Ang pinakamababang paraan ng mga parisukat ay nagpapahintulot. Pamamaraan ng hindi bababa sa mga parisukat sa Excel. Pagsusuri ng regression. Ilang mga espesyal na kaso ng paggamit ng MNC sa pagsasanay

17.03.2022

Na nakakahanap ng pinakamalawak na aplikasyon sa iba't ibang larangan ng agham at praktikal na aktibidad. Ito ay maaaring pisika, kimika, biology, ekonomiya, sosyolohiya, sikolohiya, at iba pa at iba pa. Sa pamamagitan ng kalooban ng kapalaran, madalas kong kailangang harapin ang ekonomiya, at samakatuwid ngayon ay ayusin ko para sa iyo ang isang paglalakbay sa isang kamangha-manghang bansa na tinatawag na Econometrics=) ...Paanong ayaw mo?! Napakaganda doon - kailangan mo lang magdesisyon! ...Ngunit ang malamang na gusto mo ay matutunan kung paano lutasin ang mga problema paraan ng least squares. At lalo na ang mga masisipag na mambabasa ay matututong lutasin ang mga ito hindi lamang nang tumpak, kundi pati na rin ng MABILIS ;-) Ngunit una pangkalahatang pahayag ng problema+ kasamang halimbawa:

Pag-aralan natin ang mga indicator sa isang partikular na lugar ng paksa na may quantitative expression. Kasabay nito, mayroong bawat dahilan upang maniwala na ang tagapagpahiwatig ay nakasalalay sa tagapagpahiwatig. Ang pagpapalagay na ito ay maaaring isang siyentipikong hypothesis o batay sa pangunahing sentido komun. Iwanan natin ang agham, gayunpaman, at tuklasin ang higit pang mga lugar na kasiya-siya - ibig sabihin, mga grocery store. Tukuyin natin sa pamamagitan ng:

– retail area ng isang grocery store, sq.m.,
– taunang turnover ng isang grocery store, milyong rubles.

Ito ay ganap na malinaw na ang mas malaki ang lugar ng tindahan, mas malaki sa karamihan ng mga kaso ang turnover nito.

Ipagpalagay na pagkatapos magsagawa ng mga obserbasyon/eksperimento/kalkulasyon/sayaw gamit ang tamburin ay mayroon tayong numerical na data sa ating pagtatapon:

Sa mga grocery store, sa palagay ko ang lahat ay malinaw: - ito ang lugar ng 1st store, - ang taunang turnover nito, - ang lugar ng 2nd store, - ang taunang turnover nito, atbp. Sa pamamagitan ng paraan, hindi kinakailangan na magkaroon ng access sa mga classified na materyales - ang isang medyo tumpak na pagtatasa ng trade turnover ay maaaring makuha sa pamamagitan ng mga istatistika ng matematika. Gayunpaman, huwag tayong magambala, ang kurso ng komersyal na espiya ay binabayaran na =)

Ang data ng tabular ay maaari ding isulat sa anyo ng mga punto at ilarawan sa pamilyar na anyo Sistema ng Cartesian .

Sagutin natin ang isang mahalagang tanong: Ilang puntos ang kailangan para sa isang qualitative study?

Mas mabuti. Ang pinakamababang katanggap-tanggap na hanay ay binubuo ng 5-6 puntos. Bilang karagdagan, kapag maliit ang dami ng data, hindi maaaring isama sa sample ang mga "anomalyang" resulta. Kaya, halimbawa, ang isang maliit na elite na tindahan ay maaaring kumita ng mga order ng magnitude nang higit pa kaysa sa "mga kasamahan nito," at sa gayon ay binabaluktot ang pangkalahatang pattern na kailangan mong hanapin!

Upang ilagay ito nang napakasimple, kailangan nating pumili ng isang function, iskedyul na pumasa nang mas malapit hangga't maaari sa mga puntos . Ang function na ito ay tinatawag tinatantiya (approximation - approximation) o teoretikal na pag-andar . Sa pangkalahatan, ang isang malinaw na "contender" ay agad na lumilitaw dito - isang high-degree na polynomial, ang graph kung saan dumadaan sa LAHAT ng mga puntos. Ngunit ang pagpipiliang ito ay kumplikado at kadalasan ay hindi tama. (dahil ang graph ay "mag-loop" sa lahat ng oras at hindi maganda ang pagsasalamin sa pangunahing trend).

Kaya, ang hinahangad na function ay dapat na medyo simple at sa parehong oras ay sapat na sumasalamin sa pagtitiwala. Tulad ng maaari mong hulaan, ang isa sa mga pamamaraan para sa paghahanap ng mga naturang function ay tinatawag paraan ng least squares. Una, tingnan natin ang kakanyahan nito sa mga pangkalahatang tuntunin. Hayaang gumana ang ilang tinatayang pang-eksperimentong data:

Paano suriin ang katumpakan ng pagtatantya na ito? Kalkulahin din natin ang mga pagkakaiba (mga deviation) sa pagitan ng mga pang-eksperimentong at functional na halaga (pinag-aaralan namin ang pagguhit). Ang unang naiisip na nasa isip ay ang tantiyahin kung gaano kalaki ang kabuuan, ngunit ang problema ay ang mga pagkakaiba ay maaaring negatibo (Halimbawa, ) at ang mga paglihis bilang resulta ng naturang pagsusuma ay magkakansela sa isa't isa. Samakatuwid, bilang isang pagtatantya ng katumpakan ng pagtatantya, hinihiling nitong kunin ang kabuuan mga module mga paglihis:

o gumuho: (kung sakaling hindi alam ng sinuman: – ito ang sum icon, at – isang auxiliary “counter” variable, na kumukuha ng mga value mula 1 hanggang ).

