Amely a legszélesebb körben alkalmazható a tudomány és a gyakorlati tevékenység különböző területein. Ez lehet fizika, kémia, biológia, közgazdaságtan, szociológia, pszichológia és így tovább és így tovább. A sors akaratából gyakran kell foglalkoznom a gazdasággal, ezért ma egy kirándulást szervezek Önöknek egy csodálatos országba, ún. Ökonometria=) ...Hogy nem akarod?! Nagyon jó ott – csak el kell döntenie! ...De amit valószínűleg biztosan szeretne, az az, hogy megtanulja a problémák megoldását legkisebb négyzetek módszere. A különösen szorgalmas olvasók pedig megtanulják ezeket nemcsak pontosan, hanem NAGYON GYORSAN is megoldani ;-) De előbb a probléma általános megfogalmazása+ kísérő példa:
Vizsgáljuk meg egy bizonyos témakörben az olyan indikátorokat, amelyeknek kvantitatív kifejezésük van. Ugyanakkor minden okunk megvan azt hinni, hogy a mutató a mutatótól függ. Ez a feltevés lehet tudományos hipotézis vagy alapvetõ józan ész. Hagyjuk azonban a tudományt, és fedezzünk fel ínycsiklandóbb területeket – nevezetesen az élelmiszerboltokat. Jelöljük:
- élelmiszerbolt kiskereskedelmi területe, nm,
– egy élelmiszerbolt éves forgalma, millió rubel.
Teljesen egyértelmű, hogy minél nagyobb az üzlet területe, a legtöbb esetben annál nagyobb lesz a forgalma.
Tegyük fel, hogy a tamburával végzett megfigyelések/kísérletek/számítások/táncolások után számszerű adatok állnak rendelkezésünkre: 
Az élelmiszerboltokkal szerintem minden világos: - ez az 1. üzlet területe, - az éves forgalma, - a 2. üzlet területe, - az éves forgalma stb. A minősített anyagokhoz egyébként egyáltalán nem szükséges hozzáférni - a kereskedelmi forgalom meglehetősen pontos értékelése a matematikai statisztika. Azért ne tereljük el a figyelmünket, a kereskedelmi kémtanfolyam már fizetős =)
A táblázatos adatok pontok formájában is felírhatók és a megszokott formában ábrázolhatók Descartes-rendszer .
Válaszoljunk egy fontos kérdésre: Hány pont szükséges egy kvalitatív vizsgálathoz?
Több annál jobb. A minimálisan elfogadható halmaz 5-6 pontból áll. Ezen túlmenően, ha az adatmennyiség kicsi, az „anomális” eredmények nem vehetők fel a mintába. Így például egy kis elit üzlet nagyságrendekkel többet kereshet, mint „kollégái”, ezáltal torzíthatja az általános mintát, amelyet meg kell találnia!
Nagyon leegyszerűsítve, ki kell választanunk egy funkciót, menetrend amely a lehető legközelebb halad el a pontokhoz 
. Ezt a függvényt hívják közelítő
(közelítés - közelítés) vagy elméleti funkciója
. Általánosságban elmondható, hogy itt azonnal megjelenik egy nyilvánvaló „versenyző” - egy magas fokú polinom, amelynek grafikonja MINDEN ponton áthalad. De ez a lehetőség bonyolult és gyakran egyszerűen helytelen. (mivel a grafikon folyamatosan „hurkol” és rosszul tükrözi a fő trendet).
Így a keresett függvénynek meglehetősen egyszerűnek kell lennie, és ugyanakkor megfelelően tükröznie kell a függőséget. Ahogy sejtheti, az ilyen függvények megtalálásának egyik módszere az ún legkisebb négyzetek módszere. Először is nézzük meg általánosságban a lényegét. Legyen néhány függvény közelítő a kísérleti adatokhoz: 
Hogyan értékelhető ennek a közelítésnek a pontossága? Számítsuk ki a kísérleti és funkcionális értékek közötti különbségeket (eltéréseket) is! (tanulmányozzuk a rajzot). Az első gondolat, ami eszünkbe jut, az az összeg becslése, de a probléma az, hogy a különbségek negatívak is lehetnek (Például, 
)
és az ilyen összegzésből adódó eltérések kioltják egymást. Ezért a közelítés pontosságának becsléseként az összeget kell venni modulok eltérések:
vagy összeomlott: (ha valaki nem tudná: – ez az összeg ikon, és – egy segéd „számláló” változó, amely 1-től ig értéket vesz fel).
A különböző függvényekkel végzett kísérleti pontok közelítésével különböző értékeket kapunk, és nyilván ahol ez az összeg kisebb, ott az a függvény pontosabb.
Létezik ilyen módszer és ún legkisebb modulus módszere. A gyakorlatban azonban sokkal elterjedtebbé vált legkisebb négyzetek módszere, amelyben az esetleges negatív értékeket nem a modul, hanem az eltérések négyzetre emelése szünteti meg:
, amely után az erőfeszítések olyan függvény kiválasztására irányulnak, amely az eltérések négyzetének összegét adja meg 
a lehető legkisebb volt. Valójában innen ered a módszer neve.
És most visszatérünk egy másik fontos ponthoz: amint fentebb megjegyeztük, a kiválasztott függvénynek meglehetősen egyszerűnek kell lennie - de sok ilyen funkció is létezik: lineáris , hiperbolikus, exponenciális, logaritmikus, négyzetes stb. És természetesen itt azonnal szeretném „leszűkíteni a tevékenységi területet”. Melyik függvényosztályt válasszam a kutatáshoz? Egy primitív, de hatékony technika:
– A legegyszerűbb a pontok ábrázolása 
a rajzon, és elemezze a helyüket. Ha hajlamosak egyenes vonalban futni, akkor keresni kell egyenes egyenlete 
optimális értékekkel és . Vagyis a feladat az OLYAN együtthatók megtalálása, hogy az eltérések négyzetösszege a legkisebb legyen.
Ha a pontok például mentén helyezkednek el túlzás, akkor nyilvánvaló, hogy a lineáris függvény rossz közelítést ad. Ebben az esetben a „legkedvezőbb” együtthatókat keressük a hiperbola-egyenlethez 
– azok, amelyek a minimális négyzetösszeget adják 
.
Most vegye figyelembe, hogy mindkét esetben beszélünk két változó függvényei, amelynek érvei keresett függőségi paraméterek:
És lényegében meg kell oldanunk egy standard problémát – találni két változó minimális függvénye.
Emlékezzünk a példánkra: tegyük fel, hogy az „üzlet” pontok általában egyenes vonalban helyezkednek el, és minden okunk van hinni a jelenlétben lineáris függőségüzlethelyiségből származó forgalom. Keressünk OLYAN „a” és „legyen” együtthatókat, amelyek az eltérések négyzetes összege 
volt a legkisebb. Minden a szokásos módon - először I. rendű parciális származékok. Szerint linearitási szabály Közvetlenül az összeg ikon alatt tudod megkülönböztetni: 
Ha ezt az információt egy esszéhez vagy szakdolgozathoz szeretné felhasználni, nagyon hálás leszek a forráslistában található hivatkozásért, néhány helyen találsz ilyen részletes számításokat: 
Hozzunk létre egy szabványos rendszert: 
Minden egyenletet "kettővel" csökkentünk, és emellett "felosztjuk" az összegeket: 
Jegyzet
: önállóan elemzi, hogy az „a” és a „be” miért vehető ki az összeg ikonon túl. Egyébként formálisan ezt az összeggel meg lehet tenni
Írjuk át a rendszert „alkalmazott” formára: 
ezután kezd kialakulni a problémánk megoldásának algoritmusa:
Ismerjük a pontok koordinátáit? Tudjuk. Összegek 
megtaláljuk? Könnyen. Készítsük el a legegyszerűbbet két lineáris egyenletrendszer két ismeretlenben(„a” és „legyen”). Megoldjuk a rendszert pl. Cramer módszere, melynek eredményeként stacionárius pontot kapunk. Ellenőrzés elégséges feltétel az extrémumhoz, ellenőrizhetjük, hogy ezen a ponton a függvény 
pontosan eléri minimális. Az ellenőrzés további számításokat igényel, ezért azt a színfalak mögött hagyjuk (szükség esetén a hiányzó keret megtekinthető). Levonjuk a végső következtetést:
Funkció 
a lehető legjobb módon (legalábbis bármely más lineáris függvényhez képest) közelebb hozza a kísérleti pontokat 
. Nagyjából a gráfja a lehető legközelebb halad ezekhez a pontokhoz. A hagyomány szerint ökonometria a kapott közelítő függvényt is nevezzük páros lineáris regressziós egyenlet
.
