Kas atrod visplašāko pielietojumu dažādās zinātnes un praktiskās darbības jomās. Tā varētu būt fizika, ķīmija, bioloģija, ekonomika, socioloģija, psiholoģija utt., Un tā tālāk. Pēc likteņa gribas man bieži nākas saskarties ar ekonomiku, un tāpēc šodien es jums organizēšu ceļojumu uz pārsteidzošu valsti ar nosaukumu Ekonometrija=) ...Kā var negribēt?! Tur ir ļoti labi – jums tikai jāpieņem lēmums! ...Bet tas, ko jūs droši vien vēlaties, ir iemācīties risināt problēmas mazāko kvadrātu metode. Un īpaši čakli lasītāji iemācīsies tos atrisināt ne tikai precīzi, bet arī ĻOTI ĀTRI ;-) Bet vispirms vispārīgs problēmas izklāsts+ pavadošais piemērs:
Izpētīsim rādītājus noteiktā mācību jomā, kam ir kvantitatīvā izteiksme. Tajā pašā laikā ir pamats uzskatīt, ka rādītājs ir atkarīgs no rādītāja. Šis pieņēmums var būt vai nu zinātniska hipotēze, vai arī balstīts uz veselo saprātu. Tomēr atstāsim zinātni malā un izpētīsim apetītīgākas jomas, proti, pārtikas preču veikalus. Apzīmēsim ar:
– pārtikas preču veikala tirdzniecības platība, kv.m,
– pārtikas veikala gada apgrozījums, miljoni rubļu.
Ir pilnīgi skaidrs, ka jo lielāka būs veikala platība, jo lielāks vairumā gadījumu būs tā apgrozījums.
Pieņemsim, ka pēc novērojumu/eksperimentu/aprēķinu/dejošanas ar tamburīnu mūsu rīcībā ir skaitliski dati: 
Ar pārtikas veikaliem, manuprāt, viss ir skaidrs: - šī ir 1. veikala platība, - tā gada apgrozījums, - 2. veikala platība, - tā gada apgrozījums utt. Starp citu, pieeja klasificētiem materiāliem nemaz nav nepieciešama - diezgan precīzu tirdzniecības apgrozījuma novērtējumu var iegūt, izmantojot matemātiskā statistika. Tomēr nenovērsīsimies, komerciālās spiegošanas kurss jau ir apmaksāts =)
Tabulas datus var rakstīt arī punktu veidā un attēlot pazīstamā formā Dekarta sistēma .
Atbildēsim uz svarīgu jautājumu: Cik punktu nepieciešams kvalitatīvam pētījumam?
Jo vairāk, jo labāk. Minimālais pieņemamais komplekts sastāv no 5-6 punktiem. Turklāt, ja datu apjoms ir mazs, “anomālus” rezultātus nevar iekļaut izlasē. Tā, piemēram, neliels elites veikals var nopelnīt par lielumu vairāk nekā “kolēģi”, tādējādi izkropļojot vispārējo modeli, kas jums jāatrod!
Ļoti vienkārši sakot, mums ir jāizvēlas funkcija, grafiks kas iet pēc iespējas tuvāk punktiem 
. Šo funkciju sauc tuvinot
(tuvinājums - tuvinājums) vai teorētiskā funkcija
. Vispārīgi runājot, šeit uzreiz parādās acīmredzams “pretendents” - augstas pakāpes polinoms, kura grafiks iet caur VISIEM punktiem. Bet šī iespēja ir sarežģīta un bieži vien vienkārši nepareiza. (jo grafiks visu laiku "cilpos" un slikti atspoguļos galveno tendenci).
Tādējādi meklētajai funkcijai ir jābūt diezgan vienkāršai un tajā pašā laikā adekvāti jāatspoguļo atkarība. Kā jūs varētu nojaust, viena no metodēm šādu funkciju atrašanai tiek izsaukta mazāko kvadrātu metode. Pirmkārt, aplūkosim tā būtību vispārīgi. Ļaujiet kādai funkcijai tuvināt eksperimentālos datus: 
Kā novērtēt šī tuvinājuma precizitāti? Aprēķināsim arī atšķirības (novirzes) starp eksperimentālo un funkcionālo vērtību (mēs pētām zīmējumu). Pirmā doma, kas nāk prātā, ir novērtēt, cik liela ir summa, bet problēma ir tā, ka atšķirības var būt negatīvas (Piemēram, 
)
un novirzes šādas summēšanas rezultātā viena otru iznīcinās. Tāpēc, lai novērtētu tuvinājuma precizitāti, ir jāizmanto summa moduļi novirzes:
vai sabruka: (ja kāds nezina: – šī ir summas ikona un – papildu “skaitītāja” mainīgais, kas ņem vērtības no 1 līdz ).
Aproksimējot eksperimentālos punktus ar dažādām funkcijām, mēs iegūsim dažādas vērtības, un acīmredzot, ja šī summa ir mazāka, šī funkcija ir precīzāka.
Tāda metode pastāv un to sauc mazākā moduļa metode. Tomēr praksē tas ir kļuvis daudz izplatītāks mazāko kvadrātu metode, kurā iespējamās negatīvās vērtības novērš nevis modulis, bet gan novirzes kvadrātā:
, pēc kura centieni ir vērsti uz tādas funkcijas atlasi, kas atbilst kvadrātu noviržu summai 
bija pēc iespējas mazāks. Faktiski no šejienes cēlies metodes nosaukums.
Un tagad mēs atgriežamies pie cita svarīga punkta: kā minēts iepriekš, atlasītajai funkcijai jābūt diezgan vienkāršai, taču ir arī daudz šādu funkciju: lineārs , hiperbolisks, eksponenciāls, logaritmisks, kvadrātveida utt. Un, protams, šeit es uzreiz gribētu “samazināt darbības jomu”. Kuru funkciju klasi man izvēlēties pētniecībai? Primitīva, bet efektīva tehnika:
– Vienkāršākais veids ir attēlot punktus 
uz zīmējuma un analizēt to atrašanās vietu. Ja tie mēdz skriet taisnā līnijā, tad jāmeklē līnijas vienādojums 
ar optimālām vērtībām un . Citiem vārdiem sakot, uzdevums ir atrast TĀDUS koeficientus, lai noviržu kvadrātā summa būtu vismazākā.
Ja punkti atrodas, piemēram, gar hiperbola, tad ir skaidrs, ka lineārā funkcija dos sliktu tuvinājumu. Šajā gadījumā mēs meklējam “labvēlīgākos” hiperbolas vienādojuma koeficientus 
– tie, kas dod minimālo kvadrātu summu 
.
Tagad ņemiet vērā, ka abos gadījumos mēs runājam par divu mainīgo funkcijas, kura argumenti ir meklētie atkarības parametri:
Un būtībā mums ir jāatrisina standarta problēma - jāatrod divu mainīgo minimālā funkcija.
Atcerēsimies mūsu piemēru: pieņemsim, ka “veikala” punkti mēdz atrasties taisnā līnijā un ir pamats ticēt klātbūtnei lineārā atkarība apgrozījums no tirdzniecības platībām. Atradīsim TĀDUS koeficientus “a” un “būt”, lai noviržu summa kvadrātā 
bija mazākais. Viss kā parasti – vispirms 1. kārtas daļēji atvasinājumi. Saskaņā ar linearitātes noteikums Jūs varat atšķirt tieši zem summas ikonas: 
Ja vēlaties izmantot šo informāciju esejā vai kursa darbā, būšu ļoti pateicīgs par saiti avotu sarakstā, kur jūs atradīsiet šādus detalizētus aprēķinus: 
Izveidosim standarta sistēmu: 
Mēs samazinām katru vienādojumu par "diviem" un papildus "sadalām" summas: 
Piezīme
: neatkarīgi analizējiet, kāpēc “a” un “be” var izņemt aiz summas ikonas. Starp citu, formāli to var izdarīt ar summu
Pārrakstīsim sistēmu “lietotajā” formā: 
pēc tam sāk parādīties mūsu problēmas risināšanas algoritms:
Vai mēs zinām punktu koordinātas? Mēs zinām. Summas 
vai mēs to varam atrast? Viegli. Pagatavosim vienkāršāko divu lineāru vienādojumu sistēma divos nezināmajos(“a” un “būt”). Mēs risinām sistēmu, piemēram, Krāmera metode, kā rezultātā iegūstam stacionāru punktu. Pārbauda pietiekams nosacījums ekstremitātei, mēs varam pārbaudīt, ka šajā brīdī funkcija 
sasniedz precīzi minimums. Pārbaudē tiek veikti papildu aprēķini, tāpēc mēs to atstāsim aizkulisēs (ja nepieciešams, trūkstošo kadru var apskatīt). Mēs izdarām galīgo secinājumu:
Funkcija 
vislabākajā iespējamajā veidā (vismaz salīdzinājumā ar jebkuru citu lineāro funkciju) tuvina eksperimentālos punktus 
. Aptuveni runājot, tā grafiks iet pēc iespējas tuvāk šiem punktiem. Tradīcijās ekonometrija tiek saukta arī iegūtā aproksimējošā funkcija pārī lineārās regresijas vienādojums
.
