Die Methode der kleinsten Quadrate ermöglicht dies. Methode der kleinsten Quadrate in Excel. Regressionsanalyse. Einige Sonderfälle der Verwendung von MNC in der Praxis

17.03.2022

Was die breiteste Anwendung in verschiedenen Bereichen der Wissenschaft und der praktischen Tätigkeit findet. Das können Physik, Chemie, Biologie, Wirtschaftswissenschaften, Soziologie, Psychologie usw. sein. Durch den Willen des Schicksals muss ich mich oft mit der Wirtschaft auseinandersetzen, und deshalb werde ich heute für Sie eine Reise in ein erstaunliches Land namens arrangieren Ökonometrie=) ...Wie kann man es nicht wollen?! Es ist dort sehr gut – man muss sich nur entscheiden! ...Aber was Sie wahrscheinlich auf jeden Fall wollen, ist zu lernen, wie man Probleme löst Methode der kleinsten Quadrate. Und besonders fleißige Leser werden lernen, sie nicht nur präzise, sondern auch SEHR SCHNELL zu lösen ;-) Aber zuerst allgemeine Darstellung des Problems+ begleitendes Beispiel:

Lassen Sie uns Indikatoren in einem bestimmten Themenbereich untersuchen, die einen quantitativen Ausdruck haben. Gleichzeitig gibt es allen Grund zu der Annahme, dass der Indikator vom Indikator abhängt. Diese Annahme kann entweder eine wissenschaftliche Hypothese sein oder auf dem gesunden Menschenverstand basieren. Lassen wir die Wissenschaft jedoch beiseite und erkunden appetitlichere Bereiche – nämlich Lebensmittelgeschäfte. Bezeichnen wir mit:

– Verkaufsfläche eines Lebensmittelgeschäfts, qm,
– Jahresumsatz eines Lebensmittelgeschäfts, Millionen Rubel.

Es ist völlig klar, dass der Umsatz in den meisten Fällen umso größer ist, je größer die Ladenfläche ist.

Nehmen wir an, dass uns nach der Durchführung von Beobachtungen/Experimenten/Berechnungen/Tänzen mit einem Tamburin numerische Daten zur Verfügung stehen:

Bei Lebensmittelgeschäften ist meiner Meinung nach alles klar: - das ist die Fläche des 1. Ladens, - sein Jahresumsatz, - die Fläche des 2. Ladens, - sein Jahresumsatz usw. Übrigens ist es überhaupt nicht notwendig, Zugang zu geheimen Materialien zu haben – eine ziemlich genaue Einschätzung des Handelsumsatzes kann dadurch erhalten werden mathematische Statistik. Aber lassen wir uns nicht ablenken, der Wirtschaftsspionagekurs ist bereits bezahlt =)

Tabellarische Daten können auch in Form von Punkten geschrieben und in der bekannten Form dargestellt werden Kartesisches System .

Beantworten wir eine wichtige Frage: Wie viele Punkte werden für eine qualitative Studie benötigt?

Mehr desto besser. Der akzeptable Mindestsatz besteht aus 5-6 Punkten. Darüber hinaus können „anomale“ Ergebnisse nicht in die Stichprobe aufgenommen werden, wenn die Datenmenge gering ist. So kann beispielsweise ein kleiner Elite-Laden um Größenordnungen mehr verdienen als „seine Kollegen“, wodurch das allgemeine Muster, das Sie finden müssen, verzerrt wird!

Um es ganz einfach auszudrücken: Wir müssen eine Funktion auswählen, Zeitplan die so nah wie möglich an den Punkten vorbeiführt . Diese Funktion wird aufgerufen annähernd (Näherung - Näherung) oder theoretische Funktion . Im Allgemeinen taucht hier sofort ein offensichtlicher „Anwärter“ auf – ein Polynom höheren Grades, dessen Graph durch ALLE Punkte verläuft. Diese Option ist jedoch kompliziert und oft einfach falsch. (da die Grafik ständig eine „Schleife“ durchläuft und den Haupttrend schlecht widerspiegelt).

Die gesuchte Funktion muss also recht einfach sein und gleichzeitig die Abhängigkeit angemessen widerspiegeln. Wie Sie vielleicht erraten haben, heißt eine der Methoden zum Finden solcher Funktionen aufgerufen Methode der kleinsten Quadrate. Schauen wir uns zunächst das Wesentliche allgemein an. Lassen Sie einige Funktionen experimentelle Daten annähern:

Wie lässt sich die Genauigkeit dieser Näherung beurteilen? Berechnen wir auch die Unterschiede (Abweichungen) zwischen den experimentellen und funktionalen Werten (wir studieren die Zeichnung). Der erste Gedanke, der mir in den Sinn kommt, ist, abzuschätzen, wie groß die Summe ist, aber das Problem besteht darin, dass die Unterschiede negativ sein können (Zum Beispiel, ) und Abweichungen als Ergebnis einer solchen Summierung heben sich gegenseitig auf. Um die Genauigkeit der Näherung abzuschätzen, muss daher die Summe herangezogen werden Module Abweichungen:

oder zusammengebrochen: (Falls es jemand nicht weiß: – das ist das Summensymbol und – eine Hilfsvariable „Zähler“, die Werte von 1 bis annimmt).

Indem wir experimentelle Punkte mit unterschiedlichen Funktionen approximieren, erhalten wir unterschiedliche Werte, und offensichtlich ist diese Funktion genauer, wenn diese Summe kleiner ist.

Eine solche Methode existiert und wird aufgerufen Methode des kleinsten Moduls. In der Praxis hat es jedoch eine viel größere Verbreitung gefunden Methode der kleinsten Quadrate, bei dem mögliche negative Werte nicht durch den Modul, sondern durch Quadrieren der Abweichungen eliminiert werden:

Danach zielen die Bemühungen darauf ab, eine Funktion auszuwählen, die die Summe der quadrierten Abweichungen darstellt war so klein wie möglich. Daher stammt eigentlich auch der Name der Methode.

Und nun kommen wir zu einem weiteren wichtigen Punkt zurück: Wie oben erwähnt, sollte die ausgewählte Funktion recht einfach sein – es gibt aber auch viele solcher Funktionen: linear , hyperbolisch, exponentiell, logarithmisch, quadratisch usw. Und natürlich möchte ich hier gleich „das Tätigkeitsfeld reduzieren“. Welche Funktionsklasse sollte ich für die Forschung wählen? Eine primitive, aber effektive Technik:

– Es ist am einfachsten, Punkte darzustellen auf der Zeichnung und analysieren Sie ihre Position. Wenn sie dazu neigen, in einer geraden Linie zu verlaufen, dann sollten Sie danach suchen Gleichung einer Geraden mit optimalen Werten und . Mit anderen Worten besteht die Aufgabe darin, SOLCHE Koeffizienten zu finden, sodass die Summe der quadratischen Abweichungen am kleinsten ist.

Wenn die Punkte beispielsweise entlang liegen Hyperbel, dann ist offensichtlich klar, dass die lineare Funktion eine schlechte Näherung liefert. In diesem Fall suchen wir nach den „günstigsten“ Koeffizienten für die Hyperbelgleichung – diejenigen, die die minimale Quadratsumme ergeben .

Beachten Sie nun, dass wir in beiden Fällen darüber sprechen Funktionen zweier Variablen, deren Argumente sind gesuchte Abhängigkeitsparameter:

Und im Wesentlichen müssen wir ein Standardproblem lösen – finden Minimalfunktion zweier Variablen.

