книги из ГПНТБ / Химмельблау Д. Анализ процессов статистическими методами
.pdfУравнение
(1)- i - = a + ßz
(2)2/ = a + ß- 1
(3)- ^ - = a + ßz,
|
и л и |
у — a + ßx ' |
|||
|
1 |
|
|
а |
, о |
и л и — = |
|
||||
|
f-ß |
||||
|
У |
|
X |
|
|
(За) |
у = |
|
a-\-ßx |
+ 7 |
|
'Л) |
|
у = ах^ |
|
||
(4а) |
у = axh |
|
(46)у = у.іО<ж&
(5) f/ = a ß x (эквивалент ные формы: у = ау&х;
Преобразования к линейному виду функций |
одной переменной |
|
|
||||
Координаты прямой |
|
|
|
|
|
||
. |
ось у |
|
Уравнение прямой |
|
Замечания |
|
|
ОСЬ X |
|
|
|
|
|
|
|
|
У |
|
-î— = |
а 4- ßx |
Асимптоты: я = |
, у = 0 |
|
|
|
У |
|
|
ß |
|
|
|
У |
|
y = a + ß 1 |
Асимптоты: ж = 0, у —а. |
|
||
|
|
|
|
X |
|
|
|
|
X |
|
X |
&х |
Асимптоты: ж = |
, |
|
|
У |
|
У |
|
|||
|
|
|
|
Р |
|
||
|
|
|
|
|
|
|
|
|
J _ |
|
— |
ß + |
|
|
|
|
2/ |
|
|
|
|
||
|
|
ж — #1 = |
|
|
а |
|
|
У — Уі |
где |
« + ß a : i + |
Асимптоты: х= — |
Та ж е |
|||
|
У — Уі |
|
к р и в а я , что в (3),тсдвинутая |
вверх ил и вниз |
|||
(ж і> |
j/i) — л ю б а я |
(a-f-Вжі) -г |
|||||
точка |
на экспери |
на расстояние у |
|
|
|||
ментальной к р и |
а |
|
|
|
|
вой
l o g ; |
l o g y |
log X |
log (у - у) |
log ж |
log (log у — log у) |
|
logy |
log г/ = log а + ß log X
log (У — у) - logos +
ß log X
log (log у — log Y) =
= log a - f ß log X log г/ = log a 4- + ж log ß
Ес л и ß > 0, к р и в а я имеет вид параболы и про ходит через начало координат п точку (1, а).
Если |
ß < 0 , к р и в а я |
я в л я е т с я гиперболой |
|||
с |
осями |
координат |
в |
качестве асимптот |
|
и |
проходит |
через точку |
(1, а) |
||
Сначала |
аппроксимируют |
у по формуле у — |
= (УіУг — УІ) I (Уі + У2— 2у3 ). г Д е Уз = 0"=з +У,
х$=~Ѵхіхгі а (хь уі), (х2, ^ — эксперимен тальные точки
После логарифмирования исходного уравнения поступают ка к в п. (4а)
К р и в а я проходит через точку (0, а )
у = а-10^1Х)
Линейные |
модели с одной |
переменной |
233 |
ибо после преобразования к новой зависимой переменной будет добавляться уже не e, а некоторая сложная функция ошибки. Например, если в модели, описываемой уравнением (4) табл. 4.1.1, наблюдаемая зависимая переменная имеет вид
Y |
= ах& + е, |
|
(4.1.1) |
|
то это уравнение не эквивалентно |
уравнению |
|
||
lg У = |
lg а + |
ß \gx |
+ e, |
(4.1.2) |
так как логарифм правой части равенства (4.1.1) не равен правой части равенства (4.1.2). В некоторых случаях реальная ситуация может описываться уравнением (4.1.1), и тогда необходимо нелиней ное оценивание коэффициентов а и ß. В других случаях в зависимо сти от деталей эксперимента более корректным оказывается урав нение (4.1.2). Еще раз этот вопрос будет обсуждаться в разд. 6.5 после рассмотрения нелинейных моделей. В этой главе достаточно предположить, что исследуемая функция линейна по параметрам.