A vizsgált probléma nagy gyakorlati jelentőséggel bír. Példahelyzetünkben az egyenlet. 
lehetővé teszi, hogy megjósolja, milyen kereskedelmi forgalom ("Igrek") az üzletnek az eladótér egyik vagy másik értéke lesz (az „x” egyik vagy másik jelentése). Igen, az így kapott előrejelzés csak előrejelzés lesz, de sok esetben egészen pontosnak bizonyul.
Csak egy problémát fogok elemezni a „valódi” számokkal, mivel ebben nincs nehézség - minden számítás a 7-8 osztályos iskolai tanterv szintjén történik. Az esetek 95 százalékában csak egy lineáris függvényt kell keresni, de a cikk legvégén megmutatom, hogy nem nehezebb megtalálni az optimális hiperbola, exponenciális és néhány egyéb függvény egyenletét.
Tulajdonképpen már csak a beígért finomságokat kell szétosztani – hogy az ilyen példákat ne csak pontosan, de gyorsan is megtanulhasd megoldani. Gondosan tanulmányozzuk a szabványt:
Feladat
A két mutató közötti kapcsolat vizsgálata eredményeként a következő számpárokat kaptuk: 
A legkisebb négyzetek módszerével keresse meg azt a lineáris függvényt, amely a legjobban közelíti az empirikust (tapasztalt) adat. Készítsen rajzot, amelyre kísérleti pontokat készít, és a közelítő függvény grafikonját derékszögű koordinátarendszerben 
. Határozza meg az empirikus és az elméleti értékek közötti eltérések négyzetes összegét! Nézze meg, jobb lenne-e a funkció (a legkisebb négyzetek módszere szempontjából) közelebb hozza a kísérleti pontokat.
Kérjük, vegye figyelembe, hogy az „x” jelentése természetes, és ennek van egy jellegzetes jelentéstartalma, amelyről egy kicsit később beszélek; de természetesen lehetnek töredékesek is. Ezenkívül egy adott feladat tartalmától függően mind az „X”, mind a „játék” érték teljesen vagy részben negatív lehet. Nos, kaptunk egy „arctalan” feladatot, és elkezdjük megoldás:
Megtaláljuk az optimális függvény együtthatóit a rendszer megoldásaként: 
A kompaktabb rögzítés érdekében a „számláló” változó elhagyható, mivel már jól látható, hogy az összegzést 1-től -ig hajtják végre.
Kényelmesebb a szükséges összegeket táblázatos formában kiszámítani: 
A számításokat mikroszámológépen is el lehet végezni, de sokkal jobb az Excel használata - gyorsabban és hiba nélkül; nézz meg egy rövid videót:
Így a következőket kapjuk rendszer:
Itt megszorozhatja a második egyenletet 3-mal és tagonként vonjuk ki az 1. egyenletből a 2.-t. De ez szerencse – a gyakorlatban a rendszerek sokszor nem ajándékok, és ilyenkor spórolnak Cramer módszere:
, ami azt jelenti, hogy a rendszer egyedi megoldással rendelkezik.
Ellenőrizzük. Megértem, hogy nem akarod, de miért hagyod ki azokat a hibákat, ahol egyáltalán nem lehet kihagyni? Helyettesítsük be a talált megoldást a rendszer minden egyenletének bal oldalára:
A megfelelő egyenletek jobb oldalát kapjuk, ami azt jelenti, hogy a rendszer helyesen van megoldva.
Így a kívánt közelítő függvény: – tól minden lineáris függvényŐ tudja a legjobban megközelíteni a kísérleti adatokat.
Ellentétben közvetlen
az üzlet forgalmának a területétől való függése, a talált függőség az fordított
("minél több, annál kevesebb" elv), és ezt a tényt azonnal feltárja a negatív lejtő. Funkció 
azt mondja nekünk, hogy egy bizonyos mutató 1 egységnyi növekedésével a függő mutató értéke csökken átlagosan 0,65 egységgel. Ahogy mondani szokták, minél magasabb a hajdina ára, annál kevesebbet adnak el belőle.
A közelítő függvény grafikonjának ábrázolásához megtaláljuk a két értékét:
és hajtsd végre a rajzot: 
A megszerkesztett egyenest ún trendvonal
(nevezetesen egy lineáris trendvonal, azaz általános esetben a trend nem feltétlenül egyenes). Mindenki ismeri a „trendben lenni” kifejezést, és úgy gondolom, hogy ez a kifejezés nem igényel további megjegyzéseket.
Számítsuk ki az eltérések négyzetes összegét! 
empirikus és elméleti értékek között. Geometriailag ez a „málna” szegmensek hosszának négyzeteinek összege (ebből kettő olyan kicsi, hogy nem is látszik).
Foglaljuk össze a számításokat egy táblázatban: 
Megint manuálisan is elvégezhetők, az 1. ponthoz mondok egy példát: 
de sokkal hatékonyabb a már ismert módon csinálni:
Még egyszer megismételjük: Mi a kapott eredmény jelentése? Tól minden lineáris függvény y függvényt 
a mutató a legkisebb, vagyis családjában ez a legjobb közelítés. És itt egyébként nem véletlen a probléma végső kérdése: mi van, ha a javasolt exponenciális függvény 
jobb lenne közelebb hozni a kísérleti pontokat?
Keressük meg az eltérések négyzetes összegét - a megkülönböztetéshez az „epsilon” betűvel jelölöm őket. A technika pontosan ugyanaz: 
És még egyszer, minden esetre, a számítások az 1. ponthoz: 
Az Excelben a standard függvényt használjuk EXP (a szintaxis az Excel súgójában található).
Következtetés: , ami azt jelenti, hogy az exponenciális függvény rosszabbul közelíti a kísérleti pontokat, mint egy egyenes 
.
De itt meg kell jegyezni, hogy a „rosszabb”. még nem jelenti, ami rossz. Most elkészítettem ennek az exponenciális függvénynek a grafikonját - és ez is közel megy a pontokhoz 
- olyannyira, hogy elemző kutatás nélkül nehéz megmondani, melyik függvény a pontosabb.
Ezzel lezárul a megoldás, és visszatérek az érvelés természeti értékeinek kérdéséhez. Különféle – általában közgazdasági vagy szociológiai – tanulmányokban a természetes „X”-eket a hónapok, évek vagy más, azonos időintervallumok számozására használják. Vegyük például a következő problémát.
Példa.
Kísérleti adatok a változók értékeiről XÉs at táblázatban vannak megadva.
Az igazításuk eredményeképpen a függvényt kapjuk
Használata legkisebb négyzetek módszere, közelítse meg ezeket az adatokat lineáris függéssel y=ax+b(keresse meg a paramétereket AÉs b). Nézze meg, hogy a két egyenes közül melyik igazítja jobban (a legkisebb négyzetek módszere értelmében) a kísérleti adatokat. Készítsen rajzot.
A legkisebb négyzetek módszerének (LSM) lényege.
>A feladat az, hogy megtaláljuk azokat a lineáris függőségi együtthatókat, amelyeknél két változó függvénye AÉs b a legkisebb értéket veszi fel. Vagyis adott AÉs b a kísérleti adatok négyzetes eltéréseinek összege a talált egyenestől lesz a legkisebb. Ez a legkisebb négyzetek módszerének lényege.
