Взвешенный метод наименьших квадратов и статистический анализ

Каждый опыт несет некоторую информацию об объекте. Опыты, различающиеся условиями проведения, несут информацию об эффектах факторов, а параллельные опыты позволяют оценить дисперсию воспроизводимости. С ростом числа параллельных опы­тов растет точность эксперимента и оцениваемые эффекты можно определить с большей надежностью. На практике встречаются раз­личные случаи дублирования опытов. Может оказаться, что к мо­менту начала эксперимента воспроизводимость опытов известна по предыдущим исследованиям. Так бывает иногда в задачах анализа вещества, когда используется методика с заранее извест­ной ошибкой воспроизводимости. Если предполагать, что в на­мечаемой серии опытов ошибка не изменится и нет опасности появления грубых наблюдений, то параллельные опыты можно не ставить. Если же мы не располагаем такой информацией по предыдущим исследованиям или считаем наше предположение слишком жестким, тогда приходится дублировать опыты. Сделать это можно по-разному: в одной точке, в нескольких точках и во всех. В качестве одной точки выбирается центр плана или неко­торая строка матрицы. В других случаях бывает равное число параллельных (равномерное дублирование) или различное (не­равномерное дублирование). Последнее часто имеет место потому,
что часть опытов может оказаться потерянной: не удался анализ, сломалась установка и т. д. Различные варианты дублирования опытов приводят к различным вариантам обработки данных.

Начнем с наиболее распространенного случая — равномерное дублирование. Если при записи матрицы X не делать различия между параллельными и различными опытами, то число строк в матрице будет равно Nn, где N — число различных опытов; п — чпсло параллельных опытов. Это приведет к некоторым изменениям в системе нормальных уравнений.

Пример 1. Пусть реализован эксперимент 2² с двумя параллельными опытами в каждой точке, который дал следующие результаты:

Выпишем матрицу системы нормальных уравнений и найдем оценки коэффи­циентов

В этом варианте расчета различные и параллельные опыты не дифференцировались. Можно поступить иначе, рассматривая матрицу X как матрицу различных опытов. Тогда для учета инфор­мации о параллельных опытах будем использовать так называе­мую матрицу весов. Она представляет собой квадратную диаго­нальную матрицу Р размера NxN. Элементы главной диагонали равны числу повторных опытов соответствующих строк матрицы X. Нумерация строк матрицы X должна совпадать с нумерацией строк матрицы Р.

В нашем примере реализовано четыре различных опыта с двумя параллельными. Поэтому матрица X и матрица Р имеют вид

Тогда система нормальных уравнений МНК имеет вид (Х^ГРХ)В= =X^rPY, где Y — вектор-столбец средних значений по соответ­ствующему числу параллельных опытов. Это усреднение необ­ходимо, чтобы привести в соответствие размеры матриц, входя­щих в систему нормальных уравнений. Коэффициенты регрессии определяются по формуле

В = (Х^ГРХ)^-1 Х^ГР Y =

+1 +1 +1 +1 —1 —1 +1 +1 1 +1 —1 +¹.

+1 +1 +1 +1- —1 —1 +1 +1 —1 +i —1 +1

_1_ г 4-1 —1 +1 4-1 4-1 _1 +1 +1+1

- (0,70 + 1,40 4- 1,70 + 2,65) • 2 - _ -

(-0,70- 1,40+ 1,70 + 2,65) • 2 8

(—0.70 + 1,40- 1,70 + 2,65) • 2

Как и следовало ожидать, результаты совпадают.

Хотелось бы обратить ваше внимание на то, что при равномер­ном дублировании сохраняется ортогональность плана, и матрица нормальных уравнений остается диагональной. При отсутствии параллельных опытов матрица весов становится единичной.

А как теперь будет выглядеть статистический анализ резуль­татов такого эксперимента? Рассмотрим проверку адекватности модели. При наличии числа повторных опытов п, равного для всех строк плана, дисперсия адекватности равна

n

"ад — /у - (к + 1) '

Числитель этого выражения в матричной форме имеет вид

п 2 (у_{ - $_tf= Y^TPY - B^TX^rPY.

i-i

Повторные опыты накладывают более жесткие условия на про­верку адекватности, так как рассчитанный F-критерий увеличи­вается в п раз и для принятия гипотезы адекватности требуется большее соответствие экспериментальных и расчетных точек. В рассматриваемом примере sj^=0,0312. Дисперсия воспроизводи­мости для одинакового числа повторных опытов подсчитывалась, как уже говорилось в гл. 8, по формуле

n п

22 ц- у,)²

__ '-1 9-1 _______

вснир N (п — 1)

Эта формула справедлива для однородных дисперсий.