Пример 4.1.1. Определение формы функциональной зависимости
Числа в первых двух |
столбцах табл. П.4.1.1 представляют |
||||||
серию |
измерений зависимой переменной Y |
при соответствующих |
|||||
|
|
|
|
|
Таблица |
ПЛ.1.1 |
|
X |
Y |
lg Y |
Д Y |
Д2У |
x/Y |
Д (x/Y) |
|
1 |
62,1 |
1,79246 |
|
|
0,01610 |
|
|
2 |
87,2 |
1,93962 |
25,1 |
|
0,02293 |
0,00683 |
|
3 |
109,5 |
2,03941 |
22,3 |
—2,8 |
0,02739 |
0,00446 |
|
4 |
127,3 |
2,10483 |
17,8 |
—4,5 |
0,03142 |
0,00403 |
|
5 |
134,7 |
2,12937 |
7,4 |
—10,4 |
0,03712 |
0,00570 |
|
6 |
136,2 |
2,13386 |
1,5 |
—5,9 |
0,04405 |
0,00693 |
|
7 |
134,9 |
2,13001 |
—1,3 |
- 2 , 8 |
0,05189 |
0,00784 |
|
(кодированных) |
значениях |
независимой переменной. х. |
Требует |
ся найти подходящее функциональное выражение для зависимости
Y от x.
Решение |
|
|
|
Следует |
вычислить |
некоторые разности и отношения, часть |
|
из которых приведена в табл. П.4.1.1. |
ц — ожидаемое |
||
Затем можно испытывать различные модели; |
|||
значение Y |
при данном |
х. |
|
М о д е л ь n = а + ßx. Неудовлетворительна, |
так как отно |
||
шение AY/Ax |
не является постоянным. |
|
234 |
|
|
|
|
|
Глава |
4 |
|
|
|
|
|
|
|
|
М о д е л ь |
т] = |
aß* . |
Преобразуется |
к |
виду |
lg г\ |
= |
lg a |
+ |
||||
+ |
X lg ß. Неудовлетворительна, так |
как |
не постоянно |
отношение |
||||||||||
Д lg |
Y/Ах. |
|
ах®. |
|
|
|
|
|
|
lg r\ = |
|
|
||
|
М о д е л ь |
т] = |
|
Преобразуется |
к |
виду |
lg a |
+ |
||||||
+ |
ß lg X. Неудовлетворительна, так |
как |
отношение |
A lg 17A lg х |
||||||||||
не |
постоянно. |
|
|
ßa; + ух2. |
|
|
|
|
|
|
|
|
||
|
М о д е л ь |
r ) = a |
+ |
Неудовлетворительна, |
так |
как |
||||||||
не |
постоянно |
отношение |
|
A2Y!Ax2. |
|
|
|
|
|
|
|
|||
|
М о д е л ь |
т ) = ж / ( а |
+ |
ßx). Эта |
модель |
эквивалентна |
модели |
|||||||
хіц |
= |
a -f- $х. |
Так как |
отношение |
A (xlY)l |
Ах (Ах |
= 1) |
прибли |
зительно постоянно, эту модель можно использовать для подгонки экспериментальных данных. Она обеспечивает лучшую подгонку,
чем все предыдущие модели, |
но нельзя утверждать, что это наи |
лучшая из всех возможных моделей. |
|
4.2. О Ц Е Н И В А Н И Е |
П А Р А М Е Т Р О В М Е Т О Д О М |
Н А И М Е Н Ь Ш И Х К В А Д Р А Т О В
После того как выбрана функциональная форма эмпирической модели, можно должным образом спланировать эксперимент (об суждается в гл. 8) для сбора опытных данных и затем оценить пара метры модели. Метод оценивания, который используется в этой главе, называется линейным оцениванием или регрессионным ана лизом. Исследователь стремится получить в некотором смысле наилучшие оценки параметров модели, и нередко критерий опти мальности зависит от характера модели. Сначала будет кратко рассмотрено оценивание параметров линейной (по параметрам) модели в случае, когда плотность распределения вероятности и ее параметры известны, а затем подробно описан метод получения оценок при неизвестной плотности распределения вероятности.
