text stringlengths 0 1.95k |
|---|
if (h > 0) p <- adapt.lm(p, h, best.mask-1, worst.mask-1) |
} |
return (estim.lm(df, best.mask)) } |
# Выполнение расчетов алгоритмом СПА |
best.lm <- rsa(Fito_R, Tit = 100, N = 100,h=0.15) ; summary(best.lm) ; AIC(best.lm) |
# Расчеты по алгоритму “Forward selection” с использованием кросспроверки |
library(FWDselect) |
qob =qselection(x=Fito_R[,2:50],y=Fito_R[,1],qvector=c(1:14),method="lm",criterion="R2") |
plot(qob) # Вывод графика зависимости внешнего критерия от сложности модели |
selection(x=Fito_R[,2:50],y=Fito_R[,1], q=7, criterion = "R2", method = "lm", |
family = "gaussian") |
RegModel.7 <- lm(Bmass~ln_H+ln_Na+sqr_Carb+ln_Cl+H+e1_H+g1_Cl, data=Fito_R) |
summary(RegModel.7) ; AIC(RegModel.7) |
4.7. Процедуры сглаживания и обобщенные аддитивные модели |
1 |
, |
, |
, |
) |
( |
mx |
xxYE |
Как обсуждалось в предыдущем разделе, основная цель регрессионного анализа |
состоит в осуществлении разумной (т.е. адекватной поставленной задаче) аппроксимации |
математического ожидания отклика |
K по обучающей выборке с помощью |
2 |
неизвестной функции регрессии f(…). Если в центре внимания находится попытка |
"объяснить" внутренние механизмы изучаемого явления и оценить при этом |
сравнительную роль отдельных факторов, то используются параметрические методы |
регрессионного анализа. Такой подход предполагает, что искомая модель имеет |
некоторую предписанную ей функциональную форму и полностью описывается |
конечным набором параметров. Типичным примером параметрической модели является |
полиномиальная регрессия, параметрами которой являются вектор коэффициентов b при |
независимой переменной и случайная ошибка модели sY. При этом молчаливо |
предполагается, что на всем диапазоне изменения x можно найти такое приближение |
данных единой моделью, ошибка аппроксимации которой будет приемлема в |
практических целях. Естественно, что неверная спецификация функциональной формы |
может привести к серьезным, а часто и непредсказуемым искажениям при инференции. |
Поскольку каждый предиктор X принимает конечное множество значений, мы |
всегда проводим интерполяцию, т.е. мысленно заполняем промежуточные значения |
между двумя последовательными выборочными значениями x. Мы также должны принять |
во внимание, что каждая реализация отклика yi – выборка из условного распределения |
Y|X = xi, которая не вполне равна E [Y|X = xi] и является некоторой экстраполяцией. Таким |
образом, любой способ оценки функции регрессии выполняет интерполяцию, |
экстраполяцию и аппроксимацию, однако каждый метод вычислений расставляет свои |
акценты в решении этих задач |
Выборочное среднее и простая линейная регрессия – примеры линейных |
сглаживающих фильтров (smoothers), которые являются оценками функции регрессии для |
произвольного текущего значения x в следующей форме: |
)(ˆ |
xy |
= |
n |
1å = |
i |
( |
), |
xxwy |
i |
i |
, |
(4.3) |
где w(…) – некоторая заданная функция расчета весовых коэффициентов, оцениваемых по |
набору выборочных значений xi. |
Многие классические статистические формулы является частным случаем |
выражения (4.3). Например, приняв w(xi, x) = 1/n для x и всех xi, получим в итоге простое |
среднее для y. Оценки отклика по методу k-ближайших соседей основаны на |
151 |
взвешивающей функции w(xi, x) = 1/k , если между xi и x находится менее k членов, и |
w(xi, x) = 0, в противном случае. Наконец, простая модель линейной регрессии (без |
) x , |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.