Добавление анализа для ЦКП #4

New Issue

2026-07-30T13:21:56+05:00

artemiy commented

2026-07-30 13:21:56 +05:00

Нужен ли отдельный анализ для ЦКП? Выяснить, если необходимо, добавить

artemiy commented

2026-07-30 13:33:44 +05:00

Регрессионный анализ для ЦКП делается так же через МНК, только теперь это полный метод, с коэффициентами, отвечающими за нелинейность. Необходимо продумать дополнительную проверку, является ли матрица ЦКП.

artemiy commented

2026-07-30 13:34:51 +05:00

DeepSeek:

Анализ данных Центрального Композиционного Плана (ЦКП)

Да, для ЦКП необходим особый метод анализа, потому что мы переходим от линейной модели к квадратичной (полином второй степени). Линейная регрессия, которую вы использовали для ПФЭ, здесь не подходит – модель должна включать квадратичные члены и взаимодействия.

1. Модель и матрица X для ЦКП

Для k факторов квадратичная модель имеет вид:

y = b₀ + Σ bᵢ xᵢ + Σ bᵢᵢ xᵢ² + ΣΣ bᵢⱼ xᵢ xⱼ + ε

Матрица X для регрессии должна содержать:

столбец единиц (свободный член),
столбцы линейных членов,
столбцы квадратов,
столбцы парных произведений (взаимодействий).

Пример для k=2:

X = [1, x₁, x₂, x₁², x₂², x₁·x₂]

В программе это можно реализовать функцией, которая по матрице плана (в кодированных переменных) строит расширенную матрицу регрессоров.

2. Расчёт коэффициентов

Коэффициенты оцениваются тем же методом наименьших квадратов (МНК):

β = (Xᵀ X)⁻¹ Xᵀ y

Но теперь в β входят все члены квадратичной модели. Интерпретация:

bᵢ – линейный эффект,
bᵢᵢ – кривизна (квадратичный эффект),
bᵢⱼ – взаимодействие между факторами.

3. Где находится экстремум?

Экстремум (максимум, минимум или седловая точка) находится аналитически путём решения системы уравнений частных производных:

∂y/∂xᵢ = 0   для всех i

Для модели с двумя факторами это даёт систему двух линейных уравнений относительно x₁ и x₂. В общем случае решение:

x* = -0.5 * B⁻¹ * b

где:

B – матрица коэффициентов при квадратичных членах (размер k×k),
b – вектор коэффициентов при линейных членах.

Пример для двух факторов:

y = b₀ + b₁x₁ + b₂x₂ + b₁₁x₁² + b₂₂x₂² + b₁₂x₁x₂

Частные производные:

∂y/∂x₁ = b₁ + 2b₁₁x₁ + b₁₂x₂ = 0
∂y/∂x₂ = b₂ + b₁₂x₁ + 2b₂₂x₂ = 0

Решая систему, находим x₁*, x₂* – координаты стационарной точки.

4. Характер экстремума (максимум/минимум/седло)

Определяется анализом гессиана (матрицы вторых производных). Для квадратичной модели матрица вторых производных состоит из коэффициентов 2·bᵢᵢ на диагонали и bᵢⱼ вне диагонали. Если:

все собственные значения < 0 → максимум,
все собственные значения > 0 → минимум,
смешанные знаки → седловая точка.

В двухфакторном случае это можно проверить по знаку определителя и коэффициентов.

5. Проверка адекватности квадратичной модели

Как и для линейной модели, используется ANOVA с разложением остатка на чистую ошибку и неадекватность. Если p‑значение неадекватности > α, модель адекватна. Если нет – возможно, нужна модель более высокого порядка (кубическая), но обычно квадратичной модели достаточно.

6. Как это реализовать в программе?

Сейчас ваша программа поддерживает только линейную регрессию. Для полноценной работы с ЦКП необходимо:

Добавить функцию построения расширенной матрицы X для квадратичной модели (в core/statistics.py или новом модуле).
В анализе автоматически определять по плану, является ли он ЦКП (есть ли звёздные точки и/или квадраты), и если да – предлагать пользователю построить квадратичную модель.
Выводить коэффициенты квадратичной модели, их стандартные ошибки, t-статистики, R², ANOVA.
Рассчитывать стационарную точку (экстремум) и её характер.
Визуализировать поверхность (пока опционально, но полезно).

7. Предлагаемая дорожная карта доработок

Этап	Что сделать
1	Создать функцию `build_quadratic_X(plan, k)` в `core/statistics.py`.
2	Добавить в `analysis.py` опцию «Квадратичная модель» (автоматически или по запросу).
3	Вывод таблицы коэффициентов с названиями (x₁, x₂, x₁², ...).
4	Расчёт и вывод координат экстремума и его типа (максимум/минимум/седло).
5	Добавить интерпретацию результатов (модуль `interpreter.py` расширить).

8. Рекомендуемая литература

Для углублённого изучения рекомендую главы 7–9 в книге Montgomery "Design and Analysis of Experiments" (глава о RSM) и Myers, Montgomery "Response Surface Methodology". Также классическая статья Box & Wilson (1951).

9. Практический вывод для вас

Сейчас вы находитесь на этапе, когда линейная модель неадекватна, поэтому вы должны перейти к квадратичной. ЦКП даёт данные, позволяющие построить такую модель и найти точный экстремум. Анализ для ЦКП требует расширенной матрицы и расчёта стационарной точки – это несложно реализовать в программе.

Если вы хотите, я могу разработать код для квадратичной регрессии и экстремума, чтобы вы могли сразу использовать его в своём проекте после ЦКП.

