Отбор важных l

Таким образом, каждое нормированное значение, что мы получим, представляет собой некую случайную величину, имеющую нормальное распределение с единичной дисперсией и средним, характеризующим соответствующее l. Если же эта l равна 0, то распределение будет единичным нормальным. Таблицы функции распределения единичного нормального распределения (приложение 1) показывают, что около 95% всех случайных наблюдений, принадлежащих этому распределению, попадают в диапазон от -2 до +2.

Пусть, например, мы получили стандартизованное значение, равное 4. Оно весьма удалено от обычного диапазона. Это можно объяснить только двумя обстоятельствами: либо мы столкнулись с очень редким событием, либо соответствующее значение l не равно 0. Мы скорее предпочли бы поверить второму из объяснений, а это значит,

[62]

что при отборе важных значений l выход их наблюдаемых нормированных значений за диапазон (-2,2) будет служить ориентировочным руководством.

Это не более, чем ориентир, а не тот случай, когда мы могли бы;сказать, что если какое-либо наблюдаемое значение лежит вне диапазона (-2, 2), то, очевидно, соответствующее значение l значимо отличается от 0. Может быть, да, а может быть, и нет. Такая неясность со значимостью возникает отчасти потому, что мы всегда должны рассматривать большое число нормированных значений одновременно. Хотя для любого конкретного значения диапазон (-2,2) вполне разумен, когда мы рассматриваем совместно, скажем, 60 значений, то совсем нелепо ожидать, что все они окажутся зажатыми между -2,и 2. На самом деле вероятность этого события равна: (0,95)⁶⁰ = 4,6%, что <значимо> мало.

Позже мы покажем, что если принять для некоторых значений , то, вообще говоря, мы будем обязаны одновременно прийти к логическому заключению об отличии от нуля и некоторых других значений. Таким образом, наши заключения строятся на песке. Единственное, что можно было бы утверждать - это то, что диапазон (-2, 2) может служить основой для выбора некоторого подмножества значений l, могущих оказаться важными.

Анализ результатов для ненасыщенной модели,. мы продолжим в гл. 7. А пока займемся насыщенными моделями, которые служат наиболее удобной исходной точкой для дальнейшего анализа.

Дата добавления: 2015-09-01