Научный журнал
Современные наукоемкие технологии
ISSN 1812-7320
"Перечень" ВАК
ИФ РИНЦ = 0,940

ОБ ОЦЕНИВАНИИ ПАРАМЕТРОВ РЕГРЕССИОННЫХ МОДЕЛЕЙ С ИСПОЛЬЗОВАНИЕМ ВЕЙВЛЕТОВ

Тимофеев В.С. 1 Исаева Е.В. 1
1 ФГБОУ ВО «Новосибирский государственный технический университет»
В работе рассматривается применение вейвлет-анализа при оценивании неизвестных параметров регрессионных моделей с помощью метода максимального правдоподобия. На сегодняшний день вейвлет-анализ широко используется для аппроксимации различных функций, в том числе и для восстановления функции плотности распределения. Таким образом, использование различных материнских вейвлетов дает хороший результат при оценивании параметров регрессионных зависимостей за счет возможности адаптироваться как к известным теоретическим распределениям, так и к различным распределениям, возникающим при статистической обработке данных. В качестве базисных вейвлетов в работе были рассмотрены вейвлет LITTLEWOOD & PALEY, вейвлет Морле, DOG вейвлет и вейвлет «Мексиканская шляпа». На основе данных материнских вейвлетов были построены функции правдоподобия и получены их логарифмические представления. Опираясь на теорию вейвлет-анализа, предложили универсальный алгоритм для оценивания параметров регрессионных моделей, обеспечивающих получение качественных результатов для большого числа реальных задач, в том числе при отсутствии известных предположений о свойствах случайной компоненты. Достаточная серия вычислительных экспериментов позволила сделать вывод о качестве получаемых оценок неизвестных параметров регрессионных моделей, при различных условиях формирования выборки. Отмечено влияние объема выборки на точность оценивания параметров регрессионных моделей. Установлено, что увеличение объема исходных данных дает существенное преимущество. Сравнение точности предложенного алгоритма с методом наименьших квадратов и методом полупараметрического восстановления функции плотности на основе обобщенного лямбда-распределения позволило сделать вывод о целесообразности применения вейвлет-анализа при оценивании неизвестных параметров регрессионных моделей.
уравнение регрессии
метод максимального правдоподобия
функция плотности распределения
оценка функции плотности распределения
оценивание параметров
вейвлет-анализ
вейвлет-оценка
вейвлет Морле
DOG вейвлет
вейвлет LITTLEWOOD & PALEY
вейвлет «Мексиканская шляпа»
1. Ивченко Г.И., Медведев Ю.И. Математическая статистика. М.: КД Либроком, 2019. 352 c.
2. Hari Krishan Malhotra, Lalit Kumar Vashisht. On scaling functions of non-uniform multiresolution analysis in L2(R). International Journal of Wavelets, Multiresolution and Information Processing. 2020. Vol. 18. No. 02. 14 p.
3. Emmanuel de Dieu Nkou, Guy Martial Nkiet Wavelet-based estimation in a semiparametric regression model. International Journal of Wavelets, Multiresolution and Information Processing. 2021. 30 p.
4. Добеши И. Десять лекций по вейвлетам. Ижевск: НИЦ Регулярная и хаотическая динамика, 2001. 464 с.
5. Чуи К. Введение в вейвлеты. М.: Мир, 2001. 412 с.
6. Тимофеев В.С., Исаева Е.В. Об оценивании функции плотности распределения случайной величины с использованием вейвлетов // Научный вестник Новосибирского государственного технического университета. 2019. № 4 (77). С. 71–84.
7. Timofeev V.S., Isaeva E.V. Estimating the distribution density function using a DOG wavelet. Journal of Physics: Conference Series. 2020. Vol. 1661. 6 p.
8. Тимофеев В.С., Исаева Е.В., Малышкина Е.Д., Слободчикова А.Э. Оценивание функции плотности распределения с использованием вейвлета Литлвуда – Пэли [Электронный ресурс] // Обработка информации и математическое моделирование: материалы Российской научно-технической конференции. 2020. С. 165–170.
9. Исаева Е.В. Оценивание функции плотности распределения с использованием вейвлета Морле // Международный журнал прикладных и фундаментальных исследований. 2022. № 2. С. 22–27.
10. Дрейпер Н.Р., Смит Г. Прикладной регрессионный анализ. М.: Статистика, 1973. 392 с.
11. Ивахненко А.Г., Степашко В.С. Помехоустойчивость моделирования. Киев: Наукова думка, 1985. 216 с.
12. Денисов В.И., Тимофеев В.С., Хайленко Е.А. Полупараметрическое восстановление функции плотности на основе обобщенного лямбда-распределения в задаче идентификации регрессионных моделей // Сибирский журнал индустриальной математики. 2014. Т. 17. № 3. C. 71–77.