Így a példa megoldása két változó függvényének extrémumának megkeresésére vezet.
Levezetési képletek az együtthatók megtalálásához.
>Összeállítunk és megoldunk egy két egyenletrendszert két ismeretlennel. Függvény parciális deriváltjainak keresése a változókra vonatkozóan AÉs b, ezeket a származékokat nullával egyenlővé tesszük.
A kapott egyenletrendszert bármilyen módszerrel megoldjuk (pl helyettesítési módszerrel vagy ), és képleteket készítsünk együtthatók meghatározásához a legkisebb négyzetek módszerével (LSM).
Adott AÉs b funkció a legkisebb értéket veszi fel. Ennek a ténynek a bizonyítéka adott.
Ez a legkisebb négyzetek módszere. Képlet a paraméter megtalálásához a tartalmazza az összegeket, , , és paramétert n- kísérleti adatok mennyisége. Javasoljuk ezen összegek értékének külön kiszámítását. Együttható b számítás után található a.
Ideje emlékezni az eredeti példára.
Megoldás.
Példánkban n=5. A táblázatot a szükséges együtthatók képleteiben szereplő összegek kiszámításának megkönnyítése érdekében töltjük ki.
A táblázat negyedik sorában szereplő értékeket úgy kapjuk meg, hogy minden számhoz megszorozzuk a 2. sor értékét a 3. sor értékével én.
A táblázat ötödik sorában szereplő értékeket úgy kapjuk meg, hogy a 2. sorban lévő értékeket minden számhoz négyzetre emeljük én.
A táblázat utolsó oszlopában szereplő értékek a sorok közötti értékek összegei.
Az együtthatók meghatározásához a legkisebb négyzetek módszerének képleteit használjuk AÉs b. A táblázat utolsó oszlopának megfelelő értékeit helyettesítjük beléjük:
Ezért, y = 0,165x+2,184- a kívánt közelítő egyenes.
Azt kell kideríteni, hogy melyik sorból y = 0,165x+2,184 vagy jobban közelíti az eredeti adatokat, vagyis a legkisebb négyzetek módszerével végzett becsléseket.
A legkisebb négyzetek módszerének hibabecslése.
>Ehhez ki kell számítani az eredeti adatok e soroktól való eltérésének négyzetes összegét És , egy kisebb érték egy olyan vonalnak felel meg, amely jobban közelíti az eredeti adatokat a legkisebb négyzetek módszere értelmében.
Azóta, majd egyenesen y = 0,165x+2,184 jobban közelíti az eredeti adatokat.
A legkisebb négyzetek (LS) módszer grafikus ábrázolása.
>A grafikonokon minden jól látható. A piros vonal a talált egyenes y = 0,165x+2,184, a kék vonal az , rózsaszín pöttyök az eredeti adatok.
Miért van erre szükség, miért ennyi közelítés?
Én személy szerint adatsimítási, interpolációs és extrapolációs problémák megoldására használom (az eredeti példában esetleg arra kérték őket, hogy találják meg egy megfigyelt érték értékét y at x=3 vagy mikor x=6 a legkisebb négyzetek módszerével). Erről azonban később az oldal másik részében fogunk beszélni.
Bizonyíték.
Tehát amikor megtalálták AÉs b függvény a legkisebb értéket veszi fel, akkor szükséges, hogy ezen a ponton a függvény másodrendű differenciáljának másodfokú alakjának mátrixa határozott pozitív volt. Mutassuk meg.
A másodrendű differenciál alakja:
Azaz
Ezért a másodfokú mátrixnak van formája
és az elemek értéke nem függ attól AÉs b.
Mutassuk meg, hogy a mátrix pozitív határozott. Ehhez a szögletes kiskorúaknak pozitívnak kell lenniük.
Elsőrendű szögletes moll . Az egyenlőtlenség szigorú, mert a pontok nem esnek egybe. A következőkben erre utalunk.
Másodrendű szögmoll
Bizonyítsuk be a matematikai indukció módszerével.
Következtetés: talált értékek AÉs b megfelelnek a függvény legkisebb értékének , ezért a legkisebb négyzetek módszeréhez szükséges paraméterek.
A legkisebb négyzetek módszere
A téma utolsó leckében a leghíresebb alkalmazással ismerkedünk meg FNP, amely a legszélesebb körben alkalmazható a tudomány és a gyakorlati tevékenység különböző területein. Ez lehet fizika, kémia, biológia, közgazdaságtan, szociológia, pszichológia és így tovább és így tovább. A sors akaratából gyakran kell foglalkoznom a gazdasággal, ezért ma egy kirándulást szervezek Önöknek egy csodálatos országba, ún. Ökonometria=) ...Hogy nem akarod?! Nagyon jó ott – csak el kell döntenie! ...De amit valószínűleg biztosan szeretne, az az, hogy megtanulja a problémák megoldását legkisebb négyzetek módszere. A különösen szorgalmas olvasók pedig megtanulják ezeket nemcsak pontosan, hanem NAGYON GYORSAN is megoldani ;-) De előbb a probléma általános megfogalmazása+ kísérő példa:
Vizsgáljuk meg egy bizonyos témakörben az olyan indikátorokat, amelyeknek kvantitatív kifejezésük van. Ugyanakkor minden okunk megvan azt hinni, hogy a mutató a mutatótól függ. Ez a feltevés lehet tudományos hipotézis vagy alapvetõ józan ész. Hagyjuk azonban a tudományt, és fedezzünk fel ínycsiklandóbb területeket – nevezetesen az élelmiszerboltokat. Jelöljük:
- élelmiszerbolt kiskereskedelmi területe, nm,
– egy élelmiszerbolt éves forgalma, millió rubel.
Teljesen egyértelmű, hogy minél nagyobb az üzlet területe, a legtöbb esetben annál nagyobb lesz a forgalma.
Tegyük fel, hogy a tamburával végzett megfigyelések/kísérletek/számítások/táncolások után számszerű adatok állnak rendelkezésünkre: 
Az élelmiszerboltokkal szerintem minden világos: - ez az 1. üzlet területe, - az éves forgalma, - a 2. üzlet területe, - az éves forgalma stb. A minősített anyagokhoz egyébként egyáltalán nem szükséges hozzáférni - a kereskedelmi forgalom meglehetősen pontos értékelése a matematikai statisztika. Azért ne tereljük el a figyelmünket, a kereskedelmi kémtanfolyam már fizetős =)
A táblázatos adatok pontok formájában is felírhatók és a megszokott formában ábrázolhatók Descartes-rendszer .
Válaszoljunk egy fontos kérdésre: Hány pont szükséges egy kvalitatív vizsgálathoz?
Több annál jobb. A minimálisan elfogadható halmaz 5-6 pontból áll. Ezen túlmenően, ha az adatmennyiség kicsi, az „anomális” eredmények nem vehetők fel a mintába. Így például egy kis elit üzlet nagyságrendekkel többet kereshet, mint „kollégái”, ezáltal torzíthatja az általános mintát, amelyet meg kell találnia!
Nagyon leegyszerűsítve, ki kell választanunk egy funkciót, menetrend amely a lehető legközelebb halad el a pontokhoz 
. Ezt a függvényt hívják közelítő
(közelítés - közelítés) vagy elméleti funkciója
. Általánosságban elmondható, hogy itt azonnal megjelenik egy nyilvánvaló „versenyző” - egy magas fokú polinom, amelynek grafikonja MINDEN ponton áthalad. De ez a lehetőség bonyolult és gyakran egyszerűen helytelen. (mivel a grafikon folyamatosan „hurkol” és rosszul tükrözi a fő trendet).
