Регрессивная модель

Cтраница 1

Регрессивные модели позволяют сравнивать уровень себестоимости добычи нефти отдельных предприятий со средним уровнем ( по району, отрасли), а также отдельных предприятий или группы предприятий между собой и определять расчетный уровень себестоимости добычи нефти. [1]

При построении регрессивной модели для целевой функции Y на начальном этапе следует учитывать как можно большее число факторов, влияющих на изменение Y. В этом случае получаются достаточно сложные модели, особенно при использовании нелинейных форм. Часто эти модели можно значительно упростить, если в них выявить те факторы, которые незначительно влияют на функцию отклика или один из двух, имеющих сильную корреляцию между собой, и эти факторы не включать в уравнение регрессии. [2]

В качестве примера в настоящем разделе рассмотрена пя-тифакторная регрессивная модель непрерывного окисления п-ксилола в проточном реакторе смещения, управляемыми параметрами которой являлись: температура в реакторе, С; концентрация Со-Мп - Вг-катализатора в исходной реакционной сме - си [ Скат, % ( масс.) ]; содержание / г-ксшюла в реакционной сме-си [ Ся Кс, % ( масс.) ]; удельная подача исходной смеси QHcx. [3]

В исследовании электропотребления в первую очередь, используются линейные регрессивные модели, так как они наиболее просты, обладают относительно малой трудоемкостью в описании и достаточно глубоко изучены. И только в случаях, когда такие модели неадекватно отображают исследуемое явление, могут быть применены более сложные модели. [4]

При автоматическом и диалоговом режимах автоматизируется выполнение трех основных функций памяти: предварительного анализа исходных данных; выбора метода вычисления параметров регрессивной модели; выбора метода статистической обработки полученных результатов. Управляющая программа обеспечивает оптимальную стратегию перебора алгоритмов обработки экспериментальной информации для синтеза адекватной регрессивной модели исследуемого процесса. [5]

Если же в рассматриваемой перспективе предусматривается изменение динамики развития производства ( фондо -, энерго -, машиновооруженности), то расчеты Лбаз следует проводить с использованием многофакторной регрессивной модели. [6]

Несмотря на определенную успешность этих регрессионных зависимостей, они обладают существенными недостатками, значительно снижающими эффективность их применения. Невысокая способность регрессивных моделей к прогнозированию связана с тем, что игнорируется такая важная особенность статистических расчетов, как адекватность модели некоторой однородной совокупности данных. Обычная же практика применения таких моделей для оценки нефтеотдачи этой однородности не учитывает. При этом подразумевается, что чем больше исходных данных по залежам задействовано для построения модели, тем результаты, получаемые на этой модели, более точны и надежны. [7]

Обеспечение сопоставимости при различиях в структуре производственной программы. [8]

В настоящее время все чаще предпринимаются попытки использования экономико-статистических методов, в частности, корреляционного и регрессионного анализа для обеспечения сопоставимости. Не переоценивая роли регрессивных моделей, следует признать их важным методом обеспечения сопоставимости. Дальнейший шаг вперед в этом направлении может быть связан с применением многомерного анализа. [9]

При неизменной численности работающих на предприятии и прочих равных условиях динамика производительности труда ( выработки продукции на одного работающего) и динамика объема продукции аналогичны, поэтому для определения объема продукции, планируемого к выпуску в базовом периоде ( Лбаз), необходимо провести прогнозирование одного из этих показателей. Для этих целей на основании ретроспективного анализа строится регрессивная модель изменения показателя. При выполнении расчетов по конкретному предприятию рекомендуется применять однофакторное моделирование. [10]

Экономико-математические модели включают однофакторную и многофакторную корреляции, а также более сложные комплексные эконометрические модели. При этом требуется дополнительный анализ для выбора экзогенных показателей, подлежащих включению в регрессивные модели. [12]

Однако прогноз по зависимостям (5.31) и (5.32) не всегда можно осуществить, так как решение с помощью динамических ( временных) функций получается чрезвычайно сложным. Поэтому на практике часто прибегают к решениям дискретного вида, используя статистический синтез регрессивных моделей. [13]

Другая проблема состоит в том, как определить сниженный вес при рождении. Часто в исследованиях низкий вес при рождении определяется как дихотомная переменная, менее 2500 г. Воздействие, однако, должно быть очень мощным, чтобы вызвать сильное снижение веса младенца. Вес при рождении, определенный как долго меняющаяся переменная и проанализированный во множественной регрессивной модели, более чувствителен при выявлении тонких эффектов. Относительная малочисленность значимых результатов в литературе в связи с профессиональными воздействиями и гипотрофией новорожденных, частично может быть вызвана игнорированием данных исследований и проведенного анализа. [14]

Тетраэдр ( правильный трехмерный симплекс. [15]

Страницы: 1 2