Оптимальную оценку, за исключением некоторых специальных случаев, получить весьма трудно. Если требуется вычислить пара метры модели при заданной связи Y = / (X), где Y ж X — случай ные величины, и известна совместная плотность распределения вероятности р (х, у), наиболее подходящим критерием оптималь ности является оценка минимального среднего значения квадрата отклонения
ОООО
Ш {[Y — / (Х)12} = j j [у - / (х)}2 р (X, у) dx dy. |
(4.2.1) |
—оо — оо
Функция / (X), реализующая минимум математического ожидания (4.2.1), является условным математическим ожиданием величины Y при заданном значении X, т. е. / (X) = % {Y \ X}, что можно доказать, подставляя соотношение р (х, у) = р (у \ х) р (х) в пра-
Линейные модели с одной переменной 235
вую часть равенства (4.2.1), что дает M i n g {[Y — / (X)]2} =
-{-оо -[-со
Min j |
[ Ç [г/ - / (x)]2 р (г/ I x) dy~] р (x) dx. |
- О О |
— 0 0 |
Интеграл в квадратных скобках представляет собой момент второго порядка от условной плотности распределения р (у | х),
который |
будет |
минимален |
|
для |
|
каждого |
х, |
если |
/ (х) = |
||||||
оо |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= j УР ІУ \ x) dy |
= |
Ш {Y |
\ х). |
Функция |
/ (х) = |
g {Y | х) |
назы- |
||||||||
— оо |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
вается кривой |
регрессии. |
|
|
|
|
|
|
|
|
|
|
||||
Для частного случая, когда / (X) |
= ß 0 + ßiX, можно |
найти |
|||||||||||||
значения двух постоянных ß 0 |
|
и ß 4 , |
которые минимизируют выра |
||||||||||||
жение (4.2.1), если известна функция р (х, у): |
|
|
|
||||||||||||
Min g {IY |
- |
(ß 0 + |
ß4 X)]2 } |
= |
|
|
|
|
|
|
|
|
|
||
|
|
Min |
j |
j |
ІУ - |
ßo - |
ßi*)2 |
p (x, |
y) dx dy. |
(4.2.2) |
|||||
Дифференцирование |
g {{Y |
— (ß 0 |
+ |
ßiX)]2 } по ß 0 |
и приравнивание |
||||||||||
результата нулю дает |
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
g |
{ - 2 |
[У - |
|
ß 0 |
- |
ß,X]} = О, |
|
|
|
|||
или |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
g {Y} |
= |
ß 0 |
+ |
ßig {X}, |
|
|
|
||||
|
|
|
|
|
Mr = |
ßo + |
ßiM-Jc- |
|
|
|
(4.2.3) |
Подставляя значение ß 0 из уравнения (4.2.3) в соотношение (4.2.2), дифференцируя по ßj и приравнивая результат нулю, получаем
д% {[(y - u . yj - ßj (Х - (х^)р}
g {(Y - ѵу) (X - |
ііх)} = ß t g {(X - |
^ ) 2 } |
или |
|
|
ßi = |
^ F - |
(4-2.4) |
Определив значение ßj, можно вычислить из уравнения (4.2.3)
и ß0 -
Теперь допустим, что плотность распределения вероятности р (х, у) неизвестна. Взамен предполагается получить некоторые экс периментальные данные и на их основе найти наилучшие оценки параметров некоторой линейной модели. Трудность получения оце нок параметров и сложность вычислений существенно зависят от
236 |
Глава 4 |
того, является ли случайной величиной лишь одна зависимая переменная или обе переменные, как зависимая, так и независимая. Последний случай, изображенный на фиг. 4.2.16, будет обсуждать ся в разд. 4.5.
