Построение - регрессионная модель
Cтраница 1
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. [1]
Для построения регрессионных моделей и для прогнозирования исследуемых показателей в пакете используются следующие методы: регрессии; Брандона; группового учета аргументов; прогноза с помощью автокорреляционной функции; полиномов Чебышева; гармонических весов; адаптационного прогнозирования. [2]
Основой построения регрессионной модели является метод наименьших квадратов. [3]
Метод построения регрессионной модели наиболее эффективен при поиске диагностического признака, однозначно связанного с одним из параметров технического состояния. [4]
 |
График остатков модели. [5] |
При построении регрессионной модели, как правило, анализируют аномальные точки ( Influential Points и Unusual Residuals) и выясняют причины их возникновения. [6]
При построении регрессионных моделей для коэффициента нефтеотдачи обычно часть регрессоров можно рассматривать как случайные величины и поэтому целесообразно обсуждать смешанную модель, так как остальные регрессоры являются обычными переменными ошибками, измерениями которых можно пренебречь. [7]
Основные этапы построения регрессионных моделей те же, что и в аналитической группировке, хотя и отличаются по своему содержанию. [8]
Применительно к построению регрессионных моделей это означает, что, пользуясь данными, по которым построена модель, нельзя найти лучшую, единственную модель. Поэтому исходная выборка разбивается на две части: обучающую и проверочную. По обучающей последовательности строится модель, а по точкам проверочной последовательности определяется внешний критерий регуляризации. [9]
Таким образом, построение регрессионных моделей с помощью получивших широкое развитие методов планирования экспериментов является одним из возможных и перспективных способов исследования проблемы комбинированного действия стрессоров. Однако это направление далеко не универсально и имеет свои принципиальные ограничения. Во-первых, даже при небольшом числе факторов необходимость учитывать временную структуру взаимодействия уже в достаточно тривиальных ситуациях настолько увеличивает размерность задачи, что делает ее трудной для решения даже с помощью современных ЭВМ. Во-вторых, число экспериментов, необходимых для построения поверхности отклика с надлежащей точностью ( особенно при поиске экстремальных точек этой поверхности), часто превышает возможности биомедицинских исследований. Не всегда удается соблюсти исходные предпосылки, на которых основана методика многомерного регрессионного анализа ( например, измерение без ошибок независимых переменных), а практика показала, что многомерный регрессионный анализ очень чувствителен к подобным нарушениям и при их наличии редко удается получить сколько-нибудь содержательные результаты. Наконец, статистические модели в основном описывают связь между воздействием и конечным эффектом, часто не вскрывая полностью каузального механизма и динамики взаимодействия стрессоров и биологической системы. [10]
В [94] для построения полиномиальной регрессионной модели служит программа POLGR, использующая программы QDATA для вычисления степеней независимой переменной - координат вектора z, их выборочных средних, сумм квадратов, сумм произведений, и коэффициентов корреляции, MINV для обращения корреляционной матрицы и MULTR для непосредственного построения модели. [11]
После реализации композиционного плана построение регрессионной модели осуществляется в той же последовательности, что и рассмотренное выше построение линейной регрессионной модели. Но поскольку система нормальных уравнений в этом случае не распадается на самостоятельные уравнения, то решение этой системы осуществляется на ЭВМ. Исходные уравнения регрессии при этом удобно представить в матричной форме. [12]
Дается обзор современных методов построения регрессионных моделей и краткое описание программ реализации их на ЭВМ. [13]
При всей отработанности методологии построения регрессионных моделей технологических процессов с непрерывном характером производства и наличии эффективных ( сегодня уже стандартных) процедур и алгоритмов ее реализации, практическое воплощение этих идей наталкивается на фактически непреодолимые в условиях действующего производства, препятствия. [14]
Какие особенности возникают при построении регрессионных моделей по сгруппированным данным. [15]
Страницы: 1 2 3 4