- •7.1.2. Функциональные и стохастические связи
- •7.1.3. Различные виды взаимосвязи природных процессов
- •7.2. Регрессионная математическая модель взаимосвязи двух переменных величин (парная корреляция)
- •7.2.1. Линейное уравнение регрессии двух переменных величин
- •7.2.2. Коэффициент корреляции
- •7.2.3. Оценка коэффициента корреляции и уравнения регрессии. Преобразование Фишера
- •7.2.4 Анализ погрешностей расчетов по уравнению регрессии
- •7.2.5.Проверка адекватности математической модели линейной кореляции на основе анализа погрешностей расчетов
- •7.2.4. Граничные условия математической модели парной корреляции
- •7.3. Регрессионная математическая модель взаимосвязи ряда переменных величин (множественная корреляция)
- •7.3.1. Задачи исследования многофакторных связей
- •7.3.2. Уравнение множественной линейной корреляции
- •7.3.3. Сводные параметры множественной линейной корреляции
- •7.3.4. Частный коэффициент корреляции
- •7.3.5. Оценка параметров уравнения множественной корреляции по данным наблюдений
- •7.3.6. Определение оптимальных аргументов. Исключение дублирующих и неэффективных аргументов
- •Граничные условия регрессионной математической модели связи ряда процессов
- •7.3.8. Алгоритм и программа расчетов на основе регрессионной математической модели
- •7.3.9. Пример расчета регрессионной математической модели для определения среднего месячного притока в водохранилище
- •7.3.10. Преобразование исходной информации в целях нормализации и линеаризации взаимосвязей
- •7.3.11. Графические методы построения уравнения множественной корреляции
- •1. Метод контуров
- •2. Метод остаточных отклонений
- •3. Метод коаксиальной (соосной) корреляции
- •4. Использование графической корреляции
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)
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.
