Опубликован: 24.04.2015 | Доступ: свободный | Студентов: 145 / 0 | Длительность: 04:57:00
Лекция 6:

Регрессионный анализ в Gnumeric

< Лекция 5 || Лекция 6: 12 || Лекция 7 >

6.1 Небольшое теоретическое введение

Всегда полезно знать, что и почему вычисляется в той или иной задаче. Поэтому сначала рассмотрим некоторые теоретические основы регрессионного анализа.

Линейный парный регрессионный анализ заключается в определении параметров эмпирической линейной зависимости (1), описывающей связь между некоторым N числом пар значений x_i и y_i, обеспечивая при этом наименьшую среднеквадратическую погрешность (метод наименьших квадратов).

y(x)=a \cdot x+b ( 6.1)

Графически это выглядит как проведение прямой в "облаке" точек с координатами x_i, y_i так, чтобы величина всех отклонений между значениями y на этой прямой при имеющихся значениях xi и координатами yi имеющихся точек отвечала условию (6.2).

U= \sum^N_{i=1}(y_i-y(x_i))^2 \to min ( 6.2)

где y(x_i) – теоретическая зависимость (6.1). Для этого нужно приравнять к нулю частные производные (6.3 и 6.4).

\frac{\partial U}{\partial b}= \sum^N_{i=1}(y_i-(b+a \cdot x_i)) ( 6.3)
\frac{\partial U}{\partial a}= \sum^N_{i=1}(y_i-(b+a \cdot x_i)x_i) ( 6.4)

Тогда для определения коэффициентов линейной регрессии a и b получаем систему уравнений (6.5).

\left 
\begin{cases}
b \cdot N+a \cdot \sum^N_{i=1}x_i=\sum^N_{i=1}y_i \\
b \cdot \sum^N_{i=1}x_i+a \cdot \sum^N_{i=1}x^2_i=\sum^N_{i=1}x_i \cdot y_i\\ 
\end{cases}
\right ( 6.5)

Решение этой системы даётся соотношениями 6.6 и 6.7.

a= \frac{\sum^N_{i=1} \cdot - \sum^N_{i=1}y_i-N \cdot \sum^N_{i=1}x_i \cdot y_i}{(\sum^N_{i=1}x_i)^2-N \cdot \sum^N_{i=1}x^2_i} ( 6.6)
b= \frac{1}{N} \cdot \left(\sum^N_{i=1}y_i-a \cdot \sum^N_{i=1}x_i \right)

Для определения отклонения связи между x_i и y_i от линейной используется коэффициент парной корреляции (6.8).

R= \frac{\sum^N_{i=1}x_i \cdot y_i-(\sum^N_{i=1}x_i \cdot \sum^N_{i=1}y_i)/N}{\sqrt{\frac{\sum^N_{i=1}x^2_i-(\sum^N_{i=1}x_i)^2}{N}} \cdot \sqrt{\frac{\sum^N_{i=1}y^2_i-(\sum^N_{i=1}y_i)^2}{N}}} ( 6.8)

Если экспериментальная зависимость явно нелинейная, для её интерполяции (аппроксимации) применяются различные нелинейные зависимости (экспоненциальная, степенная с положительными или отрицательными показателями степени, полиномиальные различных порядков и пр.). При этом интерполяционная функция "линеаризуется", т. е. сводится к виду (6.1) путём замены переменных. Соответственно пересчитываются значения экспериментальных точек и коэффициент парной корреляции показывает успешность этого преобразования. Поскольку знак коэффициента парной корреляции при оценке качества линеаризации не является существенным, часто используется значение R^2.

< Лекция 5 || Лекция 6: 12 || Лекция 7 >