СИД „МОДЕЛИ ВЪВ ФАРМАЦИЯТА“

Лекции 7-8

гл. ас. Христо Манев, дм

гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“ 1 / 19

 1. Полиномни модели
Полиномните модели често са удобни за из-
ползване, защото са лесни за диференциране
Графично тази теорема означава, че графи-
и интегриране. Следващата теорема е добре
ката на y = p(x) минава през всяка точка от да-
познат резултат от алгебрата относно „напас-
деното множество (т.е. това е идеален модел).
ването“ на полиномен модел към данни.
Това звучи като утопия, но наистина ли е?
Теорема 1. Дадено е множество от стойности
{(xi ,yi ): i = 1,...,n}, където xi ≠ xj за всяко i ≠ j.
Съществува единствен полином p(x) от степен
най-много n − 1 такъв, че

p(xi) = yi, за всяко i = 1,...,n

гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“ 2 / 19

 Това означава, че искаме стойности на a, b и c
такива, че
Пример
a.12+b.1+c = 2
Нека разгледаме задачата за „напасването“ на
полином от втора степен от вида a.22+b.2+c = 4

y = ax2+bx+c a.32+b.3+c = 5.

към множество от три точки Този набор от линейни уравнения може да се

запише в матрична форма като
{(1, 2), (2, 4), (3, 5)}.
12 1 1 a 2
(22 2 1) (b ) = (4).
32 3 1 c 5

гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“ 3 / 19

Това матрично уравнение има обща форма
AX = B, където X = (a, b, c)T е матрицата-век-
тор на неизвестните. Може да се покаже, че A
е обратима. По този начин има уникално ре-
шение на това матрично уравнение, X = A−1B.
Извършването на това изчисление с помощта
на техники от предишната лекция дава реше-
нието x = (−0.5, 3.5, −1). По този начин полу-
чихме следния вид на математическия модел:
y = −0.5x2 + 3.5x − 1.
гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“
MS Excel автоматично може да изчисли този
полином за нас, като използва алгоритъм,
еквивалентен на описания по-горе.
Създайте диаграма на разсейване на данните
в празен работен лист и щракнете с десния
бутон върху една от точките с данни, избе-
рете Add Trendline и добавете полиномна
крива от степен 2. В раздела Options изберете
Display equation on chart. Това, което трябва
да ви се получи е показано на следващата фи-
гура:
4 / 19
 Имайте предвид, че полиномът, който дава
системата, е точно същият като този, който
изчислихме и че неговата графика минава
през всичките три точки от набора от данни.

гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“ 5 / 19

Нека сега добавим четвърта точка (4,2) към Този набор от линейни уравнения може от-
набора от данни и поставяме полином от ново да се запише в матрична форма като
втора степен към тези четири точки от данни. AX = B.
В идеалния случай искаме да намерим a, b и c
такива, че Обърнете внимание обаче, че A не е квад-
ратна, така че не е обратима. По-нататъшен
a.12+b.1+c = 2 анализ разкрива, че това уравнение дори няма
решение, така че няма полином, който да
a.22+b.2+c = 4 пасва идеално на тези четири точки от данни.
a.32+b.3+c = 5 Ще трябва да се задоволим с „най-подхо-
дящ“ полиномен модел.
a.42+b.4+c = 2.

гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“ 6 / 19

Както се запознахте вече в предишни лекции, Определение 1. Нека A е матрица от тип
когато „напасваме“ линеен модел към набор (m x n) и нека B e матрица-стълб от тип
от данни използваме критерий за най-мал- (m x 1). Решение по метода на най-малките
ките квадрати, за да го намерим. Тоест ис- квадрати на матричното уравнение AX = B е
каме полином p(x), който минимизира броя матрица-стълб X’ от тип (n x 1) такава, че:
n
|| B − AX’ || ≤ || B – AX ||,
2
𝑆 = ∑(yi − p(xi )) . за всяко X от тип (n x 1).
i=1
Нека отбележим, че с ||а|| означаваме дължи-
Полученият модел се нарича полиномен мо-
ната (нормата) на вектора а.
дел на най-малките квадрати. За да го на-
мерим ще намерим решение по метода на
най-малките квадрати на матричното уравне-
ние AX = B.

гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“ 7 / 19

Идеята зад това определение е, че X’ прибли-
жава AX до B колкото е възможно най-много.
Следващата теорема показва по какъв начин
можем да намерим X’: Ако ATA е обратима, тогава има единствено
решение X чрез този метод, дадено чрез

Теорема 2. Всяко решение по метода на най- X = (ATA)-1 AT B.