Sa pamamagitan ng pagtatantya ng mga pang-eksperimentong punto na may iba't ibang mga function, makakakuha tayo ng iba't ibang mga halaga, at malinaw naman, kung saan mas maliit ang kabuuan na ito, ang function na iyon ay mas tumpak.

Ang ganitong paraan ay umiiral at ito ay tinatawag hindi bababa sa modulus na pamamaraan. Gayunpaman, sa pagsasagawa ito ay naging mas laganap paraan ng least squares, kung saan ang mga posibleng negatibong halaga ay tinanggal hindi ng module, ngunit sa pamamagitan ng pag-squaring ng mga deviations:

, pagkatapos kung saan ang mga pagsisikap ay naglalayong pumili ng isang function na ang kabuuan ng mga squared deviations ay kasing liit hangga't maaari. Sa totoo lang, dito nagmula ang pangalan ng pamamaraan.

At ngayon bumalik tayo sa isa pang mahalagang punto: tulad ng nabanggit sa itaas, ang napiling function ay dapat na medyo simple - ngunit mayroon ding maraming mga naturang pag-andar: linear , hyperbolic, exponential, logarithmic, parisukat atbp. At, siyempre, dito gusto kong "bawasan ang larangan ng aktibidad." Aling klase ng mga function ang dapat kong piliin para sa pananaliksik? Isang primitive ngunit epektibong pamamaraan:

– Ang pinakamadaling paraan ay ang maglarawan ng mga punto sa pagguhit at pag-aralan ang kanilang lokasyon. Kung may posibilidad silang tumakbo sa isang tuwid na linya, dapat mong hanapin equation ng isang linya na may pinakamainam na halaga at . Sa madaling salita, ang gawain ay upang mahanap ang GANITONG mga coefficient upang ang kabuuan ng mga squared deviations ay ang pinakamaliit.

Kung ang mga punto ay matatagpuan, halimbawa, kasama hyperbole, pagkatapos ay malinaw na malinaw na ang linear function ay magbibigay ng hindi magandang pagtatantya. Sa kasong ito, hinahanap namin ang pinaka "kanais-nais" na mga coefficient para sa hyperbola equation – ang mga nagbibigay ng pinakamababang kabuuan ng mga parisukat .

Ngayon tandaan na sa parehong mga kaso ang pinag-uusapan natin mga function ng dalawang variable, na ang mga argumento ay naghanap ng mga parameter ng dependency:

At mahalagang kailangan nating lutasin ang isang karaniwang problema - hanapin pinakamababang function ng dalawang variable.

Tandaan natin ang ating halimbawa: ipagpalagay na ang mga punto ng "store" ay malamang na matatagpuan sa isang tuwid na linya at mayroong lahat ng dahilan upang maniwala sa presensya linear dependence turnover mula sa retail space. Hanapin natin ang GANOONG coefficient na "a" at "be" na ang kabuuan ng mga squared deviations ay ang pinakamaliit. Ang lahat ay gaya ng dati - una Mga partial derivative sa unang order. Ayon sa tuntunin ng linearity Maaari kang mag-iba sa ilalim mismo ng icon ng kabuuan:

Kung nais mong gamitin ang impormasyong ito para sa isang sanaysay o term paper, ako ay lubos na nagpapasalamat para sa link sa listahan ng mga mapagkukunan ay makikita mo ang mga detalyadong kalkulasyon sa ilang mga lugar:

Gumawa tayo ng karaniwang sistema:

Binabawasan namin ang bawat equation ng "dalawa" at, bilang karagdagan, "paghiwalayin" ang mga kabuuan:

Tandaan : nakapag-iisa na pag-aralan kung bakit maaaring alisin ang "a" at "be" lampas sa icon ng kabuuan. Sa pamamagitan ng paraan, pormal na ito ay maaaring gawin sa kabuuan

Isulat muli natin ang system sa "inilapat" na form:

pagkatapos nito ang algorithm para sa paglutas ng aming problema ay nagsisimulang lumabas:

Alam ba natin ang mga coordinate ng mga puntos? Alam namin. Mga halaga mahahanap kaya natin? Madali. Gawin natin ang pinakasimple sistema ng dalawang linear na equation sa dalawang hindi alam(“a” at “maging”). Nilulutas namin ang sistema, halimbawa, Pamamaraan ni Cramer, bilang isang resulta kung saan nakakakuha kami ng isang nakatigil na punto. Sinusuri sapat na kondisyon para sa isang extremum, maaari naming i-verify na sa puntong ito ang function eksaktong umabot pinakamababa. Ang tseke ay nagsasangkot ng mga karagdagang kalkulasyon at samakatuwid ay iiwan namin ito sa likod ng mga eksena (kung kinakailangan, ang nawawalang frame ay maaaring tingnan). Ginagawa namin ang pangwakas na konklusyon:

Function sa pinakamahusay na posibleng paraan (hindi bababa sa kumpara sa anumang iba pang linear function) pinalalapit ang mga pang-eksperimentong punto . Sa halos pagsasalita, ang graph nito ay pumasa nang mas malapit hangga't maaari sa mga puntong ito. Sa tradisyon econometrics ang resultang approximating function ay tinatawag din ipinares na linear regression equation .

