Cтраница 2
Однако в тех случаях, когда среди регрессоров временного ряда присутствуют переменные, значения которых сами образуют временной ряд, предположение об их детерминированности неправомерно. [16]
Мы рассмотрим две наиболее часто встречающиеся причины коррелированности регрессоров и ошибок регрессии. [17]
Зависимость величин остатков регрессии от регрессоров и отклика. [18] |
В этом случае сначала рассматривается максимально полный набор регрессоров, а затем производится их последовательное удаление, начиная с тех, которые не обладают способностями предсказания. [19]
Одной из причин автокорреляции ошибок регрессии является наличие скрытых регрессоров, влияние которых в результате проявляется через случайный член. Выявление этих скрытых регрессоров часто позволяет получить регрессионную модель без автокорреляции. [20]
Очевидно, в модели (8.53) имеет место коррелированность регрессора Y - со случайным членом. [21]
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. [22]
При рассмотрении конкретных регрессионных моделей временных рядов с коррелированностью регрессоров и ошибок приходится сталкиваться довольно часто. Мы рассмотрим примеры таких моделей в настоящей главе, а пока приведем наиболее часто используемый прием, применяемый в подобных случаях, - метод инструментальных переменных. [23]
В этой процедуре выделенные на предыдущих шагах наилучшие подмножества регрессоров не включаются автоматически в последующую комбинацию, а находятся из условия обращения в максимум или минимум определенной статистики, соответствующей принятому критерию, последовательным полным перебором всех возможных вариантов сочетаний признаков. [25]
Будем здесь считать для простоты, что имеется лишь один регрессор X, рассматриваемый как случайная величина. [26]
Это будет процедура, которая в начале работы использует полный перебор регрессоров или шаговый метод для определения так называемого ядра информативности, а затем экономичную жесткую процедуру. [27]
Схема получения множества экспериментальных данных. [28] |
В случае использования нейросетевых моделей значительную роль играет не только выбор регрессора, но и задание внутренней структуры НС - числа скрытых слоев и количества нейронов в каждом скрытом слое. [29]
При структурно-параметрической идентификации параметров уравнений ( 13) значения YM рассматриваются как обычные регрессоры. [30]