Erinnern wir uns an unser Beispiel: Nehmen wir an, dass „Laden“-Punkte in der Regel auf einer geraden Linie liegen, und es gibt allen Grund, dies anzunehmen lineare Abhängigkeit Umsatz aus Verkaufsflächen. Finden wir SOLCHE Koeffizienten „a“ und „be“, sodass die Summe der quadrierten Abweichungen entsteht war der Kleinste. Alles ist wie immer – zunächst einmal Partielle Ableitungen 1. Ordnung. Entsprechend Linearitätsregel Direkt unter dem Summensymbol können Sie unterscheiden:

Wenn Sie diese Informationen für einen Aufsatz oder eine Hausarbeit verwenden möchten, bin ich für den Link im Quellenverzeichnis sehr dankbar. Solche detaillierten Berechnungen finden Sie an wenigen Stellen:

Lassen Sie uns ein Standardsystem erstellen:

Wir reduzieren jede Gleichung um „zwei“ und „brechen“ zusätzlich die Summen auf:

Notiz : Analysieren Sie unabhängig, warum „a“ und „be“ über das Summensymbol hinaus entfernt werden können. Formal lässt sich das übrigens mit der Summe machen

Schreiben wir das System in „angewandter“ Form um:

Danach beginnt sich der Algorithmus zur Lösung unseres Problems abzuzeichnen:

Kennen wir die Koordinaten der Punkte? Wir wissen es. Beträge Können wir es finden? Leicht. Machen wir es am einfachsten System zweier linearer Gleichungen in zwei Unbekannten(„a“ und „sein“). Wir lösen das System zum Beispiel, Cramers Methode, wodurch wir einen stationären Punkt erhalten. Überprüfung ausreichende Bedingung für ein Extremum, können wir an dieser Stelle die Funktion überprüfen erreicht genau Minimum. Die Prüfung erfordert zusätzliche Berechnungen und wird daher nicht durchgeführt (Bei Bedarf kann der fehlende Rahmen eingesehen werden). Wir ziehen das abschließende Fazit:

Funktion auf die bestmögliche Weise (zumindest im Vergleich zu jeder anderen linearen Funktion) bringt experimentelle Punkte näher . Grob gesagt verläuft sein Graph so nah wie möglich an diesen Punkten. In Tradition Ökonometrie die resultierende Näherungsfunktion wird auch aufgerufen gepaarte lineare Regressionsgleichung .

Das betrachtete Problem ist von großer praktischer Bedeutung. In unserer Beispielsituation gilt Gl. ermöglicht es Ihnen, den Handelsumsatz vorherzusagen („Igrek“) Der Laden wird den einen oder anderen Wert der Verkaufsfläche haben (die eine oder andere Bedeutung von „x“). Ja, die resultierende Prognose wird nur eine Prognose sein, aber in vielen Fällen wird sie sich als recht genau erweisen.

Ich werde nur ein Problem mit „echten“ Zahlen analysieren, da es keine Schwierigkeiten bereitet – alle Berechnungen erfolgen auf dem Niveau des Lehrplans der 7. bis 8. Klasse. In 95 Prozent der Fälle werden Sie aufgefordert, nur eine lineare Funktion zu finden, aber ganz am Ende des Artikels werde ich zeigen, dass es nicht schwieriger ist, die Gleichungen der optimalen Hyperbel-, Exponential- und einiger anderer Funktionen zu finden.

Tatsächlich müssen nur noch die versprochenen Leckereien verteilt werden – damit Sie lernen, solche Beispiele nicht nur genau, sondern auch schnell zu lösen. Wir studieren den Standard sorgfältig:

Aufgabe

Als Ergebnis der Untersuchung der Beziehung zwischen zwei Indikatoren wurden die folgenden Zahlenpaare erhalten:

Finden Sie mithilfe der Methode der kleinsten Quadrate die lineare Funktion, die der empirischen Funktion am besten entspricht (erfahren) Daten. Erstellen Sie eine Zeichnung, auf der Sie experimentelle Punkte und einen Graphen der Näherungsfunktion in einem kartesischen rechtwinkligen Koordinatensystem konstruieren . Ermitteln Sie die Summe der quadratischen Abweichungen zwischen den empirischen und theoretischen Werten. Finden Sie heraus, ob die Funktion besser wäre (aus Sicht der Methode der kleinsten Quadrate) Bringen Sie experimentelle Punkte näher.

Bitte beachten Sie, dass die „x“-Bedeutungen natürlich sind und eine charakteristische Bedeutung haben, auf die ich etwas später eingehen werde; aber sie können natürlich auch gebrochen sein. Darüber hinaus können je nach Inhalt einer bestimmten Aufgabe sowohl die Werte „X“ als auch „Spiel“ ganz oder teilweise negativ sein. Nun, uns wurde eine „gesichtslose“ Aufgabe gegeben, und wir beginnen damit Lösung:

Wir finden die Koeffizienten der optimalen Funktion als Lösung des Systems:

Zwecks kompakterer Aufzeichnung kann die Variable „Zähler“ weggelassen werden, da bereits klar ist, dass die Summierung von 1 bis erfolgt.

Bequemer ist es, die benötigten Beträge tabellarisch zu berechnen:

Berechnungen können mit einem Mikrorechner durchgeführt werden, viel besser ist jedoch die Verwendung von Excel – sowohl schneller als auch fehlerfrei; Sehen Sie sich ein kurzes Video an:

Somit erhalten wir Folgendes System:

Hier können Sie die zweite Gleichung mit 3 multiplizieren und Subtrahieren Sie Term für Term den 2. von der 1. Gleichung. Aber das ist Glück – in der Praxis sind Systeme oft kein Geschenk, und in solchen Fällen spart es Cramers Methode:
, was bedeutet, dass das System über eine einzigartige Lösung verfügt.

Schauen wir mal nach. Ich verstehe, dass Sie das nicht möchten, aber warum sollten Sie Fehler überspringen, wenn sie absolut nicht übersehen werden können? Setzen wir die gefundene Lösung in die linke Seite jeder Gleichung des Systems ein:

Man erhält die rechten Seiten der entsprechenden Gleichungen, was bedeutet, dass das System korrekt gelöst ist.

Somit ist die gewünschte Näherungsfunktion: – von alle linearen Funktionen Sie ist es, die die experimentellen Daten am besten annähert.

Im Gegensatz zu direkt Abhängigkeit des Umsatzes des Ladens von seiner Fläche, die gefundene Abhängigkeit ist umkehren (Prinzip „Je mehr, desto weniger“), und diese Tatsache wird durch das Negativ sofort offenbart Neigung. Funktion sagt uns, dass mit einer Erhöhung eines bestimmten Indikators um 1 Einheit der Wert des abhängigen Indikators abnimmt durchschnittlich um 0,65 Einheiten. Man sagt: Je höher der Buchweizenpreis, desto weniger wird er verkauft.

Um den Graphen der Näherungsfunktion darzustellen, ermitteln wir ihre beiden Werte:

und führen Sie die Zeichnung aus:

Die konstruierte Gerade heißt Trendlinie (nämlich eine lineare Trendlinie, d. h. im Allgemeinen ist ein Trend nicht unbedingt eine gerade Linie). Jeder kennt den Ausdruck „im Trend sein“, und ich denke, dieser Begriff bedarf keiner weiteren Kommentare.

Berechnen wir die Summe der quadratischen Abweichungen zwischen empirischen und theoretischen Werten. Geometrisch gesehen ist dies die Summe der Quadrate der Längen der „Himbeer“-Segmente (zwei davon sind so klein, dass sie nicht einmal sichtbar sind).

