Построение параметрической регрессионной модели

Будем аппроксимировать (приближено описывать) М_х(Y) некоторой заранее выбранной непрерывной функцией с параметрами

                                                          (1.7)

Пусть неизвестный вектор параметров  находится (оценивается) каким-либо методом, например методом наименьших квадратов (МНК) [5].

Вид функции (·) выбирается заранее, а еще лучше подбирается с учетом имеющихся наблюдений с использованием «Мастера диаграмм» в программной среде Excel.

Пример:

Здесь подходящей аппроксимирующей функцией является парабола:

                                           (1.8)

Подставляя уравнение (1.7) в уравнение (1.5) получаем конкретное уравнение регрессии (параметрическую модель):

                                                                                                     (1.9)

где е – случайные ошибки аппроксимации (остатки), которые включают в себя как ошибки аппроксимации (неточного описания), так и случайные возмущения данных, в частности вызванные неучтенными в модели регрессорами.

В i – ом наблюдении

– расчетное значение по уравнению регрессии, а y _i – наблюдаемое значение для Y.

Параметрическая регрессионная модель (1.9) описывает усредненную зависимость Y от  в некотором коридоре своего случайного разброса (рис.1.4.). Другими словами – линия регрессии – это средняя линия трубки в случае одной переменной. В случае многих независимых переменных описывает серединную поверхность. Ее называют «поверхность отклика» (реакции объекта на воздействие ):  – следствие;  – причина (воздействие на объект).