Így a keresett függvénynek meglehetősen egyszerűnek kell lennie, és ugyanakkor megfelelően tükröznie kell a függőséget. Ahogy sejtheti, az ilyen függvények megtalálásának egyik módszere az ún legkisebb négyzetek módszere. Először is nézzük meg általánosságban a lényegét. Legyen néhány függvény közelítő a kísérleti adatokhoz: 
Hogyan lehet értékelni ennek a közelítésnek a pontosságát? Számítsuk ki a kísérleti és funkcionális értékek közötti különbségeket (eltéréseket) is! (tanulmányozzuk a rajzot). Az első gondolat, ami eszünkbe jut, az az összeg becslése, de a probléma az, hogy a különbségek negatívak is lehetnek (Például, 
)
és az ilyen összegzésből adódó eltérések kioltják egymást. Ezért a közelítés pontosságának becsléseként az összeget kell venni modulok eltérések:
vagy összeomlott: (ha valaki nem tudná:
az összeg ikon, és
– egy segéd „számláló” változó, amely 1-től értéket vesz fel
)
.
A különböző függvényekkel végzett kísérleti pontok közelítésével különböző értékeket kapunk, és nyilván ahol ez az összeg kisebb, ott az a függvény pontosabb.
Létezik ilyen módszer és ún legkisebb modulus módszere. A gyakorlatban azonban sokkal elterjedtebbé vált legkisebb négyzetek módszere, amelyben az esetleges negatív értékeket nem a modul, hanem az eltérések négyzetre emelése szünteti meg:
, amely után az erőfeszítések olyan függvény kiválasztására irányulnak, amely az eltérések négyzetének összegét adja meg 
a lehető legkisebb volt. Valójában innen ered a módszer neve.
És most visszatérünk egy másik fontos ponthoz: amint fentebb megjegyeztük, a kiválasztott függvénynek meglehetősen egyszerűnek kell lennie - de sok ilyen funkció is létezik: lineáris , hiperbolikus , exponenciális , logaritmikus , négyzetes stb. És természetesen itt azonnal szeretném „leszűkíteni a tevékenységi területet”. Melyik függvényosztályt válasszam a kutatáshoz? Egy primitív, de hatékony technika:
– A legegyszerűbb a pontok ábrázolása a rajzon, és elemezze a helyüket. Ha hajlamosak egyenes vonalban futni, akkor keresni kell egyenes egyenlete 
optimális értékekkel és . Vagyis a feladat az OLYAN együtthatók megtalálása, hogy az eltérések négyzetösszege a legkisebb legyen.
Ha a pontok például mentén helyezkednek el túlzás, akkor nyilvánvaló, hogy a lineáris függvény rossz közelítést ad. Ebben az esetben a „legkedvezőbb” együtthatókat keressük a hiperbola-egyenlethez 
– azok, amelyek a minimális négyzetösszeget adják 
.
Most vegye figyelembe, hogy mindkét esetben beszélünk két változó függvényei, amelynek érvei keresett függőségi paraméterek:
És lényegében meg kell oldanunk egy standard problémát – találni két változó minimális függvénye.
Emlékezzünk a példánkra: tegyük fel, hogy az „üzlet” pontok általában egyenes vonalban helyezkednek el, és minden okunk van hinni a jelenlétben lineáris függőségüzlethelyiségből származó forgalom. Keressünk OLYAN „a” és „legyen” együtthatókat, amelyek az eltérések négyzetes összege 
volt a legkisebb. Minden a szokásos módon - először I. rendű parciális származékok. Szerint linearitási szabály Közvetlenül az összeg ikon alatt tudod megkülönböztetni: 
Ha ezt az információt egy esszéhez vagy szakdolgozathoz szeretné felhasználni, nagyon hálás leszek a forráslistában található hivatkozásért, néhány helyen találsz ilyen részletes számításokat: 
Hozzunk létre egy szabványos rendszert: 
Minden egyenletet "kettővel" csökkentünk, és emellett "felosztjuk" az összegeket: 
Jegyzet
: önállóan elemzi, hogy az „a” és a „be” miért vehető ki az összeg ikonon túl. Egyébként formálisan ezt az összeggel meg lehet tenni 
Írjuk át a rendszert „alkalmazott” formára: 
ezután kezd kialakulni a problémánk megoldásának algoritmusa:
Ismerjük a pontok koordinátáit? Tudjuk. Összegek 
megtaláljuk? Könnyen. Készítsük el a legegyszerűbbet két lineáris egyenletrendszer két ismeretlenben(„a” és „legyen”). Megoldjuk a rendszert pl. Cramer módszere, melynek eredményeként stacionárius pontot kapunk. Ellenőrzés elégséges feltétel az extrémumhoz, ellenőrizhetjük, hogy ezen a ponton a függvény 
pontosan eléri minimális. Az ellenőrzés további számításokat igényel, ezért azt a színfalak mögött hagyjuk (szükség esetén a hiányzó keret megtekinthetőItt
)
. Levonjuk a végső következtetést:
Funkció 
a lehető legjobb módon (legalábbis bármely más lineáris függvényhez képest) közelebb hozza a kísérleti pontokat . Nagyjából a gráfja a lehető legközelebb halad ezekhez a pontokhoz. A hagyomány szerint ökonometria a kapott közelítő függvényt is nevezzük páros lineáris regressziós egyenlet
.
A vizsgált probléma nagy gyakorlati jelentőséggel bír. Példahelyzetünkben az egyenlet. lehetővé teszi, hogy megjósolja, milyen kereskedelmi forgalom ("Igrek") az üzletnek az eladótér egyik vagy másik értéke lesz (az „x” egyik vagy másik jelentése). Igen, az így kapott előrejelzés csak előrejelzés lesz, de sok esetben egészen pontosnak bizonyul.
Csak egy problémát fogok elemezni a „valódi” számokkal, mivel ebben nincs nehézség - minden számítás a 7-8 osztályos iskolai tanterv szintjén történik. Az esetek 95 százalékában csak egy lineáris függvényt kell keresni, de a cikk legvégén megmutatom, hogy nem nehezebb megtalálni az optimális hiperbola, exponenciális és néhány egyéb függvény egyenletét.
Tulajdonképpen már csak a beígért finomságokat kell szétosztani – hogy az ilyen példákat ne csak pontosan, de gyorsan is megtanulhasd megoldani. Gondosan tanulmányozzuk a szabványt:
Feladat
A két mutató közötti kapcsolat vizsgálata eredményeként a következő számpárokat kaptuk: 
A legkisebb négyzetek módszerével keresse meg azt a lineáris függvényt, amely a legjobban közelíti az empirikust (tapasztalt) adat. Készítsen rajzot, amelyre kísérleti pontokat készít, és a közelítő függvény grafikonját derékszögű koordinátarendszerben 
. Határozza meg az empirikus és az elméleti értékek közötti eltérések négyzetes összegét! Nézze meg, jobb lenne-e a funkció (a legkisebb négyzetek módszere szempontjából) közelebb hozza a kísérleti pontokat.
Kérjük, vegye figyelembe, hogy az „x” jelentése természetes, és ennek van egy jellegzetes jelentéstartalma, amelyről egy kicsit később beszélek; de természetesen lehetnek töredékesek is. Ezenkívül egy adott feladat tartalmától függően mind az „X”, mind a „játék” érték teljesen vagy részben negatív lehet. Nos, kaptunk egy „arctalan” feladatot, és elkezdjük megoldás:
Megtaláljuk az optimális függvény együtthatóit a rendszer megoldásaként: 
A kompaktabb rögzítés érdekében a „számláló” változó elhagyható, mivel már jól látható, hogy az összegzést 1-től -ig hajtják végre.
Kényelmesebb a szükséges összegeket táblázatos formában kiszámítani: 
A számításokat mikroszámológépen is el lehet végezni, de sokkal jobb az Excel használata - gyorsabban és hiba nélkül; nézz meg egy rövid videót:
Így a következőket kapjuk rendszer:
Itt megszorozhatja a második egyenletet 3-mal és tagonként vonjuk ki az 1. egyenletből a 2.-t. De ez szerencse – a gyakorlatban a rendszerek sokszor nem ajándékok, és ilyenkor spórolnak Cramer módszere:
, ami azt jelenti, hogy a rendszer egyedi megoldással rendelkezik.