Apskatāmajai problēmai ir liela praktiska nozīme. Mūsu piemērā vienādojums. 
ļauj prognozēt, kāds tirdzniecības apgrozījums ("Igrek") veikalam būs tāda vai cita tirdzniecības platības vērtība (viena vai cita “x” nozīme). Jā, iegūtā prognoze būs tikai prognoze, taču daudzos gadījumos tā izrādīsies diezgan precīza.
Es analizēšu tikai vienu problēmu ar “reāliem” skaitļiem, jo tajā nav nekādu grūtību - visi aprēķini ir 7.-8.klases skolas mācību programmas līmenī. 95 procentos gadījumu jums tiks lūgts atrast tikai lineāru funkciju, bet pašā raksta beigās es parādīšu, ka nav grūtāk atrast optimālās hiperbolas, eksponenciālās un dažu citu funkciju vienādojumus.
Patiesībā atliek vien izdalīt solītos labumus – lai šādus piemērus iemācītos atrisināt ne tikai precīzi, bet arī ātri. Mēs rūpīgi izpētām standartu:
Uzdevums
Pētot divu rādītāju attiecības, tika iegūti šādi skaitļu pāri: 
Izmantojot mazāko kvadrātu metodi, atrodiet lineāro funkciju, kas vislabāk tuvina empīrisko (pieredzējis) datus. Izveidojiet zīmējumu, uz kura konstruēt eksperimentālos punktus, un aproksimējošās funkcijas grafiku Dekarta taisnstūra koordinātu sistēmā 
. Atrodiet noviržu summu kvadrātā starp empīrisko un teorētisko vērtību. Uzziniet, vai šī funkcija būtu labāka (no mazāko kvadrātu metodes viedokļa) tuvināt eksperimentālos punktus.
Lūdzu, ņemiet vērā, ka “x” nozīmes ir dabiskas, un tai ir raksturīga nozīmīga nozīme, par kuru es runāšu nedaudz vēlāk; bet tie, protams, var būt arī daļēji. Turklāt atkarībā no konkrētā uzdevuma satura gan “X”, gan “spēles” vērtības var būt pilnībā vai daļēji negatīvas. Nu, mums ir dots “bez sejas” uzdevums, un mēs to sākam risinājums:
Mēs atrodam optimālās funkcijas koeficientus kā sistēmas risinājumu: 
Kompaktākas ierakstīšanas nolūkos mainīgo “skaitītājs” var izlaist, jo jau ir skaidrs, ka summēšana tiek veikta no 1 līdz .
Ērtāk ir aprēķināt nepieciešamās summas tabulas veidā: 
Aprēķinus var veikt ar mikrokalkulatoru, taču daudz labāk ir izmantot Excel - gan ātrāk, gan bez kļūdām; noskatieties īsu video:
Tādējādi mēs iegūstam sekojošo sistēma:
Šeit jūs varat reizināt otro vienādojumu ar 3 un atņemt 2. no 1. vienādojuma locekļa pa vārdam. Taču tā ir veiksme – praksē sistēmas bieži vien nav dāvana, un šādos gadījumos tas ietaupa Krāmera metode:
, kas nozīmē, ka sistēmai ir unikāls risinājums.
Pārbaudīsim. Es saprotu, ka jūs to nevēlaties, bet kāpēc izlaist kļūdas, ja tās nevar palaist garām? Aizstāsim atrasto risinājumu katra sistēmas vienādojuma kreisajā pusē:
Tiek iegūtas atbilstošo vienādojumu labās puses, kas nozīmē, ka sistēma ir pareizi atrisināta.
Tādējādi vēlamā aproksimējošā funkcija: – no visas lineārās funkcijas Tieši viņa vislabāk tuvina eksperimentālos datus.
Atšķirībā no tiešā veidā
veikala apgrozījuma atkarība no tā platības, konstatētā atkarība ir otrādi
(princips "jo vairāk, jo mazāk"), un šo faktu uzreiz atklāj negatīvais slīpums. Funkcija 
norāda, ka, palielinoties noteiktam rādītājam par 1 vienību, atkarīgā rādītāja vērtība samazinās vidēji par 0,65 vienībām. Kā saka, jo augstāka ir griķu cena, jo mazāk to pārdod.
Lai attēlotu aproksimējošās funkcijas grafiku, mēs atrodam tās divas vērtības:
un izpildiet zīmējumu: 
Izbūvēto taisni sauc tendenču līnija
(proti, lineāra tendences līnija, t.i., vispārīgā gadījumā tendence ne vienmēr ir taisna līnija). Ikviens ir pazīstams ar izteicienu “būt tendencēm”, un es domāju, ka šim terminam nav nepieciešami papildu komentāri.
Aprēķināsim noviržu kvadrātā summu 
starp empīriskajām un teorētiskajām vērtībām. Ģeometriski tā ir “aveņu” segmentu garumu kvadrātu summa (no kuriem divi ir tik mazi, ka pat nav redzami).
Apkoposim aprēķinus tabulā: 
Atkal, tos var izdarīt manuāli, es sniegšu piemēru pirmajam punktam: 
bet daudz efektīvāk ir to darīt jau zināmā veidā:
Mēs atkārtojam vēlreiz: Kāda ir iegūtā rezultāta nozīme? No visas lineārās funkcijas y funkcija 
rādītājs ir mazākais, tas ir, tā saimē tas ir labākais tuvinājums. Un šeit, starp citu, galīgais problēmas jautājums nav nejaušs: kā būtu, ja ierosinātā eksponenciālā funkcija 
vai būtu labāk tuvināt eksperimentālos punktus?
Atradīsim atbilstošo noviržu kvadrātu summu - lai atšķirtu, es tās apzīmēšu ar burtu “epsilon”. Tehnika ir tieši tāda pati: 
Un atkal katram gadījumam aprēķini 1. punktam: 
Programmā Excel mēs izmantojam standarta funkciju EXP (sintaksi var atrast Excel palīdzībā).
Secinājums: , kas nozīmē, ka eksponenciālā funkcija eksperimentālos punktus tuvina sliktāk nekā taisne 
.
Bet šeit jāatzīmē, ka "sliktāk" ir vēl nenozīmē, kas ir slikti. Tagad esmu izveidojis šīs eksponenciālās funkcijas grafiku - un tas arī iet tuvu punktiem 
- tik ļoti, ka bez analītiskiem pētījumiem ir grūti pateikt, kura funkcija ir precīzāka.
Tas noslēdz risinājumu, un es atgriežos pie jautājuma par argumenta dabiskajām vērtībām. Dažādos pētījumos, parasti ekonomiskajos vai socioloģiskajos, dabiskie “X” tiek izmantoti, lai skaitītu mēnešus, gadus vai citus vienādus laika intervālus. Apsveriet, piemēram, šādu problēmu.
Piemērs.
Eksperimentālie dati par mainīgo vērtībām X Un plkst ir norādīti tabulā.
To izlīdzināšanas rezultātā tiek iegūta funkcija
Izmantojot mazāko kvadrātu metode, tuviniet šos datus ar lineāro atkarību y=cirvis+b(atrodiet parametrus A Un b). Uzziniet, kura no divām rindām labāk (mazāko kvadrātu metodes nozīmē) saskaņo eksperimentālos datus. Izveidojiet zīmējumu.
Mazāko kvadrātu metodes (LSM) būtība.
>Uzdevums ir atrast lineārās atkarības koeficientus, pie kuriem funkcionē divi mainīgie A Un b ņem mazāko vērtību. Tas ir, dots A Un b eksperimentālo datu noviržu kvadrātā summa no atrastās taisnes būs mazākā. Šī ir visa mazāko kvadrātu metodes būtība.
