Modul Nelineární regrese umožňuje výpočet parametrů libovolného explicitního regresního modelu na základě dat. Modul nabízí metody Gauss-Newton, Marquardt, Gradient-Cauchy, Dog-Leg, Gradient-Fix, Modifikovaný simplex. Výpočet je velmi interaktivní, během výpočtu lze průběžně měnit metodu a sledovat proložení. Počáteční odhady parametrů lze kontrolovat před výpočtem. Tím je zajištěna maximální efektivita tvorby a práce s nelineárními modely. Výstupy zahrnují grafickou i textovou diagnostiku dat a modelu.
Nelineární regrese - manuál ve formátu Pdf
- Výpočet parametrů libovolného nelineárního modelu.
- Modely s až 32 parametry a 256 proměnnými.
- Proložení dat křivkou se známou rovnicí.
- Predikce závisle proměnné podle modelu.
- Kalibrace, verifikace, validace.
- Spolehlivé výsledky díky ověřeným metodám výpočtu parametrů.
- Výkonné diagnostické metody pro odhalení zvláštností v datech.
- Rychlé sestavení modelu a odhadů parametrů.
- Modely se zlomem.
Metody optimalizace:
- Gauss-Newton
- Marquardt
- Gradient-Cauchy
- Dog Leg
- Adaptivní gradient
- Simplex
|
Výstupy:
- Počáteční hodnoty parametrů
- Odhady parametrů
- Statistiky parametrů
- Intervaly spolehlivosti
- Korelační matice parametrů
- Analýza reziduí
- Vícenásobný korel. koef. R
- Koeficient determinace R^2
- Predikovaný korel. koef. Rp
- Stř. kvadratická chyba predikce MEP
- Akaikeho informační kritérium
- Reziduální součet čtverců
- Průměr absolutních reziduí
- Reziduální směr. odchylka
- Reziduální rozptyl
- Šikmost reziduí
- Špičatost reziduí
- Cook-Weisbergův test heteroskedasticity
- Jarque-Berrův test normality
- Waldův test autokorelace
- Znaménkový test reziduí
- Indikace vlivných dat
- Jackknife rezidua
- Predikovaná rezidua
- Diagonála projekční matice
- Atkinsonova vzdálenost
|
Dialog pro zadání regresního modelu:
Základní dialog pro nelineární regresi:
Kontrolní náhled proložení dat:
Panel výpočtu parametrů:
Ukázky použití:
Model ochlazování:
[T] ~ p1+p2*exp([Cas]*p3)
Počáteční hodnoty parametrů |
P1 |
20 |
P2 |
200 |
P3 |
-1 |
Výsledné proložení:
Predikce téhož modelu mimo interval měřených dat s intervalem spolehlivosti predikce:
Odhady parametrů:
|
Parametr |
Směr. odchylka |
Dolní mez |
Horní mez |
P1 |
9.629958625 |
1.437580742 |
6.730800758 |
12.52911649 |
P2 |
307.3445052 |
14.46291436 |
278.1772587 |
336.5117518 |
P3 |
-1.270317008 |
0.05458188634 |
-1.380391873 |
-1.160242144 |
Korelační matice parametrů:
|
P1 |
P2 |
P3 |
P1 |
1 |
0.8340193618 |
-0.9338794208 |
P2 |
0.8340193618 |
1 |
-0.9708823844 |
P3 |
-0.9338794208 |
-0.9708823844 |
1 |
Model se zlomem:
Možnost podmíněných výrazů v nelineárním modelu dovoluje kostrukci po částech spojitých modelů, nebo modelů se zlomem. Příkladem jsou dvě přímky s podmínkou spojitosti v bodě zlomu. Výhodou výpočtu je stanovení bodu zlomu i s intervalem spolehlivosti. Použitý model: (P1+P2*[X])*LT([X],P4)+(P1+P4*(P2-P3)+P3*[X])*GE([X],P4), počáteční odhady: P1 = -10, P2 = 50, P3 = 10, P4 = 1.9.
Bod zlomu: |
Xzl = 1.92 |
95% interval spolehlivosti bodu zlomu: |
1.85 až 1.99 |
|