Ang problemang isinasaalang-alang ay may malaking praktikal na kahalagahan. Sa aming halimbawang sitwasyon, Eq. ay nagbibigay-daan sa iyo upang mahulaan kung anong trade turnover ("Igrek") ang tindahan ay magkakaroon sa isa o ibang halaga ng lugar ng pagbebenta (isa o ibang kahulugan ng "x"). Oo, ang magreresultang hula ay magiging isang hula lamang, ngunit sa maraming mga kaso ito ay magiging tumpak.

Susuriin ko lamang ang isang problema sa "tunay" na mga numero, dahil walang mga paghihirap dito - lahat ng mga kalkulasyon ay nasa antas ng kurikulum ng ika-7-8 baitang ng paaralan. Sa 95 porsyento ng mga kaso, hihilingin sa iyo na makahanap lamang ng isang linear na function, ngunit sa pinakadulo ng artikulo ay ipapakita ko na hindi na mahirap hanapin ang mga equation ng pinakamainam na hyperbola, exponential at ilang iba pang mga function.

Sa katunayan, ang natitira na lang ay ang pamamahagi ng mga ipinangakong goodies - upang matutunan mong lutasin ang mga naturang halimbawa hindi lamang tumpak, ngunit mabilis din. Maingat naming pinag-aaralan ang pamantayan:

Gawain

Bilang resulta ng pag-aaral ng ugnayan sa pagitan ng dalawang tagapagpahiwatig, ang mga sumusunod na pares ng mga numero ay nakuha:

Gamit ang paraan ng least squares, hanapin ang linear function na pinakamahusay na tinatantya ang empirical (nakaranas) datos. Gumawa ng drawing kung saan bubuo ng mga pang-eksperimentong punto at isang graph ng approximating function sa isang Cartesian rectangular coordinate system . Hanapin ang kabuuan ng mga squared deviations sa pagitan ng empirical at theoretical values. Alamin kung magiging mas maganda ang feature (mula sa punto ng view ng least squares method) ilapit ang mga pang-eksperimentong punto.

Pakitandaan na ang mga kahulugan ng "x" ay natural, at ito ay may katangiang makabuluhang kahulugan, na tatalakayin ko sa ibang pagkakataon; ngunit sila, siyempre, ay maaari ding maging fractional. Bilang karagdagan, depende sa nilalaman ng isang partikular na gawain, ang parehong mga halaga ng "X" at "laro" ay maaaring ganap o bahagyang negatibo. Buweno, binigyan kami ng isang "walang mukha" na gawain, at sinimulan namin ito solusyon:

Nahanap namin ang mga coefficient ng pinakamainam na function bilang isang solusyon sa system:

Para sa layunin ng mas compact na pag-record, ang "counter" na variable ay maaaring tanggalin, dahil malinaw na na ang pagsusuma ay isinasagawa mula 1 hanggang .

Ito ay mas maginhawa upang kalkulahin ang mga kinakailangang halaga sa tabular form:

Maaaring isagawa ang mga kalkulasyon sa isang microcalculator, ngunit mas mahusay na gumamit ng Excel - parehong mas mabilis at walang mga error; manood ng maikling video:

Kaya, nakukuha namin ang sumusunod sistema:

Dito maaari mong i-multiply ang pangalawang equation sa pamamagitan ng 3 at ibawas ang 2nd mula sa 1st equation term sa pamamagitan ng term. Ngunit ito ay swerte - sa pagsasagawa, ang mga sistema ay madalas na hindi isang regalo, at sa mga ganitong kaso nakakatipid ito Pamamaraan ni Cramer:
, na nangangahulugan na ang system ay may natatanging solusyon.

Suriin natin. Naiintindihan ko na hindi mo gusto, ngunit bakit laktawan ang mga pagkakamali kung saan sila ay talagang hindi mapalampas? Ipalit natin ang nahanap na solusyon sa kaliwang bahagi ng bawat equation ng system:

Ang kanang bahagi ng mga katumbas na equation ay nakuha, na nangangahulugan na ang sistema ay nalutas nang tama.

Kaya, ang gustong approximating function: – mula sa lahat ng linear function Siya ang pinakamahusay na tinatantya ang pang-eksperimentong data.

