Което намира най-широко приложение в различни области на науката и практическата дейност. Това може да бъде физика, химия, биология, икономика, социология, психология и така нататък и така нататък. По волята на съдбата често ми се налага да се справям с икономиката и затова днес ще организирам за вас пътуване до една невероятна страна, наречена Иконометрия=) ...Как да не искаш?! Там е много добре - просто трябва да вземете решение! ...Но това, което вероятно определено искате, е да се научите как да решавате проблеми метод на най-малките квадрати. И особено прилежните читатели ще се научат да ги решават не само точно, но и МНОГО БЪРЗО ;-) Но първо общо изложение на проблема+ придружаващ пример:
Нека да изследваме показатели в определена предметна област, които имат количествено изражение. В същото време има всички основания да се смята, че индикаторът зависи от индикатора. Това предположение може да бъде или научна хипотеза, или да се основава на основен здрав разум. Да оставим науката настрана обаче и да разгледаме по-апетитните области – а именно хранителните магазини. Да означим с:
– търговска площ на магазин за хранителни стоки, кв.м.,
– годишен оборот на магазин за хранителни стоки, милиона рубли.
Абсолютно ясно е, че колкото по-голяма е площта на магазина, толкова по-голям в повечето случаи ще бъде неговият оборот.
Да предположим, че след извършване на наблюдения/експерименти/изчисления/танци с тамбура имаме на разположение числени данни: 
С магазините за хранителни стоки мисля, че всичко е ясно: - това е площта на 1-ви магазин, - годишният му оборот, - площта на 2-ри магазин, - годишният му оборот и т.н. Между другото, изобщо не е необходимо да имате достъп до класифицирани материали - доста точна оценка на търговския оборот може да се получи с помощта на математическа статистика. Но нека не се разсейваме, курсът по търговски шпионаж вече е платен =)
Табличните данни също могат да бъдат записани под формата на точки и изобразени в познатата форма Декартова система .
Да отговорим на един важен въпрос: Колко точки са необходими за качествено изследване?
Колкото повече, толкова по-добре. Минималният приемлив набор се състои от 5-6 точки. Освен това, когато количеството данни е малко, „аномалните“ резултати не могат да бъдат включени в извадката. Така например малък елитен магазин може да спечели порядъци повече от „колегите си“, като по този начин изкриви общия модел, който трябва да намерите!
Казано много просто, трябва да изберем функция, графиккойто минава възможно най-близо до точките 
. Тази функция се нарича приближаващ
(приближение - приближение)или теоретична функция
. Най-общо казано, тук веднага се появява очевиден „претендент“ - полином от висока степен, чиято графика минава през ВСИЧКИ точки. Но тази опция е сложна и често просто неправилна. (тъй като графиката ще се „върти“ през цялото време и ще отразява слабо основната тенденция).
По този начин търсената функция трябва да бъде доста проста и в същото време адекватно да отразява зависимостта. Както може би се досещате, един от методите за намиране на такива функции се нарича метод на най-малките квадрати. Първо, нека да разгледаме неговата същност в общи линии. Нека някаква функция апроксимира експериментални данни: 
Как да оценим точността на това приближение? Нека изчислим и разликите (отклоненията) между експерименталните и функционалните стойности (изучаваме чертежа). Първата мисъл, която идва на ум, е да преценим колко голяма е сумата, но проблемът е, че разликите могат да бъдат отрицателни (Например, 
)
и отклоненията в резултат на такова сумиране ще се компенсират взаимно. Следователно, като оценка на точността на приближението, е необходимо да се вземе сумата модулиотклонения:
или свито: (ако някой не знае: – това е иконата на сумата и – спомагателна променлива „брояч“, която приема стойности от 1 до ).
Чрез приближаване на експериментални точки с различни функции, ще получим различни стойности и очевидно, когато тази сума е по-малка, тази функция е по-точна.
Такъв метод съществува и се нарича метод на най-малък модул. На практика обаче той стана много по-разпространен метод на най-малките квадрати, при които възможните отрицателни стойности се елиминират не от модула, а чрез квадратиране на отклоненията:
, след което усилията са насочени към избор на функция, така че сумата на квадратите на отклоненията 
беше възможно най-малък. Всъщност от тук идва и името на метода.
И сега се връщаме към друг важен момент: както беше отбелязано по-горе, избраната функция трябва да е доста проста - но има и много такива функции: линеен , хиперболичен, експоненциален, логаритмичен, квадратна и т.н. И, разбира се, тук веднага бих искал да „намаля сферата на дейност“. Кой клас функции да избера за изследване? Примитивна, но ефективна техника:
– Най-лесният начин е да изобразите точки 
върху чертежа и анализирайте местоположението им. Ако те са склонни да се движат по права линия, тогава трябва да потърсите уравнение на права 
с оптимални стойности и . С други думи, задачата е да се намерят ТАКИВА коефициенти, така че сумата на квадратите на отклоненията да е най-малка.
Ако точките са разположени, например, по хипербола, тогава очевидно е ясно, че линейната функция ще даде лошо приближение. В този случай ние търсим най-„благоприятните“ коефициенти за уравнението на хипербола 
– тези, които дават минималния сбор от квадрати 
.
Сега имайте предвид, че и в двата случая говорим за функции на две променливи, чиито аргументи са търсени параметри на зависимост:
И по същество трябва да решим стандартен проблем - намери минимална функция на две променливи.
Нека си спомним нашия пример: да предположим, че точките на „магазин“ са склонни да бъдат разположени в права линия и има всички основания да се смята, че присъствието линейна зависимостоборот от търговски площи. Нека намерим ТАКИВА коефициенти “a” и “be”, така че сумата от квадратите на отклоненията 
беше най-малкият. Всичко е както обикновено - първо Частични производни от 1-ви ред. Според правило за линейностМожете да разграничите точно под иконата за сума: 
Ако искате да използвате тази информация за есе или курсова работа, ще бъда много благодарен за връзката в списъка с източници, на няколко места ще намерите такива подробни изчисления: 
Нека създадем стандартна система: 
Ние намаляваме всяко уравнение с „две“ и в допълнение „разбиваме“ сумите: 
Забележка
: независимо анализирайте защо „a“ и „be“ могат да бъдат извадени отвъд иконата за сума. Между другото, формално това може да стане със сумата
Нека пренапишем системата в „приложна“ форма: 
след което алгоритъмът за решаване на нашия проблем започва да се появява:
Знаем ли координатите на точките? Ние знаем. суми 
можем ли да го намерим? Лесно. Нека направим най-простото система от две линейни уравнения с две неизвестни(„а“ и „бъди“). Решаваме системата, напр. Методът на Крамер, в резултат на което получаваме неподвижна точка. Проверка достатъчно условие за екстремум, можем да проверим, че в този момент функцията 
достига точно минимум. Проверката включва допълнителни изчисления и затова ще я оставим зад кулисите (при необходимост може да се види липсващата рамка). Правим окончателното заключение:
функция 
по възможно най-добрия начин (поне в сравнение с всяка друга линейна функция)сближава експерименталните точки 
. Грубо казано, неговата графика минава възможно най-близо до тези точки. В традицията иконометрияполучената апроксимираща функция също се нарича сдвоено уравнение на линейна регресия
.
