Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
глава7.doc
Скачиваний:
0
Добавлен:
01.07.2025
Размер:
1 Мб
Скачать
☆

7.3. Регрессионная математическая модель взаимосвязи ряда переменных величин (множественная корреляция)

7.3.1. Задачи исследования многофакторных связей

При исследовании различных природных явлений, значения которых во времени или пространстве представляются в виде после­довательности значений случайных величин, часто встречаются ситуации, когда одна случайная величина, допустим Y, каким-либо образом определена по отношению к множеству случайных величин: X1, Х2, …, Хт. Эта определенность используется для описания различных природных явле­ний на основе регрессионной математической модели. Эта модель часто позволяет провести полный статистический анализ исследуемого явления в его связи с внешней средой. Такой анализ является основой для физической интерпретации и практического использования математической модели, например, в целях прогноза.

К настоящему времени опубликовано значительное число работ, в которых множественный регрессионный анализ применялся для идентификации математических моделей тех или иных процессов. Наряду с работами, содержащими положительный опыт применения регрессионного анализа, отмечались случаи, когда достичь желаемой точности математического описания не удавалось. Последнее обстоятельство послужило поводом для скептического отношения некоторых авторов к методу множественной корреляции как средству идентификации геоэкологических процессов. По на­шему мнению, основной причиной неудач является механическое приложение схемы регрессионного анализа без учета специфических особенностей исследуемых объектов. Эти особенности весьма существенны и их нельзя игнорировать без риска получить отрицательный результат. Для учета их требуется разработка специальных мер, обеспечивающих работоспособность регрессионной математической модели при анализе процессов природы. (см.ниже).

Задачи исследования многофакторных связей обычно решаются в два этапа. На первом этапе определяется степень влияния каждого фактора и их совокупности на исследуемое явление. На втором этапе по известным функциям влияния каждой переменной величины определяется неизвестное значение или значения исследуемого процесса (решение задачи интерполяции или экстраполяции).

Как и раньше обозначим значения исследуемого процесса (предиктанта) во времени или пространстве через У. Значения факторов, влияющих на исследуемый процесс или связанных с исследуемым процессом обозначим через X1, Х2, …, Хт. Эти факторы называ­ются предикторами или независимыми переменными. Требуется установить форму и тесноту связи Y с X1, Х2, …, Хт и затем по известным значениям Xj найти неизвестное значение Y.

Например, требуется дать прогноз среднего притока в водо­хранилище на второй квартал. Известны значения 10 потенциаль­ных предикторов: приток в течение предшествующего месяца X1, осадки на двух станциях в течение трех предшествующих месяцев: X2, Х3, X4, X5, Х6, Х7, температура воздуха в течение предше­ствующего месяца по двум станциям X8, X9, показатель циркуляции Х10, т. е. Y = f(X1, X2, ..., Х10), Обычные методы построения графических связей в данном случае оказываются неприемлемыми. Необходимо искать какой-то аналитический метод расчета. Однако в этом случае задача оказывается чрезвычайно сложной. В настоящее время наиболее корректно она решается лишь для случая линейных связей и при нормальном законе распределения сопоставляемых рядов.

При построении или расчете многофакторных связей решаются следующие задачи:

1. Оценка тесноты связи между отдельными предикторами (факторами) или, иначе, независимыми переменными.

(7.45)

где rhi - коэффициент линейной парной корреляции между h-им и j-им аргументами; N — число совместных значений ряда Xh и Хj (часто период совместных наблюдений); - соответственно средние значения и средние квадратические отклонения h-го и j-го ряда.

(7.46)

2. Оценка тесноты связи каждого из предикторов с предиктантом

где roh — коэффициент линейной парной корреляции между последовательностью значений Y и аргументом Xh; и σy — соответственно среднее значение и среднее квадратическое отклонение ряда значений Y.

3. Оценка общей связи или определенности исследуемого явления с его предикторами или факторами по так называемому общему или сводному коэффициенту корреляции

(7.47)

где —­­ рассчитанные по данным X значения Y; —среднее квадратическое отклонение ряда рассчитанных значений

При анализе парной линейной корреляции ранее было полу­чено, что нормированные коэффициенты корреляции изменяются в пределах от - 1 до 1, т. е. —1 ≤ r ≤ 1. Ниже будет показано, что сводный коэффициент корреляции меняется от 0 до 1, т. е. 0 ≤ R0 ≤ 1.

4. Определение параметров уравнения множественной линей­ной корреляции

(7.48)

где aj — коэффициент веса или влияния j-го аргумента на исследуемое явление, которое позволяет по заданным значениям предикторов Xj определить вероятное значение исследуемого явления Y.

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]