Регрессия Деминга

В статистике регрессия Деминга, названная именем У. К. Деминга, — это вид регрессии с ошибками в переменных^[en], которая пытается найти прямую наилучшего сглаживания для двумерного набора данных. Регрессия отличается от простой линейной регрессии^[en] в том, что она принимает во внимание ошибки^[en] в наблюдении как по оси x, так и по оси y. Регрессия является частным случаем метода наименьших полных квадратов, которая рассматривает любое число показателей и имеет более сложную структуру ошибок.

Двумерный случай метода наименьших полных квадратов (регрессия Деминга). Красные отрезки показывают ошибку как по x, так и по y, что отличается от традиционного метода наименьших квадратов, в котором ошибка измеряется только по оси y. Показан случай, когда отклонение измеряется перпендикулярно, что происходит, когда x и y имеют равные дисперсии.

Регрессия Деминга эквивалентна оценке максимального правдоподобия на модели с ошибками в переменных^[en], в которой ошибки двух переменных считаются независимыми и имеют нормальное распределение, а отношение их дисперсий, δ, известно . На практике это отношение может быть оценено из исходных данных. Однако процедура регрессии не принимает во внимание возможные ошибки в оценке отношений дисперсии.

Регрессия Деминга лишь слегка сложнее простой линейной регрессии^[en]. Большинство статистических пакетов, используемых в клинической химии, предоставляют регрессию Деминга.

Модель первоначально была предложена Адкоком, который рассматривал случай δ = 1, а затем рассматривалась в более общем виде Куммеллем с произвольным δ. Однако их идеи оставались большей частью незамеченными более 50 лет, пока их не возродил Купманс и позднее распространил Деминг. Книга последнего стала столь популярной в клинической химии и связанных областях, что метод в этих областях получил название регрессия Деминга.

СпецификацияПравить

Предположим, что данные (y_i, x_i) являются значениями, полученными в ходе измерений "истинных" значений (y_i*, x_i*), которые лежат на регрессионной прямой:

${\begin{aligned}y_{i}&=y_{i}^{*}+\varepsilon _{i},\\x_{i}&=x_{i}^{*}+\eta _{i},\end{aligned}}$ 

где ошибки ε и η независимы и отношение их дисперсий, известно:

$\mathrm{\delta <!--\; \delta \; -->}=\frac{{\mathrm{\sigma <!--\; \sigma \; -->}}_{\mathrm{\epsilon <!--\; \epsilon \; -->}}^2}{{\mathrm{\sigma <!--\; \sigma \; -->}}_{\mathrm{\eta <!--\; \eta \; -->}}^2}.$$\delta ={\frac {\sigma _{\varepsilon }^{2}}{\sigma _{\eta }^{2}}}.$ 

На практике дисперсии параметров $x$$x$  и $y$$y$  часто неизвестны, что усложняет оценку $\mathrm{\delta <!--\; \delta \; -->}$$\delta$ . Заметим, что когда метод измерения $x$$x$  и $y$$y$  тот же самый, эти дисперсии, скорее всего, равны, так что в этом случае $\mathrm{\delta <!--\; \delta \; -->}=1$$\delta =1$ .

Мы пытаемся найти прямую "наилучшего сглаживания"

$y^{\ast <!--\; \ast \; -->}={\mathrm{\beta <!--\; \beta \; -->}}_0+{\mathrm{\beta <!--\; \beta \; -->}}_1{x}^{\ast <!--\; \ast \; -->},$$y^{*}=\beta _{0}+\beta _{1}x^{*},$ 

такую, что взвешенная сумма квадратов остатков минимальна

$SSR=\underset{i=1}{\overset{n}{\sum <!--\; \sum \; -->}}(\frac{{\mathrm{\epsilon <!--\; \epsilon \; -->}}_i^2}{{\mathrm{\sigma <!--\; \sigma \; -->}}_{\mathrm{\epsilon <!--\; \epsilon \; -->}}^2}+\frac{{\mathrm{\eta <!--\; \eta \; -->}}_i^2}{{\mathrm{\sigma <!--\; \sigma \; -->}}_{\mathrm{\eta <!--\; \eta \; -->}}^2})=\frac{1}{{\mathrm{\sigma <!--\; \sigma \; -->}}_{\mathrm{\epsilon <!--\; \epsilon \; -->}}^2}\underset{i=1}{\overset{n}{\sum <!--\; \sum \; -->}}((y_i-<!--\; -\; -->{\mathrm{\beta <!--\; \beta \; -->}}_0-<!--\; -\; -->{\mathrm{\beta <!--\; \beta \; -->}}_1{x}_i^{\ast <!--\; \ast \; -->}{)}^2+\mathrm{\delta <!--\; \delta \; -->}(x_i-<!--\; -\; -->x_i^{\ast <!--\; \ast \; -->}{)}^2)\to <!--\; \to \; -->\underset{{\mathrm{\beta <!--\; \beta \; -->}}_0,{\mathrm{\beta <!--\; \beta \; -->}}_1,x_1^{\ast <!--\; \ast \; -->},\dots <!--\; \dots \; -->,x_n^{\ast <!--\; \ast \; -->}}{min}SSR$$SSR=\sum _{i=1}^{n}{\bigg (}{\frac {\varepsilon _{i}^{2}}{\sigma _{\varepsilon }^{2}}}+{\frac {\eta _{i}^{2}}{\sigma _{\eta }^{2}}}{\bigg )}={\frac {1}{\sigma _{\varepsilon }^{2}}}\sum _{i=1}^{n}{\Big (}(y_{i}-\beta _{0}-\beta _{1}x_{i}^{*})^{2}+\delta (x_{i}-x_{i}^{*})^{2}{\Big )}\ \to \ \min _{\beta _{0},\beta _{1},x_{1}^{*},\ldots ,x_{n}^{*}}SSR$ 

