Оценка - коэффициент - модель
Cтраница 1
Оценка коэффициентов модели по экспериментальным данным показывает, что для гидрофильных песчаников коэффициенты модели лежат в достаточно узком диапазоне. [1]
Оценки коэффициентов модели, полученной в результате регрессионного анализа, отражают характер связи переменных лишь в среднем по выборке, поэтому трудно ожидать, чтобы они привели к удовлетворительным краткосрочным прогнозам. [2]
Оценка коэффициентов моделей различных порядков по данным плана осуществляется методом наименьших квадратов. [3]
Ясно, что дисперсия оценок коэффициентов модели вызывает появление дисперсии предсказаний. [4]
Критерий минимизации средней дисперсии оценок коэффициентов модели ( или Л - критерий) эквивалентен требованию выбора такого плана эксперимента, при котором сумма диагональных элементов матрицы В-1 [ см. формулу (3.26) ], являющихся коэффициентами пропорциональности в формулах для дисперсий коэффициентов модели, была бы минимальной. [5]
Теорема 6.9.3. Если при оценке коэффициентов модели, содержащей по одному взаимодействию из каждого связанного множества, при помощи плана D окажется, что истинная модель имеет вид (6.9.1), то получаемая по формуле (6.9.8) оценка коэффициента, соответствующего взаимодействию S, будет смещенной. [6]
Из равенства (10.2.2) следует, что план [ т, v, Я ] приводит к получению оценок коэффициентов модели с равными дисперсиями и равными ковариациями. [7]
Пусть необходимо провести машинный эксперимент по исследованию характеристик Q-схемы ( вариант 3 из табл. 5.1), построить план эксперимента, описать модель планирования машинного эксперимента, получить оценки коэффициентов модели и провести планируемый имитационный эксперимент с моделью Q-схемы. В имитационном эксперименте необходимо оценить среднее время задержки в системе Т при минимальных затратах машинных ресурсов. [8]
 |
Зависимость глубины проплавления Н и высоты факела Яф от тока фокусировки / ф вблизи точки оптимального режима. [9] |
Установленные математиматические модели линейны относительно контролируемых параметров. Оценки коэффициентов моделей о0, аь Ь0, bi получены по программе линейного регрессионного анализа REGRAN. Дисперсионным анализом подтверждена адекватность полученных моделей процессу в выбранной области режимов сварки и материалов. [10]
Для таких объектов существует противоречие между необходимым объемом исходной информации и необходимой скоростью адаптации коэффициентов модели объекта. Чем больше интервал наблюдений, тем меньше влияют помехи на оценку коэффициентов модели, но тем хуже оценка коэффициентов модели при наличии так называемого тренда коэффициентов. [11]
Для таких объектов существует противоречие между необходимым объемом исходной информации и необходимой скоростью адаптации коэффициентов модели объекта. Чем больше интервал наблюдений, тем меньше влияют помехи на оценку коэффициентов модели, но тем хуже оценка коэффициентов модели при наличии так называемого тренда коэффициентов. [12]
В качестве математической модели процесса приняты регрессионные уравнения, связывающие выходные координаты процесса с режимными переменными, а также ограничения описанные выше. Предусматривается возможность работы системы в режиме максимизации прибыли. Уточнение оценок коэффициентов модели осуществляется методами текущего регрессионного анализа. [13]
Чтобы проиллюстрировать вторую точку зрения, рассмотрим ряд Е1 наблюдаемых ежеквартально данных о расходах на товары длительного пользования ( РТДП), приведенный на рис. За. Мы используем первые 56 точек для оценивания коэффициентов соответствующей модели. Способность предсказания этой модели будет оцениваться вычислением предсказаний на один шаг вперед для оставшихся 24 точек ( которые не были использованы для оценки коэффициентов модели) и среднеквадратической ошибки ( СКО) этих предсказаний. Дальнейшее увеличение порядка AR-модели приводит лишь к увеличению СКО. Этот пример наглядно показывает ограниченные возможности AR-моделей в адекватном представлении временных рядов, которые в действительности представляют собой ARMA-процессы. [14]
Теперь выясним, какими общими свойствами эти матрицы обладают независимо от числа факторов. Говоря о свойствах матриц, мы имеем в виду те из них, которые определяют качество модели. Ведь эксперимент и планируется для того, чтобы получить модель, обладающую некоторыми оптимальными свойствами. Это значит, что оценки коэффициентов модели должны быть наилучшими и что точность предсказания параметра оптимизации не должна зависеть от направления в факторном пространстве, ибо заранее неясно, куда предстоит двигаться в поисках оптимума. [15]
Страницы: 1 2