Регресійний аналіз інтервальних даних
В процедурі задані локальні та глобальні змінні, локальні змінні використовуються у якомусь невеликому відрізку програми, це може бути невеликий цикл тощо, а глобальні змінні фігурують на протязі всієї програми.
В якості локальних змінних оголошені n- кількість строк матриці Х, m- кількість стовпчиків матриці Х, j,k,c,i – номер елемента вибірки, kol_strok та kol_stolbcov - розмір матриці Х, matrica_X що вводиться з клавіатури користувачем, vektor_Y- вектор спостережень, pogr_Y,pogr_X - це похибки, її користувач визначає самостійно і вводить з клавіатури, vector_beta - вектор-стовпчик знайденних оцінок коефіцієнтів в процедурі ocenki_parametrov,
pod_sum_vnutr – значення яке відповідає формулі
,
summa_vnutr - значення яке відповідає формулі
,
sum_vnesh - значення яке відповідає формулі
,
pod_summa_2 - значення
яке відповідає
формулі
,
summa_2 - значення
яке відповідає
формулі
,
summa - значення яке відповідає формулі
.
Глобальні змінні otv – значення нотни, знайдене за формолою

Далі в процедурі формуються масиви для pod_sum_vnutr, summa_vnutr, sum_vnesh, pod_summa_2, summa_2, summa які використовуються для подальших обчислень.
pod_sum_vnutr:=array(1..n):
summa_vnutr:=array(1..m):
sum_vnesh:=array(1..m):
pod_summa_2:=array(1..n):
summa_2:=array(1..m):
summa:=array(1..m):
Розмір матриці Х формується за допомогою функцій RowDimension та ColumnDimension.
kol_strok:=RowDimension(viborka):
kol_stolbcov:=ColumnDimension(viborka):
Так як формула для знаходження нотни є складною, обчислимо її частинами, щоб спростити дії для машини та не помилитись.
Спочатку рахуємо вираз під внутрішньою сумою.
for i to n do
pod_sum_vnutr[i]:=abs(2*matrica_X[i,k]*vector_beta[k,1]/(m-1) +matrica_X[i,j]*vector_beta[j,1]-vektor_Y[i,1]/(m-1))*pogr_X[k] +abs(matrica_X[i,k]*vector_beta[j,1])*pogr_X[j]
end do:
Далі знаходимо значення під внутрішньою сумою.
for j to m do
summa_vnutr[j]:=sum('pod_sum_vnutr[ii]','ii'=1..n):
end do:
Рахуємо зовнішню суму.
for k to m do
sum_vnesh[k]:=sum('summa_vnutr[jj]','jj'=1..k-1) +sum('summa_vnutr[jj]','jj'=k+1..m):
end do:
Рахуємо другу частину формули.
for c to n do
pod_summa_2[c]:=abs(matrica_X[c,k]):
end do:
summa_2[k]:=sum('pod_summa_2[d]','d'=1..n)*pogr_Y:
summa[k]:=(sum_vnesh[k]+summa_2[k])/n:
Виводимо відповідь: otv:=summa:
Розглянемо процедуру під назвою interval_znachen_param. В цій процедурі, використовуючи результати попередніх двох процедур ocenki_parametrov та Notna ocenki_parametrov, рахуються інтервали в яких знаходяться оцінки коефіцієнтів регресії. В ній оголошені такі змінні: viborka– це вибірка довільного об’єму та вимірності з якою ми будемо працювати, вона вводиться з клавіатури користувачем; nomer_zavis_koord –номер координати, яка трактується як залежна, pogr – вектор максимальних величин похибок, з якими визначенні координати елементів вибірки.
В процедурі задані локальні та глобальні змінні, локальні змінні використовуються у якомусь невеликому відрізку програми, це може бути невеликий цикл тощо, а глобальні змінні фігурують на протязі всієї програми.
В якості локальних змінних оголошені razmer – кількість стовпців, massiv_interv_koeff, parametric – знайдені оцінки коефіцієнтів, notna-знайдена нотна, і – номер коефіцієнту регресії.
Глобальні змінні interv – шуканий інтервал.
Далі в програмі формуються масиви для massiv_interv_koeff, interv, які використовуються для подальших обчислень.
massiv_interv_koeff:=array(1..razmer):
interv:=Matrix(1..razmer,1..2):
Так як формула для правої та лівої границі інтервалу в методі інтервальних даних є складною, обчислимо її частинами, щоб спростити дії для машини та не помилитись.
for i to razmer do
massiv_interv_koeff[i]:=parametri[i,1]:
interv[i,1]:=massiv_interv_koeff[i]-notna[i]:
interv[i,2]:=massiv_interv_koeff[i]+notna[i]:
end do:
Програма повертає значення верхньої та нижньої меж інтервалів, які накривають коефіцієнти регресії. В результаті роботи цієї процедури ми отримали результати, обчислені у вигляді зручному для побудови графіка за цими даними.
Розглянемо процедуру під назвою generator_viborki. В цій процедурі ми вибираємо вибірку довільного об’єму, значення якої є нормально розподіленими. В ній оголошені такі змінні: DIGITS – кількість знаків після коми, obem_vibork- об’єм нашої вибірки, distrib- вибір розподілу, parametr- коефіцієнти.
В процедурі задані глобальні змінні, що фігурують на протязі всієї програми.
В якості глобальних змінних оголошені VIBORK- це вибірка з якою ми будемо працювати.
Далі в програмі формується масив для VIBORK.
VIBORK:=array(1..obem_vibork):
if distrib=NORMAL then
for i to obem_vibork do
VIBORK[i]:=stats[random, normald[0,parametr]](1):
end do:
Таким чином ми отримаємо вибірку.
Розглянемо процедуру під назвою grafic_ocenok. В цій процедурі за отриманими вище даними будуємо графіки на яких зображені інтервали для коефіцієнтів регресії. В ній оголошені такі змінні: DIGITS – кількість знаків після коми, digits_okrug - кількість знаків після коми значень нашої вибірки, kol_razb - обєм нашої вибірки, distrib – вибір розподілу, parametr - кількість коефіцієнтів регресії, model – рівняння регресії, pogr - похибка.
В процедурі задані локальні та глобальні змінні, локальні змінні використовуються у якомусь невеликому відрізку програми, це може бути невеликий цикл тощо, а глобальні змінні фігурують на протязі всієї програми.
В якості локальних змінних оголошені gg1n, gg1v, gg2n,gg2v – нижня і верхня границі інтервалів для кожного коефіцієнту регресії, s - обєм вибірки.
Глобальні змінні ViBVreM - це округлена вибірка, INTERVAL- інтервальне значення параметрів.
Далі в програмі формуються масиви для верхніх і нижніх меж
gg1n:=array(2..kol_razb):
gg1v:=array(2..kol_razb):
Задаємо колір нижньої та верхньої меж та істинного значення для двох коефіцієнтів.
ggg1n:=[seq([b,gg1n[b]],b=2..kol_razb)]:
g1:=plot(ggg1n,'colour'='blue',legend="Нижня межа");
ggg1v:=[seq([b,gg1v[b]],b=2..kol_razb)]:
g2:=plot(ggg1v,'colour'='green',legend="Верхня межа");
ggg2n:=[seq([b,gg2n[b]],b=2..kol_razb)]:
g21:=plot(ggg2n,'colour'='blue',legend="Нижня межа");
ggg2v:=[seq([b,gg2v[b]],b=2..kol_razb)]:
g22:=plot(ggg2v,'colour'='green',legend="Верхня межа");
gt:=plot(2,t=0..kol_razb,'colour'='red',legend="Істинне значення"):
gt:=plot(-4,t=0..kol_razb,'colour'='red',legend="Істинне значення"):
Підписуємо графіки
display([g1,g2,gt],'title'="Обчислення першого коефіціента регресіі",'titlefont'=[TIMES,BOLD,18]):
display([g21,g22,gt],'title'="Обчислення другого коефіціента регресіі",'titlefont'=[TIMES,BOLD,18]):
Таким чином результати розробленої програми представлені на графіках.
4.3. Результати роботи програми
Результати програми для вибірки діапазону 1-80.
![]()






