DRS

Kuvaus

Ihmiset saavat monia kahden tai useamman kuin kahden ulottuvuuden liittyviä tietoja kokeiden ja tuotannon aikana. Nämä tiedot auttavat heitä ratkaisemaan päinvastoin todellisuusongelmat, jotka tarvitsevat tietojenkäsittelyä, jotta niistä tulisi matemaattinen malli, joka heijastaa tietojen vaihteluasetusta. Pienimmän neliön menetelmän soveltaminen voi tehdä vain lineaarista regressiota, mutta epälineaarisiin ongelmiin sen on rakennettava liittyvä matemaattinen suhdelauseke, nimittäin mekanismimalli menettelyn kautta, joka oletetaan tekevän mekanismimallin linearisointikäsittelyn ja sitten regressiomallinnuslaskennan. Jotkut rekursiivisten mallien liittyvät tiedot ovat hyviä, mutta todellisuustiedot ovat muutettavissa, jotkut päättelevät mekanismimalleja. Lineaarisen prosessin jälkeen regressiomallin korrelaatio-ominaisuus ei ole hyvä, ja jotkut siihen liittyvät tiedot eivät edes johda mekanismimalliin. Matemaattisten mallien rakentaminen on vielä vaikeampaa. Least Cubic Method ratkaisee ongelmat, jotka pienimmän neliömetodin tietojen regressio kohtasivat liittyvän datan regressiossa. Koska tietokoneita käytetään laajalti kokeissa, suunnittelussa ja tuotannossa, se tekee pienimmän kuutiometodin teoriaan perustuvan regressiolaskennan todellisuudeksi. Ihmiset eivät vain pysty käsittelemään mekanismimallia regressio-linearisointikäsittelyn kautta, vaan voivat myös antaa vankan matemaattisen mallin asiaankuuluvaan dataan, josta ei voida päätellä mekanismimalleja.