3.3.1.Уравнение наблюдений в матричной форме
Запишем наблюдения в каждой точке i с учетом (3.1):
(3.4)
Введем в рассмотрение матрицу плана наблюдений или матрицу базисных функций (не путать с вектором ).
(3.5)
Тогда при условии линейного вхождения вектора параметров в модель, получим:
(3.6)
Справедливость уравнения (3.6) проверяется переводом уравнения (3.6) в скалярную форму по правилу умножения матрицы X на вектор .
В уравнении наблюдений (3.6)
= (b 0 ,b 1 ,….,b j ,….b n) - n – мерный вектор оцениваемых параметров;
= (e0,e1,….,ej,….en); - N – мерный вектор остатков;
= (y 0 ,y 1 ,….,y j ,….y n); - N – мерный вектор наблюдений.
Замечание: Если структура модели нелинейна по , т.е. входит в базисную функцию, то записать уравнение (3.6) невозможно и классический метод наименьших квадратов непримерим.
|
|
3.3.2.Нормальные уравнения регрессии и формула для параметров уравнения
Используем известную формулу из матричной алгебры:
(3.7)
Тогда, опуская стрелки с учетом того, что получаем:
(3.8)
(3.9)
Система нормальных уравнений запишется в виде:
(3.10)
где (X T X) – матрица нормальных уравнений.
Пусть обратная матрица (X T X)-1 существует (она называется информационной матрицей Фишера). Тогда получим явную матричную формулу для оценки коэффициентов (параметров) уравнения регрессии:
Если det(X T X)-1=0, то матрица нормальных уравнений необратима и вычислить вектор параметров нельзя.
Если det(X T X)-1¹0, но очень мал, то обращаемая матрица плохо обусловлена. Возникает вычислительные проблемы обращения матриц большей размерности.