Ф и г . 4.2.1а. |
Изображение |
линей |
|
ной модели, |
когда |
случайной ве |
|
личиной я в л я е т с я |
одна |
зависи |
|
мая |
переменная . |
|
|
х- — значения, |
выбранные |
экспери |
|
ментатором; |
— геометрическое |
место точек математических ожиданий переменной Y а именно т|^ = ß0 + + ß, (xt — x).
Сначала рассмотрим более простую ситуацию, когда лишь зависимая переменная является случайной величиной, как пока зано на фиг. 4.2.1а. В частности, пусть модель имеет вид
УІ = ßo + ßi (ХІ - x) + ги |
(4.2.5) |
где У, — выборочное среднее по серии повторных измерений зави симой переменной Y при заданном значении x, х{; е, — ненаблю-
Р(х,у) I
Ф n г. 4.2.16. Изображение линейной модели, когда обе переменные я в л я ю т с я случайными величинами.
даемая (скрытая) случайная ошибка, представляющая собой раз
ность 8г - = YI |
— % {Yi I ж}, имеющую |
известное распределение |
(обычно нормальное) с математическим |
ожиданием, равным нулю, |
|
и дисперсией |
аЕ2.. Кроме того, предполагается, что при измере- |
Линейные |
модели с одной |
переменной |
237 |
ниях, используемых для |
вычисления Yu |
ненаблюдаемые |
ошибки |
не зависят от х и е, т. е. |
от предшествующих ошибок. |
Сначала |
предположим, что о|. — постоянная, не зависящая от х (разд. 4.3),
а затем (разд. 4.4) рассмотрим случай, когда |
о|. изменяется с из |
||||||||||||
менением x. Другой способ описания той же самой модели |
связан |
||||||||||||
с предположением, что |
|
|
|
|
|
|
|
|
|
||||
|
|
g |
(У, |
I x,) |
= |
т), = ß 0 |
+ |
ßi |
(xt |
- x), |
|
(4.2/ |
) |
т. е. что математическое |
ожидание Yt |
при заданном xt |
равно ß 0 |
+ |
|||||||||
4- |
ß4 (xt |
— x). |
|
|
|
|
|
|
|
|
|
|
- |
|
Итак, в основе процедуры оценивания параметров лежат четыре |
||||||||||||
главных |
предположения: |
|
|
|
|
|
|
|
|
|
|||
|
1. Математическое ожидание величины Yt |
при заданном |
зна |
||||||||||
чении Х і |
является линейной |
(по параметрам) |
функцией. |
|
|
||||||||
|
2. Значения х, |
выбранные для проведения эксперимента, не яв |
|||||||||||
ляются |
случайными |
величинами. |
|
|
|
|
|
|
|
||||
\ |
3. Дисперсия |
al. |
величины гг равна |
дисперсии а\ |
величины |
||||||||
Yі |
|
|
1 |
|
|
|
|
|
|
х1). |
і |
|
|
и может быть постоянной или зависеть от |
|
|
|
||||||||||
|
4. Различные |
измерения |
величины |
Y |
взаимно |
независимы, |
или, что то же самое, статистически независимы ошибки е,- 2 ) . Метод наименьших квадратов, основанный только на этих
предположениях, |
дает несмещенные оценки |
Ь0 и bt |
3 ) параметров |
ßo и ß l t причем, |
согласно теореме Маркова, |
такие |
оценки имеют |
наименьшие дисперсии по сравнению со всеми возможными несме
щенными линейными оценками. Методом |
наименьших |
квадратов |
называется процедура получения оценок Ь0 |
и Ьи основанная на ми |
|
нимизации суммы квадратов отклонений |
наблюдаемых |
значений |
п |
|
Yj от их математических ожиданий r\t, т. е. 2 |
{Yi—чг)2- |
г=1 |
|
В некотором смысле метод наименьших квадратов |
