Поиск

Регрессионный метод построения педотрансферных функций (часть 2)
13.03.2013

Второй этап при разработке ПТФ - построение регрессионной модели. Самым важным шагом является отбор переменных для включения в уравнение. Это может быть сделано как на основе априорного знания и гипотетического рассуждения, так и методом проб и ошибок, используя различные регрессионные методики.
К использованию методов для создания регрессионной модели нужно подходить осторожно, чтобы не исключить потенциальных переменных предсказателей. Это - одна из причин, почему важно проверять математическую зависимость между потенциальными переменными предсказателями и переменными отклика при анализе данных. В то же время нужно помнить о возможной исходной сопряженности входных параметров - «мультиколлинеарности», которая может наблюдаться благодаря свойственной корреляции между используемыми в ПТФ переменными предсказателями. Эту проблему можно решить: во-первых, исключая один из входных параметров, что, однако, может сказаться на качестве прогноза; во-вторых, исследуя линейную зависимость между переменными и трансформацией переменных предсказателей до независимых переменных, используя анализ главного компонента. Необходимо также помнить, что нормальное распределение параметров является предварительным условием для методик регрессии. Анализ статистического распределения переменных предсказателей и переменных отклика можно провести с помощью численных критериев (тестов) Колмогорова-Смирнова (D) и Шапиро-Уилкса (W), для визуальной оценки можно использовать гистограммы или нормальные вероятностные графики.
Для нахождения лучшей регрессионной модели требуется много проверочных шагов, включая оценку погрешности аппроксимации (в качестве такой меры нашла широкое применение среднеквадратическая ошибка, на основе которой разработан специальный метод оценки коэффициентов уравнений регрессии - метод наименьших квадратов); отбор наиболее существенных переменных; определение доверительных интервалов переменных отклика и регрессионных коэффициентов; обнаружение выпадающих значений (выбросов), которые могут вызвать серьезное смещение оценок, «сдвигая» линию регрессии в определенном направлении и тем самым, вызывая смещение регрессионных коэффициентов. Обычно руководствуются следующими правилами - чем меньше сумма квадратов остатков, чем меньше стандартная ошибка оценки и чем больше коэффициент детерминации, тем лучше подобрана модель.


Имя:*
E-Mail:
Комментарий:
  • bowtiesmilelaughingblushsmileyrelaxedsmirk
    heart_eyeskissing_heartkissing_closed_eyesflushedrelievedsatisfiedgrin
    winkstuck_out_tongue_winking_eyestuck_out_tongue_closed_eyesgrinningkissingstuck_out_tonguesleeping
    worriedfrowninganguishedopen_mouthgrimacingconfusedhushed
    expressionlessunamusedsweat_smilesweatdisappointed_relievedwearypensive
    disappointedconfoundedfearfulcold_sweatperseverecrysob
    joyastonishedscreamtired_faceangryragetriumph
    sleepyyummasksunglassesdizzy_faceimpsmiling_imp
    neutral_faceno_mouthinnocent
Введите два слова, показанных на изображении: *