Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Довірчі інтервали та області для функції регресії ⇐ ПредыдущаяСтр 3 из 3
Нас цікавить довірчий інтервал і область для величин та для всього . 1). Довірча область для вектора значень функції регресії . Згідно (12) можна записати ліву частину у вигляді: . 2). Довірча область для . За властивістю 3) б): ~ . Тоді наступна статистика: ~ . За властивістю 4) б): ~ ~ Довірчий інтервал: .
Перевірка на адекватність Перевірка на адекватність здійснюється шляхом перевірки спільномірності оцінки , отриманої на базі основної вибірки, з оцінкою на базі спостережень з додаткової вибірки вимірів у фіксованій точці фазового простору. Випадки неадекватності: 1). або більше параметрів; 2). або менше параметрів. 1). Нехай модель істинна: , вибрана модель: . Не всі регресори включені. . Знаходимо оцінки : . Оцінка зміщена, тобто . - неслушна оцінка, - зміщена оцінка, тобто: . 2). Нехай в істинній моделі менше параметрів, ніж у вибраній, у якій є зайві. Тобто: істинна, а - вибрана. , . В цьому випадку: незміщена, і слушна оцінка. Оцінка - незміщена, . Ми втратили точності оцінки у вигляді: , Точність оцінки може збільшуватись. @ Лекція 13 Ми розглядали випадок, коли модель містить більше або менше регресорів, ніж ідеальна. Коли регресорів менше – оцінка втрачає слушність. При наявності ж зайвих регресорів, хоча оцінка залишається слушною, її точність втрачається. Розглянемо методи перевірки адекватності моделі. В нашому розпорядженні є оцінка Припустимо, що крім цього нам надається можливість отримати додаткову вибірку спостережень у фіксованій точці фазового простору. Тоді оцінка по цій додатковій вибірці , де . Один з методів перевірки адекватності полягає в перевірці такої гіпотези: : - незміщена розглянемо статистики: , – як відомо має розподіл з степенями свободи, аналогічно тоді Логічно вважати, що область прийняття буде . При чому, як правило, намагаються вибирати об’єми вибірки таким, що . Розглянемо тепер випадки, коли деякі з припущень моделі, яку ми розглядали не виконуються.
1. Випадок корельованих збурень Для нашої моделі (1) в класичному регресійному аналізі . Нехай тепер це не так, а , де – кореляційна матриця. Спробуємо і для цього випадку отримати оцінку з тими ж хорошими властивостями, як і в класичному випадку.
Помножимо на (1): , тоді, згідно властивості лінійного перетворення нормально розподілених випадкових величин , тобто тут помилки уже будуть незалежними. Наступний вектор матиме розподіл Ввівши позначення отримаємо нову модель (2) причому і тоді будуємо оцінку класичним методом найменших квадратів: (3) Цю оцінку називають Марківською. На неї розповсюджуються всі раніше сформульовані властивості, все прекрасно, але радіти рано: треба знати матрицю , а на практиці вона зазвичай невідома. Часто можна знайти лише деяке наближення до неї, а тоді наближене значення може бути дуже далеко від реального значення, а потім ще й до треба шукати обернену... L Марківська оцінка (3) має наступні властивості:
Марківську оцінку можна розглядати також як розв’язок наступної оптимізаційної задачі: Ця оцінка – це фактично один із прикладів, коли теорія – теорією, а практика – практикою.
2. Оцінки параметрів в умовах мультиколінеарності. Для в класичних припущеннях ми вважали, що , тобто повний по стовпчиках ( – розмірність ). Знімемо це припущення. Нехай , . Тоді, як результат, отримаємо, що класична оцінка просто не існує, оскільки матриця буде виродженою. Фактично це означає, що оцінка методом найменших квадратів буде не єдиною, і можна вибрати ту, яка найкраща для нас. Нехай : (4) В цьому випадку кажуть, що ми знаходимось в умовах строгої мультиколінеарності. Якщо ж умова (4) виконується тільки приблизно, то кажуть, що ми знаходимось в умовах мультиколінеарності. Проаналізуємо ці випадки:
Є різні підходи до розв’язання цієї проблеми. Викладемо такий:
Гребеневі оцінки (ridge-оцінки). Їх запропонував Херл в 1962р. Ідея проста: вводимо параметр і збурюємо : , де , але досить мале. (5) Введення цього зміщення відсуне і результат, але матриця вже не буде погано обумовленою. Виявилось також, що при деякому ця оцінка буде мати навіть кращі властивості, ніж класична, а саме, – меншу середньоквадратичну помилку.
Теорема. Для гребеневої оцінки виконуються наступні властивості:
Зауваження 1. інколи на практиці використовують модифіковану оцінку
, де – діагональна матриця, ; тоді
, ну а далі все прозоро:
Зауваження 2. Графік :
Бачимо, що існує таке, що ridge- оцінка буде мати середньоквадратичну похибку меншу ніж класична оцінка.
Зауваження 3.
Для знаходження такого будують так звані графіки гребеневих слідів: для кожної компоненти вектора будується і за беруть те найменше при якому відбувається стабілізація усіх графіків гребеневих слідів. Якщо ж стабілізації нема зовсім, то це означає, що ніякої мультиколінеарності взагалі немає, і можна використовувати класичну оцінку.
@Лекція 14 Нелінійний регресійний аналіз Моделі , (1), де - помилка моделі, поділяються на два підкласи: 1) Внутрішньо лінійні 2) Внутрішньо нелінійні
Внутрішньо лінійні – це моделі які шляхом перетворень зводяться до розв’язання деякої лінійної задачі
Приклад1. Нехай модель має вигляд: , де - скаляр Прологарифмуємо Введемо нові позначення: , , , Отримаємо модель: - лінійна відносно параметрів. Це можна використовувати лише у якості першого наближення. У випадку внутрішньо лінійних моделей як правило існують функції Оригінальна модель транспонується в наступну ,де , (2) З оцінки можемо за допомогою системи однозначно визначити оцінку
Внутрішньо нелінійні – це моделі для яких не існує шляхів зведення до лінійної моделі Для (1) шукається як розв’язок задачі: Цей функціонал нелінійний по бажано, щоб він був квадратичний.
Коваріаційний аналіз Треба побудувати модель залежності кількісної змінної від як від якісної так і від кількісної. Специфіка постановки задачі - вектор незалежних якісних змінних, - вектор кількісних змінних, - залежна скалярна кількісна змінна. На характеристику впливають як якісні так і кількісні змінні. Нехай - спостереження над . Тоді модель класичного коваріаційного аналізу має вигляд: , (3) та - помилки моделі. Перепишемо модель матричному вигляді: Позначимо: , , , , , Тоді модель: (4) Для знаходження оцінок параметрів моделі (4) використовується покроковий метод найменших квадратів.
Основні припущення для (4): 1) 2) стовпчики матриці не залежать від умов експерименту. 3) вважаємо, що лінійні обмеження враховані, тобто , (4’) 4) Немає обмежень на та . 1), 2), 3), 4) (4)
Для розв’язку задачі кореляційного аналізу, враховуючи структуру моделі (4) використовують покроковий метод найменших квадратів:
|
||||||
Последнее изменение этой страницы: 2016-08-01; просмотров: 352; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.141.100.120 (0.065 с.) |