представляет |
собой просто некоторый способ решения переопределенной систе-
*) |
Дисперсия |
выборочного |
среднего |
ai? |
связана с дисперсией |
единич- |
|||||
ного |
наблюдения |
а у |
соотношением |
|
і |
|
|
|
|
||
|
|
|
|
|
|
||||||
где РІ |
— число повторных измерений зависимой переменной.— Прим. |
ред. |
|||||||||
2 ) Здесь достаточно сделать более слабое предполоя^ение о некоррели |
|||||||||||
рованности |
величин |
У; или et. |
Если наблюдения |
подчинены нормальному |
|||||||
з а к о н у распределения, то из некоррелированности |
вытекает |
т а к ж е и |
неза |
||||||||
висимость.— Прим- |
|
ред. |
|
|
|
|
|
|
|
||
3 ) |
Х о т я оценки параметров |
ß 0 и ß l t |
ß 0 |
= Ъ0 и |
ß, = bt |
сами |
я в л я ю т с я |
||||
случайными |
величинами, |
для их |
обозначения |
принято использовать |
строчные |
||||||
латинские |
буквы . |
|
|
|
|
|
|
|
|
|
236 |
Глава 4 |
того, является ли случайной величиной лишь одна зависимая переменная или обе переменные, как зависимая, так и независимая. Последний случай, изображенный на фиг. 4.2.16, будет обсуждать ся в разд. 4.5.
Ф и г . 4.2.1а. |
Изображение |
линей |
|
ной модели, |
когда |
случайной ве |
|
личиной я в л я е т с я |
одна |
зависи |
|
мая |
переменная . |
|
|
— значения, |
выбранные |
экспери |
|
ментатором; |
|
геометрическое |
место точек математических ожидании переменной Y; , а именно ri- = pe
+ ßi (xt — x).
Сначала рассмотрим более простую ситуацию, когда лишь зависимая переменная является случайной величиной, как пока зано на фиг. 4.2.1а. В частности, пусть модель имеет вид
Yt = ß 0 + ßi fa - x) + . 8 » , |
(4.2.5) |
где Yi — выборочное среднее по серии повторных измерений зави симой переменной Y при заданном значении x, xt; ег — ненаблю-
Ф и г. 4.2.16. Изображение линейной модели, когда обе переменные я в л я ю т с я случайными величинами.
даемая (скрытая) случайная ошибка, представляющая собой раз
ность ег- = YІ |
— % {Yі I х}, имеющую |
известное распределение |
(обычно нормальное) с математическим |
ожиданием, равным нулю, |
|
и дисперсией |
о Е 2 . Кроме того, предполагается, что при измере- |
|
|
Линейные |
модели |
с одной |
переменной |
|
|
|
237 |
|||||
ниях, |
используемых для вычисления Yt, |
ненаблюдаемые |
ошибки |
|||||||||||
не |
зависят от х и е, т. е. от предшествующих |
ошибок. |
Сначала |
|||||||||||
предположим, что а|. — постоянная, |
не зависящая от х (разд. 4.3), |
|||||||||||||
а |
затем (разд. 4.4) рассмотрим случай, |
когда а|. изменяется с из |
||||||||||||
менением x. Другой способ |
описания той же самой модели |
связан |
||||||||||||
с предположением, что |
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
% {У, |
I xt) |
= |
Г)І = ß 0 |
+ |
ß, |
(xt - |
x), |
|
|
(4.2.' ) |
||
т. е. что математическое ожидание Yt |
при заданном xt |
равно ß 0 + |
||||||||||||
- f |
ßi |
(я* — x). |
|
|
|
|
|
|
|
|
|
|
|
—\ |
|
Итак, в основе процедуры оценивания параметров лежат четыре | |
|||||||||||||