Составим таблицу для расчета дисперсии воспроизводимости (табл. 10.4). Проверка показывает, что выборочные дисперсии Таблица 10.4

Расчет дисперсии воспроизводимости

однородны G_3KCP=0,44, G_ia6j,=0,91, a=0,05, s^, =0,0112. Для проверки адекватности линейной модели найдем F-критерий • /?=5®_д/^_оввр=0,0312/0,0112^2,8. Табличное значение критерия Фи­шера для числа степеней свободы 1; 4 и 5% уровня значимости (табл. 9.4) равно 7,7. Гипотеза адекватности линейной модели может быть принята.

Осталось проверить значимость ^-коэффициентов. Дисперсия оценки Ъ коэффициентов равна — s\_ocnvjNn = 0,0014. Дисперсия вос­производимости Snocnp, деленная на число параллельных опытов п, называется дисперсией среднего и обозначается s'\g).

Отсюда имеем =s\_g}/N = 0,0056/4 = 0,0014. Это* же ре­зультат получается из матрицы дисперсий-ковариаций (X^TPXs{_y})^-1 или в нашем примере

"0,0014 0 0 " 0 0,0014 0 0 0 0,0014

Тогда S{_io} =S{i!> =S{i2> = 0,0014. Если при проверке адекватности используется s²^}, то числитель F-критерия не нужно умножать на п, поскольку на это число уже поделен знаменатель. Для ва­рианта с равномерным дублированием опытов на практике можно использовать следующую эквивалентную схему обработки ре­зультатов, учитывающую усреднение непосредственно.

1. Определим коэффициенты регрессии

2 y<^xj>

Ь =

1 N

Матрица X в этом случае содержит только отличающиеся вектор- строки, а матрица Р=п Е.

2. Найдем дисперсию адекватности

2 - м²

о2

»Д N — (А-И) •

3. Оценим дисперсию среднего по строкам

n

2 (»ч-у*)^%

5? = • "¹

га (га — 1)

4. Проверим гипотезу об однородности дисперсий и после ее принятия найдем общую дисперсию среднего

S{'J>

5 Затем вычислим дисперсии оценок коэффициентов регрес­сии

»{»,>=*{«^/N-

6 Наконец, проверим гипотезу адекватности модели F = s*Js\,,_}.

Применим эту схему обработки результатов к нашему примеру. В табл. 10.5 повторены матрица планирования и средние значе­ния откликов, а также приведены данные, необходимые при про­верке адекватности модели. Коэффициенты регрессии Ь₀ = 1,6125;

Таблица 10.5

Матрица планирования и результаты опытов

(9 - уY • Ю'

Ъ_х = 0,5625, Ь₂ = 0,4125. Дисперсия адекватности 4д = 156-Ю"⁴. Дисперсии среднего по строкам (табл. 10.4) з? = 0,01, sj = 0,01, 3з = 0, si — 0,0025. Критерий Кохрена £ = 0,44, гипотеза об однородности дисперсий принимается. Общая дисперсия среднего ч*гу_}=0,0225/4=0,0056. Дисперсия оценок коэффициентов регрессии sf_y =0,0056/4 = 0,0014. Проверка гипотезы адекватности модели F=0,0156/0,0056^2,8.

Пример 2. Пусть реализован план с неравномерным дублированием онитов [10], в котором первый опыт дублирован дважды. Матрица X имеет вид

+i -1 -Г

+1 +1 -1

+1 -1 +1

+¹ -И +1

12 Заказ Mi 588

Запишем решение системы нормальных уравнений с учетом весов

-1

Подчеркнем, что дублирование одного опыта нарушило ортогональность плана. Применение стандартных формул для подсчета коэффициентов регрес­сии, используемых в случае ортогональных планов, стало неправомерным. Найдем обратную матрицу (см. [1])

(Х^гРХ)^_1 = _г

Наконец,

2 (Уи+Уи)

f У г + ^з "I" У*

—2 (у и + у_lt) 2

—2 <г/11

Уи)

В результате имеем

У и +У2 + Уз +У* —Уи —У\1 +У2. —Уз +У4 —Уи —Уи —Уъ +Уз +У*

Заметим, что к тому же результату можно придти, используя обычные формулы для нахождения оценок коэффициентов ре­грессии. Для этого в рассматриваемом примере достаточно срав­нить соответствующие матрицы

