(5.7)
(P - b)r ZrZ0 - b) <m s2 f,
gdzie:
s* = S(b)(n - m) 1 - estymator wariancji o2.
Jeżeli lineary/acja zależności nie daje dobrego przybliżenia zależności rzeczywistej, wtedy powyższa elipsoida nie będzie prawdziwym obszarem ufności. Dokładny obszar ufności można określić przez wyznaczenie położenia stałych wartości S(b) ■ const. lecz wtedy nie można dokładnie określić wartości prawdopodobieństwa, ponieważ nic jest znany dokładny rozkład wektora estymatorów b. Najczęściej przyjmuje się, że linearyzacja stanowi dość dobre przybliżenie modelu nieliniowego i wtedy analizę statystyczną wyestymowanej zależności wykonuje się, wykorzystując sposoby analizy regresji liniowej. Wtedy test statystyczny do weryfikacji hipotezy o nieistotności współczynników p (H©: J3p-0, p"l, 2,.... m)
może być oparty na statystyce tp = ^L_g, która przy założeniu, że hipoteza zerowa jest
prawdziwa, ma graniczny rozkład i Studenta o (n-m) stopniach swobody. Miarą stopnia dopasowania zależności regresyjnej do danych doświadczalnych będzie współczynnik determinacji R2, zdefiniowany i interpretowany podobnie jak dla regresji liniowej.
5.3. Estymacja współczynników modeli nieliniowych
Układ równań (5.4) najczęściej nie ma rozwiązania analitycznego. Dlatego też rozwiązania poszukuje się za pomocą metod iteracyjnych. Wybierając wektor b© jako wektor startowy, dąży się do tego, aby otrzymać ciąg ocen (b©, b(% b/./,...) spełniający dla każdego
/ warunek:
S(b/+I) < S(b,). (5.8)
Polega to na korygowaniu kolejnych przybliżeń ocen współczynników o pewien wektor:
spełniający warunek:
(5-9)
(5.10)
gdzie X jest liczbą określającą długość kroku, a d, jest wektorem określającym kierunek poszukiwań. Poszukuje się zatem takiego kierunku wyznaczonego przez wektor dr, aby funkcja 5(b, X6,) była funkcją malejącą względem X. Pochodna funkcji kryterium:
c[S(b. -^.d,)j r dS ypfb,-r^d.)j dx "LabrJ [ &x I
musi być wobec tego mniejsza od zera:
Oznaczając gradient funkcji —— = g,, warunek (5.11) przyjmie posiać:
&rdr<0. (5.12)
67