a/ ïxº /( & % &=9 5! , /( ¸ & & a, , -- a · ¸ & & a, , -- aw!(>44 6...
TRANSCRIPT
т е . етод е к д то
Л е е е
е е д е то к пло ко т о о п о е т п у тол ко
од у
А е л то ек пло ко т –
т олее?
т . Од о е л е е е
етод е к д то
о: 1. о к пе е т л то ек , ), , , …, �, �)
2. Л е одел = +
т ко е т
+ =+ =…+ =
= − +
е еоп еделё те у е
етод е к д то К
у к д то откло е RSS Resudiual Sum of
Squares)
ео од о т
п л е етод
В о е лу е е е е еет т.к. к пе е т л е
то к о о е ло т то о т од у п у
Л е е е : ко е т
�� = − − =�� = − − =
о к т о то ек дл RSS − − = − − =
− − =− − = = − − − − = = − − + − =
= − = − −
е ул т т ёт = − +
уе у к
Л е е е : ко е т r R2
Ко е т дете R2
= − − − = − = + =
Ко е т ко ел о � ,
, = − − − − = − − ⋅
, = − + − − ⋅ = − − + − ⋅ = =
0 т.к. К е ду R2 � ,
= −
residual sum of squares у к д то откло е = −
total sum of squares о у к д то = −
explained sum of squares
о ё у к д то
= +
Л е е е : к те Ф е н-те т
� � = − ⋅
. т F п . т т л е е к т л
- ло тепе е о од дл д N – дл = + ) - ло е ко е то дл = + )
л � �~ ; , то о т т т т е к е
п кт ке: л � � < ; ;
т.е. т т л е е к т л // = // ⋅ = − ⋅
Откуд т о ул ?
е : R2=0.667, N=11, пп ок y = a + bx
� � = .. ⋅ = . , , = . е е
К тет Э ко (A s o e’s quartet)
y=3.00+0.500x
r=0.816 y=3.00+0.500x
r=0.816
y=3.00+0.500x
r=0.816
y=3.00+0.500x
r=0.816
Л е е е MS Excel
по о . Л т е д ке
1. о т о т то е к по е д д yi, xi)
2. Щелк ут п о к опко е то ек т «до т л т е д »
3. От ет т л к у е оп д пп ок у е у к , пок т л у е е д е, пок т л R2 т.п.
л де , о е п о од т н-те т о е к до е тел те ло ко е то е е
по о . пол о е п кет л д
1. В т кл дку д е, елк ут по пу кту е « л д » 2. п едл е оп т е е
3. к т од е д е у т е ул т т
л де , оде т н-те т о е ку до е тел те ло ко е то е е
по о . у у
пол о т у к MS Excel оде КОВА , , АЧ, , КО Л т.п. п кт ке по о е удо е , о поле е дл по ут п о од е о
Л е е е : л е
л д е оп т ел е о о т , то екото лу её о о л е о т
е : � = � � − �� у е е А е у
е е е: l� � = l� � − �� т.е. е то k; T) – (ln k; 1/T) )
е 2: Δ = − + т л п е е
е е е: Δ����− = +
е : � = ��+�� е л - е те )
е е е: � = �� + ����
о т л е е е GNU Octave
>> x = (0:0.1:5)’; >> y = 2*x + 5 + randn(size(x));
>> X = [x ones(size(x))];
>> beta = X\y
beta =
2.0653
4.7701
>> close all;
>> plot(x,y,’bo’,’LineWidth’,2); >> hold on;
>> yfunc = @(x)beta(1)*x+beta(2);
>> plot(x,yfunc(x),’k-’,’LineWidth’,2); >> hold off;
>> print(gcf,’graph’,’-dpng’,’-r75’);
+ =…+ = ⇔ … … = … ⇔ � =
.к. т X – е к д т , то п т = �− ел
о Octave/MATэAB е т ту те у у е , е л п т b=X\y
т . о о е л е е е
о т о к д
од е д е
о к k+1) – е о п о т т е , , … ,
Апп ок у у к = + + +
– п ет одел
те у е пе еоп еделё :
+ + + =+ + + =…+ + + =
те т о де: �� =
� = ⋱ ; = ;
=
+
екото е о т т
о е е т по о е лед т
1. + ⊤ = ⊤ + ⊤
2. ⊤ = ⊤ ⊤
3. − ⊤ = ⊤ −
4. =
5. + = +
6. + = +
tr =
лед т – у ле е то её л о д о л
1. tr + = tr + tr
2. tr = tr
3. tr ⊤ = tr
4. tr = tr = tr
етод е к д то
у к д то откло е = = ⊤ = = − � ⊤ − � = = ⊤ − ⊤� + ⊤�⊤�
о к у �� = − � ⊤�� + � ⊤�⊤�� = �� = − �⊤ + �⊤� = �⊤� = �⊤ ⇔ = �⊤� − �⊤
е е о е
