Пред.
След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
9.2. РЕГРЕССИОННЫЙ АНАЛИЗ ДЛЯ ПРИМЕРА С ОДНОСТОРОННЕЙ КЛАССИФИКАЦИЕЙМодель, выраженная уравнением (9.1.1), содержит четыре параметра: Естественный первый шаг в регрессионном подходе — записать саму модель
и затем рассмотреть, какие значения следует придать переменным
для (см. скан)
Недостаток такого подхода виден сразу. Поскольку вектор-столбцы матрицы X связаны между собой соотношением
матрица X X будет обязательно вырожденной, и потому нормальные уравнения не будут иметь единственного решения. До сих пор мы не принимали во внимание ограничение ANOVA-модели, а именно
Тогда модель можно записать в регрессионной форме таким образом:
а данные и параметры, используемые в регрессионном анализе, будут иметь вид (кликните для просмотра скана) благодаря ортогональности, упомянутой выше. Результаты расчетов в деталях представлены в табл. 9.2. Подогнанная регрессионная модель имеет вид
Если мы теперь опустим незначимый член
где С — количество кофеина в
Следовательно, в пределах наблюдаемого интервала изменения С предсказываемое число нажатий пальцем на клавишу в течение одной минуты для обученных студентов колледжа можно вычислять в зависимости от С по уравнению (9.2.12). (Заметим, что при удалении такой переменной, как ПредупреждениеБлагодаря тщательному выбору уровней фиктивных переменных
Мы получили величину, в точности совпадающую с общей суммой в (9.2.9), как это и должно быть, однако информативного расщепления суммы на три слагаемых здесь не происходит, поскольку отсутствует ортогональность столбцов матрицы X и поскольку матрица
однако мы не смогли бы вычислить дополнительную сумму квадратов, указанную в гл. 4, и двигаться дальше. Мораль такова: хотя многие приемы регрессионного анализа и применимы для задач дисперсионного анализа, некоторые из них более информативны, чем другие. Тщательный выбор хорошего описания воздастся сторицей. Продолжая вычисления с неортогональным описанием дальше, получим модель
которая дает следующие предсказываемые значения:
У неподготовленного читателя появление в уравнении (9.2.16) отрицательных коэффициентов может вызвать удивление, поскольку На первый взгляд противоречит закономерности, в силу которой число ударов по клавише растет с увеличением дозы кофеина. Однако противоречия здесь нет. Фиктивные переменные здесь были выбраны так, чтобы В § 9.3-9.5 односторонняя классификация будет рассмотрена более детально, после чего мы перейдем к двусторонней классификации.
|
1 |
Оглавление
|