Упрощенная HTML-версия
эффициенты модели акоказываются размерными величинами, зависимы
ми не столько от интенсивности влияния факторов на отклик, сколько от
их размерности. С одной стороны, размерность коэффициентов не сказы
вается на качестве регрессионной модели. С другой стороны, зависимость
величины коэффициента не только от степени влияния фактора на модель,
но и от его размерности затрудняет оценку относительной важности фак
торов. Выявить наиболее важные факторы можно, сделав их безразмер
ными. Для достижения этой цели используют процедуру нормирования
факторов [
2
].
Для проведения нормировки для каждого фактора вводится нор
мировочный коэффициент
Х°
, деление на который позволяет перейти к
безразмерной шкале значений факторов:
У=а„+а,(х,/х°) +аг(х2!хаг) +а3
(лсэ
/х°) +... +aN(xN
/х°)
Коэффициенты такой модели являются безразмерными величинами,
не зависят от способа выражения и диапазона изменения того или иного
показателя и непосредственно характеризуют степень влияния факторов
на отклик. Однако в отношении выбора нормировочных коэффициентов
имеется определенный произвол.
В качестве нормировочного коэффициента для каждого фактора
можно взять его максимальное значение в базе данных. Тогда все фак
торы будут изменяться в одном стандартном диапазоне значений:
0
-^
1
.
Однако не исключено, что при добавлении экспериментальных значе
ний в базу данных не попадет новое максимальное значение, превосхо
дящее все введенные ранее. Это приведет к необходимости перенорми
ровки ранее построенной модели и может существенно изменить значе
ния коэффициентов, полученных ранее.
В качестве нормировочного коэффициента можно взять среднее
значение по базе данных. Оно менее подвержено изменениям при до
бавлении новых данных, но этот случай принципиально не отличается
от предыдущего.
Иногда в качестве нормировочного коэффициента используют зна
чение среднеквадратичного отклонения фактора [2]. В этом случае ве
личина среднеквадратичного отклонения фактора становится единицей
его измерения. Это удобно при обсуждении значимости регрессионных
коэффициентов. В этом случае более точно регистрируемые факторы
получают и больший статистический вес (и соответственно больший
диапазон изменения нормированного показателя). Однако при этом со
ответствующие значения коэффициентов ак уменьшаются, что не спо
собствует повышению степени наглядности модели.
По-видимому, самым удобным является выбор в качестве норми
ровочного коэффициента значения фактора, максимального в норме.
Это значение не зависит от вариации значений фактора при патологии.
97