Springen naar inhoud

regressie-analyse met multivariabelen toepasbaar?


  • Log in om te kunnen reageren

#1

niels11

    niels11


  • >25 berichten
  • 40 berichten
  • Gebruiker

Geplaatst op 23 april 2014 - 14:39

Hallo allemaal

 

Ik zit vast met een wiskundig probleem in mijn project.

Het project bestaat uit een machine, waarop product komt, de bedoeling is om het gewicht van het product te detecteren.

Aan de hand van metingen van verschillende grootheden konden verbanden gelegd worden tussen het gewicht en de verschillende grootheden(variabelen).

 

Dit zijn de verbanden :

 

Het gewicht is afhankelijk van grootheid I, er is een lineair verband:

yzgi.png

 

Echter de grootheid I is ook afhankelijk van 2 andere variabelen U en R (lineair en en kwadratisch)

 

7r0j.png

opjz.png

 

Nu moet het mogelijk zijn om het gewicht te bepalen(berekenen) met behulp van de verschillende variabelen.

Ik dacht gebruik te maken van regressie-analyse omdat je met meerdere variabelen zit.
Maar het blijkt niet toepasbaar, er is voor ieder gewicht een curve.
Zijn er andere wiskundige methodes om een formule te vinden om het gewicht te berekenen?

Sorry voor het gebruik van misschien 'rudimentair wiskundige begrippen' ik ben een beetje een autodidact op gebied van wiskunde.

Alvast bedankt voor de reacties!

 

 

 

 

 

 

 


Dit forum kan gratis blijven vanwege banners als deze. Door te registeren zal de onderstaande banner overigens verdwijnen.

#2

Saffron

    Saffron


  • >250 berichten
  • 457 berichten
  • Minicursusauteur

Geplaatst op 23 april 2014 - 17:37

Even kijken of ik je begrijp: je wilt gewicht voorspellen door I, R en U? Wat zijn de correlaties tussen I, R en U?
Je zegt dat regressie niet toepasbaar is, maar is begrijp niet helemaal waarom. Kan je daar iets meer over vertellen?

#3

niels11

    niels11


  • >25 berichten
  • 40 berichten
  • Gebruiker

Geplaatst op 24 april 2014 - 12:58

Klopt ik wil het gewicht voorspellen door gebruik te maken van I, R en U. 

Dit zijn grootheden die gemeten worden en die dus gekend zijn. 

I veranderd lineair met het gewicht, dus hoe groter het gewicht, hoe groter I.

 

Echter I wordt ook beïnvloed door R en U. Hoe groter R, hoe kleiner I (lineair verband).

U beïnvloed ook I, tussen I en U is een kwadratisch verband, hoe groter U, hoe groter I.

 

Ik ben niet zo goed in wiskunde en regressie-analyse is nieuw voor mij, ik heb er enkel over gelezen op het internet.

Maar volgens mij kan het dus toegepast worden mocht het gewicht bijvoorbeeld in functie zijn van U en R.
In dit geval heb ik geen idee, hoe ik moet beginnen met het opmaken van een formule om het gewicht te bepalen. 
Misschien kan je me op weg helpen?


#4

niels11

    niels11


  • >25 berichten
  • 40 berichten
  • Gebruiker

Geplaatst op 30 april 2014 - 07:32

Niemand die me op weg kan helpen?

Of ideeën heeft waar ik de oplossing kan vinden?

Alvast bedankt!


#5

Saffron

    Saffron


  • >250 berichten
  • 457 berichten
  • Minicursusauteur

Geplaatst op 02 mei 2014 - 12:22

Je hoeft geen formule op te stellen hoor. Welke statische software gebruik je? Je kan de regressie-analyse maken met gewicht als uitkomst en de andere 3 als voorspellers. Als je dat graag in formule-vorm wilt:
Gewicht= intercept + beta1*I + beta2*R + beta3*U + error term

Echter, als I sterk gecorreleerd is met R en U, dan kan er sprake zijn van multicollineariteit, dus dat zul je even moeten checken.

#6

paac

    paac


  • >250 berichten
  • 271 berichten
  • Ervaren gebruiker

Geplaatst op 05 mei 2014 - 08:08

Je hoeft geen formule op te stellen hoor. Welke statische software gebruik je? Je kan de regressie-analyse maken met gewicht als uitkomst en de andere 3 als voorspellers. Als je dat graag in formule-vorm wilt:
Gewicht= intercept + beta1*I + beta2*R + beta3*U + error term

Echter, als I sterk gecorreleerd is met R en U, dan kan er sprake zijn van multicollineariteit, dus dat zul je even moeten checken.

Maar zijn probleem is non-lineariteit vanwege de kwadratische verhouding tussen I en U.
 

 

Ik dacht gebruik te maken van regressie-analyse omdat je met meerdere variabelen zit.
Maar het blijkt niet toepasbaar, er is voor ieder gewicht een curve.
Zijn er andere wiskundige methodes om een formule te vinden om het gewicht te berekenen?