Fassen wir die Berechnungen in einer Tabelle zusammen:

Auch hier können sie für alle Fälle manuell durchgeführt werden. Für den ersten Punkt gebe ich ein Beispiel:

aber es ist viel effektiver, es auf die bereits bekannte Weise zu tun:

Wir wiederholen noch einmal: Welche Bedeutung hat das erhaltene Ergebnis? Aus alle linearen Funktionen y-Funktion Der Indikator ist der kleinste, d. h. in seiner Familie ist er die beste Näherung. Und hier ist übrigens die letzte Frage des Problems nicht zufällig: Was wäre, wenn die vorgeschlagene Exponentialfunktion wäre? Wäre es besser, die experimentellen Punkte näher zusammenzubringen?

Finden wir die entsprechende Summe der quadratischen Abweichungen – zur Unterscheidung werde ich sie mit dem Buchstaben „Epsilon“ bezeichnen. Die Technik ist genau die gleiche:

Und noch einmal, nur für den Fall, Berechnungen für den 1. Punkt:

In Excel verwenden wir die Standardfunktion EXP (Syntax finden Sie in der Excel-Hilfe).

Abschluss: , was bedeutet, dass die Exponentialfunktion die experimentellen Punkte schlechter annähert als eine Gerade .

Aber hier ist zu beachten, dass es „schlimmer“ ist bedeutet noch nicht, was schlecht ist. Jetzt habe ich einen Graphen dieser Exponentialfunktion erstellt – und er verläuft auch in der Nähe der Punkte - so sehr, dass es ohne analytische Forschung schwierig ist zu sagen, welche Funktion genauer ist.

Damit ist die Lösung abgeschlossen und ich kehre zur Frage nach den natürlichen Werten des Arguments zurück. In verschiedenen Studien, meist wirtschaftlicher oder soziologischer Art, werden natürliche „X“ zur Nummerierung von Monaten, Jahren oder anderen gleichen Zeitintervallen verwendet. Betrachten Sie zum Beispiel das folgende Problem.

Beispiel.

Experimentelle Daten zu den Werten von Variablen X Und bei sind in der Tabelle angegeben.

Durch ihre Ausrichtung ergibt sich die Funktion

Benutzen Methode der kleinsten Quadrate, approximieren Sie diese Daten durch eine lineare Abhängigkeit y=ax+b(Parameter finden A Und B). Finden Sie heraus, welche der beiden Linien (im Sinne der Methode der kleinsten Quadrate) die experimentellen Daten besser anpasst. Machen Sie eine Zeichnung.

Die Essenz der Methode der kleinsten Quadrate (LSM).

Die Aufgabe besteht darin, die linearen Abhängigkeitskoeffizienten zu finden, bei denen die Funktion zweier Variablen vorliegt A Und B nimmt den kleinsten Wert an. Das heißt, gegeben A Und B die Summe der quadratischen Abweichungen der experimentellen Daten von der gefundenen Geraden wird am kleinsten sein. Das ist der Sinn der Methode der kleinsten Quadrate.

Bei der Lösung des Beispiels geht es also darum, das Extremum einer Funktion zweier Variablen zu finden.

Ableitung von Formeln zum Finden von Koeffizienten.

Ein System aus zwei Gleichungen mit zwei Unbekannten wird erstellt und gelöst. Partielle Ableitungen einer Funktion nach Variablen finden A Und B, setzen wir diese Ableitungen mit Null gleich.

Wir lösen das resultierende Gleichungssystem mit einer beliebigen Methode (z. B durch Substitutionsmethode oder ) und erhalten Sie Formeln zum Ermitteln von Koeffizienten mithilfe der Methode der kleinsten Quadrate (LSM).

Gegeben A Und B Funktion nimmt den kleinsten Wert an. Der Beweis dieser Tatsache ist gegeben.

Das ist die ganze Methode der kleinsten Quadrate. Formel zum Finden des Parameters A enthält die Summen , , und Parameter N- Menge experimenteller Daten. Wir empfehlen, die Werte dieser Beträge separat zu berechnen. Koeffizient B nach Berechnung gefunden A.

Es ist Zeit, sich an das ursprüngliche Beispiel zu erinnern.

Lösung.

In unserem Beispiel n=5. Wir füllen die Tabelle aus, um die Berechnung der Beträge zu erleichtern, die in den Formeln der erforderlichen Koeffizienten enthalten sind.

Die Werte in der vierten Zeile der Tabelle werden durch Multiplikation der Werte der 2. Zeile mit den Werten der 3. Zeile für jede Zahl erhalten ich.

Die Werte in der fünften Zeile der Tabelle werden durch Quadrieren der Werte in der 2. Zeile für jede Zahl erhalten ich.

Die Werte in der letzten Spalte der Tabelle sind die Summen der Werte in den Zeilen.

Um die Koeffizienten zu ermitteln, verwenden wir die Formeln der Methode der kleinsten Quadrate A Und B. Wir ersetzen darin die entsprechenden Werte aus der letzten Spalte der Tabelle:

Somit, y = 0,165x+2,184- die gewünschte Annäherungsgerade.

Es bleibt abzuwarten, welche der Zeilen y = 0,165x+2,184 oder nähert sich besser den Originaldaten an, d. h. Schätzungen unter Verwendung der Methode der kleinsten Quadrate.

Fehlerschätzung der Methode der kleinsten Quadrate.

Dazu müssen Sie die Summe der quadrierten Abweichungen der Originaldaten von diesen Linien berechnen Und , ein kleinerer Wert entspricht einer Linie, die den Originaldaten im Sinne der Methode der kleinsten Quadrate besser nahekommt.

Seit , dann gerade y = 0,165x+2,184 nähert sich den Originaldaten besser an.

Grafische Darstellung der Methode der kleinsten Quadrate (LS).

In den Grafiken ist alles deutlich sichtbar. Die rote Linie ist die gefundene Gerade y = 0,165x+2,184, die blaue Linie ist , rosa Punkte sind die Originaldaten.

Warum ist das nötig, warum all diese Näherungen?

Ich persönlich verwende es, um Probleme der Datenglättung, Interpolation und Extrapolation zu lösen (im ursprünglichen Beispiel könnte es darum gehen, den Wert eines beobachteten Werts zu ermitteln). j bei x=3 oder wann x=6 unter Verwendung der Methode der kleinsten Quadrate). Aber wir werden später in einem anderen Abschnitt der Website mehr darüber sprechen.

Nachweisen.

Also das, wenn es gefunden wird A Und B Da die Funktion den kleinsten Wert annimmt, muss an dieser Stelle die Matrix der quadratischen Form des Differentials zweiter Ordnung für die Funktion vorliegen war eindeutig positiv. Zeigen wir es.

Das Differential zweiter Ordnung hat die Form:

Das heißt

Daher hat die Matrix quadratischer Form die Form

und die Werte der Elemente hängen nicht davon ab A Und B.

Zeigen wir, dass die Matrix positiv definit ist. Dazu müssen die eckigen Nebenwerte positiv sein.

Winkelmoll erster Ordnung . Die Ungleichung ist streng, da die Punkte nicht übereinstimmen. Im Folgenden werden wir dies andeuten.

Winkelmoll zweiter Ordnung

Lasst uns das beweisen nach der Methode der mathematischen Induktion.

Abschluss: Werte gefunden A Und B entsprechen dem kleinsten Wert der Funktion sind daher die erforderlichen Parameter für die Methode der kleinsten Quadrate.