главных предположения: |
|
|
|
|
|
|
|
|
|
|
|
|||
|
1. Математическое ожидание величины У, при |
заданном |
зна |
|||||||||||
чении |
ХІ является линейной (по параметрам) |
функцией. |
|
|
||||||||||
|
2. |
Значения х, выбранные для проведения эксперимента, не яв |
||||||||||||
ляются случайными |
величинами. |
|
|
|
|
|
|
|
|
|||||
|
3. |
Дисперсия а%. величины |
ег равна |
дисперсии |
а% величины |
|||||||||
YІ |
|
1 |
|
|
|
|
|
|
|
х1). |
|
і |
|
|
и может быть постоянной или зависеть от |
|
|
|
|
||||||||||
|
4. Различные измерения величины У взаимно |
независимы, |
||||||||||||
или, |
что то же самое, статистически независимы |
ошибки |
е, 2 ) . |
|||||||||||
|
Метод наименьших квадратов, основанный только на этих |
|||||||||||||
предположениях, дает несмещенные оценки Ь0 и 64 |
3 ) |
параметров |
||||||||||||
ßo |
и ß 4 , причем, согласно |
теореме Маркова, такие |
оценки |
имеют |
наименьшие дисперсии по сравнению со всеми возможными несме
щенными линейными оценками. Методом |
наименьших |
квадратов |
||
называется процедура получения оценок Ъ0 |
и Ьи основанная на ми |
|||
нимизации |
суммы квадратов отклонений |
наблюдаемых |
значений |
|
|
|
п |
|
|
Yt от их |
математических ожиданий т]г , т. е. 2 Wi |
— ЛІ)2 - |
||
|
|
і=1 |
|
|
В некотором смысле метод наименьших квадратов |
представляет |
собой просто некоторый способ решения |
переопределенной |
систе- |
|||||||||||||
1 ) Дисперсия выборочного среднего Oy |
связана с дисперсией |
|
единич |
||||||||||||
ного |
наблюдения Oy |
|
соотношением |
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
о Y • |
|
|
|
|
|
|
|
|
|
|
|
|
0 2 - |
= — — |
, |
|
|
|
|
|
|
|
||
|
|
|
|
|
Yi |
|
Pi |
|
|
|
|
|
|
|
|
г Де РІ |
— число повторных измерений |
зависимой переменной.— Прим. |
ред. |
||||||||||||
2 ) Здесь достаточно сделать более слабое предположение о некоррели |
|||||||||||||||
рованности |
величин |
Yt |
или е;. Если |
наблюдения |
подчинены нормальному |
||||||||||
з а к о н у распределения, то из некоррелированности |
вытекает |
т а к ж е |
и |
неза |
|||||||||||
висимость.— Прим. |
ред. |
|
|
|
|
|
|
|
|
|
|
|
|||
3 ) |
Х о т я |
оценки |
параметров |
ß 0 |
и |
ß t , |
ß 0 |
= |
b0 и |
ß t = Ъі |
сами |
я в л я ю т с я |
|||
случайными |
величинами, |
для их |
обозначения |
принято использовать |
строчные |
латинские буквы .
238 |
|
Глава |
4 |
|
|
мы уравнений в пространстве параметров |
ß 0 и ß t , если считать, |
||||
что каждая пара данных образует уравнение. Например, |
|||||
16,08 |
- |
ß 0 |
+ |
l,80ßi = |
0, |
16,32 - |
ß 0 |
+ |
2,100! = |
0, |
|
16,77 |
- |
ß 0 |
+ |
2,40ßj = |
0. |
Разность между суммой |
квадратов левых |
частей этих уравнений |
и нулем минимизируется, чтобы получить наилучшие оценки для
ßo, |
ßi H l . |
|
|
|
|
На фиг. 4.2.2 |
представлены |
оценка |
линии регрессии, задавае |
мая |
уравнением |
Y = bQ + bt |
(x — x), |
истинная модель п = |
= ßo + ßi [x — x), & также некоторые величины, введенные ранее.
