Statistické zpracování vodohospodářských dat 5. Výstavba regresního modelu diagnostikami regresního tripletu

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25310%2F07%3A00006097" target="_blank" >RIV/00216275:25310/07:00006097 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Statistické zpracování vodohospodářských dat 5. Výstavba regresního modelu diagnostikami regresního tripletu

Popis výsledku v původním jazyce

Postup hledání regresního modelu je popsán na dvou úlohách kontrolní laboratoře a obsahuje: 1. Návrh modelu začíná vždy od nejjednoduššího modelu, lineárního. 2. Předběžná analýza dat sleduje proměnlivost proměnných na rozptylových diagramech a indexových grafech. Vyšetřuje se multikolinearita, heteroskedasticita, autokorelace a vlivné body. 3. Odhadování parametrů se provádí klasickou metodou nejmenších čtverců, následované testem významnosti parametrů Studentovým t-testem. Střední kvadratická chyba predikce MEP a Akaikovo informační kritérium AIC představují rozhodčí kritéria při hledání nejlepšího regresního modelu. 4. Regresní diagnostika provádí identifikaci vlivných bodů a ověření předpokladů metody nejmenších čtverců. V případě více vysvětlujících proměnných se posoudí vhodnost jednotlivých proměnných pomoci parciálních regresních grafů a parciálních reziduálních grafů. 5. Parametry zpřesněného modelu jsou odhadovány s využitím (a) metody vážených nejmenších čtverců (MVN) při ne

Název v anglickém jazyce

Computer-Assisted Statistical Data Analysis: 5. Regression Model Buiding and Testing Using Diagnostic of Regression Triplet

Popis výsledku anglicky

Regression models are extremely useful devices for extracting and understanding the essential features of a set of data. These models, however, are nearly always approximate descriptions of more complicated processes. There are a number of common difficulties associated with real datasets. The main one involves the detection and elimination of outliers in the original data. A problem with outliers is that they can strongly influence the model, especially when using least squares criteria, so a several step procedure is required, first to identify whether there are any samples that are atypical of the dataset, then to remove them, and finally to reformulate the model. The method of least-squares LS ensures the acceptable regression model when all threecomponents of regression triplet are fulfilled. When some assumptions are not fulfilled, the LS method is inconvenient. Regression diagnostics introduced in this paper represent the procedure for identification of (a) the data quality for

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

CB - Analytická chemie, separace

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2007

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Vodní hospodářství

ISSN

1211-0760

e-ISSN

—

Svazek periodika

57

Číslo periodika v rámci svazku

6

Stát vydavatele periodika

CZ - Česká republika

Počet stran výsledku

7

Strana od-do

224-230

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—