Разглежданият проблем е от голямо практическо значение. В нашата примерна ситуация, ур. 
ви позволява да предвидите какъв търговски оборот ("Игрек")магазинът ще има при една или друга стойност на търговската площ (едно или друго значение на "х"). Да, получената прогноза ще бъде само прогноза, но в много случаи ще се окаже доста точна.
Ще анализирам само един проблем с „реални“ числа, тъй като в него няма трудности - всички изчисления са на нивото на училищната програма за 7-8 клас. В 95 процента от случаите ще бъдете помолени да намерите само линейна функция, но в самия край на статията ще покажа, че не е по-трудно да намерите уравненията на оптималната хипербола, експоненциалната и някои други функции.
Всъщност остава само да раздадете обещаните лакомства - за да се научите да решавате подобни примери не само точно, но и бързо. Ние внимателно изучаваме стандарта:
Задача
В резултат на изследване на връзката между два показателя бяха получени следните двойки числа: 
Използвайки метода на най-малките квадрати, намерете линейната функция, която най-добре приближава емпиричната (опитен)данни. Направете чертеж, върху който да построите експериментални точки и графика на апроксимиращата функция в декартова правоъгълна координатна система 
. Намерете сумата от квадратите на отклоненията между емпиричните и теоретичните стойности. Разберете дали функцията би била по-добра (от гледна точка на метода на най-малките квадрати)доближете експерименталните точки.
Моля, обърнете внимание, че значенията на „x“ са естествени и това има характерно смислово значение, за което ще говоря малко по-късно; но те, разбира се, могат да бъдат и дробни. Освен това, в зависимост от съдържанието на конкретна задача, стойностите на „X“ и „игра“ могат да бъдат напълно или частично отрицателни. Е, дадена ни е „безлична“ задача и започваме решение:
Намираме коефициентите на оптималната функция като решение на системата: 
С цел по-компактен запис, променливата „брояч“ може да бъде пропусната, тъй като вече е ясно, че сумирането се извършва от 1 до .
По-удобно е да се изчислят необходимите количества в таблична форма: 
Изчисленията могат да се извършват на микрокалкулатор, но е много по-добре да използвате Excel - както по-бързо, така и без грешки; вижте кратко видео:
Така получаваме следното система:
Тук можете да умножите второто уравнение по 3 и извадете 2-то от 1-вото уравнение член по член. Но това е късмет - на практика системите често не са подарък и в такива случаи спестява Методът на Крамер:
, което означава, че системата има уникално решение.
Да проверим. Разбирам, че не искате, но защо пропускате грешки, когато те абсолютно не могат да бъдат пропуснати? Нека заместим намереното решение в лявата част на всяко уравнение на системата:
Получават се десните части на съответните уравнения, което означава, че системата е решена правилно.
Така желаната апроксимираща функция: – от всички линейни функцииТя е тази, която най-добре приближава експерименталните данни.
За разлика от директен
зависимост на оборота на магазина от неговата площ, установената зависимост е обратен
(принцип "колкото повече, толкова по-малко"), и този факт веднага се разкрива от негатива наклон. функция 
ни казва, че с увеличаване на определен показател с 1 единица, стойността на зависимия показател намалява среднос 0,65 единици. Както се казва, колкото по-висока е цената на елдата, толкова по-малко се продава.
За да начертаем графиката на апроксимиращата функция, намираме нейните две стойности:
и изпълнете чертежа: 
Построената права се нарича тренд линия
(а именно линейна линия на тенденция, т.е. в общия случай тенденцията не е непременно права линия). Всеки е запознат с израза „да бъдеш в тенденция“ и смятам, че този термин не се нуждае от допълнителни коментари.
Нека изчислим сумата на квадратите на отклоненията 
между емпирични и теоретични стойности. Геометрично това е сумата от квадратите на дължините на сегментите „малина“. (две от които са толкова малки, че дори не се виждат).
Нека обобщим изчисленията в таблица: 
Отново, те могат да бъдат направени ръчно за всеки случай, ще дам пример за 1-ва точка: 
но е много по-ефективно да го направите по вече познатия начин:
Повтаряме още веднъж: Какъв е смисълът на получения резултат?от всички линейни функции y функция 
индикаторът е най-малкият, тоест в своето семейство той е най-доброто приближение. И тук, между другото, последният въпрос на проблема не е случаен: какво ще стане, ако предложената експоненциална функция 
би ли било по-добре да сближим експерименталните точки?
Нека намерим съответната сума от квадратни отклонения - за да ги различим, ще ги обознача с буквата "епсилон". Техниката е абсолютно същата: 
И отново, за всеки случай, изчисленията за 1-ва точка: 
В Excel използваме стандартната функция EXP (синтаксисът може да бъде намерен в помощта на Excel).
Заключение: , което означава, че експоненциалната функция приближава експерименталните точки по-лошо от права линия 
.
Но тук трябва да се отбележи, че "по-лошо" е още не означава, което е лошо. Сега построих графика на тази експоненциална функция - и тя също минава близо до точките 
- толкова много, че без аналитични изследвания е трудно да се каже коя функция е по-точна.
Това завършва решението и се връщам към въпроса за естествените стойности на аргумента. В различни изследвания, обикновено икономически или социологически, естествените „Х“ се използват за номериране на месеци, години или други равни интервали от време. Помислете например за следния проблем.
Пример.
Експериментални данни за стойностите на променливите XИ приса дадени в таблицата.
В резултат на подравняването им се получава функцията
Използване метод на най-малките квадрати, апроксимирайте тези данни чрез линейна зависимост y=ax+b(намерете параметри АИ b). Открийте коя от двете линии по-добре (в смисъла на метода на най-малките квадрати) подравнява експерименталните данни. Направете рисунка.
Същността на метода на най-малките квадрати (МНК).
>Задачата е да се намерят коефициентите на линейна зависимост, при които функцията на две променливи АИ b приема най-малката стойност. Тоест дадено АИ bсумата от квадратите на отклоненията на експерименталните данни от намерената права линия ще бъде най-малка. Това е целият смисъл на метода на най-малките квадрати.
Така решаването на примера се свежда до намиране на екстремума на функция на две променливи.
Извеждане на формули за намиране на коефициенти.
>Съставя се и се решава система от две уравнения с две неизвестни. Намиране на частни производни на функция по променливи АИ b, ние приравняваме тези производни на нула.
Ние решаваме получената система от уравнения, използвайки произволен метод (напр по метода на заместванеили ) и да получите формули за намиране на коефициенти с помощта на метода на най-малките квадрати (LSM).
дадени АИ bфункция приема най-малката стойност. Доказателството за този факт е дадено.
Това е целият метод на най-малките квадрати. Формула за намиране на параметъра асъдържа сумите , , и параметър п- количество експериментални данни. Препоръчваме да изчислите стойностите на тези суми отделно. Коефициент bсе намира след изчисление а.
Време е да си припомним оригиналния пример.
Решение.
В нашия пример n=5. Попълваме таблицата за удобство при изчисляване на сумите, които са включени във формулите на необходимите коефициенти.
