О программной реализации метода Монте-Карло для оценивания доверительных полос линейной регрессии
Информационные и математические технологии в науке и управлении · 05.03.2026 · (1(41)) · 180-188
DOI: 10.25729/esi.2026.41.1.013 ↗Kurz gefasst
Fachartikel in der Zeitschrift Информационные и математические технологии в науке и управлении, erschienen am 05.03.2026. Verfasst von А.В. Cтепанов.
Abstract (Originalsprache)
Рассматривается задача расчета полос неопределенности линейной регрессии с коррелированными исходными данными. Для оценивания доверительных полос применяется обобщенный метод наименьших квадратов, при этом для оценивания их границ вводится коэффициент охвата, который, будучи умноженным на стандартную неопределенность регрессии в рассматриваемых точках, дает указанные границы. Актуальность исследования определяется тем, что стандартные методы построения доверительных интервалов, основанные на предположении о независимости ошибок, при наличии автокорреляции приводят к систематическому занижению ширины полос неопределенности. Это, в свою очередь, создает ложное впечатление о точности прогнозов и может служить причиной ошибочных статистических выводов. Для корректного построения доверительных полос необходимо учитывать структуру временной зависимости ошибок. В работе рассматриваются следующие модели коррелированных шумов: авторегрессионные процессы с экспоненциальным затуханием корреляции, а также цветные шумы, характеризующиеся степенным затуханием и долговременной памятью. В отличие от классического случая независимых ошибок, где коэффициент охвата соответствует квантили нормального распределения, при наличии корреляции его аналитическое выражение отсутствует. Значение коэффициента напрямую зависит от структуры ковариационной матрицы ошибок, объема обучающей выборки и горизонта прогнозирования. Для его определения в работе применяется численный метод Монте-Карло в сочетании с итерационной процедурой бисекции, позволяющий находить коэффициент охвата с заданной точностью. Разработано специализированное программное обеспечение на языке Python с использованием библиотек NumPy и SciPy. Программная реализация решает задачу оценивания полосы линейной регрессии гиперболической формы, когда корреляционная структура ошибок описывается вышеупомянутыми моделями. Приведены соответствующие примеры оценивания упомянутого коэффициента охвата и полос регрессии, дана ссылка на программную реализацию. Модульная архитектура разработанной программы допускает расширение на другие типы корреляционных структур. Применимость работы обусловлена необходимостью обеспечения корректной оценки неопределенности при статистической обработке экспериментальных данных, получаемых при решении измерительных задач. The paper addresses the problem of calculating uncertainty bands for linear regression with correlated input data. To estimate confidence bands, the generalized least squares method is applied. To determine their boundaries, a coverage factor is introduced; when multiplied by the standard uncertainty of the regression at specific points, this factor yields the required limits. The relevance of this research stems from the fact that standard methods for constructing confidence intervals, based on the assumption of independent errors, lead to a systematic underestimation of the uncertainty band width in the presence of autocorrelation. This, in turn, creates a false impression of forecast accuracy and may result in erroneous statistical conclusions. To construct confidence bands correctly, the structure of the temporal dependence of errors must be taken into account. This study considers the following models of correlated noise: autoregressive processes with exponential correlation decay, and colored noise characterized by power-law decay and long-term memory. Unlike the classical case of independent errors, where the coverage factor corresponds to a quantile of the normal distribution, no analytical expression exists for this factor in the presence of correlation. The value of the factor directly depends on the structure of the error covariance matrix, the training sample size, and the forecasting horizon. To determine it, the paper employs a numerical Monte Carlo method combined with an iterative bisection procedure, which allows finding the coverage factor with a specified accuracy. Specialized software has been developed in Python using the NumPy and SciPy libraries. The software implementation solves the problem of estimating hyperbolic-shaped linear regression bands when the error correlation structure is described by the aforementioned models. Corresponding examples for estimating the coverage factor and regression bands are provided, along with a link to the software implementation. The modular architecture of the developed program allows for expansion to other types of correlation structures. The applicability of the work is due to the need for correct uncertainty estimation in the statistical processing of experimental data obtained during the solution of measurement problems.
Zitieren
APA
Cтепанов, А. (2026). О программной реализации метода Монте-Карло для оценивания доверительных полос линейной регрессии. Информационные и математические технологии в науке и управлении, 180-188. https://doi.org/10.25729/esi.2026.41.1.013
Vancouver
Cтепанов А. О программной реализации метода Монте-Карло для оценивания доверительных полос линейной регрессии. Информационные и математические технологии в науке и управлении. 2026:180-188. doi:10.25729/esi.2026.41.1.013
BibTeX
@article{C2026,
author = {Cтепанов, А.В.},
title = {О программной реализации метода Монте-Карло для оценивания доверительных полос линейной регрессии},
journal = {Информационные и математические технологии в науке и управлении},
year = {2026},
number = {1(41)},
pages = {180--188},
doi = {10.25729/esi.2026.41.1.013}
}
EUVIMED