Метод наименьших квадратов настолько прочно вошел в жизнь экспериментатора, что альтернативные методы линеаризации почти не рассматриваются. Безусловно, если существует задача нахождения одной результирующей прямой, то искать замену традиционному методу наименьших квадратов не рационально. Решение более сложной задачи требует дополнительных шагов по усовершенствованию процесса расчетов. Приведем пример. Известно, что массив экспериментальных результатов может не принадлежать одной прямой. Более того, разные области массива могут принадлежать разным прямым. В этом случае применять метод наименьших квадратов в традиционном виде нельзя, так как его надо сочетать с процедурой исключения точек, не принадлежащих искомой прямой, что существенно усложняет расчеты.
Цель может быть достигнута более простым методом! Рассмотрим один из таких простых методов.
В основе метода лежит далеко не свежая идея о вычислении параметров прямой между всеми возможными парами экспериментальных точек. (Следует обратить внимание на то, что параметры вычисляются не только между соседними точками!) Выбирается, например, какая-либо точка, и вычисляются параметры прямых, которые можно провести между этой точкой и всеми остальными. Затем выбирается следующая точка и с ней проделывается та же операция. В итоге получается массив данных о параметрах прямых размером в n(n-1)/2 элементов, где n - число обрабатываемых экспериментальных точек. Если читатель думает, что автор статьи сейчас предложит просто усреднить полученные результаты, найдя их среднее арифметическое, то он глубоко ошибается! Вычисление среднего арифметического ничего нового не вносит в математическую обработку, так как предполагает, что все экспериментальные точки лежат на одной прямой. Прежде чем продолжить изложение материала, договоримся о том, что массивы найденных параметров прямых A и B следует преобразовать в один. Вновь образованный массив организуется умножением одного параметра прямой на другой, т.е. A*B. Необходимость этого шага будет ясна в дальнейшем.
Над новым массивом проведем 2 следующие операции. Во-первых, проведем сортировку массива по возрастанию значений элементов массива. Во-вторых, после сортировки вычислим разности между каждыми 2-мя соседними элементами массива. После этого следует рассмотреть функцию изменения разностей от абсолютного значения A*B. График этой функции F(A*B) будет иметь один или несколько ярко выраженных минимумов. Число этих экстремумов будет соответствовать числу прямых, которые можно провести через экспериментальные точки. Например, рис. а) свидетельствует о том, что массив данных допускает линеаризацию одной прямой. Среднее положение минимума функции F(A*B) относительно интервала рассматриваемых значений A*B свидетельствует о том, что систематических отклонений от прямой линии практически не существует. Рисунок б) говорит о том, что часть точек имеет систематическое отклонение от линейной закономерности, так как минимум функции смещен от середины отрезка значений A*B. На рисунке в) рассмотрен случай, когда экспериментальные данные линеаризуются 2-мя прямым.
|
|
После того, как анализ функции проведен, наступает следующий важный этап расчетов - определение параметров линеаризующих прямых. Есть 2 способа. Первый способ состоит в том, что во время проведения сортировки и вычисления разностей запоминаются значения A и B. Из этого следует, что каждому значению вычисленных разностей соответствуют значения A и B. Тогда, зная значение A*B в минимуме нашей функции (см. рис. а)), можно найти значения A и B. Однако в выборе точек минимума следует быть осторожным, так как наименьшее значение A*B может быть случайным совпадением. Для того чтобы этого избежать, надо усреднить несколько значений в окрестности минимума. Развивая тему о случайности некоторых значений функции F(A*B), надо отдавать себе отчет в том, что на фоне минимума организованного большими группами точек, неизбежны экстремумы из малых групп, которые образованы случайными совпадениями. Для того чтобы их было меньше, автор и предложил ранее анализ массива из значений A*B, так как операции только со значениями A и B приводят к существенному увеличению числа случайных экстремумов.
Второй способ похож на первый, но вместо запоминания всех параметров A и B, запоминаются только порядковые номера точек. Таким образом, после выделения окрестности функции F(A*B), производится выделение групп "благонадежных" точек. Их линеаризация позволяет найти искомые значения A и B. Второй способ более выгоден для целей создания компьютерных программ, так как оперативная память экономится эффективнее.
Подведем итоги.
Во-первых, новый метод позволяет не только вычислять параметры прямой, но и анализировать экспериментальные результаты на принадлежность нескольким прямым, что для экспериментатора тоже важно. Во-вторых, возможна обработка результатов, которые не могут быть линеаризованы из-за трансцендентного характера аппроксимирующей функции, например, Y=B*lg(1+A*X). В этом случае гораздо легче вычислять параметры по 2-м точкам, чем заниматься выводом индивидуальных формул методом наименьших квадратов, вычисление по которым нужно проводить только методами вычислительной математики.
Список литературы
Для подготовки данной работы были использованы материалы с сайта http://www.novedu.ru/
Похожие работы
... рассчитать коэффициент парной регрессии, не решая системы уравнений. Ясно также, что если рассчитаны линейные регрессии х(у) и у(х), то произведение коэффициентов dx и by, равно r2: (7)[1] Взвешенный метод наименьших квадратов Далеко не все задачи исследования взаимосвязей экономических переменных описываются обычной линейной регрессионной моделью. Во-первых, исходные данные могут не ...
... несколько уравнений, а в каждом уравнении - несколько переменных. Задача оценивания параметров такой разветвленной модели решается с помощью сложных и причудливых методов. Однако все они имеют одну и ту же теоретическую основу. Поэтому для получения начального представления о содержании эконометрических методов мы ограничимся в последующих параграфах рассмотрением простой линейной регрессии. ...
... изменения одной и более переменных. Казуальные методы прогнозирования требуют определения факторных признаков, оценки их изменений и установления зависимости между ними и объемом продаж. Из всех казуальных методов прогнозирования рассмотрим только те, которые с наибольшим эффектом могут быть использованы для прогнозирования объема продаж. К таким методам относятся: 1) корреляционно- ...
... результату измерений из совокупности результатов измерений, выполняемых по одной и той же аттестованной МВИ– приписанные погрешности измерений. 3. Отражающие близость отдельного, экспериментально полученного результата измерений к истинному значению измеряемой величины – статистические оценки характеристик погрешности измерений (статистические оценки погрешности измерений). Нормы погрешности ...
0 комментариев