РешениеПравить

Решение может быть выражено в терминах моментов второго порядка. То есть мы сначала вычисляем следующие величины (все суммы берутся по i = 1 : n):

${\begin{aligned}&{\overline {x}}={\frac {1}{n}}\sum x_{i},\quad {\overline {y}}={\frac {1}{n}}\sum y_{i},\\&s_{xx}={\tfrac {1}{n}}\sum (x_{i}-{\overline {x}})^{2},\\&s_{xy}={\tfrac {1}{n}}\sum (x_{i}-{\overline {x}})(y_{i}-{\overline {y}}),\\&s_{yy}={\tfrac {1}{n}}\sum (y_{i}-{\overline {y}})^{2}.\end{aligned}}$ 

Наконец, параметры оценки методом наименьших квадратов будут:

${\begin{aligned}&{\hat {\beta }}_{1}={\frac {s_{yy}-\delta s_{xx}+{\sqrt {(s_{yy}-\delta s_{xx})^{2}+4\delta s_{xy}^{2}}}}{2s_{xy}}},\\&{\hat {\beta }}_{0}={\overline {y}}-{\hat {\beta }}_{1}{\overline {x}},\\&{\hat {x}}_{i}^{*}=x_{i}+{\frac {{\hat {\beta }}_{1}}{{\hat {\beta }}_{1}^{2}+\delta }}(y_{i}-{\hat {\beta }}_{0}-{\hat {\beta }}_{1}x_{i}).\end{aligned}}$ 

Ортогональная регрессияПравить

В случае равенства дисперсий ошибок, т.е. в случае $\mathrm{\delta <!--\; \delta \; -->}=1$$\delta =1$ , регрессия Деминга становится ортогональной регрессией — она минимизирует сумму квадратов расстояний от точек выборки до регрессионной прямой^[en]. В этом случае обозначим каждую точку выборки z_j на комплексной плоскости (т.е. точка (x_j, y_j) выборки записывается как z_j = x_j + iy_j, где i — мнимая единица). Обозначим через Z сумму квадратов разностей от точек выборки до центра тяжести (также представленного в комплексных координатах). Центр тяжести — это среднее точек выборки. Тогда:

• Если Z = 0, то любая прямая, проходящая через центр тяжести, является прямой наилучшего ортогонального сглаживания.
• Если Z ≠ 0, прямая наилучшего ортогонального сглаживания проходит через центр тяжести и параллельна вектору из начала координат в $\sqrt{Z}$${\sqrt {Z}}$ .

Тригонометрическую интерпретацию прямой наилучшего ортогонального сглаживания дал Кулидж в 1913.

ПриложенияПравить

В случае трёх неколлинеарных точек на плоскости треугольник, образованный этими точками, имеет единственный вписанный эллипс Штейнера, который касается сторон треугольника в средних точках. Главная ось этого эллипса будет ортогональной регрессией этих трёх вершин.

ЛитератураПравить

• R. J. Adcock. A problem in least squares // The Analyst. — Annals of Mathematics, 1878. — Т. 5, вып. 2. — С. 53–54. — doi:10.2307/2635758. — JSTOR 2635758.
• J. L. Coolidge. Two geometrical applications of the mathematics of least squares // The American Mathematical Monthly. — 1913. — Т. 20, вып. 6. — С. 187–190. — doi:10.2307/2973072.
• P.J. Cornbleet, N. Gochman. Incorrect Least–Squares Regression Coefficients // Clin. Chem.. — 1979. — Т. 25, вып. 3. — С. 432–438. — PMID 262186.
• W. E. Deming. Statistical adjustment of data. — Wiley, NY (Dover Publications edition, 1985), 1943. — ISBN 0-486-64685-8.
• Wayne A. Fuller. Measurement error models. — John Wiley & Sons, Inc, 1987. — ISBN 0-471-86187-1.
• P. Glaister. Least squares revisited // The Mathematical Gazette. — 2001. — Вып. 85 March. — С. 104-107.
• T. C. Koopmans. Linear regression analysis of economic time series. — DeErven F. Bohn, Haarlem, Netherlands, 1937.
• C. H. Kummell. Reduction of observation equations which contain more than one observed quantity // The Analyst. — Annals of Mathematics, 1879. — Т. 6, вып. 4. — С. 97–105. — doi:10.2307/2635646. — JSTOR 2635646.
• K. Linnet. Evaluation of regression procedures for method comparison studies // Clinical Chemistry. — 1993. — Т. 39, вып. 3. — С. 424–432. — PMID 8448852.
• D. Minda, S. Phelps. Triangles, ellipses, and cubic polynomials // American Mathematical Monthly. — 2008. — Т. 115, вып. 8. — С. 679–689.