Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
ОНИ-1 (1), сокр.doc
Скачиваний:
7
Добавлен:
01.07.2025
Размер:
9 Мб
Скачать
☆

4.5. Регрессионный анализ

По результатам эксперимента над объек­том исследования, входы и выходы которого известны, можно получить математическую модель определенного вида. Полученная математическая модель (если это по­лином определенной степени) называется уравнени­ем регрессии.

Степень приближения уравнения регрессии к реаль­ному объекту зависит не только от экспериментальных данных, но и от метода построения полинома. В качест­ве такого метода обычно выбирают метод наимень­ших квадратов, являющийся частным случаем ме­тода максимума правдоподобия для случайных переменных с нормальным распределением. Уравне­ние регрессии, полученное по методу наименьших квад­ратов, подвергается статистическому анализу, основанному на оценках дисперсий: проверяется одно­родность дисперсий, значимость коэффициентов и адек­ватность уравнения регрессии. Это и есть регресси­онный анализ.

В основе регрессионного анализа лежит несколько статистических предпосылок, выполнение которых га­рантирует достоверность анализа полученной математи­ческой модели:

1. Выходная переменная — случайная величина с нормальным распределением; факторы — суть неслучай­ные величины; практически это означает, что ошибки в управлении факторами по крайней мере на порядок меньше ошибок при измерении выходной переменной.

2. Связь между факторами отсутствует.

3. Дисперсии выходной переменной однородны (рав­ноточны) в любой точке факторного пространства.

4. Исследуемый объект лишен динамических свойств (рассматриваются стационарные режимы объекта).

По назначению можно назвать три типа задач, для решения

которых используются модели регрессионного типа.

Задача 1. Обнаружение зависимости у= f(x). То есть установление

самого факта наличия или отсутствия статистически значимой связи

между x и y. Считаем, что между y и x существует статистически

значимая взаимосвязь, если хотя бы один из коэффициентов

регрессии bi статистически значимо отличен от нуля.

Задача 2. Предсказание значений y для значений x, не вошедших в экспериментальный набор. По уравнению регрессии можно определить

(предсказать) значения y для любого х, не вошедшего в набор

экспериментальных точек, и определить доверительный интервал для

этого значения при уровне значимости ά. Часто этим пользуются для

задач экстраполяции.

Задача 3. Объяснение зависимости y = f(x), то есть выявление

причинно-следственных связей между y и x. В задачах данного типа на

основе знания коэффициентов регрессии необходимо объяснить

(трактовать) на предметном уровне зависимость y от отдельных x,

указать пути управления значениями y при изменении значений x. Такая постановка задачи претендует на проникновение в «физический» смысл изучаемых статистических связей. Однако в большинстве случаев статистическая модель представляет собой модель «черного ящика»,

которая не позволяет выявить истинные причинно-следственные связи

в изучаемой системе. Это касается, в основном, моделей множественной регрессии. При этом не следует путать формальную степень влияния отдельных x на y (выражаемую парным или частным коэффициентом корреляции) и фактическую, предметную взаимосвязь x и y.

Для моделей простой линейной регрессии все три перечисленных

типа задач являются фактически одной и той же. Для моделей

множественной линейной регрессии задача предсказания и задача

объяснения являются разными задачами.