Ellenőrizzük. Megértem, hogy nem akarod, de miért hagyod ki azokat a hibákat, ahol egyáltalán nem lehet kihagyni? Helyettesítsük be a talált megoldást a rendszer minden egyenletének bal oldalára:
A megfelelő egyenletek jobb oldalát kapjuk, ami azt jelenti, hogy a rendszer helyesen van megoldva.
Így a kívánt közelítő függvény: – tól minden lineáris függvényŐ tudja a legjobban megközelíteni a kísérleti adatokat.
Ellentétben közvetlen
az üzlet forgalmának a területétől való függése, a talált függőség az fordított
("minél több, annál kevesebb" elv), és ezt a tényt azonnal feltárja a negatív lejtő. Funkció 
azt mondja nekünk, hogy egy bizonyos mutató 1 egységnyi növekedésével a függő mutató értéke csökken átlagosan 0,65 egységgel. Ahogy mondani szokták, minél magasabb a hajdina ára, annál kevesebbet adnak el belőle.
A közelítő függvény grafikonjának ábrázolásához megtaláljuk a két értékét:
és hajtsd végre a rajzot: 
A megszerkesztett egyenest ún trendvonal
(nevezetesen egy lineáris trendvonal, azaz általános esetben a trend nem feltétlenül egyenes). Mindenki ismeri a „trendben lenni” kifejezést, és úgy gondolom, hogy ez a kifejezés nem igényel további megjegyzéseket.
Számítsuk ki az eltérések négyzetes összegét! 
empirikus és elméleti értékek között. Geometriailag ez a „málna” szegmensek hosszának négyzeteinek összege (ebből kettő olyan kicsi, hogy nem is látszik).
Foglaljuk össze a számításokat egy táblázatban: 
Megint kézzel is elvégezhetők, az 1. ponthoz mondok egy példát: 
de sokkal hatékonyabb a már ismert módon csinálni:
Még egyszer megismételjük: Mi a kapott eredmény jelentése? Tól minden lineáris függvény y függvényt a mutató a legkisebb, vagyis családjában ez a legjobb közelítés. És itt egyébként nem véletlen a probléma végső kérdése: mi van, ha a javasolt exponenciális függvény 
jobb lenne közelebb hozni a kísérleti pontokat?
Keressük meg az eltérések négyzetes összegét - a megkülönböztetéshez az „epsilon” betűvel jelölöm őket. A technika pontosan ugyanaz: 
És még egyszer, minden esetre, a számítások az 1. ponthoz: 
Az Excelben a standard függvényt használjuk EXP (a szintaxis az Excel súgójában található).
Következtetés: , ami azt jelenti, hogy az exponenciális függvény rosszabbul közelíti a kísérleti pontokat, mint egy egyenes .
De itt meg kell jegyezni, hogy a „rosszabb”. még nem jelenti, ami rossz. Most elkészítettem ennek az exponenciális függvénynek a grafikonját - és ez is közel megy a pontokhoz 
- olyannyira, hogy elemző kutatás nélkül nehéz megmondani, melyik függvény a pontosabb.
Ezzel lezárul a megoldás, és visszatérek az érvelés természeti értékeinek kérdéséhez. Különféle – általában közgazdasági vagy szociológiai – tanulmányokban a természetes „X”-eket a hónapok, évek vagy más, azonos időintervallumok számozására használják. Vegyük például a következő problémát:
Az üzlet első félévi kiskereskedelmi forgalmáról az alábbi adatok állnak rendelkezésre:
Analitikai egyenes vonalvezetéssel határozza meg a júliusi forgalom volumenét.
Igen, nem probléma: a hónapokat 1, 2, 3, 4, 5, 6-ra számozzuk, és a szokásos algoritmust használjuk, aminek eredményeként egy egyenletet kapunk - csak az a lényeg, hogy ha időről van szó, általában a "te" betű (bár ez nem kritikus). Az így kapott egyenlet azt mutatja, hogy az első félévben a kereskedelmi forgalom átlagosan 27,74 egységgel nőtt. havonta. Nézzük a júliusi előrejelzést (7. hónap): d.e.
És számtalan ilyen feladat van. Aki szeretne, az igénybe vehet egy további szolgáltatást, mégpedig az én Excel számológép (demó verzió), amely szinte azonnal megoldja az elemzett problémát! A program működő verziója elérhető cserére vagy azért szimbolikus díj.
A lecke végén rövid tájékoztatás néhány más típusú függőség megtalálásáról. Valójában nincs sok mondanivaló, mivel az alapvető megközelítés és a megoldási algoritmus ugyanaz marad.
Tegyük fel, hogy a kísérleti pontok elrendezése hiperbolához hasonlít. Ezután, hogy megtalálja a legjobb hiperbola együtthatóit, meg kell találnia a függvény minimumát - bárki elvégezheti a részletes számításokat, és hasonló rendszerhez juthat: 
Formális technikai szempontból egy „lineáris” rendszerből nyerjük 
(jelöljük csillaggal) az "x" helyére . Nos, mi a helyzet az összegekkel? 
kiszámítja, ami után az optimális együtthatóhoz „a” és „be” kéznél.
Ha minden okunk megvan azt hinni, hogy a pontok logaritmikus görbe mentén helyezkednek el, akkor az optimális értékek megtalálásához megtaláljuk a függvény minimumát 
. Formálisan a rendszerben (*) a következőre kell cserélni: 
Amikor Excelben végez számításokat, használja a függvényt LN. Bevallom, nem lenne különösebben nehéz számológépet készítenem a vizsgált esetek mindegyikéhez, de mégis jobb lenne, ha te magad "programoznád" a számításokat. Segítségül oktatóvideók.
Az exponenciális függőséggel a helyzet egy kicsit bonyolultabb. Ahhoz, hogy az ügyet lineáris esetre redukáljuk, a függvény logaritmusát vesszük és használjuk a logaritmus tulajdonságai:
Most az eredményül kapott függvényt a lineáris függvénnyel összehasonlítva arra a következtetésre jutunk, hogy a rendszerben (*) helyére , és – -ra kell cserélni. A kényelem kedvéért jelöljük: 
Kérjük, vegye figyelembe, hogy a rendszer fel van oldva, és ezért a gyökerek megtalálása után ne felejtse el megtalálni magát az együtthatót.
Hogy közelebb hozzuk a kísérleti pontokat optimális parabola 
, meg kell találni három változó minimális függvénye 
. A szokásos műveletek végrehajtása után a következő „működő” állapotot kapjuk rendszer:
Igen, természetesen itt több összeg van, de egyáltalán nem okoz nehézséget kedvenc alkalmazásának használatakor. És végül elmondom, hogyan kell gyorsan elvégezni az ellenőrzést az Excel segítségével, és felépíteni a kívánt trendvonalat: hozzon létre egy szóródiagramot, válassza ki az egérrel bármelyik pontot és jobb gombbal válassza ki a lehetőséget "Trendvonal hozzáadása". Ezután válassza ki a diagram típusát és a lapon "Opciók" aktiválja az opciót "Egyenlet megjelenítése a diagramon". RENDBEN
Mint mindig, most is egy gyönyörű mondattal szeretném befejezni a cikket, és majdnem beírtam, hogy „Légy trendben!” De időben meggondolta magát. És nem azért, mert sztereotip. Nem tudom, hogy van ez senkinek, de nem nagyon szeretném követni a népszerűsített amerikai és főleg európai trendet =) Ezért kívánom, hogy mindenki tartsa magát a saját irányvonalához!
http://www.grandars.ru/student/vysshaya-matematika/metod-naimenshih-kvadratov.html
A legkisebb négyzetek módszere az egyik legelterjedtebb és legfejlettebb annak köszönhetően a lineáris ökonometriai modellek paramétereinek becslésére szolgáló módszerek egyszerűsége és hatékonysága. Használatakor ugyanakkor bizonyos óvatosságra kell ügyelni, mivel az ennek felhasználásával megépített modellek nem feltétlenül elégítenek ki paramétereik minőségére vonatkozó számos követelményt, és ennek következtében nem „jól” tükrözik a folyamatfejlesztési mintákat. .
