Kuris randa plačiausią pritaikymą įvairiose mokslo ir praktinės veiklos srityse. Tai gali būti fizika, chemija, biologija, ekonomika, sociologija, psichologija ir t. t. ir taip toliau. Likimo valia man dažnai tenka susidurti su ekonomika, todėl šiandien surengsiu jums kelionę į nuostabią šalį, vadinamą Ekonometrija=) ...Kaip to nenorėti?! Ten labai gerai – tereikia apsispręsti! ...Bet ko jūs tikriausiai tikrai norite, tai išmokti spręsti problemas mažiausių kvadratų metodas. O ypač stropūs skaitytojai išmoks juos išspręsti ne tik tiksliai, bet ir LABAI GREITAI ;-) Bet pirmiausia bendras problemos išdėstymas+ pridedamas pavyzdys:
Panagrinėkime tam tikros dalykinės srities rodiklius, kurie turi kiekybinę išraišką. Tuo pačiu yra pagrindo manyti, kad rodiklis priklauso nuo rodiklio. Ši prielaida gali būti mokslinė hipotezė arba pagrįsta sveiku protu. Tačiau palikime mokslą nuošalyje ir tyrinėkime patrauklesnes sritis – būtent bakalėjos parduotuves. Pažymėkime taip:
– maisto prekių parduotuvės mažmeninis plotas, kv.m.
– maisto prekių parduotuvės metinė apyvarta, milijonai rublių.
Visiškai aišku, kad kuo didesnis parduotuvės plotas, tuo dažniausiai jos apyvarta bus didesnė.
Tarkime, kad atlikę stebėjimus/eksperimentus/skaičiavimus/šokius su tamburinu turime skaitinius duomenis: 
Su bakalėjos parduotuvėmis, manau, viskas aišku: - tai 1-os parduotuvės plotas, - jos metinė apyvarta, - 2-osios parduotuvės plotas, - jos metinė apyvarta ir t.t. Beje, prieiti prie įslaptintos medžiagos visai nebūtina – gana tikslų prekybos apyvartos įvertinimą galima gauti naudojant matematinė statistika. Tačiau nesiblaškykime, komercinio šnipinėjimo kursai jau mokami =)
Lentelės duomenys taip pat gali būti parašyti taškų forma ir pavaizduoti pažįstama forma Dekarto sistema .
Atsakykime į svarbų klausimą: Kiek balų reikia kokybiniam tyrimui?
Kuo daugiau, tuo geriau. Minimalus priimtinas rinkinys susideda iš 5-6 taškų. Be to, kai duomenų kiekis mažas, „anomalių“ rezultatų negalima įtraukti į imtį. Taigi, pavyzdžiui, nedidelė elito parduotuvė gali uždirbti daug daugiau nei „jos kolegos“, taip iškraipydami bendrą modelį, kurį turite rasti!
Kalbant labai paprastai, turime pasirinkti funkciją, tvarkaraštį kuri eina kuo arčiau taškų 
. Ši funkcija vadinama apytikslis
(apytikslis - apytikslis) arba teorinė funkcija
. Paprastai tariant, čia iš karto atsiranda akivaizdus „pretendentas“ - aukšto laipsnio daugianario, kurio grafikas eina per VISUS taškus. Tačiau ši parinktis yra sudėtinga ir dažnai tiesiog neteisinga. (kadangi grafikas visą laiką bus „kilpas“ ir prastai atspindės pagrindinę tendenciją).
Taigi, ieškoma funkcija turi būti gana paprasta ir tuo pačiu adekvačiai atspindėti priklausomybę. Kaip jau galima spėti, vienas iš būdų rasti tokias funkcijas vadinamas mažiausių kvadratų metodas. Pirmiausia pažvelkime į jo esmę bendrai. Tegul kuri nors funkcija apytiksliai atitinka eksperimentinius duomenis: 
Kaip įvertinti šio aproksimavimo tikslumą? Taip pat apskaičiuokime skirtumus (nukrypimus) tarp eksperimentinių ir funkcinių verčių (mes studijuojame piešinį). Pirma mintis, kuri ateina į galvą, yra įvertinti, kokia yra suma, bet problema ta, kad skirtumai gali būti neigiami (Pavyzdžiui, 
)
ir nukrypimai dėl tokio sumavimo panaikins vienas kitą. Todėl, norint įvertinti aproksimacijos tikslumą, reikia paimti sumą moduliai nukrypimai:
arba sugriuvo: (jei kas nors nežino: – tai sumos piktograma ir – pagalbinis „skaitiklio“ kintamasis, kurio reikšmės yra nuo 1 iki ).
Aproksimuodami eksperimentinius taškus su skirtingomis funkcijomis gausime skirtingas reikšmes, ir akivaizdu, kad ten, kur ši suma mažesnė, ta funkcija yra tikslesnė.
Toks metodas egzistuoja ir jis vadinamas mažiausio modulio metodas. Tačiau praktikoje jis tapo daug plačiau paplitęs mažiausių kvadratų metodas, kuriame galimos neigiamos reikšmės pašalinamos ne moduliu, o nukrypimų kvadratu:
, po to stengiamasi parinkti tokią funkciją, kad nuokrypių kvadratų suma 
buvo kuo mažesnis. Tiesą sakant, iš čia ir kilęs metodo pavadinimas.
Ir dabar grįžtame prie kito svarbaus dalyko: kaip minėta aukščiau, pasirinkta funkcija turėtų būti gana paprasta, tačiau tokių funkcijų taip pat yra daug: linijinis , hiperbolinis, eksponentinis, logaritminis, kvadratinis ir tt Ir, žinoma, čia aš iš karto norėčiau „sumažinti veiklos sritį“. Kurią funkcijų klasę turėčiau pasirinkti tyrimui? Primityvi, bet efektyvi technika:
– Lengviausia vaizduoti taškus 
brėžinyje ir išanalizuokite jų vietą. Jei jie linkę važiuoti tiesia linija, tuomet turėtumėte ieškoti tiesės lygtis 
su optimaliomis reikšmėmis ir . Kitaip tariant, užduotis yra rasti TOKIUS koeficientus, kad kvadratinių nuokrypių suma būtų mažiausia.
Jei taškai yra, pavyzdžiui, išilgai hiperbolė, tada akivaizdu, kad tiesinė funkcija duos prastą aproksimaciją. Šiuo atveju mes ieškome „palankiausių“ hiperbolės lygties koeficientų 
– tie, kurie duoda mažiausią kvadratų sumą 
.
Dabar atkreipkite dėmesį, kad abiem atvejais mes kalbame apie dviejų kintamųjų funkcijos, kurio argumentai yra ieškojo priklausomybės parametrų:
Ir iš esmės turime išspręsti standartinę problemą – rasti minimali dviejų kintamųjų funkcija.
Prisiminkime mūsų pavyzdį: tarkime, kad „parduotuvės“ taškai paprastai yra tiesioje linijoje ir yra pagrindo manyti, kad tiesinė priklausomybė apyvartos iš prekybos ploto. Raskime TOKIUS koeficientus „a“ ir „būti“ tokius, kad nuokrypių kvadratų suma 
buvo mažiausias. Viskas kaip įprasta – pirma 1 eilės daliniai išvestiniai. Pagal tiesiškumo taisyklė Galite atskirti tiesiai po sumos piktograma: 
Jei norite šią informaciją panaudoti rašiniui ar kursiniam darbui, būsiu labai dėkingas už nuorodą šaltinių sąraše, tokių detalių skaičiavimų rasite keliose vietose: 
Sukurkime standartinę sistemą: 
Kiekvieną lygtį sumažiname „dviem“ ir, be to, „išskaidome“ sumas: 
Pastaba
: savarankiškai analizuokite, kodėl „a“ ir „be“ galima išimti už sumos piktogramos. Beje, formaliai tai galima padaryti su suma
Perrašykime sistemą „taikoma“ forma: 
po kurio pradeda ryškėti mūsų problemos sprendimo algoritmas:
Ar žinome taškų koordinates? Mes žinome. Sumos 
ar galime rasti? Lengvai. Padarykime paprasčiausią dviejų tiesinių lygčių sistema dviejuose nežinomuosiuose(„a“ ir „būti“). Mes išsprendžiame sistemą, pvz. Cramerio metodas, ko pasekoje gauname stacionarų tašką. Tikrinama pakankama sąlyga ekstremumui, galime patikrinti, ar šiuo metu funkcija 
pasiekia tiksliai minimumas. Patikrinimas apima papildomus skaičiavimus, todėl paliksime jį užkulisiuose (jei reikia, trūkstamą kadrą galima peržiūrėti). Padarome galutinę išvadą:
Funkcija 
geriausiu įmanomu būdu (bent jau lyginant su bet kuria kita tiesine funkcija) priartina eksperimentinius taškus 
. Grubiai tariant, jo grafikas eina kuo arčiau šių taškų. Pagal tradiciją ekonometrija taip pat vadinama gauta aproksimacinė funkcija suporuota tiesinės regresijos lygtis
.