Методы теоретической и прикладной статистики данных нашли широкое применение в различных сферах, среди которых можно выделить оптимизацию сложных технологических процессов, сертификацию технических систем и изделий, геофизические исследования грунтовых оснований для получения информации о распространении талых зон на вечномерзлых грунтах с целью обеспечения устойчивости зданий и сооружений. Возникающие в реальной жизни задачи нередко заставляют исследователя сталкиваться с необходимостью поиска зависимости между входными данными, задающими условия функционирования, и выходными данными, которые характеризуют изучаемый объект. Решение таких задач может быть выполнено путем построения регрессионных моделей, и один из этапов состоит в оценивании неизвестных параметров. Такой подход позволяет не просто восстановить исходную зависимость, но и выполнять прогнозирование поведения изучаемого объекта.

Классические методы оценивания неизвестных параметров регрессионных зависимостей позволяют получать достаточно корректные и качественные результаты только при условии, что имеются достоверные предположения о свойствах случайной компоненты [1]. Одним из таких способов определения неизвестных оценок является метод максимального правдоподобия. Применение данного метода возможно при условии, что имеется достоверная информация о виде распределения случайных ошибок наблюдения [1]. Предположение о нормальности распределения ошибок наблюдения позволяет применить метод наименьших квадратов и тем самым упростить поиск оценок. Но на практике в большинстве случаев распределение случайной ошибки нельзя считать нормальным. В связи с этим целью данной работы является разработка универсального адаптивного алгоритма оценивания параметров регрессионных моделей, позволяющего получать корректные результаты во многих практически реализуемых задачах. Предложенный авторами подход основан на вейвлет-анализе [2, 3], который широко используется для аппроксимации различных функций [4, 5]. Применение различных материнских вейвлетов позволило создать целый ряд новых адаптивных алгоритмов оценивания параметров регрессионных зависимостей, обеспечивающих получение качественных результатов для большого числа реальных ситуаций, в том числе при отсутствии известных предположений о свойствах случайной компоненты.

Постановка задачи и основные предположения

Пусть регрессионное уравнение принимает вид

missing image file, (1)

где missing image file – матрица значений функций регрессионной модели, missing image file; missing image file – оцениваемые неизвестные параметры модели; φi(x) – известные вещественные функции; xij – значения входных факторов в n наблюдениях; missing image file – вектор значений отклика; missing image file – вектор независимых случайных ошибок, q – число неизвестных параметров; n – число проведенных экспериментов.

Считаем, что вектор ошибок наблюдений εi состоит из независимых одинаково распределенных случайных величин с функцией плотности h(t), для которых выполняется

E(εi) = 0, D(εi) = σ2 < ∞.

Требуется, по имеющимся значениям отклика и входных данных, выполнить наиболее точное оценивание вектора неизвестных параметров регрессионного уравнения (1).