Tekintsük részletesebben egy lineáris ökonometriai modell paramétereinek becslését a legkisebb négyzetek módszerével. Egy ilyen modell általában az (1.2) egyenlettel ábrázolható:
y t = a 0 + a 1 x 1t +...+ a n x nt + ε t.
A kezdeti adat az a 0, a 1,..., a n paraméterek becslésénél a függő változó értékeinek vektora y= (y 1 , y 2 , ... , y T)" és a független változók értékmátrixa
amelyben az egyesekből álló első oszlop a modellegyütthatónak felel meg.
A legkisebb négyzetek módszere azon alapelv alapján kapta a nevét, hogy az alapján kapott paraméterbecsléseknek meg kell felelniük: a modellhiba négyzetösszege minimális legyen.
Példák feladatok megoldására a legkisebb négyzetek módszerével
2.1. példa. A kereskedelmi vállalkozás 12 üzletből álló hálózattal rendelkezik, amelyek tevékenységére vonatkozó információkat a táblázat tartalmazza. 2.1.
A vállalkozás vezetése szeretné tudni, hogy az éves forgalom nagysága hogyan függ az üzlet üzlethelyiségétől.
2.1. táblázat
| Az üzlet száma | Éves forgalom, millió rubel. | Eladó terület, ezer 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 |
Legkisebb négyzetek megoldása. Jelöljük a th üzlet éves forgalmát, millió rubel; - az üzlet kiskereskedelmi területe, ezer m2.
ábra.2.1. Szórásdiagram a 2.1. példához
A változók és a változók közötti funkcionális kapcsolat formájának meghatározásához szóródásdiagramot készítünk (2.1. ábra).
A szórásdiagram alapján azt a következtetést vonhatjuk le, hogy az éves forgalom pozitívan függ az üzlethelyiségtől (azaz y növekedésével növekszik). A funkcionális kapcsolat legalkalmasabb formája az lineáris.
A további számításokhoz szükséges információkat a táblázat tartalmazza. 2.2. A legkisebb négyzetek módszerével egy lineáris egytényezős ökonometriai modell paramétereit becsüljük meg
2.2. táblázat
| 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 |
| Átlagos | 68,29 | 0,89 |
Így,
Ezért az üzlethelyiség 1 ezer m2-rel történő növekedésével, egyéb tényezők változatlansága mellett, az átlagos éves forgalom 67,8871 millió rubelrel nő.
2.2. példa. A cég vezetése észrevette, hogy az éves forgalom nemcsak az üzlet eladóterétől (lásd 2.1. példa), hanem az átlagos látogatószámtól is függ. A vonatkozó információkat a táblázat tartalmazza. 2.3.
2.3. táblázat
Megoldás. Jelöljük - a th üzlet látogatóinak átlagos számát naponta, ezer főt.
A változók és a változók közötti funkcionális kapcsolat formájának meghatározásához szóródásdiagramot készítünk (2.2. ábra).
A szórásdiagram alapján megállapíthatjuk, hogy az éves forgalom pozitívan függ a napi átlagos látogatószámtól (azaz y növekedésével növekszik). A funkcionális függőség formája lineáris.
Rizs. 2.2. Szórásdiagram a 2.2. példához
2.4. táblázat
| t | x 2t | 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 | |
| S | 127,83 | 1410,44 | 9160,9934 | 118,9728 |
| Átlagos | 10,65 |
Általában egy kéttényezős ökonometriai modell paramétereit kell meghatározni
y t = a 0 + a 1 x 1t + a 2 x 2t + ε t
A további számításokhoz szükséges információkat a táblázat tartalmazza. 2.4.
Becsüljük meg egy lineáris kéttényezős ökonometriai modell paramétereit a legkisebb négyzetek módszerével.
Így,
A =61,6583 együttható becslése azt mutatja, hogy egyéb tényezők változatlansága mellett az üzlethelyiség 1 ezer m 2 -es növekedésével az éves forgalom átlagosan 61,6583 millió rubelrel nő.
Az együttható becslése = 2,2748 azt mutatja, hogy egyéb tényezők változatlansága mellett az 1 ezer főre jutó átlagos látogatószám növekedésével. naponta az éves forgalom átlagosan 2,2748 millió rubelrel nő.
Példa 2.3. A táblázatban szereplő információk felhasználásával. 2.2 és 2.4, becsülje meg az egytényezős ökonometriai modell paraméterét
ahol a th üzlet éves forgalmának középpontos értéke, millió rubel; - a t-edik üzlet napi átlagos látogatószámának központosított értéke, ezer fő. (lásd a 2.1-2.2 példákat).
Megoldás. A számításokhoz szükséges további információkat a táblázat tartalmazza. 2.5.
2.5. táblázat
| -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 | |
| Összeg | 48,4344 | 431,0566 |
A (2.35) képlet segítségével megkapjuk
Így,
http://www.cleverstudents.ru/articles/mnk.html
Példa.
Kísérleti adatok a változók értékeiről XÉs at táblázatban vannak megadva. 
Az igazításuk eredményeképpen a függvényt kapjuk 
Használata legkisebb négyzetek módszere, közelítse meg ezeket az adatokat lineáris függéssel y=ax+b(keresse meg a paramétereket AÉs b). Nézze meg, hogy a két egyenes közül melyik igazítja jobban (a legkisebb négyzetek módszere értelmében) a kísérleti adatokat. Készítsen rajzot.
Megoldás.
Példánkban n=5. A táblázatot a szükséges együtthatók képleteiben szereplő összegek kiszámításának megkönnyítése érdekében töltjük ki. 
A táblázat negyedik sorában szereplő értékeket úgy kapjuk meg, hogy minden számhoz megszorozzuk a 2. sor értékét a 3. sor értékével én.
A táblázat ötödik sorában szereplő értékeket úgy kapjuk meg, hogy a 2. sorban lévő értékeket minden számhoz négyzetre emeljük én.
A táblázat utolsó oszlopában szereplő értékek a sorok közötti értékek összegei.
Az együtthatók meghatározásához a legkisebb négyzetek módszerének képleteit használjuk AÉs b. A táblázat utolsó oszlopának megfelelő értékeit helyettesítjük beléjük: 
Ezért, y = 0,165x+2,184- a kívánt közelítő egyenes.
Azt kell kideríteni, hogy melyik sorból y = 0,165x+2,184 vagy jobban közelíti az eredeti adatokat, vagyis a legkisebb négyzetek módszerével végzett becsléseket.
Bizonyíték.
Tehát amikor megtalálták AÉs b függvény a legkisebb értéket veszi fel, akkor szükséges, hogy ezen a ponton a függvény másodrendű differenciáljának másodfokú alakjának mátrixa 
határozott pozitív volt. Mutassuk meg.
A másodrendű differenciál alakja: 
Azaz
Ezért a másodfokú mátrixnak van formája 
és az elemek értéke nem függ attól AÉs b.
Mutassuk meg, hogy a mátrix pozitív határozott. Ehhez a szögletes kiskorúaknak pozitívnak kell lenniük.
Elsőrendű szögletes moll 
. Az egyenlőtlenség szigorú, hiszen a pontok
- Bevezető óra ingyen;
- Nagyszámú tapasztalt (anyanyelvű és orosz nyelvű) tanár;
- A kurzusok NEM egy meghatározott időszakra szólnak (hónap, hat hónap, év), hanem meghatározott számú óra (5, 10, 20, 50);
- Több mint 10.000 elégedett ügyfél.