Methode der kleinsten Quadrate

In der letzten Lektion des Themas lernen wir die bekannteste Anwendung kennen FNP, die in verschiedenen Bereichen der Wissenschaft und praktischen Tätigkeit die breiteste Anwendung findet. Das können Physik, Chemie, Biologie, Wirtschaftswissenschaften, Soziologie, Psychologie usw. sein. Durch den Willen des Schicksals muss ich mich oft mit der Wirtschaft auseinandersetzen, und deshalb werde ich heute für Sie eine Reise in ein erstaunliches Land namens arrangieren Ökonometrie=) ...Wie kann man es nicht wollen?! Es ist dort sehr gut – man muss sich nur entscheiden! ...Aber was Sie wahrscheinlich auf jeden Fall wollen, ist zu lernen, wie man Probleme löst Methode der kleinsten Quadrate. Und besonders fleißige Leser werden lernen, sie nicht nur präzise, sondern auch SEHR SCHNELL zu lösen ;-) Aber zuerst allgemeine Darstellung des Problems+ begleitendes Beispiel:

– Verkaufsfläche eines Lebensmittelgeschäfts, qm,
– Jahresumsatz eines Lebensmittelgeschäfts, Millionen Rubel.

Es ist völlig klar, dass der Umsatz in den meisten Fällen umso größer ist, je größer die Ladenfläche ist.

Tabellarische Daten können auch in Form von Punkten geschrieben und in der bekannten Form dargestellt werden Kartesisches System .

Beantworten wir eine wichtige Frage: Wie viele Punkte werden für eine qualitative Studie benötigt?

Um es ganz einfach auszudrücken: Wir müssen eine Funktion auswählen, Zeitplan die so nah wie möglich an den Punkten vorbeiführt . Diese Funktion wird aufgerufen annähernd (Näherung - Näherung) oder theoretische Funktion . Im Allgemeinen taucht hier sofort ein offensichtlicher „Anwärter“ auf – ein Polynom höheren Grades, dessen Graph durch ALLE Punkte verläuft. Diese Option ist jedoch kompliziert und oft einfach falsch. (da die Grafik ständig eine „Schleife“ durchläuft und den Haupttrend schlecht widerspiegelt).

Die gesuchte Funktion muss also recht einfach sein und gleichzeitig die Abhängigkeit angemessen widerspiegeln. Wie Sie vielleicht erraten haben, heißt eine der Methoden zum Finden solcher Funktionen aufgerufen Methode der kleinsten Quadrate. Schauen wir uns zunächst das Wesentliche allgemein an. Lassen Sie einige Funktionen experimentelle Daten annähern:

Wie lässt sich die Genauigkeit dieser Näherung beurteilen? Berechnen wir auch die Unterschiede (Abweichungen) zwischen den experimentellen und funktionalen Werten (wir studieren die Zeichnung). Der erste Gedanke, der mir in den Sinn kommt, ist, abzuschätzen, wie groß die Summe ist, aber das Problem besteht darin, dass die Unterschiede negativ sein können (Zum Beispiel, ) und Abweichungen als Ergebnis einer solchen Summierung heben sich gegenseitig auf. Um die Genauigkeit der Näherung abzuschätzen, muss daher die Summe herangezogen werden Module Abweichungen:

oder zusammengebrochen: (falls es jemand nicht weiß: ist das Summensymbol und – eine Hilfsvariable „Zähler“, die Werte von 1 bis annimmt ) .

Indem wir experimentelle Punkte mit unterschiedlichen Funktionen approximieren, erhalten wir unterschiedliche Werte, und offensichtlich ist diese Funktion genauer, wenn diese Summe kleiner ist.

Danach zielen die Bemühungen darauf ab, eine Funktion auszuwählen, die die Summe der quadrierten Abweichungen darstellt war so klein wie möglich. Daher stammt eigentlich auch der Name der Methode.

Und nun kommen wir zu einem weiteren wichtigen Punkt zurück: Wie oben erwähnt, sollte die ausgewählte Funktion recht einfach sein – es gibt aber auch viele solcher Funktionen: linear , hyperbolisch , exponentiell , logarithmisch , quadratisch usw. Und natürlich möchte ich hier gleich „das Tätigkeitsfeld reduzieren“. Welche Funktionsklasse sollte ich für die Forschung wählen? Eine primitive, aber effektive Technik:

Beachten Sie nun, dass wir in beiden Fällen darüber sprechen Funktionen zweier Variablen, deren Argumente sind gesuchte Abhängigkeitsparameter:

Und im Wesentlichen müssen wir ein Standardproblem lösen – finden Minimalfunktion zweier Variablen.

Lassen Sie uns ein Standardsystem erstellen:

Wir reduzieren jede Gleichung um „zwei“ und „brechen“ zusätzlich die Summen auf:

Notiz : Analysieren Sie unabhängig, warum „a“ und „be“ über das Summensymbol hinaus entfernt werden können. Formal lässt sich das übrigens mit der Summe machen

Schreiben wir das System in „angewandter“ Form um:

Danach beginnt sich der Algorithmus zur Lösung unseres Problems abzuzeichnen:

Aufgabe

Wir finden die Koeffizienten der optimalen Funktion als Lösung des Systems:

Zwecks kompakterer Aufzeichnung kann die Variable „Zähler“ weggelassen werden, da bereits klar ist, dass die Summierung von 1 bis erfolgt.

Somit erhalten wir Folgendes System:

Somit ist die gewünschte Näherungsfunktion: – von alle linearen Funktionen Sie ist es, die die experimentellen Daten am besten annähert.

Im Gegensatz zu direkt Abhängigkeit des Umsatzes des Ladens von seiner Fläche, die gefundene Abhängigkeit ist umkehren (Prinzip „Je mehr, desto weniger“), und diese Tatsache wird durch das Negativ sofort offenbart Neigung. Funktion sagt uns, dass mit einer Erhöhung eines bestimmten Indikators um 1 Einheit der Wert des abhängigen Indikators abnimmt durchschnittlich um 0,65 Einheiten. Man sagt: Je höher der Buchweizenpreis, desto weniger wird er verkauft.

Um den Graphen der Näherungsfunktion darzustellen, ermitteln wir ihre beiden Werte:

und führen Sie die Zeichnung aus:

Die konstruierte Gerade heißt Trendlinie (nämlich eine lineare Trendlinie, d. h. im Allgemeinen ist ein Trend nicht unbedingt eine gerade Linie). Jeder kennt den Ausdruck „im Trend sein“, und ich denke, dieser Begriff bedarf keiner weiteren Kommentare.

Abschluss: , was bedeutet, dass die Exponentialfunktion die experimentellen Punkte schlechter annähert als eine Gerade .

Zum Einzelhandelsumsatz der Filiale im ersten Halbjahr liegen folgende Daten vor:

Bestimmen Sie mithilfe der analytischen Geradenausrichtung das Umsatzvolumen für Juli.

Ja, kein Problem: Wir nummerieren die Monate 1, 2, 3, 4, 5, 6 und verwenden den üblichen Algorithmus, wodurch wir eine Gleichung erhalten – das einzige ist, dass sie normalerweise verwendet werden, wenn es um die Zeit geht der Buchstabe „te“ (obwohl dies nicht kritisch ist). Die resultierende Gleichung zeigt, dass der Handelsumsatz im ersten Halbjahr des Jahres um durchschnittlich 27,74 Einheiten gestiegen ist. pro Monat. Kommen wir zur Prognose für Juli (Monat Nr. 7): d.e.

Und solche Aufgaben gibt es unzählige. Wer möchte, kann einen zusätzlichen Service nutzen, nämlich my Excel-Rechner (Demoversion), welche löst das analysierte Problem fast sofort! Eine funktionierende Version des Programms ist verfügbar im Austausch oder für symbolische Gebühr.

Am Ende der Lektion finden Sie kurze Informationen zum Auffinden von Abhängigkeiten anderer Typen. Eigentlich gibt es nicht viel zu sagen, da der grundlegende Ansatz und der Lösungsalgorithmus gleich bleiben.