Nagrinėjama problema turi didelę praktinę reikšmę. Mūsų pavyzdinėje situacijoje Eq. 
leidžia numatyti, kokia prekybos apyvarta („Igrek“) parduotuvė turės vienokią ar kitokią prekybos ploto vertę (viena ar kita „x“ reikšmė). Taip, gauta prognozė bus tik prognozė, tačiau daugeliu atvejų ji pasirodys gana tiksli.
Išanalizuosiu tik vieną problemą su „tikraisiais“ skaičiais, nes joje nėra jokių sunkumų - visi skaičiavimai yra 7-8 klasių mokyklos mokymo programos lygyje. 95 procentais atvejų jūsų bus paprašyta rasti tiesiog tiesinę funkciją, tačiau pačioje straipsnio pabaigoje parodysiu, kad optimalios hiperbolės, eksponentinės ir kai kurių kitų funkcijų lygtis rasti nėra sunkiau.
Tiesą sakant, belieka išdalinti žadėtas gėrybes – kad tokius pavyzdžius išmoktumėte spręsti ne tik tiksliai, bet ir greitai. Atidžiai studijuojame standartą:
Užduotis
Ištyrus ryšį tarp dviejų rodiklių, gautos šios skaičių poros: 
Naudodami mažiausių kvadratų metodą, raskite tiesinę funkciją, kuri geriausiai atitinka empirinę funkciją (patyręs) duomenis. Padarykite brėžinį, ant kurio bus sukurti eksperimentiniai taškai, ir aproksimacinės funkcijos grafiką Dekarto stačiakampėje koordinačių sistemoje 
. Raskite kvadratinių nuokrypių tarp empirinių ir teorinių verčių sumą. Sužinokite, ar ši funkcija būtų geresnė (mažiausių kvadratų metodo požiūriu) priartinti eksperimentinius taškus.
Atkreipkite dėmesį, kad „x“ reikšmės yra natūralios, ir tai turi būdingą prasmingą reikšmę, apie kurią pakalbėsiu šiek tiek vėliau; bet jie, žinoma, gali būti ir trupmeniniai. Be to, atsižvelgiant į konkrečios užduoties turinį, „X“ ir „žaidimo“ reikšmės gali būti visiškai arba iš dalies neigiamos. Na, mums buvo duota „beveidė“ užduotis, ir mes ją pradedame sprendimas:
Kaip sistemos sprendimą randame optimalios funkcijos koeficientus: 
Siekiant kompaktiškesnio įrašymo, „skaitiklio“ kintamąjį galima praleisti, nes jau aišku, kad sumavimas atliekamas nuo 1 iki .
Patogiau reikiamas sumas apskaičiuoti lentelės forma: 
Skaičiavimai gali būti atliekami naudojant mikroskaičiuotuvą, tačiau daug geriau naudoti „Excel“ - tiek greičiau, tiek be klaidų; žiūrėkite trumpą vaizdo įrašą:
Taigi gauname štai ką sistema:
Čia galite padauginti antrą lygtį iš 3 ir iš 1-osios lygties atimkite 2-ąjį dėmenį. Bet tai yra sėkmė – praktikoje sistemos dažnai nėra dovana, ir tokiais atvejais tai gelbsti Cramerio metodas:
, o tai reiškia, kad sistema turi unikalų sprendimą.
Patikrinkim. Suprantu, kad nenorite, bet kam praleisti klaidas, kuriose jų visiškai negalima praleisti? Rastą sprendimą pakeisime kiekvienos sistemos lygties kairėje pusėje:
Gaunamos atitinkamų lygčių dešinės pusės, vadinasi, sistema išspręsta teisingai.
Taigi norima aproksimacinė funkcija: – nuo visos tiesinės funkcijos Būtent ji geriausiai atitinka eksperimentinius duomenis.
Skirtingai nei tiesioginis
parduotuvės apyvartos priklausomybė nuo jos ploto, nustatyta priklausomybė yra atvirkščiai
(principas „kuo daugiau, tuo mažiau“), ir šį faktą iš karto atskleidžia neigiamas nuolydis. Funkcija 
nurodo, kad padidėjus tam tikram rodikliui 1 vienetu, priklausomo rodiklio reikšmė mažėja vidutiniškai 0,65 vnt. Kaip sakoma, kuo didesnė grikių kaina, tuo jų parduodama mažiau.
Norėdami nubraižyti aproksimacinės funkcijos grafiką, randame dvi jos reikšmes:
ir atlikite piešinį: 
Sukonstruota tiesė vadinama tendencijų linija
(būtent linijinė tendencijos linija, t. y. bendruoju atveju tendencija nebūtinai yra tiesi linija). Visi žino posakį „būti tendencijoje“ ir manau, kad šiam terminui papildomų komentarų nereikia.
Apskaičiuokime kvadratinių nuokrypių sumą 
tarp empirinių ir teorinių vertybių. Geometriškai tai yra „avietės“ atkarpų ilgių kvadratų suma (iš kurių du tokie maži, kad net nesimato).
Apibendrinkime skaičiavimus lentelėje: 
Vėlgi, juos galima atlikti rankiniu būdu, pateiksiu pavyzdį 1 punktui: 
bet daug efektyviau tai padaryti jau žinomu būdu:
Dar kartą kartojame: Kokia gauto rezultato prasmė? Nuo visos tiesinės funkcijos y funkcija 
rodiklis yra mažiausias, tai yra, jo šeimoje jis yra geriausias apytikslis. Ir čia, beje, galutinis problemos klausimas neatsitiktinis: o jeigu siūloma eksponentinė funkcija 
ar geriau būtų priartinti eksperimentinius taškus?
Raskime atitinkamą kvadratinių nuokrypių sumą - kad atskirtumėte, pažymėsiu juos raide „epsilon“. Technika lygiai tokia pati: 
Ir vėl, tik tuo atveju, 1 taško skaičiavimai: 
„Excel“ programoje naudojame standartinę funkciją EXP (sintaksę galite rasti „Excel“ žinyne).
Išvada: , o tai reiškia, kad eksponentinė funkcija eksperimentinius taškus aproksimuoja blogiau nei tiesė 
.
Tačiau čia reikia pažymėti, kad „blogiau“. dar nereiškia, kas yra blogai. Dabar sukūriau šios eksponentinės funkcijos grafiką – ji taip pat eina arti taškų 
– tiek, kad be analitinio tyrimo sunku pasakyti, kuri funkcija tikslesnė.
Tai užbaigia sprendimą, ir aš grįžtu prie ginčo gamtinių vertybių klausimo. Įvairiuose tyrimuose, dažniausiai ekonominiuose ar sociologiniuose, natūralūs „X“ naudojami mėnesiams, metams ar kitiems vienodiems laiko intervalams skaičiuoti. Apsvarstykite, pavyzdžiui, šią problemą.
Pavyzdys.
Eksperimentiniai duomenys apie kintamųjų reikšmes X Ir adresu pateikiami lentelėje.
Dėl jų išlyginimo gaunama funkcija
Naudojant mažiausių kvadratų metodas, apytiksliai apskaičiuokite šiuos duomenis tiesine priklausomybe y=kirvis+b(raskite parametrus A Ir b). Sužinokite, kuri iš dviejų eilučių geriau (mažiausių kvadratų metodo prasme) suderina eksperimentinius duomenis. Padarykite piešinį.
Mažiausių kvadratų metodo (LSM) esmė.
>Užduotis – rasti tiesinės priklausomybės koeficientus, kuriems esant veikia dviejų kintamųjų funkcija A Ir b užima mažiausią vertę. Tai yra, duota A Ir b eksperimentinių duomenų nuokrypių kvadratu suma nuo rastos tiesės bus mažiausia. Tai yra mažiausių kvadratų metodo esmė.