Tādējādi piemēra atrisināšana ir divu mainīgo funkcijas galējības atrašana.
Formulu atvasināšana koeficientu atrašanai.
>Tiek sastādīta un atrisināta divu vienādojumu sistēma ar diviem nezināmajiem. Funkcijas daļēju atvasinājumu atrašana attiecībā pret mainīgajiem A Un b, mēs šos atvasinājumus pielīdzinām nullei.
Mēs atrisinām iegūto vienādojumu sistēmu, izmantojot jebkuru metodi (piemēram ar aizstāšanas metodi vai ) un iegūt formulas koeficientu atrašanai, izmantojot mazāko kvadrātu metodi (LSM).
Ņemot vērā A Un b funkciju ņem mazāko vērtību. Šim faktam ir sniegts pierādījums.
Tā ir visa mazāko kvadrātu metode. Formula parametra atrašanai a satur summas , , , un parametru n- eksperimentālo datu apjoms. Mēs iesakām šo summu vērtības aprēķināt atsevišķi. Koeficients b tiek atrasts pēc aprēķina a.
Ir pienācis laiks atcerēties sākotnējo piemēru.
Risinājums.
Mūsu piemērā n=5. Mēs aizpildām tabulu, lai ērtāk aprēķinātu summas, kas iekļautas nepieciešamo koeficientu formulās.
Vērtības tabulas ceturtajā rindā tiek iegūtas, reizinot 2. rindas vērtības ar 3. rindas vērtībām katram skaitlim i.
Vērtības tabulas piektajā rindā tiek iegūtas, 2. rindā esošās vērtības izliekot kvadrātā katram skaitlim i.
Vērtības tabulas pēdējā kolonnā ir vērtību summas visās rindās.
Koeficientu atrašanai izmantojam mazāko kvadrātu metodes formulas A Un b. Mēs tajās aizstājam atbilstošās vērtības no tabulas pēdējās kolonnas:
Tāpēc y = 0,165x+2,184- vēlamā aptuvenā taisne.
Atliek noskaidrot, kura no līnijām y = 0,165x+2,184 vai labāk tuvina sākotnējos datus, tas ir, aprēķinus, izmantojot mazāko kvadrātu metodi.
Mazāko kvadrātu metodes kļūdu novērtējums.
>Lai to izdarītu, jums jāaprēķina sākotnējo datu noviržu kvadrātā summa no šīm līnijām Un , mazāka vērtība atbilst līnijai, kas labāk tuvina sākotnējos datus mazāko kvadrātu metodes izpratnē.
Kopš , tad taisni y = 0,165x+2,184 labāk tuvina sākotnējos datus.
Mazāko kvadrātu (LS) metodes grafiskā ilustrācija.
>Grafikos viss ir skaidri redzams. Sarkanā līnija ir atrastā taisne y = 0,165x+2,184, zilā līnija ir , rozā punktiņi ir sākotnējie dati.
Kāpēc tas ir vajadzīgs, kāpēc visi šie tuvinājumi?
Es personīgi to izmantoju, lai atrisinātu datu izlīdzināšanas, interpolācijas un ekstrapolācijas problēmas (sākotnējā piemērā viņiem varētu būt lūgts atrast novērotās vērtības vērtību y plkst x=3 vai kad x=6 izmantojot mazāko kvadrātu metodi). Bet mēs par to vairāk runāsim vēlāk citā vietnes sadaļā.
Pierādījums.
Tā ka tad, kad atrasts A Un b funkcijai ir mazākā vērtība, šajā punktā ir nepieciešams, lai funkcijas otrās kārtas diferenciāļa kvadrātiskās formas matrica bija pozitīvs noteikti. Parādīsim to.
Otrās kārtas diferenciālam ir šāda forma:
Tas ir
Tāpēc kvadrātiskās formas matricai ir forma
un elementu vērtības nav atkarīgas no A Un b.
Parādīsim, ka matrica ir pozitīva noteikta. Lai to izdarītu, leņķiskajiem nepilngadīgajiem jābūt pozitīviem.
Pirmās kārtas leņķiskais minors . Nevienlīdzība ir stingra, jo punkti nesakrīt. Tālāk mēs to norādīsim.
Otrās kārtas leņķiskais minors
Pierādīsim to ar matemātiskās indukcijas metodi.
Secinājums: atrastās vērtības A Un b atbilst mazākajai funkcijas vērtībai , tāpēc ir nepieciešamie parametri mazāko kvadrātu metodei.
Mazāko kvadrātu metode
Tēmas noslēguma nodarbībā iepazīsimies ar slavenāko aplikāciju FNP, kas atrod visplašāko pielietojumu dažādās zinātnes un praktiskās darbības jomās. Tā varētu būt fizika, ķīmija, bioloģija, ekonomika, socioloģija, psiholoģija utt., Un tā tālāk. Pēc likteņa gribas man bieži nākas saskarties ar ekonomiku, un tāpēc šodien es jums organizēšu ceļojumu uz pārsteidzošu valsti ar nosaukumu Ekonometrija=) ...Kā var negribēt?! Tur ir ļoti labi – jums tikai jāpieņem lēmums! ...Bet tas, ko jūs droši vien vēlaties, ir iemācīties risināt problēmas mazāko kvadrātu metode. Un īpaši čakli lasītāji iemācīsies tos atrisināt ne tikai precīzi, bet arī ĻOTI ĀTRI ;-) Bet vispirms vispārīgs problēmas izklāsts+ pavadošais piemērs:
Izpētīsim rādītājus noteiktā mācību jomā, kam ir kvantitatīvā izteiksme. Tajā pašā laikā ir pamats uzskatīt, ka rādītājs ir atkarīgs no rādītāja. Šis pieņēmums var būt vai nu zinātniska hipotēze, vai arī balstīts uz veselo saprātu. Tomēr atstāsim zinātni malā un izpētīsim apetītīgākas jomas, proti, pārtikas preču veikalus. Apzīmēsim ar:
– pārtikas preču veikala tirdzniecības platība, kv.m,
– pārtikas veikala gada apgrozījums, miljoni rubļu.
Ir pilnīgi skaidrs, ka jo lielāka būs veikala platība, jo lielāks vairumā gadījumu būs tā apgrozījums.
Pieņemsim, ka pēc novērojumu/eksperimentu/aprēķinu/dejošanas ar tamburīnu mūsu rīcībā ir skaitliski dati: 
Ar pārtikas veikaliem, manuprāt, viss ir skaidrs: - šī ir 1. veikala platība, - tā gada apgrozījums, - 2. veikala platība, - tā gada apgrozījums utt. Starp citu, pieeja klasificētiem materiāliem nemaz nav nepieciešama - diezgan precīzu tirdzniecības apgrozījuma novērtējumu var iegūt, izmantojot matemātiskā statistika. Tomēr nenovērsīsimies, komerciālās spiegošanas kurss jau ir apmaksāts =)
Tabulas datus var rakstīt arī punktu veidā un attēlot pazīstamā formā Dekarta sistēma .
Atbildēsim uz svarīgu jautājumu: Cik punktu nepieciešams kvalitatīvam pētījumam?
Jo vairāk, jo labāk. Minimālais pieņemamais komplekts sastāv no 5-6 punktiem. Turklāt, ja datu apjoms ir mazs, “anomālus” rezultātus nevar iekļaut izlasē. Tā, piemēram, neliels elites veikals var nopelnīt par lielumu vairāk nekā “kolēģi”, tādējādi izkropļojot vispārējo modeli, kas jums jāatrod!
Ļoti vienkārši sakot, mums ir jāizvēlas funkcija, grafiks kas iet pēc iespējas tuvāk punktiem 
. Šo funkciju sauc tuvinot
(tuvinājums - tuvinājums) vai teorētiskā funkcija
. Vispārīgi runājot, šeit uzreiz parādās acīmredzams “pretendents” - augstas pakāpes polinoms, kura grafiks iet caur VISIEM punktiem. Bet šī iespēja ir sarežģīta un bieži vien vienkārši nepareiza. (jo grafiks visu laiku "cilpos" un slikti atspoguļos galveno tendenci).
