Матричная форма метода наименьших квадратов.
4.3.1.Уравнение наблюдений в матричной форме
Запишем наблюдения в каждой точке i:
(4.4)
Введем в рассмотрение матрицу плана наблюдений или матрицу базисных функций (не путать с вектором ).
(4.5)
Тогда при условии линейного вхождения вектора параметров в модель, получим:
(4.6)
Справедливость уравнения (4.6) проверяется переводом уравнения (4.6) в скалярную форму по правилу умножения матрицы X на вектор .
В уравнении наблюдений (4.6)
= (b0,b1,….,bj,….bn); - n –мерный вектор оцениваемых параметров;
= (e0,e1,….,ej,….en); - N –мерный вектор остатков;
= (y0,y1,….,yj,….yn); - N –мерный вектор наблюдений.
Замечание: Если структура модели нелинейна по , т.е. входит в базисную функцию, то записать уравнение (4.6) невозможно и классический метод наименьших квадратов непримерим.
4.3.2.Нормальные уравнения регрессии и формула для параметров уравнения
Используем известную формулу из матричной алгебры:
(4.7)
Тогда, опуская стрелки с учетом того, что получаем:
(4.8)
(4.9)
Система нормальных уравнений запишется в виде:
(4.10)
где (XTX) – матрица нормальных уравнений.
Пусть обратная матрица (XTX)-1 существует (она называется информационной матрицей Фишера). Тогда:
В противном случае det(XTX)-1=0 и матрица нормальных уравнений необратима.
Если det(XTX)-1¹0, но очень мал, то обращаемая матрица плохо обусловлена. Возникает вычислительные проблемы обращения матриц большей размерности.
Дата добавления: 2020-12-11; просмотров: 577;