Уп У12 Уъ Уз —У<к —

У11 +У12 +Уъ +Уз ~\~У4 У11 —У 12 +У2 — Уя ~\~У4 —Уи У12 —

Положим, что в ходе экспериментирования производилось дублирование точек в соответствии с матрицей X и получены ре­зультаты, изображаемые вектором Y

'У и Уа

-+1 —1 —1 4_1 —I _i

n_t раз

+1 +1 _1 +1 +1 —1 |ла раз

+1 +1 +1 +1 +1 +1 |п₄ раз

4я<

где п. — число параллельных (дублированных) опытов в i-x усло­виях i = 1, 2Общее число всех опытов будет равно

n

»-1

Перейдем к более лаконичной форме записи условий и резуль­татов эксперимента. Для этого введем матрицу весов Р. Это квад­ратная диагональная матрица с элементами p_ti=n_t

о

п. л

Эта матрица в совокупности с матрицей X, содержащей только неповторяющие строки, задает условия эксперимента. А--его ре-

12*
зультаты тогда можно представить в виде вектора _sY, состоящего из средних наблюдений по дублированным опытам. Для учета различных вариантов дублирования составим таблицу, в кото­рой приведем формулы для различных случаев (табл. 10.6).

Для удобства обозначений условимся в случае равенства всех п_{ писать га,—const=n, а номер единственного опыта, который дублируется, не нарушая общности, будем считать первым. В табл. 10.6 также указаны формулы для случая, когда дисперсия, ха­рактеризующая ошибку опыта, находится из незавйсимой серии опытов, результаты которой не используются при вычислении коэффициентов регрессии.

Таким образом, неравномерность дублирования должна учи­тываться и при регрессионном и при дисперсионном анализе. На практике это делается не всегда.

Приведенная таблица нуждается в комментариях. Начнем с пояснения содержащихся в ней формул. Для рассмотрения частных случаев, возможных при различных стратегиях дубли­рования, выразим соответствующие суммы квадратов с помощью обычной формы записи. Прежде всего запишем выражение для остаточной суммы квадратов

n в, »=1 5=1

Разложим эту сумму на составляющие с помощью следующего преобразования:

n я,

=22 (y_tt У{уt Уtf,

«=1 5=1

где у_{ — среднее значение отклика по опытам i-й серии

и,

я-1

Раскрывая выражение для S_0CT, будем иметь

=22 (У<_д - Ю²+2 2 (у.- у<Г+

»-1 5=1 »=1 }=1

n я,

+ 2 2(?.-0.) 2 —

•=1 5=1

Яi

Сумма 2 (у,„ — У,), входящая в последнее слагаемое, равна нулю

5=1

«j «И

2 {y,q - У() = 2 Ущ - =

5=1 5=1

Поэтому

n я, n

=22 (y,q - у if+2 ⁿi (у. - y.f

»=1 5=1

дает разложение S_or._T на два слагаемых, первое из которых есть S_m , а второе — 5_ад.

С величиной S_0CT связано число степеней свободы, равное

n

/ост ⁼⁼ 2 --- Р>

*=1

где р — число коэффициентов регрессии, входящих в регрес­сионную зависимость (в линейном случае p=A:-fl). Величина

n щ

"^воепр = 22 (Уin Si)^[9]

связана с числом степеней свободы

n

/вОспр ⁼ 2 kⁿi ' )•

Следовательно, дисперсия, характеризующая ошибку экспери­мента, есть

N я,

_? 22 (f'j^—у'У

2 _______ воспр 1=1 os=l

^sW=f---------- =-------- л-------------- •

' ВОСПР

2k-^[10])

Тот же результат будет, если использовать выражения для част­ных дисперсий в каждой серии дублированных опытов. Дейст­вительно, для i-й серии параллельных опытов можно записать

с 2(f<?—f)²

Она связана с числом степеней свободы /_ЯД=7У—(&+1) или в об­щем случае /_a,=-/V—р. Следовательно, дисперсия, связанная с не­адекватностью уравнения регрессии, есть

n

„ 2 ^ге< (у* - s^²

г, _____ ад______ 1-1____________________

— /_ад — N-(k + 1) '

Ото позволяет проверить гипотезу о том, что экспериментальные данные не противоречат полученному описанию. Проверка гипо­тезы производится с помощью дисперсионного отношения Фи­шера

Таким образом, содержащиеся в таблице формулы являются частными случаями одного^ и того же разложения остаточной суммы квадратов S_0LI. Зная процедуру разложения остаточной суммы квадратов, можно всякий раз получить нужную формулу. Однако на практике более удобно иметь эти формулы в готовом виде.

