Квадрат - коэффициент - корреляция
Cтраница 1
Квадрат коэффициента корреляции, называемый выборочным коэффициентом детерминации характеризует долю объясненной регрессией дисперсии в О бщей величине дисперсии зависимой переменной. [1]
Квадрат коэффициента корреляции называется коэффициентом детерминации. Он показывает, на сколько процентов вариация результативного показателя зависит от влияния избранных факторов. Вектор значений Фишера служит для оценки множественного коэффициента корреляции и уравнения регрессии в целом. Расчетные значения сравниваются с табличными. [2]
По своему аналитическому выражению коэффициент надежности ( или надежность) является квадратом коэффициента корреляции ( т.е. коэффициентом детерминации) результатов измерения с истинными результатами, а его квадратный корень ( т.е. коэффициент корреляции R) принято называть индексом надежности. [3]
При этом отмечалось, что когерентность имеет аналог в элементарной статистике - квадрат коэффициента корреляции. Теперь же заметим, что понятие когерентности обобщается на случай многих входов, причем возникают два других типа когерентности - множественная и частная; их аналогами служат квадрат множественного коэффициента корреляции и квадрат частного коэффициента корреляции. [4]
Возвращаясь к аналогии с классической статистикой, отметим, что передаточная функция соответствует регрессионному коэффициенту, а когерентность - квадрату коэффициента корреляции. [5]
X и К имеют всего по два значения, то значение показателя средней квадратической связанности совпадает с квадратом корреляционного отношения и квадратом коэффициента корреляции между этими величинами. [6]
Требуется, пользуясь этими данными, найти импульсную переходную функцию k ( t), удовлетворяющую тем или иным ограничениям и обеспечивающую максимум квадрата коэффициента корреляции между идеальным h ( t) и действительным v ( t) сигналами на выходе системы. [7]
Далее анализируются статистические характеристики модели ( 6), а именно: определяется дисперсия коэффициентов модели SS ( b0) и SSfii), дисперсия модели в целом SS ( у), а также квадрат коэффициента корреляции модели р я. Численные значения статистических параметров окончательно выбранных линейных моделей в плоскости преобразованных переменных свидетельствуют о правильном либо ошибочном преобразовании спектра. [8]
Отношение этой величины разброса, обусловливаемой нашим регрессионным уравнением, к общему наблюдаемому разбросу называется коэффициентом детерминации) и равно квадрату коэффициента корреляции. [9]
 |
Подобие зависимостей А, от полуугла раскрытая галок - границ структур 7 и 9. [10] |
Было обнаружено, что характеристики канонических спектров чувствуют наличие НС в целом, а характеристики псевдоспектров способны различать сходные структуры с различными параметрами ( степенями) асимметрии. Например, наличие только одной симметрии для структур /, 3 дает устойчивое значение индекса однородности /, 0 2ч - 0 5 для канонических и 2 2 для псевдоспектров. Для структур 1 - 10 ( см. табл. 2) зависимости модуля среднего индекса порядка по псевдоспектрам от параметра асимметрии хорошо аппроксимируются степенной функцией:) Д, ( а) ] Лсаг, аналогично рис. 10 а ( табл. 3), где также даются отношения с коэффициентовЛ, и ( З - коэффициен-тов В, № - квадрат коэффициента корреляции. [11]
Некоторые авторы предпочитают называть когерентностью положительные значения Уху ( /) квадратного корня введенной величины. Соотношения (9.7) - (9.9) очень полезно сопоставить с формулами для регрессии и корреляции, приведенными в гл. Нетрудно усмотреть, например, что передаточная функция Я ( /) является аналогом коэффициента регрессии р и что спектр мощности и кросс-спектр служат аналогами дисперсии и ковариации соответственно. Далее, когерентность является аналогом квадрата коэффициента корреляции. [12]
Обычно при построении математической модели любого характера приходится учитывать только основные, определяющие факторы и отбрасывать второстепенные. Естественно, что полученное математическое описание всегда беднее реального объекта и отражает только его основные закономерности, необходимые для решения конкретной задачи. Возникает необходимость в определении степени идентичности модели реальному объекту. Для количественной оценки степени идентичности модели объекту Н.С. Райбман [79] предложил дисперсионную меру определенности процесса, которая для случая линейной корреляционной модели равна квадрату коэффициента корреляции. Практическая полезность меры имеет два аспекта. Во-первых, она позволяет количественно определить влияние введенных в модель факторов на выходной параметр. [13]
Страницы: 1