Unlike direkta dependence ng turnover ng tindahan sa lugar nito, ang nahanap na dependence ay reverse (prinsipyo "mas marami, mas kaunti"), at ang katotohanang ito ay agad na inihayag ng negatibo dalisdis. Function ay nagsasabi sa amin na sa isang pagtaas sa isang tiyak na tagapagpahiwatig ng 1 yunit, ang halaga ng umaasa na tagapagpahiwatig ay bumababa sa karaniwan ng 0.65 units. Tulad ng sinasabi nila, mas mataas ang presyo ng bakwit, mas mababa ito ibinebenta.

Upang i-plot ang graph ng approximating function, makikita natin ang dalawang value nito:

at isagawa ang pagguhit:

Ang itinayong tuwid na linya ay tinatawag linya ng trend (ibig sabihin, isang linear na linya ng trend, ibig sabihin, sa pangkalahatang kaso, ang isang trend ay hindi kinakailangang isang tuwid na linya). Pamilyar ang lahat sa ekspresyong "nasa uso," at sa palagay ko ang terminong ito ay hindi nangangailangan ng karagdagang mga komento.

Kalkulahin natin ang kabuuan ng mga squared deviations sa pagitan ng empirical at theoretical values. Sa geometriko, ito ang kabuuan ng mga parisukat ng mga haba ng mga segment na "raspberry". (dalawa sa mga ito ay napakaliit na hindi man lang nakikita).

Ibuod natin ang mga kalkulasyon sa isang talahanayan:

Muli, maaari silang gawin nang manu-mano kung sakali, magbibigay ako ng isang halimbawa para sa unang punto:

ngunit ito ay mas epektibong gawin ito sa alam nang paraan:

Ulitin namin muli: Ano ang kahulugan ng resultang nakuha? Mula sa lahat ng linear function y function ang tagapagpahiwatig ay ang pinakamaliit, iyon ay, sa pamilya nito ito ang pinakamahusay na pagtatantya. At dito, sa pamamagitan ng paraan, ang huling tanong ng problema ay hindi sinasadya: paano kung ang iminungkahing exponential function mas mabuti bang ilapit ang mga pang-eksperimentong punto?

Hanapin natin ang katumbas na kabuuan ng mga parisukat na paglihis - upang makilala, ilalarawan ko ang mga ito sa pamamagitan ng titik na "epsilon". Ang pamamaraan ay eksaktong pareho:

At muli, kung sakali, ang mga kalkulasyon para sa 1st point:

Sa Excel ginagamit namin ang karaniwang function EXP (matatagpuan ang syntax sa Excel Help).

Konklusyon: , na nangangahulugan na ang exponential function ay tinatantya ang mga pang-eksperimentong puntos na mas malala kaysa sa isang tuwid na linya .

Ngunit dito dapat tandaan na ang "mas masahol pa" ay hindi pa ibig sabihin, na masama. Ngayon ay nakagawa na ako ng graph ng exponential function na ito - at pumasa din ito malapit sa mga puntos - kaya't kung walang analytical na pananaliksik ay mahirap sabihin kung aling function ang mas tumpak.

Tinatapos nito ang solusyon, at bumalik ako sa tanong ng mga likas na halaga ng argumento. Sa iba't ibang mga pag-aaral, kadalasang pang-ekonomiya o sosyolohikal, ang mga natural na "X" ay ginagamit sa bilang ng mga buwan, taon o iba pang pantay na agwat ng oras. Isaalang-alang, halimbawa, ang sumusunod na problema.

Halimbawa.

Pang-eksperimentong data sa mga halaga ng mga variable X At sa ay ibinigay sa talahanayan.

Bilang resulta ng kanilang pagkakahanay, nakuha ang pag-andar

Gamit paraan ng least squares, tantiyahin ang mga data na ito sa pamamagitan ng isang linear na dependence y=ax+b(hanapin ang mga parameter A At b). Alamin kung alin sa dalawang linya ang mas mahusay (sa kahulugan ng paraan ng least squares) ang nakahanay sa pang-eksperimentong data. Gumawa ng drawing.

Ang kakanyahan ng least squares method (LSM).

Ang gawain ay upang mahanap ang mga linear dependence coefficients kung saan ang function ng dalawang variable A At b kumukuha ng pinakamaliit na halaga. Ibig sabihin, binigay A At b ang kabuuan ng mga squared deviations ng pang-eksperimentong data mula sa natagpuang tuwid na linya ang magiging pinakamaliit. Ito ang buong punto ng pamamaraan ng least squares.

Kaya, ang paglutas ng halimbawa ay bumababa sa paghahanap ng extremum ng isang function ng dalawang variable.

Pagkuha ng mga formula para sa paghahanap ng mga coefficient.

Ang isang sistema ng dalawang equation na may dalawang hindi alam ay pinagsama-sama at nalutas. Paghahanap ng mga partial derivatives ng isang function na may paggalang sa mga variable A At b, itinutumbas namin ang mga derivatives na ito sa zero.

Nilulutas namin ang nagresultang sistema ng mga equation gamit ang anumang pamamaraan (halimbawa sa pamamagitan ng paraan ng pagpapalit o ) at kumuha ng mga formula para sa paghahanap ng mga coefficient gamit ang least squares method (LSM).