Оценка функции плотности распределения с помощью вейвлет-анализа

Пусть на произвольном отрезке [c,d] задана выборка missing image file, состоящая из независимых значений случайной величины ξ, причем missing image file. Закон и функция плотности распределения h(t) случайной величины ξ считаются неизвестными. Тогда согласно [4, 5] оценка функции плотности missing image file случайной величины ξ может быть представлена в виде ряда

missing image file, (2)

где N – параметр сглаживания (количество членов ряда), missing image file – коэффициенты разложения по ортонормированным базисным функциям ψi(t), выражающиеся в следующем виде:

missing image file. (3)

Принимая во внимание соотношение (3), запишем выражение для missing image file:

missing image file, (4)

где missing image file.

Согласно [4, 5] ортонормированная система функций ψi(t) определена на [0,1] и выражается соотношением

missing image file, (5)

где k ≥ 0, missing image file, missing image file, ψi(t) – материнский вейвлет [4, 5]. Выражение (5) выполняется, если i > 1. В случае i = 1 получаем, что missing image file.

В таблице представлены примеры различных материнских вейвлетов.

Примеры материнских вейвлетов

Вейвлет-функция

Аналитическая запись

«Мексиканская шляпа»

missing image file

DOG-вейвлет

missing image file

LITTLEWOOD & PALEY

missing image file

Морле

missing image file

Отметим, что необходимо перейти от ортонормированной на [0,1] системы базисных функций ψi(t) к системе функций missing image file ортонормированной на отрезке, который совпадает с областью определения случайной величины ξ. Переход от системы ψi(t) к системе missing image file согласно [6, 7] выполняется с помощью следующего соотношения:

missing image file. (6)

Тогда вейвлет-оценка функции плотности missing image file случайной величины ξ определяется соотношением (4) по ортонормированным базисным функциям missing image file.

Ранее авторами было исследовано качество восстановления функции плотности распределения на основе базисных вейвлетов, приведенных в таблице. С некоторыми результатами исследования можно познакомиться в [6–9]. Выводы, сделанные в результате вычислительных экспериментов, позволили предположить возможность применения вейвлет-оценок функции плотности при оценивании неизвестных параметров регрессионных моделей.

Алгоритм оценивания параметров регрессионных моделей

Рассмотрим задачу оценивания параметров регрессионного уравнения (1), для решения которой воспользуемся методом максимального правдоподобия [10]. Будем считать, что уравнение регрессии (1) является истинным. Значения остатков missing image file (Xi – i-я строка матрицы X) являются независимыми случайными величинами с плотностью распределения h(ei, θ), что следует из предположения о независимости случайных ошибок. Тогда логарифмическая функция правдоподобия принимает вид

missing image file

missing image file. (7)

Приведем пошаговый алгоритм, который позволит выполнять оценивание параметров регрессионных моделей на основе вейвлетов:

Шаг 1. Определить начальное значение вектора неизвестных параметров missing image file уравнения (1), l = 0, где l – номер итерации. В данном алгоритме предполагается использование метода наименьших квадратов [10] для определения начального приближения.

Шаг 2. Вычислить значения остатков missing image file регрессионной зависимости.

Шаг 3. Получить оценку функции плотности распределения с помощью соотношения (4) по ортонормированным базисным функциям (6).

Шаг 4. Определить значение логарифмической функции правдоподобия (7).

Шаг 5. Найти значение оценки вектора неизвестных параметров

missing image file.

Шаг 6. Итерационный процесс завершается, если missing image file, где δ – заданная погрешность вычисления. Если же missing image file, то выполняется переход на шаг 2 при условии l = l + 1.

Оценивание параметров регрессионных моделей с использованием вейвлетов

Поиск решения для задачи оценивания параметров регрессионной зависимости (1) может быть выполнен с помощью вычислительной схемы алгоритма, предложенного выше, где логарифмическая функция правдоподобия выражается соотношением (7) с использованием различных материнских вейвлетов, представленных в таблице.

Ранее на основе вейвлета LITTLEWOOD & PALEY (таблица) авторами была получена система функций missing image file [8], ортонормированная на произвольном отрезке [c,d], которая выражается следующим соотношением:

missing image file, (8)

где missing image file, а значения i, k, j определяются как в (5).

