Емпірична лінія регресії

При дослідженні кореляційної залежнос ті необхідно визначити, в якій бік і з якою швидкістю зміщуються ряди розподілу функції на тих або інших ділянках зміни аргументу. Для цього треба оцінити положення рядів розподілу на осі у.

Перенесемо результати розрахунку на поле кореляції (рис 3.2). Із середини інтервалів аргументу відтворимо ординату, що відповідає

Рис 3.2

Одержана ламана лінія називається емпіричною лінією регресії Y по Х.

Вона характеризує зміщення рядів розподілу Y із збільшенням Х, тобто показує як у середньому змінюється Y із збільшенням Х.

Згідно із законом великих чисел можна стверджувати, що при збільшенні числа спостережень емпірична лінія регресії буде все точніше відбивати досліджувану закономірність.

Граничне положення, до якого прагне емпірична лінія регресії при необмеженому збільшенні числа спостережень, називається граничною теоретичною лінією регресії. При ламана лінія стає все більш плавною і перетворюється в теоретичну лінію регресії.

Спочатку будемо розглядати лінійні моделі. Вибір для розгляду тільки лінійних моделей не обмежує загальності одержаних висновків. Це зумовлено тим, що багато нелінійних моделей можуть бути приведені до лінійних за допомогою відповідних перетворень.

Таким чином, за результатами проведеного експерименту необхідно підібрати (або зробити спробу підібрати) таку гладку криву (в лінійному випадку криву лінію), щоб вона розташувалась як можна ближче до теоретичної лінії регресії. Не можна очікувати, що всі точки поля кореляції ляжуть на відповідну пряму, оскільки навіть у випадку „безпохибкового” задання вхідної величини вихідна величина Y буде піддаватись випадковим флуктуаціям у результаті дії факторів, якими ми можемо керувати або про існування яких ми не знаємо.

Схема об’єкта для даного випадку наведена на рис 3.3.

Рис. 3.3 - Модель стохастичного зв’язку

Величина ε зумовлена похибкою вимірювання функції виклику. Її можна інтерпретувати як перешкоду чи шум.

Вважаючи, що вхідна величина не випадкова, а фіксована або керована, для кожного значення x_i маємо випадкову величину y_i із середнім значенням , тобто де математичне очікування

Функція називається функцією регресії випадкової величини Y на Х, а графік цієї функції – лінією регресії Y на Х. Її математичне очікування визначається так:

На практиці можливі випадки, коли обидві величини Х і Y є випадковими. Пара випадкових величин має деякий сумісний розподіл.

Рівняння регресії в цьому випадку визначається як умовне математичне очікування змінної У відносно Х (регресія У на Х). Величина

являє собою усереднену характеристику зв’язку між У і Х.

Крім прямої регресії можлива і обернена регресія:

Схема регресії як умовне математичне очікування є більш загальною.

Класична регресія, що полягає в дослідженні лінійної залежнос ті для фіксованих значень Х, характеризується безумовною регресією. Вона дозволяє робити висновки тільки для даного набору незалежної змінної, тоді як в умовній регрес ії одержані висновки і оцінки мають більш загальний характер. Ці висновки можуть бути розповсюджені на всю генеральну сукупніс ть незалежних змінних.

Спочатку будемо розглядати лінійні моделі – лінійні за параметром а i.

Вибір для розгляду тільки лінійних моделей не обмежує загальнос ті одержаних висновків. Це зумовлено тим, що багато нелінійних моделей можуть бути приведені до лінійних за допомогою відповідного перетворення. Моделі ж, які містять фактори в другому і вищих с тупенях, або фактори в них є функціями будь-яких інших змінних (sin x, lg x і т.і.), можуть бути перетворені в лінійні.