- •4 Обработка данных методами регрессионного анализа
- •4.1 Теоретическое введение
- •4.1.1 Оценка коэффициентов регрессии
- •4.1.2 Построение доверительных интервалов для коэффициентов регрессии
- •4.1.3 Проверка гипотезы об адекватности регрессионной модели
- •4.2 Содержание типового расчета
- •4.3 Пример выполнения типового расчета
- •4.3.1 Первичная обработка результатов экспериментов
- •4.3.2 Подготовка данных для расчета моделей регрессии. Построение ортогональных многочленов
- •4.3.3 Расчет линейной и квадратичной регрессионных моделей
- •4.3.4 Графический анализ результатов расчета
- •4.3.5 Проверка адекватности регрессионных моделей и принятие решения о выборе модели регрессии
- •4.3.6 Построение доверительных интервалов
- •4.3.7 Выводы по результатам типового расчета
- •Литература
- •5 Обработка данных методами линейного корреляционного анализа
- •5.1 Теоретическое введение
- •5.1.1 Двумерный случайный вектор. Линейная корреляция
- •5.2 Содержание типового расчета
- •5.3 Порядок выполнения типового расчета. Примеры
- •5.4 Оформление отчета
- •Литература
4.3.4 Графический анализ результатов расчета
Для графического анализа результатов расчета необходимо построить графики отклонений линейной и квадратичной моделей регрессии от экспериментальных данных, т.е. от средних .
Задача 4. Сделать графический анализ полученных в задаче 3 результатов расчетов. Решение. На рис. 1а представлен график отклонений ΔYлин, построенный на основании данных табл. 4. Рис. 1а наглядно демонстрирует не только непригодность линейной модели, что следует из больших значений отклонений ΔYлин, доходящих до ±2 при ошибках эксперимента порядка 0,2 – 0,3, но и целесообразность расчета квадратичной модели, так как расположение точек полученного графика напоминает график квадратичной зависимости – параболу.
а) б) Рис. 1. График отклонения экспериментальных данных от линейной модели (а); от квадратичной модели (б)
На рис. 1б представлен график отклонений ΔYкв, построенный на основании данных по той же табл. 4, но в другом масштабе с увеличением в 10 раз. На рис. 1б видно, что отклонения от параболы, т.е. |ΔYкв|, малы (имеют порядок, не превышающий порядок ошибок эксперимента); это свидетельствует о соответствии квадратичной модели регрессии результатам эксперимента. Выяснение соответствия модели регрессии экспериментальным данным аналитически статистическими методами проводится на следующем – V этапе расчета. В том случае, когда отклонения экспериментальных точек от параболы оказываются все еще слишком большими, более детальный анализ рис. 1б позволяет выяснить, стоит ли подбирать многочлены третьей–четвертой степени, или стоит обратиться к регрессионным моделям других типов, либо следует подвергнуть сомнению некоторые результаты эксперимента и продолжить экспериментальное исследование. Надо также графически сравнить линейную и квадратичную модели с экспериментальными точками. На рис. 2 такое сравнение проведено для рассматриваемой задачи; оно показывает соответствие квадратичной модели экспериментальными данными.
Рис. 2. Сравнение линейной и квадратичной моделей с экспериментальными данными
4.3.5 Проверка адекватности регрессионных моделей и принятие решения о выборе модели регрессии
Проверить адекватность полученных линейной и квадратичной моделей регрессии. Уровень значимости α задает преподаватель. Проверка адекватности регрессионных моделей проводится путем сравнения дисперсий адекватности со сводной оценкой дисперсии. Сводная оценка дисперсии S2свподсчитывается на первом этапе первичной обработки данных. Дисперсии адекватности линейной S2ад.лин и квадратичной S2ад.кв моделей вычисляются по формуле (4.17) с использованием сумм квадратов отклонений, рассчитываемых при построении каждой из моделей регрессии. Суммы квадратов отклонений можно найти с помощью программыREGRE.
Задача 5. На основании данных расчета, проведенного в задаче 3, проверить адекватность линейной и квадратичной моделей регрессии с уровнем значимости α = 0,05. Решение. Проверим адекватность линейной модели регрессии. В табл. 4 (см. задачу 3) находим для линейной модели ∑(ΔYлин)2W = 48,37; полагая kад = 5 – 2 = 3, вычисляем дисперсию адекватности S2ад.лин = 48,36/3 = 16,12; ее отношение к сводной оценке дисперсии S2св = 0,04167 составляет Fлин = S2ад.лин / S2св = 16,12/0,04167 = 387, что значительно превосходит табличное значение F0.95(3; 12) = 3,49; поэтому для рассматриваемого примера линейная модель отвергается, как противоречащая результатам эксперимента, с уровнем значимости α = 0,05, т.е. линейная модель неадекватна. Проверим адекватность квадратичной модели: ∑(ΔYкв)2W = 0,2308; kад = 5 – 3 = 2; , значение критерия Фишера для квадратичной модели составляет: Fкв = S2ад.кв / S2св = 0,1154 / 0,04167 = 2,77, что меньше табличного значения F0.95(2; 12) = 3,89; поэтому с уровнем значимости α = 0,05 квадратичная модель не противоречит результатам эксперимента и принимается, т.е. квадратичная модель адекватна. Заметим, что если бы и квадратичная модель оказалась неадекватной, то пришлось бы принимать решение о подборе других моделей или о продолжении эксперимента. В рамках данного типового расчета для соблюдения одинакового объема расчетов по различным вариантам такая работа не проводится, т.е. делается вывод о неадекватности обеих построенных моделей регрессии и на этом данный этап типового расчета заканчивается.