Ibinigay A At b function kumukuha ng pinakamaliit na halaga. Ang patunay ng katotohanang ito ay ibinigay.

Iyan ang buong paraan ng hindi bababa sa mga parisukat. Formula para sa paghahanap ng parameter a naglalaman ng mga kabuuan , , , at parameter n- dami ng pang-eksperimentong data. Inirerekomenda namin ang pagkalkula ng mga halaga ng mga halagang ito nang hiwalay. Coefficient b ay matatagpuan pagkatapos ng pagkalkula a.

Oras na para alalahanin ang orihinal na halimbawa.

Solusyon.

Sa ating halimbawa n=5. Pinupuno namin ang talahanayan para sa kaginhawaan ng pagkalkula ng mga halaga na kasama sa mga formula ng kinakailangang coefficients.

Ang mga halaga sa ika-apat na hilera ng talahanayan ay nakuha sa pamamagitan ng pagpaparami ng mga halaga ng ika-2 hilera sa mga halaga ng ika-3 hilera para sa bawat numero i.

Ang mga halaga sa ikalimang hilera ng talahanayan ay nakuha sa pamamagitan ng pag-squaring ng mga halaga sa ika-2 hilera para sa bawat numero i.

Ang mga halaga sa huling hanay ng talahanayan ay ang mga kabuuan ng mga halaga sa mga hilera.

Ginagamit namin ang mga formula ng pinakamaliit na paraan ng mga parisukat upang mahanap ang mga coefficient A At b. Pinapalitan namin ang kaukulang mga halaga mula sa huling hanay ng talahanayan sa kanila:

Kaya naman, y = 0.165x+2.184- ang nais na tinatayang tuwid na linya.

Ito ay nananatiling alamin kung alin sa mga linya y = 0.165x+2.184 o mas mahusay na tinatantya ang orihinal na data, iyon ay, mga pagtatantya gamit ang pinakamababang paraan ng mga parisukat.

Error sa pagtatantya ng least squares method.

Upang gawin ito, kailangan mong kalkulahin ang kabuuan ng mga squared deviations ng orihinal na data mula sa mga linyang ito At , ang isang mas maliit na halaga ay tumutugma sa isang linya na mas mahusay na tinatantya ang orihinal na data sa kahulugan ng paraan ng least squares.

Since , tapos straight y = 0.165x+2.184 mas mahusay na tinatantya ang orihinal na data.

Graphic na paglalarawan ng least squares (LS) na pamamaraan.

Ang lahat ay malinaw na nakikita sa mga graph. Ang pulang linya ay ang natagpuang tuwid na linya y = 0.165x+2.184, ang asul na linya ay , ang mga pink na tuldok ay ang orihinal na data.

Bakit kailangan ito, bakit lahat ng mga pagtatantya na ito?

Personal kong ginagamit ito upang malutas ang mga problema ng data smoothing, interpolation at extrapolation na mga problema (sa orihinal na halimbawa ay maaaring hiniling sa kanila na hanapin ang halaga ng isang naobserbahang halaga y sa x=3 o kailan x=6 gamit ang paraan ng least squares). Ngunit pag-uusapan natin ang higit pa tungkol dito sa ibang seksyon ng site.

Patunay.

Kaya't kapag natagpuan A At b Kinukuha ng function ang pinakamaliit na halaga, kinakailangan na sa puntong ito ang matrix ng quadratic form ng second order differential para sa function ay tiyak na positibo. Ipakita natin.

Ang second order differential ay may anyo:

Iyon ay

Samakatuwid, ang matrix ng quadratic form ay may anyo

at ang mga halaga ng mga elemento ay hindi nakasalalay sa A At b.

Ipakita natin na ang matrix ay positibong tiyak. Upang gawin ito, ang mga angular na menor de edad ay dapat na positibo.

Unang order angular minor . Ang hindi pagkakapantay-pantay ay mahigpit dahil ang mga punto ay hindi nagtutugma. Sa mga sumusunod ay ipahiwatig natin ito.

Pangalawang order angular minor

Patunayan natin yan sa pamamagitan ng paraan ng mathematical induction.

Konklusyon: nahanap na mga halaga A At b tumutugma sa pinakamaliit na halaga ng function , samakatuwid, ang mga kinakailangang parameter para sa paraan ng least squares.

Paraan ng hindi bababa sa mga parisukat

Sa huling aralin ng paksa, makikilala natin ang pinakatanyag na aplikasyon FNP, na nakakahanap ng pinakamalawak na aplikasyon sa iba't ibang larangan ng agham at praktikal na aktibidad. Ito ay maaaring pisika, kimika, biyolohiya, ekonomiya, sosyolohiya, sikolohiya, at iba pa at iba pa. Sa pamamagitan ng kalooban ng kapalaran, madalas kong kailangang harapin ang ekonomiya, at samakatuwid ngayon ay aayusin ko para sa iyo ang isang paglalakbay sa isang kamangha-manghang bansa na tinatawag na Econometrics=) ...Paanong ayaw mo?! Napakaganda doon - kailangan mo lang magdesisyon! ...Ngunit ang malamang na gusto mo ay matutunan kung paano lutasin ang mga problema paraan ng least squares. At lalo na ang mga masisipag na mambabasa ay matututong lutasin ang mga ito hindi lamang nang tumpak, kundi pati na rin ng MABILIS ;-) Ngunit una pangkalahatang pahayag ng problema+ kasamang halimbawa:

– retail area ng isang grocery store, sq.m.,
– taunang turnover ng isang grocery store, milyong rubles.