Стойностите в четвъртия ред на таблицата се получават чрез умножаване на стойностите на 2-ри ред по стойностите на 3-ти ред за всяко число аз.
Стойностите в петия ред на таблицата се получават чрез повдигане на квадрат на стойностите във 2-ри ред за всяко число аз.
Стойностите в последната колона на таблицата са сумите от стойностите в редовете.
Използваме формулите на метода на най-малките квадрати, за да намерим коефициентите АИ b. Заменяме съответните стойности от последната колона на таблицата в тях:
следователно y = 0,165x+2,184- желаната апроксимираща права линия.
Остава да разберем коя от линиите y = 0,165x+2,184или приближава по-добре оригиналните данни, т.е. оценки, използващи метода на най-малките квадрати.
Оценка на грешката на метода на най-малките квадрати.
>За да направите това, трябва да изчислите сумата на квадратите на отклоненията на оригиналните данни от тези редове И , по-малка стойност съответства на линия, която по-добре приближава оригиналните данни по смисъла на метода на най-малките квадрати.
Тъй като , тогава направо y = 0,165x+2,184по-добре приближава оригиналните данни.
Графична илюстрация на метода на най-малките квадрати (LS).
>Всичко се вижда ясно на графиките. Червената линия е намерената права линия y = 0,165x+2,184, синята линия е , розовите точки са оригиналните данни.
Защо е необходимо това, защо всички тези приближения?
Аз лично го използвам за решаване на проблеми с изглаждане на данни, проблеми с интерполация и екстраполация (в оригиналния пример те може да са били помолени да намерят стойността на наблюдавана стойност гпри х=3или кога х=6използвайки метода на най-малките квадрати). Но ще говорим повече за това по-късно в друг раздел на сайта.
Доказателство.
Така че, когато се намери АИ bфункция приема най-малката стойност, необходимо е в тази точка матрицата на квадратната форма на диференциала от втори ред за функцията беше положително категоричен. Нека го покажем.
Диференциалът от втори ред има формата:
това е
Следователно матрицата на квадратна форма има формата
и стойностите на елементите не зависят от АИ b.
Нека покажем, че матрицата е положително определена. За да направите това, ъгловите минори трябва да са положителни.
Ъглов минор от първи ред . Неравенството е строго, защото точките не съвпадат. В това, което следва, ще посочим това.
Ъглов минор от втори ред
Нека докажем това по метода на математическата индукция.
Заключение: намерени стойности АИ bотговарят на най-малката стойност на функцията следователно са необходимите параметри за метода на най-малките квадрати.
Метод на най-малките квадрати
В последния урок по темата ще се запознаем с най-известното приложение FNP, който намира най-широко приложение в различни области на науката и практическата дейност. Това може да бъде физика, химия, биология, икономика, социология, психология и така нататък и така нататък. По волята на съдбата често ми се налага да се справям с икономиката и затова днес ще организирам за вас пътуване до една невероятна страна, наречена Иконометрия=) ...Как да не искаш?! Там е много добре - просто трябва да вземете решение! ...Но това, което вероятно определено искате, е да се научите как да решавате проблеми метод на най-малките квадрати. И особено прилежните читатели ще се научат да ги решават не само точно, но и МНОГО БЪРЗО ;-) Но първо общо изложение на проблема+ придружаващ пример:
Нека да изследваме показатели в определена предметна област, които имат количествено изражение. В същото време има всички основания да се смята, че индикаторът зависи от индикатора. Това предположение може да бъде или научна хипотеза, или да се основава на основен здрав разум. Да оставим науката настрана обаче и да разгледаме по-апетитните области – а именно хранителните магазини. Да означим с:
– търговска площ на магазин за хранителни стоки, кв.м.,
– годишен оборот на магазин за хранителни стоки, милиона рубли.
Абсолютно ясно е, че колкото по-голяма е площта на магазина, толкова по-голям в повечето случаи ще бъде неговият оборот.
Да предположим, че след извършване на наблюдения/експерименти/изчисления/танци с тамбура имаме на разположение числени данни: 
С магазините за хранителни стоки мисля, че всичко е ясно: - това е площта на 1-ви магазин, - годишният му оборот, - площта на 2-ри магазин, - годишният му оборот и т.н. Между другото, изобщо не е необходимо да имате достъп до класифицирани материали - доста точна оценка на търговския оборот може да се получи с помощта на математическа статистика. Но нека не се разсейваме, курсът по търговски шпионаж вече е платен =)
Табличните данни също могат да бъдат записани под формата на точки и изобразени в познатата форма Декартова система .
Да отговорим на един важен въпрос: Колко точки са необходими за качествено изследване?
Колкото повече, толкова по-добре. Минималният приемлив набор се състои от 5-6 точки. Освен това, когато количеството данни е малко, „аномалните“ резултати не могат да бъдат включени в извадката. Така например малък елитен магазин може да спечели порядъци повече от „колегите си“, като по този начин изкриви общия модел, който трябва да намерите!
Казано много просто, трябва да изберем функция, графиккойто минава възможно най-близо до точките 
. Тази функция се нарича приближаващ
(приближение - приближение)или теоретична функция
. Най-общо казано, тук веднага се появява очевиден „претендент“ - полином от висока степен, чиято графика минава през ВСИЧКИ точки. Но тази опция е сложна и често просто неправилна. (тъй като графиката ще се „върти“ през цялото време и ще отразява слабо основната тенденция).
По този начин търсената функция трябва да бъде доста проста и в същото време адекватно да отразява зависимостта. Както може би се досещате, един от методите за намиране на такива функции се нарича метод на най-малките квадрати. Първо, нека да разгледаме неговата същност в общи линии. Нека някаква функция апроксимира експериментални данни: 
Как да оценим точността на това приближение? Нека изчислим и разликите (отклоненията) между експерименталните и функционалните стойности (изучаваме чертежа). Първата мисъл, която идва на ум, е да преценим колко голяма е сумата, но проблемът е, че разликите могат да бъдат отрицателни (Например, 
)
и отклоненията в резултат на такова сумиране ще се компенсират взаимно. Следователно, като оценка на точността на приближението, е необходимо да се вземе сумата модулиотклонения:
или свито: (ако някой не знае:
е иконата за сума и
– спомагателна променлива „брояч“, която приема стойности от 1 до
)
.
Чрез приближаване на експериментални точки с различни функции, ще получим различни стойности и очевидно, когато тази сума е по-малка, тази функция е по-точна.
Такъв метод съществува и се нарича метод на най-малък модул. На практика обаче той стана много по-разпространен метод на най-малките квадрати, при които възможните отрицателни стойности се елиминират не от модула, а чрез квадратиране на отклоненията:
, след което усилията са насочени към избор на функция, така че сумата на квадратите на отклоненията 
беше възможно най-малък. Всъщност от тук идва и името на метода.
И сега се връщаме към друг важен момент: както беше отбелязано по-горе, избраната функция трябва да е доста проста - но има и много такива функции: линеен , хиперболичен , експоненциален , логаритмичен , квадратна и т.н. И, разбира се, тук веднага бих искал да „намаля сферата на дейност“. Кой клас функции да избера за изследване? Примитивна, но ефективна техника:
– Най-лесният начин е да изобразите точки върху чертежа и анализирайте местоположението им. Ако те са склонни да се движат по права линия, тогава трябва да потърсите уравнение на права 
с оптимални стойности и . С други думи, задачата е да се намерят ТАКИВА коефициенти, така че сумата на квадратите на отклоненията да е най-малка.
