Реализация конкурса регрессионных моделей с применением критерия согласованности поведения

Ключевые слова: регрессионная модель, критерии адекватности, методы наименьших квадратов, модулей, антиробастного и смешанного оценивания

Аннотация

В работе описываются основные этапы реализации конкурса регрессионных моделей сложных объектов. Он состоит в построении множества альтернативных вариантов модели заданного класса и последующем выборе лучшего варианта на основе использования векторного критерия оценки адекватности. В его состав, в частности, входят критерии Фишера, Стьюдента, Дарбина — Уотсона, множественной детерминации, смещения, информативности набора независимых переменных, остаточная дисперсия, средние относительные ошибки аппроксимации и прогноза, ширина области определения модели. Общее количество потенциальных вариантов модели при этом может составить десятки тысяч для размерностей, соответствующих реальным ситуациям, возникающим при моделировании. Описываются основные этапы организации конкурса моделей: построение множества допустимых вариантов по их соответствию содержательному смыслу факторов и значениям частных критериев адекватности; максимизация на этом множестве обобщенного критерия согласованности поведения расчетных и фактических значений зависимой переменной; в случае неединственности решения этой задачи реализация на сформированном множестве вариантов модели метода идеальной точки. Полученная в результате проведения конкурса модель будет соответствовать смыслу всех входящих в ее состав переменных и обладать высоким качеством.

Скачивания

Данные скачивания пока не доступны.

Биография автора

Сергей Иванович Носков, Иркутский государственный университет путей сообщения

д-р техн. наук, проф., профессор кафедры «Информационные системы и защита информации» Иркутского государственного университета путей сообщения

Литература

Noskov S. I. (1996) Object modeling technology with unstable operation and data uncertainty, Federal State Public Educational Establishment of Higher Training Eastern Siberia Institute of the Ministry of the Interior of the Russian Federation, 110, Lermontov Street, Irkutsk. 320 p.

Noskov S., Potorochenko N. (1992) System for the implementation of the “competition” of regression dependencies // Control systems and machines. No 2/4. P. 111–116.

Bazilevsky M. P., Noskov S. I. (2009) Technology of organizing a competition of regression models // Information technologies and problems of mathematical modeling of complex systems. No 7. P. 77–84.

Bazilevsky M. P. (2018) Nonlinearity Criteria for Quasilinear Regression Models // Modeling, Optimization and Information Technologies. V. 6. No 4 (23). Р. 185–195.

Bazilevsky M. P. (2020) Fundamental block of algorithms for constructing well-interpreted qualitative regression models // Information technologies and mathematical modeling in the management of complex systems. No 3 (8). Р. 1–10.

Bazilevsky M. P. (2017) Development and research of algorithms for estimating the parameters of additive power regression // Modern technologies. System analysis. Modeling. No 4 (56). Р. 131–138.

Bazilevsky M. P. (2012) Software and mathematical support for automation of multicriteria choice of regression models: abstract of ... dis. can. those. sciences. Irkutsk. 27 p.

Bazilevsky M. P. (2016) Algorithm for choosing the best regression in terms of the coefficient of determination with an adjustable effect of multi-collinearity between regressors // Information technologies and problems of mathematical modeling of complex systems/ No 15. P. 31–38.

Eliseeva I. I., Kurysheva S. V., Kosteeva T. V. and others (2007) Econometrics. Moscow: Finance and Statistics. 576 p.

Fox W. P., Bauldry W. C. (2020) Advanced Problem Solving Using Maple. LocationBoca Raton. 404 p. DOI https://doi.org/10.1201/9780429469626.

Kissell R. L. (2021) Algorithmic Trading Methods (Second Edition) // Applications Using Advanced Statistics, Optimization, and Machine Learning Techniques. P. 151–173.

Pardoe I. (2021) Applied Regression Modeling. John Wiley & Sons, Inc. 310 p.

Guerard J. B., Gultekin A. S. RegressionAnalysis and Estimating Regression Models // Quantitative Corporate Finance. P. 263–300.

Westfall P. H., Arias A. L. (2020) Understanding Regression Analysis. A Conditional Distribution Approach. LocationBoca Raton. 514 p.

Draper N, Smith G. (2016) Applied Regression Analysis, 3rd ed. Williams. 912 p.

Noskov S. I. (2020) Method of antirobast estimation of linear regression parameters: number of maximum on the module of approximation errors // South – Siberian scientific bulletin. No 1(29). Р. 51–54.

Noskov S. I. (2019) About the method of mixed estimation of parameters of linear regression // Information technology and mathematical modeling in the management of complex systems. N. 1. P. 14–20.

Lotov A. V., Bushenkov V. A., Kamenev G. K., Chernykh O. L. (1997) The computer and the search for a compromise. Method of achievable goals. Moscow : Nauka. 239 p.

Noskov S. I. (1994) Construction of econometric dependencies taking into account the criterion of “consistency of behavior” // Cybernetics and Systems Analysis. No 1. P. 177.

Noskov S. I. (2018) Generalized criterion of coordination of behavior inregression analysis // Information technology and mathematical modeling in the management of complex systems. No 1. P. 14–20.

Опубликован
2021-08-16
Как цитировать
Носков, С. И. (2021). Реализация конкурса регрессионных моделей с применением критерия согласованности поведения. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (2), 153-160. https://doi.org/10.17308/sait.2021.2/3511
Раздел
Интеллектуальные информационные системы