малките квадрати на AX = B трябва да удов-
летворява нормалното уравнение

ATAX = AT B.

гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“ 8 / 19


Забележете, че Теорема 2 не казва, че общото
матрично уравнение AX = B има единствено
решение чрез метода на най-малките квад-
рати. Като цяло може да има много решения с
този метод. Въпреки това, ако ATA е обра-
тима, тогава решението е единствено. Когато
„напасваме“ кривите към данните, ATA обик-
новено е обратима, така че можем да използ-
ваме последната формула, за да изчислим X’.
Тази техника може да се използва и за „напас-
ване“ на други типове модели към данни,
както ще видим по-нататък.
Демонстрация в MS Excel.
гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“
2. Общи насоки за избор на най-добър
модел
Като цяло, когато се конструират емпирични
модели, човек има много различни видове, от
които да избира. Да решите кой е най-доб-
рият не е лесно и често е много субективно,
но ето няколко прости насоки:
1. Помислете за стойността на R2, но не раз-
читайте само на нея.
2. Потърсете „шаблон“ в остатъците. Ако
има такъв, моделът трябва да бъде усъвър-
шенстван.
9 / 19
3. Помислете колко добър е моделът за пра-
вене на прогнози между стойностите на дан-
ните. Ако се колебае или би дал неразумни
стойности, потърсете по-добър модел.
4. Помислете за поведението „край“. Ако
изглежда, че данните се „изравняват“ в края,
но моделът се увеличава (или обратно), по-
мислете за различен модел.
5. Помислете за простотата на модела.
Като цяло, колкото по-малко са условията,
толкова по-добре.
гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“
Трябва също така да подчертаем, че когато
използваме емпиричен модел като тези, за да
се правят прогнози то те винаги трябва да бъ-
дат точкови оценки на истинските стойности.
Тези прогнози никога не трябва да се предста-
вят като точна сигурност. В статистиката се
използва и така наречената точка-оценка за
формиране на доверителен интервал за истин-
ската стойност (обхват от възможни стой-
ности).
10 / 19

3. Множествена регресия
Обсъдихме прогнозирането на стойността на
една променлива на отговор y с една промен-
лива за предсказване x. Тук ще обсъдим из-
ползването на две или повече предикторни
променливи x1, x2,..., xn. Този процес се на-
рича множествена линейна регресия.
гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“
3.1. Условия за прилагане на метода и
неговите ограничения
Регресията по двойки може да даде добър ре-
зултат при моделирането, ако въздействието
на други фактори, влияещи върху обекта на
изследване, може да бъде пренебрегнато.
Поведението на отделните променливи не
може да се контролира, т.е. не е възможно да
се осигури равенство на всички други усло-
вия за оценка на влиянието на един изследван
фактор. В този случай трябва да се опитаме
да идентифицираме влиянието на други фак-
тори, като ги въведем в модела, т.е.
изграждане на уравнение на множествена
регресия.
11 / 19
Основната цел на множествената регресия
е изграждането на модел с голям брой фак-
торни променливи, като същевременно се
определя влиянието на всеки от тях поот-
делно, както и кумулативният им ефект върху
моделирания индикатор. Спецификацията на
модела включва две области на въпроса:
избор на фактори и избор на типа уравне-
ние на регресията.
гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“
Изисквания за фактори:
• Трябва да се измери количествено.
Ако е необходимо, включете в модела
фактор за качество, което няма коли-
чествено измерване, трябва да се опре-
дели количествено (например в модел
на добива на назални сфери, качест-
вото се дава под формата на точки);
12 / 19
 • Не трябва да бъдат взаимосвързани и
освен това не трябва да са в точна фун-
кционална връзка. Включване в мо-
дела на фактори с висока интеркорела-
ция може да доведе до нежелани пос-
ледици – да доведе до нестабилност и
ненадеждност на оценките на коефи-
циентите на регресия. Ако има висока
корелация между факторите, тогава е
невъзможно да се определи техният
изолиран ефект върху ефективния по-
казател, поради което параметрите на
уравнението на регресията се оказват
не интерпретирани.
гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“
3.2. Мултиколинеарност
Специфично за многофакторните системи
е условието за недопустимост на прекалено
тясна връзка между факториалните знаци.
Това състояние често се нарича фактор ко-
линеен проблем. Колинеарност означава
доста близка неслучайна линейна корелация
на някои фактори с други. Често се препо-
ръчва да се изключи променлива, свързана с
друга променлива. От двете факторни про-
менливи е рационално да се изключи по-сла-
бата.
13 / 19
Има и по-сложни техники за намиране и изк-
лючване на фактор, който не е тясно свързан
с друг, но има тясна многофакторна връзка с
комплекс от други променливи. Този факт се
нарича мултиколинеарност. За да го изме-
рим, трябва последователно да изчислим кое-
фициентите на множествена корелация на
всеки фактор (в ролята на резултата) с
всички други фактори (в ролята на обясни-
телни променливи).
гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“
След като е открит мултиколинеен фактор
или няколко от тях, трябва да се обмисли въз-
можността за изключване на друга промен-
лива, която е най-зависима от комплекса, ако
това не води до загуба на смисъл на модела.
Наличието на колинеарност в системата вло-
шава математическите качества на мо-
дела и може да доведе до нестабилност на
ефективните параметри, които се променят
рязко с малка промяна в стойностите на фак-
торите.
14 / 19
Специфичен проблем на многовариантния
анализ е въпросът за възможността за замяна
на фактор, за който няма информация, с
друг фактор и последствията от такова замес-
тване.
Ако е възможно, трябва да намерите друга
променлива, чиито стойности са известни.
Например, ако няма данни за средните зап-
лати на фармацевтите в даден регион, те
могат да бъдат заменени със стойността на
брутния регионален продукт на глава от насе-
лението, като се има предвид, че трябва да съ-
ществува тясна (макар и неизвестна точно)
връзка между тези характеристики.
гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“
Важно е да се вземе предвид целта, за която
се изгражда моделът. Ако целта е само да се
предвиди ефективният индикатор, тогава за-
мяната на фактор с друга променлива, ако тя
е тясно свързана с заместващия фактор, няма
да доведе до значителни грешки. Но ако целта
на модела беше вземането на решения от
страна на мениджъра на аптеката относно не-
говата икономическа политика, то замяната
на контролиран фактор с тясно свързан, но
неконтролируем заместващ фактор лишава
модела от значение, въпреки високата реши-
телност.
15 / 19
 3.3. Избор на типа многофакторен мо-
дел и факторните характеристики