Ако точките са разположени, например, по хипербола, тогава очевидно е ясно, че линейната функция ще даде лошо приближение. В този случай ние търсим най-„благоприятните“ коефициенти за уравнението на хипербола 
– тези, които дават минималния сбор от квадрати 
.
Сега имайте предвид, че и в двата случая говорим за функции на две променливи, чиито аргументи са търсени параметри на зависимост:
И по същество трябва да решим стандартен проблем - намери минимална функция на две променливи.
Нека си спомним нашия пример: да предположим, че точките на „магазин“ са склонни да бъдат разположени в права линия и има всички основания да се смята, че присъствието линейна зависимостоборот от търговски площи. Нека намерим ТАКИВА коефициенти “a” и “be”, така че сумата от квадратите на отклоненията 
беше най-малкият. Всичко е както обикновено - първо Частични производни от 1-ви ред. Според правило за линейностМожете да разграничите точно под иконата за сума: 
Ако искате да използвате тази информация за есе или курсова работа, ще бъда много благодарен за връзката в списъка с източници, на няколко места ще намерите такива подробни изчисления: 
Нека създадем стандартна система: 
Ние намаляваме всяко уравнение с „две“ и в допълнение „разбиваме“ сумите: 
Забележка
: независимо анализирайте защо „a“ и „be“ могат да бъдат извадени отвъд иконата за сума. Между другото, формално това може да стане със сумата 
Нека пренапишем системата в „приложна“ форма: 
след което алгоритъмът за решаване на нашия проблем започва да се появява:
Знаем ли координатите на точките? Ние знаем. суми 
можем ли да го намерим? Лесно. Нека направим най-простото система от две линейни уравнения с две неизвестни(„а“ и „бъди“). Решаваме системата, напр. Методът на Крамер, в резултат на което получаваме неподвижна точка. Проверка достатъчно условие за екстремум, можем да проверим, че в този момент функцията 
достига точно минимум. Проверката включва допълнителни изчисления и затова ще я оставим зад кулисите (при необходимост може да се види липсващата рамкатук
)
. Правим окончателното заключение:
функция 
по възможно най-добрия начин (поне в сравнение с всяка друга линейна функция)сближава експерименталните точки . Грубо казано, неговата графика минава възможно най-близо до тези точки. В традицията иконометрияполучената апроксимираща функция също се нарича сдвоено уравнение на линейна регресия
.
Разглежданият проблем е от голямо практическо значение. В нашата примерна ситуация, ур. ви позволява да предвидите какъв търговски оборот ("Игрек")магазинът ще има при една или друга стойност на търговската площ (едно или друго значение на "х"). Да, получената прогноза ще бъде само прогноза, но в много случаи ще се окаже доста точна.
Ще анализирам само един проблем с „реални“ числа, тъй като в него няма трудности - всички изчисления са на нивото на училищната програма за 7-8 клас. В 95 процента от случаите ще бъдете помолени да намерите само линейна функция, но в самия край на статията ще покажа, че не е по-трудно да намерите уравненията на оптималната хипербола, експоненциалната и някои други функции.
Всъщност остава само да раздадете обещаните лакомства - за да се научите да решавате подобни примери не само точно, но и бързо. Ние внимателно изучаваме стандарта:
Задача
В резултат на изследване на връзката между два показателя бяха получени следните двойки числа: 
Използвайки метода на най-малките квадрати, намерете линейната функция, която най-добре приближава емпиричната (опитен)данни. Направете чертеж, върху който да построите експериментални точки и графика на апроксимиращата функция в декартова правоъгълна координатна система 
. Намерете сумата от квадратите на отклоненията между емпиричните и теоретичните стойности. Разберете дали функцията би била по-добра (от гледна точка на метода на най-малките квадрати)доближете експерименталните точки.
Моля, обърнете внимание, че значенията на „x“ са естествени и това има характерно смислово значение, за което ще говоря малко по-късно; но те, разбира се, могат да бъдат и дробни. Освен това, в зависимост от съдържанието на конкретна задача, стойностите на „X“ и „игра“ могат да бъдат напълно или частично отрицателни. Е, дадена ни е „безлична“ задача и започваме решение:
Намираме коефициентите на оптималната функция като решение на системата: 
С цел по-компактен запис, променливата „брояч“ може да бъде пропусната, тъй като вече е ясно, че сумирането се извършва от 1 до .
По-удобно е да се изчислят необходимите количества в таблична форма: 
Изчисленията могат да се извършват на микрокалкулатор, но е много по-добре да използвате Excel - както по-бързо, така и без грешки; вижте кратко видео:
Така получаваме следното система:
Тук можете да умножите второто уравнение по 3 и извадете 2-то от 1-вото уравнение член по член. Но това е късмет - на практика системите често не са подарък и в такива случаи спестява Методът на Крамер:
, което означава, че системата има уникално решение.
Да проверим. Разбирам, че не искате, но защо пропускате грешки, когато те абсолютно не могат да бъдат пропуснати? Нека заместим намереното решение в лявата част на всяко уравнение на системата:
Получават се десните части на съответните уравнения, което означава, че системата е решена правилно.
Така желаната апроксимираща функция: – от всички линейни функцииТя е тази, която най-добре приближава експерименталните данни.
За разлика от директен
зависимост на оборота на магазина от неговата площ, установената зависимост е обратен
(принцип "колкото повече, толкова по-малко"), и този факт веднага се разкрива от негатива наклон. функция 
ни казва, че с увеличаване на определен показател с 1 единица, стойността на зависимия показател намалява среднос 0,65 единици. Както се казва, колкото по-висока е цената на елдата, толкова по-малко се продава.
За да начертаем графиката на апроксимиращата функция, намираме нейните две стойности:
и изпълнете чертежа: 
Построената права се нарича тренд линия
(а именно линейна линия на тенденция, т.е. в общия случай тенденцията не е непременно права линия). Всеки е запознат с израза „да бъдеш в тенденция“ и смятам, че този термин не се нуждае от допълнителни коментари.
Нека изчислим сумата на квадратите на отклоненията 
между емпирични и теоретични стойности. Геометрично това е сумата от квадратите на дължините на сегментите „малина“. (две от които са толкова малки, че дори не се виждат).
Нека обобщим изчисленията в таблица: 
Отново, те могат да бъдат направени ръчно за всеки случай, ще дам пример за 1-ва точка: 
но е много по-ефективно да го направите по вече познатия начин:
Повтаряме още веднъж: Какъв е смисълът на получения резултат?от всички линейни функции y функция индикаторът е най-малкият, тоест в своето семейство той е най-доброто приближение. И тук, между другото, последният въпрос на проблема не е случаен: какво ще стане, ако предложената експоненциална функция 
би ли било по-добре да сближим експерименталните точки?