Taigi, sprendžiant pavyzdį, reikia rasti dviejų kintamųjų funkcijos ekstremumą.
Koeficientų radimo formulės.
>Sudaroma ir išsprendžiama dviejų lygčių su dviem nežinomaisiais sistema. Funkcijos dalinių išvestinių kintamųjų atžvilgiu radimas A Ir b, šias išvestines prilyginsime nuliui.
Gautą lygčių sistemą išsprendžiame naudodami bet kurį metodą (pvz pakeitimo būdu arba ) ir gauti koeficientų radimo formules naudojant mažiausiųjų kvadratų metodą (LSM).
Duota A Ir b funkcija užima mažiausią vertę. Pateikiamas šio fakto įrodymas.
Tai visas mažiausių kvadratų metodas. Parametrų radimo formulė a yra sumos , , , ir parametras n- eksperimentinių duomenų kiekis. Rekomenduojame šių sumų vertes skaičiuoti atskirai. Koeficientas b rasta po skaičiavimo a.
Atėjo laikas prisiminti originalų pavyzdį.
Sprendimas.
Mūsų pavyzdyje n=5. Lentelę užpildome, kad būtų patogiau apskaičiuoti sumas, kurios įtrauktos į reikalingų koeficientų formules.
Ketvirtoje lentelės eilutėje esančios reikšmės gaunamos 2-os eilutės reikšmes padauginus iš 3-osios kiekvieno skaičiaus reikšmių i.
Penktoje lentelės eilutėje esančios reikšmės gaunamos padalijus kiekvieno skaičiaus 2-os eilutės reikšmes kvadratu i.
Paskutiniame lentelės stulpelyje esančios reikšmės yra reikšmių visose eilutėse sumos.
Koeficientams rasti naudojame mažiausių kvadratų metodo formules A Ir b. Į jas pakeičiame atitinkamas vertes iš paskutinio lentelės stulpelio:
Vadinasi, y = 0,165x+2,184- norima apytikslė tiesi linija.
Belieka išsiaiškinti, kuri iš eilučių y = 0,165x+2,184 arba geriau apytiksliai atitinka pradinius duomenis, tai yra įvertinimus naudojant mažiausių kvadratų metodą.
Mažiausių kvadratų metodo klaidų įvertinimas.
>Norėdami tai padaryti, turite apskaičiuoti pirminių duomenų kvadratinių nuokrypių nuo šių eilučių sumą Ir , mažesnė reikšmė atitinka liniją, kuri geriau apytiksliai atitinka pradinius duomenis mažiausiųjų kvadratų metodo prasme.
Nuo tada tiesiai y = 0,165x+2,184 geriau atitinka pradinius duomenis.
Mažiausių kvadratų (LS) metodo grafinė iliustracija.
>Grafikuose viskas aiškiai matosi. Raudona linija yra rasta tiesi linija y = 0,165x+2,184, mėlyna linija yra , rožiniai taškai yra pirminiai duomenys.
Kam to reikia, kam visi šie aproksimacijos?
Aš asmeniškai naudoju jį duomenų išlyginimo, interpoliacijos ir ekstrapoliacijos problemoms spręsti (pradiniame pavyzdyje jų gali būti paprašyta rasti stebimos reikšmės reikšmę y adresu x=3 arba kada x=6 naudojant mažiausių kvadratų metodą). Tačiau daugiau apie tai pakalbėsime vėliau kitoje svetainės skiltyje.
Įrodymas.
Taip kad radus A Ir b funkcija įgauna mažiausią reikšmę, būtina, kad šioje vietoje funkcijos antros eilės diferencialo kvadratinės formos matrica buvo teigiamas. Parodykime.
Antrosios eilės skirtumas turi tokią formą:
Tai yra
Todėl kvadratinės formos matrica turi formą
ir elementų reikšmės nepriklauso A Ir b.
Parodykime, kad matrica yra teigiama apibrėžtoji. Norėdami tai padaryti, kampiniai nepilnamečiai turi būti teigiami.
Pirmos eilės kampinis minoras . Nelygybė yra griežta, nes taškai nesutampa. Toliau mes tai pasakysime.
Antros eilės kampinis minoras
Įrodykime tai matematinės indukcijos metodu.
Išvada: rastos vertės A Ir b atitinka mažiausią funkcijos reikšmę , todėl mažiausių kvadratų metodui reikalingi parametrai.
Mažiausių kvadratų metodas
Paskutinėje temos pamokoje susipažinsime su garsiausia programa FNP, kuris randa plačiausią pritaikymą įvairiose mokslo ir praktinės veiklos srityse. Tai gali būti fizika, chemija, biologija, ekonomika, sociologija, psichologija ir t. t. ir taip toliau. Likimo valia man dažnai tenka susidurti su ekonomika, todėl šiandien surengsiu jums kelionę į nuostabią šalį, vadinamą Ekonometrija=) ...Kaip to nenorėti?! Ten labai gerai – tereikia apsispręsti! ...Bet ko jūs tikriausiai tikrai norite, tai išmokti spręsti problemas mažiausių kvadratų metodas. O ypač stropūs skaitytojai išmoks juos išspręsti ne tik tiksliai, bet ir LABAI GREITAI ;-) Bet pirmiausia bendras problemos išdėstymas+ pridedamas pavyzdys:
Panagrinėkime tam tikros dalykinės srities rodiklius, kurie turi kiekybinę išraišką. Tuo pačiu yra pagrindo manyti, kad rodiklis priklauso nuo rodiklio. Ši prielaida gali būti mokslinė hipotezė arba pagrįsta sveiku protu. Tačiau palikime mokslą nuošalyje ir tyrinėkime patrauklesnes sritis – būtent bakalėjos parduotuves. Pažymėkime taip:
– maisto prekių parduotuvės mažmeninis plotas, kv.m.
– maisto prekių parduotuvės metinė apyvarta, milijonai rublių.
Visiškai aišku, kad kuo didesnis parduotuvės plotas, tuo dažniausiai jos apyvarta bus didesnė.
Tarkime, kad atlikę stebėjimus/eksperimentus/skaičiavimus/šokius su tamburinu turime skaitinius duomenis: 
Su bakalėjos parduotuvėmis, manau, viskas aišku: - tai 1-os parduotuvės plotas, - jos metinė apyvarta, - 2-osios parduotuvės plotas, - jos metinė apyvarta ir t.t. Beje, prieiti prie įslaptintos medžiagos visai nebūtina – gana tikslų prekybos apyvartos įvertinimą galima gauti naudojant matematinė statistika. Tačiau nesiblaškykime, komercinio šnipinėjimo kursai jau mokami =)
Lentelės duomenys taip pat gali būti parašyti taškų forma ir pavaizduoti pažįstama forma Dekarto sistema .
Atsakykime į svarbų klausimą: Kiek balų reikia kokybiniam tyrimui?
Kuo daugiau, tuo geriau. Minimalus priimtinas rinkinys susideda iš 5-6 taškų. Be to, kai duomenų kiekis mažas, „anomalių“ rezultatų negalima įtraukti į imtį. Taigi, pavyzdžiui, nedidelė elito parduotuvė gali uždirbti daug daugiau nei „jos kolegos“, taip iškraipydami bendrą modelį, kurį turite rasti!
Kalbant labai paprastai, turime pasirinkti funkciją, tvarkaraštį kuri eina kuo arčiau taškų 
. Ši funkcija vadinama apytikslis
(apytikslis - apytikslis) arba teorinė funkcija
. Paprastai tariant, čia iš karto atsiranda akivaizdus „pretendentas“ - aukšto laipsnio daugianario, kurio grafikas eina per VISUS taškus. Tačiau ši parinktis yra sudėtinga ir dažnai tiesiog neteisinga. (kadangi grafikas visą laiką bus „kilpas“ ir prastai atspindės pagrindinę tendenciją).