Наиболее общий случай представляет собой неравномерное дублирование. Чтобы получить здесь значение F-критерия, нужно сумму квадратов, связанную с дисперсией воспроизводимости, разделить на соответствующее ей число степеней свободы и полу­чить знаменатель F-критерия (если построчные дисперсии одно­родны по критерию Бартлета)

А п;

„2 ___ 1 = 1 9=1______

^S{'j} — ------ А--------------- •

i=i

Затем надо взять сумму квадратов, связанную с дисперсией аде­кватности, поделить на соответствующее ей число степеней сво­боды и получить числитель

n

2 ^Ui (^yi — У*)²

Аналогично поступают во всех других случаях. Вариант равно­мерного дублирования уже неоднократно обсуждался. При дубли­ровании в одной строке матрицы (в нашей таблице эта строка имеет индекс 1, хотя ясно, что выбор строк произволен) симметрия нарушается, это находит отражение в формулах. Если дела экс­периментатора так плохи, что из-за экономии времени приходится ставить параллельные опыты только в одной точке, то часто лучше всего выбирать центр плана, ибо при этом не нарушается орто­гональность.

Последний из приведенных в таблице вариантов — дублиро­вание в отдельной серии из L опытов, не входящих в план. Это означает, что параллельные опыты не ставятся, а информация об ошибке опыта черпается из какого-то независимого источника, например, из публикаций предшественников.

Перейдем теперь к рассмотрению требований, которые обычно предъявляются к планам и называются критериями оптималь­ности.

10.6, Критерии оптимальности планов

Построение плана эксперимента можно интерпретировать как выбор строк матрицы X, их числа и последовательности прове­дения. Этот выбор осуществляется разными способами и соответ­ственно приводит к разным результатам. Это значит, что 6-коэф- фициенты могут быть оценены с разной точностью, что они будут иметь разные ковариации, что предсказанное значение отклика получится с разными дисперсиями и т. д. В зависимости от того, какие требования экспериментатор предъявляет к модели, он может придти к той или иной формулировке требований к матрице X. Формализация этих требований связана с критериями опти­мальности. Критерии оптимальности удобно формулировать в тер­минах свойств матрицы М=Х^ГХ или матрицы М^-1. Именно эти матрицы непосредственно связаны с оценками модели и функцио­нально зависят от матрицы X. Так, например, при диагональной матрице М план оказывается ортогональным, т. е. все столбцы матрицы X взаимноортогональны и коэффициенты модели не­зависимы: cov {b_v 0.

Таким образом, мы пришли к критерию, который уже был рассмотрен в шестой главе и который является одним из самых существенных для планов, обсуждаемых в нашей книге. Он от­носится к группе критериев, связанных с оценками свойств коэф­фициентов. Кроме этой группы критериев будем различать кри­терии, определяющие предсказательные свойства модели, и кри­терии, сформулированные без использования матрицы М, такие, как композиционность, возможность разбиения плана на орто­гональные блоки, насыщенность и т. д. [11,12].

Начнем рассмотрение с критериев первой группы. В их ос­нове лежит концепция совместных эффективных оценок, которая берет свое начало с работ Р. Фишера, рассматривавшего проблему получения наилучших оценок при обработке экспериментальных данных.

Американский математик Дж. Кифер распространил такое требование на задачи построения планов. Различные критерии зтой группы приведены в табл. 10.7. В таблице каждый критерий определяется тремя различными, но эквивалентными спосо­бами. Таблица начинается с критерия D-оптимальности,

Я I 1

О л а

в<4 ; н о о ф VO Я S

Ц*

S s S

и й «

И о S ф о

я_н л

2 в о „

Я з я я

j) Ч к а Я ф о 5 tr ее

я 2

- aj

О а

р я § я S

S о ° Я м

о з « Я

я я

к

ф

m ^w О

^я о о

s 2 ~ "

