Регрессия (математич.)

Определение "Регрессия (математич.)" в Большой Советской Энциклопедии

Регрессия в теории вероятностей и математической статистике, зависимость среднего значения какой-либо величины от некоторой другой величины или от нескольких величин. В отличие от чисто функциональной зависимости у = f(х), когда каждому значению независимой переменной х соответствует одно определённое значение величины у, при регрессионной связи одному и тому же значению х могут соответствовать в зависимости от случая различные значения величины у. Если при каждом значении х = x_i наблюдается n_i, значений y_i1, ...,  величины у, то зависимость средних арифметических  от x_i и является Регрессия (математич.) в статистическом понимании этого термина. Примером такого рода зависимости служит, в частности, зависимость средних диаметров сосен от их высот; см. табл. в ст. Корреляция.

  Изучение Регрессия (математич.) в теории вероятностей основано на том, что случайные величины Х и Y, имеющие совместное распределение вероятностей, связаны вероятностной зависимостью: при каждом фиксированном значении Х = х величина Y является случайной величиной с определённым (зависящим от значения х) условным распределением вероятностей. Регрессия (математич.) величины Y по величине Х определяется условным математическим ожиданием Y, вычисленным при условии, что Х = х:
Е(Y êх) = u(х).

  Уравнение у = u(х), в котором х играет роль «независимой» переменной, называется уравнением регрессии, а соответствующий график — линией регрессии величины Y по X. Точность, с которой уравнение Регрессия (математич.) Y по Х отражает изменение Y в среднем при изменении х, измеряется условной дисперсией величины Y, вычисленной для каждого значения Х = х:
D(Y êх) = s²(x).

  Если s²(х) = 0 при всех значениях х, то можно с достоверностью утверждать, что Y и Х связаны строгой функциональной зависимостью Y = u(X). Если s²(х) = 0 при всех значениях х и u(х) не зависит от х, то говорят, что Регрессия (математич.) Y по Х отсутствует. Аналогичным образом определяется Регрессия (математич.) Х по Y и в частности, уравнение Регрессия (математич.) х = u(у), = Е(ХïY = у). Функции у = u(х) и х = u(у), вообще говоря, не являются взаимно обратными.

Линии Регрессия (математич.) обладают следующим замечательным свойством: среди всех действительных функций f (х) минимум математического ожидания Е[Y — f(X)]² достигается для функции f(x) = u(х), т. е. Регрессия (математич.) Y по Х даёт наилучшее, в указанном смысле, представление величины Y по величине X. Это свойство используется для прогноза Y по X: если значение Y непосредственно не наблюдается и эксперимент позволяет регистрировать лишь компоненту Х вектора (X, Y), то в качестве прогнозируемого значения Y используют величину u (X).
Наиболее простым является случай, когда Регрессия (математич.) Y по Х линейна:
Е(Yïx) = b₀ + b₁x.
  Коэффициенты b₀ и b₁, называются коэффициентами регрессии, определяются равенствами
,

где m_Х и m_Y — математические ожидания Х и Y, и  — дисперсии Х и Y, а r — коэффициент корреляции между Х и Y. Уравнение Регрессия (математич.) при этом выражается формулой

  В случае, когда совместное распределение Х и Y нормально, обе линии Регрессия (математич.) у = u(х) и х = u(у) являются прямыми.

Если Регрессия (математич.) Y по Х отлична от линейной, то последнее уравнение есть линейная аппроксимация истинного уравнения Регрессия (математич.): математическое ожидание Е[Y — b₀ — b₁X]² достигает минимума b₀ и b₁ при b₀ = b₀ и b₁ = b₁. Особенно часто встречается случай уравнения Регрессия (математич.), выражающегося линейной комбинацией тех или иных заданных функций:
у = u(Х) = b₀j₀(x) + b₁j₁(x) + ... + b_mj_m(x).

Наиболее важное значение имеет параболическая (полиномиальная) Регрессия (математич.), при которой j₀(x) = 1 , j₁(x) = x, ..., j_m(x) = x^m.

  Понятие Регрессия (математич.) применимо не только к случайным величинам, но и к случайным векторам. В частности, если Y — случайная величина, а Х = (X₁, ..., X_k) — случайный вектор, имеющие совместное распределение вероятностей, то Регрессия (математич.) Y по X определяется уравнением
y = u ( x₁, ..., x_k),

где u( x₁, ..., x_k) = E{YïX = x₁, ... , X_k = x_k}.
Если
u ( x₁, ..., x_k) = b₀ + b₁x₁ + ... + b_kx_k,

то Регрессия (математич.) называется линейной. Эта форма уравнения Регрессия (математич.) включает в себя многие типы Регрессия (математич.) с одной независимой переменной, в частности полиномиальная Регрессия (математич.) Y по Х порядка k сводится к линейной Регрессия (математич.) Y по X₁, ..., X_k, если положить X_k = X^k.

  Простым примером Регрессия (математич.) Y по Х является зависимость между Y и X, которая выражается соотношением: Y = u(X) + d, где u(x) = Е(Y IX = х), а случайные величины Х и d независимы. Это представление полезно, когда планируется эксперимент для изучения функциональной связи у = u(х) между неслучайными величинами у и х.

  На практике обычно коэффициенты Регрессия (математич.) в уравнении у = u(х) неизвестны и их оценивают по экспериментальным данным (см. Регрессионный анализ).

  Первоначально термин «Регрессия (математич.)» был употреблен английским статистиком Ф. Гальтоном (1886) в теории наследственности в следующем специальном смысле: «возвратом к среднему состоянию» (regression to mediocrity) было названо явление, состоящее в том, что дети тех родителей, рост которых превышает среднее значение на а единиц, имеют в среднем рост, превышающий среднее значение меньше чем на а единиц.
Лит.: Крамер Г., Математические методы статистики, пер. с англ., М., 1948; Кендалл М. Дж., Стьюарт А., Статистические выводы и связи, пер. с англ., М., 1973.
  А. В. Прохоров.