Taigi, ieškoma funkcija turi būti gana paprasta ir tuo pačiu adekvačiai atspindėti priklausomybę. Kaip jau galima spėti, vienas iš būdų rasti tokias funkcijas vadinamas mažiausių kvadratų metodas. Pirmiausia pažvelkime į jo esmę bendrai. Tegul kuri nors funkcija apytiksliai atitinka eksperimentinius duomenis: 
Kaip įvertinti šio aproksimavimo tikslumą? Taip pat apskaičiuokime skirtumus (nukrypimus) tarp eksperimentinių ir funkcinių verčių (mes studijuojame piešinį). Pirma mintis, kuri ateina į galvą, yra įvertinti, kokia yra suma, bet problema ta, kad skirtumai gali būti neigiami (Pavyzdžiui, 
)
ir nukrypimai dėl tokio sumavimo panaikins vienas kitą. Todėl, norint įvertinti aproksimacijos tikslumą, reikia paimti sumą moduliai nukrypimai:
arba sugriuvo: (jei kas nežinotų:
yra sumos piktograma ir
– pagalbinis „skaitiklio“ kintamasis, kurio reikšmės yra nuo 1 iki
)
.
Aproksimuodami eksperimentinius taškus su skirtingomis funkcijomis gausime skirtingas reikšmes, ir akivaizdu, kad ten, kur ši suma mažesnė, ta funkcija yra tikslesnė.
Toks metodas egzistuoja ir jis vadinamas mažiausio modulio metodas. Tačiau praktikoje jis tapo daug plačiau paplitęs mažiausių kvadratų metodas, kuriame galimos neigiamos reikšmės pašalinamos ne moduliu, o nukrypimų kvadratu:
, po to stengiamasi parinkti tokią funkciją, kuri atitiktų kvadratinių nuokrypių sumą 
buvo kuo mažesnis. Tiesą sakant, iš čia ir kilęs metodo pavadinimas.
Ir dabar grįžtame prie kito svarbaus dalyko: kaip minėta aukščiau, pasirinkta funkcija turėtų būti gana paprasta, tačiau tokių funkcijų taip pat yra daug: linijinis , hiperbolinis , eksponentinis , logaritminis , kvadratinis ir tt Ir, žinoma, čia aš iš karto norėčiau „sumažinti veiklos sritį“. Kurią funkcijų klasę turėčiau pasirinkti tyrimui? Primityvi, bet efektyvi technika:
– Lengviausia vaizduoti taškus brėžinyje ir išanalizuokite jų vietą. Jei jie linkę važiuoti tiesia linija, tuomet turėtumėte ieškoti tiesės lygtis 
su optimaliomis reikšmėmis ir . Kitaip tariant, užduotis yra rasti TOKIUS koeficientus, kad kvadratinių nuokrypių suma būtų mažiausia.
Jei taškai yra, pavyzdžiui, išilgai hiperbolė, tada akivaizdu, kad tiesinė funkcija duos prastą aproksimaciją. Šiuo atveju mes ieškome „palankiausių“ hiperbolės lygties koeficientų 
– tie, kurie duoda mažiausią kvadratų sumą 
.
Dabar atkreipkite dėmesį, kad abiem atvejais mes kalbame apie dviejų kintamųjų funkcijos, kurio argumentai yra ieškojo priklausomybės parametrų:
Ir iš esmės turime išspręsti standartinę problemą – rasti minimali dviejų kintamųjų funkcija.
Prisiminkime mūsų pavyzdį: tarkime, kad „parduotuvės“ taškai paprastai yra tiesioje linijoje ir yra pagrindo manyti, kad tiesinė priklausomybė apyvartos iš prekybos ploto. Raskime TOKIUS koeficientus „a“ ir „būti“ tokius, kad nuokrypių kvadratų suma 
buvo mažiausias. Viskas kaip įprasta – pirma 1 eilės daliniai išvestiniai. Pagal tiesiškumo taisyklė Galite atskirti tiesiai po sumos piktograma: 
Jei norite šią informaciją panaudoti rašiniui ar kursiniam darbui, būsiu labai dėkingas už nuorodą šaltinių sąraše, tokių detalių skaičiavimų rasite keliose vietose: 
Sukurkime standartinę sistemą: 
Kiekvieną lygtį sumažiname „dviem“ ir, be to, „išskaidome“ sumas: 
Pastaba
: savarankiškai analizuokite, kodėl „a“ ir „be“ galima išimti už sumos piktogramos. Beje, formaliai tai galima padaryti su suma 
Perrašykime sistemą „taikoma“ forma: 
po kurio pradeda ryškėti mūsų problemos sprendimo algoritmas:
Ar žinome taškų koordinates? Mes žinome. Sumos 
ar galime rasti? Lengvai. Padarykime paprasčiausią dviejų tiesinių lygčių sistema dviejuose nežinomuosiuose(„a“ ir „būti“). Mes išsprendžiame sistemą, pvz. Cramerio metodas, ko pasekoje gauname stacionarų tašką. Tikrinama pakankama sąlyga ekstremumui, galime patikrinti, ar šiuo metu funkcija 
pasiekia tiksliai minimumas. Patikrinimas apima papildomus skaičiavimus, todėl paliksime jį užkulisiuose (jei reikia, trūkstamą kadrą galima peržiūrėtiČia
)
. Padarome galutinę išvadą:
Funkcija 
geriausiu įmanomu būdu (bent jau lyginant su bet kuria kita tiesine funkcija) priartina eksperimentinius taškus . Grubiai tariant, jo grafikas eina kuo arčiau šių taškų. Pagal tradiciją ekonometrija taip pat vadinama gauta aproksimacinė funkcija suporuota tiesinės regresijos lygtis
.
Nagrinėjama problema turi didelę praktinę reikšmę. Mūsų pavyzdinėje situacijoje Eq. leidžia numatyti, kokia prekybos apyvarta („Igrek“) parduotuvė turės vienokią ar kitokią prekybos ploto vertę (viena ar kita „x“ reikšmė). Taip, gauta prognozė bus tik prognozė, tačiau daugeliu atvejų ji pasirodys gana tiksli.
Išanalizuosiu tik vieną problemą su „tikraisiais“ skaičiais, nes joje nėra jokių sunkumų - visi skaičiavimai yra 7-8 klasių mokyklos mokymo programos lygyje. 95 procentais atvejų jūsų bus paprašyta rasti tiesiog tiesinę funkciją, tačiau pačioje straipsnio pabaigoje parodysiu, kad optimalios hiperbolės, eksponentinės ir kai kurių kitų funkcijų lygtis rasti nėra sunkiau.
Tiesą sakant, belieka išdalinti žadėtas gėrybes – kad tokius pavyzdžius išmoktumėte spręsti ne tik tiksliai, bet ir greitai. Atidžiai studijuojame standartą:
Užduotis
Ištyrus ryšį tarp dviejų rodiklių, gautos šios skaičių poros: 
Naudodami mažiausių kvadratų metodą, raskite tiesinę funkciją, kuri geriausiai atitinka empirinę funkciją (patyręs) duomenis. Padarykite brėžinį, ant kurio bus sukurti eksperimentiniai taškai, ir aproksimacinės funkcijos grafiką Dekarto stačiakampėje koordinačių sistemoje 
. Raskite empirinių ir teorinių reikšmių nuokrypių kvadratų sumą. Sužinokite, ar ši funkcija būtų geresnė (mažiausių kvadratų metodo požiūriu) priartinti eksperimentinius taškus.
Atkreipkite dėmesį, kad „x“ reikšmės yra natūralios, ir tai turi būdingą prasmingą reikšmę, apie kurią pakalbėsiu šiek tiek vėliau; bet jie, žinoma, gali būti ir trupmeniniai. Be to, atsižvelgiant į konkrečios užduoties turinį, „X“ ir „žaidimo“ reikšmės gali būti visiškai arba iš dalies neigiamos. Na, mums buvo duota „beveidė“ užduotis, ir mes ją pradedame sprendimas:
Kaip sistemos sprendimą randame optimalios funkcijos koeficientus: 
Siekiant kompaktiškesnio įrašymo, „skaitiklio“ kintamąjį galima praleisti, nes jau aišku, kad sumavimas atliekamas nuo 1 iki .
Patogiau reikiamas sumas apskaičiuoti lentelės forma: 
Skaičiavimai gali būti atliekami naudojant mikroskaičiuotuvą, tačiau daug geriau naudoti „Excel“ - tiek greičiau, tiek be klaidų; žiūrėkite trumpą vaizdo įrašą:
Taigi gauname štai ką sistema:
Čia galite padauginti antrą lygtį iš 3 ir iš 1-osios lygties atimkite 2-ąjį dėmenį. Bet tai yra sėkmė – praktikoje sistemos dažnai nėra dovana, ir tokiais atvejais tai gelbsti Cramerio metodas:
, o tai reiškia, kad sistema turi unikalų sprendimą.