- Egy óra költsége egy oroszul beszélő tanárral 600 rubeltől, anyanyelvi beszélővel - 1500 rubeltől
A legkisebb négyzetek módszerének lényege egy olyan trendmodell paramétereinek megtalálásában, amely a legjobban leírja bármely véletlenszerű jelenség időbeni vagy térbeli fejlődési tendenciáját (a trend egy vonal, amely ennek a fejlődésnek a tendenciáját jellemzi). A legkisebb négyzetek módszerének (LSM) feladata nem csupán néhány trendmodell, hanem a legjobb vagy optimális modell megtalálása is. Ez a modell akkor lesz optimális, ha a megfigyelt tényleges értékek és a megfelelő számított trendértékek közötti négyzetes eltérések összege minimális (legkisebb):
ahol a megfigyelt tényleges érték közötti négyzetes eltérés
és a megfelelő számított trendérték,
A vizsgált jelenség tényleges (megfigyelt) értéke,
A trendmodell számított értéke,
A vizsgált jelenség megfigyelésének száma.
Az MNC-t meglehetősen ritkán használják önmagában. Általában a korrelációs vizsgálatok során leggyakrabban csak szükséges technikai technikaként használják. Emlékeztetni kell arra, hogy az OLS információs bázisa csak megbízható statisztikai sorozat lehet, és a megfigyelések száma nem lehet kevesebb 4-nél, különben az OLS simító eljárásai elveszíthetik a józan eszét.
Az MNC eszközkészlet a következő eljárásokból áll:
Első eljárás. Kiderül, hogy van-e egyáltalán tendencia az eredő attribútum megváltoztatására, amikor a kiválasztott faktor-argumentum megváltozik, vagy más szóval, van-e kapcsolat a „ at "És" X ».
Második eljárás. Meghatározzák, hogy melyik vonal (pálya) tudja legjobban leírni vagy jellemezni ezt a tendenciát.
Harmadik eljárás.
Példa. Tegyük fel, hogy van információnk a vizsgált gazdaság átlagos napraforgóterméséről (9.1. táblázat).
9.1. táblázat
|
Megfigyelési szám |
||||||||||
|
Termőképesség, c/ha |
Mivel hazánkban a napraforgótermesztés technológiai szintje az elmúlt 10 évben gyakorlatilag változatlan maradt, ez azt jelenti, hogy a vizsgált időszakban a terméshozam ingadozása nagymértékben függött az időjárási és éghajlati viszonyok ingadozásától. Ez tényleg igaz?
Az első OLS eljárás. A hipotézist a napraforgó terméshozamában az időjárási és éghajlati viszonyok változásától függően az elemzett 10 év alatti tendencia meglétére vonatkozó hipotézist teszteljük.
Ebben a példában a " y " célszerű a napraforgó hozamát venni, és a " x » – a vizsgált év száma a vizsgált időszakban. Annak a hipotézisnek a tesztelése, hogy létezik-e bármilyen kapcsolat x "És" y "kétféleképpen lehet megtenni: manuálisan és számítógépes programokkal. Természetesen, ha rendelkezik számítástechnikával, ez a probléma önmagában is megoldható. De az MNC-eszközök jobb megértése érdekében tanácsos tesztelni azt a hipotézist, hogy létezik-e kapcsolat a „ x "És" y » manuálisan, amikor csak egy toll és egy közönséges számológép van kéznél. Ilyen esetekben a trend létezésére vonatkozó hipotézist a legjobban vizuálisan ellenőrizni az elemzett dinamikasorozat grafikus képének elhelyezkedése - a korrelációs mező:
Példánkban a korrelációs mező egy lassan növekvő vonal körül helyezkedik el. Ez önmagában azt jelzi, hogy a napraforgótermés változásában bizonyos tendencia van. Csak akkor nem lehet tendencia jelenlétéről beszélni, ha a korrelációs mező körnek, körnek, szigorúan függőleges vagy szigorúan vízszintes felhőnek néz ki, vagy kaotikusan szétszórt pontokból áll. Minden más esetben az a hipotézis, hogy létezik kapcsolat x "És" y ", és folytassa a kutatást.
Második OLS eljárás. Meghatározzák, hogy melyik vonal (pálya) írja le vagy jellemezheti legjobban a napraforgó terméshozamának változásának trendjét a vizsgált időszakban.
Ha rendelkezik számítástechnikával, az optimális trend kiválasztása automatikusan megtörténik. A „kézi” feldolgozás során az optimális funkció kiválasztása általában vizuálisan történik - a korrelációs mező helye alapján. Ez azt jelenti, hogy a gráf típusa alapján az empirikus trendhez (a tényleges pályához) legjobban illeszkedő egyenes egyenlete kerül kiválasztásra.
Mint ismeretes, a természetben nagyon sokféle funkcionális függőség létezik, ezért rendkívül nehéz vizuálisan elemezni még egy kis részét is. Szerencsére a valós gazdasági gyakorlatban a legtöbb összefüggés elég pontosan leírható akár parabolával, akár hiperbolával, akár egyenessel. Ebben a tekintetben a legjobb funkció kiválasztásának „kézi” opciójával csak erre a három modellre korlátozhatja magát.
|
Hiperbola: |
||
Másodrendű parabola: :
Könnyen belátható, hogy példánkban az elemzett 10 év napraforgótermés-változásának trendjét az egyenes vonal jellemzi legjobban, így a regressziós egyenlet egy egyenes egyenlete lesz.
Harmadik eljárás. Kiszámolják az ezt az egyenest jellemző regressziós egyenlet paramétereit, vagyis meghatározzák a legjobb trendmodellt leíró analitikai képletet.
A regressziós egyenlet paraméterei értékeinek megkeresése, esetünkben a és a paraméterek, az OLS magja. Ez a folyamat egy normál egyenletrendszer megoldásán múlik.
(9.2)
Ez az egyenletrendszer meglehetősen könnyen megoldható Gauss-módszerrel. Emlékezzünk vissza, hogy a megoldás eredményeként példánkban a és a paraméterek értékei találhatók. Így a talált regressziós egyenlet a következő formában lesz:
Az ökonometriában széles körben használják paramétereinek világos közgazdasági értelmezése formájában.
A lineáris regresszió az alak egyenletének megtalálásához vezet
vagy
A forma egyenlete megadott paraméterértékek alapján teszi lehetővé X rendelkeznek az eredő jellemző elméleti értékeivel, helyettesítve a tényező tényleges értékeit X.
A lineáris regresszió felépítése a paramétereinek becslésén múlik - AÉs V. A lineáris regressziós paraméterek becslései különböző módszerekkel érhetők el.
A lineáris regressziós paraméterek becslésének klasszikus megközelítése azon alapul legkisebb négyzetek módszere(MNC).
A legkisebb négyzetek módszere lehetővé teszi, hogy ilyen paraméterbecsléseket kapjunk AÉs V, amelynél az eredő jellemző tényleges értékeinek négyzetes eltéréseinek összege (y) számítottból (elméleti) minimális:
Egy függvény minimumának meghatározásához ki kell számítani az egyes paraméterek parciális deriváltjait AÉs bés állítsa őket egyenlővé nullával.
Jelöljük S-vel, akkor:
A képletet átalakítva a következő normálegyenletrendszert kapjuk a paraméterek becslésére AÉs V:
A (3.5) normálegyenletrendszert akár a változók szekvenciális eliminációs módszerével, akár a determinánsok módszerével megoldva megtaláljuk a paraméterek szükséges becsléseit AÉs V.
Paraméter V regressziós együtthatónak nevezzük. Értéke az eredmény átlagos változását mutatja a tényező egy egységnyi változásával.
A regressziós egyenlet mindig kiegészül a kapcsolat szorosságának mutatójával. Lineáris regresszió alkalmazásakor ilyen mutató a lineáris korrelációs együttható. A lineáris korrelációs együttható képletnek különböző módosításai vannak. Néhányat az alábbiakban közölünk:
Mint ismeretes, a lineáris korrelációs együttható a következő határokon belül van: -1 ≤ ≤ 1.
A lineáris függvény kiválasztásának minőségének értékeléséhez a négyzet kiszámításra kerül
Lineáris korrelációs együttható ún determinációs együttható. A determinációs együttható az eredményül kapott jellemző varianciaarányát jellemzi y, az eredményül kapott tulajdonság teljes varianciájának regressziójával magyarázható:
Ennek megfelelően az 1-es érték a varianciahányadot jellemzi y, a modellben nem vett egyéb tényezők hatása okozza.
