Файл: Химмельблау Д. Анализ процессов статистическими методами.pdf
ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 09.04.2024
Просмотров: 760
Скачиваний: 2
436 |
Глава |
6 |
|
i |
_ |
(фиг. П.6.4.2). Сумма квадратов 2 |
(Уи — У;)2 для шести наборов |
|
|
3 = 1 |
|
данных оказалась равной 1108,80. Следовательно, дисперсия,
обусловленная ошибкой |
эксперимента, равнялась |
s* = |
1 1 0 2 8 4 ' 8 0 =46,20. |
Сумма квадратов остатков ф при к — 0,166, деленная на число степеней свободы 3, дала s? = 24,66.
Допустим, что предполагается использовать і^-критерий, например для уровня значимости 0,01; тогда из табл. В.4 находим
|
|
|
Ф и г . |
П.6.4.2. [19]. |
|
|
|
|
|
•^0,99 |
(1,24) = |
7,28. Если положить |
s%Js\ |
= |
7,28, |
можно |
вычис |
||
лить |
4 2 = 7,28-46,20 = |
361,4 |
при |
уровне |
значимости 1% . Так |
||||
как |
степень |
свободы, |
соответствующая |
Ь 2 |
, равна |
просто |
1, то |
||
4, = |
ASSb 2 /l и |
|
|
|
|
|
|
|
|
|
|
ASSb 2 = |
4 2 = |
361,4. |
|
|
|
Точкам пересечения линии ASSb 2 = 361,4 с кривой зависимости ASSb 2 от к соответствуют значения к = 0,057 и к = 0,372. Эти значения представляют собой границы 99%-ного доверительного интервала. Они являются точными в том смысле, что любые зна чения вне этих пределов отвергаются с 1%-ным уровнем значимо сти согласно точному критерию для соответствующих значений Ь 2 -
6.4.3. Метод Хартли — Букера
Хартли и Букер [21] предложили метод, отличный от метода наименьших квадратов, но позволяющий получить как оценки параметров, так и их доверительные пределы. Этот метод дает
оценки Ь, которые при довольно общих предположениях (деталь но с ними можно ознакомиться по работе [21]) обладают асимпто-
|
|
|
Нелинейные |
|
модели |
|
|
|
437 |
|
тически (при п -> |
оо) 100%-ной |
эффективностью. Рассмотрим |
||||||||
случай |
п наборов |
наблюдений |
с |
m |
параметрами. Пусть |
п == 6, |
||||
m = 3, |
а модель имеет вид и = ß 0 |
+ ßte~^x. |
Эти данные |
можно |
||||||
описать |
системой |
из |
шести |
нелинейных |
|
уравнений: |
|
|||
|
Ун = ßo + |
p V & » |
I |
группа |
1, к = |
2; |
|
|||
|
|
|
|
|
|
|||||
|
y 2 i = |
ßo + |
ß i ^ |
1 |
группа |
2, |
к = |
2; |
|
|
|
n 2 = ß o + ß i ^ 2 |
j |
|
|
|
|
|
|
||
|
^3t = |
ß o - b ß i ^ i |
-i |
группа |
3, |
к = |
2. |
|
||
|
^32 = |
ßo + |
ß i ^ |
J |
|
Хотя эта система уравнений является переопределенной и тре бует статистического рассмотрения, можно было бы усреднить эти уравнения, чтобы получилось h систем по два уравнения в каждой
(к |
= 2) и чтобы h = m |
= |
3 (в данном |
случае). Тогда |
возникла |
||||||
бы |
полностью |
определенная |
система |
нелинейных |
уравнений, |
||||||
в |
которой |
ß 7 |
является |
состоятельной |
оценкой ß 7 и |
|
|
||||
где |
|
|
Yh |
= |
f ( h , |
ß), |
|
|
(6.4.11) |
||
|
|
|
|
|
к |
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i = l |
|
|
|
|
|
|
|
|
|
|
|
k |
|
|
|
|
|
|
|
/ ( * , ß) = 4 - 2 / ( ^ b P)- |
|
|
||||||
Например, |
для группы |
1 |
|
|
|
|
|
|
|
||
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
Уі —-^- |
2 |
|
= |
"2~ (^н H-^іг), |
|
|
||
|
|
2 |
|
і=і |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Р ) = - г 2 |
/ ( ^ ' Р ) = |
|
|
|
|
|
|
|||
|
|
і=1 |
= i f (ßo + Р ^ 1 |
|
+ |
ßo + |
= |
|
|
||
|
|
|
1 |
|
|
||||||
|
|
|
|
|
|
|
|
|
= Po + у ßi (^2 *1 1 + ей *1 2 ) • |
||
|
Решение нелинейного уравнения (6.4.11) для ß, |
вероятно, |
|||||||||
можно найти |
методом |
Ньютона — Рафсона, одним |
из |
методов |
поиска или одним из методов оптимизации, описанных в литера
туре, указанной в конце этой главы.
