Регрессионный анализ в Mathcad

 

При обработке экспериментальных данных в Mathcad с целью исследования их природы, возникает необходимость выразить зависимую переменную в виде некоторой математической функции от одной или нескольких независимых переменных. Данная зависимость получила название регрессионная модель или уравнение регрессии, а методы, позволяющие получить эту зависимость, принято называть методами регрессионного анализа в Mathcad. Методы регрессионного анализа позволяют: производить расчет различного вида регрессионных моделей; проверять гипотезу адекватности модели имеющимся наблюдениям; использовать модель для прогнозирования значений зависимой переменной при новых значениях независимой переменной. В Mathcad существует набор функций, позволяющих рассчитать различные регрессионные модели. В таблице представлены функции, используемые при создании регрессионных моделей.

Таблица 1 – Уравнения и функции регрессионных моделей

Наименование модели	Вид уравнения регрессии	Функция MathCad
Линейная		line(vx,vy)
Полиномиальная n -ой степени		p1:=regress(vx,vy,n) interp(p1,vx,vy,x)
Фрагменты полиномов 2-ой степени		p2:=loess(vx,vy,span) interp(p2,vx,vy,x)
Экспоненциальная		expfit(vx,vy,g)
Логистическая функция		lgsfit(vx,vy,g)
Синусоидальная		sinfit(vx,vy,g)
Степенная		pwfit(vx,vy,g)
Логарифмическая		logfit(vx,vy,g)
Логарифмическая короткая		lnfit(vx,vy,g)

 

Рассмотрим суть параметров, используемых в качестве аргументов в функциях. В каждой функции в Mathcad используются два вектора исходных данных, vx - вектор независимых переменных, vy - вектор зависимых переменных. Количество элементов вектора vx и vy должно быть одинаково. Функции regress и loess используются только совместно с функцией interp. Сами функции regress и loess вычисляют только вектор, требуемый функцией interp для определения самого полинома. В Mathcad параметр span функции loess определяет величину области, на которой строится конкретный фрагмент полинома 2-ой степени. Оптимальное значение span, предлагаемое справочной системой Mathcad, равно 0.75, но в каждом конкретном случае рекомендуется путем вариантных расчетов подобрать наилучшее значение span. Параметр g является вектором начальных приближений для неизвестных функции регрессии. После определения регрессионных зависимостей в Mathcad, актуальным является выбор из их совокупности наилучшей функции, с точки зрения адекватности описания исходных экспериментальных данных. В качестве критерия, позволяющего выбрать наилучшую регрессионную модель, предлагается использовать коэффициент детерминации, численно равный коэффициенту корреляции в квадрате. Значение коэффициента корреляции в Mathcad позволяет рассчитать функция corr(A,B), где A и B – два вектора значений.