Tādējādi meklētajai funkcijai ir jābūt diezgan vienkāršai un tajā pašā laikā adekvāti jāatspoguļo atkarība. Kā jūs varētu nojaust, viena no metodēm šādu funkciju atrašanai tiek izsaukta mazāko kvadrātu metode. Pirmkārt, aplūkosim tā būtību vispārīgi. Ļaujiet kādai funkcijai tuvināt eksperimentālos datus: 
Kā novērtēt šī tuvinājuma precizitāti? Aprēķināsim arī atšķirības (novirzes) starp eksperimentālo un funkcionālo vērtību (mēs pētām zīmējumu). Pirmā doma, kas nāk prātā, ir novērtēt, cik liela ir summa, bet problēma ir tā, ka atšķirības var būt negatīvas (Piemēram, 
)
un novirzes šādas summēšanas rezultātā viena otru iznīcinās. Tāpēc, lai novērtētu tuvinājuma precizitāti, ir jāizmanto summa moduļi novirzes:
vai sabruka: (ja kāds nezina:
ir summas ikona un
– palīgmateriāls “skaitītājs”, kas ņem vērtības no 1 līdz
)
.
Aproksimējot eksperimentālos punktus ar dažādām funkcijām, mēs iegūsim dažādas vērtības, un acīmredzot, ja šī summa ir mazāka, šī funkcija ir precīzāka.
Tāda metode pastāv un to sauc mazākā moduļa metode. Tomēr praksē tas ir kļuvis daudz izplatītāks mazāko kvadrātu metode, kurā iespējamās negatīvās vērtības novērš nevis modulis, bet gan novirzes kvadrātā:
, pēc kura centieni ir vērsti uz tādas funkcijas atlasi, kas atbilst kvadrātu noviržu summai 
bija pēc iespējas mazāks. Faktiski no šejienes cēlies metodes nosaukums.
Un tagad mēs atgriežamies pie cita svarīga punkta: kā minēts iepriekš, atlasītajai funkcijai jābūt diezgan vienkāršai, taču ir arī daudz šādu funkciju: lineārs , hiperbolisks , eksponenciāls , logaritmisks , kvadrātveida utt. Un, protams, šeit es uzreiz gribētu “samazināt darbības jomu”. Kuru funkciju klasi man izvēlēties pētniecībai? Primitīva, bet efektīva tehnika:
– Vienkāršākais veids ir attēlot punktus uz zīmējuma un analizēt to atrašanās vietu. Ja tie mēdz skriet taisnā līnijā, tad jāmeklē līnijas vienādojums 
ar optimālām vērtībām un . Citiem vārdiem sakot, uzdevums ir atrast TĀDUS koeficientus, lai noviržu kvadrātā summa būtu vismazākā.
Ja punkti atrodas, piemēram, gar hiperbola, tad ir skaidrs, ka lineārā funkcija dos sliktu tuvinājumu. Šajā gadījumā mēs meklējam “labvēlīgākos” hiperbolas vienādojuma koeficientus 
– tie, kas dod minimālo kvadrātu summu 
.
Tagad ņemiet vērā, ka abos gadījumos mēs runājam par divu mainīgo funkcijas, kura argumenti ir meklētie atkarības parametri:
Un būtībā mums ir jāatrisina standarta problēma - jāatrod divu mainīgo minimālā funkcija.
Atcerēsimies mūsu piemēru: pieņemsim, ka “veikala” punkti mēdz atrasties taisnā līnijā un ir pamats ticēt klātbūtnei lineārā atkarība apgrozījums no tirdzniecības platībām. Atradīsim TĀDUS koeficientus “a” un “būt”, lai noviržu summa kvadrātā 
bija mazākais. Viss kā parasti – vispirms 1. kārtas daļēji atvasinājumi. Saskaņā ar linearitātes noteikums Jūs varat atšķirt tieši zem summas ikonas: 
Ja vēlaties izmantot šo informāciju esejā vai kursa darbā, būšu ļoti pateicīgs par saiti avotu sarakstā, kur jūs atradīsiet šādus detalizētus aprēķinus: 
Izveidosim standarta sistēmu: 
Mēs samazinām katru vienādojumu par "diviem" un papildus "sadalām" summas: 
Piezīme
: neatkarīgi analizējiet, kāpēc “a” un “be” var izņemt aiz summas ikonas. Starp citu, formāli to var izdarīt ar summu 
Pārrakstīsim sistēmu “lietotajā” formā: 
pēc tam sāk parādīties mūsu problēmas risināšanas algoritms:
Vai mēs zinām punktu koordinātas? Mēs zinām. Summas 
vai mēs to varam atrast? Viegli. Pagatavosim vienkāršāko divu lineāru vienādojumu sistēma divos nezināmajos(“a” un “būt”). Mēs risinām sistēmu, piemēram, Krāmera metode, kā rezultātā iegūstam stacionāru punktu. Pārbauda pietiekams nosacījums ekstremitātei, mēs varam pārbaudīt, ka šajā brīdī funkcija 
sasniedz precīzi minimums. Pārbaudē tiek veikti papildu aprēķini, tāpēc mēs to atstāsim aizkulisēs (ja nepieciešams, trūkstošo kadru var apskatītŠeit
)
. Mēs izdarām galīgo secinājumu:
Funkcija 
vislabākajā iespējamajā veidā (vismaz salīdzinājumā ar jebkuru citu lineāro funkciju) tuvina eksperimentālos punktus . Aptuveni runājot, tā grafiks iet pēc iespējas tuvāk šiem punktiem. Tradīcijās ekonometrija tiek saukta arī iegūtā aproksimējošā funkcija pārī lineārās regresijas vienādojums
.
Apskatāmajai problēmai ir liela praktiska nozīme. Mūsu piemērā vienādojums. ļauj prognozēt, kāds tirdzniecības apgrozījums ("Igrek") veikalam būs tāda vai cita tirdzniecības platības vērtība (viena vai cita “x” nozīme). Jā, iegūtā prognoze būs tikai prognoze, taču daudzos gadījumos tā izrādīsies diezgan precīza.
Es analizēšu tikai vienu problēmu ar “reāliem” skaitļiem, jo tajā nav nekādu grūtību - visi aprēķini ir 7.-8.klases skolas mācību programmas līmenī. 95 procentos gadījumu jums tiks lūgts atrast tikai lineāru funkciju, bet pašā raksta beigās es parādīšu, ka nav grūtāk atrast optimālās hiperbolas, eksponenciālās un dažu citu funkciju vienādojumus.
Patiesībā atliek vien izdalīt solītos labumus – lai šādus piemērus iemācītos atrisināt ne tikai precīzi, bet arī ātri. Mēs rūpīgi izpētām standartu:
Uzdevums
Pētot divu rādītāju attiecības, tika iegūti šādi skaitļu pāri: 
Izmantojot mazāko kvadrātu metodi, atrodiet lineāro funkciju, kas vislabāk tuvina empīrisko (pieredzējis) datus. Izveidojiet zīmējumu, uz kura konstruēt eksperimentālos punktus, un aproksimējošās funkcijas grafiku Dekarta taisnstūra koordinātu sistēmā 
. Atrodiet noviržu summu kvadrātā starp empīrisko un teorētisko vērtību. Uzziniet, vai šī funkcija būtu labāka (no mazāko kvadrātu metodes viedokļa) tuvināt eksperimentālos punktus.
Lūdzu, ņemiet vērā, ka “x” nozīmes ir dabiskas, un tai ir raksturīga nozīmīga nozīme, par kuru es runāšu nedaudz vēlāk; bet tie, protams, var būt arī daļēji. Turklāt atkarībā no konkrētā uzdevuma satura gan “X”, gan “spēles” vērtības var būt pilnībā vai daļēji negatīvas. Nu, mums ir dots “bez sejas” uzdevums, un mēs to sākam risinājums:
Mēs atrodam optimālās funkcijas koeficientus kā sistēmas risinājumu: 
Kompaktākas ierakstīšanas nolūkos mainīgo “skaitītājs” var izlaist, jo jau ir skaidrs, ka summēšana tiek veikta no 1 līdz .
Ērtāk ir aprēķināt nepieciešamās summas tabulas veidā: 
Aprēķinus var veikt ar mikrokalkulatoru, taču daudz labāk ir izmantot Excel - gan ātrāk, gan bez kļūdām; noskatieties īsu video:
Tādējādi mēs iegūstam sekojošo sistēma:
Šeit jūs varat reizināt otro vienādojumu ar 3 un atņemt 2. no 1. vienādojuma locekļa pa vārdam. Taču tā ir veiksme – praksē sistēmas bieži vien nav dāvana, un šādos gadījumos tas ietaupa Krāmera metode:
, kas nozīmē, ka sistēmai ir unikāls risinājums.