438 |
|
Глава 6 |
|
|
|
|
|
После |
того как из |
уравнения |
(6.4.11) получены |
значения |
|||
элементов |
ß, они используются |
в |
качестве |
исходных |
значе |
||
ний для |
выполнения одного цикла |
итерации методом |
Гаусса— |
||||
Зайделя. |
Хартли и Букер показали, |
что после окончания |
первой |
||||
итерации |
получаются |
оценки |
ß* |
параметров |
ß, обладающие |
асимптотически 100%-ной эффективностью. Если регрессионные уравнения линейны, оценка ß* совпадает с оценкой Ь, полученной стандартным методом наименьших квадратов.
Хартли и Букер показали, как, основываясь на значениях У Л , получить доверительные интервалы для каждой из m функций
/ (/г, ß), |
если |
экспериментальные |
значения х |
повторяются для |
каждой |
из к |
проб в /г-й группе |
данных. |
|
|
6.5. |
П Р Е О Б Р А З О В А Н И Е К |
Л И Н Е Й Н О Й |
Ф О Р М Е |
Некоторые классы нелинейных моделей можно легко преобра зовать к линейной форме, а линейную модель рассматривать мето дами линейного анализа. Например, логарифмируя обе части соотношения
получаем |
модель |
т] = |
ß 0 « i ^ , |
|
(6.5.1) |
|
|
|
|
|
|
||
|
In т] = In ß 0 + |
ßi In xi + |
ß 2 lu « 2 , |
(6.5.2) |
||
линейную |
по коэффициентам. Заметим, |
однако, что минимизация |
||||
n |
|
|
|
|
n |
|
2 (In Yi |
— In T]J)2 |
не эквивалентна |
минимизации 2 |
(УІ — 'Чг)2- |
||
і = і |
|
|
|
|
t = l |
|
Если существует |
линеаризующее |
преобразование КТ, которое |
переводит нелинейную модель в линейную форму, то для того,
чтобы оценки Ьх, . . ., Ът соответствующих параметров |
модели |
ßn • • ч ßm> полученные методом наименьших квадратов |
из пре |
образованного уравнения регрессии, обладали оптимальными свой ствами (т. е. несмещенностью, минимальной дисперсией и т. п.), необходимо, чтобы предположение об аддитивной ненаблюдаемой случайной ошибке было справедливым для преобразованной моде ли, а не для первоначальной модели. Итак, для преобразованной
модели и для некоторого наблюдения Yt, |
соответствующего |
||
набору независимых |
переменных хг-, предполагается, |
что |
|
& (Yt) = J - ^ i |
(ХІ, . . ., xq; ß t , . . ., ß j ] |
+ e„ |
(6.5.3) |
где случайная величина ег распределена независимо со средним значением, равным нулю, и постоянной дисперсией. Например, для выражения (6.5.1)
In Yi = In ß 0 + ßi In Xu + ß 2 In xzi + 8 j , i = 1, 2, . . ., n. (6.5.4)
Нелинейные |
модели |
439 |
Влияние аддитивной ошибки в выражении (6.5.3) на непреобразованную модель можно установить, только исследуя каяэдую конкретную модель. При обычных предположениях, описанных в разд. 4.2, линейный анализ дает наилучшие линейные несме щенные оценки параметров ß t , . . ., ß m выражения (6.5.4). Однако процедура оценивания приводит к наилучшей линейной несмещен ной оценке, например In ß 0 , а не самого параметра ß 0 . Аддитивная ошибка в выражении (6.5.4) соответствует мультипликативной ошибке в непреобразованной нелинейной модели (6.5.1):
Yt |
= ßo4l4? • • • х%ф(, i = |
1, 2, . . ., |
n, |
(6.5.5) |
где <*>j = eZi |
— некоторая положительная |
ошибка. |
Для |
обычных |
критериев проверки и доверительных интервалов требуется, чтобы величина фі имела логарифмическое распределение. Можно счи тать, что логарифмическое преобразование и последующий анализ методом наименьших квадратов обоснованы, если ошибка фі про порциональна Y, а не является постоянной величиной, не завися щей от значения Y. Например, линейка имеет постоянную ошибку, независимую от величины измеряемого расстояния; в то же время многие переменные процесса измеряются приборами, ошибка
которых |
пропорциональна |
значению |
переменной. |
|||
В |
качестве другого примера |
возьмем модель |
||||
|
|
|
x = ß^fW, |
|
|
|
в которой Y является зависимой случайной переменной, изве |
||||||
стной |
при фиксированных |
значениях |
х. Так как |
In х = In ßj -f- |
||
+ ß 2 ^ , |
то |
IrtZj |
In ß t |
|
||
|
|
Yv |
|
|||
|
|
~т2 |
ьѵ |
|
||
ж линейный регрессионный |
анализ дает наилучшие |
оценки новых |
||||
параметров: |
|
|
|
|
||
|
|
R |
i / 1 |
\ 1 / ß |
2 |
|
Приближенные доверительные пределы для старых параметров можно рассчитать из соответствующих пределов для новых пара метров.
Еще одним примером может служить замена нелинейного урав нения для скорости реакции типа Хоугена — Ватсона — Лангмюра — Хиншелвуда, как, например,