� ⊤�� � = � �� ��� � = � ⇒ � ⊤�� = ⊤� ⊤ = �⊤ , де � = ⊤�
⊤�⊤� = � ⊤ � = == ⇒ � ⊤�⊤�� = ==
== = � ⊤� ⊤ = �⊤�
етод е к д то : од о е лу
>> x = (0:0.1:5)’; >> y = 2*x + 5 + randn(size(x));
>> X = [x ones(size(x))];
>> beta = X\y
beta =
2.0653
4.7701
>> close all;
>> plot(x,y,’bo’,’LineWidth’,2); >> hold on;
>> yfunc = @(x)beta(1)*x+beta(2);
>> plot(x,yfunc(x),’k-’,’LineWidth’,2); >> hold off;
>> print(gcf,’graph’,’-dpng’,’-r75’);
+ =…+ = ⇔ … … = … ⇔ � =
.к. т X – е к д т , то п т = �− ел
о Octave/MATэAB е т ту те у у е , е л п т b=X\y
д : о де е ко е то е е
. о д т о ку то ек x = rand(500, 1);
y = rand(500, 1);
z = 3*x+4*y+5+randn(size(x));
plot3(x,y,z,’bo’);
. п т е т те у у е
X = [x y ones(size(x))];
b = (X'*X)\(X'*z);
format long;
disp(b);
xv = 0:0.1:1;
[Xm,Ym]=meshgrid(xv,xv);
Zm = b(1)*Xm + b(2)*Ym + b(3);
hold on;
mesh(Xm,Ym,Zm); hold off;
ео е у - ко
у т пол т леду е у ло :
1. одел п л о пе о
2. � = , де m – ло ко е то е е
3. � = уле ое то д е о ок е е
4. � � = � � = е о т о ок д у от д у
5. � � = � � = � о о кед т о т о ок е е
о д о е к п ет о е е етодо е
к д то л т лу кл е л е е е ё
о е ок л. Best Linear Unbiased Estimator, BLUE).
Ко о т
е е ё о т о е ок п ет о е е = �⊤� − �⊤ � + � = + �⊤� − �⊤ � = [ ] B – т ое е е п ет о е е , � – екто о ок
Ко о т cov , = − − ⊤ = �⊤� − �⊤��⊤� �⊤� − = = �⊤� − �⊤ [��⊤]� �⊤� − = � �⊤� −
B – т ое е е п ет о е е , � – екто о ок
д ко о о т
cov , = Var[ ] cov , cov , cov , Var[ ] cov , ⋱cov , cov , Var[ ]
о е тел е те л
� = Var[ ] Δ = � ⋅ ,
t – д у то о к т л t-п еделе ;
– е о т о т , f = n – m –
ло тепе е о од
О е к о к е е
е е ё о е к
о к е е � = − = ⊤−
= −
n – ло то ек, m – ло ко е то е е
оек о т = ; = � �⊤� − �⊤
о т
1. ⊤ = ет о т
2. = де поте т о т
3. � = �
= − = − = � � + � = ��; = ⊤ = �� ⊤ �� = �⊤�� ⊤ = tr ⊤ = tr �⊤�� = tr ���⊤ ⇒ = � ��⊤ = � tr �
� = − � �⊤� − �⊤ = − �⊤� �⊤� − = −
по е о т п оек о о т е
ле е лед п оек о о т
д : до е тел е те л е �
. О к е е
>> res = z–(b(1)*x+b(2)*y+b(3)); >> f = numel(res) - numel(b);
>> sigma2 = res'*res/f
sigma2 = 0.808416630656864
. Ко о т >> format short;
>> C = sigma2 * inv(X'*X)
C =
0.0204893 -0.0013650 -0.0096530
-0.0013650 0.0188808 -0.0085331
-0.0096530 -0.0085331 0.0106459
. О к до е тел е те л ко е то
>> sb = sqrt(diag(C));disp(sb');
0.14314 0.13741 0.10318
>> db = sb * tinv(1-0.05/2,f);
>> disp(db');
0.28124 0.26997 0.20272
4. Ко ел о т >> sbm = [sb sb sb];
>> r = C./(sbm.*sbm')
r =
1.000000 -0.069400 -0.653593
-0.069400 1.000000 -0.601874
-0.653593 -0.601874 1.000000
е! � � , � ≠
О т л те « п е» к п ок у ле � !
. R2 н-к те >> TSS = sum((z-mean(z)).^2)
TSS = 1497.7
>> RSS = res'*res;
RSS = 401.78
>> R2 = 1 - RSS/TSS;
R2 = 0.73173
>> F = R2/(1-R2)*f/2
F = 677.80
>> finv(0.95,2,f)
ans = 3.0139
. те у е � =
Л е о о е о ел е о е е
. ел е о т � = + +
. Л е � = + + ; = ; = ; = −
� = /⋱ / ; =
о е тел те л те л п ед к
о е тел те л
(confidence interval) ± � , − ⊤ �⊤� −
од у к е о т о т 95% п о од т
е е тот те л
те л п ед к
(prediction interval) ± � , − + ⊤ �⊤� −
о то к поп дёт тот те л е о т о т 95%
n=20 n=200