ЛЕКЦИЯ 7.
5.1. Нелинейный регрессионный анализ
В случаях, когда линейная модель оказывается неадекватной, или если известен априорно нелинейный характер взаимосвязи между управляемыми переменными и результатами функционирования системы, переходят на практике к нелинейному регрессионному анализу.
Пусть класс нелинейных функций, среди которых ищется уравнение регрессии - задан, т. е. уравнение имеет вид , где а - неизвестный вектор параметров.
Тогда в соответствии с МНК необходимо найти такие значения а, которые минимизировали бы взвешенную сумму квадратов отклонений между наблюдаемыми значениями выходной переменной и значениями, вычисленными по уравнению регрессии, т.е.
Здесь хi - точки наблюдений (экспериментов), - наблюдаемые значения. Очевидно, что число наблюдений должно быть не меньше числа определяемых параметров а i 1 = 1,...,k.
Поиск значений параметров а сводится к решению системы нелинейных уравнений вида
, I=1,…,k или иначе
, I=1,..,k
Решение данной системы представляет собой сложную задачу. Аналитическое решение может быть получено только в отдельных случаях. На практике для поиска вектора параметров а решается задача минимизация исходного выражения S с использованием традиционных численных методов оптимизации (например симплекс - метод). Кроме того могут использоваться и специально организованные процедуры поиска оценок параметров. Так, в работе [1] используется сочетание метода наискорейшего спуска с линериализацией исходной модели на каждом шаге поиска оценок ее коэффициентов.
|
|
После того, как параметры уравнения регрессии будут найдены, нужно проверить адекватность модели. Для этого можно использовать статистику вида , где характеризует отклонения результатов наблюдений от уравнения регрессии, характеризует ошибки наблюдения.
Если закон распределения ошибок нормальный, то величина и подчинена F-распределению с соответствующими числами степеней свободы числителя и знаменателя. Если при заданном уровне значимости а выполняется условие U<Uкр, то модель можно считать адекватной.
Для построения доверительных интервалов для параметров уравнения регрессии и функции отклика необходимо знание законов распределения их оценок. Если они не могут быть найдены теоретически, то можно использовать статистические методы построения аппроксимирующих кривых распределения типа Бутстреп - метода.
5.2. Полиномиальный регрессионный анализ
При проведении нелинейного регрессионного анализа особо следует оговорить случай, когда зависимость между переменными х и у описываются в виде полинома r - го порядка. Так. например, при одном контролируемом факторе это будет y= a 0+ a 1x+ a 2x2+...+аrхr.
|
|
При многофакторном полиномиальном регрессионном анализе, кроме отдельных факторов, уравнение регрессии включает в себя и все возможные произведения переменных общего порядка до г включительно. Так, для двухфакторного анализа 2-го порядка уравнение регрессии будет иметь вид
у = а 0 + a 1x1 + а 2х2 + а 12x12 + a 11x1x2 + а 22х22.
Особенностью этих моделей является то, что за счет замены переменных они могут быть сведены к моделям линейного регрессионного анализа. Так, в нашем случае заменой переменных z1=x1. z2=x2, z3=x12, z4=x1x2, z5=x22 и коэффициентов b0= а 0, b1= a 1, b2= а 2. b3= а 12, b4= а 11. b5= а 22 полиномиальная модель сводится к линейной модели вида y=b0+b1z1+...+b5z5.
Аналогично можно свести к линейной любую полиномиальную модель. Анализ этой -модели может быть осуществлен рассмотренными выше методами линейного регрессионного анализа. Следует заметить, что при определении коэффициентов регрессии и анализе уравнения вместо матрицы X в нормальном уравнении необходимо использовать матрицу F(x) Для рассмотренного выше примера элементы матрицы будут равны- f0(x)=1, f1(x)=x1. f2(х)=х2. f3(x)=x12, f4(х)=х1х2, f5(х)=х22. Сама матрица имеет вид
Анализ существенно упрощается, если оценки параметров модели некоррелированы, а это обеспечивается для линейных моделей ортогональными планами проведения эксперимента (матрица F ортогональная) Практическая реализация ортогональных планов эксперимента и анализ получаемых результатов связаны с проведением активного эксперимента, которым занимается теория планирования эксперимента.