Вычисление - коэффициент - регрессия
Cтраница 2
Матричная алгебра может быть использована для решения систем уравнений, и именно это свойство позволяет применить ее в вычислении коэффициентов регрессии по методу наименьших квадратов. [16]
В пассивном эксперименте линейная зависимость между столбцами практически исключается, так как факторы неуправляемы и принимают случайные значения в разных опытах, но может наблюдаться сильная коррелированность столбцов, что повлечет за собой большие ошибки вычисления коэффициентов регрессии. Для выявления коррелированности столбцов проводят корреляционный анализ результатов пассивного эксперимента. [17]
Таким образом статистический анализ подтверждает наличие связи между внутриглазным давлением и реогра-фическим коэффициентом при простой и застойных формах глаукомы. Представление о степени зависимости реографического коэффициента от внутриглазного давления при каждой форме глаукомы дает вычисление коэффициента регрессии. [19]
Для удобства обозначений условимся в случае равенства всех п ( писать rcconstn, а номер единственного опыта, который дублируется, не нарушая общности, будем считать первым. В табл. 10.6 также указаны формулы для случая, когда дисперсия, характеризующая ошибку опыта, находится из независимой серии опытов, результаты которой не используются при вычислении коэффициентов регрессии. [20]
При малых объемах выборки п увеличение порядка полинома может привести к росту остаточной дисперсии. Чтобы уменьшить число определяемых коэффициентов, используют трансцендентную регрессию. Вычисление коэффициентов трансцендентной регрессии может оказаться весьма трудоемким вследствие необходимости решать систему нелинейных уравнений. Вычисление упрощается, если провести замену переменных. [21]
При малых объемах выборки N увеличение порядка полинома может привести к росту остаточной дисперсии. Чтобы уменьшить число неопределенных коэффициентов, используют трансцендентную регрессию. Вычисление коэффициентов трансцендентной регрессии может оказаться весьма трудоемким вследствие необходимости решать систему нелинейных уравнений. Вычисление упрощается, если провести замену переменных. [22]
При малых объемах выборки N увеличение порядка полинома может привести к росту остаточной дисперсии. Для того чтобы уменьшить число неопределенных коэффициентов, используют трансцендентную регрессию. Вычисление коэффициентов трансцендентной регрессии может оказаться весьма трудоемким вследствие необходимости решать систему нелинейных уравнений. Вычисление упрощается, если провести замену переменных. [23]
При малых объемах выборки п увеличение порядка полинома может привести к росту остаточной дисперсии. Чтобы уменьшить число определяемых коэффициентов, используют трансцендентную, регрессию. Вычисление коэффициентов трансцендентной регрессии может оказаться весьма трудоемким вследствие необходимости решать систему нелинейных уравнений. Вычисление упрощается, если провести замену переменных. [24]
При малых объемах выборки N увеличение порядка полинома может привести к росту остаточной дисперсии. Для того чтобы уменьшить число неопределенных коэффициентов, используют трансцендентную регрессию. Вычисление коэффициентов трансцендентной регрессии может оказаться весьма трудоемким вследствие необходимости решать систему нелинейных уравнений. Вычисление упрощается, если провести замену переменных. [25]
Следовательно, параметры х, х могут быть не самыми значимыми. Для оценки наиболее существенных или значимых параметров используют последовательное исключение незначимых параметров. Эта процедура реализована совместно с программой вычисления коэффициентов регрессии. В результате проверки из первоначальной модели (10.60) последовательно были исключены х, х xg, х хп, х х9, т.е. часть параметров, характеризующих составляющие компонентов перекачиваемого продукта. [26]
Изложенный метод оценки обусловленности системы предполагает линейность либо возможность легкой линеаризации модели. Если же линеаризация приводит к большим ошибкам, то предпочтительнее для оценки параметров использовать поисковые методы минимизации функции нескольких переменных. При этом в процессе поиска получается обширная информация о поверхности критерия оценки, которую можно использовать для непосредственного вычисления матриц корреляции параметров. Так, в работе [12] предлагается поисковый метод, основанный на вычислении коэффициентов регрессии оцениваемых параметров. [27]
Страницы: 1 2