Контрольная работа: Методика регрессионного анализа

По таблицам значения критерия Фишера для q = 0,05 находим:

Поскольку , то гипотеза о статистической незначимости R не принимается – это значит, что коэффициент множественной корреляции R является статистически значимым.

Проверка на устойчивость коэффициентов математической модели к случайным составляющим в исходной информации [1, с. 99-101]

Коэффициенты математической модели должны быть устойчивы к малым случайным изменениям в исходных данных, полученных в процессе эксперимента. Для количественно показателя устойчивости коэффициентов математической модели будем использовать меру обусловленности матрицы по Нейману-Голдстейну.

Для определения меры обусловленности по Нейману-Голдстейну P необходимо найти собственные числа для матрицы Фишера , решая уравнение:

Где – собственные числа для информационной матрицы Фишера

Поскольку коэффициенты b ₄ и b ₇ статистически незначимы, тога соответствующие столбцы матрицы X отбрасываются и размер матрицы становится , размер обратной матрицы - , а размер матрицы Фишера - :

Так как все эффекты в матрице Фишера ортогональны друг другу и нормированы, то:

Находят – максимальное и минимальное собственное число для информационной матрицы Фишера :

Мера обусловленности по Нейману-Голдстейну:

Другая мера обусловленности матрицы обозначается латинским сокращением cond :

- обозначение нормы матрицы. При этом предполагается, что матрица невырождена.

Известны несколько видов норм для матрицы А . Каждой из векторных норм соответствует своя подчиненная норма матрицы. Будем использовать следующую форму:

что означает выбор по всем столбцам j максимальной суммы абсолютных значений элементов по строкам i (m – число строк матрицы А ).

Так как все эффекты в расширенной матрице X ортогональны друг другу, то:

Для матрицы каждая по столбцам . Для матрицы каждая по столбцам .

Число обусловленности в этом случае будет:

Что подтверждает результат, полученный предыдущим методом.

Проверка фактической эффективности извлечения полезной информации из исходных данных [1, с. 101-102]

Косвенным показателем эффективности может быть число обусловленности cond для полученной модели. Так как значит эффективность можно считать хорошей.

Проверка правильности описания полученной математической модели по всей области моделирования [1, с. 102]