7. Регрессионный анализ.

Регрессией называется зависимость среднего значения одной случайной величины от некоторой другой (или от нескольких случайных величин), а регрессионным анализом — раздел математической статистики, объединяющий прикладные методы исследования регрессионных зависимостей. Регрессионный анализ приобрел большую популярность в связи с распространением ЭВМ.

Если xi и yi — наблюдаемые случайные величины, ei — случайная ошибка с нулевым математическим ожиданием, то регрессия записывается в виде:

yi = f (x_i) + ei, i = 1, 2,..., N,

где f — функция регрессии.

Если xi — скалярная величина (число), то регрессия называется парной (связывающей пару случайных величин), если xi — вектор, то множественной.

Задачей регрессионного анализа является нахождение «наилучшей» функции f, описывающей зависимость у от х. Оценка производится либо по методу наименьших квадратов, либо по методу максимума правдоподобия (что возможно только при известном распределении величин у).

При использовании регрессионного анализа важно правильно выбрать вид и степень сложности регрессионной модели. Классический путь состоит в учете биологических, физических и других предпосылок, а качество полученной модели оценивается по величине остаточных отклонений. Возможен способ проверки гипотезы линейности по остаточным отклонениям — вычисляется показатель нелинейности и производится проверка достоверности его отличия от нуля по критерию Фишера. Другой подход предложен в 1970-х гг. В.Н. Вапником: при малых выборках сложность регрессионной модели должна быть тем меньше, чем меньше объем выборки, имеющейся в распоряжении исследователя. Разработаны критерии оптимальной сложности регрессии в зависимости от дисперсии остаточных отклонений и объема выборки.

8. Кластерный анализ.

Группа методов статистической обработки, которая включает методы классификации объектов, в т.ч. автоматические, на основе их сходства. Кластерный анализ, как и факторный, «сжимает» информацию. Но если факторный анализ снижает размерность пространства признаков, то кластерный уменьшает число рассматриваемых объектов. Совокупность объектов разбивается на кластеры — группы объектов, обладающие сходными свойствами, поэтому вместо всей группы можно рассматривать один объект, характеризующий ее. Так, ряд административных территорий может быть представлен в виде одного кластера, объединяющего регионы с одинаковой эпидемиологической обстановкой. Кластерный анализ включает методы, которые исходно не принимают во внимание вероятностную природу обрабатываемых данных. При постановке задач кластеризации число кластеров, на которое должно быть разбито исходное множество объектов, может задаваться заранее или выявляться в процессе решения.

Алгоритмы кластерного анализа направлены на получение наилучшего в определенном смысле качества разбиения совокупности объектов на группы.

9. Факторный анализ.

Совокупность методов исследования многомерных признаков за счет снижения их размерности (путем введения так называемых общих факторов, которые непосредственно наблюдаться не могут). В медицине методы факторного анализа применяются для решения двух взаимосвязанных задач: группировки исходной системы признаков на основе их корреляционных связей и сжатия информации за счет построения системы обобщенных индикаторов.

В факторной модели каждый исходный признак представляется в виде комбинации новых показателей (общих факторов), число которых, как правило, устанавливается меньше числа исходных. Такой метод описания удобен, например, для получения обобщенных индексов, характеризующих состояние системы здравоохранения различных регионов или однородных учреждений (исходные показатели — заболеваемость, смертность, количество профосмотров — заменяются набором обобщенных показателей, определяющих ресурсное обеспечение, качество врачебного обслуживания и т.п.).

Недостатком факторного анализа является трудность содержательной интерпретации общих факторов.