Patikrinkim. Suprantu, kad nenorite, bet kam praleisti klaidas, kuriose jų visiškai negalima praleisti? Rastą sprendimą pakeisime kiekvienos sistemos lygties kairėje pusėje:
Gaunamos atitinkamų lygčių dešinės pusės, vadinasi, sistema išspręsta teisingai.
Taigi norima aproksimacinė funkcija: – nuo visos tiesinės funkcijos Būtent ji geriausiai atitinka eksperimentinius duomenis.
Skirtingai nei tiesioginis
parduotuvės apyvartos priklausomybė nuo jos ploto, nustatyta priklausomybė yra atvirkščiai
(principas „kuo daugiau, tuo mažiau“), ir šį faktą iš karto atskleidžia neigiamas nuolydis. Funkcija 
nurodo, kad padidėjus tam tikram rodikliui 1 vienetu, priklausomo rodiklio reikšmė mažėja vidutiniškai 0,65 vnt. Kaip sakoma, kuo didesnė grikių kaina, tuo jų parduodama mažiau.
Norėdami nubraižyti aproksimacinės funkcijos grafiką, randame dvi jos reikšmes:
ir atlikite piešinį: 
Sukonstruota tiesė vadinama tendencijų linija
(būtent linijinė tendencijos linija, t. y. bendruoju atveju tendencija nebūtinai yra tiesi linija). Visi žino posakį „būti tendencijoje“ ir manau, kad šiam terminui papildomų komentarų nereikia.
Apskaičiuokime kvadratinių nuokrypių sumą 
tarp empirinių ir teorinių vertybių. Geometriškai tai yra „avietės“ atkarpų ilgių kvadratų suma (iš kurių du tokie maži, kad net nesimato).
Apibendrinkime skaičiavimus lentelėje: 
Juos vėlgi galima atlikti rankiniu būdu, pateiksiu pavyzdį 1 punktui: 
bet daug efektyviau tai padaryti jau žinomu būdu:
Dar kartą kartojame: Kokia gauto rezultato prasmė? Nuo visos tiesinės funkcijos y funkcija rodiklis yra mažiausias, tai yra, jo šeimoje jis yra geriausias apytikslis. Ir čia, beje, galutinis problemos klausimas neatsitiktinis: o jeigu siūloma eksponentinė funkcija 
ar geriau būtų priartinti eksperimentinius taškus?
Raskime atitinkamą kvadratinių nuokrypių sumą - kad atskirtumėte, pažymėsiu juos raide „epsilon“. Technika lygiai tokia pati: 
Ir vėl, tik tuo atveju, 1 taško skaičiavimai: 
„Excel“ programoje naudojame standartinę funkciją EXP (sintaksę galite rasti „Excel“ žinyne).
Išvada: , o tai reiškia, kad eksponentinė funkcija eksperimentinius taškus aproksimuoja blogiau nei tiesė .
Tačiau čia reikia pažymėti, kad „blogiau“. dar nereiškia, kas yra blogai. Dabar sukūriau šios eksponentinės funkcijos grafiką – ji taip pat eina arti taškų 
– tiek, kad be analitinio tyrimo sunku pasakyti, kuri funkcija tikslesnė.
Tai užbaigia sprendimą, ir aš grįžtu prie ginčo gamtinių vertybių klausimo. Įvairiuose tyrimuose, dažniausiai ekonominiuose ar sociologiniuose, natūralūs „X“ naudojami mėnesiams, metams ar kitiems vienodiems laiko intervalams skaičiuoti. Apsvarstykite, pavyzdžiui, šią problemą:
Parduotuvės pirmojo pusmečio mažmeninės prekybos apyvarta pateikiami šie duomenys:
Naudodami analitinį tiesių išlyginimą, nustatykite liepos mėnesio apyvartos apimtį.
Taip, ne bėda: numeruojame mėnesius 1, 2, 3, 4, 5, 6 ir naudojame įprastą algoritmą, ko pasekoje gauname lygtį - vienintelis dalykas, kai kalbama apie laiką, jie dažniausiai naudoja raidė "te" (nors tai nėra kritiška). Iš gautos lygties matyti, kad pirmąjį pusmetį prekybos apyvarta vidutiniškai išaugo 27,74 vnt. per mėnesį. Paimkime liepos mėnesio prognozes (mėn. nr. 7): d.e.
Ir tokių užduočių yra begalė. Norintys gali pasinaudoti papildoma paslauga, būtent mano Excel skaičiuoklė (demo versija), kuris beveik akimirksniu išsprendžia analizuojamą problemą! Yra darbinė programos versija mainais arba už simbolinis mokestis.
Pamokos pabaigoje trumpa informacija apie kai kurių kitų tipų priklausomybių radimą. Tiesą sakant, nėra daug ką pasakyti, nes pagrindinis požiūris ir sprendimo algoritmas išlieka tie patys.
Tarkime, kad eksperimentinių taškų išdėstymas primena hiperbolę. Tada, norėdami rasti geriausios hiperbolės koeficientus, turite rasti funkcijos minimumą - kiekvienas gali atlikti išsamius skaičiavimus ir pasiekti panašią sistemą: 
Formaliu techniniu požiūriu jis gaunamas iš „linijinės“ sistemos 
(žymime žvaigždute)"x" pakeitimas į . Na, o kaip su sumomis? 
apskaičiuokite, po to iki optimalių koeficientų „a“ ir „būti“ po ranka.
Jei yra pagrindo manyti, kad taškai yra išdėstyti pagal logaritminę kreivę, tada norėdami rasti optimalias reikšmes, randame funkcijos minimumą 
. Formaliai sistemoje (*) reikia pakeisti į: 
Atlikdami skaičiavimus programoje „Excel“, naudokite funkciją LN. Prisipažįstu, kad kiekvienam nagrinėjamam atvejui sukurti skaičiuotuvus man nebūtų itin sunku, bet vis tiek būtų geriau, jei skaičiavimus „užprogramuotumėte“ patys. Pamokų vaizdo įrašai padės.
Esant eksponentinei priklausomybei situacija yra šiek tiek sudėtingesnė. Norėdami sumažinti dalyką iki tiesinio dydžio, imame funkcijos logaritmą ir naudojame logaritmo savybės:
Dabar, palyginę gautą funkciją su tiesine funkcija, darome išvadą, kad sistemoje (*) turi būti pakeistas , ir – . Kad būtų patogiau, pažymėkime: 
Atkreipkite dėmesį, kad sistema yra išspręsta atsižvelgiant į ir, todėl, suradę šaknis, turite nepamiršti rasti paties koeficiento.
Priartinti eksperimentinius taškus optimali parabolė 
, reikėtų rasti minimali trijų kintamųjų funkcija 
. Atlikę standartinius veiksmus, gauname „veikia“ sistema:
Taip, žinoma, čia yra daugiau sumų, tačiau naudojant mėgstamą programą nėra jokių sunkumų. Ir galiausiai aš jums pasakysiu, kaip greitai atlikti patikrinimą naudojant „Excel“ ir sukurti norimą tendencijų liniją: sukurti sklaidos diagramą, pele pasirinkti bet kurį tašką. ir dešiniuoju pelės mygtuku spustelėkite parinktį „Pridėti tendencijų liniją“. Tada pasirinkite diagramos tipą ir skirtuke "Parinktys" suaktyvinkite parinktį „Rodyti lygtį diagramoje“. Gerai
Kaip visada, noriu baigti straipsnį gražia fraze ir beveik įvedžiau „Būk tendencija! Tačiau laiku persigalvojo. Ir ne todėl, kad tai būtų stereotipiniai. Nežinau kaip kam, bet visai nenoriu sekti propaguojamomis Amerikos ir ypač Europos tendencijomis =) Todėl linkiu kiekvienam laikytis savo linijos!
http://www.grandars.ru/student/vysshaya-matematika/metod-naimenshih-kvadratov.html
Mažiausių kvadratų metodas yra vienas iš labiausiai paplitusių ir labiausiai išvystytas dėl jo tiesinių ekonometrinių modelių parametrų vertinimo metodų paprastumas ir efektyvumas. Tuo pačiu metu, naudojant jį, reikia laikytis tam tikro atsargumo, nes naudojant jį sukurti modeliai gali neatitikti daugelio savo parametrų kokybės reikalavimų ir dėl to „gerai“ neatspindi proceso raidos modelių. pakankamai.
