Составление детального плана дальнейшего статистического анализа экспериментальных данных

5. Составление детального плана дальнейшего статистического анализа экспериментальных данных.

6. Статистическая обработка экспериментальных данных (вторичная, полная, итоговая обработка), направленная на построение модели объекта исследования, и статистический анализ ее качества. Иногда на этом же этапе решаются и задачи использования построенной модели, например: оптимизируются параметры объекта.

7. Формально-логическая и содержательная интерпретация результатов экспериментов, принятие решения о продолжении или завершении эксперимента, подведение итогов исследования.

Статистическая обработка экспериментальных данных может быть осуществлена в двух основных режимах.

В первом режиме сначала производится сбор и регистрация полного объема экспериментальных данных и лишь затем они обрабатываются. Этот вид обработки называют off-line-обработкой, апостериорной обработкой, обработкой данных по выборке полного (фиксированного) объема. Достоинством этого режима обработки является возможность использования всего арсенала статистических методов анализа данных и, соответственно, наиболее полное извлечение из них экспериментальной информации. Однако оперативность такой обработки может не удовлетворять потребителя, кроме того, управление ходом эксперимента почти невозможно.

Во втором режиме обработка наблюдений производится параллельно с их получением. Этот вид обработки называют on-line-обработкой, обработкой данных по выборке нарастающего объема, последовательной обработкой данных. В этом режиме появляется возможность экспресс-анализа результатов эксперимента и оперативного управления его ходом.

ОБЩИЕ СВЕДЕНИЯ ОБ ОСНОВНЫХ СТАТИСТИЧЕСКИХ МЕТОДАХ

При решении задач обработки экспериментальных данных используются методы, основанные на двух основных составных частях аппарата математической статистики: теории статистического оценивания неизвестных параметров, используемых при описании модели эксперимента, и теории проверки статистических гипотез о параметрах или природе анализируемой модели.

1. Корреляционный анализ. Его сущность состоит в определении степени вероятности связи (как правило, линейной) между двумя и более случайными величинами. В качестве этих случайных величин могут выступать входные, независимые переменные. В этот набор может включаться и результирующая (зависимая переменная). В последнем случае корреляционный анализ позволяет отобрать факторы или регрессоры (в регрессионной модели), оказывающие наиболее существенное влияние на результирующий признак. Отобранные величины используются для дальнейшего анализа, в частности при выполнении регрессионного анализа. Корреляционный анализ позволяет обнаруживать заранее неизвестные причинно-следственные связи между переменными. При этом следует иметь в виду, что наличие корреляции между переменными является только необходимым, но не достаточным условием наличия причинных связей.

Корреляционный анализ используется на этапе предварительной обработки экспериментальных данных.

2. Дисперсионный анализ. Этот метод предназначен для обработки экспериментальных данных, зависящих от качественных факторов, и для оценки существенности влияния этих факторов на результаты наблюдений.

Его сущность состоит в разложении дисперсии результирующей переменной на независимые составляющие, каждая из которых характеризует влияние того или иного фактора на эту переменную. Сравнение этих составляющих позволяет оценить существенность влияния факторов.

3. Регрессионный анализ. Методы регрессионного анализа позволяют установить структуру и параметры модели, связывающей количественные результирующую и факторные переменные, и оценить степень ее согласованности с экспериментальными данными. Этот вид статистического анализа позволяет решать главную задачу эксперимента в случае, если наблюдаемые и результирующие переменные являются количественными, и в этом смысле он является основным при обработке этого типа экспериментальных данных.

4. Факторный анализ. Его сущность состоит в том, что "внешние" факторы, используемые в модели и сильно взаимосвязанные между собой, должны быть заменены другими, более малочисленными "внутренними факторами, которые трудно или невозможно измерить, но которые определяют поведение "внешних" факторов и тем самым поведение результирующей переменной. Факторный анализ делает возможным выдвижение гипотез о структуре взаимосвязи переменных, не задавая эту структуру заранее и не имея о ней предварительно никаких сведений. Эта структура определяется по результатам наблюдений. Полученные гипотезы могут быть проверены в ходе дальнейших экспериментов. Задачей факторного анализа является нахождение простой структуры, которая бы достаточно точно отражала и воспроизводила реальные, существующие зависимости.

4. ОСНОВНЫЕ ЗАДАЧИ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ

Конечной целью предварительной обработки экспериментальных данных является выдвижение гипотез о классе и структуре математической модели исследуемого явления, определение состава и объема дополнительных измерений, выбор возможных методов последующей статистической обработки. Для этого необходимо решить некоторые частные задачи, среди которых можно выделить следующие:

1. Анализ, отбраковка и восстановление аномальных (ошибочных) или пропущенных измерений, так как экспериментальная информация обычно неоднородна по качеству.

2. Экспериментальная проверка законов распределения полученных данных, оценка параметров и числовых характеристик наблюдаемых случайных величин или процессов. Выбор методов последующей обработки, направленной на построение и проверку адекватности математической модели исследуемому явлению, существенно зависит от закона распределения наблюдаемых величин.

3. Сжатие и группировка исходной информации при большом объеме экспериментальных данных. При этом должны быть учтены особенности их законов распределения, которые выявлены на предыдущем этапе обработки.

4. Объединение нескольких групп измерений, полученных, возможно, в различное время или в различных условиях, для совместной обработки.

5. Выявление статистических связей и взаимовлияния различных измеряемых факторов и результирующих переменных, последовательных измерений одних и тех же величин. Решение этой задачи позволяет отобрать те переменные, которые оказывают наиболее сильное влияние на результирующий признак. Выделенные факторы используются для дальнейшей обработки, в частности, методами регрессионного анализа. Анализ корреляционных связей делает возможным выдвижение гипотез о структуре взаимосвязи переменных и, в конечном итоге, о структуре модели явления.

Для предварительной обработки характерно итерационное решение основных задач, когда повторно возвращаются к решению той или иной задачи после получения результатов на последующем этапе обработки.