^>>2 я g, S о Ч а я S ° я

я £L° S В о

я

№ 23

к ч И

М дч S

о « о ® о- я § я

«а*

в ^ ее ф я а

о

5 в s

я И в

ч s Q,

Ч ее в

«ля

м О

я О СО

я я

S _ >>о

Я Я в в

mS.e

Я Я к о,

Я я Н

Фио

я

Я Я о о

ф я

я £

о Я Я я ее к

>в< га о о Я я л

а я я я ш я

н ф М Я S о

с названием которого часто связывается вся концепция оптималь­ного построения планов. Смысл его — минимизация дисперсии всех коэффициентов регрессии, рассматриваемых как нечто еди­ное, как вектор. Дисперсию вектора коэффициентов принято называть обобщенной дисперсией, которая задается известной нам функцией от матрицы дисперсий-ковариаций — определителем. Чем меньше определитель, тем меньше обобщенная дисперсия. Как всегда в математике наряду с алгебраическим представлением можно использовать и геометрическое. Однако в этом случае вместо уже знакомого нам факторного пространства приходится вводить пространство параметров, в котором координатные оси задаются значениями коэффициентов регрессии

Между размерностями факторного пространства и пространства параметров не существует однозначной связи. В случае одного фактора и линейного уравнения регрессии пространство пара­метров будет двумерным (так как в уравнение входит два коэф­фициента Ъ₀ и bj). Но можно представить себе вариант перехода в одномерное пространство, если, например, незначим один ил коэффициентов, или в трехмерное пространство, когда от уравне­ния прямой приходится переходить к параболе. Аналогичное рас­суждение имеет место и для большего числа факторов.

Если число факторов и вид уравнения заданы, тогда размер ность пространства параметров определяется однозначно. Так, для линейного уравнения с к факторами пространство параметров имеет размерность к-\-1. Каждой точке в таком пространстве соот­ветствует вектор оценок коэффициентов, а определитель матрицы дисперсий-ковариаций пропорционален объему эллипсоида рас­сеяния оценок параметров. Причем центр эллипсоида совмещен с МНК оценкой. Эллипсоид является многомерным аналогом обычного доверительного интервала. Для одномерного простран­ства параметров он вырождается в отрезок, который и есть доверительный интервал. На плоскости (когда имеется два пара­метра) получится эллипс. Эллиптическая форма доверитель­ного интервала связана с предпосылкой регрессионного анализа о нормальном распределении.

Геометрическая интерпретация в пространстве параметров характерна для критериев этой группы.

Для критерия ^-оптимальности матрица X выбирается так, чтобы достигнуть минимума суммы квадратов длин главных осей эллипсоида рассеяния. Алгебраически это соответствует мини­муму еще одной функции матрицы дисперсии-ковариации. кото­рая называется следом и обозначается tr М^-1 (от trace фр.) или spM^-1 (от Spur нем.). Следом квадратной матрицы называется сумма ее диагональных элементов. Вспомним, что на диагонали матрицы М^-1 находятся дисперсии Ь-коэффициентов. Значит ^4-оптимальность обеспечивает минимум суммы дисперсий Ъ-ко­эффициентов без учета их ковариаций и, следовательно, мини­мум средней дисперсии.

Кроме таких функций от матрицы М^-1 как определитель и след для критериев оптимальности можно использовать и другие ее функции. Примером может служить критерий ^-оптимальности, минимизирующий максимальное собственное значение этой мат­рицы. Собственное значение принадлежит к характеристикам структуры матрицы. Этому вопросу посвящена обширная лите­ратура, к которой мы и отсылаем читателя [13, 14]. Всегда сущест­вует опасность, что эллипсоид рассеяния может получить слишком вытянутую, бананоподобную форму. При этом некоторые Ь-коэф- фициенты попадут в неблагоприятные условия. Критерий ^-оптимальность позволяет уменьшить эту опасность, поскольку он минимизирует самую длинную ось эллипсоида рассеяния.

Подобным образом можно интерпретировать и остальные кри­терии, приведенные в табл. 10.7, что предоставляется читателю в качестве самостоятельного упражнения.

