Архитектура Аудит Военная наука Иностранные языки Медицина Металлургия Метрология Образование Политология Производство Психология Стандартизация Технологии |
Задача регрессии. Метод наименьших квадратов.Стр 1 из 2Следующая ⇒
Ищем функцию регрессии в виде (1.1). Оценки коэффициентов находим с помощью МНК, при этом наименьшими будут оценки, обеспечивающие минимум квадратов отклонений оценочной функции регрессии от экспериментальных значений температуры; суммирование ведут по всем экспериментальным точкам, т.е. минимум величины S: (2.1) В нашем случае необходимым т достаточным условием минимума S будут: Где k = 0, 1, 2. (2, 2)
Из уравнений (2.1) и (2.2) получаем: (2.3) Сумма Система (2.3) примет вид: (2.4) В результате вычислений получаем Sk и Vj. Обозначим матрицу коэффициентов уравнения (2.4) через “p”: Методом Гаусса решаем систему (2.4) и найдём обратную матрицу p-1. В результате получаем: Подставляя в (2.1) найденные значения оценок коэффициентов ак, находим минимальное значение суммы S: Smin=0.7597 При построении доверительных интервалов для оценок коэффициентов определяем предварительно точечные оценки. Предполагается, что экспериментальные значения xi измерены с пренебрежимо малыми ошибками, а случайные ошибки измерения величины Ui независимы и распределены по нормальному закону с постоянной дисперсией s2, которая неизвестна. Для имеющихся измерений температуры Ui неизвестная дисперсия оценивается по формуле: Где r – число степеней свободы системы, равное разности между количеством экспериментальных точек и количеством вычисляемых оценок коэффициентов, т.е. r = 3. Оценка корреляционной матрицы имеет вид:
Оценки дисперсий параметров оценок коэффициентов найдём по формулам: Где Sk – минор соответствующего диагонального элемента матрицы нормальной системы; D - главный определитель нормальной системы. В нашем случае: S0=3.5438 10-22 S1=-8.9667 10-14 S2=6.3247 10-7 Откуда: Найденные оценки коэффициентов распределены по нормальному закону, т.к. линейно зависят от линейно распределённых экспериментальных данных Ui. Известно, что эти оценки несмещённые и эффективные. Тогда случайные величины: Имеют распределения Стьюдента, а r = 3. Выбираем доверительную вероятность b=0, 9 и по таблице Стьюдента находим критическое значение gb равное 2, 35, удовлетворяющее равенству: Доверительные интервалы для коэффициентов: (2.4*) В нашем случае примут вид:
Проверка статистической гипотезы об адекватности модели задачи регрессии.
Имеется выборка объёма n экспериментальных значений (xi; Ui). Предполагаем, что ошибки измерения xi пренебрежимо малы, а случайные ошибки измерения температур Ui подчинены нормальному закону с постоянной дисперсией s2. Мы выбрали функцию регрессии в виде: Выясним, нельзя ли было ограничиться многочленом второго порядка, т.е. функцией вида: (2.5) C помощью МНК можно найти оценки этих функций и несмещённый оценки дисперсии отдельного измерения Ui для этих случаев: Где r1 = 4 (количество точек – 6, параметра – 2). Нормальная система уравнений для определения новых оценок коэффициентов функции (2.5)с помощью МНК имеет вид: (2.7) Решая эту систему методом Гаусса, получим: (2.8) Чем лучше функция регрессии описывает эксперимент, тем меньше для неё должна быть оценка дисперсии отдельного измерения Ui, т.к. при плохом выборе функции в дисперсию войдут связанные с этим выбором дополнительные погрешности. Поэтому для того, чтобы сделать выбор между функциями U(x) и U(1)(x) нужно проверить значимость различия между соответствующими оценками дисперсии, т.е. проверить гипотезу: Н0 – альтернативная гипотеза
Т.е. проверить, значимо ли уменьшение дисперсии при увеличении степени многочлена. В качестве статического критерия рассмотрим случайную величину, равную: (2.9) имеющую распределение Фишера с(r; r1) степенями свободы. Выбираем уровень распределения Фишера, находим критическое значение F*a, удовлетворяющее равенству: p(F> F*a)=a В нашем случае F=349.02, а F*a=10, 13. Если бы выполнилось практически невозможное соотношение F> Fa, имевшее вероятность 0, 01, то гипотезу Н0 пришлось бы отклонить. Но в нашем случае можно ограничиться многочленом , коэффициенты в котором неодинаковы.
|
Последнее изменение этой страницы: 2019-10-04; Просмотров: 147; Нарушение авторского права страницы