Kérdések az önkontrollhoz
1. A legkisebb négyzetek módszerének lényege?
2. Hány változót biztosít a páronkénti regresszió?
3. Milyen együttható határozza meg a változások közötti kapcsolat szorosságát?
4. Milyen határok között kerül meghatározásra a determinációs együttható?
5. A b paraméter becslése korrelációs-regressziós elemzésben?
1. Christopher Dougherty. Bevezetés az ökonometriába. - M.: INFRA - M, 2001 - 402 p.
2. S.A. Borodics. Ökonometria. Minsk LLC „Új tudás” 2001.
3. R.U. Rakhmetova Ökonometriai rövid kurzus. Tanulmányi útmutató. Almaty. 2004. -78p.
4. I.I. Eliseeva. - M.: „Pénzügy és Statisztika”, 2002
5. Havi tájékoztató és elemző magazin.
Nemlineáris gazdasági modellek. Nemlineáris regressziós modellek. Változók transzformációja.
>Nemlineáris gazdasági modellek...
Változók transzformációja.
Rugalmassági együttható.
Ha a gazdasági jelenségek között nemlineáris összefüggések vannak, akkor azokat a megfelelő nemlineáris függvényekkel fejezzük ki: például egy egyenlő oldalú hiperbola. , másodfokú parabolák stb.
A nemlineáris regressziónak két osztálya van
>1. Olyan regressziók, amelyek nemlineárisak az elemzésben szereplő magyarázó változók tekintetében, de lineárisak a becsült paraméterek tekintetében, például:
Különböző fokozatú polinomok - , ;
egyenlő oldalú hiperbola - ;
Féllogaritmikus függvény - .
2. A becsült paraméterekben nemlineáris regressziók, például:
Teljesítmény - ;
Demonstratív - ;
Exponenciális - .
A kapott jellemző egyedi értékeinek négyzetes eltéréseinek teljes összege at az átlagértéktől számos ok hatása okozza. Feltételesen osszuk fel az okok teljes halmazát két csoportra: vizsgált tényező xÉs egyéb tényezők.
Ha a tényező nem befolyásolja az eredményt, akkor a grafikonon a regressziós egyenes párhuzamos a tengellyel ÓÉs
Ekkor a kapott karakterisztika teljes szórása más tényezők hatásának köszönhető, és az eltérések négyzetes összege egybeesik a maradékkal. Ha más tényezők nem befolyásolják az eredményt, akkor y kötve Vel X funkcionálisan és a maradék négyzetösszeg nulla. Ebben az esetben a regresszióval magyarázott eltérések négyzetösszege megegyezik a négyzetek teljes összegével.
Mivel a korrelációs mező nem minden pontja fekszik a regressziós egyenesen, szóródásuk mindig a faktor hatásának eredményeként következik be. X, azaz regresszió atÁltal X,és egyéb okok okozzák (megmagyarázhatatlan variáció). A regressziós egyenes előrejelzésre való alkalmassága attól függ, hogy a tulajdonság teljes variációjának mekkora része at magyarázza a megmagyarázott variációt
Nyilvánvaló, hogy ha a regresszióból eredő eltérések négyzetes összege nagyobb, mint a maradék négyzetösszeg, akkor a regressziós egyenlet statisztikailag szignifikáns és a faktor X jelentős hatással van az eredményre u.
, azaz egy jellemző független variációjának szabadságszámával. A szabadsági fokok száma összefügg az n sokaság egységeinek számával és az abból meghatározott állandók számával. A vizsgált probléma kapcsán a szabadsági fokok számának meg kell mutatnia, hogy hány független eltéréstől n
A regressziós egyenlet egészének szignifikanciájának értékelése a segítségével történik F- Fisher kritérium. Ebben az esetben egy nullhipotézist állítanak fel, hogy a regressziós együttható nullával egyenlő, azaz. b = 0, és ezért a tényező X nem befolyásolja az eredményt u.
Az F-próba azonnali kiszámítását varianciaanalízis előzi meg. A központi helyet egy változó négyzetes eltéréseinek teljes összegének felbontása foglalja el at az átlagértéktől at két részre - „megmagyarázott” és „megmagyarázhatatlan”:
Az eltérések négyzetes összege;
A regresszióval magyarázott eltérés négyzetes összege;
Az eltérések négyzetes maradék összege.
Az eltérések négyzetes összege összefügg a szabadságfokok számával , azaz egy jellemző független variációjának szabadságszámával. A szabadsági fokok száma összefügg a népességegységek számával nés az abból meghatározott állandók számával. A vizsgált probléma kapcsán a szabadsági fokok számának meg kell mutatnia, hogy hány független eltéréstől n adott négyzetösszeg kialakításához szükséges.
Diszperzió szabadsági fokonkéntD.
F-arányok (F-teszt):
Ha a nullhipotézis igaz, akkor a faktor és a maradék szórások nem térnek el egymástól. H 0 esetén cáfolat szükséges, hogy a faktor diszperzió többszörösen haladja meg a maradék diszperziót. Snedekor angol statisztikus kritikus értékek táblázatait dolgozta ki F-relációk a nullhipotézis különböző szignifikanciaszintjein és különböző számú szabadsági fokon. Táblázat értéke F-kritérium a véletlenszerű eltérés esetén előforduló varianciák arányának maximális értéke a nullhipotézis fennállásának adott valószínűségi szintjén. Számított érték F-a kapcsolatok akkor tekinthetők megbízhatónak, ha o nagyobb, mint a táblázat.
Ebben az esetben a jelek közötti kapcsolat hiányára vonatkozó nullhipotézist elvetjük, és következtetést vonunk le ennek a kapcsolatnak a jelentőségéről: F tény > F táblázat H 0 elutasítva.
Ha az érték kisebb, mint a táblázatos F tény ‹, F táblázat, akkor a nullhipotézis valószínűsége magasabb, mint egy meghatározott szint, és nem utasítható el anélkül, hogy komoly kockázatot jelentene annak, hogy rossz következtetést vonunk le a kapcsolat jelenlétéről. Ebben az esetben a regressziós egyenlet statisztikailag jelentéktelennek tekinthető. De nem tér el.
A regressziós együttható standard hibája
A regressziós együttható szignifikanciájának értékeléséhez az értékét összehasonlítják a standard hibájával, azaz meghatározzák a tényleges értéket t-Student's t-próba: amelyet ezután egy bizonyos szignifikanciaszinten és bizonyos számú szabadsági fokon összehasonlítanak a táblázat értékével ( n- 2).
Normál paraméter hiba A:
A lineáris korrelációs együttható jelentőségét a hiba nagysága alapján ellenőrizzük korrelációs együttható t r:
Teljes tulajdonságvariancia X:
Többszörös lineáris regresszió
Modellépítés
Többszörös regresszió egy effektív jellemző regresszióját reprezentálja két vagy több tényezővel, azaz a forma modelljét
A regresszió jó eredményeket adhat a modellezésben, ha a vizsgált tárgyat befolyásoló egyéb tényezők hatását figyelmen kívül hagyjuk. Az egyes gazdasági változók viselkedése nem kontrollálható, azaz nem biztosítható az összes többi feltétel egyenlősége egy vizsgált tényező hatásának értékeléséhez. Ebben az esetben meg kell próbálnia azonosítani más tényezők hatását úgy, hogy bevezeti őket a modellbe, azaz állítson össze egy többszörös regressziós egyenletet: y = a+b 1 x 1 +b 2 +…+b p x p + .
A többszörös regresszió fő célja egy nagyszámú faktorral rendelkező modell felépítése, miközben mindegyikük hatását külön-külön, valamint a modellezett mutatóra gyakorolt együttes hatását határozzuk meg. A modell specifikációja két kérdéskört foglal magában: a tényezők kiválasztását és a regressziós egyenlet típusának megválasztását.