Ito ay ganap na malinaw na ang mas malaki ang lugar ng tindahan, mas malaki sa karamihan ng mga kaso ang turnover nito.

Ang data ng tabular ay maaari ding isulat sa anyo ng mga punto at ilarawan sa pamilyar na anyo Sistema ng Cartesian .

Sagutin natin ang isang mahalagang tanong: Ilang puntos ang kailangan para sa isang qualitative study?

Upang ilagay ito nang napakasimple, kailangan nating pumili ng isang function, iskedyul na pumasa nang mas malapit hangga't maaari sa mga puntos . Ang function na ito ay tinatawag tinatantiya (approximation - approximation) o teoretikal na pag-andar . Sa pangkalahatan, ang isang malinaw na "contender" ay agad na lumilitaw dito - isang high-degree na polynomial, ang graph kung saan dumadaan sa LAHAT ng mga puntos. Ngunit ang pagpipiliang ito ay kumplikado at kadalasan ay hindi tama. (dahil ang graph ay "mag-loop" sa lahat ng oras at hindi maganda ang pagsasalamin sa pangunahing trend).

Kaya, ang hinahangad na function ay dapat na medyo simple at sa parehong oras ay sapat na sumasalamin sa pagtitiwala. Tulad ng maaari mong hulaan, ang isa sa mga pamamaraan para sa paghahanap ng mga naturang function ay tinatawag paraan ng least squares. Una, tingnan natin ang kakanyahan nito sa mga pangkalahatang tuntunin. Hayaang gumana ang ilang tinatayang pang-eksperimentong data:

Paano suriin ang katumpakan ng pagtatantya na ito? Kalkulahin din natin ang mga pagkakaiba (mga deviation) sa pagitan ng mga pang-eksperimentong at functional na halaga (pinag-aaralan namin ang pagguhit). Ang unang naiisip na nasa isip ay ang tantiyahin kung gaano kalaki ang kabuuan, ngunit ang problema ay ang mga pagkakaiba ay maaaring negatibo (Halimbawa, ) at ang mga paglihis bilang resulta ng naturang pagsusuma ay magkakansela sa isa't isa. Samakatuwid, bilang isang pagtatantya ng katumpakan ng pagtatantya, hinihiling nitong kunin ang kabuuan mga module mga paglihis:

o gumuho: (kung may hindi nakakaalam: ay ang sum icon, at – isang auxiliary na "counter" na variable, na kumukuha ng mga halaga mula 1 hanggang ) .

At ngayon bumalik tayo sa isa pang mahalagang punto: tulad ng nabanggit sa itaas, ang napiling function ay dapat na medyo simple - ngunit mayroon ding maraming mga naturang pag-andar: linear , hyperbolic , exponential , logarithmic , parisukat atbp. At, siyempre, dito gusto kong "bawasan ang larangan ng aktibidad." Aling klase ng mga function ang dapat kong piliin para sa pananaliksik? Isang primitive ngunit epektibong pamamaraan:

Ngayon tandaan na sa parehong mga kaso ang pinag-uusapan natin mga function ng dalawang variable, na ang mga argumento ay naghanap ng mga parameter ng dependency:

At mahalagang kailangan nating lutasin ang isang karaniwang problema - hanapin pinakamababang function ng dalawang variable.

Gumawa tayo ng karaniwang sistema:

Binabawasan namin ang bawat equation ng "dalawa" at, bilang karagdagan, "paghiwalayin" ang mga kabuuan:

Tandaan : nakapag-iisa na pag-aralan kung bakit maaaring alisin ang "a" at "be" lampas sa icon ng kabuuan. Sa pamamagitan ng paraan, pormal na ito ay maaaring gawin sa kabuuan

Isulat muli natin ang system sa "inilapat" na form:

pagkatapos nito ang algorithm para sa paglutas ng aming problema ay nagsisimulang lumabas:

Gawain

Bilang resulta ng pag-aaral ng ugnayan sa pagitan ng dalawang tagapagpahiwatig, ang mga sumusunod na pares ng mga numero ay nakuha:

Gamit ang paraan ng least squares, hanapin ang linear function na pinakamahusay na tinatantya ang empirical (nakaranas) datos. Gumawa ng drawing kung saan bubuo ng mga pang-eksperimentong punto at isang graph ng approximating function sa isang Cartesian rectangular coordinate system . Hanapin ang kabuuan ng mga squared deviations sa pagitan ng empirical at theoretical values. Alamin kung mas maganda ang feature (mula sa punto ng view ng least squares method) ilapit ang mga pang-eksperimentong punto.

