public ExteendedCoef GetPartialCoefCorrelationInfo(int i, int j)
{
//значение
double rij = PartialR[i][j];
//значимость
int w = PartialR.GetLength(0) - 2;
int NN = PartialR.GetLength(0) * N;
double V = NN - w - 2; //Это чисто мое обозначение для упрощения кол-ва степеней свободы
double t = (rij * Math.Sqrt(V) / Math.Sqrt(1 - rij * rij));
string state = Math.Abs(t) < Kvantili.Student(0.05, V) ? "Не значущий" : "Значущий";
//интервальное оценивание
double V1 = Math.Log((1 + rij) / (1 - rij)) / 2.0 - Kvantili.Normal(0.05) / (V - 1);
double V2 = Math.Log((1 + rij) / (1 - rij)) / 2.0 + Kvantili.Normal(0.05) / (V - 1);
double bottomborder = (Math.Exp(2 * V1) - 1) / (Math.Exp(2 * V1) + 1);
double Topborder = (Math.Exp(2 * V2) - 1) / (Math.Exp(2 * V2) + 1);
return(new ExteendedCoef()
{
info = Environment.NewLine + "Частковий коефіцієнт кореляції r(" + i + ")(" + j + "):",
BottomValue = bottomborder,
Value = rij,
TopValue = Topborder,
State = state
});
}
//значимость Стюарта
public string CheckSignificanceOfStuart()
{
//минимум
double min = Math.Min(SizeM, SizeN);
//сумма под корнем
double Sum = 0;
for (int i = 0; i < SizeN; i++)
{
for (int j = 0; j < SizeM; j++)
{
double A = 0, B = 0;
//считаем А
for (int k = 0; k < SizeN; k++)
{
for (int l = 0; l < SizeM; l++)
{
A += nij[k][l];
}
}
for (int k = 0; k < i - 1; k++)
{
for (int l = 0; l < j - 1; l++)
{
A += nij[k][l];
}
}
//считаем B
for (int k = 0; k < SizeN; k++)
{
for (int l = 0; l < j - 1; l++)
{
B += nij[k][l];
}
}
for (int k = 0; k < i - 1; k++)
{
for (int l = 0; l < SizeM; l++)
{
B += nij[k][l];
}
}
//считаем саму сумму
Sum += nij[i][j] * Math.Pow(A - B, 2);
}
}
double sigma = 2 * min / (N * N * N * (min - 1)) * Math.Sqrt(N * N * Sum - 4 * N * (P - Q));
//проверка на значимость(работа с квантилем)
double Tau = this.stuart;
double tk = Kvantili.Student(alpha, SizeM + SizeN - 2);
double t = Tau / sigma;
string significance = "Tau = " + Math.Round(Tau, 4) + Environment.NewLine + "t(" + (1 - alpha / 2.0) + ", " + (SizeM + SizeN - 2) + " )= " + Math.Round(tk, 4) + Environment.NewLine;
significance += "T = " + Math.Round(t, 4) + Environment.NewLine;
if (Math.Abs(t) <= tk)
{
significance += "Оцінка значуща!";
}
else
{
significance += "Оцінка не значуща!";
}
return(significance);
}
private static RegressionResult GetConfidenceIntervalsOnRegressionParametrs(double alpha, int n, List <STAT> XStats, STAT yStat, Vector YVector, Vector ExtendedparamsVector)
{
//это величина доьавлением/отниманием которой получаются доверительные интервалы на параметры регресии
double[] confidenceValues = new double[n + 1];
//берем исходные иксы
List <Vector> XInputVectors = XStats.Select(stat => new Vector(stat.d)).ToList();
//добавляю игрекв первую колонку
XInputVectors.Insert(0, YVector);
Matrix X = Matrix.Create.JoinVectors(XInputVectors);
//ищем квантиль
int N = XStats[0].d.Length * n;
int Nu = N - n; //по формуле N-n
double kv = Kvantili.Student(alpha, Nu);
//коэф детерминации
XStats.Add(yStat); //добавляем y к иксам, чтобы получить общую матрицу
STATND STATNDForR = new STATND(XStats.ToArray()); //заносим полученную матрицу в многомерный анализ
double MultipleR = STATNDForR.GetMultipleR(n);
double DeterminationCoef = MultipleR * MultipleR;
//ищем остаточную дисперсию и сигму
double S2 = (double)(N - 1) / (N - n) * yStat.Dispersia * (1 - DeterminationCoef);
double sigma = Math.Sqrt(S2);
//значимость параметров
string[] paramsState = new string[7];
double KvForParams = Kvantili.Student(alpha, N - n);
//ищем сkk
Matrix C = (X.Transpose() * X).Inverse();
for (int i = 0; i < n + 1; i++)
{
//дл интервальных оценок
double Ckk = C[i, i];
confidenceValues[i] = kv * sigma * Math.Sqrt(Ckk);
//проверка параметров регрессии на значимость
paramsState[i] = Math.Abs(ExtendedparamsVector[i] / (sigma * Math.Sqrt(Ckk))) <= KvForParams? "не значущий": "Значущий";
}
//переносим из массива в вектор
Vector ConfidenceVector = new Vector(confidenceValues);
//доверительные границы
Vector topLimits = ExtendedparamsVector + ConfidenceVector;
Vector bottomLimits = ExtendedparamsVector - ConfidenceVector;
//проверка значимости регрессии
string state = "";
double f = (double)(N - n - 1) / n * DeterminationCoef * DeterminationCoef / (1 - DeterminationCoef * DeterminationCoef);
int Nu1 = n;
int Nu2 = N - n - 1;
Func <double, double> r = v => Math.Round(v, 4);
Action <string> Add2Log = s => state += s + Environment.NewLine;
Add2Log("f = " + r(f));
Add2Log("kv = " + r(kv));
if (f > kv)
{
Add2Log("f > kv");
Add2Log("Регресійна модель Значуща");
}
else
{
Add2Log("f <= kv");
Add2Log("Регресійна модель НЕ Значуща");
}
//Интервалы дисперсии
double nominator = S2 * (N - n);
double TopDisp = nominator / Kvantili.Hi2((2d - alpha) / 2, N - n);
double BottomDisp = nominator / Kvantili.Hi2(-alpha / 2d, N - n);
string disprsionIntervals = String.Format("{0}<={1}<={2}", r(BottomDisp), r(S2), r(TopDisp));
RegressionResult result = new RegressionResult()
{
BotoomConfidenceLimits = bottomLimits,
RegressionParams = ExtendedparamsVector,
TopConfidenceLimits = topLimits,
R = DeterminationCoef,
state = state,
ParamsState = paramsState,
DispersionIntervals = disprsionIntervals
};
return(result);
}