Pārbaudīsim. Es saprotu, ka jūs to nevēlaties, bet kāpēc izlaist kļūdas, ja tās nevar palaist garām? Aizstāsim atrasto risinājumu katra sistēmas vienādojuma kreisajā pusē:
Tiek iegūtas atbilstošo vienādojumu labās puses, kas nozīmē, ka sistēma ir pareizi atrisināta.
Tādējādi vēlamā aproksimējošā funkcija: – no visas lineārās funkcijas Tieši viņa vislabāk tuvina eksperimentālos datus.
Atšķirībā no tiešā veidā
veikala apgrozījuma atkarība no tā platības, konstatētā atkarība ir otrādi
(princips "jo vairāk, jo mazāk"), un šo faktu uzreiz atklāj negatīvais slīpums. Funkcija 
norāda, ka, palielinoties noteiktam rādītājam par 1 vienību, atkarīgā rādītāja vērtība samazinās vidēji par 0,65 vienībām. Kā saka, jo augstāka ir griķu cena, jo mazāk to pārdod.
Lai attēlotu aproksimējošās funkcijas grafiku, mēs atrodam tās divas vērtības:
un izpildiet zīmējumu: 
Izbūvēto taisni sauc tendenču līnija
(proti, lineāra tendences līnija, t.i., vispārīgā gadījumā tendence ne vienmēr ir taisna līnija). Ikviens ir pazīstams ar izteicienu “būt tendencēm”, un es domāju, ka šim terminam nav nepieciešami papildu komentāri.
Aprēķināsim noviržu kvadrātā summu 
starp empīriskajām un teorētiskajām vērtībām. Ģeometriski tā ir “aveņu” segmentu garumu kvadrātu summa (no kuriem divi ir tik mazi, ka pat nav redzami).
Apkoposim aprēķinus tabulā: 
Atkal, katram gadījumam tos var izdarīt manuāli, es sniegšu piemēru 1. punktam: 
bet daudz efektīvāk ir to darīt jau zināmā veidā:
Mēs atkārtojam vēlreiz: Kāda ir iegūtā rezultāta nozīme? No visas lineārās funkcijas y funkcija rādītājs ir mazākais, tas ir, tā saimē tas ir labākais tuvinājums. Un šeit, starp citu, galīgais problēmas jautājums nav nejaušs: kā būtu, ja ierosinātā eksponenciālā funkcija 
vai būtu labāk tuvināt eksperimentālos punktus?
Atradīsim atbilstošo noviržu kvadrātu summu - lai atšķirtu, es tās apzīmēšu ar burtu “epsilon”. Tehnika ir tieši tāda pati: 
Un atkal katram gadījumam aprēķini 1. punktam: 
Programmā Excel mēs izmantojam standarta funkciju EXP (sintaksi var atrast Excel palīdzībā).
Secinājums: , kas nozīmē, ka eksponenciālā funkcija eksperimentālos punktus tuvina sliktāk nekā taisne .
Bet šeit jāatzīmē, ka "sliktāk" ir vēl nenozīmē, kas ir slikti. Tagad esmu izveidojis šīs eksponenciālās funkcijas grafiku - un tas arī iet tuvu punktiem 
- tik ļoti, ka bez analītiskiem pētījumiem ir grūti pateikt, kura funkcija ir precīzāka.
Tas noslēdz risinājumu, un es atgriežos pie jautājuma par argumenta dabiskajām vērtībām. Dažādos pētījumos, parasti ekonomiskajos vai socioloģiskajos, dabiskie “X” tiek izmantoti, lai skaitītu mēnešus, gadus vai citus vienādus laika intervālus. Apsveriet, piemēram, šādu problēmu:
Par veikala mazumtirdzniecības apgrozījumu pirmajā pusgadā ir pieejami šādi dati:
Izmantojot analītisko taisnlīnijas izlīdzināšanu, nosakiet jūlija apgrozījuma apjomu.
Jā, nav problēmu: mēs numurējam mēnešus 1, 2, 3, 4, 5, 6 un izmantojam parasto algoritmu, kā rezultātā iegūstam vienādojumu - vienīgais, ka runājot par laiku, viņi parasti izmanto burts "te" (lai gan tas nav kritiski). Iegūtais vienādojums liecina, ka pirmajā pusgadā tirdzniecības apgrozījums palielinājies vidēji par 27,74 vienībām. mēnesī. Saņemsim prognozi jūlijam (mēnesis nr. 7): d.e.
Un tādu uzdevumu ir neskaitāmi daudz. Tie, kas vēlas, var izmantot papildu pakalpojumu, proti, manu Excel kalkulators (demo versija), kas gandrīz acumirklī atrisina analizēto problēmu! Ir pieejama programmas darba versija uz maiņu vai priekš simboliska maksa.
Nodarbības beigās īsa informācija par dažu citu veidu atkarību atrašanu. Patiesībā nav daudz ko stāstīt, jo pamata pieeja un risinājuma algoritms paliek nemainīgi.
Pieņemsim, ka eksperimentālo punktu izvietojums atgādina hiperbolu. Pēc tam, lai atrastu labākās hiperbolas koeficientus, jāatrod funkcijas minimums - ikviens var veikt detalizētus aprēķinus un nonākt pie līdzīgas sistēmas: 
No formālā tehniskā viedokļa to iegūst no “lineāras” sistēmas 
(apzīmēsim to ar zvaigznīti) aizstājot "x" ar . Nu kā ar summām? 
aprēķināt, pēc kura līdz optimālajiem koeficientiem “a” un “be” tuvu pie rokas.
Ja ir pamats uzskatīt, ka punkti atrodas gar logaritmisko līkni, tad, lai atrastu optimālās vērtības, mēs atrodam funkcijas minimumu 
. Formāli sistēmā (*) jāaizstāj ar: 
Veicot aprēķinus programmā Excel, izmantojiet funkciju LN. Atzīšos, ka man nebūtu īpaši grūti izveidot kalkulatorus katram no izskatāmajiem gadījumiem, bet tomēr labāk būtu, ja aprēķinus “ieprogrammētu” pats. Nodarbības video, lai palīdzētu.
Ar eksponenciālo atkarību situācija ir nedaudz sarežģītāka. Lai samazinātu jautājumu līdz lineāram gadījumam, mēs ņemam funkciju logaritmu un lietojam logaritma īpašības:
Tagad, salīdzinot iegūto funkciju ar lineāro funkciju, mēs nonākam pie secinājuma, ka sistēmā (*) ir jāaizstāj ar , un – ar . Ērtības labad atzīmēsim: 
Lūdzu, ņemiet vērā, ka sistēma ir atrisināta attiecībā uz un, tāpēc pēc sakņu atrašanas neaizmirstiet atrast pašu koeficientu.
Lai tuvinātu eksperimentālos punktus optimālā parabola 
, vajadzētu atrast trīs mainīgo minimālā funkcija 
. Pēc standarta darbību veikšanas mēs iegūstam šādu “darbu” sistēma:
Jā, protams, šeit ir lielākas summas, taču, izmantojot savu iecienīto aplikāciju, nav nekādu grūtību. Un visbeidzot es jums pastāstīšu, kā ātri veikt pārbaudi, izmantojot Excel un izveidot vēlamo tendenču līniju: izveidojiet izkliedes diagrammu, atlasiet jebkuru punktu ar peli. un ar peles labo pogu noklikšķiniet, atlasiet opciju "Pievienot tendences līniju". Pēc tam atlasiet diagrammas veidu un cilnē "Opcijas" aktivizējiet opciju "Rādīt vienādojumu diagrammā". Labi
Kā vienmēr, es vēlos rakstu beigt ar kādu skaistu frāzi, un es gandrīz ierakstīju “Esi tendencē!” Bet viņš laikus mainīja savas domas. Un ne tāpēc, ka tas ir stereotips. Nezinu, kā tas ir kādam, bet es īpaši nevēlos sekot popularizētajai Amerikas un īpaši Eiropas tendencei =) Tāpēc novēlu jums katram pieturēties pie savas līnijas!
http://www.grandars.ru/student/vysshaya-matematika/metod-naimenshih-kvadratov.html
Mazāko kvadrātu metode ir viena no visizplatītākajām un visattīstītākajām tās dēļ lineāro ekonometrisko modeļu parametru novērtēšanas metožu vienkāršība un efektivitāte. Tajā pašā laikā, to lietojot, jāievēro zināma piesardzība, jo ar to konstruētie modeļi var neatbilst vairākām prasībām attiecībā uz to parametru kvalitāti un rezultātā “labi” neatspoguļo procesu attīstības modeļus. .
