58–68 ОБРАБОТКА ИНФОРМАЦИИ УДК 519.23 Классификация регрессионных моделей на основе объема априорной информации* В. <...> Карла Маркса, 20, Новосибирский государственный технический университет, доктор технических наук, доцент. <...> Карла Маркса, 20, Новосибирский государственный технический университет, кандидат технических наук, доцент. <...> Е-mail: faddeenkov@corp.nstu.ru В данной работе авторами предложена классификация регрессионных моделей. <...> Основанием классификации служит объем априорной информации, доступной исследователю. <...> При этом рассматриваются две основные задачи спецификации модели, с которыми сталкиваются исследователи. <...> Выделено три основных уровня: полная определенность, частичная неопределенность и полная неопределенность структуры модели. <...> В первом случае предполагается, что структура модели априорно задана с точностью до неизвестных параметров. <...> Во втором случае структура модели известна не полностью и недостающая часть будет компенсироваться непараметрической составляющей. <...> В третьем случае структура модели не известна, что влечет использование только непараметрических методов. <...> В качестве второго базиса классификации предлагается использовать полноту априорной информации о распределении случайной составляющей модели. <...> Второй уровень соответствует структурированным ошибкам, образованным линейными комбинациями или смесями случайных величин. <...> Различные комбинации уровней информированности о структуре модели и распределении случайной ошибки определяют девять основных групп моделей, каждой из которых соответствуют свои методы идентификации. <...> При неполной информации рекомендуется использовать полупараметрические методы, основанные на сплайновой регрессии, моделях структурированной ошибки, универсальных распределениях. <...> Ключевые слова: регрессионная модель, структура модели, классификация, априорная информация, параметрические методы, непараметрические методы, полупараметрические <...>