- •Методология исследования, моделирования и совершенствования производственных процессов
- •Оглавление
- •Глава 1 Общие сведения о методологии научного познания……………….6
- •Глава 2 Моделирование как метод научного познания………………………11
- •Глава 3 Исследование взаимосвязи случайных величин…………….22
- •Глава 4 Способы экспериментальных исследований…………………88
- •Глава 5 Некоторые современные достижения интеллектуальных информационных систем и программных средств в области анализа связи величин
- •Введение
- •Глава 1. Общие сведения о методологии научного познания
- •3. Статистический.
- •7. Экспериментальный.
- •Глава 2 Моделирование как метод научного познания
- •2.1 Этапы построения, свойства, цели и классификация моделей
- •2.2 Концепции и инструменты оптимизации математических моделей
- •2.3 Принципы анализа математических моделей
- •Глава 3. Исследование взаимосвязи случайных величин
- •3.1 Основные представления о корреляционном, дисперсионном и регрессионном анализах
- •3.2 Корреляционный анализ
- •3.2.1 Обзор характеристик «тесноты» связи
- •3.2.2. Формулы расчёта основных характеристик связи
- •3.2.3. Области определения и способы оценки достоверности коэффициентов связи случайных величин
- •3.2.4 Методы корреляции порядковых (ординальных) и номинальных (категориальных) переменных
- •3.2.5 Функции и инструменты ms excel, предназначенные для расчёта коэффициентов ковариации, корреляции и детерминации
- •3.3 Дисперсионный анализ
- •3.3.1. Виды классического дисперсионного анализа
- •3.3.2. Инструменты программы ms excel, предназначенные для дисперсионного анализа
- •3.3.2.1. «Однофакторный дисперсионный анализ»
- •3.3.2.2. «Двухфакторный дисперсионный анализ без повторений»
- •3.3.2.3. «Двухфакторный дисперсионный анализ с повторениями»
- •3.3.3. Представление о ступенчатом дисперсионном анализе
- •3.4 К установлению математической модели связи случайных величин
- •3.4.1. Виды регрессионных моделей
- •3.4.2. Способы, принципы и признаки оптимизации регрессии
- •3.4.3 Опции программы ms excel, предназначенные для регрессионного анализа
- •3.4.3.1 Использование инструмента анализа «Регрессия»
- •3.4.3.2 Функции excel, связанные с инструментом «Регрессия»
- •3.4.3.3 Возможности использования графических опций программы ms excel для решения задач регрессионного анализа
- •Глава 4 Способы экспериментальных исследований
- •4.1 Пассивный эксперимент
- •4.1.1 Методы анализа результатов пассивного эксперимента
- •4.1.2. Информативность результатов пассивного производственного эксперимента
- •4.2 Планирование эксперимента и методы оптимизации параметров процесса
- •4.2.1 Методология планирования эксперимента
- •4.2.2 Полный факторный эксперимент
- •4.2.3 Дробный факторный эксперимент
- •4.2.4. Центральные композиционные планы
- •4.3 Оптимизация работы объекта управления для одного и нескольких параметров оптимизации для одно- и многоэкстремальной поверхности отклика
- •4. 4 Алгоритмы решения задач установления функциональных зависимостей и оптимизации
- •Глава 6
- •Глава 7
- •Глава 8
- •Глава 9 Современные достижения в области промышленной статистики и новые программные средства их реализации.
3.4 К установлению математической модели связи случайных величин
Уравнением регрессии называется функция, описывающая зависимость среднего значения результативного признака y от заданных значений аргументов, т.е. . Чтобы получать более«сильные» результаты анализа связи случайных величин, например, оценить вероятность заданных отклонений y от истинных значений, необходимо знать законы распределения аргументов. Чаще всего задачи регрессионного анализа решаются в предположении действия наиболее распространённого в технике нормального закона распределения («нормальная регрессия»). На этом предположении основано и большинство рассмотренных ниже методов, функций и инструментов. Но данная предпосылка всё же не всегда выполняется. В связи с этим разработаны достаточно многочисленные специальные методы оценки параметров регрессии, устойчивые («робастные») к отклонениям распределения исходных величин от нормального распределения (здесь не рассматриваются)..
3.4.1. Виды регрессионных моделей
Различают следующие основные типы регрессионных задач.
1. Простая линейная регрессия - самый простой случай - установление линейной связи между одной независимой (одномерной) переменной х и одной зависимой переменной (откликом) у.
2. Множественная линейная регрессия - задача предполагает установление линейной зависимости между группой независимых переменных Х1,Х2, … ХК и одномерным откликом у. Стратегия анализа адекватности подобранной модели в задаче множественной регрессии в целом аналогична задаче простой регрессии и сводится к детальному анализу остатков.
При решении задач множественной регрессии самым главным является выбор тех переменных, которые оказывают существенное влияние на отклик, и отсеивание несущественных переменных. Для этого используют очень эффективные на практике методы шаговой регрессии.
В подобных задачах может являться эффект, когда каждая из переменных не только действует на отклик независимо от других, но и порождает совместное воздействие. Для учёта этого совместного воздействия в модель, кроме переменных можно включать их произведения, например переменные Х1 • Х2, X1 • Х3 и т.д.
3. Нелинейная регрессия. В этом случае параметры модели входят в подбираемую регрессионную функцию нелинейным образом. Нахождение их оценок в этом случае представляет собой более сложную задачу.
4. Множественная нелинейная регрессия - ещё более сложная задача, так как в данном случае нелинейность может сочетаться с взаимодействием факторов. Существует мнение, что использование методов нелинейной регрессии, особенно множественной нелинейной регрессии, оправдано лишь в том случае, когда вид регрессионной зависимости известен априори. Однако опыт показывает, что при наличии современных быстродействующих программных средств и известной осторожности в применении (постоянное использование t-критерия и сравнения достоверности разных моделей) такая регрессия может оказаться очень эффективной. Она в ряде случаев позволяет обнаружить новые закономерности, которые лишь впоследствии находят теоретическое объяснение.
Возможности современных машинных методов в построении регрессионных моделей. Объём оперативной памяти современных компьютеров при использовании специальных программных средств позволяет решать все перечисленные задачи без исключения. Вопрос обычно стоит о возможностях офисной техники без привлечения специальных программ. В этом отношении задачи первого и второго типа свободно решаются в рамках инструмента анализа «Регрессия». Задачу третьего типа можно решать в рамках графических опций MS EXCEL (глава 5). И лишь решение задачи четвёртого типа требует использования специальных программных средств, из которых наиболее востребованной считается русскоязычная версия программы STATISTICA.