Sīkāk aplūkosim lineārā ekonometriskā modeļa parametru novērtēšanas procedūru, izmantojot mazāko kvadrātu metodi. Šādu modeli kopumā var attēlot ar vienādojumu (1.2):
y t = a 0 + a 1 x 1t +...+ a n x nt + ε t.
Sākotnējie dati, novērtējot parametrus a 0 , a 1 ,..., a n ir atkarīgā mainīgā vērtību vektors y= (y 1 , y 2 , ... , y T)" un neatkarīgo mainīgo vērtību matrica
kurā pirmā kolonna, kas sastāv no vieniniekiem, atbilst modeļa koeficientam.
Mazāko kvadrātu metode saņēma savu nosaukumu, pamatojoties uz pamatprincipu, ka uz tās pamata iegūtajiem parametru aprēķiniem jāatbilst: modeļa kļūdas kvadrātu summai jābūt minimālai.
Piemēri uzdevumu risināšanai, izmantojot mazāko kvadrātu metodi
Piemērs 2.1. Tirdzniecības uzņēmumam ir 12 veikalu tīkls, par kuru darbību informācija ir sniegta tabulā. 2.1.
Uzņēmuma vadība vēlas uzzināt, kā gada apgrozījuma lielums ir atkarīgs no veikala tirdzniecības platības.
2.1. tabula
| Veikala numurs | Gada apgrozījums, miljoni rubļu. | Tirdzniecības platība, 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 |
Mazāko kvadrātu risinājums. Apzīmēsim veikala gada apgrozījumu, miljoni rubļu; - veikala tirdzniecības platība, tūkst.m2.
2.1.att. Izkliedes diagramma 2.1. piemēram
Lai noteiktu funkcionālo attiecību formu starp mainīgajiem un konstruēsim izkliedes diagrammu (2.1. att.).
Pamatojoties uz izkliedes diagrammu, varam secināt, ka gada apgrozījums ir pozitīvi atkarīgs no tirdzniecības platībām (t.i., y pieaugs, palielinoties ). Vispiemērotākais funkcionālā savienojuma veids ir lineārs.
Informācija turpmākiem aprēķiniem ir sniegta tabulā. 2.2. Izmantojot mazāko kvadrātu metodi, mēs novērtējam lineāra viena faktora ekonometriskā modeļa parametrus
2.2. tabula
| 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 |
| Vidēji | 68,29 | 0,89 |
Tādējādi
Līdz ar to, palielinoties tirdzniecības platībām par 1 tūkst.m2, pārējiem apstākļiem nemainīgi, vidējais gada apgrozījums pieaug par 67,8871 miljonu rubļu.
Piemērs 2.2. Uzņēmuma vadība novēroja, ka gada apgrozījums ir atkarīgs ne tikai no veikala tirdzniecības platības (skat. 2.1. piemēru), bet arī no vidējā apmeklētāju skaita. Attiecīgā informācija ir sniegta tabulā. 2.3.
2.3. tabula
Risinājums. Apzīmēsim - vidējais veikala apmeklētāju skaits dienā, tūkst. cilvēku.
Lai noteiktu funkcionālo attiecību formu starp mainīgajiem un konstruēsim izkliedes diagrammu (2.2. att.).
Pamatojoties uz izkliedes diagrammu, varam secināt, ka gada apgrozījums ir pozitīvi atkarīgs no vidējā apmeklētāju skaita dienā (t.i., y pieaugs, palielinoties ). Funkcionālās atkarības forma ir lineāra.
Rīsi. 2.2. Izkliedes diagramma 2.2. piemēram
2.4. tabula
| 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 |
| Vidēji | 10,65 |
Kopumā ir nepieciešams noteikt divu faktoru ekonometriskā modeļa parametrus
y t = a 0 + a 1 x 1 t + a 2 x 2 t + ε t
Turpmākajiem aprēķiniem nepieciešamā informācija ir parādīta tabulā. 2.4.
Novērtēsim lineāra divu faktoru ekonometriskā modeļa parametrus, izmantojot mazāko kvadrātu metodi.
Tādējādi
Koeficienta aprēķins =61,6583 liecina, ka, citiem apstākļiem nemainīgi, palielinoties tirdzniecības platībām par 1 tūkst.m 2, gada apgrozījums pieaugs vidēji par 61,6583 milj.rubļu.
Koeficienta aprēķins = 2,2748 parāda, ka, pārējiem apstākļiem nemainīgi pieaugot vidējam apmeklētāju skaitam uz 1 tūkstoti cilvēku. dienā, gada apgrozījums pieaugs vidēji par 2,2748 miljoniem rubļu.
Piemērs 2.3. Izmantojot tabulā sniegto informāciju. 2.2 un 2.4, novērtēt vienfaktora ekonometriskā modeļa parametru
kur ir veikala gada apgrozījuma centrētā vērtība, miljoni rubļu; - t-tā veikala vidējā dienas apmeklētāju skaita centrētā vērtība, tūkst. cilvēku. (skat. 2.1.-2.2. piemērus).
Risinājums. Papildu informācija, kas nepieciešama aprēķiniem, ir sniegta tabulā. 2.5.
2.5. tabula
| -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 | |
| Summa | 48,4344 | 431,0566 |
Izmantojot formulu (2.35), iegūstam
Tādējādi
http://www.cleverstudents.ru/articles/mnk.html
Piemērs.
Eksperimentālie dati par mainīgo vērtībām X Un plkst ir norādīti tabulā. 
To izlīdzināšanas rezultātā tiek iegūta funkcija 
Izmantojot mazāko kvadrātu metode, tuviniet šos datus ar lineāro atkarību y=cirvis+b(atrodiet parametrus A Un b). Uzziniet, kura no divām rindām labāk (mazāko kvadrātu metodes nozīmē) saskaņo eksperimentālos datus. Izveidojiet zīmējumu.
Risinājums.
Mūsu piemērā n=5. Mēs aizpildām tabulu, lai ērtāk aprēķinātu summas, kas iekļautas nepieciešamo koeficientu formulās. 
Vērtības tabulas ceturtajā rindā tiek iegūtas, reizinot 2. rindas vērtības ar 3. rindas vērtībām katram skaitlim i.
Vērtības tabulas piektajā rindā tiek iegūtas, 2. rindā esošās vērtības izliekot kvadrātā katram skaitlim i.
Vērtības tabulas pēdējā kolonnā ir vērtību summas visās rindās.
Koeficientu atrašanai izmantojam mazāko kvadrātu metodes formulas A Un b. Mēs tajās aizstājam atbilstošās vērtības no tabulas pēdējās kolonnas: 
Tāpēc y = 0,165x+2,184- vēlamā aptuvenā taisne.
Atliek noskaidrot, kura no līnijām y = 0,165x+2,184 vai labāk tuvina sākotnējos datus, tas ir, aprēķinus, izmantojot mazāko kvadrātu metodi.
Pierādījums.
Tā ka tad, kad atrasts A Un b funkcijai ir mazākā vērtība, šajā punktā ir nepieciešams, lai funkcijas otrās kārtas diferenciāļa kvadrātiskās formas matrica 
bija pozitīvs noteikti. Parādīsim to.
Otrās kārtas diferenciālam ir šāda forma: 
Tas ir
Tāpēc kvadrātiskās formas matricai ir forma 
un elementu vērtības nav atkarīgas no A Un b.
Parādīsim, ka matrica ir pozitīva noteikta. Lai to izdarītu, leņķiskajiem nepilngadīgajiem jābūt pozitīviem.
Pirmās kārtas leņķiskais minors 
. Nevienlīdzība ir stingra, jo punkti
- Ievadnodarbība par brīvu;
- Liels skaits pieredzējušu skolotāju (dzimtā un krievvalodīgo);
- Kursi NAV uz konkrētu periodu (mēnesis, seši mēneši, gads), bet gan uz noteiktu nodarbību skaitu (5, 10, 20, 50);
- Vairāk nekā 10 000 apmierinātu klientu.