Išsamiau panagrinėkime tiesinio ekonometrinio modelio parametrų įvertinimo taikant mažiausių kvadratų metodą procedūrą. Tokį modelį apskritai galima pavaizduoti (1.2) lygtimi:
y t = a 0 + a 1 x 1t +...+ a n x nt + ε t.
Pradiniai duomenys vertinant parametrus a 0 , a 1 ,..., a n yra priklausomo kintamojo reikšmių vektorius y= (y 1 , y 2 , ... , y T)" ir nepriklausomų kintamųjų reikšmių matrica
kuriame pirmasis stulpelis, susidedantis iš vienetų, atitinka modelio koeficientą.
Mažiausių kvadratų metodas gavo savo pavadinimą remiantis pagrindiniu principu, kad jo pagrindu gauti parametrų įverčiai turi atitikti: modelio paklaidos kvadratų suma turi būti minimali.
Užduočių sprendimo mažiausių kvadratų metodu pavyzdžiai
2.1 pavyzdys. Prekybos įmonė turi 12 parduotuvių tinklą, informacija apie jų veiklą pateikta lentelėje. 2.1.
Įmonės vadovybė norėtų sužinoti, kaip metinės apyvartos dydis priklauso nuo parduotuvės prekybinio ploto.
2.1 lentelė
| Parduotuvės numeris | Metinė apyvarta, milijonai rublių. | Prekybinis plotas, tūkst.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 |
Sprendimas mažiausių kvadratų metodu. Pažymime tosios parduotuvės metinę apyvartą, milijonus rublių; - parduotuvės prekybinis plotas, tūkst.m2.
2.1 pav. 2.1 pavyzdžio sklaida
Norėdami nustatyti funkcinio ryšio tarp kintamųjų formą ir sukonstruosime sklaidos diagramą (2.1 pav.).
Remiantis sklaidos diagrama, galime daryti išvadą, kad metinė apyvarta teigiamai priklauso nuo prekybos ploto (t. y. y didės didėjant ). Tinkamiausia funkcinio ryšio forma yra linijinis.
Informacija apie tolesnius skaičiavimus pateikta lentelėje. 2.2. Naudodami mažiausių kvadratų metodą, įvertiname tiesinio vieno koeficiento ekonometrinio modelio parametrus
2.2 lentelė
| 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 |
| Vidutinis | 68,29 | 0,89 |
Taigi,
Todėl, prekybiniam plotui padidėjus 1 tūkst. m2, o kitiems rodikliams nesikeičiant, vidutinė metinė apyvarta padidėja 67,8871 mln. rublių.
2.2 pavyzdys.Įmonės vadovybė pastebėjo, kad metinė apyvarta priklauso ne tik nuo parduotuvės prekybos ploto (žr. 2.1 pavyzdį), bet ir nuo vidutinio lankytojų skaičiaus. Atitinkama informacija pateikta lentelėje. 2.3.
2.3 lentelė
Sprendimas. Pažymėkime – vidutinis tosios parduotuvės lankytojų skaičius per dieną, tūkst. žmonių.
Norėdami nustatyti funkcinio ryšio tarp kintamųjų formą ir sukonstruosime sklaidos diagramą (2.2 pav.).
Remiantis sklaida, galime daryti išvadą, kad metinė apyvarta teigiamai priklauso nuo vidutinio lankytojų skaičiaus per dieną (t.y. y didės didėjant ). Funkcinės priklausomybės forma yra tiesinė.
Ryžiai. 2.2. 2.2 pavyzdžio sklaidos diagrama
2.4 lentelė
| 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 |
| Vidutinis | 10,65 |
Apskritai būtina nustatyti dviejų faktorių ekonometrinio modelio parametrus
y t = a 0 + a 1 x 1t + a 2 x 2t + ε t
Informacija, reikalinga tolesniems skaičiavimams, pateikta lentelėje. 2.4.
Įvertinkime tiesinio dviejų faktorių ekonometrinio modelio parametrus mažiausių kvadratų metodu.
Taigi,
Įvertinus koeficientą =61,6583, matyti, kad, esant kitoms sąlygoms, prekybiniam plotui padidėjus 1 tūkst. m 2, metinė apyvarta padidės vidutiniškai 61,6583 mln. rublių.
Koeficiento įvertis = 2,2748 rodo, kad, esant kitoms sąlygoms, didėjant vidutiniam lankytojų skaičiui, tenkančiam 1 tūkst. per dieną, metinė apyvarta padidės vidutiniškai 2,2748 mln.
2.3 pavyzdys. Naudojant lentelėje pateiktą informaciją. 2.2 ir 2.4, įvertinti vienfaktorinio ekonometrinio modelio parametrą
kur yra centrinė parduotuvės metinės apyvartos vertė, milijonai rublių; - t-osios parduotuvės vidutinio dienos lankytojų skaičiaus centre, tūkst. žmonių. (žr. 2.1-2.2 pavyzdžius).
Sprendimas. Papildoma informacija, reikalinga skaičiavimams, pateikta lentelėje. 2.5.
2.5 lentelė
| -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 | |
| Suma | 48,4344 | 431,0566 |
Naudodami (2.35) formulę gauname
Taigi,
http://www.cleverstudents.ru/articles/mnk.html
Pavyzdys.
Eksperimentiniai duomenys apie kintamųjų reikšmes X Ir adresu pateikiami lentelėje. 
Dėl jų išlyginimo gaunama funkcija 
Naudojant mažiausių kvadratų metodas, apytiksliai apskaičiuokite šiuos duomenis tiesine priklausomybe y=kirvis+b(raskite parametrus A Ir b). Sužinokite, kuri iš dviejų eilučių geriau (mažiausių kvadratų metodo prasme) suderina eksperimentinius duomenis. Padarykite piešinį.
Sprendimas.
Mūsų pavyzdyje n=5. Lentelę užpildome, kad būtų patogiau apskaičiuoti sumas, kurios įtrauktos į reikalingų koeficientų formules. 
Ketvirtoje lentelės eilutėje esančios reikšmės gaunamos 2-os eilutės reikšmes padauginus iš 3-osios kiekvieno skaičiaus reikšmių i.
Penktoje lentelės eilutėje esančios reikšmės gaunamos padalijus kiekvieno skaičiaus 2-os eilutės reikšmes kvadratu i.
Paskutiniame lentelės stulpelyje esančios reikšmės yra reikšmių visose eilutėse sumos.
Koeficientams rasti naudojame mažiausių kvadratų metodo formules A Ir b. Į jas pakeičiame atitinkamas vertes iš paskutinio lentelės stulpelio: 
Vadinasi, y = 0,165x+2,184- norima apytikslė tiesi linija.
Belieka išsiaiškinti, kuri iš eilučių y = 0,165x+2,184 arba geriau apytiksliai atitinka pradinius duomenis, tai yra įvertinimus naudojant mažiausių kvadratų metodą.
Įrodymas.
Taip kad radus A Ir b funkcija įgauna mažiausią reikšmę, būtina, kad šioje vietoje funkcijos antros eilės diferencialo kvadratinės formos matrica 
buvo teigiamas. Parodykime.
Antrosios eilės skirtumas turi tokią formą: 
Tai yra
Todėl kvadratinės formos matrica turi formą 
ir elementų reikšmės nepriklauso A Ir b.
Parodykime, kad matrica yra teigiama apibrėžtoji. Norėdami tai padaryti, kampiniai nepilnamečiai turi būti teigiami.
Pirmos eilės kampinis minoras 
. Nelygybė yra griežta, nes taškai
- Įvadinė pamoka nemokamai;
- Daug patyrusių mokytojų (gimtoji ir rusakalbių);
- Kursai skirti NE konkrečiam laikotarpiui (mėnesiui, šešiems mėnesiams, metams), o tam tikram pamokų skaičiui (5, 10, 20, 50);
- Daugiau nei 10 000 patenkintų klientų.
