферный газ» на нижнем уровне может быть ксенон, на верхнем – гелий; важно, чтобы отличие между уровнями было как можно больше в рамках допустимых пределов работоспособности изделия).
В каждом конкретном опыте уровни факторов в отсеивающем эксперименте должны быть выбраны так, чтобы матрица планирования обладала следующими свойствами: сумма чисел в каждом столбце равнялась 0 и сумма произведений элементов, относящихся к одному опыту, для двух любых столбцов равнялась нулю, т. е. если обозначить Хji- элемент матрицы в j-й строке в i-м столбце, то
(i=1,2,3,…,n) (6.5.1)
(i,k =1,2,3,…,n, при ik ) (6.5.2)
Пример матрицы планирования при исследовании семи факторов приведен в табл. 6.5.1.
Таблица 6.5.1.
Матрица планирования отсеивающего 7-факторного эксперимента.
№ опыта |
Ф а к т о р ы |
Результат Опыта | |||||||
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 | ||
1 |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
95 |
2 |
+ |
- |
+ |
- |
+ |
- |
+ |
- |
98 |
3 |
+ |
+ |
- |
- |
+ |
+ |
- |
- |
87 |
4 |
+ |
- |
- |
+ |
+ |
- |
- |
+ |
105 |
5 |
+ |
+ |
+ |
+ |
- |
- |
- |
- |
83 |
6 |
+ |
- |
+ |
- |
- |
+ |
- |
+ |
81 |
7 |
+ |
+ |
- |
- |
- |
- |
+ |
+ |
91 |
8 |
+ |
- |
- |
+ |
- |
+ |
+ |
- |
85 |
Si+ |
|
356 |
357 |
368 |
385 |
348 |
369 |
372 |
|
Si- |
|
369 |
368 |
357 |
340 |
377 |
356 |
353 |
|
i |
|
13 |
11 |
11 |
45 |
29 |
13 |
19 |
|
ранг |
|
4,5 |
6,7 |
6,7 |
1 |
2 |
4,5 |
3 |
|
В качестве факторов взяты первые семь факторов из списка факторов таблица 6.5.1; измерялась световая отдача экспериментальных горелок (в относительных единицах).
Столбец с обозначением «0» не отвечает никакому фактору, он появился вследствие «правила формирования матрицы», которое поясняется ниже; кроме того, что эта же матрица планирования годится для вычисления коэффициентов линейной модели (см. разд. 4), где с помощью этого столбца определяется первый коэффициент.
План эксперимента содержится в залитой серым части таблицы. Его надо понимать так: в опыте 5 первые 3 фактора должны быть на верхнем уровне, остальные – на нижнем.
Матрицу, обладающую свойствами ортогональности (6.5.1), (6.5.2) можно построить по следующему алгоритму.
За основу берутся так называемые матрицы Адамара. Матрица Адамара размерности 2*2 строится из матриц размерности * по правилу:
,. (6.5.3)
В случае, представленном в таблице 6.5.1, матрица планирования образована матрицей Н8, отсюда - столбец с номером 0. Видно, что с такой матрицей можно проверить влияние не более, чем 7 факторов. Если проверяемых факторов больше (от 8 до 15), то следует строить матрицуН16. Число опытов в этом случае 16, а если факторов меньше 15, то просто отбрасываются последние столбцы матрицыН16.
После выполнения эксперимента по данному плану анализируем его результат следующим образом:
- выбираем все опыты, где i-й фактор был на верхнем уровне и находим сумму значений параметра в этих опытах Si+,
- находим сумму значений параметра в опытах, где этот фактор был на нижнем уровне Si-
- вычисляем разность i= |(Si+)-(Si-)|.
Проделываем это для всех семи факторов и вносим результаты в соответствующие столбцы таблицы.
Выделяем группу факторов, для которых абсолютная величина разности имеет заметно большее, чем для остальных факторов, значение. Это и будут наиболее сильно влияющие факторы. Ранг фактора по этому признаку внесен в последнюю строку таблицы 6.5.1.
Однако такое предположение нуждается в проверке, поскольку это «влияние» может быть вызвано и случайным сочетанием уровней других факторов. Кроме того, не исключено, что максимальное влияние фактора проявляется, когда он не на верхнем и не на нижнем, а на каком-то промежуточном уровне.
Наиболее надежный способ решения вопроса, влияет ли данный фактор на параметр, состоит в проведении дисперсионного анализа (см. разд. 6.4).