Een MLR zal dit probleem blijven behouden toch? (naast de mogelijke multicollineariteit).

Plan? I don't need a plan, just a goal. The rest will follow on its own.
Clever waste of time: Level 31


#7

Saffron

    Saffron


  • >250 berichten
  • 457 berichten
  • Minicursusauteur

Geplaatst op 05 mei 2014 - 08:36

Maar heeft R ook een kwadratisch verband met de uitkomst? Want daar gaat het uiteindelijk om. En je kan er natuurlijk altijd een kwadratische term inzetten.

#8

paac

    paac


  • >250 berichten
  • 271 berichten
  • Ervaren gebruiker

Geplaatst op 05 mei 2014 - 09:03

Wordt het niet meer iets van:

LaTeX


Met daarbij
LaTeX

(met een mogelijke kwadratische term voor non-lineariteiten erbij)

Veranderd door paac, 05 mei 2014 - 09:03

Plan? I don't need a plan, just a goal. The rest will follow on its own.
Clever waste of time: Level 31


#9

Saffron

    Saffron


  • >250 berichten
  • 457 berichten
  • Minicursusauteur

Geplaatst op 05 mei 2014 - 15:55

Ja, waarschijnlijk valt I weg door multicollineariteit, dus dan hou je R en U over.

#10

niels11

    niels11


  • >25 berichten
  • 40 berichten
  • Gebruiker

Geplaatst op 06 mei 2014 - 09:57

Bedankt voor jullie reacties!

 

 

Ik denk dat ik jullie denkwijze begrijp. Ik vrees echter dat het niet zal gaan op deze manier.

 

Dus volgens mij stel je voor om multiple regressie analyse toe te passen op de I met U en R en daarna  G te voorspellen met I,

 

want G en I zijn lineair. En I is trouwens een gekende waarde die niet voorspeld hoeft te worden, het kan gemeten worden.

 

 

Ik ben misschien wat onduidelijk geweest bij de eerste grafiek. Het lineair verband tussen G en I is enkel van toepassing als U en R constant blijven of gelijk zijn aan 0.

 

Dus algemeen G stijgt lineair met I, maar er zijn externe factoren die de meting beïnvloeden dat is namelijk U en R, je kan ze beschouwen als ongewenste factoren die de meting verstoren. De invloed van beide factoren U en R is gekend door metingen zoals in de twee laatste grafieken voorgesteld. Dit houdt in dat je bij een bepaalde waarde I, die gemeten wordt meerdere mogelijke gewichten hebt. Het is dus U en R die bepalen welk gewicht er nu op de machine ligt.

 

 

Ik zal een voorbeeld geven met getallen :

 

Stel ik meet een waarde I op de machine bv 1000

 

Ik meet de waarde U, die is 0, dus U heeft geen invloed op I zie tweede grafiek.

 

Ik meet de waarde R, die is ook 0, dus die heeft ook geen invloed op I zie derde grafiek.

 

Dus het gewicht kan eenvoudig voorspeld worden met de eerste grafiek bv. 5 kg.

 

 

Echter de situatie is gewijzigd bij een tweede meting.
Ik meet opnieuw I die is opnieuw 1000.

 

Daarna meet ik U, die is 100, dus die beïnvloed I (kwadratisch verband) zie 2e grafiek.

 

Daarna meet ik R die is bv ook 100, dus die beïnvloed ook I ( lineair stijgend) zie 3e grafiek.

 

We mogen G niet voorspellen met de 1e grafiek, want U en R is niet 0.

 

Het effectieve gewicht op de machine zal dus kleiner zijn bv. 2kg dan in het eerste geval, terwijl de waarde I dezelfde is, dit omdat U en R de waarde I beïnvloeden, ze zorgen ervoor dat I stijgt, terwijl het gewicht niet gestegen is.

 

Het is ook vanzelfsprekend dat de invloed van U, meer zal moeten doorwegen dan R. Want U is kwadratisch, terwijl R lineair is.

 

Dus het bereken van het gewicht zou er ergens zo moeten uitzien :

 

[tex]

 

G = a*I + b -  x*U - y*R

 

 

[/tex]

 

 

I, U en R zijn waarden die gekend zijn, deze worden gewoon gemeten, dus moet ik x en y vinden om G te kunnen voorspellen.

 

Mijn uitleg was dus blijkbaar niet duidelijk genoeg, excuses.

 

Hopelijk is het probleem nu duidelijk en kunnen jullie me verder helpen.

 

 

Nogmaals dank!

Veranderd door niels11, 06 mei 2014 - 10:25






0 gebruiker(s) lezen dit onderwerp

0 leden, 0 bezoekers, 0 anonieme gebruikers

Ook adverteren op onze website? Lees hier meer!

Gesponsorde vacatures

Vacatures