- Vienas nodarbības cena ar krieviski runājošu skolotāju ir no 600 rubļiem, kam dzimtā valoda - no 1500 rubļiem
Mazāko kvadrātu metodes būtība ir trenda modeļa parametru atrašanā, kas vislabāk raksturo jebkuras nejaušas parādības attīstības tendenci laikā vai telpā (trends ir līnija, kas raksturo šīs attīstības tendenci). Mazāko kvadrātu metodes (LSM) uzdevums ir atrast ne tikai kādu tendenču modeli, bet arī atrast labāko vai optimālo modeli. Šis modelis būs optimāls, ja kvadrātveida noviržu summa starp novērotajām faktiskajām vērtībām un atbilstošajām aprēķinātajām tendenču vērtībām ir minimāla (mazākā):
kur ir kvadrātiskā novirze starp novēroto faktisko vērtību
un atbilstošā aprēķinātā tendences vērtība,
pētāmās parādības faktiskā (novērotā) vērtība,
Tendences modeļa aprēķinātā vērtība,
Pētāmās parādības novērojumu skaits.
MNC atsevišķi tiek izmantots diezgan reti. Parasti korelācijas pētījumos to izmanto tikai kā nepieciešamo tehnisko paņēmienu. Jāatceras, ka OLS informācijas bāze var būt tikai uzticama statistikas rinda, un novērojumu skaits nedrīkst būt mazāks par 4, pretējā gadījumā OLS izlīdzināšanas procedūras var zaudēt veselo saprātu.
MNC rīku komplekts sastāv no šādām procedūrām:
Pirmā procedūra. Izrādās, vai vispār ir tendence mainīt rezultējošo atribūtu, mainoties izvēlētajam faktora argumentam, vai, citiem vārdiem sakot, vai pastāv saikne starp “ plkst "Un" X ».
Otrā procedūra. Tiek noteikts, kura līnija (trajektorija) var vislabāk raksturot vai raksturot šo tendenci.
Trešā procedūra.
Piemērs. Pieņemsim, ka mums ir informācija par vidējo saulespuķu ražu pētāmajai saimniecībai (9.1. tabula).
9.1. tabula
|
Novērošanas numurs |
||||||||||
|
Produktivitāte, c/ha |
Tā kā saulespuķu audzēšanas tehnoloģiju līmenis mūsu valstī pēdējos 10 gadus ir palicis praktiski nemainīgs, tas nozīmē, ka, acīmredzot, ražas svārstības analizētajā periodā bija ļoti atkarīgas no laika un klimatisko apstākļu svārstībām. Vai tā tiešām ir taisnība?
Pirmā OLS procedūra. Tiek pārbaudīta hipotēze par saulespuķu ražas izmaiņu tendences pastāvēšanu atkarībā no laikapstākļu un klimatisko apstākļu izmaiņām analizētajos 10 gados.
Šajā piemērā " y "Ieteicams ņemt saulespuķu ražu, un " x » – novērotā gada numurs analizētajā periodā. Pārbaudot hipotēzi par jebkādu attiecību esamību starp " x "Un" y "var izdarīt divos veidos: manuāli un izmantojot datorprogrammas. Protams, ja jums ir datortehnika, šo problēmu var atrisināt pati par sevi. Bet, lai labāk izprastu MNC rīkus, ir ieteicams pārbaudīt hipotēzi par saistību starp " x "Un" y » manuāli, kad pie rokas ir tikai pildspalva un parasts kalkulators. Šādos gadījumos hipotēzi par tendences esamību vislabāk vizuāli pārbaudīt pēc analizējamās dinamikas sērijas grafiskā attēla atrašanās vietas - korelācijas lauka:
Mūsu piemērā korelācijas lauks atrodas ap lēni augošu līniju. Tas pats par sevi liecina par zināmas tendences saulespuķu ražas izmaiņās. Nevar runāt par kādas tendences esamību tikai tad, ja korelācijas lauks izskatās pēc apļa, apļa, stingri vertikāla vai stingri horizontāla mākoņa vai sastāv no haotiski izkliedētiem punktiem. Visos citos gadījumos hipotēze par saistību pastāvēšanu starp " x "Un" y ", un turpiniet izpēti.
Otrā OLS procedūra. Tiek noteikts, kura līnija (trajektorija) vislabāk var raksturot vai raksturot saulespuķu ražas izmaiņu tendenci analizētajā periodā.
Ja jums ir datortehnika, optimālās tendences izvēle notiek automātiski. “Manuālā” apstrādē optimālās funkcijas izvēle parasti tiek veikta vizuāli - pēc korelācijas lauka atrašanās vietas. Tas ir, pamatojoties uz grafika veidu, tiek izvēlēts līnijas vienādojums, kas vislabāk atbilst empīriskajai tendencei (faktiskajai trajektorijai).
Kā zināms, dabā ir ļoti daudz dažādu funkcionālo atkarību, tāpēc ir ārkārtīgi grūti vizuāli analizēt pat nelielu daļu no tām. Par laimi, reālajā ekonomiskajā praksē lielāko daļu attiecību var diezgan precīzi aprakstīt vai nu ar parabolu, vai hiperbolu, vai taisni. Šajā sakarā, izmantojot “manuālo” iespēju izvēlēties labāko funkciju, varat aprobežoties tikai ar šiem trim modeļiem.
|
Hiperbola: |
||
Otrās kārtas parabola: :
Ir viegli redzēt, ka mūsu piemērā saulespuķu ražas izmaiņu tendenci analizētajos 10 gados vislabāk raksturo taisne, tāpēc regresijas vienādojums būs taisnes vienādojums.
Trešā procedūra. Tiek aprēķināti šo līniju raksturojošie regresijas vienādojuma parametri jeb, citiem vārdiem sakot, tiek noteikta analītiskā formula, kas raksturo labāko tendenču modeli.
Regresijas vienādojuma parametru vērtību atrašana, mūsu gadījumā parametri un , ir OLS kodols. Šis process ir saistīts ar normālu vienādojumu sistēmas atrisināšanu.
(9.2)
Šo vienādojumu sistēmu var diezgan viegli atrisināt ar Gausa metodi. Atgādināsim, ka risinājuma rezultātā mūsu piemērā tiek atrastas parametru vērtības un. Tādējādi atrastajam regresijas vienādojumam būs šāda forma:
To plaši izmanto ekonometrikā tā parametru skaidras ekonomiskās interpretācijas veidā.
Lineārā regresija ir formas vienādojuma atrašana
vai
Formas vienādojums ļauj, pamatojoties uz norādītajām parametru vērtībām X ir iegūtā raksturlieluma teorētiskās vērtības, aizstājot tajā faktora faktiskās vērtības X.
Lineārās regresijas konstruēšana ir saistīta ar tās parametru novērtēšanu - A Un V. Lineārās regresijas parametru aplēses var atrast, izmantojot dažādas metodes.
Klasiskā pieeja lineārās regresijas parametru novērtēšanai ir balstīta uz mazāko kvadrātu metode(MNC).
Mazāko kvadrātu metode ļauj iegūt šādus parametru aprēķinus A Un V, pie kuras iegūtā raksturlieluma faktisko vērtību noviržu kvadrātā summa (y) no aprēķinātā (teorētiskā) minimums:
Lai atrastu funkcijas minimumu, jāaprēķina katra parametra daļējie atvasinājumi A Un b un iestatiet tos vienādus ar nulli.
Apzīmēsim ar S, tad:
Pārveidojot formulu, iegūstam šādu normālo vienādojumu sistēmu parametru novērtēšanai A Un V:
Atrisinot normālo vienādojumu sistēmu (3.5) vai nu ar mainīgo lielumu secīgas eliminācijas metodi, vai ar determinantu metodi, atrodam nepieciešamos parametru aplēses A Un V.
Parametrs V sauc par regresijas koeficientu. Tās vērtība parāda vidējās rezultāta izmaiņas, mainoties koeficientam par vienu vienību.
Regresijas vienādojums vienmēr tiek papildināts ar savienojuma ciešuma indikatoru. Lietojot lineāro regresiju, šāds rādītājs ir lineārās korelācijas koeficients. Lineārās korelācijas koeficienta formulai ir dažādas modifikācijas. Daži no tiem ir norādīti zemāk:
Kā zināms, lineārās korelācijas koeficients ir robežās: -1 ≤ ≤ 1.
Lai novērtētu lineāras funkcijas izvēles kvalitāti, tiek aprēķināts kvadrāts
Lineārās korelācijas koeficients sauc determinācijas koeficients. Determinācijas koeficients raksturo iegūtā raksturlieluma dispersijas proporciju y, izskaidrojams ar iegūtās pazīmes kopējās dispersijas regresiju:
Attiecīgi vērtība 1 raksturo dispersijas daļu y, ko izraisa citu modelī neņemtu faktoru ietekme.
