Информационная матрица ортогонального ЦКП имеет вид
,
где ; ;
; ;
– единичная матрица размером ; – число сочетаний из по .
Соответственно дисперсионная матрица
,
где . Значения для некоторых приведены в табл. 2.2.
Тогда соотношения для расчета оценок регрессионных коэффициентов имеют вид
где ; – значение исследуемой переменной в -й точке плана при -м параллельном опыте.
Однако при использовании ПЭВМ целесообразнее использовать матричное представление, когда расчет оценок регрессионных коэффициентов осуществляется в виде
,
где – матрица планирования эксперимента; – дисперсионная матрица; – вектор средних значений наблюдений в точках факторного пространства.
Оценки дисперсий полученных коэффициентов регрессии определяются выражениями:
– для : ;
– для : , ;
– для : , ; (2.3)
– для : , , ;
– для : ,
где – дисперсия ошибок наблюдений.
Гипотеза о статистической значимости (отличии от нуля) коэффициентов регрессии проверяется критерием Стьюдента.
(2.4)
Критическое значение критерия находят из таблицы распределения Стьюдента по числу степеней свободы и уровню значимости (прил. 2).
Если неравенство выполняется, то гипотеза о значимости коэффициента принимается, в противном случае коэффициент считается незначимым и приравнивается к нулю.
|
|
Так как все коэффициенты оцениваются независимо, то изменение оценки любого коэффициента (например, исключение соответствующего члена из уравнения) не приводит к изменению других оценок и их дисперсий. Исключение составляет коэффициент , т. к. он связан с оценками при квадратах переменных, поэтому исключение квадратичных членов приводит к изменению .
Необходимо помнить, что незначимость коэффициента может быть обусловлена и неверным выбором интервала варьирования фактора. Поэтому иногда бывает полезным расширить интервал варьирования и провести новый эксперимент.