Нека намерим съответната сума от квадратни отклонения - за да ги различим, ще ги обознача с буквата "епсилон". Техниката е абсолютно същата: 
И отново, за всеки случай, изчисленията за 1-ва точка: 
В Excel използваме стандартната функция EXP (синтаксисът може да бъде намерен в помощта на Excel).
Заключение: , което означава, че експоненциалната функция приближава експерименталните точки по-лошо от права линия .
Но тук трябва да се отбележи, че "по-лошо" е още не означава, което е лошо. Сега построих графика на тази експоненциална функция - и тя също минава близо до точките 
- толкова много, че без аналитични изследвания е трудно да се каже коя функция е по-точна.
Това завършва решението и се връщам към въпроса за естествените стойности на аргумента. В различни изследвания, обикновено икономически или социологически, естествените „Х“ се използват за номериране на месеци, години или други равни интервали от време. Помислете например за следния проблем:
За оборота на дребно на магазина за първото полугодие има следните данни:
Използвайки аналитично подреждане по права линия, определете обема на оборота за юли.
Да, няма проблем: номерираме месеците 1, 2, 3, 4, 5, 6 и използваме обичайния алгоритъм, в резултат на което получаваме уравнение - единственото нещо е, че когато става въпрос за време, те обикновено използват буквата "те" (въпреки че това не е критично). Полученото уравнение показва, че през първото полугодие търговският оборот се е увеличил средно с 27,74 единици. на месец. Да вземем прогнозата за юли (месец № 7): д.е.
И има безброй задачи като тази. Желаещите могат да ползват допълнителна услуга, а именно моята Ексел калкулатор (демо версия), което решава анализирания проблем почти моментално!Налична е работеща версия на програмата на размянаили за символична такса.
В края на урока, кратка информация за намирането на зависимости от някои други типове. Всъщност няма много какво да се каже, тъй като основният подход и алгоритъмът за решение остават същите.
Да приемем, че разположението на експерименталните точки прилича на хипербола. След това, за да намерите коефициентите на най-добрата хипербола, трябва да намерите минимума на функцията - всеки може да извърши подробни изчисления и да стигне до подобна система: 
От формална техническа гледна точка се получава от „линейна“ система 
(нека го обозначим със звездичка)замяна на "x" с . Е, какво ще кажете за сумите? 
изчисляване, след което до оптималните коефициенти „а“ и „бе“ под ръка.
Ако има всички основания да се смята, че точките са разположени по логаритмична крива, след което, за да намерим оптималните стойности, намираме минимума на функцията 
. Формално, в системата (*) трябва да се замени с: 
Когато извършвате изчисления в Excel, използвайте функцията LN. Признавам, че няма да ми е особено трудно да създам калкулатори за всеки от разглежданите случаи, но все пак би било по-добре, ако сами „програмирате“ изчисленията. Видео уроци в помощ.
С експоненциалната зависимост ситуацията е малко по-сложна. За да намалим материята до линейния случай, вземаме функцията логаритъм и използваме свойства на логаритъма:
Сега, сравнявайки получената функция с линейната функция, стигаме до извода, че в системата (*) трябва да се замени с , а – с . За удобство нека обозначим: 
Моля, имайте предвид, че системата е разрешена по отношение на и, и следователно, след като намерите корените, не трябва да забравяте да намерите самия коефициент.
За да доближим експерименталните точки оптимална парабола 
, трябва да се намери минимална функция на три променливи 
. След извършване на стандартни действия получаваме следното „работещо“ система:
Да, разбира се, тук има повече суми, но няма никакви затруднения, когато използвате любимото си приложение. И накрая, ще ви кажа как бързо да извършите проверка с помощта на Excel и да изградите желаната линия на тренда: създайте точкова диаграма, изберете някоя от точките с мишката и щракнете с десния бутон изберете опцията „Добавяне на тренд линия“. След това изберете типа диаграма и в раздела "Опции"активирайте опцията „Покажи уравнението на диаграмата“. добре
Както винаги, искам да завърша статията с красива фраза и почти написах „Бъдете в тенденция!“ Но навреме промени решението си. И не защото е стереотипно. Не знам как е за никого, но аз не искам да следвам промотираната американска и особено европейска тенденция =) Затова пожелавам на всеки от вас да се придържа към собствената си линия!
http://www.grandars.ru/student/vysshaya-matematika/metod-naimenshih-kvadratov.html
Методът на най-малките квадрати е един от най-разпространените и най-разработените поради своята простота и ефективност на методите за оценка на параметрите на линейни иконометрични модели. В същото време, когато го използвате, трябва да се внимава, тъй като моделите, конструирани с него, може да не отговарят на редица изисквания за качеството на техните параметри и в резултат на това да не отразяват „добре“ моделите на развитие на процеса .
Нека разгледаме по-подробно процедурата за оценка на параметрите на линеен иконометричен модел с помощта на метода на най-малките квадрати. Такъв модел най-общо може да бъде представен чрез уравнение (1.2):
y t = a 0 + a 1 x 1t +...+ a n x nt + ε t.
Първоначалните данни при оценяване на параметрите a 0 , a 1 ,..., a n е вектор от стойности на зависимата променлива г= (y 1, y 2, ..., y T)" и матрицата от стойности на независими променливи
в която първата колона, състояща се от единици, съответства на коефициента на модела.
Методът на най-малките квадрати получи името си въз основа на основния принцип, че оценките на параметрите, получени на негова основа, трябва да удовлетворяват: сумата от квадратите на грешката на модела трябва да бъде минимална.
Примери за решаване на задачи по метода на най-малките квадрати
Пример 2.1.Търговското предприятие разполага с мрежа от 12 магазина, информация за дейността на които е представена в табл. 2.1.
Ръководството на предприятието би искало да знае как размерът на годишния оборот зависи от търговската площ на магазина.
Таблица 2.1
| Номер на магазина | Годишен оборот, милиони рубли. | Търговска площ, хил. м2 |
| 19,76 | 0,24 | |
| 38,09 | 0,31 | |
| 40,95 | 0,55 | |
| 41,08 | 0,48 | |
| 56,29 | 0,78 | |
| 68,51 | 0,98 | |
| 75,01 | 0,94 | |
| 89,05 | 1,21 | |
| 91,13 | 1,29 | |
| 91,26 | 1,12 | |
| 99,84 | 1,29 | |
| 108,55 | 1,49 |
Решение на най-малките квадрати.Нека обозначим годишния оборот на магазина, милиони рубли; - търговска площ на магазина, хиляди m2.
Фиг.2.1. Точкова диаграма за пример 2.1
За да определим формата на функционалната връзка между променливите и ще изградим точкова диаграма (фиг. 2.1).
Въз основа на диаграмата на разсейване можем да заключим, че годишният оборот зависи положително от търговската площ (т.е. y ще нараства с увеличаване на ). Най-подходящата форма на функционална връзка е линеен.
