Cтраница 1
Если полученное F-отношение меньше табличного Fi - p ( f, f2) для выбранного уровня значимости и чисел степеней свободы fi / /; и / - 2 / л ь увеличение степени k нужно прекратить. [1]
Если полученное F-отношение меньше табличного Fi p ( fi, f2) для выбранного уровня значимости и чисел степеней свободы fi fk и / 2 / й ь увеличение степени k нужно прекратить. [2]
Фактическая величина F-отношения сопоставляется с табличной и делается заключение о надежности связи. Поскольку Рфакт Ртабл, то гипотеза об отсутствии связи между рентабельностью и исследуемыми факторами отклоняется. [3]
При вычислении F-отношения в знаменателе обычно стоит опытная дисперсия, поэтому очевидно, что чем грубее эксперимент, тем легче выполнить условие Fon / табл - Не противоречит ли это утверждение общепринятому стремлению ставить опыты возможно более точно. [4]
Сформулируйте вопрос, который решается с помощью F-отношения, и от - вет, который может быть получен. [5]
Необходимо подчеркнуть, что проверка гипотезы о наличии полиномиального дрейфа порядка L обычным способом дисперсионного анализа для одного фактора ( в нашем случае времени) с количественными уровнями [9] при вычислении F-отношения F ( MS №) / ( MSOIST) весьма громоздка. Анализ с использованием полиномов Чебышева более прост и позволяет проверить гипотезу о значимости для каждой составляющей полиномиального дрейфа. [6]
Анализ дисперсий. [7] |
Сумму квадратов погрешностей определяют независимо от повторных наблюдений, / - отношение находят делением средней суммы квадратов, обусловленной опознаваемыми источниками отклонения, на среднюю квадратичную ошибку. В тех случаях, когда F-отношение немногим больше единицы, проверяемая средняя квадратичная по порядку величины сравнима с погрешностью. Следовательно, она может быть вызвана случайными отклонениями. Если - отношение значительно больше единицы, то считают, что исследуемый источник отклонения оказывает действительное влияние, которое по величине больше, чем может быть вызвано только экспериментальной погрешностью. [8]
Для уменьшения количества переменных в регрессионной модели используют пошаговый отбор переменных. В качестве критерия отбрасывания незначимой переменной используется F-отношение Фишера. [9]
Следующее множество значений представляет собой соответствующие F-отношения трехкластерного решения в случае рандомизированных данных. Поскольку в рандомизированных данных кластеров нет, то эти значения являются одноточечными оценками нулевых значений F-отношений. [10]
После расчета констант скоростей по F-критерию была проверена адекватность исходной математической модели. Как известно [87], / - критерий представляет собой отношение дисперсии, обусловленной отклонениями от теоретических кривых, к дисперсии воспроизводимости концентраций. В нашем случае F-отношение оказалось близким к единице, что указывает на адекватность модели. [11]
О чем же говорит результат сравнения. BMDPKM, дает пользователю представление об однородности кластеров. Когда рассматриваются абсолютные значения первого множества F-отношений, они кажутся разумно большими и, по всей видимости, говорят о том, что кластеры в какой-то степени однородны. Однако F-отношения для данных, не имеющих кластеров, столь же велики. Это доказывает, что первое множество F-отношений недостаточно велико для того, чтобы пользователь мог отвергать нулевую гипотезу об отсутствии кластеров. [12]
Панель опций. [13] |
В разделе Fit реализованы процедуры пошагового исключения векторов независимых переменных из модели. При установке флажка в поле АИ проводится регрессионный анализ, описанный выше. Для уменьшения количества переменных в регрессионной модели используют пошаговый отбор переменных. В качестве критерия отбрасывания незначимой переменной используется F-отношение Фишера. В зависимости от поставленной задачи его значение может быть изменено. [14]
О чем же говорит результат сравнения. BMDPKM, дает пользователю представление об однородности кластеров. Когда рассматриваются абсолютные значения первого множества F-отношений, они кажутся разумно большими и, по всей видимости, говорят о том, что кластеры в какой-то степени однородны. Однако F-отношения для данных, не имеющих кластеров, столь же велики. Это доказывает, что первое множество F-отношений недостаточно велико для того, чтобы пользователь мог отвергать нулевую гипотезу об отсутствии кластеров. [15]