Многомерный регрессионный анализ - Большая Энциклопедия Нефти и Газа, статья, страница 1
Одна из бед новой России, что понятия ум, честь и совесть стали взаимоисключающими. Законы Мерфи (еще...)

Многомерный регрессионный анализ

Cтраница 1


Многомерный регрессионный анализ широко используется в экономических и прогностических исследованиях.  [1]

Многомерный регрессионный анализ очень чувствителен к нарушению исходных предпосылок. Активный эксперимент организован так, что все исходные предпосылки выполняются. В пассивном эксперименте очень часто нарушаются хотя бы две исходные предпосылки. Исследователь, занимающийся изучением технологических процессов, обычно игнорирует эту предпосылку. Он включает в программу изучения очень большое число независимых переменных, полагая, что большую их часть можно будет потом отсеять с помощью / - критерия, невзирая на то, что оценки коэффициентов регрессии сильно коррелированы. Оценки коэффициентов регрессии оказываются смещенными. Это не происходит в активном эксперименте - там отсеивание производится на стадии линейного приближения, когда матрица независимых переменных ортогональна. Вторая предпосылка формулируется так: независимые переменные измеряются без ошибок. В пассивном эксперименте эта предпосылка постоянно нарушается - ошибка в измерении независимой переменной нередко оказывается сравнимой с интервалом варьирования этой переменной. В активном эксперименте этого обычно не бывает - - он лучше организован, там всегда контролируется воспроизводимость опыта.  [2]

Успешно пригоняется многомерный регрессионный анализ. Однако здесь настолько слохио переплелись дисперсионный и регрессионный анализы, что трудно провести четкую границу между этики разделами математической статистики. Зстественно поставить вопрос: почему многомерный регрессионный анализ работает только тогда, когда он применяется к данным активного эксперимента. Наивно объяснять это только тем, что в активном эксперименте матрица независимых переменных X з соответствии с концепцией рототабельности организована так, что матрица Х Х оказывается инвариантной к ортогональному вращению коордячат.  [3]

Рассмотрим методологические вопросы проведения многомерного регрессионного анализа и преодоление трудностей при оценке параметров получаемых моделей при прогнозировании текущей нефтеотдачи на любой момент времени разработки.  [4]

Естественно поставить следующий вопрос: почему многомерный регрессионный анализ работает только тогда, когда он применяется к данным активного эксперимента. Можно ли объяснить это только тем, что в активном эксперименте матрица независимых переменных X в соответствии с концепцией рота-табельности организована так, что матрица Х Х оказывается инвариантной к ортогональному вращению координат. Нам кажется, что такое объяснение было бы несколько наивным.  [5]

Обрабатывающие программы позволяют рассчитывать различные статистические характеристики, проводить многомерный регрессионный анализ, полиномиальный тренд-анализ; по результатам поискового запроса могут быть построены гистограммы распределения признаков, на графопостроителе построены карты, получены данные для решения задачи подсчета запасов.  [6]

В связи с этим для получения корреляционного выражения Методом многомерного регрессионного анализа были обработаны таблицы коэффициентов распределения азота из атласа ВНИИГаза - СевКавНИИГаза.  [7]

Мальти, В.И. Азаматовым и др. было показано, что величины коэффициентов продуктивности можно рассчитать с помощью метода многомерного регрессионного анализа по комплексу геолого-промысловых данных.  [8]

Кроме традиционных вопросов точечного и интервального оценивания и общей теории оценок, в книге изложены метод стохастических аппроксимаций, многомерный регрессионный анализ, дисперсионный анализ, факторный анализ, теория оценивания неизвестных параметров в стохастических разностных уравнениях, основы теории распознавания и проверки гипотез, элементы общей статистической теории решений, основы метода статистического моделирования.  [9]

Таким образом, применяя известные методы прогнозирования к отдельным группам потребителей газа, имеющим одинаковые законы потребления, а затем многомерный регрессионный анализ, получили сравнительно простой метод перспективного прогнозирования суммарного графика газопотребления для целого района.  [10]

Сейчас имеется большой опыт [8], показывающий, что не удается получать сколько-нибудь интересные в практическом отношении результаты, применяя многомерный регрессионный анализ к данным пассивного эксперимента. Рассеяние относительно уравнения регрессии, как правило, мало отличается от рассеяния относительно среднего арифметического.  [11]

В этих условиях целесообразно использовать экспериментально-статистические методы, реализующие кибернетическую концепцию черного ящика в сочетании с факторным экспериментом и математическим аппаратом многомерного регрессионного анализа.  [12]

С целью решения этих важных вопросов было проведено статистическое моделирование эффективности солянокислотной обработки ( СКО), отражаемой с помощью различных показателей, с использованием многомерного регрессионного анализа.  [13]

Исследования, проведенные по ряду разрабатываемых нефтяных месторождений Западной Сибири ( Усть-Балыкское, Западно-Сургутское, Правдинское, Самотлорское, Советское), показали, что / Cj можно определить с помощью многомерного регрессионного анализа, реализованного в виде соответствующих программ. При оценке коэффициента продуктивности по косвенным данным необходимо подобрать такие признаки, от которых этот параметр будет зависеть наиболее сильно. Как известно, коэффициент продуктивности - параметр, который в значительной мере зависит от гидропроводности. Следовательно, необходимо подобрать такие геологопромысловые и геофизические признаки, которые бы зависели от величин, характеризующих именно этот сложный фильтрационный параметр.  [14]

Следует также проверить, скоррелированны ли действия скрытых элементов. В многомерном регрессионном анализе при росте муль-тиколлинеарности значения коэффициентов регрессии становятся все менее надежными. Так же и здесь предпочтительно, чтобы выходы скрытых элементов одного слоя были некоррелированны. Нужно найти собственные значения корреляционной матрицы для выходов скрытых узлов по данным обработки всех обучающих примеров. При полной некоррелированности все собственные значения будут равны единице, а отличия от единицы говорят об избыточном числе скрытых элементов.  [15]



Страницы:      1    2