Обратите внимание: Вы должны ввести данные для градуировочной модели в двух столбцах электронной таблицы; один для X (известное или стандартное количество), и один для Y (измерение, которое Вы получили прибором или процессом, который калибруется).

3.2.49. <Comparison of Regression Lines>

Метод Сравнения Линий регрессии в SG автоматически создает необходимые переменные индикатора, чтобы позволить сравнивать две или более моделей единичной регрессии. А также сделать вывод, можно ли использовать единственную модель для групп. Сначала вводится модель формулой Y = + b*X группирующейся переменной, и SG прибавляет переменные индикатора к модели. В действительности, это действие аппроксимирует отдельные строки для каждого уровня категорийной переменной и позволяет определить, имеются ли разрывы и изменения наклонов линий регрессии в разных группах. Табличные и графические опции полезны, когда или наклоны, или разрывы, отличаются незначительно и проверяется их равенство с целью упрощения модели. Конечный шаг в процессе разработки модели должен проверить правильность модели.

3.2.50. <Nonlinear Regression>

Сначала определяется функция, которую программа будет использовать, чтобы аппроксимировать данные. Тогда выбирается итерационный поисковый алгоритм, чтобы определить оценки, которые минимизируют остаточную сумму квадратов, поскольку метод, который используется, зависит от начальных параметров. Одно предостережение относительно начальных оценок: модель может сходиться к локальному минимуму вместо глобального минимума. Чтобы частично принять меры против этого случая, можно выполнить анализ несколько раз, используя различные начальные оценки.

3.2.51. <Ridge Regression>

Данный метод представляет собой модификацию метода наименьших квадратов для поиска коэффициентов множественной регрессии.

3.2.52. <Logistic Regression>