А   Б  В  Г  Д  Е  Є  Ж  З  І  Ї  Й  К  Л  М  Н  О  П  Р  С  Т  У  Ф  Х  Ц  Ч  Ш  Щ  Ю  Я 


Квадрат - коефіцієнт - кореляція

Квадрат коефіцієнта кореляції, званий вибірковим коефіцієнтом детермінації характеризує частку пояснене регресією дисперсії в Про бщей величиною дисперсії залежної змінної.

Квадрат коефіцієнта кореляції називається коефіцієнтом детермінації. Він показує, на скільки відсотків варіація результативного показника залежить від впливу обраних факторів. Вектор значень Фішера служить для оцінки множинного коефіцієнта кореляції і рівняння регресії в цілому. Розрахункові значення порівнюються з табличними.

За своїм аналітичного вираженню коефіцієнт надійності (або надійність) є квадратом коефіцієнта кореляції (тобто коефіцієнтом детермінації) результатів вимірювання з істинними результатами, а його квадратний корінь (тобто коефіцієнт кореляції R) прийнято називати індексом надійності.

При цьому зазначалося, що когерентність має аналог в елементарній статистикою - квадрат коефіцієнта кореляції. Тепер же зауважимо, що поняття когерентності узагальнюється на випадок багатьох входів, причому виникають два інших типи когерентності - множинна і приватна; їх аналогами служать квадрат множинного коефіцієнта кореляції і квадрат приватного коефіцієнта кореляції.

Повертаючись до аналогії з класичної статистикою, відзначимо, що передавальна функція відповідає регрессионному коефіцієнту, а когерентність - квадрату коефіцієнта кореляції.

X і К мають всього по два значення, то значення показника середньої квадратичної пов'язаності збігається з квадратом кореляційного відносини і квадратом коефіцієнта кореляції між цими величинами.

Потрібно, користуючись цими даними, знайти імпульсну перехідну функцію k (t), що задовольняє тих чи інших обмежень і забезпечує максимум квадрата коефіцієнта кореляції між ідеальним h (t) і дійсним v (t) сигналами на виході системи.

Далі аналізуються статистичні характеристики моделі (6), а саме: визначається дисперсія коефіцієнтів моделі SS (b0) і SSfii), дисперсія моделі в цілому SS (у), а також квадрат коефіцієнта кореляції моделі р я. Чисельні значення статистичних параметрів остаточно обраних лінійних моделей в площині перетворених змінних свідчать про правильне або помилкове перетворенні спектра.

Відношення цієї величини розкиду, обумовлюється нашим регресійний рівнянням, до загального спостерігається розкиду називається коефіцієнтом детермінації) і дорівнює квадрату коефіцієнта кореляції.

Подоба залежностей А, від полуугла розкрита галок - кордонів структур 7і9. Було виявлено, що характеристики канонічних спектрів відчувають наявність НС в цілому, а характеристики псевдоспектров здатні розрізняти подібні структури з різними параметрами (ступенями) асиметрії. Наприклад, наявність тільки однієї симетрії для структур /, 3 дає стійке значення індексу однорідності /, 0 2год - 0 5 для канонічних і 2 + 2 для псевдоспектров. Для структур 1 - 10 (див. Табл. 2) залежно модуля середнього індексу порядку по псевдоспектрам від параметра асиметрії добре апроксимуються ступеневою функцією :) Д, (а)]Лсаг, аналогічно рис. 10 а (табл. 3), де також даються відносини з коеффіціентовЛ, і (З - коефіцієнта-тов В, № - квадрат коефіцієнта кореляції. Деякі автори вважають за краще називати когерентністю позитивні значення Юшку (/) квадратного кореня введеної величини. Співвідношення ( 9.7) - (9.9) дуже корисно зіставити з формулами для регресії і кореляції, наведеними в гл. Неважко побачити, наприклад, що передавальна функція Я (/) є аналогом коефіцієнта регресії р і що спектр потужності і крос-спектр служать аналогами дисперсії і коваріації відповідно. Далі когерентність є аналогом квадрата коефіцієнта кореляції.

Зазвичай при побудові математичної моделі будь-якого характеру доводиться враховувати тільки основні визначальні чинники і відкидати другорядні. Природно, що отримане математичний опис завжди бідніше реального об'єкта і відображає тільки його основні закономірності необхідні для вирішення конкретного завдання. Виникає необхідність у визначенні ступеня ідентичності моделі реальному об'єкту. Для кількісної оцінки ступеня ідентичності моделі об'єкту Н.С. Райбман[79]запропонував дисперсійну міру визначеності процесу, яка для випадку лінійної кореляційної моделі дорівнює квадрату коефіцієнта кореляції. Практична користь заходи має два аспекти. По-перше, вона дозволяє кількісно визначити вплив введених в модель факторів на вихідний параметр.