Nahanap namin ang mga coefficient ng pinakamainam na function bilang isang solusyon sa system:

Para sa layunin ng mas compact na pag-record, ang "counter" na variable ay maaaring tanggalin, dahil malinaw na na ang pagsusuma ay isinasagawa mula 1 hanggang .

Kaya, nakukuha namin ang sumusunod sistema:

Kaya, ang gustong approximating function: – mula sa lahat ng linear function Siya ang pinakamahusay na tinatantya ang pang-eksperimentong data.

Unlike direkta dependence ng turnover ng tindahan sa lugar nito, ang nahanap na dependence ay reverse (prinsipyo "mas marami, mas kaunti"), at ang katotohanang ito ay agad na inihayag ng negatibo dalisdis. Function ay nagsasabi sa amin na sa isang pagtaas sa isang tiyak na tagapagpahiwatig ng 1 yunit, ang halaga ng umaasa na tagapagpahiwatig ay bumababa sa karaniwan ng 0.65 units. Tulad ng sinasabi nila, mas mataas ang presyo ng bakwit, mas mababa ito ibinebenta.

Upang i-plot ang graph ng approximating function, makikita natin ang dalawang value nito:

at isagawa ang pagguhit:

Ang itinayong tuwid na linya ay tinatawag linya ng trend (ibig sabihin, isang linear na linya ng trend, ibig sabihin, sa pangkalahatang kaso, ang isang trend ay hindi kinakailangang isang tuwid na linya). Pamilyar ang lahat sa ekspresyong "nasa uso," at sa palagay ko ang terminong ito ay hindi nangangailangan ng karagdagang mga komento.

Konklusyon: , na nangangahulugan na ang exponential function ay tinatantya ang mga pang-eksperimentong puntos na mas malala kaysa sa isang tuwid na linya .

Available ang sumusunod na data sa retail turnover ng tindahan para sa unang kalahati ng taon:

Gamit ang analytical straight line alignment, tukuyin ang dami ng turnover para sa Hulyo.

Oo, walang problema: binibilang namin ang mga buwan 1, 2, 3, 4, 5, 6 at ginagamit ang karaniwang algorithm, bilang isang resulta kung saan nakakakuha kami ng isang equation - ang tanging bagay ay na pagdating sa oras, karaniwang ginagamit nila ang titik na "te" (bagaman hindi ito kritikal). Ang resultang equation ay nagpapakita na sa unang kalahati ng taon ang trade turnover ay tumaas ng average na 27.74 units. bawat buwan. Kunin natin ang forecast para sa Hulyo (buwan blg. 7): d.e.

At mayroong hindi mabilang na mga gawain tulad nito. Ang mga nais ay maaaring gumamit ng karagdagang serbisyo, katulad ng aking Excel calculator (demo na bersyon), alin nilulutas ang nasuri na problema halos kaagad! Ang gumaganang bersyon ng programa ay magagamit kapalit o para sa simbolikong bayad.

Sa pagtatapos ng aralin, maikling impormasyon tungkol sa paghahanap ng mga dependency ng ilang iba pang uri. Sa totoo lang, walang gaanong masasabi, dahil ang pangunahing diskarte at algorithm ng solusyon ay nananatiling pareho.

Ipagpalagay natin na ang pagkakaayos ng mga eksperimentong punto ay kahawig ng isang hyperbola. Pagkatapos, upang mahanap ang mga coefficient ng pinakamahusay na hyperbola, kailangan mong hanapin ang minimum ng function - sinuman ay maaaring magsagawa ng mga detalyadong kalkulasyon at makarating sa isang katulad na sistema:

Mula sa isang pormal na teknikal na pananaw, ito ay nakuha mula sa isang "linear" na sistema (ipahiwatig natin ito ng asterisk) pinapalitan ang "x" ng . Well, paano ang tungkol sa mga halaga? kalkulahin, pagkatapos nito sa pinakamainam na coefficient "a" at "be" malapit sa kamay.

Kung mayroong bawat dahilan upang maniwala na ang mga puntos ay matatagpuan sa kahabaan ng isang logarithmic curve, pagkatapos ay upang mahanap ang pinakamainam na mga halaga ay nakita namin ang minimum ng function . Sa pormal, sa system (*) ay kailangang mapalitan ng:

Kapag nagsasagawa ng mga kalkulasyon sa Excel, gamitin ang function LN. Inaamin ko na hindi magiging mahirap para sa akin na lumikha ng mga calculator para sa bawat isa sa mga kaso na isinasaalang-alang, ngunit mas mabuti pa rin kung ikaw mismo ang "na-program" ang mga kalkulasyon. Mga video ng aralin upang makatulong.

Sa exponential dependence ang sitwasyon ay medyo mas kumplikado. Upang bawasan ang bagay sa linear case, kinukuha namin ang function logarithm at ginagamit mga katangian ng logarithm:

Ngayon, ang paghahambing ng nagreresultang function sa linear function, dumating tayo sa konklusyon na sa system (*) ay dapat mapalitan ng , at – ng . Para sa kaginhawahan, tukuyin natin:

Mangyaring tandaan na ang sistema ay nalutas na may paggalang sa at, at samakatuwid, pagkatapos mahanap ang mga ugat, hindi mo dapat kalimutang hanapin ang koepisyent mismo.