- Vienos pamokos su rusakalbiu mokytoju kaina yra nuo 600 rublių, su gimtąja kalba - nuo 1500 rublių
Mažiausių kvadratų metodo esmė yra ieškant trendo modelio parametrų, geriausiai apibūdinančių bet kurio atsitiktinio reiškinio raidos laike ar erdvėje tendenciją (trendas – tai šios raidos tendenciją apibūdinanti linija). Mažiausių kvadratų metodo (LSM) užduotis yra surasti ne tik kokį nors tendencijų modelį, bet ir rasti geriausią ar optimalų modelį. Šis modelis bus optimalus, jei kvadratinių nuokrypių tarp stebimų faktinių verčių ir atitinkamų apskaičiuotų tendencijų verčių suma yra minimali (mažiausia):
kur yra kvadratinis nuokrypis tarp stebimos tikrosios vertės
ir atitinkama apskaičiuota tendencijos vertė,
Tikroji (stebėta) tiriamo reiškinio vertė,
Apskaičiuota tendencijos modelio vertė,
Tiriamo reiškinio stebėjimų skaičius.
MNC atskirai naudojamas gana retai. Paprastai koreliacijos tyrimuose jis dažniausiai naudojamas tik kaip būtina techninė technika. Reikia atsiminti, kad OLS informacinė bazė gali būti tik patikima statistinė eilutė, o stebėjimų skaičius neturėtų būti mažesnis nei 4, antraip OLS išlyginimo procedūros gali prarasti sveiką protą.
MNC įrankių rinkinys susideda iš šių procedūrų:
Pirmoji procedūra. Pasirodo, ar apskritai yra tendencija keisti gaunamą požymį, kai pasikeičia pasirinktas veiksnys-argumentas, arba, kitaip tariant, ar yra ryšys tarp „ adresu "Ir" X ».
Antroji procedūra. Nustatoma, kuri linija (trajektorija) gali geriausiai apibūdinti ar charakterizuoti šią tendenciją.
Trečia procedūra.
Pavyzdys. Tarkime, turime informacijos apie vidutinį saulėgrąžų derlių tiriamam ūkiui (9.1 lentelė).
9.1 lentelė
|
Stebėjimo numeris |
||||||||||
|
Produktyvumas, k/ha |
Kadangi saulėgrąžų auginimo technologijos lygis mūsų šalyje per pastaruosius 10 metų išliko beveik nepakitęs, tai, matyt, derliaus svyravimai analizuojamu laikotarpiu labai priklausė nuo oro ir klimato sąlygų svyravimų. Ar tai tikrai tiesa?
Pirmoji OLS procedūra. Tikrinama hipotezė apie saulėgrąžų derliaus kitimo tendenciją, priklausomai nuo oro ir klimato sąlygų pokyčių per analizuojamus 10 metų.
Šiame pavyzdyje „ y "patartina imti saulėgrąžų derlių, o už " x » – stebimų metų skaičius analizuojamu laikotarpiu. Tikrinant hipotezę apie bet kokį ryšį tarp " x "Ir" y "galima atlikti dviem būdais: rankiniu būdu ir naudojant kompiuterines programas. Žinoma, esant kompiuterinėms technologijoms, šią problemą galima išspręsti savaime. Tačiau norint geriau suprasti MNC įrankius, patartina patikrinti hipotezę apie ryšį tarp „ x "Ir" y » rankiniu būdu, kai po ranka yra tik rašiklis ir paprastas skaičiuotuvas. Tokiais atvejais hipotezę apie tendencijos egzistavimą geriausia vizualiai patikrinti pagal analizuojamos dinamikos serijos grafinio vaizdo vietą – koreliacijos lauką:
Mūsų pavyzdyje koreliacijos laukas yra aplink lėtai didėjančią liniją. Tai savaime rodo, kad egzistuoja tam tikra saulėgrąžų derliaus pokyčių tendencija. Neįmanoma kalbėti apie bet kokios tendencijos buvimą tik tada, kai koreliacijos laukas atrodo kaip apskritimas, apskritimas, griežtai vertikalus ar griežtai horizontalus debesis arba susideda iš chaotiškai išsibarsčiusių taškų. Visais kitais atvejais hipotezė apie ryšį tarp „ x "Ir" y “, ir tęsti tyrimus.
Antroji OLS procedūra. Nustatoma, kuri linija (trajektorija) geriausiai gali apibūdinti ar charakterizuoti saulėgrąžų derliaus kitimo tendenciją per analizuojamą laikotarpį.
Jei turite kompiuterines technologijas, optimalios tendencijos pasirinkimas vyksta automatiškai. „Rankinio“ apdorojimo metu optimalios funkcijos pasirinkimas, kaip taisyklė, atliekamas vizualiai - pagal koreliacijos lauko vietą. Tai yra, remiantis grafiko tipu, pasirenkama tiesės, kuri geriausiai atitinka empirinę tendenciją (faktinę trajektoriją), lygtis.
Kaip žinia, gamtoje egzistuoja didžiulė funkcinių priklausomybių įvairovė, todėl vizualiai išanalizuoti net nedidelę jų dalį yra itin sunku. Laimei, realioje ekonominėje praktikoje daugumą santykių galima gana tiksliai apibūdinti arba parabole, arba hiperbole, arba tiesia linija. Šiuo atžvilgiu, pasirinkę geriausią funkciją „rankiniu būdu“, galite apsiriboti tik šiais trimis modeliais.
|
Hiperbolė: |
||
Antros eilės parabolė: :
Nesunku pastebėti, kad mūsų pavyzdyje saulėgrąžų derliaus kitimo tendenciją per analizuojamus 10 metų geriausiai apibūdina tiesia linija, todėl regresijos lygtis bus tiesės lygtis.
Trečia procedūra. Apskaičiuojami šią tiesę apibūdinančios regresijos lygties parametrai arba, kitaip tariant, nustatoma analitinė formulė, apibūdinanti geriausią tendencijos modelį.
Regresijos lygties parametrų reikšmių radimas, mūsų atveju parametrai ir , yra OLS pagrindas. Šis procesas susijęs su normalių lygčių sistemos sprendimu.
(9.2)
Šią lygčių sistemą gana nesunkiai galima išspręsti Gauso metodu. Prisiminkime, kad dėl sprendimo mūsų pavyzdyje randamos ir parametrų reikšmės. Taigi rasta regresijos lygtis turės tokią formą:
Jis plačiai naudojamas ekonometrijoje aiškios ekonominės jo parametrų interpretacijos forma.
Tiesinė regresija reiškia formos lygtį
arba
Formos lygtis leidžia pagal nurodytas parametrų reikšmes X turi teorines gaunamos charakteristikos reikšmes, pakeičiant jas faktines faktoriaus vertes X.
Tiesinės regresijos konstrukcija priklauso nuo jos parametrų įvertinimo - A Ir V. Tiesinės regresijos parametrų įverčius galima rasti naudojant skirtingus metodus.
Klasikinis tiesinės regresijos parametrų vertinimo metodas yra pagrįstas mažiausių kvadratų metodas(MNC).
Mažiausių kvadratų metodas leidžia gauti tokius parametrų įverčius A Ir V, kuriai esant gaunamos charakteristikos tikrųjų verčių kvadratinių nuokrypių suma (y) iš apskaičiuoto (teorinio) minimumas:
Norėdami rasti funkcijos minimumą, turite apskaičiuoti kiekvieno parametro dalines išvestis A Ir b ir nustatykite juos lygius nuliui.
Pažymėkime S, tada:
Transformavę formulę, gauname tokią normaliųjų lygčių sistemą parametrams įvertinti A Ir V:
Spręsdami normaliųjų lygčių sistemą (3.5) kintamųjų nuoseklaus eliminavimo arba determinantų metodu, randame reikiamus parametrų įverčius A Ir V.
Parametras V vadinamas regresijos koeficientu. Jo reikšmė rodo vidutinį rezultato pokytį koeficientui pasikeitus vienu vienetu.
Regresijos lygtis visada papildoma ryšio glaudumo rodikliu. Naudojant tiesinę regresiją, toks rodiklis yra tiesinės koreliacijos koeficientas. Yra įvairių linijinės koreliacijos koeficiento formulės modifikacijų. Kai kurie iš jų pateikiami žemiau:
Kaip žinoma, tiesinės koreliacijos koeficientas yra ribose: -1 ≤ ≤ 1.
Norint įvertinti tiesinės funkcijos pasirinkimo kokybę, apskaičiuojamas kvadratas
Tiesinės koreliacijos koeficientas vadinamas determinacijos koeficientas. Determinacijos koeficientas apibūdina gautos charakteristikos dispersijos proporciją y, paaiškinama bendros gauto požymio dispersijos regresija:
Atitinkamai, reikšmė 1 apibūdina dispersijos dalį y, sukelta kitų veiksnių, į kuriuos neatsižvelgta modelyje, įtakos.