Jautājumi paškontrolei
1. Mazāko kvadrātu metodes būtība?
2. Cik mainīgo nodrošina pāru regresija?
3. Kāds koeficients nosaka izmaiņu sakarības ciešumu?
4. Kādās robežās tiek noteikts determinācijas koeficients?
5. Parametra b novērtējums korelācijas-regresijas analīzē?
1. Kristofers Dogertijs. Ievads ekonometrikā. - M.: INFRA - M, 2001 - 402 lpp.
2. S.A. Borodičs. Ekonometrija. Minska SIA “Jaunās zināšanas” 2001.
3. R.U. Rakhmetova Īss ekonometrijas kurss. Studiju ceļvedis. Almati. 2004. -78lpp.
4. I.I. Elisejeva. - M.: “Finanses un statistika”, 2002.g
5. Ikmēneša informatīvais un analītiskais žurnāls.
Nelineārie ekonomikas modeļi. Nelineārās regresijas modeļi. Mainīgo lielumu transformācija.
>Nelineārie ekonomikas modeļi..
Mainīgo lielumu transformācija.
Elastības koeficients.
Ja starp ekonomiskajām parādībām pastāv nelineāras attiecības, tad tās izsaka, izmantojot atbilstošās nelineārās funkcijas: piemēram, vienādmalu hiperbolu. , otrās pakāpes parabolas utt.
Ir divas nelineārās regresijas klases
>1. Regresijas, kas ir nelineāras attiecībā uz analīzē iekļautajiem skaidrojošajiem mainīgajiem, bet lineāras attiecībā uz aprēķinātajiem parametriem, piemēram:
Dažādu pakāpju polinomi - , ;
Vienādmalu hiperbola - ;
Puslogaritmiskā funkcija - .
2. Regresijas, kas novērtētajos parametros ir nelineāras, piemēram:
Jauda - ;
Demonstratīvais - ;
Eksponenciāls - .
Rezultātā iegūtā raksturlieluma atsevišķu vērtību noviržu kopējā kvadrātā plkst no vidējās vērtības izraisa daudzu iemeslu ietekme. Nosacīti sadalīsim visu iemeslu kopumu divās grupās: pētāmais faktors x Un citi faktori.
Ja faktors rezultātu neietekmē, tad regresijas taisne grafikā ir paralēla asij Ak Un
Tad visa iegūtā raksturlieluma dispersija ir saistīta ar citu faktoru ietekmi, un kopējā noviržu kvadrātā sakritīs ar atlikumu. Ja citi faktori neietekmē rezultātu, tad y sasiets Ar X funkcionāli un atlikušā kvadrātu summa ir nulle. Šajā gadījumā ar regresiju izskaidroto noviržu kvadrātā summa ir tāda pati kā kvadrātu kopējā summa.
Tā kā ne visi korelācijas lauka punkti atrodas uz regresijas taisnes, to izkliede vienmēr notiek faktora ietekmes rezultātā. X, t.i., regresija plkst Autors X, un ko izraisa citi cēloņi (neizskaidrojamas variācijas). Regresijas līnijas piemērotība prognozēšanai ir atkarīga no tā, kāda daļa no pazīmes kopējās variācijas plkst izskaidro izskaidrotās variācijas
Acīmredzot, ja regresijas radīto noviržu kvadrātā summa ir lielāka par atlikušo kvadrātu summu, tad regresijas vienādojums ir statistiski nozīmīgs un faktors X būtiski ietekmē rezultātu u.
, i., ar raksturlieluma neatkarīgas variācijas brīvības skaitu. Brīvības pakāpju skaits ir saistīts ar populācijas n vienību skaitu un no tā noteikto konstantu skaitu. Saistībā ar pētāmo problēmu brīvības pakāpju skaitam jāparāda, cik neatkarīgas novirzes no n
Regresijas vienādojuma nozīmīguma novērtējums kopumā dots, izmantojot F-Fišera kritērijs. Šajā gadījumā tiek izvirzīta nulles hipotēze, ka regresijas koeficients ir vienāds ar nulli, t.i. b = 0, un līdz ar to koeficients X neietekmē rezultātu u.
Pirms tūlītējas F testa aprēķina tiek veikta dispersijas analīze. Centrālo vietu tajā ieņem mainīgā lieluma noviržu kvadrātu kopējās summas sadalīšana plkst no vidējās vērtības plkst divās daļās - “izskaidrotais” un “neizskaidrotais”:
Kopējā noviržu kvadrātā summa;
Ar regresiju izskaidrotās novirzes kvadrātā summa;
Noviržu kvadrātā atlikušā summa.
Jebkura noviržu kvadrātā summa ir saistīta ar brīvības pakāpju skaitu , i., ar raksturlieluma neatkarīgas variācijas brīvības skaitu. Brīvības pakāpju skaits ir saistīts ar iedzīvotāju vienību skaitu n un ar no tā noteikto konstantu skaitu. Saistībā ar pētāmo problēmu brīvības pakāpju skaitam jāparāda, cik neatkarīgas novirzes no n iespējams, kas nepieciešams, lai izveidotu noteiktu kvadrātu summu.
Izkliede uz vienu brīvības pakāpiD.
F koeficienti (F tests):
Ja nulles hipotēze ir patiesa, tad koeficients un atlikušās dispersijas neatšķiras viena no otras. Attiecībā uz H 0 ir nepieciešams atspēkojums, lai faktora dispersija vairākas reizes pārsniegtu atlikušo dispersiju. Angļu statistiķis Snedekors izstrādāja kritisko vērtību tabulas F-attiecības dažādos nulles hipotēzes nozīmīguma līmeņos un dažādos brīvības pakāpju skaitļos. Tabulas vērtība F-kritērijs ir dispersiju attiecības maksimālā vērtība, kas var rasties nejaušas novirzes gadījumā noteiktam nulles hipotēzes esamības varbūtības līmenim. Aprēķinātā vērtība F-attiecības tiek uzskatītas par uzticamām, ja o ir lielāks par tabulu.
Šajā gadījumā nulles hipotēze par attiecību neesamību starp zīmēm tiek noraidīta un tiek izdarīts secinājums par šo attiecību nozīmi: F fakts > F tabula H 0 tiek noraidīts.
Ja vērtība ir mazāka par tabulā norādīto F fakts ‹, F tabula, tad nulles hipotēzes iespējamība ir augstāka par noteiktu līmeni un to nevar noraidīt bez nopietna riska izdarīt nepareizu secinājumu par attiecību esamību. Šajā gadījumā regresijas vienādojums tiek uzskatīts par statistiski nenozīmīgu. Bet viņš nenovirzās.
Regresijas koeficienta standartkļūda
Lai novērtētu regresijas koeficienta nozīmīgumu, tā vērtību salīdzina ar tā standarta kļūdu, t.i., nosaka faktisko vērtību t-Studenta t-tests: ko pēc tam salīdzina ar tabulas vērtību noteiktā nozīmīguma līmenī un brīvības pakāpju skaitā ( n- 2).
Standarta parametra kļūda A:
Lineārās korelācijas koeficienta nozīmīgumu pārbauda, pamatojoties uz kļūdas lielumu korelācijas koeficients t r:
Kopējā pazīmju dispersija X:
Daudzkārtēja lineārā regresija
Modeļa veidošana
Daudzkārtēja regresija apzīmē efektīvas pazīmes regresiju ar diviem vai vairākiem faktoriem, t.i., formas modeli
Regresija var dot labus rezultātus modelēšanā, ja var neņemt vērā citu pētāmo objektu ietekmējošo faktoru ietekmi. Atsevišķu ekonomisko mainīgo uzvedību nevar kontrolēt, t.i., nav iespējams nodrošināt visu pārējo nosacījumu vienlīdzību viena pētāmā faktora ietekmes novērtēšanai. Šajā gadījumā jāmēģina identificēt citu faktoru ietekmi, tos ieviešot modelī, t.i., jākonstruē daudzkārtējas regresijas vienādojums: y = a+b 1 x 1 +b 2 +…+b p x p + .
Daudzkārtējās regresijas galvenais mērķis ir izveidot modeli ar lielu faktoru skaitu, vienlaikus nosakot katra no tiem ietekmi atsevišķi, kā arī to kopējo ietekmi uz modelēto rādītāju. Modeļa specifikācija ietver divus jautājumu lokus: faktoru izvēli un regresijas vienādojuma veida izvēli.
