Реферат: Методика регрессионного анализа - Refy.ru - Сайт рефератов, докладов, сочинений, дипломных и курсовых работ

Методика регрессионного анализа

Рефераты по математике » Методика регрессионного анализа

Министерство науки и образования Украины

Национальный технический университет Украины

"Киевский политехнический институт"

Радиотехнический факультет


Контрольная работа

По курсу: "Основы научных исследований"

Тема: "Методика регрессионного анализа"


Киев 2007


Нахождение коэффициентов регрессии модели полнофакторного эксперимента типа 23


Факторный эксперимент связан с варьированием одновременно всех факторов и проверкой достоверности результатов математико-статистическими методами. Факторы в эксперименте можно варьировать на бесконечном множестве уровней. При планировании эксперимента, чтобы получить результаты эксперимента в виде удобных для анализа полиномов, достаточно изменять факторы на двух, трех или пяти уровнях. Проведение экспериментов с многоуровневыми факторами затруднительно, поэтому они находят ограниченное применение в практике инженерного эксперимента.


Таблица 1

Номер

комбинации

Факторы Произведения факторов

Параметры оптимизации

(экспертная оценка)

Параметр

оптимизации

_ Ф И С
x0 x1 x2 x3 x1x2 x1x3 x2x3 x1x2x3 y1 y2 y3

1 1 -1 -1 -1 1 1 1 -1 0 0 0 0
2 1 1 -1 -1 -1 -1 1 1 31 28 47 35,3
3 1 -1 1 -1 -1 1 -1 1 12 9 10 10,3
4 1 1 1 -1 1 -1 -1 -1 60 52 64 58,7
5 1 -1 -1 1 1 -1 -1 1 1 3 2 2
6 1 1 -1 1 -1 1 -1 -1 54 59 50 54,3
7 1 -1 1 1 -1 -1 1 -1 41 41 40 40,7
8 1 1 1 1 1 1 1 1 91 92 90 91

Среднее значение


24,8

Модель для ПФЭ типа выглядит следующим образом:



Коэффициенты уравнения регрессии по методу наименьших квадратов в матричной форме определяем следующим образом [1, с. 53-55]:



Выражение - квадратная симметричная матрица – называется матрицей системы нормальных уравнений, или информационной матрицей (матрицей Фишера); – ковариационная матрица, или матрица дисперсий ковариаций.

Ковариация показывает величину статистической взаимосвязи между эффектами модели xi и xj:



Также коэффициенты ковариаций можно определить из ковариационной матрицы:



Из матрицы видно, что коэффициенты ковариаций каждого эффекта с каждым равны нулю, отсюда делаем вывод, что коэффициенты уравнения регрессии не коррелированны между собой.

Проверка многофакторных статистических моделей по основными критериям качества


Проверка на статистическую значимость получаемой математической модели [1, с. 93-94]

Проводиться проверка статистической гипотезы о силе влияния факторов плана эксперимента на фоне случайной изменчивости повторных опытов:



Где – среднее значения результатов опытов в u-той строке матрицы результатов; – среднее значение по всем результатам опытов; - результат в u-той строке l-го повторного опыта; (n – количество повторных опытов (2))



По таблице (приложение 3) определяем 3,73

Поскольку (53,935>3,73), то делаем положительный вывод о целесообразности получения математической модели.

Проверки предпосылок о свойствах случайных ошибок входящие в результаты экспериментов [1, с. 93]

При равномерном дублировании опытов nu = n = const (в нашем случае n = 2). Проверка однородности ряда дисперсий производиться с использованием G-критерия Кохрена:


- вычисляется по формуле:



Число степеней свободы, которыми обладает каждая из дисперсий: n – 1 = 1;

Количество независимых оценок дисперсий: N = 8



По указанным индексам находим значение из таблицы "Критерий Кохрена" (приложение 1)



Так как то делаем вывод, что дисперсии однородны и могут быть усреднены:


Проверка на адекватность полученной модели произвольным результатам экспериментов в пределах принятых изменений факторов [1, с. 94-95]

Проверка коэффициентов уравнения регрессии на статистическую значимость проводиться с помощью t-критерия:



Для значения α = 0,05, получим α/2 = 0,025 и значение t-критерия Стьюдента равно . Поскольку в матрице дисперсий-ковариаций не нулевые только диагональные элементы и равны между собой (), то все доверительные интервалы равны между собой:



Теперь проверим все коэффициенты на статистическую значимость исходя из условия: если – то коэффициент статистически значим, если – то коэффициент статистически не значим.


коэффициент b0 b1 b2 b3 b4 b5 b6 b7

36,542 23,292 13,625 10,458 1,375 2,375 5,208 1,875
Статистически значим + + + + - + + -

Таким образом мы получили, что коэффициенты b4 и b7 – статически не значимы, поэтому мы не будем вносить их в нашу модель. И окончательный вид модели будет таким:



Число = 6 – количество эффектов, которые вошли в структуру модели, то есть статистически значимые.

