Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Topolnik_V.G._MATEMATIKO-STATISTICHNI_METODI_DO...doc
Скачиваний:
5
Добавлен:
01.07.2025
Размер:
3 Мб
Скачать
☆

5.2. Загальна схема регресійного аналізу

Після того, як дослідник переконається в наявності статистично значущих зв'язків між змінними величинами, що аналізуються, він приступає до виявлення та математичного опису конкретного виду залежностей, що його цікавлять;

  • підбирає клас функцій, в межах якого буде вести свій подальший аналіз;

  • проводить, якщо це необхідно, відбір найбільш інформативних чинникових змінних величин;

  • обчислює оцінки для невідомих параметрів, які приймають участь у записі рівняння шуканої залежності;

  • аналізує точність одержаного рівняння регресійної залежності за допомогою критеріїв адекватності.

5.3. Вибір загального вигляду функції регресії

Регресійний аналіз починається із вибору класу функцій, в межах якого передбачається вести пошук найбільш підходящої апроксимації шуканої функції (апроксимація - наближений вираз яких-небудь величин через інші, більш відомі чи більш прості). Цей етап регресійного аналізу, безперечно, є ключовим: від того, наскільки вдало він буде реалізований, значним чином залежить точність відновлення невідомої функції регресії f(х) . В той же час треба визнати, що цей етап находиться в самому невигід­ному становищі: на жаль, не існує стандартних рекомендацій і методів, які б утворили сувору теоретичну базу для його найбільш ефективної реалізації.

При вирішенні проблеми вибору загального вигляду функції регресії необхідно:

  • максимальне використання апріорної інформації про змістовну сутність залежності, що аналізується (апріорі - незалежно від досвіду, до досвіду);

  • попередній аналіз геометричної структури початкових даних, на підставі яких конструюється шукана залежність;

  • застосування різних статистичних прийомів обробки початко­вих даних, які дозволяють зробити найкращий вибір із декількох варіантів, що порівнюються.

Аналізуючи змістовну сутність залежності, яка вивчається, дослідник ще до звертання до початкових статистичних даних може (і повинен!) намагатись відповісти на ряд питань, з приводу характеру шуканого регресійного зв'язку:

а) чи буде шукана функція f(х) монотонною, чи вона повинна ма­ти один (чи декілька) екстремум ?

б) чи слід очікувати прямування функції f(х) при х → ∞ до асимптоти (по одній чи декільком змінним величинам), і яка їхня змістовна інтерпретація ?

в) яка принципова природа впливу чинникових змінних величин х(1), х(2), ... , х(п) на формування результуючого показника у - ади­тивна чи мультиплікативна (лат. multiplicatio - множення, лат. additio - додавання)? Так, наприклад, багато схем залежностей у економіці та кваліметрії характеризуються мультиплікативною природою дії чинникових ознак на результативний показник;

г) чи не диктує змістовний сенс залежності, яка аналізується, обов'язкове проходження графіка шуканої функції f(х) через одну чи декілька апріорі заданих точок у просторі (х, у), який досліджується ?

При попередньому аналізі характеру залежностей, які досліджуються, (тобто до проведення обчислювальних процедур по оцінці невідомих параметрів, які входять до гіпотетичних рівнянь зв'язків) обмежуються деякими прийомами, пов'язаними в основному із вивченням "геометрії" парних кореляційних полів. У результаті геометричного аналізу кореляційних полів, як правило, одержують формулювання декількох робочих гіпотез про загальний вигляд шу­каної залежності, остаточна перевірка яких та вибір найбільш адекватної з них здійснюється (за відсутністю апріорних відомос­тей змістовного характеру) за допомогою відповідних математико-статистичних методів.

При виясненні питання про вигляд залежності, яка досліджу­ється, як правило, йдуть від простого до складного. Найпростішою ж апроксимацією невідомої функції регресії f(х) є лінійна мо­дель. Необхідно бути дуже обережним при тлумаченні та застосу­ванні регресійних рівнянь, які не використовують спеціальні знання про процес чи явище, яке вивчається. Із збільшенням складності моделі точність оцінювання зменшується.