Вейвлет-оценка функции плотности missing image file с использованием вейвлета LITTLEWOOD & PALEY определяется разложением (4) по ортонормированным базисным функциям (8). Принимая во внимание (8) и тот факт, что ошибки наблюдений независимы, функцию правдоподобия (7) можно записать в следующем виде:

missing image file (9)

где missing image file, missing image file, а i, k, j такие же, как в (5).

Логарифмическое представление (9) выражается соотношением

missing image file (10)

В работе [9] с помощью вейвлета Морле (таблица) авторами была построена система функций missing image file, ортонормированная на произвольном отрезке [c,d], которая представима в виде

missing image file, (11)

где missing image file, а значения i, k, j такие же, как в (5).

Параметр missing image file и получен авторами в работе [8].

Соотношение (4), где базисные функции определяются выражением (11), является оценкой функции плотности missing image file случайной величины на основе вейвлета Морле. Тогда используя ортонормированную систему (11) и учитывая, что ошибки наблюдений независимы, функцию правдоподобия (7) можно записать в следующем виде:

missing image file, (12)

где missing image file, missing image file, а i, k, j такие же, как в (5), а z из (11).

Логарифмическое представление (12) выражается соотношением

missing image file (13)

Ортонормированная система функций missing image file на произвольном отрезке [c,d] с использованием DOG вейвлета (таблица) получена авторами ранее в работе [7] и выражается соотношением

missing image file, (14)

где missing image file, а значения i, k, j такие же, как в (5).

Значение параметра получено авторами в работе [6] и определяется соотношением

missing image file. (15)

Вейвлет-оценка функции плотности missing image file с использованием DOG вейвлета выражается разложением (4) по ортонормированным базисным функциям (14). Функция правдоподобия (7) на основе DOG вейвлета принимает вид

missing image file, (16)

где missing image file, missing image file, а i, k, j такие же, как в (5).

Логарифмическое представление (16) выражается соотношением

missing image file (17)

Ортонормированная система функций missing image file на произвольном отрезке [c,d] с использованием вейвлета «Мексиканская шляпа» (таблица) была получена авторами в работе [6] и выражается соотношением

missing image file, (18)

где missing image file, а значения i, k, j определяются как в (5). Значение параметра z выражается соотношением (15).

Разложение (4) по ортонормированным базисным функциям (18) определяет вейвлет-оценку функции плотности missing image file случайной величины с помощью вейвлета «Мексиканская шляпа». Функция правдоподобия (7), построенная с учетом соотношения (18) и того, что ошибки наблюдений независимы, принимает вид

missing image file (19)

где missing image file, missing image file, а i, k, j такие же, как в (5), z из (15).

Логарифмическое представление (19) выражается соотношением

missing image file (20)

Покажем, что представленная вычислительная схема алгоритма оценивания параметров регрессионных моделей, где логарифмическая функция правдоподобия выражается одним из предложенных выше соотношений, соответствующих различным вейвлетам, обеспечивает получение качественных результатов при различных условиях.

Результаты вычислительных экспериментов

Исследуем предложенный выше алгоритм оценивания неизвестных параметров θ регрессионной зависимости (1) на основе различных материнских вейвлетов с помощью методов статистического моделирования. Рассмотрим регрессионную зависимость, выражающуюся в следующем виде:

y = θ1 + θ2x + θ3x2 + ε. (21)

Отметим, что значения входных факторов xij регрессионного уравнения (21) определялись из отрезка [–4, 4], количество неизвестных параметров равно 3, а их истинные значения: θ1 = 4, θ2 = –9, θ3 = 2. Значения вектора ошибок наблюдений εi моделировались независимыми с функцией распределения вида

missing image file (22)

где missing image file – функция нормального распределения с математическим ожиданием mi и дисперсией missing image file; i = 1,2, missing image file – параметр смеси. При выполнении вычислительных экспериментов будем считать m1 = m2 = 0.

