- •Кривая распределения Фишера.
- •2.4 Объём экспериментальных данных с учётом результата оценки однородности выборочных дисперсий параллельных опытов
- •Оценка значимости коэффициентов полученной модели
- •Оценка значимости коэффициентов (полная):
- •Оценка значимости коэффициентов (выборочная):
- •Оценка адекватности модели данного эксперимента
Оценка значимости коэффициентов полученной модели
Все численные значения коэффициентов модели случайные величины . Они имеют нормальный закон распределения.
,
где - генеральное математическое ожидание;
– генеральная дисперсия.
Для каждого из коэффициентов модели необходимо выяснить равно ли нулю генеральное математическое ожидание, если , такой коэффициент называется не значимым и в нашей модели он случайно отличается от нуля. Его надо убрать из модели и модель пересчитать снова без него.
Для каждого коэффициента первой и второй модели формируется нулевая гипотеза.
, т.е. или
Задаюсь уровнем ошибки первого рода .
Для проверки гипотезы применяется статистика Стьюдента (t-статистика)
,
Так как всегда, то попасть в левую полуплоскость мы не можем. Поэтому сравниваем его только со 2 границей.
Если , то мы отвергаем нулевую гипотезу с вероятностью ошибки 5%. Значит у данного коэффициента генеральное математическое ожидание , т.е. коэффициент значим.
Если , то я принимаю нулевую гипотезу с вероятностью ошибки 5%. Коэффициент не значим, его нужно убрать из модели.
По таблице Стьюдента:
- число степеней свободы, где N - число опытов, L – число параметров
Для полной модели , tкр1 = 2,11.
Для выборочной модели , tкр2 = 2,10.
По полученным данным лабораторной работы мы уже имеем t-статистику для каждого из коэффициентов, поэтому мы сравниваем уже имеющиеся данные.
Оценка значимости коэффициентов (полная):
Номер |
Коэф. модели |
Т- Статистика |
1 |
13,64 |
3,108 |
2 |
-2,721 |
0,6321 |
3 |
0,3846 |
0,06183 |
4 |
0,4896 |
0,1308 |
5 |
-3,915 |
1,842 |
6 |
-0,07087 |
0,009579 |
для 2,3,4,5,6 справедлива нулевая гипотеза эти коэффициенты не значимы, эти слагаемые из уравнения нужно удалить. Коэффициент 1, значим. Решение принимаю с вероятностью ошибки равной
Получаем вид модели:
Оценка значимости коэффициентов (выборочная):
Номер |
Коэф. модели |
Т- Статистика |
1 |
14,87 |
11,02 |
2 |
-0,5633 |
0,5924 |
3 |
1,541 |
0,8613 |
4 |
1,059 |
0,9329 |
5 |
-0,0004651 |
0,0007566 |
для 2,3,4,5 справедлива нулевая гипотеза эти коэффициенты не значимы, эти слагаемые из уравнения нужно удалить. Коэффициент 1, значим. Решение принимаю с вероятностью ошибки равной
Получаем вид модели:
Оценка адекватности модели данного эксперимента
Оценка адекватности модели данным осуществляется путём сравнения точности модели относительно данных эксперимента и точности экспериментальных данных по параллельным опытам.
Точность экспериментальных данных одна и та же ,
Необходимо определить точность модели , .
,
где N – число опытов;
– число параметров, которые рассчитываются в данной модели.
Для полной модели:
Для выборочной модели:
Значения остаточной дисперсии для каждой модели известны из расчетных данных:
Для полной модели:
Для выборочной модели: .
Полагаю, что генеральная дисперсия модели , а генеральная дисперсия экспериментальных данных .
Выдвигается нулевая гипотеза : полагается, что модель адекватна данным эксперимента, т.е. они имеют общую генеральную дисперсию . Альтернативная гипотеза .
Задаемся уровнем ошибки первого рода
Для проверки такой нулевой гипотезы воспользуемся критерием Фишера с статистикой, которая зависит от и двух некоторых показателей степеней свободы и . Причём всегда .
Здесь , .
Для полной модели:
По таблице Фишера нахожу критическое значение: .
Кривая распределения Фишера.
Так как , следовательно, я отвергаю нулевую гипотезу и принимаю альтернативную гипотезу с вероятностью ошибки 5%. Это означает, что модель не адекватна данным эксперимента, необходимо изменить структуру модели.
Для выборочной модели:
По таблице Фишера нахожу критическое значение: .
Кривая распределения Фишера.
Так как , следовательно, я отвергаю нулевую гипотезу и принимаю альтернативную гипотезу с вероятностью ошибки 5%.
Так как , следовательно, я отвергаю нулевую гипотезу и принимаю альтернативную гипотезу с вероятностью ошибки 5%. Это означает, что модель не адекватна данным эксперимента, необходимо изменить структуру модели.
Данная модель также не адекватна данным эксперимента. Необходимы следующие дальнейшие варианты работы:
изменить структуру модели;
если это не поможет, то увеличить число экспериментальных данных (снова провести опыт);
добавить новый фактор (еще один входной сигнал).
4.2 Корреляционный анализ включает в себя
- оценку независимых входных переменных по программно рассчитанной матрице и по виду поля корреляции
- оценку зависимости коэффициентов модели при принятии вывода об удалении определённого коэффициента в силу его незначимости.
- оценку независимости ошибок модели относительно данных эксперимента по виду корреляционной функции ошибки.
Уравнение линии предсказания:
,
Значение берётся из матрицы входных переменных
и получаем линию предсказания.
Вывод:
- По виду поля корреляции можно сделать вывод, об отсутствии какой либо связи.
- По положению линии корреляции можно сказать что Х2 уменьшается - это значит, что корреляция отрицательная.
№ модели |
Вид модели |
Коэффициент модели |
Критерий Стьюдента |
Точность эксперимента |
Точность модели |
Критерий Фишера |
Вывод |
|||||||||
Т - статистика |
||||||||||||||||
b1 |
b2 |
b3 |
b4 |
b5 |
b6 |
fi |
tкр |
σ2ост |
fвосп |
σост |
fост |
Fрас |
F1-a,f |
|||
tb1 |
tb2 |
tb3 |
tb4 |
tb5 |
tb6 |
|||||||||||
1 |
Y1=13,64 |
13,64 |
-2,721 |
0,3846 |
0,4896 |
-3,915 |
-0,07087 |
17 |
2,11 |
0,205 |
2 |
177,9 |
17 |
8,56 |
161,4 |
Модель не адекватна |
3,108 |
0,6321 |
0,06183 |
0,1308 |
1,842 |
0,009579 |
|||||||||||
значим |
не значим |
не значим |
не значим |
не значим |
не значим |
|||||||||||
2 |
Y2=14,87 |
14,87 |
-0,5633 |
1,541 |
1,059 |
-0,0004651 |
|
18 |
2,1 |
0,205 |
2 |
16,85 |
18 |
8,56 |
161,4 |
Модель не адекватна |
11,02 |
0,5924 |
0,8613 |
0,9329 |
0,0007566 |
|
|||||||||||
значим |
не значим |
не значим |
не значим |
не значим |
не значим |