Регрессионная модель
Cтраница 2
Если регрессионная модель (7.2) принадлежит к классу некорректно поставленных задач, то информационная матрица Фишера либо вырождена, либо плохо обусловлена, и поэтому даже оптимальная МНК-оценка либо не существует, либо дает слишком большое значение погрешности оценки. [16]
Поэтому корреляционные и регрессионные модели целесообразно использовать в тех случаях, когда нет информации о влиянии непосредственных причин на рост эффективности или когда ставится цель изучить влияние на эффективность производства не непосредственных причин ее роста, а причин этих причин ( например, науки, социальных условий) либо следствий этих причин. [17]
Использование регрессионной модели для прогнозирования состоит в подстановке в уравнение регрессии ожидаемых значений факторных признаков для расчета точечного прогноза результативного признака или ( и) его доверительного интервала с заданной вероятностью, как уже сказано в 8.2. Сформулированные там же ограничения прогнозирования по уравнению регрессии сохраняют свое значение и для многофакторных моделей. Кроме того, необходимо соблюдать системность между подставляемыми в модель значениями факторных признаков. [18]
Адекватность регрессионной модели еще не гарантирует ее пригодность к практическому использованию в задачах прогнозирования и поиска оптимальных решений. Модель может оказаться неработоспособной из-за низкой ее точности. Для проверки работоспособности модели используют коэффициент детерминации, представляющий собой числовую интегральную характеристику точности уравнения регрессии. [19]
Построение регрессионной модели для прогнозирования объема элек-тродотребдеяия сводится к подбору эмпирической формулы, которая наилучшим образом отрахает характер связи мехду результативным показателем и факторами, влияющими на него. [20]
Коэффициенты регрессионных моделей определяются по обучающей последовательности. [21]
Достоинства регрессионных моделей при испытаниях ЖРД можно полностью реализовать на практике обычно в тех случаях, когда для исследуемого процесса удается получить адекватное уравнение не выше второго порядка. Это объясняется тем, что для расчета коэффициентов уравнения регрессии при использовании планов третьего и более высоких порядков надо очень много экспериментов. Например, план полного факторного эксперимента третьего порядка при трех факторах состоит из 64 экспериментов. Поэтому реально использование подобных уравнений при числе факторов не более трех - четырех. [22]
Использование регрессионной модели для прогнозирования состоит в подстановке в уравнение регрессии ожидаемых значений факторных признаков для расчета точечного прогноза результативного признака или ( и) его доверительного интервала с заданной вероятностью, как уже сказано в 8.2. Сформулированные там же ограничения прогнозирования по уравнению регрессии сохраняют свое значение и для многофакторных моделей. Кроме того, необходимо соблюдать системность между подставляемыми в модель значениями факторных признаков. [23]
 |
Измерение мощности механических потерь Nun и механического к, п. д. т ] м двигателя ВАЗ-2101 в зависимости от частоты вращения коленчатого вала пе и наработки. [24] |
Получение регрессионных моделей ( 34) для двигателей с различной наработкой позволяет аналитически описать изменение характеристик состояния ( / ( х) от наработки двигателей L в период их нормальной эксплуатации. [25]
В регрессионной модели систематические ошибки вызваны неточным выбором уравнения регрессии. В реальных социально-экономических совокупностях линия регрессии, формирующаяся под влиянием множества взаимосвязанных факторов, имеет очень сложную структуру, и ее нельзя точно описать с помощью тех сравнительно простых функций, которые обычно применяются в статистике. Этот вид систематических ошибок имеет место всегда, важно, однако, выбрать форму уравнения регрессии так, чтобы систематические ошибки были небольшими и не могли существенно повлиять на результаты анализа. [26]
Анализ регрессионных моделей показал, что в исследованных диапазонах изменения параметров ДГ, FH и FOXJI наибольшее влияние на свойства получаемых ультрадисперсных металлических порошков ( d и Зуд) оказывает температура процесса пиролиза фор-миатов, вернее, температурный интервал циклирования ДГ. Из двух скоростей - нагрева и охлаждения - наиболее важной является скорость охлаждения. [27]
Параметры регрессионной модели рассчитываются по стандартным формулам метода наименьших квадратов. [28]
Степень регрессионной модели определяется с помощью критерия Фишера. [29]
Применение регрессионных моделей эффективно также при определении граничных условий в задачах численного интегрирования. [30]
Страницы: 1 2 3 4