Отметим, что моделирование ошибки выполняется при различной степени отклонения от нормального распределения. Доли наблюдений с дисперсиями missing image file и missing image file в выборке определяются с помощью параметра μ, где при μ = 0 и μ = 1 распределение ошибки будет нормальным. В процессе моделирования предполагалось, что missing image file, а значения дисперсий missing image file и missing image file задавались через значения уровня шума [11], который определяется соотношением

missing image file (23)

где δ – дисперсия ошибки,

missing image file– интенсивность сигнала.

Определение точности оценивания параметров выполнялось с помощью L1 нормы отклонений оценок неизвестных параметров от истинных значений

missing image file (24)

где R – число выполненных вычислительных экспериментов, missing image file – оценка j-го параметра регрессионной зависимости (21) в i-ом вычислительном эксперименте.

Количество вычислительных экспериментов для различных комбинаций μ и ρ варьировалось от 100 до 500. Варьирование значения параметра смеси μ в диапазоне от 0 до 0,5 с шагом 0,05 позволило исследовать точность оценивания неизвестных параметров уравнения (21) при разной степени отклонения распределения случайной ошибки от нормального распределения. Моделирование исходных данных выполнялось в соответствии с регрессионной зависимостью (21), а оценивание неизвестных параметров этой модели разработанным алгоритмом на основе различных материнских вейвлетов. Кроме того, вычисление оценок выполнялось методом наименьших квадратов и методом полупараметрического восстановления функции плотности на основе обобщенного лямбда-распределения [12]. Точность оценивания определялась значением показателя v1.

Результаты исследования точности оценивания неизвестных параметров уравнения (21) представлены на рис. 1 для объема выборки 200 и на рис. 2 для объема выборки 500, при фиксированном уровне шума ρ1 = 10% и ρ2 = 100%. Вычисление нормы отклонения v1 проводилось с усреднением по 100 вычислительным экспериментам.

missing image file

Рис. 1. Значение нормы отклонений в зависимости от μ, объем выборки – 200

missing image file

Рис. 2. Значение нормы отклонений в зависимости от μ, объем выборки – 500

Для удобства обозначим адаптивный алгоритм на основе вейвлета LITTLEWOOD &PALEY как алгоритм 1, где наилучшее значение параметра сглаживания установлено в [8] и равно N = 5; адаптивный алгоритм на основе вейвлета Морле – как алгоритм 2, где наилучшее значение параметра сглаживания установлено в [9] и равно N = 10; адаптивный алгоритм на основе вейвлета DOG – как алгоритм 3, где наилучшее значение параметра сглаживания установлено в [7] и равно N = 34; адаптивный алгоритм на основе вейвлета «Мексиканская шляпа» – как алгоритм 4, где наилучшее значение параметра сглаживания установлено в [6] и равно N = 8.