**DeepSeek:** ## Анализ данных Центрального Композиционного Плана (ЦКП) Да, **для ЦКП необходим особый метод анализа**, потому что мы переходим от линейной модели к **квадратичной (полином второй степени)**. Линейная регрессия, которую вы использовали для ПФЭ, здесь не подходит – модель должна включать квадратичные члены и взаимодействия. --- ### 1. Модель и матрица X для ЦКП Для `k` факторов квадратичная модель имеет вид: ``` y = b₀ + Σ bᵢ xᵢ + Σ bᵢᵢ xᵢ² + ΣΣ bᵢⱼ xᵢ xⱼ + ε ``` Матрица `X` для регрессии должна содержать: - столбец единиц (свободный член), - столбцы линейных членов, - столбцы квадратов, - столбцы парных произведений (взаимодействий). **Пример для k=2:** ``` X = [1, x₁, x₂, x₁², x₂², x₁·x₂] ``` **В программе** это можно реализовать функцией, которая по матрице плана (в кодированных переменных) строит расширенную матрицу регрессоров. --- ### 2. Расчёт коэффициентов Коэффициенты оцениваются тем же **методом наименьших квадратов (МНК)**: ``` β = (Xᵀ X)⁻¹ Xᵀ y ``` Но теперь в β входят все члены квадратичной модели. Интерпретация: - **bᵢ** – линейный эффект, - **bᵢᵢ** – кривизна (квадратичный эффект), - **bᵢⱼ** – взаимодействие между факторами. --- ### 3. Где находится экстремум? Экстремум (максимум, минимум или седловая точка) находится **аналитически** путём решения системы уравнений частных производных: ``` ∂y/∂xᵢ = 0 для всех i ``` Для модели с двумя факторами это даёт систему двух линейных уравнений относительно x₁ и x₂. В общем случае решение: ``` x* = -0.5 * B⁻¹ * b ``` где: - `B` – матрица коэффициентов при квадратичных членах (размер k×k), - `b` – вектор коэффициентов при линейных членах. **Пример для двух факторов:** ``` y = b₀ + b₁x₁ + b₂x₂ + b₁₁x₁² + b₂₂x₂² + b₁₂x₁x₂ ``` Частные производные: ``` ∂y/∂x₁ = b₁ + 2b₁₁x₁ + b₁₂x₂ = 0 ∂y/∂x₂ = b₂ + b₁₂x₁ + 2b₂₂x₂ = 0 ``` Решая систему, находим `x₁*`, `x₂*` – координаты стационарной точки. --- ### 4. Характер экстремума (максимум/минимум/седло) Определяется **анализом гессиана** (матрицы вторых производных). Для квадратичной модели матрица вторых производных состоит из коэффициентов `2·bᵢᵢ` на диагонали и `bᵢⱼ` вне диагонали. Если: - **все собственные значения < 0** → **максимум**, - **все собственные значения > 0** → **минимум**, - **смешанные знаки** → **седловая точка**. В двухфакторном случае это можно проверить по знаку определителя и коэффициентов. --- ### 5. Проверка адекватности квадратичной модели Как и для линейной модели, используется **ANOVA** с разложением остатка на чистую ошибку и неадекватность. Если p‑значение неадекватности > α, модель адекватна. Если нет – возможно, нужна модель более высокого порядка (кубическая), но обычно квадратичной модели достаточно. --- ### 6. Как это реализовать в программе? Сейчас ваша программа поддерживает только линейную регрессию. Для полноценной работы с ЦКП необходимо: 1. **Добавить функцию построения расширенной матрицы X для квадратичной модели** (в `core/statistics.py` или новом модуле). 2. **В анализе автоматически определять по плану, является ли он ЦКП** (есть ли звёздные точки и/или квадраты), и если да – предлагать пользователю построить квадратичную модель. 3. **Выводить коэффициенты квадратичной модели**, их стандартные ошибки, t-статистики, R², ANOVA. 4. **Рассчитывать стационарную точку** (экстремум) и её характер. 5. **Визуализировать поверхность** (пока опционально, но полезно). --- ### 7. Предлагаемая дорожная карта доработок | Этап | Что сделать | |------|-------------| | 1 | Создать функцию `build_quadratic_X(plan, k)` в `core/statistics.py`. | | 2 | Добавить в `analysis.py` опцию «Квадратичная модель» (автоматически или по запросу). | | 3 | Вывод таблицы коэффициентов с названиями (x₁, x₂, x₁², ...). | | 4 | Расчёт и вывод координат экстремума и его типа (максимум/минимум/седло). | | 5 | Добавить интерпретацию результатов (модуль `interpreter.py` расширить). | --- ### 8. Рекомендуемая литература Для углублённого изучения рекомендую главы 7–9 в книге **Montgomery "Design and Analysis of Experiments"** (глава о RSM) и **Myers, Montgomery "Response Surface Methodology"**. Также классическая статья **Box & Wilson (1951)**. --- ### 9. Практический вывод для вас Сейчас вы находитесь на этапе, когда линейная модель неадекватна, поэтому вы **должны** перейти к квадратичной. ЦКП даёт данные, позволяющие построить такую модель и найти точный экстремум. Анализ для ЦКП требует расширенной матрицы и расчёта стационарной точки – это несложно реализовать в программе. Если вы хотите, я могу разработать код для квадратичной регрессии и экстремума, чтобы вы могли сразу использовать его в своём проекте после ЦКП.

Sign in to join this conversation.

1 Participants

Notifications

Due Date

No due date set.

Dependencies

No dependencies set.

Reference: artemiy/mixture_optimizer#4