- •ОГЛАВЛЕНИЕ
- •ПРЕДИСЛОВИЕ
- •1. ЭКСПЕРИМЕНТ КАК ПРЕДМЕТ ИССЛЕДОВАНИЯ
- •1.1. Понятие эксперимента
- •1.2. Классификация видов экспериментальных исследований
- •2.1. Случайные величины и параметры их распределений
- •2.2. Нормальный закон распределения
- •3. ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ
- •3.2. Оценивание с помощью доверительного интервала
- •3.2.2. Построение доверительного интервала для дисперсии
- •3.3. Статистические гипотезы
- •3.4. Отсев грубых погрешностей
- •3.4.1. Критерий Н.В. Смирнова
- •3.4.2. Критерий Диксона
- •3.5. Сравнение двух рядов наблюдений
- •3.5.1. Сравнение двух дисперсий
- •3.5.2. Проверка однородности нескольких дисперсий
- •3.7. Преобразование распределений к нормальному
- •4.1. Характеристика видов связей между рядами наблюдений
- •4.2. Определение коэффициентов уравнения регрессии
- •4.3. Определение тесноты связи между случайными величинами
- •4.4. Линейная регрессия от одного фактора
- •4.5. Регрессионный анализ
- •4.5.1. Проверка адекватности модели
- •4.5.2. Проверка значимости коэффициентов уравнения регрессии
- •4.6. Линейная множественная регрессия
- •4.7. Нелинейная регрессия
- •5. ОЦЕНКА ПОГРЕШНОСТЕЙ РЕЗУЛЬТАТОВ НАБЛЮДЕНИЙ
- •5.1. Оценка погрешностей определения величин функций
- •5.2. Обратная задача теории экспериментальных погрешностей
- •5.3.Определение наивыгоднейших условий эксперимента
- •6. МЕТОДЫ ПЛАНИРОВАНИЯ ЭКСПЕРИМЕНТОВ. ЛОГИЧЕСКИЕ ОСНОВЫ
- •6.1. Основные определения и понятия
- •6.2. Пример хорошего и плохого эксперимента
- •6.3. Планирование первого порядка
- •6.3.1. Выбор основных факторов и их уровней
- •6.3.2. Планирование эксперимента
- •6.3.3. Определение коэффициентов уравнения регрессии
- •6.3.4. Статистический анализ результатов эксперимента
- •6.3.5. Дробный факторный эксперимент
- •6.4. Планы второго порядка
- •6.4.1. Ортогональные планы второго порядка
- •6.4.2. Ротатабельные планы второго порядка
- •6.5.1. Метод покоординатной оптимизации
- •6.5.2. Метод крутого восхождения
- •6.5.3. Симплексный метод планирования
- •7.1. Общие замечания
- •7.2. Статистические функции Microsoft Excel
- •7.3. Краткое описание системы STATISTICA
- •7.3.1. Общая структура системы
- •7.3.2. Возможные способы взаимодействия с системой
- •7.3.3. Ввод данных
- •7.3.4. Вывод численных и текстовых результатов анализа
- •7.3.5. Статистические процедуры системы STATISTICA
- •7.3.6. Структура диалога пользователя в системе STATISTICA
- •7.3.7. Примеры использования системы STATISTICA
- •СПИСОК РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ
- •ПРИЛОЖЕНИЕ
4. АНАЛИЗ РЕЗУЛЬТАТОВ ПАССИВНОГО ЭКСПЕРИМЕНТА…
Таким образом, истинное значение Z лежит в пределах Z1 ≤ Z ≤ Z2, где с вероятностью, например, 90%, Z1= -1,738-0,438= -2,176 и Z2= -1,738+0,438= -
1,300. Для заданных значений вероятностей значения Z1 и Z2 составят: 90%: Z1= – 2,176, Z2= –1,300;
95%: Z1= – 2,261, Z2= –1,215;
99,7%: Z1= – 2,539, Z2= –0,937.
Этим значениям Z1 и Z2 соответствуют коэффициенты корреляции, полу-
ченные из формулы (4.22). Чтобы определить численные значения коэффициентов корреляции из формулы (4.22), можно воспользоваться инструментом
«Подбор параметра» из электронных таблиц Microsoft Excel (меню «Сервис/Подбор параметра…»). В результате получим следующее решение:
90%: r1= -0,97, r2= -0,86, т.е. -0,97≤rxy≤-0,86;
95%: r1= -0,98, r2= -0,84, т.е. -0,98≤rxy≤-0,84; 99,7%: r1= -0,99, r2= -0,73, т.е. -0,99≤rxy≤-0,73.
Следовательно, доверительные интервалы подтверждают достаточно сильную причинную связь между анализируемыми параметрами.
Таким образом, корреляционный анализ устанавливает связь между исследуемыми случайными переменными и оценивает тесноту этой связи.
4.5. Регрессионный анализ
Ниже излагаются основные положения регрессионного анализа, приме-
нение которого для обработки результатов наблюдений связано с меньшим
числом ограничений, чем при корреляционном анализе. Как и корреляционный анализ, регрессионный анализ включает в себя построение уравнения регрессии, например, методом наименьших квадратов и статистическую оценку результатов. Если в регрессионном анализе расчет коэффициентов ведется теми же методами, например наименьших квадратов, то его теоретические предпосылки требуют других способов статистической оценки результатов.