Nehmen wir an, dass die Anordnung der Versuchspunkte einer Hyperbel ähnelt. Um dann die Koeffizienten der besten Hyperbel zu ermitteln, müssen Sie das Minimum der Funktion ermitteln – jeder kann detaillierte Berechnungen durchführen und zu einem ähnlichen System gelangen:

Formaltechnisch wird es aus einem „linearen“ System gewonnen (kennzeichnen wir es mit einem Sternchen)„x“ durch ersetzen. Nun, wie sieht es mit den Beträgen aus? Berechnen Sie dann die optimalen Koeffizienten „a“ und „be“ griffbereit.

Wenn es allen Grund zu der Annahme gibt, dass die Punkte liegen entlang einer logarithmischen Kurve. Um die optimalen Werte zu finden, ermitteln wir das Minimum der Funktion . Formal muss im System (*) ersetzt werden durch:

Verwenden Sie die Funktion, wenn Sie Berechnungen in Excel durchführen LN. Ich gestehe, dass es für mich nicht besonders schwierig wäre, für jeden der betrachteten Fälle Taschenrechner zu erstellen, aber es wäre trotzdem besser, wenn Sie die Berechnungen selbst „programmieren“ würden. Unterrichtsvideos zur Hilfe.

Bei exponentieller Abhängigkeit ist die Situation etwas komplizierter. Um die Angelegenheit auf den linearen Fall zu reduzieren, nehmen wir die Funktion Logarithmus und verwenden Eigenschaften des Logarithmus:

Wenn wir nun die resultierende Funktion mit der linearen Funktion vergleichen, kommen wir zu dem Schluss, dass im System (*) durch , und – durch ersetzt werden muss. Der Einfachheit halber bezeichnen wir:

Bitte beachten Sie, dass das System nach und aufgelöst wird und Sie daher nach dem Finden der Wurzeln nicht vergessen dürfen, den Koeffizienten selbst zu ermitteln.

Um experimentelle Punkte näher zu bringen optimale Parabel , sollte gefunden werden Minimalfunktion von drei Variablen . Nachdem wir Standardaktionen ausgeführt haben, erhalten wir Folgendes „funktionieren“ System:

Ja, natürlich gibt es hier mehr Beträge, aber bei der Nutzung Ihrer Lieblingsanwendung gibt es überhaupt keine Schwierigkeiten. Und zum Schluss erkläre ich Ihnen, wie Sie mit Excel schnell eine Prüfung durchführen und die gewünschte Trendlinie erstellen: Erstellen Sie ein Streudiagramm, wählen Sie einen der Punkte mit der Maus aus Klicken Sie mit der rechten Maustaste und wählen Sie die Option aus „Trendlinie hinzufügen“. Wählen Sie als Nächstes den Diagrammtyp und auf der Registerkarte aus „Optionen“ Aktivieren Sie die Option „Gleichung im Diagramm anzeigen“. OK

Wie immer möchte ich den Artikel mit einem schönen Satz beenden, und ich hätte fast „Im Trend liegen!“ getippt. Doch mit der Zeit änderte er seine Meinung. Und nicht, weil es stereotyp ist. Ich weiß nicht, wie es für irgendjemanden ist, aber ich möchte auf keinen Fall dem propagierten amerikanischen und insbesondere europäischen Trend folgen =) Daher wünsche ich mir, dass jeder von euch seiner eigenen Linie folgt!

http://www.grandars.ru/student/vysshaya-matematika/metod-naimenshih-kvadratov.html

Die Methode der kleinsten Quadrate ist aufgrund ihrer Eigenschaften eine der gebräuchlichsten und am weitesten entwickelten Einfachheit und Effizienz von Methoden zur Schätzung von Parametern linearer ökonometrischer Modelle. Gleichzeitig ist bei der Verwendung eine gewisse Vorsicht geboten, da damit erstellte Modelle möglicherweise eine Reihe von Anforderungen an die Qualität ihrer Parameter nicht erfüllen und daher die Muster der Prozessentwicklung nicht „gut“ widerspiegeln. genug.

Betrachten wir das Verfahren zur Schätzung der Parameter eines linearen ökonometrischen Modells mithilfe der Methode der kleinsten Quadrate genauer. Ein solches Modell kann im Allgemeinen durch Gleichung (1.2) dargestellt werden:

y t = a 0 + a 1 x 1t +...+ a n x nt + ε t.

Die Anfangsdaten bei der Schätzung der Parameter a 0 , a 1 ,..., a n ist ein Vektor von Werten der abhängigen Variablen j= (y 1 , y 2 , ... , y T)“ und die Wertematrix unabhängiger Variablen

wobei die erste Spalte, bestehend aus Einsen, dem Modellkoeffizienten entspricht.

Die Methode der kleinsten Quadrate erhielt ihren Namen aufgrund des Grundprinzips, dass die auf ihrer Grundlage erhaltenen Parameterschätzungen Folgendes erfüllen müssen: Die Quadratsumme des Modellfehlers sollte minimal sein.

Beispiele für die Lösung von Problemen mit der Methode der kleinsten Quadrate

Beispiel 2.1. Das Handelsunternehmen verfügt über ein Netzwerk von 12 Filialen, deren Aktivitäten in der Tabelle dargestellt sind. 2.1.

Die Unternehmensleitung möchte wissen, wie die Höhe des Jahresumsatzes von der Verkaufsfläche des Ladens abhängt.

Tabelle 2.1

Filialnummer	Jahresumsatz, Millionen Rubel.	Verkaufsfläche, Tausend m2
	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

Lösung nach der Methode der kleinsten Quadrate. Bezeichnen wir den Jahresumsatz des Ladens mit Millionen Rubel; - Verkaufsfläche des Ladens, tausend m2.

Abb.2.1. Streudiagramm für Beispiel 2.1

Um die Form der funktionalen Beziehung zwischen den Variablen zu bestimmen, erstellen wir ein Streudiagramm (Abb. 2.1).

Anhand des Streudiagramms können wir schließen, dass der Jahresumsatz positiv von der Verkaufsfläche abhängt (d. h. y nimmt mit zunehmender Fläche zu). Die am besten geeignete Form der funktionalen Verbindung ist linear.

Informationen für weitere Berechnungen sind in der Tabelle aufgeführt. 2.2. Mithilfe der Methode der kleinsten Quadrate schätzen wir die Parameter eines linearen einfaktoriellen ökonometrischen Modells

Tabelle 2.2

T	y t	x 1t	y t 2	x 1t 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
S	819,52	10,68	65008,554	11,4058	858,3991
Durchschnitt	68,29	0,89

Daher,

Daher steigt der durchschnittliche Jahresumsatz bei einer Vergrößerung der Verkaufsfläche um 1.000 m2 unter sonst gleichen Bedingungen um 67,8871 Millionen Rubel.

Beispiel 2.2. Der Unternehmensleitung fiel auf, dass der Jahresumsatz nicht nur von der Verkaufsfläche des Ladens abhängt (siehe Beispiel 2.1), sondern auch von der durchschnittlichen Besucherzahl. Die relevanten Informationen sind in der Tabelle dargestellt. 2.3.

Tabelle 2.3

Lösung. Bezeichnen wir - die durchschnittliche Anzahl der Besucher des Ladens pro Tag, tausend Menschen.

Um die Form der funktionalen Beziehung zwischen den Variablen zu bestimmen, erstellen wir ein Streudiagramm (Abb. 2.2).

Basierend auf dem Streudiagramm können wir schlussfolgern, dass der Jahresumsatz positiv von der durchschnittlichen Anzahl der Besucher pro Tag abhängt (d. h. y wird mit zunehmender Besucherzahl zunehmen). Die Form der funktionalen Abhängigkeit ist linear.