![]()

![]()

![]()

![]()

![]()

![]()

![]()


Результати програми для вибірки діапазону 1-40.
![]()






![]()

![]()

Результати програми для вибірки діапазону 1-20.
![]()

Результати програми для вибірки діапазону 1-10.
![]()


![]()


Результати програми для вибірки діапазону 1-200.
![]()

![]()


![]()

Висновки
В дипломній роботі за допомогою розробленої програми проведено чисельний експеримент по дослідженню залежності величин довжин інтервалів, що накривають невідомі параметри регресії, від об’єму вибірки.
З одержаних результатів випливає, що починаючи з деякого об’єму вибірки спостерігається стабілізація, тобто різниця між верхньою та нижньою границею інтервалів, що накривають параметри регресії, перестає зменшуватись. Тому використовувати вибірки об’ємом більше, ніж це порогове значення є недоцільним, бо це не дає поліпшення результатів. Цей поріг, де починається стабілізація, не залежить від вектора похибки і приблизно дорівнює 50.
Список використаних джерел
1. Орлов А.И Прикладная статистика. – М.: Экзамен, 2004.
2. Орлов А.И., Орловский И.В. Прикладной многомерный статистический
анализ. – М.: Наука, 1978.
3. Вощинин А.П., Бочков А.Ф. Сотиров Г.Р. Интервальный анализ данных
как альтернатива регрессионному анализу. – Заводская лаборатория,
1990.
4. Вощинин А.П. Интервальный анализ данных: развитие и перспективы. -
Заводская лаборатория, 2002.
5. Себер Дж. Линейный регрессионный анализ. – М.: Мир, 1980.
6. Демиденко Е. З. Линейная и нелинейная регрессии. – М.: Финансы и
статистика, 1981.
7. Дьяконов В. Maple 6: учебный курс. – СПб.: Питер, 2001.
8. Четыркин Е.М. Статистические методы прогнозирования. – М.:
Статистика, 1975.