Информация за допълнителни изчисления е представена в табл. 2.2. Използвайки метода на най-малките квадрати, ние оценяваме параметрите на линеен еднофакторен иконометричен модел
Таблица 2.2
| t | y t | х 1т | y t 2 | х 1т 2 | x 1t y t |
| 19,76 | 0,24 | 390,4576 | 0,0576 | 4,7424 | |
| 38,09 | 0,31 | 1450,8481 | 0,0961 | 11,8079 | |
| 40,95 | 0,55 | 1676,9025 | 0,3025 | 22,5225 | |
| 41,08 | 0,48 | 1687,5664 | 0,2304 | 19,7184 | |
| 56,29 | 0,78 | 3168,5641 | 0,6084 | 43,9062 | |
| 68,51 | 0,98 | 4693,6201 | 0,9604 | 67,1398 | |
| 75,01 | 0,94 | 5626,5001 | 0,8836 | 70,5094 | |
| 89,05 | 1,21 | 7929,9025 | 1,4641 | 107,7505 | |
| 91,13 | 1,29 | 8304,6769 | 1,6641 | 117,5577 | |
| 91,26 | 1,12 | 8328,3876 | 1,2544 | 102,2112 | |
| 99,84 | 1,29 | 9968,0256 | 1,6641 | 128,7936 | |
| 108,55 | 1,49 | 11783,1025 | 2,2201 | 161,7395 | |
| С | 819,52 | 10,68 | 65008,554 | 11,4058 | 858,3991 |
| Средно | 68,29 | 0,89 |
по този начин
Следователно, с увеличаване на търговските площи с 1 хил. м2, при равни други условия, средният годишен оборот се увеличава с 67,8871 милиона рубли.
Пример 2.2.Ръководството на компанията забеляза, че годишният оборот зависи не само от търговската площ на магазина (виж пример 2.1), но и от средния брой посетители. Съответната информация е представена в табл. 2.3.
Таблица 2.3
Решение.Нека обозначим - средният брой посетители на ти магазин на ден, хиляди души.
За да определим формата на функционалната връзка между променливите и ще изградим точкова диаграма (фиг. 2.2).
Въз основа на диаграмата на разсейване можем да заключим, че годишният оборот зависи положително от средния брой посетители на ден (т.е. y ще нараства с нарастване). Формата на функционалната зависимост е линейна.
ориз. 2.2. Точкова диаграма за пример 2.2
Таблица 2.4
| t | х 2т | x 2t 2 | y t x 2t | x 1t x 2t |
| 8,25 | 68,0625 | 163,02 | 1,98 | |
| 10,24 | 104,8575 | 390,0416 | 3,1744 | |
| 9,31 | 86,6761 | 381,2445 | 5,1205 | |
| 11,01 | 121,2201 | 452,2908 | 5,2848 | |
| 8,54 | 72,9316 | 480,7166 | 6,6612 | |
| 7,51 | 56,4001 | 514,5101 | 7,3598 | |
| 12,36 | 152,7696 | 927,1236 | 11,6184 | |
| 10,81 | 116,8561 | 962,6305 | 13,0801 | |
| 9,89 | 97,8121 | 901,2757 | 12,7581 | |
| 13,72 | 188,2384 | 1252,0872 | 15,3664 | |
| 12,27 | 150,5529 | 1225,0368 | 15,8283 | |
| 13,92 | 193,7664 | 1511,016 | 20,7408 | |
| С | 127,83 | 1410,44 | 9160,9934 | 118,9728 |
| Средно | 10,65 |
Като цяло е необходимо да се определят параметрите на двуфакторен иконометричен модел
y t = a 0 + a 1 x 1t + a 2 x 2t + ε t
Информацията, необходима за по-нататъшни изчисления, е представена в табл. 2.4.
Нека оценим параметрите на линеен двуфакторен иконометричен модел, използвайки метода на най-малките квадрати.
по този начин
Оценката на коефициента =61,6583 показва, че при равни други условия, с увеличаване на търговската площ с 1 хил. м 2, годишният оборот ще се увеличи средно с 61,6583 милиона рубли.
Оценката на коефициента = 2,2748 показва, че при равни други условия с увеличение на средния брой посетители на 1 хил. души. на ден, годишният оборот ще се увеличи средно с 2,2748 милиона рубли.
Пример 2.3.Използвайки информацията, представена в табл. 2.2 и 2.4, оценяват параметъра на еднофакторния иконометричен модел
където е центрираната стойност на годишния оборот на магазина, милиони рубли; - центрирана стойност на средния дневен брой посетители на t-тия магазин, хиляди души. (вижте примери 2.1-2.2).
Решение.Допълнителна информация, необходима за изчисленията, е представена в табл. 2.5.
Таблица 2.5
| -48,53 | -2,40 | 5,7720 | 116,6013 | |
| -30,20 | -0,41 | 0,1702 | 12,4589 | |
| -27,34 | -1,34 | 1,8023 | 36,7084 | |
| -27,21 | 0,36 | 0,1278 | -9,7288 | |
| -12,00 | -2,11 | 4,4627 | 25,3570 | |
| 0,22 | -3,14 | 9,8753 | -0,6809 | |
| 6,72 | 1,71 | 2,9156 | 11,4687 | |
| 20,76 | 0,16 | 0,0348 | 3,2992 | |
| 22,84 | -0,76 | 0,5814 | -17,413 | |
| 22,97 | 3,07 | 9,4096 | 70,4503 | |
| 31,55 | 1,62 | 2,6163 | 51,0267 | |
| 40,26 | 3,27 | 10,6766 | 131,5387 | |
| Сума | 48,4344 | 431,0566 |
Използвайки формула (2.35), получаваме
по този начин
http://www.cleverstudents.ru/articles/mnk.html
Пример.
Експериментални данни за стойностите на променливите XИ приса дадени в таблицата. 
В резултат на подравняването им се получава функцията 
Използване метод на най-малките квадрати, апроксимирайте тези данни чрез линейна зависимост y=ax+b(намерете параметри АИ b). Открийте коя от двете линии по-добре (в смисъла на метода на най-малките квадрати) подравнява експерименталните данни. Направете рисунка.
Решение.
В нашия пример n=5. Попълваме таблицата за удобство при изчисляване на сумите, които са включени във формулите на необходимите коефициенти. 
Стойностите в четвъртия ред на таблицата се получават чрез умножаване на стойностите на 2-ри ред по стойностите на 3-ти ред за всяко число аз.
Стойностите в петия ред на таблицата се получават чрез повдигане на квадрат на стойностите във 2-ри ред за всяко число аз.
Стойностите в последната колона на таблицата са сумите от стойностите в редовете.
Използваме формулите на метода на най-малките квадрати, за да намерим коефициентите АИ b. Заменяме съответните стойности от последната колона на таблицата в тях: 
следователно y = 0,165x+2,184- желаната апроксимираща права линия.
Остава да разберем коя от линиите y = 0,165x+2,184или приближава по-добре оригиналните данни, т.е. оценки, използващи метода на най-малките квадрати.
Доказателство.
Така че, когато се намери АИ bфункция приема най-малката стойност, необходимо е в тази точка матрицата на квадратната форма на диференциала от втори ред за функцията 
беше положително категоричен. Нека го покажем.
Диференциалът от втори ред има формата: 
това е
Следователно матрицата на квадратна форма има формата 
и стойностите на елементите не зависят от АИ b.
Нека покажем, че матрицата е положително определена. За да направите това, ъгловите минори трябва да са положителни.