Връзката на стойността на y с факторните

променливи х1, х2,…, хк изразено с уравнени- а е свободен член на уравнението, к – броя на
ето: факторите, j – номер на фактор, i – броя на
единицата на популацията, bj – коефициент на
k условно чиста регресия с фактора хj, който
yi = a + ∑ bj xji + 𝜀i , измерва промяната в резултата, когато факто-
j=1 рът се променя от неговата единица, εi – слу-
чайна променлива, когато yi не е обяснено от
модела.

гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“ 16 / 19

Моделът от последната формула се нарича
адитивен. Това означава, че моделът се осно-
вава на хипотезата, че всеки фактор добавя
нещо или изважда нещо от стойността на
ефективната черта. Тази хипотеза за типа
връзка между причините и следствията отра-
зява напълно редица системи с взаимосвър-
зани характеристики, точно такива, които са
обект на изследване във фармацията. Уда-
чен такъв пример е този, който разгледахме
във първата лекция, свързан с размножава-
нето на бактерии в блюдо на Петри.
гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“
Съществуват и зависимости, при които всеки
от факторите е необходим за съществуването
на резултата, а не е допълнение към него. В
такива ситуации трябва да се изхожда от хи-
потезата за мултипликативната форма на
модела:
b b b
y = a. x1 1 . x2 2 . x3 3 .
Този модел се нарича мултипликативен, а
според първите му създатели, е наречен „мо-
делът на Коб-Дъглас“.
17 / 19
 • Факторите трябва да са причините, а
резултантният знак да е тяхното следс-
Възможна е и смесена форма на модела, при твие. Недопустимо е в броя на факто-
която някои фактори ще влизат адитивно, а рите да се включва характеристика, ко-
други мултипликативно. ято заема място в реалната „продук-
ция“ на системата, т.е. в зависимост от
При избора на знаци за фактори трябва да се
моделираното.
изхожда от следните правила:
• Характеристиките на факторите не
трябва да бъдат част от продуктивна
характеристика.

гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“ 18 / 19

 • Трябва да се избягва дублиране на
фактори. Всеки реален фактор трябва
да бъде представен с един показател.
• Факторите от едно ниво на йерархията
трябва да бъдат включени, а фактори
от по-високото ниво и техните под-
фактори не трябва да се включват.
Включването на подфактори също е
дублиране на фактор.
гл. ас. Манев, дм Лекции по СИД „Модели във фармацията“
• Променливите, тясно свързани с
други, трябва да се избягват, когато е
възможно.
• Принципът на простота на модела е
валиден. Ако е възможно да се изгради
добър модел с пет фактора, не бива
да гоните идеален модел с десет фак-
тора, обикновено ненужните фактори
влошават модела.
19 / 19