Reis. 2.2. Streudiagramm für Beispiel 2.2

Tabelle 2.4

T	x 2t	x 2t 2	yt 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
S	127,83	1410,44	9160,9934	118,9728
Durchschnitt	10,65

Im Allgemeinen ist es notwendig, die Parameter eines zweifaktoriellen ökonometrischen Modells zu bestimmen

y t = a 0 + a 1 x 1t + a 2 x 2t + ε t

Die für weitere Berechnungen erforderlichen Informationen sind in der Tabelle dargestellt. 2.4.

Lassen Sie uns die Parameter eines linearen zweifaktoriellen ökonometrischen Modells mithilfe der Methode der kleinsten Quadrate schätzen.

Daher,

Die Schätzung des Koeffizienten =61,6583 zeigt, dass unter sonst gleichen Bedingungen bei einer Vergrößerung der Verkaufsfläche um 1.000 m 2 der Jahresumsatz um durchschnittlich 61,6583 Millionen Rubel steigen wird.

Die Koeffizientenschätzung = 2,2748 zeigt, dass unter sonst gleichen Bedingungen ein Anstieg der durchschnittlichen Besucherzahl pro 1.000 Einwohner zu verzeichnen ist. pro Tag wird der Jahresumsatz um durchschnittlich 2,2748 Millionen Rubel steigen.

Beispiel 2.3. Verwendung der in der Tabelle dargestellten Informationen. 2.2 und 2.4 schätzen die Parameter des Ein-Faktor-ökonometrischen Modells

wo ist der zentrierte Wert des Jahresumsatzes des Ladens, Millionen Rubel; - zentrierter Wert der durchschnittlichen täglichen Besucherzahl im t-ten Geschäft, tausend Personen. (siehe Beispiele 2.1-2.2).

Lösung. Zusätzliche für Berechnungen erforderliche Informationen sind in der Tabelle aufgeführt. 2.5.

Tabelle 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
Menge			48,4344	431,0566

Mit der Formel (2.35) erhalten wir

Daher,

http://www.cleverstudents.ru/articles/mnk.html

Beispiel.

Experimentelle Daten zu den Werten von Variablen X Und bei sind in der Tabelle angegeben.

Durch ihre Ausrichtung ergibt sich die Funktion

Lösung.

In unserem Beispiel n=5. Wir füllen die Tabelle aus, um die Berechnung der Beträge zu erleichtern, die in den Formeln der erforderlichen Koeffizienten enthalten sind.

Die Werte in der vierten Zeile der Tabelle werden durch Multiplikation der Werte der 2. Zeile mit den Werten der 3. Zeile für jede Zahl erhalten ich.

Die Werte in der fünften Zeile der Tabelle werden durch Quadrieren der Werte in der 2. Zeile für jede Zahl erhalten ich.

Die Werte in der letzten Spalte der Tabelle sind die Summen der Werte in den Zeilen.

Um die Koeffizienten zu ermitteln, verwenden wir die Formeln der Methode der kleinsten Quadrate A Und B. Wir ersetzen darin die entsprechenden Werte aus der letzten Spalte der Tabelle:

Somit, y = 0,165x+2,184- die gewünschte Annäherungsgerade.

Es bleibt abzuwarten, welche der Zeilen y = 0,165x+2,184 oder nähert sich besser den Originaldaten an, d. h. Schätzungen unter Verwendung der Methode der kleinsten Quadrate.

Nachweisen.

Das Differential zweiter Ordnung hat die Form:

Das heißt

Daher hat die Matrix quadratischer Form die Form

und die Werte der Elemente hängen nicht davon ab A Und B.

Zeigen wir, dass die Matrix positiv definit ist. Dazu müssen die eckigen Nebenwerte positiv sein.

Winkelmoll erster Ordnung . Die Ungleichung ist streng, da die Punkte

Einführungslektion kostenlos;
Eine große Anzahl erfahrener Lehrer (Muttersprachler und Russisch);
Die Kurse gelten NICHT für einen bestimmten Zeitraum (Monat, sechs Monate, Jahr), sondern für eine bestimmte Anzahl von Unterrichtsstunden (5, 10, 20, 50);
Mehr als 10.000 zufriedene Kunden.
Die Kosten für eine Unterrichtsstunde bei einem russischsprachigen Lehrer betragen ab 600 Rubel, mit einem Muttersprachler - ab 1500 Rubel

Die Essenz der Methode der kleinsten Quadrate ist beim Finden der Parameter eines Trendmodells, das die Entwicklungstendenz eines zufälligen Phänomens in Zeit oder Raum am besten beschreibt (ein Trend ist eine Linie, die die Tendenz dieser Entwicklung charakterisiert). Die Aufgabe der Methode der kleinsten Quadrate (LSM) besteht darin, nicht nur ein Trendmodell zu finden, sondern das beste oder optimale Modell zu finden. Dieses Modell ist optimal, wenn die Summe der quadratischen Abweichungen zwischen den beobachteten Istwerten und den entsprechenden berechneten Trendwerten minimal (am kleinsten) ist:

wobei die quadratische Abweichung zwischen dem beobachteten Istwert ist

und der entsprechende berechnete Trendwert,

Der tatsächliche (beobachtete) Wert des untersuchten Phänomens,

Der berechnete Wert des Trendmodells,

Anzahl der Beobachtungen des untersuchten Phänomens.

MNC wird recht selten allein verwendet. In der Regel wird es in Korrelationsstudien meist nur als notwendige technische Technik eingesetzt. Es ist zu beachten, dass die Informationsbasis von OLS nur eine zuverlässige statistische Reihe sein kann und die Anzahl der Beobachtungen nicht weniger als 4 betragen sollte, da sonst die Glättungsverfahren von OLS möglicherweise den gesunden Menschenverstand verlieren.

Das MNC-Toolkit lässt sich auf die folgenden Verfahren reduzieren:

Erstes Verfahren. Es stellt sich heraus, ob überhaupt eine Tendenz besteht, das resultierende Attribut zu ändern, wenn sich das ausgewählte Faktor-Argument ändert, oder mit anderen Worten: Gibt es einen Zusammenhang zwischen „ bei " Und " X ».

Zweites Verfahren. Es wird ermittelt, welche Linie (Trajektorie) diesen Trend am besten beschreiben bzw. charakterisieren kann.

Drittes Verfahren.

Beispiel. Nehmen wir an, wir haben Informationen über den durchschnittlichen Sonnenblumenertrag für den untersuchten Betrieb (Tabelle 9.1).

Tabelle 9.1

Beobachtungsnummer

Produktivität, c/ha

Da der Stand der Technik in der Sonnenblumenproduktion in unserem Land in den letzten 10 Jahren praktisch unverändert geblieben ist, bedeutet dies, dass die Ertragsschwankungen im analysierten Zeitraum offenbar stark von Schwankungen der Wetter- und Klimabedingungen abhingen. Ist das wirklich wahr?

Erstes OLS-Verfahren. Die Hypothese über die Existenz eines Trends bei den Änderungen des Sonnenblumenertrags in Abhängigkeit von Änderungen der Wetter- und Klimabedingungen in den analysierten 10 Jahren wird getestet.