Ъглов минор от първи ред 
. Неравенството е строго, тъй като точките
- Въвеждащ урок безплатно;
- Голям брой опитни учители (родни и рускоговорящи);
- Курсовете НЕ са за определен период (месец, шест месеца, година), а за определен брой уроци (5, 10, 20, 50);
- Повече от 10 000 доволни клиенти.
- Цената на един урок с рускоезичен учител е от 600 рубли, с носител на езика - от 1500 рубли
Същността на метода на най-малките квадрати е при намиране на параметрите на модел на тенденция, който най-добре описва тенденцията на развитие на всяко случайно явление във времето или пространството (тенденцията е линия, която характеризира тенденцията на това развитие). Задачата на метода на най-малките квадрати (LSM) се свежда до намирането не просто на някакъв трендов модел, а до намирането на най-добрия или оптимален модел. Този модел ще бъде оптимален, ако сумата от квадратните отклонения между наблюдаваните действителни стойности и съответните изчислени стойности на тенденцията е минимална (най-малка):
където е квадратното отклонение между наблюдаваната действителна стойност
и съответната изчислена стойност на тренда,
Действителната (наблюдавана) стойност на изследваното явление,
Изчислената стойност на модела на тренда,
Брой наблюдения на изследваното явление.
MNC се използва доста рядко самостоятелно. По правило най-често се използва само като необходима техническа техника при корелационни изследвания. Трябва да се помни, че информационната основа на OLS може да бъде само надеждна статистическа серия и броят на наблюденията не трябва да бъде по-малък от 4, в противен случай процедурите за изглаждане на OLS могат да загубят здрав разум.
Инструментариумът на MNC се свежда до следните процедури:
Първа процедура. Оказва се дали изобщо има тенденция за промяна на резултатния атрибут при промяна на избрания фактор-аргумент, или с други думи, има ли връзка между „ при "И" X ».
Втора процедура. Определя се коя линия (траектория) може най-добре да опише или характеризира тази тенденция.
Трета процедура.
Пример. Да кажем, че имаме информация за средния добив на слънчоглед за изследваната ферма (Таблица 9.1).
Таблица 9.1
|
Номер на наблюдение |
||||||||||
|
Производителност, c/ha |
Тъй като нивото на технологията на производството на слънчоглед у нас остава почти непроменено през последните 10 години, това означава, че очевидно колебанията в добива през анализирания период са били силно зависими от колебанията в метеорологичните и климатичните условия. Това наистина ли е вярно?
Първа OLS процедура. Тества се хипотезата за наличие на тенденция в изменението на добива от слънчоглед в зависимост от промените в метеорологичните и климатичните условия през анализираните 10 години.
В този пример за " г " препоръчително е да се вземе добивът от слънчоглед, а за " х » – номер на наблюдаваната година в анализирания период. Проверка на хипотезата за съществуването на някаква връзка между " х "И" г "може да се направи по два начина: ръчно и с помощта на компютърни програми. Разбира се, ако имате компютърна технология, този проблем може да се реши сам. Но за да разберем по-добре инструментите на MNC, е препоръчително да тестваме хипотезата за съществуването на връзка между „ х "И" г » ръчно, когато имате под ръка само химикал и обикновен калкулатор. В такива случаи хипотезата за наличието на тенденция се проверява най-добре визуално чрез местоположението на графичното изображение на анализираната поредица от динамика - корелационното поле:
Корелационното поле в нашия пример е разположено около бавно нарастваща линия. Това само по себе си говори за наличието на определена тенденция в изменението на добивите от слънчоглед. Невъзможно е да се говори за наличие на някаква тенденция само когато корелационното поле изглежда като кръг, кръг, строго вертикален или строго хоризонтален облак или се състои от хаотично разпръснати точки. Във всички останали случаи хипотезата за наличието на връзка между „ х "И" г “, и продължете проучването.
Втора OLS процедура. Определя се коя линия (траектория) може най-добре да опише или характеризира тенденцията на изменение на добива на слънчоглед през анализирания период.
Ако имате компютърна технология, изборът на оптималната тенденция става автоматично. При „ръчна“ обработка изборът на оптималната функция се извършва, като правило, визуално - чрез местоположението на корелационното поле. Тоест, въз основа на типа графика, се избира уравнението на линията, което най-добре отговаря на емпиричния тренд (действителната траектория).
Както е известно, в природата има огромно разнообразие от функционални зависимости, така че е изключително трудно да се анализира визуално дори малка част от тях. За щастие в реалната икономическа практика повечето отношения могат да бъдат описани доста точно или с парабола, или с хипербола, или с права линия. В тази връзка с опцията „ръчно“ за избор на най-добрата функция можете да се ограничите само до тези три модела.
|
Хипербола: |
||
Парабола от втори ред: :
Лесно е да се види, че в нашия пример тенденцията в промените в добива на слънчоглед през анализираните 10 години се характеризира най-добре с права линия, така че регресионното уравнение ще бъде уравнението на правата линия.
Трета процедура. Изчисляват се параметрите на регресионното уравнение, характеризиращо тази линия, или с други думи се определя аналитична формула, която описва най-добрия трендов модел.
Намирането на стойностите на параметрите на регресионното уравнение, в нашия случай параметрите и , е ядрото на OLS. Този процес се свежда до решаване на система от нормални уравнения.
(9.2)
Тази система от уравнения може да се реши доста лесно по метода на Гаус. Нека си припомним, че в резултат на решението в нашия пример се намират стойностите на параметрите и . По този начин намереното регресионно уравнение ще има следната форма:
Той се използва широко в иконометрията под формата на ясна икономическа интерпретация на неговите параметри.
Линейната регресия се свежда до намиране на уравнение на формата
или
Уравнение на формата позволява въз основа на определени стойности на параметри Xимат теоретични стойности на резултантната характеристика, замествайки действителните стойности на фактора в нея X.
Конструкцията на линейната регресия се свежда до оценка на нейните параметри - АИ V.Оценките на параметрите на линейната регресия могат да бъдат намерени с помощта на различни методи.
Класическият подход за оценка на параметрите на линейната регресия се основава на метод на най-малките квадрати(MNC).
Методът на най-малките квадрати ни позволява да получим такива оценки на параметрите АИ V,при което сумата от квадратните отклонения на действителните стойности на резултантната характеристика (y)от изчислено (теоретично) минимум:
За да намерите минимума на функция, трябва да изчислите частните производни за всеки от параметрите АИ bи ги задайте равни на нула.
Нека означим с S, тогава:
Трансформирайки формулата, получаваме следната система от нормални уравнения за оценка на параметрите АИ V:
Решавайки системата от нормални уравнения (3.5) или чрез метода на последователно елиминиране на променливите, или чрез метода на детерминантите, намираме необходимите оценки на параметрите АИ V.
Параметър Vнаречен коефициент на регресия. Стойността му показва средната промяна в резултата с промяна на коефициента с една единица.
Регресионното уравнение винаги се допълва с индикатор за близостта на връзката. При използване на линейна регресия такъв индикатор е коефициентът на линейна корелация. Съществуват различни модификации на формулата за коефициента на линейна корелация. Някои от тях са дадени по-долу:
Както е известно, коефициентът на линейна корелация е в границите: -1 ≤ ≤ 1.
