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); }