Cтраница 2
Методы, основанные на примерах ( так же, как и нелинейная регрессия), зачастую являются ассимптотически мощными по приблизительным характеристикам, но в то же время, бывает трудно интерпретировать результаты, поскольку сама модель скрыта в наборах данных. [16]
В этом смысле изучаемая задача аналогична задаче планирования эксперимента по оцениванию параметров нелинейной регрессии, а оптимальная плотность (2.4) соответствует локально оптимальному плану. [17]
Трудности в применении общих методов решения задачи идентификации нелинейных объектов, характеризующихся нелинейной регрессией и гетероскедастичной корреляцией входных и выходных сигналов, приводят к необходимости использования упрощенных методик. По полученным данным для каждого из указанных участков определяют общие характеристики случайной функции ( или двух случайных функций) при данных двух значениях аргументов. [18]
Для нахождения коэффициентов Atи ( разработаны программы на ПЭВМ, реализующая вышеописанный метод нелинейной регрессии. [19]
Методы вычисления для проверки соответствия нелинейных моделирующих уравнений экспериментальным данным, называемые анализом нелинейной регрессии, трудоемки, длительны и не всегда приводят к сходимости результатов. [20]
Поэтому целесообразно использовать последовательные планы, которые ( так же как и планы для нелинейной регрессии) можно строить с помощью двух различных стратегий. [21]
Если / факт / табл, то различия между рассматриваемыми показателями корреляции существенны и замена нелинейной регрессии уравнением линейной функции невозможна. Практически если величина t 2, то различия между R и г несущественны, и, следовательно, возможно применение линейной регрессии, даже если есть предположения о некоторой нелинейности рассматриваемых соотношений признаков фактора и результата. [22]
Если / факт / табл, то различия между рассматриваемыми показателями корреляции существенны и замена нелинейной регрессии уравнением линейной функции невозможна. Практически если величина t 2, то различия между R и гух несущественны, и, следовательно, возможно применение линейной регрессии, даже если есть предположения о некоторой нелинейности рассматриваемых соотношений признаков фактора и результата. [23]
Для нахождения коэффициентов Л и С, разработаны программы на ПЭВМ, реализующая вышеописанный метод нелинейной регрессии. [24]
В случае, если гипотеза о линейности не подтверждается, обрабатывать экспериментальные данные можно методами нелинейной регрессии. Здесь возможны два подхода. [25]
Таким образом, задача сводится к определению числовых значений коэффициентов К; и определению количества членов нелинейной регрессии. Такая задача решается методами математической статистики. [26]
Эффективность критериев [ модель помехи W ( ms, AA. ]. [27] |
Рассмотренные выше методы могут быть распространены на случаи нахождения грубых ошибок в данных, аппроксимированных уравнениями линейной или нелинейной регрессии. Идентификация аномальных ошибок производится на основе анализа остатков ( невязок) А. Аномальная ошибка имеет место, если при исходном нормальном распределении помех статистика Tt А; / / г - 1 больше га / 2, где га / з - верхняя граница [ ( 1 - а) / 2-квантиль ] стандартного нормального распределения, о -; - диагональные элементы ковариационной матрицы V остатков А. [28]
Более сложные случаи регрессионного анализа, такие, как линейная регрессия с двумя и большим числом независимых переменных и нелинейная регрессия, встречаются в аналитической химии сравнительно редко и здесь рассматриваться не будут. [29]
При изучении вопроса статистической оценки взаимосвязанных источников доказательств обычно используют три статистические модели [78]: линейную множественную регрессию; нелинейную регрессию; условные вероятности. [30]