In diesem Beispiel für „ j „Es empfiehlt sich, den Sonnenblumenertrag zu nehmen, und für“ X » – Nummer des beobachteten Jahres im analysierten Zeitraum. Testen der Hypothese über die Existenz einer Beziehung zwischen „ X " Und " j „kann auf zwei Arten erfolgen: manuell und mithilfe von Computerprogrammen. Mit der Verfügbarkeit der Computertechnologie kann dieses Problem natürlich von selbst gelöst werden. Um die MNC-Tools besser zu verstehen, empfiehlt es sich jedoch, die Hypothese über die Existenz eines Zusammenhangs zwischen „ X " Und " j » manuell, wenn nur ein Stift und ein gewöhnlicher Taschenrechner zur Hand sind. In solchen Fällen lässt sich die Hypothese über das Vorhandensein eines Trends am besten visuell anhand der Position des grafischen Bildes der analysierten Dynamikreihe – des Korrelationsfelds – überprüfen:

Das Korrelationsfeld liegt in unserem Beispiel um eine langsam ansteigende Linie. Dies allein weist darauf hin, dass es einen bestimmten Trend bei den Veränderungen der Sonnenblumenerträge gibt. Es ist unmöglich, nur dann über das Vorhandensein einer Tendenz zu sprechen, wenn das Korrelationsfeld wie ein Kreis, ein Kreis, eine streng vertikale oder streng horizontale Wolke aussieht oder aus chaotisch verstreuten Punkten besteht. In allen anderen Fällen ist die Hypothese über die Existenz einer Beziehung zwischen „ X " Und " j ", und weiter forschen.

Zweites OLS-Verfahren. Es wird ermittelt, welche Linie (Trajektorie) den Trend der Veränderungen des Sonnenblumenertrags im analysierten Zeitraum am besten beschreiben oder charakterisieren kann.

Wenn Sie über Computertechnologie verfügen, erfolgt die Auswahl des optimalen Trends automatisch. Bei der „manuellen“ Verarbeitung erfolgt die Auswahl der optimalen Funktion in der Regel visuell – anhand der Lage des Korrelationsfeldes. Das heißt, basierend auf der Art des Diagramms wird die Gleichung der Linie ausgewählt, die am besten zum empirischen Trend (der tatsächlichen Flugbahn) passt.

Bekanntlich gibt es in der Natur eine Vielzahl funktionaler Abhängigkeiten, sodass es äußerst schwierig ist, auch nur einen kleinen Teil davon visuell zu analysieren. Glücklicherweise können in der realen Wirtschaftspraxis die meisten Zusammenhänge ziemlich genau beschrieben werden, entweder durch eine Parabel, eine Hyperbel oder eine gerade Linie. Dabei kann man sich mit der „manuellen“ Möglichkeit, die beste Funktion auszuwählen, auf nur diese drei Modelle beschränken.

		Hyperbel:

Parabel zweiter Ordnung: :

Es ist leicht zu erkennen, dass sich in unserem Beispiel der Trend der Änderungen des Sonnenblumenertrags über die analysierten 10 Jahre am besten durch eine gerade Linie charakterisieren lässt, sodass die Regressionsgleichung die Gleichung einer geraden Linie sein wird.

Drittes Verfahren. Die Parameter der diese Linie charakterisierenden Regressionsgleichung werden berechnet, d. h. es wird eine analytische Formel ermittelt, die das beste Trendmodell beschreibt.

Das Finden der Werte der Parameter der Regressionsgleichung, in unserem Fall der Parameter und , ist der Kern des OLS. Bei diesem Prozess geht es darum, ein System normaler Gleichungen zu lösen.

(9.2)

Dieses Gleichungssystem lässt sich recht einfach mit der Gauß-Methode lösen. Erinnern wir uns daran, dass als Ergebnis der Lösung in unserem Beispiel die Werte der Parameter und gefunden werden. Somit hat die gefundene Regressionsgleichung die folgende Form:

Es wird in der Ökonometrie häufig in Form einer klaren ökonomischen Interpretation seiner Parameter verwendet.

Bei der linearen Regression kommt es darauf an, eine Gleichung der Form zu finden

oder

Gleichung des Formulars erlaubt basierend auf angegebenen Parameterwerten X theoretische Werte des resultierenden Merkmals haben und die tatsächlichen Werte des Faktors darin ersetzen X.

Bei der Konstruktion der linearen Regression geht es darum, ihre Parameter zu schätzen – A Und V. Schätzungen linearer Regressionsparameter können mit verschiedenen Methoden ermittelt werden.

Der klassische Ansatz zur Schätzung linearer Regressionsparameter basiert auf Methode der kleinsten Quadrate(MNC).

Die Methode der kleinsten Quadrate ermöglicht es uns, solche Parameterschätzungen zu erhalten A Und V, bei dem die Summe der quadrierten Abweichungen der tatsächlichen Werte des resultierenden Merkmals ist (y) aus berechnet (theoretisch) Minimum:

Um das Minimum einer Funktion zu ermitteln, müssen Sie die partiellen Ableitungen für jeden Parameter berechnen A Und B und setze sie gleich Null.

Bezeichnen wir mit S, dann:

Durch Umformung der Formel erhalten wir das folgende System normaler Gleichungen zur Parameterschätzung A Und V:

Wenn wir das System der Normalgleichungen (3.5) entweder mit der Methode der sequentiellen Eliminierung von Variablen oder mit der Methode der Determinanten lösen, finden wir die erforderlichen Schätzungen der Parameter A Und V.

Parameter V wird als Regressionskoeffizient bezeichnet. Sein Wert zeigt die durchschnittliche Änderung des Ergebnisses bei einer Änderung des Faktors um eine Einheit.

Die Regressionsgleichung wird immer um einen Indikator für die Nähe des Zusammenhangs ergänzt. Bei Verwendung der linearen Regression ist ein solcher Indikator der lineare Korrelationskoeffizient. Es gibt verschiedene Modifikationen der linearen Korrelationskoeffizientenformel. Einige davon sind unten aufgeführt:

Der lineare Korrelationskoeffizient liegt bekanntlich innerhalb der Grenzen: -1 ≤ ≤ 1.

Um die Qualität der Auswahl einer linearen Funktion zu beurteilen, wird das Quadrat berechnet

Linearer Korrelationskoeffizient genannt Bestimmtheitsmaß. Das Bestimmtheitsmaß charakterisiert den Varianzanteil des resultierenden Merkmals ja, erklärt durch Regression der Gesamtvarianz des resultierenden Merkmals:

Dementsprechend charakterisiert der Wert 1 den Varianzanteil ja, verursacht durch den Einfluss anderer Faktoren, die im Modell nicht berücksichtigt werden.

Fragen zur Selbstkontrolle

1. Die Essenz der Methode der kleinsten Quadrate?

2. Wie viele Variablen liefert die paarweise Regression?

3. Welcher Koeffizient bestimmt die Nähe des Zusammenhangs zwischen Änderungen?

4. Innerhalb welcher Grenzen wird das Bestimmtheitsmaß bestimmt?

5. Schätzung des Parameters b in der Korrelations-Regressionsanalyse?

1. Christopher Dougherty. Einführung in die Ökonometrie. - M.: INFRA - M, 2001 - 402 S.

2. S.A. Boroditsch. Ökonometrie. Minsk LLC „Neues Wissen“ 2001.

3. R.U. Rakhmetova Kurzkurs in Ökonometrie. Studienführer. Almaty. 2004. -78p.

4. I.I. Eliseeva. Ökonometrie. - M.: „Finanzen und Statistik“, 2002

5. Monatliches Informations- und Analysemagazin.

Nichtlineare Wirtschaftsmodelle. Nichtlineare Regressionsmodelle. Transformation von Variablen.

Nichtlineare Wirtschaftsmodelle.

Transformation von Variablen.

Elastizitätskoeffizient.

Wenn es nichtlineare Beziehungen zwischen wirtschaftlichen Phänomenen gibt, werden diese durch die entsprechenden nichtlinearen Funktionen ausgedrückt: zum Beispiel eine gleichseitige Hyperbel , Parabeln zweiten Grades usw.