Из рис. 1 и 2 видно, что при значениях missing image file, алгоритмы 1, 2, 4, оценивания неизвестных параметров регрессионной зависимости, основанные на вейвлет-анализе, имеют не очень высокую точность, несколько уступая методу наименьших квадратов и методу полупараметрического восстановления функции плотности на основе обобщенного лямбда-распределения. При μ = 0.05 и объеме выборки 500 значение показателя v1, полученное в результате применения метода наименьших квадратов, на 40 % меньше значений v1, полученных при использовании алгоритмов 2 и 4, и на 36 % меньше значения v1, полученного при использовании алгоритма 1. Аналогичный результат при μ = 0.05 и объеме выборки 500 наблюдается для значения v1, полученного при использовании метода полупараметрического восстановления функции плотности на основе обобщенного лямбда-распределения, 47 % и 42 % соответственно. Отметим, что для выборки объёмом 200 при μ = 0.05 значение показателей v1, полученных в результате применения метода наименьших квадратов и метода полупараметрического восстановления функции плотности на основе обобщенного лямбда-распределения, меньше значений v1, полученных при использовании алгоритмов 1, 2 и 4 (рис. 1). С ростом значений μ, то есть с ростом числа грубых ошибок наблюдений в исходных данных, алгоритмы на основе вейвлетов дают более точную оценку параметров регрессионной модели в сравнении с методом наименьших квадратов и методом полупараметрического восстановления функции плотности на основе обобщенного лямбда-распределения. При μ = 0.5 и объеме выборки 500 нормы отклонений v1, полученные при использовании алгоритмов 1 и 4, меньше на 43 % нормы отклонения v1, полученной при оценивании параметров методом наименьших квадратов, и на 24 % меньше нормы отклонения v1, полученной при применении метода полупараметрического восстановления функции плотности на основе обобщенного лямбда-распределения. Значение нормы отклонения v1 при μ = 0.5, объеме выборки 500 и использовании алгоритма 2 на 39 % меньше значения v1, полученного при оценивании параметров регрессионной модели методом наименьших квадратов, и на 19 % меньше нормы отклонения v1, полученной при применении метода полупараметрического восстановления функции плотности на основе обобщенного лямбда-распределения. Для выборки объёмом 200 при μ = 0.5 значение показателей v1, полученных при использовании алгоритмов 1, 2 и 4 меньше значений v1, полученных в результате применения метода наименьших квадратов и метода полупараметрического восстановления функции плотности на основе обобщенного лямбда-распределения (рис. 1). Наилучшее качество оценивания неизвестных параметров уравнения (21) получается в результате использования в алгоритме в качестве базисного вейвлета DOG вейвлета (алгоритм 1), причем как при малых значениях параметра μ, так и близким к 0.5. При μ = 0.05 и объеме выборки 500 значение показателя v1, полученного при использовании алгоритма 3, на 44 % меньше значения v1, полученного при оценивании параметров регрессионной модели методом наименьших квадратов, и на 38 % меньше нормы отклонения v1, полученной при применении метода полупараметрического восстановления функции плотности на основе обобщенного лямбда-распределения. При μ = 0.5 и объеме выборки 500 значение показателя v1, полученного при использовании алгоритма 3, на 46 % меньше значения v1, полученного при оценивании параметров регрессионной модели методом наименьших квадратов, и на 29 % меньше нормы отклонения v1, полученной при применении метода полупараметрического восстановления функции плотности на основе обобщенного лямбда-распределения. Отметим, что для выборки объемом 200 при μ = 0.05 и при μ = 0.5 алгоритм 1 имеет более высокую точность по сравнению с методом наименьших квадратов и методом полупараметрического восстановления функции плотности на основе обобщенного лямбда-распределения (рис. 1). Таким образом, алгоритмы оценивания, основанные на таких материнских вейвлетах, как Морле, LITTLEWOOD&PALEY, DOG и «Мексиканская шляпа», показывают хорошую точность оценивания как для выборок с объемом, равным 200, так для выборки, объем которой равен 500.

В данной статье рассмотрено применение вейвлет-анализа при оценивании неизвестных параметров регрессионных моделей с помощью метода максимального правдоподобия. Предложены алгоритмы оценивания неизвестных параметров θ регрессионной зависимости, основанные на различных материнских вейвлетах. Для каждого базового вейвлета получено выражение логарифмической функции правдоподобия. Установлено, что такой подход дает ряд преимуществ при отсутствии известных предположений о свойствах случайной компоненты. Результаты численного моделирования подтвердили возможность применения теории вейвлетов для оценивания неизвестных параметров регрессионных моделей.


Библиографическая ссылка

Тимофеев В.С., Исаева Е.В. ОБ ОЦЕНИВАНИИ ПАРАМЕТРОВ РЕГРЕССИОННЫХ МОДЕЛЕЙ С ИСПОЛЬЗОВАНИЕМ ВЕЙВЛЕТОВ // Современные наукоемкие технологии. – 2022. – № 4. – С. 114-121;
URL: https://top-technologies.ru/ru/article/view?id=39118 (дата обращения: 28.03.2024).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1,674