[科技]数据处理4.pptVIP

模型的鉴别与筛选 诊断参数法 相关系数法 方差分析法 诊断参数法 设有两个模型 式中：xi1，xi2(i1=1, 2, …, n1, i2=1, 2, …, n2)为模型所含的因子；aj1和aj2 (j1=1, 2, …, m1, j2=1, 2, …, m2)为模型所含的参数；F1和F2代表两个模型的函数；y1和y2为两个模型的响应计算值。 现定义一个函数Z (4-119) (4-120) (4-121) 诊断参数法 现将y与y1和y2之差记作?1和?2 代入 如果第一个模型，更能与实验数据向符合，实验测定值y应在模型计算值y1左右摆动，?1应服从正态分布，且数学期望为零 在这种情况下，如以Z对(y1-y2)作图，应得一斜率为1/2的直线，且通过原点附近。 (4-122) (4-123) (4-124) (4-125) (4-126) 诊断参数法 如果第二个模型，更能与实验数据向符合，则 于是Z与(y1-y2)直线之斜率应为-1/2。 将式（4-121）、（4-124）和（4-125）合并写成 于是鉴定方法可表述如下：以(y1-y2)和 为变量。按式（4-128）进行参数估计，如所求得的?的参数估计值在指定?的置信区内含有1/2，即认为第一个模型可被采纳的置信概率为1-?。如在该置信区内含有-1/2，则认为第二个模型可被采纳的置信概率为1-?。 (4-127) (4-128) 相关系数法 对于指定的一组实验数据(xi, yi)(i=1, 2, …, n)，xi不同，相应的yi值不同，我们称这种现象为y的波动。现在讨论造成这种波动的原因。首先，yi是测量值，有误差。即使xi不变，yi彼此也不尽相同，所以在yi的波动中误差是有贡献的。另外，在没有测量误差的理想情况下，随着xi的改变yi值也会改变。这是因为在响应y和因子x间存在有一定的关系（而我们的模型正式试图描述这种关系）。y随x而变化的这种客观存在的关系，有一部分是可以用我们的模型描述出的（即可用模型的回归关系表述）。另一部分是无法用我们的模型描述出的（这是因为我们的模型与客观存在的y-x关系还必有一定的差异，我们称之为模型缺欠）。所以在响应的波动中有贡献的因素是模型的回归关系、模型的缺欠和误差。后两者常合并称为剩余因素。因此可将响应的波动分为两个部分，一部分是因为y与x间存在有模型回归关系所致。另部分是因剩余下的其他因素所致，这主要包括由于误差所造成的部分和由于模型缺欠而无法用回归关系描述的部分。 相关系数法 每个实验点的波动可用yi与 之差来表示，这里的 是全部实验点的平均值 为了描述全部实验点的波动，可采用 的平方和，称作总平方和，记作ST 这个ST实际上就是由（4-61）所定义的Lyy。下面对式（4-130）右方进行分解： (4-129) (4-130) 相关系数法 上式中的 是模型的计算值。对于我们所讨论的一元线性模型 是 自上式及式（4-66）可推知式（4-131）右方第二项为零 (4-131) (4-132) (4-133) 相关系数法 于是式（4-131）可写成 上式右方第二项是按模型回归关系计算出的 与平均值 的差方和，它反映出在xi取值不同时，因y和x间存在模型回归关系而造成的y的波动，故称为回归平方和，记作Sr。不难证明它与式（4-60）中定义的Lxy存在有一定的关系： (4-134) (4-135) 相关系数法 式（4-134）右方第一项是反映总波动的总平方和与反映模型回归关系的回归平方和之差。根据前面的讨论可知，它反映出剩余的其它因素对总波动的贡献，故称为剩余平方和，记作Se。不难证明Se与Lxx和Lyy存在如下的关系： (4-136) 相关系数法 根据以上三种平方和ST，Sr，Se的物理意义，可以看出模型效果的好坏与Sr和Se的相对大小有关。如果Sr比Se越大，即Sr在ST中所占比例越大，则表示yi的波动更多地是由于在y和x间存在有模型所示的回归关系所致，因此模型的效果越好。相反，Se越大，Sr在ST中所占比例越小，则表示yi的波动更多地是由于测量误差以及模型回归方程所描述不了的y与x的依赖关系所造成的（即模型的回归关系在其中的贡献越小），因此模型的回归效果越差。由此可知，我们可以用Sr与ST的比值来表征回归效果，此比值的平方根称为关系系数，记作r (4-137) 相关系数法 对于一元线性模型，将式（4-135）和式（4-131）代入上式，并考虑到式（4-59）～（4-62）可得 (4-138) 相关系数法 按式（4-138）计算出的相关系数r可描述响应y与因子x间线性关系的密切程度。因为Sr/ST在0至1之间变动，故也在