Одно измерение
|
|
x |
*і |
er |
|
|
|
|
Ф и г . |
4.2.2. Соотношения между |
экспериментальными |
данными, |
средними |
||||
|
значениями и теоретической |
линейной моделью и ее оценкой. |
||||||
Ytj |
обозначает одно /-е, |
1 ^ |
j^CPi, |
измерение или наблюдение |
||||
зависимой переменной Y при x = xt; |
У,- представляет собой выбо |
|||||||
рочное |
среднее по измерениям |
при x = xt, |
1 ^ |
і ^ п. |
|
|||
Чтобы оценить доверительную |
область |
для переменных ß 0 |
||||||
и ß 4 и применить статистические критерии, |
необходимо |
принять |
||||||
пятое |
предположение: |
|
|
|
|
|
|
5. Условное распределение вероятности Yt при заданном зна чении xt нормально относительно математического ожидания г|г =
= t{Yi \xt).
Практически экспериментальные данные могут не удовлетво рять этим пяти требованиям. Отклонения от этих предположений
Линейные модели с одной переменной 239
обычно состоят в следующем:
1. Интервал изменений независимой переменной х слишком мал, так что изменение зависимой переменной по порядку величи ны равно ошибке при ее измерении. В качестве крайнего примера укажем, что стократное повторение измерений при одном и том же значении х дает для получения оценки не 100 различных значений, а лишь одно значение У,. Так как число экспериментальных точек должно быть по крайней мере равно числу параметров модели, чтобы можно было произвести их оценивание, изменение незави симой переменной в небольшом интервале представляет собой неэффективный эксперимент. Для модели с несколькими незави-, симыми переменными исследователь обнаружит, что, если некото-J рые важные независимые переменные процесса поддерживать при близительно постоянными, регрессионный анализ приведет к заключению, что они являются несущественными переменными.
Более того, независимые |
переменные, |
которые не регулируются, |
а просто присутствуют, |
по-видимому, |
должны вести себя как |
случайные величины. Суть экспериментирования состоит в том, чтобы определенным образом менять, насколько это возможно, экспериментальные условия (независимые переменные) и тем самым позволить зависимой переменной быть случайной величиной.
2. Ошибки при измерениях зависимой переменной не являются независимыми. Измерения характеристик процесса могут содер жать сериальную корреляцию ошибок, которая, возможно, меняет ся с течением времени. Так как любой производственный процесс подвержен влиянию независимых переменных, недоступных кон тролю со стороны экспериментатора, таких, как износ установки, образование накипи в теплообменнике, изменения в составе сырья, разные метеорологические условия, перемены персонала и т. п., то четыре вышеупомянутых предположения могут оказаться нереальными. Иногда неконтролируемые переменные такого типа называют скрытыми переменными.
Итак, вся совокупность разрозненных экспериментальных дан ных о некотором процессе должна быть тщательно проанализиро вана. Наилучшая методика эксперимента должна предусматри вать возможность преднамеренных изменений всех контролируе мых переменных, как описано в гл. 8. Исследователь, прежде чем применять для оценивания метод наименьших квадратов, должен быть по возможности уверен в том, что имеет всю доступную ин
формацию об используемом интервале изменений х |
по |
сравнению |
||||
с полным интервалом изменений, о величине |
ошибок в |
зависимых |
||||
и независимых |
переменных, о роли возможных посторонних фак |
|||||
торов. |
Более |
общая методика |
получения |
оценок |
описывается |
|
в разд. 4.5, 4.6 |
и 5.4. Вопросы правильного |
планирования экспе |
||||
римента |
впервые обсуждаются |
в- гл. 8. |
|
|
|