Регрессор

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]

Максимальная ( а и главная ( б комбинации информатив-891 42 ных признаков при сравнении данных опробования эльджуртин-ского гранита Тырныауза с поверхности и в скважине с помощью критерия 2J0 Кульбака. [24]

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]

Страницы: 1 2 3 4