За да се оцени качеството на избора на линейна функция, се изчислява квадратът
Линеен коефициент на корелация, наречен коефициент на детерминация.Коефициентът на детерминация характеризира съотношението на дисперсията на получената характеристика y,обяснено чрез регресия в общата дисперсия на резултантния признак:
Съответно стойността 1 характеризира дела на дисперсията y,причинени от влиянието на други фактори, които не са взети предвид в модела.
Въпроси за самоконтрол
1. Същността на метода на най-малките квадрати?
2. Колко променливи предоставя регресията по двойки?
3. Какъв коефициент определя близостта на връзката между промените?
4. В какви граници се определя коефициентът на детерминация?
5. Оценка на параметър b при корелационно-регресионен анализ?
1. Кристофър Доуърти. Въведение в иконометрията. - М.: ИНФРА - М, 2001 - 402 с.
2. S.A. Бородич. Иконометрия. Минск LLC “Нови знания” 2001.
3. R.U. Рахметова Кратък курс по иконометрия. Учебно ръководство. Алмати. 2004. -78с.
4. И.И. Елисеева. - М .: "Финанси и статистика", 2002 г
5. Месечно информационно-аналитично списание.
Нелинейни икономически модели. Нелинейни регресионни модели. Трансформация на променливи.
>Нелинейни икономически модели..
Трансформация на променливи.
Коефициент на еластичност.
Ако има нелинейни връзки между икономическите явления, тогава те се изразяват с помощта на съответните нелинейни функции: например равностранна хипербола , параболи от втора степен и др.
Има два класа нелинейни регресии
>1. Регресии, които са нелинейни по отношение на обяснителните променливи, включени в анализа, но линейни по отношение на оценените параметри, например:
Полиноми от различни степени - , ;
Равностранна хипербола - ;
Полулогаритмична функция - .
2. Регресии, които са нелинейни в параметрите, които се оценяват, например:
Мощност - ;
Демонстративни - ;
Експоненциален - .
Общата сума на квадратните отклонения на отделните стойности на получената характеристика приот средната стойност е причинена от влиянието на много причини. Нека условно разделим целия набор от причини на две групи: изследван фактор xИ други фактори.
Ако факторът не влияе на резултата, тогава регресионната линия на графиката е успоредна на оста оИ
Тогава цялата дисперсия на получената характеристика се дължи на влиянието на други фактори и общата сума на квадратите на отклоненията ще съвпадне с остатъка. Ако други фактори не влияят на резултата, тогава y вързанис Xфункционално и остатъчната сума на квадратите е нула. В този случай сумата от квадратните отклонения, обяснена от регресията, е същата като общата сума от квадратите.
Тъй като не всички точки от корелационното поле лежат на регресионната линия, тяхното разсейване винаги възниква в резултат на влиянието на фактора X, тоест регресия приот X,и причинени от други причини (необяснима вариация). Пригодността на една регресионна линия за прогнозиране зависи от това каква е частта от общата вариация на признака приотчита обяснената вариация
Очевидно е, че ако сумата от квадратните отклонения, дължащи се на регресия, е по-голяма от остатъчната сума на квадратите, тогава уравнението на регресията е статистически значимо и факторът Xима значително влияние върху резултата u.
, т.е. с броя на свободата на независимо изменение на характеристика. Броят на степените на свобода е свързан с броя на единиците от съвкупността n и броя на константите, определени от него. Във връзка с разглеждания проблем броят на степените на свобода трябва да покаже колко независими отклонения от п
Оценката на значимостта на регресионното уравнение като цяло е дадена с помощта на Е- Критерий на Фишер. В този случай се излага нулева хипотеза, че регресионният коефициент е равен на нула, т.е. b = 0 и следователно факторът Xне влияе на резултата u.
Непосредственото изчисляване на F-теста се предхожда от дисперсионен анализ. Централно място в него заема разлагането на общата сума на квадратите на отклоненията на променлива приот средната стойност прина две части - "обяснено" и "необяснено":
Обща сума на квадратите на отклоненията;
Сума на квадратното отклонение, обяснено чрез регресия;
Остатъчна сума на квадратите на отклоненията.
Всеки сбор от квадратни отклонения е свързан с броя на степените на свобода , т.е. с броя на свободата на независимо изменение на характеристика. Броят на степените на свобода е свързан с броя на единиците на съвкупността пи с определения от него брой константи. Във връзка с разглеждания проблем броят на степените на свобода трябва да покаже колко независими отклонения от пвъзможни необходими за образуване на даден сбор от квадрати.
Дисперсия по степен на свободаг.
F-съотношения (F-тест):
Ако нулевата хипотеза е вярна, тогава факторът и остатъчните дисперсии не се различават една от друга. За H 0 е необходимо опровержение, така че факторната дисперсия да надвишава остатъчната дисперсия няколко пъти. Английският статистик Снедекор разработи таблици на критичните стойности Е-връзки на различни нива на значимост на нулевата хипотеза и различен брой степени на свобода. Таблица стойност Е-критерий е максималната стойност на съотношението на дисперсиите, която може да възникне в случай на случайна дивергенция за дадено ниво на вероятност за наличие на нулевата хипотеза. Изчислена стойност Е-отношенията се считат за надеждни, ако o е по-голямо от таблицата.
В този случай нулевата хипотеза за липсата на връзка между признаците се отхвърля и се прави заключение за значимостта на тази връзка: F факт > F таблица H 0 се отхвърля.
Ако стойността е по-малка от табличната F факт ‹, F таблица, тогава вероятността за нулевата хипотеза е по-висока от определено ниво и не може да бъде отхвърлена без сериозен риск от извеждане на грешно заключение за наличието на връзка. В този случай регресионното уравнение се счита за статистически незначимо. Но той не се отклонява.
Стандартна грешка на регресионния коефициент
За да се оцени значимостта на регресионния коефициент, неговата стойност се сравнява със стандартната му грешка, т.е. определя се действителната стойност t-Тест на Стюдънт: който след това се сравнява със стойността на таблицата при определено ниво на значимост и брой степени на свобода ( п- 2).
Стандартна грешка в параметъра А:
Значимостта на коефициента на линейна корелация се проверява въз основа на големината на грешката коефициент на корелация t r:
Обща вариация на признака X:
Множествена линейна регресия
Изграждане на модел
Множествена регресияпредставлява регресия на ефективна характеристика с два или повече фактора, т.е. модел на формата
Регресията може да даде добри резултати при моделирането, ако може да се пренебрегне влиянието на други фактори, засягащи обекта на изследване. Поведението на отделните икономически променливи не може да се контролира, т.е. не е възможно да се осигури еднаквост на всички други условия за оценка на влиянието на един изследван фактор. В този случай трябва да се опитате да идентифицирате влиянието на други фактори, като ги въведете в модела, т.е. изградете уравнение за множествена регресия: y = a+b 1 x 1 +b 2 +…+b p x p + .
Основната цел на множествената регресия е да се изгради модел с голям брой фактори, като същевременно се определи влиянието на всеки от тях поотделно, както и тяхното комбинирано въздействие върху моделирания показател. Спецификацията на модела включва две групи въпроси: избор на фактори и избор на типа на регресионното уравнение