Перейдем к рассмотрению критериев второй группы. Описа­ние этих критериев проводится не на языке пространства пара­метров, а в более привычных терминах факторного пространства и функции отклика (см. табл. 10.8). G- и (^-критерии связаны

Таблица 10.8

Критерии оптимальности планов для предсказательных свойств модели

Интерпретация

Критерий

алгебраическая

(^-оптимальность Р отатабельность

Униформность

N

min ^ XfM-iX, i=l

XfM-iX, = /(p)

XjM-iX, % const при 0 < p < 1

Минимум максимального значе­ния дисперсии оценки поверх­ности отклика

Минимум средней дисперсии оценки поверхности отклика

Постоянство дисперсии предска­зания на равных расстояниях от центра эксперимента

Дисперсия предсказания посто­янна в некоторой области вокруг центра эксперимента (например, с единичным радиусом)

с дисперсией предсказания значений отклика. (^-критерий миними­зирует максимальную дисперсию предсказания, (^-критерий — сред­нюю дисперсию. Если план G-оптимален, то экспериментатор имеет гарантию, что в области планирования не окажется точек, в которых точность оценки поверхности отклика будет слишком низкая.

Критерии ротатабеяьности и униформности связаны с требо-. ванием постоянства дисперсии предсказания на некоторых фик­сированных расстояниях от центра эксперимента. Ротатабель- ность плана означает, что оценки дисперсии предсказания ин­вариантны (независимы) относительно вращения координатных осей факторного пространства. Иными словами, дисперсия пред­сказания не будет зависеть от того, в каком направлении осу­ществляется движение из начала координат, а зависит только от расстояния между интересующей нас точкой и началом. Уни- формность в дополнение к этому требует, чтобы в некоторой ок­рестности начала координат, обычно внутри сферы единичного радиуса,, дисперсия предсказания оставалась приблизительно постоянной.

Кроме этих двух групп критериев, при упоминании которых мы не претендовали на полноту перечисления, существует еще большое число требований, принимаемых во внимание. Укажем некоторые из них.

Наиболее естественное желание экспериментатора — умень­шение числа опытов. Минимальное число опытов задается числом коэффициентов модели, а приближение к нему служит мерой насыщенности плана. Таким образов, насыщенность плана ока­зывается одним из возможных критериев оптимальности. Именно стремление удовлетворить этому критерию привело к созданию дробных реплик. Заметим, что дробные реплики одновременно удовлетворяют по крайней мере двум критериям: они ортого­нальны и насыщены.

Большое значение имеет требование композиционности, по­зволяющее разделить эксперимент на части и в случае необхо­димости последовательно реализовывать одну часть за другой без потери информации. Примером может служить переход от ^х/₄-реплики к полуреплике, а затем к полному факторному экс­перименту, если система смешивания оказалась сложной и не позволила выделить интересующие эффекты. Это соответствует последовательному переходу от простой линейной модели к мо­дели с взаимодействиями. То же самое возможно и при переходе от линейных моделей к модели второго порядка и т. д.

Близким к требованию композиционности является требова­ние разбиения плана на ортогональные &локи. Композиционность требуется из-за того, что мы не знаем заранее, какой окажется адекватная модель, а разбивать на блоки приходится из-за того, что возможно изменение внешних условий и важно защититься от их влияния. С примерами разбиения на блоки вы могли озна­комиться в гл. 8.

Список возможных критериев отнюдь не исчерпывается опи­санным [11]. Но даже если ограничиться перечисленным, то ес­тественно может возникнуть вопрос, зачем нужны простому экс­периментатору D-, G- япрочие оптимальности?

Мы уже говорили выше о таких свойствах полного факторного эксперимента и дробных реплик, как ортогональность и рота- табельноеть. Ортогональность обеспечивает независимость оце­нок ^-коэффициентов, что очень существенно при интерпретации силы влияния факторов и их взаимодействий, а также, как мы увидим далее, для оценки направления градиента при движении к оптимуму. Поскольку заранее трудно предполагать, в какую сторону будет направлен градиент, то полезно стремиться и к ро- татабельности, обеспечивающей одинаковую точность предска­зания в разных направлениях.

Рассмотрим 2)-оНтимальность. Этот критерий связан с оценкой уравнения регрессии в целом и смысл его становится более понят­ным, когда речь идет об интерполяционных (описательных) зада­чах. Здесь уже экспериментатор не стремится изучать влияние каж­дого фактора в отдельности. Для него важно получить минималь­ную обобщенную дисперсию коэффициентов, что обеспечивает достаточные предсказательные свойства модели внутри области экс­перимента. Такие же свойства обеспечиваются и G-критерием. Это происходит не случайно, так как D- и G-критерии во многих слу­чаях эквивалентны [12].

Критерии первой группы отличаются от /^-критерия тем, что ис­пользуют иные свойства вектора оценок коэффициентов регрессии, отличные от обобщенной дисперсии. Могут встретиться постановки задач, требующие <