Значения откликов, полученных с помощью последней модели:


Отклик y1 y2 y3 y4 y5 y6 y7 y8

-3.25 38.584 13.584 55.418 2.5 53.834 40.166 91.5

3.25 3.251 3.251 3.249 0.5 0.499 0.501 0.5

Проверка модели на адекватность производиться с использованием F-критерия Фишера:



Где – числа степеней свободы для и :



Просчитаем экспериментальное значение:



По таблицам значения критерия Фишера (приложения 3) для q = 0,05 находим:



Так как выполняется условие значит модель адекватна.

Так как у нас , то нет необходимости определять значимость обратного отношения дисперсий.

Проверка на информативность [1, с. 97-99]

Коэффициент множественной корреляции R определяется по формуле:



Посчитанное значение R = 0,997 которое очень близко к единице.

Гипотезу о значимости множественного коэффициента корреляции проверяют по F-критерию:



Где – суммы квадратов отклонений – связанная с коэффициентом модели и остаточная; – числа степеней свободы для и .

В нашем случае:



По таблицам значения критерия Фишера для q = 0,05 находим:



Поскольку , то гипотеза о статистической незначимости R не принимается – это значит, что коэффициент множественной корреляции R является статистически значимым.

Проверка на устойчивость коэффициентов математической модели к случайным составляющим в исходной информации [1, с. 99-101]

Коэффициенты математической модели должны быть устойчивы к малым случайным изменениям в исходных данных, полученных в процессе эксперимента. Для количественно показателя устойчивости коэффициентов математической модели будем использовать меру обусловленности матрицы по Нейману-Голдстейну.

Для определения меры обусловленности по Нейману-Голдстейну P необходимо найти собственные числа для матрицы Фишера , решая уравнение:



Где – собственные числа для информационной матрицы Фишера

Поскольку коэффициенты b4 и b7 статистически незначимы, тога соответствующие столбцы матрицы X отбрасываются и размер матрицы становится , размер обратной матрицы - , а размер матрицы Фишера - :



Так как все эффекты в матрице Фишера ортогональны друг другу и нормированы, то:



Находят – максимальное и минимальное собственное число для информационной матрицы Фишера :



Мера обусловленности по Нейману-Голдстейну:



Другая мера обусловленности матрицы обозначается латинским сокращением cond:

- обозначение нормы матрицы. При этом предполагается, что матрица невырождена.

Известны несколько видов норм для матрицы А. Каждой из векторных норм соответствует своя подчиненная норма матрицы. Будем использовать следующую форму:



что означает выбор по всем столбцам j максимальной суммы абсолютных значений элементов по строкам i (m – число строк матрицы А).

Так как все эффекты в расширенной матрице X ортогональны друг другу, то:



Для матрицы каждая по столбцам . Для матрицы каждая по столбцам .

Число обусловленности в этом случае будет:



Что подтверждает результат, полученный предыдущим методом.

Проверка фактической эффективности извлечения полезной информации из исходных данных [1, с. 101-102]

Косвенным показателем эффективности может быть число обусловленности cond для полученной модели. Так как значит эффективность можно считать хорошей.

Проверка правильности описания полученной математической модели по всей области моделирования [1, с. 102]

Полученную математическую модель желательно проверить по контрольной выборке. С использованием ПС ПРИАМ можно построить трехмерное изображение поверхности отклика, и проанализировать полученную поверхность, сравнивая минимальные и максимальные расчетные значения с допустимыми физическими значениями отклика. Возможен также поиск минимума и максимума по модели с использованием ЛПτ равномерно распределенных последовательностей и сравнения с физически возможными значениями отклика.

Оценка семантичности по полученным коэффициентам математической модели [1, с. 102-103]

Семантичность достигается, если эффекты статистической модели ортогональны друг другу, нормированы и план эксперимента равномерный. Выбор структуры модели должен быть проведен с использованием алгоритма RASTA3 и ПС ПРИАМ.

В нашем случае все эффекты полученной модели ортогональны друг другу и нормированы, план эксперимента мы выбрали равномерный, следовательно семантичность достигается.

Проверка свойств остатков [1, с. 103, 364-366]

Анализ основных графиков остатков


Общая оценка свойств полученной математической модели и возможностей ее использования для достижения поставленной цени

Из вышеприведенных расчетов и проверок можно сделать вывод, что данная математическая модель является адекватной для ее использования в поставленных задачах.


Литература


Рядченко С.Г. Устойчивые методы оценивания статистических моделей. Монография. – К.: ПП "Санспарель", 2005. – 504 с.

Большов Л.Н., Смирнов Н.В. Таблицы математической статистики


Приложения


Значение критерия Кохрена G1-q для q = 0,05. Все значения G1-q меньше единицы, поэтому в таблице приведены лишь знаки, следующие после запятой.


Значения критерия Стьюдента (t - критерия)



Значения критерия Фишера F1-q для q = 0,05