При проведении регрессионного анализа примем следующие допущения:
1) входной параметр x измеряется с пренебрежимо малой ошибкой. Появление ошибки в определении y объясняется наличием в процессе не выяв-
136
4. АНАЛИЗ РЕЗУЛЬТАТОВ ПАССИВНОГО ЭКСПЕРИМЕНТА…
ленных переменных и случайных воздействий, не вошедших в уравнение рег-
рессии;
2)результаты наблюдений y1, y2,..., yi,..., yn над выходной величиной
представляют собой независимые нормально распределенные случайные величины;
3)при проведении эксперимента с объемом выборки n при условии, что
каждый опыт повторен m* раз, выборочные дисперсии S12,..., Si2,..., Sn2 должны быть однородны. При выполнении измерений в различных условиях возникает
задача сравнения точности измерений. При этом следует подчеркнуть, что экспериментальные данные можно сравнивать только тогда, когда их дисперсии однородны. Это означает, как уже отмечалось (см. п. 3.5.1 и 3.5.2), принадлеж-
ность экспериментальных данных к одной и той же генеральной совокупности.
Напомним: однородность дисперсий свидетельствует о том, что среди сравни-
ваемых дисперсий нет таких, которые с заданной надежностью превышали бы
все остальные, т.е. была бы большая ошибка. При одинаковом числе парал-
лельных опытов однородность дисперсии, как мы уже показали, можно оценить по критерию Кохрена, а для сравнения двух дисперсий целесообразно воспользоваться F-критерием Фишера (см. примеры 3.4–3.5).
После того как уравнение регрессии найдено, необходимо провести статистический анализ результатов. Этот анализ состоит в следующем: проверяется значимость всех коэффициентов и устанавливается адекватность уравнения.
137
4. АНАЛИЗ РЕЗУЛЬТАТОВ ПАССИВНОГО ЭКСПЕРИМЕНТА…
4.5.1. Проверка адекватности модели
При моделировании приходится формализовать связи исследуемого явления (процесса), из-за чего возможна потеря некоторой информации об объекте. Иногда некоторые связи не учитываются. В то же время основное требование к математической модели заключается в ее пригодности для решения поставленной задачи и адекватности процессу. Регрессионную модель называют адекватной, если предсказанные по ней значения у согласуются с результатами наблюдений. Так, построив модель в виде линейного уравнения регрессии, мы хотим, в частности, убедиться, что никакие другие модели не дадут значительного улучшения в описании предсказания значений у. В основе процедуры проверки адекватности модели лежат предположения, что случай-
ные ошибки наблюдений являются независимыми, нормально распределенными случайными величинами с нулевыми средними значениями и одинаковыми дисперсиями.
Сформулируем нуль-гипотезу Н0: "Уравнение регрессии адекватно".
Альтернативная гипотеза Н1: "Уравнение регрессии неадекватно".
Для проверки этих гипотез принято использовать F-критерий Фишера.
При этом общую дисперсию (дисперсию выходного параметра) Sy2 сравнивают с остаточной дисперсией Sy ост2.
Напомним, что
|
|
n |
|
|
|
|
|
|
|
|
∑[ yi − |
|
]2 |
|
|
||
|
|
y |
|
|||||
S y2 |
= |
i=1 |
|
|
; |
|
||
|
|
n −1 |
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
− y)i ]2 |
|
||
S y2 |
|
= |
∑[ yi |
|
||||
ост |
|
i=1 |
|
|
|
, |
||
|
n −l |
|||||||
|
|
|
|
|
(4.24)
где l=k+1 – число членов аппроксимирующего полинома, а k – число факторов.
Так, например, для линейной зависимости (4.5) k=1, l=2.
В дальнейшем определяется экспериментальное значение F-критерия
138
4. АНАЛИЗ РЕЗУЛЬТАТОВ ПАССИВНОГО ЭКСПЕРИМЕНТА…
F = S y2 S y2 |
ост , |
(4.25) |
который в данном случае показывает, во сколько раз уравнение регрессии
предсказывает результаты опытов лучше, чем среднее y = 1 ∑n yi =C = const. n i=1
Если F>Fα;m1;m2, то уравнение регрессии адекватно. Чем больше значение F превышает Fα;m1;m2 для выбранного α и числа степеней свободы m1=n-1, m2=n-l, тем эффективнее уравнение регрессии.
Рассмотрим также случай, когда в каждой i-й точке xi для повышения надежности и достоверности осуществляется не одно, а m* параллельных измерений (примем для простоты, что m* одинаково для каждого фактора). Тогда число экспериментальных значений величины у составит nΣ=n m*.
В этом случае оценка адекватности модели производится следующим образом:
m*
1) определяется yi = ∑yij m * – среднее из серии параллельных опытов
j=1
при x=xi, где yij – значение параметра у при x=xi в j-м случае;
2) рассчитываются значения параметра y)i по уравнению регрессии при
x=xi;
3) рассчитывается дисперсия адекватности
|
n |
|
|||
|
m* ∑[ |
|
i − y)i ]2 |
|
|
|
y |
|
|||
Sад2 = |
i=1 |
, |
|||
n −l |
|||||
|
|
где n – число значений xi; l – число членов аппроксимирующего полинома (ко-
эффициентов bi), для линейной зависимости l=2;
4) определяется выборочная дисперсия Y при x=xi:
m*
∑[ yij − yi ]2
Si2 = |
j=1 |
|
; |
|
m* −1 |
||
|
|
|
5) определяется дисперсия воспроизводимости
139