Klausimai savikontrolei
1. Mažiausių kvadratų metodo esmė?
2. Kiek kintamųjų suteikia porinė regresija?
3. Koks koeficientas lemia pokyčių ryšio glaudumą?
4. Kokiose ribose nustatomas determinacijos koeficientas?
5. Parametro b įvertinimas koreliacinėje regresinėje analizėje?
1. Christopheris Dougherty. Įvadas į ekonometriją. - M.: INFRA - M, 2001 - 402 p.
2. S.A. Borodičius. Ekonometrija. Minsko LLC „Naujos žinios“ 2001 m.
3. R.U. Rakhmetova Trumpas ekonometrijos kursas. Studijų vadovas. Almata. 2004. -78psl.
4. I.I. Eliseeva. - M.: „Finansai ir statistika“, 2002 m
5. Mėnesinis informacinis ir analitinis žurnalas.
Netiesiniai ekonominiai modeliai. Netiesinės regresijos modeliai. Kintamųjų transformacija.
>Netiesiniai ekonominiai modeliai..
Kintamųjų transformacija.
Elastingumo koeficientas.
Jei tarp ekonominių reiškinių yra netiesiniai ryšiai, jie išreiškiami naudojant atitinkamas netiesines funkcijas: pavyzdžiui, lygiakraštę hiperbolę. , antrojo laipsnio parabolės ir kt.
Yra dvi netiesinės regresijos klasės
>1. Regresijos, kurios yra netiesinės į analizę įtrauktų aiškinamųjų kintamųjų atžvilgiu, bet tiesinės įvertintų parametrų atžvilgiu, pavyzdžiui:
Įvairių laipsnių polinomai - , ;
Lygiakraščio hiperbolė - ;
Puslogaritminė funkcija - .
2. Regresijos, kurios yra netiesinės vertinamuose parametruose, pavyzdžiui:
Galia - ;
Demonstracinis - ;
Eksponentinis – .
Bendra gautos charakteristikos atskirų verčių kvadratinių nuokrypių suma adresu nuo vidutinės reikšmės sukelia daugelio priežasčių įtaka. Visą priežasčių rinkinį sąlyginai suskirstykime į dvi grupes: tiriamas veiksnys x Ir kiti veiksniai.
Jei veiksnys neturi įtakos rezultatui, regresijos linija grafike yra lygiagreti ašiai Oi Ir
Tada visa gautos charakteristikos dispersija atsiranda dėl kitų veiksnių įtakos ir bendra kvadratinių nuokrypių suma sutaps su likutine. Jei kiti veiksniai neturi įtakos rezultatui, tada y pririštas Su X funkciniu požiūriu, o likutinė kvadratų suma lygi nuliui. Šiuo atveju nuokrypių kvadratu suma, paaiškinama regresija, yra tokia pati kaip visa kvadratų suma.
Kadangi ne visi koreliacijos lauko taškai yra regresijos tiesėje, jų sklaida visada atsiranda dėl faktoriaus įtakos X, t.y. regresija adresu Autorius X, ir dėl kitų priežasčių (nepaaiškinama variacija). Regresijos linijos tinkamumas prognozuoti priklauso nuo to, kokia visos požymio variacijos dalis adresu paaiškina paaiškintą variantą
Akivaizdu, kad jei nuokrypių kvadratu suma dėl regresijos yra didesnė už likutinę kvadratų sumą, tai regresijos lygtis yra statistiškai reikšminga ir veiksnys X turi didelės įtakos rezultatui u.
, y., su charakteristikos nepriklausomo kitimo laisvės skaičiumi. Laisvės laipsnių skaičius yra susijęs su populiacijos vienetų skaičiumi n ir iš jo nustatytų konstantų skaičiumi. Kalbant apie tiriamą problemą, laisvės laipsnių skaičius turėtų parodyti, kiek nepriklausomų nukrypimų nuo n
Regresijos lygties kaip visumos reikšmingumo įvertinimas pateikiamas naudojant F-Fišerio kriterijus. Šiuo atveju iškeliama nulinė hipotezė, kad regresijos koeficientas lygus nuliui, t.y. b = 0, taigi ir koeficientas X rezultatui įtakos neturi u.
Prieš nedelsiant apskaičiuojant F testą, atliekama dispersinė analizė. Centrinę vietą jame užima bendros kintamojo kvadratinių nuokrypių sumos skaidymas adresu nuo vidutinės vertės adresuį dvi dalis – „paaiškinta“ ir „nepaaiškinama“:
Bendra kvadratinių nuokrypių suma;
Nuokrypio kvadrato suma, paaiškinama regresija;
Likutinė kvadratinių nuokrypių suma.
Bet kokia kvadratinių nuokrypių suma yra susijusi su laisvės laipsnių skaičiumi , y., su charakteristikos nepriklausomo kitimo laisvės skaičiumi. Laisvės laipsnių skaičius yra susijęs su gyventojų vienetų skaičiumi n ir su iš jo nustatytu konstantų skaičiumi. Kalbant apie nagrinėjamą problemą, laisvės laipsnių skaičius turėtų parodyti, kiek nepriklausomų nukrypimų nuo n galimas reikalingas tam tikrai kvadratų sumai sudaryti.
Sklaida pagal laisvės laipsnįD.
F koeficientai (F testas):
Jei nulinė hipotezė yra teisinga, tada faktorius ir liekamosios dispersijos nesiskiria vienas nuo kito. Jei H 0, būtina paneigti, kad faktoriaus dispersija kelis kartus viršytų likutinę dispersiją. Anglų statistikas Snedekoras sukūrė kritinių verčių lenteles F-ryšiai skirtinguose nulinės hipotezės reikšmingumo lygiuose ir skirtingais laisvės laipsnių skaičiais. Lentelės vertė F-kriterijus yra didžiausia dispersijų santykio vertė, kuri gali atsirasti atsitiktinio nukrypimo atveju, esant tam tikram nulinės hipotezės tikimybės lygiui. Apskaičiuota vertė F-ryšiai laikomi patikimais, jei o yra didesnis už lentelę.
Šiuo atveju nulinė hipotezė apie ryšio tarp ženklų nebuvimą atmetama ir daroma išvada apie šio ryšio reikšmę: F faktas > F lentelė H 0 atmetamas.
Jei reikšmė mažesnė už pateiktą lentelėje F faktas ‹, F lentelė, tada nulinės hipotezės tikimybė yra didesnė už nurodytą lygį ir negali būti atmesta be rimtos rizikos padaryti klaidingą išvadą apie ryšio buvimą. Šiuo atveju regresijos lygtis laikoma statistiškai nereikšminga. Bet jis nenukrypsta.
Regresijos koeficiento standartinė paklaida
Regresijos koeficiento reikšmingumui įvertinti jo reikšmė lyginama su standartine paklaida, t.y. nustatoma tikroji vertė. t-Studento t testas: kuris tada lyginamas su lentelės reikšme tam tikru reikšmingumo lygiu ir laisvės laipsnių skaičiumi ( n- 2).
Standartinė parametro klaida A:
Tiesinės koreliacijos koeficiento reikšmingumas tikrinamas pagal paklaidos dydį koreliacijos koeficientas t r:
Bendra bruožų dispersija X:
Daugkartinė tiesinė regresija
Modelio kūrimas
Daugkartinė regresija reiškia efektyvios charakteristikos regresiją su dviem ar daugiau veiksnių, t. y. formos modelį
Regresija gali duoti gerų modeliavimo rezultatų, jei galima nepaisyti kitų tyrimo objektą veikiančių veiksnių įtakos. Neįmanoma kontroliuoti atskirų ekonominių kintamųjų elgesio, t.y. neįmanoma užtikrinti visų kitų vieno tiriamo veiksnio įtakos vertinimo sąlygų lygiateisiškumo. Tokiu atveju turėtumėte pabandyti nustatyti kitų veiksnių įtaką, įtraukdami juos į modelį, t. y. sudaryti daugialypės regresijos lygtį: y = a+b 1 x 1 +b 2 +…+b p x p + .
Pagrindinis daugialypės regresijos tikslas – sukurti modelį su daugybe veiksnių, kartu nustatant kiekvieno iš jų įtaką atskirai bei jų bendrą įtaką modeliuojamam rodikliui. Modelio specifikacija apima dvi problemas: veiksnių parinkimą ir regresijos lygties tipo pasirinkimą.