Es gibt zwei Klassen nichtlinearer Regressionen

1. Regressionen, die nichtlinear in Bezug auf die in die Analyse einbezogenen erklärenden Variablen, aber linear in Bezug auf die geschätzten Parameter sind, zum Beispiel:

Polynome unterschiedlichen Grades - , ;

Gleichseitige Hyperbel - ;

Halblogarithmische Funktion - .

2. Regressionen, die in den geschätzten Parametern nichtlinear sind, zum Beispiel:

Leistung - ;

Demonstrativ - ;

Exponentiell - .

Die Gesamtsumme der quadrierten Abweichungen einzelner Werte des resultierenden Merkmals bei Die Abweichung vom Durchschnittswert wird durch den Einfluss vieler Gründe verursacht. Teilen wir die gesamte Reihe von Gründen bedingt in zwei Gruppen ein: untersuchter Faktor x Und andere Faktoren.

Wenn der Faktor das Ergebnis nicht beeinflusst, verläuft die Regressionsgerade im Diagramm parallel zur Achse Oh Und

Dann ist die gesamte Varianz des resultierenden Merkmals auf den Einfluss anderer Faktoren zurückzuführen und die Gesamtsumme der quadratischen Abweichungen stimmt mit dem Residuum überein. Wenn andere Faktoren das Ergebnis nicht beeinflussen, dann Du bist gebunden Mit X funktional und die Restquadratsumme ist Null. In diesem Fall ist die Summe der durch die Regression erklärten quadratischen Abweichungen dieselbe wie die Gesamtsumme der Quadrate.

Da nicht alle Punkte des Korrelationsfeldes auf der Regressionsgeraden liegen, erfolgt deren Streuung immer durch den Einfluss des Faktors X, also Regression bei Von X, und durch andere Ursachen verursacht (unerklärliche Variation). Die Eignung einer Regressionsgeraden für die Vorhersage hängt davon ab, welcher Teil der Gesamtvariation des Merkmals ist bei erklärt die erläuterte Variation

Wenn die Summe der quadrierten Abweichungen aufgrund der Regression größer ist als die Restsumme der Quadrate, dann ist die Regressionsgleichung offensichtlich statistisch signifikant und der Faktor X hat einen erheblichen Einfluss auf das Ergebnis u.

, also mit der Freiheitszahl der unabhängigen Variation eines Merkmals. Die Anzahl der Freiheitsgrade hängt mit der Anzahl der Einheiten der Grundgesamtheit n und der daraus ermittelten Anzahl der Konstanten zusammen. Bezogen auf das zu untersuchende Problem soll die Anzahl der Freiheitsgrade zeigen, wie viele unabhängige Abweichungen davon vorliegen N

Die Einschätzung der Bedeutung der Regressionsgleichung insgesamt erfolgt anhand F-Fisher-Kriterium. In diesem Fall wird eine Nullhypothese aufgestellt, dass der Regressionskoeffizient gleich Null ist, d.h. b = 0 und damit der Faktor X hat keinen Einfluss auf das Ergebnis u.

Der unmittelbaren Berechnung des F-Tests geht eine Varianzanalyse voraus. Den zentralen Platz nimmt dabei die Zerlegung der Gesamtsumme der quadrierten Abweichungen einer Variablen ein bei vom Durchschnittswert bei in zwei Teile – „erklärt“ und „unerklärt“:

Gesamtsumme der quadrierten Abweichungen;

Summe der durch Regression erklärten quadratischen Abweichung;

Restsumme der quadrierten Abweichungen.

Jede Summe quadrierter Abweichungen hängt mit der Anzahl der Freiheitsgrade zusammen , also mit der Freiheitszahl der unabhängigen Variation eines Merkmals. Die Anzahl der Freiheitsgrade hängt von der Anzahl der Bevölkerungseinheiten ab N und mit der daraus ermittelten Anzahl der Konstanten. Bezogen auf das zu untersuchende Problem soll die Anzahl der Freiheitsgrade zeigen, wie viele unabhängige Abweichungen davon vorliegen N möglichst erforderlich, um eine gegebene Quadratsumme zu bilden.

Streuung pro FreiheitsgradD.

F-Verhältnisse (F-Test):

Wenn die Nullhypothese wahr ist, dann unterscheiden sich Faktor- und Restvarianz nicht voneinander. Für H 0 ist eine Widerlegung notwendig, damit die Faktorstreuung die Reststreuung um ein Vielfaches übersteigt. Der englische Statistiker Snedekor entwickelte Tabellen mit kritischen Werten F-Beziehungen auf verschiedenen Signifikanzebenen der Nullhypothese und unterschiedlicher Anzahl von Freiheitsgraden. Tabellenwert F-Kriterium ist der Maximalwert des Varianzverhältnisses, das im Falle einer zufälligen Divergenz für ein gegebenes Wahrscheinlichkeitsniveau für das Vorliegen der Nullhypothese auftreten kann. Berechneter Wert F-Beziehungen gelten als zuverlässig, wenn o größer als die Tabelle ist.

In diesem Fall wird die Nullhypothese über das Fehlen einer Beziehung zwischen Zeichen verworfen und eine Schlussfolgerung über die Bedeutung dieser Beziehung gezogen: F-Fakt > F-Tabelle H 0 wird verworfen.

Wenn der Wert kleiner als der tabellierte Wert ist F-Fakt ‹, F-Tabelle, dann ist die Wahrscheinlichkeit der Nullhypothese höher als ein festgelegtes Niveau und kann nicht verworfen werden, ohne dass das ernsthafte Risiko besteht, dass falsche Schlussfolgerungen über das Vorliegen einer Beziehung gezogen werden. In diesem Fall wird die Regressionsgleichung als statistisch unbedeutend angesehen. Aber er weicht nicht ab.

Standardfehler des Regressionskoeffizienten

Um die Signifikanz des Regressionskoeffizienten zu beurteilen, wird sein Wert mit seinem Standardfehler verglichen, d. h. der tatsächliche Wert ermittelt T-Student-t-Test: der dann mit dem Tabellenwert bei einem bestimmten Signifikanzniveau und einer bestimmten Anzahl an Freiheitsgraden verglichen wird ( N- 2).

Standardparameterfehler A:

Die Signifikanz des linearen Korrelationskoeffizienten wird anhand der Größe des Fehlers überprüft Korrelationskoeffizient t r:

Gesamte Merkmalsvarianz X:

Multiple lineare Regression

Modellbau

Multiple Regression stellt eine Regression eines effektiven Merkmals mit zwei oder mehr Faktoren dar, also ein Modell der Form

Die Regression kann bei der Modellierung gute Ergebnisse liefern, wenn der Einfluss anderer Faktoren, die den Untersuchungsgegenstand beeinflussen, vernachlässigt werden kann. Das Verhalten einzelner Wirtschaftsvariablen ist nicht kontrollierbar, d.h. es ist nicht möglich, die Gleichheit aller anderen Bedingungen zur Beurteilung des Einflusses eines untersuchten Faktors sicherzustellen. In diesem Fall sollten Sie versuchen, den Einfluss anderer Faktoren zu identifizieren, indem Sie diese in das Modell einführen, d. h. eine multiple Regressionsgleichung erstellen: y = a+b 1 x 1 +b 2 +…+b p x p + .

Das Hauptziel der multiplen Regression besteht darin, ein Modell mit einer großen Anzahl von Faktoren zu erstellen und gleichzeitig den Einfluss jedes einzelnen von ihnen sowie ihren kombinierten Einfluss auf den modellierten Indikator zu bestimmen. Die Spezifikation des Modells umfasst zwei Themenbereiche: die Auswahl der Faktoren und die Wahl des Typs der Regressionsgleichung