Upang ilapit ang mga pang-eksperimentong punto pinakamainam na parabola , dapat matagpuan pinakamababang function ng tatlong variable . Pagkatapos magsagawa ng mga karaniwang pagkilos, nakukuha namin ang sumusunod na "gumagana" sistema:

Oo, siyempre, mayroong higit pang mga halaga dito, ngunit walang mga paghihirap sa lahat kapag ginagamit ang iyong paboritong application. At sa wakas, sasabihin ko sa iyo kung paano mabilis na magsagawa ng tseke gamit ang Excel at bumuo ng nais na linya ng trend: lumikha ng isang scatter plot, piliin ang alinman sa mga punto gamit ang mouse at i-right click piliin ang opsyon "Magdagdag ng trend line". Susunod, piliin ang uri ng chart at sa tab "Mga Opsyon" buhayin ang opsyon "Ipakita ang equation sa diagram". OK

Gaya ng dati, gusto kong tapusin ang artikulo sa ilang magagandang parirala, at halos i-type ko ang "Maging uso!" Ngunit nagbago ang isip niya sa oras. At hindi dahil ito ay stereotyped. Hindi ko alam kung paano ito para sa sinuman, ngunit hindi ko talaga gustong sundin ang na-promote na Amerikano at lalo na ang European trend =) Samakatuwid, nais kong ang bawat isa sa iyo ay manatili sa iyong sariling linya!

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

Ang pamamaraan ng hindi bababa sa mga parisukat ay isa sa mga pinaka-karaniwan at pinaka-binuo dahil sa nito pagiging simple at kahusayan ng mga pamamaraan para sa pagtatantya ng mga parameter ng mga linear econometric na modelo. Kasabay nito, kapag ginagamit ito, ang ilang pag-iingat ay dapat sundin, dahil ang mga modelo na binuo gamit ito ay maaaring hindi matugunan ang isang bilang ng mga kinakailangan para sa kalidad ng kanilang mga parameter at, bilang isang resulta, hindi "mahusay" na sumasalamin sa mga pattern ng pag-unlad ng proseso. .

Isaalang-alang natin ang pamamaraan para sa pagtatantya ng mga parameter ng isang linear econometric na modelo gamit ang pamamaraan ng least squares nang mas detalyado. Ang ganitong modelo sa pangkalahatan ay maaaring katawanin ng equation (1.2):

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

Ang paunang data kapag tinatantya ang mga parameter a 0 , a 1 ,..., a n ay isang vector ng mga halaga ng dependent variable y= (y 1 , y 2 , ... , y T)" at ang matrix ng mga halaga ng mga independiyenteng variable

kung saan ang unang hanay, na binubuo ng mga, ay tumutugma sa koepisyent ng modelo.

Ang paraan ng least squares ay nakatanggap ng pangalan nito batay sa pangunahing prinsipyo na dapat matugunan ng mga pagtatantya ng parameter na nakuha sa batayan nito: ang kabuuan ng mga parisukat ng error sa modelo ay dapat na minimal.

Mga halimbawa ng paglutas ng mga problema gamit ang least squares method

Halimbawa 2.1. Ang negosyo ng kalakalan ay may isang network ng 12 mga tindahan, ang impormasyon sa mga aktibidad na kung saan ay ipinakita sa talahanayan. 2.1.

Nais malaman ng pamamahala ng negosyo kung paano nakasalalay ang laki ng taunang turnover sa retail space ng tindahan.

Talahanayan 2.1

Numero ng tindahan	Taunang turnover, milyong rubles.	Lugar ng tingian, libong 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

Pinakamababang mga parisukat na solusyon. Tukuyin natin ang taunang turnover ng ika na tindahan, milyong rubles; - retail area ng ika-store, thousand m2.

Fig.2.1. Scatterplot para sa Halimbawa 2.1

Upang matukoy ang anyo ng functional na relasyon sa pagitan ng mga variable at gagawa tayo ng scatter diagram (Larawan 2.1).

Batay sa scatter diagram, maaari nating tapusin na ang taunang turnover ay positibong nakadepende sa retail space (ibig sabihin, tataas ang y sa pagtaas ). Ang pinaka-angkop na paraan ng functional na koneksyon ay linear.

Ang impormasyon para sa karagdagang mga kalkulasyon ay ipinakita sa talahanayan. 2.2. Gamit ang paraan ng least squares, tinatantya namin ang mga parameter ng isang linear na one-factor econometric na modelo

Talahanayan 2.2

t	y t	x 1t	y t 2	x 1t 2	x 1t y t

	19,76	0,24	390,4576	0,0576	4,7424
	38,09	0,31	1450,8481	0,0961	11,8079
	40,95	0,55	1676,9025	0,3025	22,5225
	41,08	0,48	1687,5664	0,2304	19,7184
	56,29	0,78	3168,5641	0,6084	43,9062
	68,51	0,98	4693,6201	0,9604	67,1398
	75,01	0,94	5626,5001	0,8836	70,5094
	89,05	1,21	7929,9025	1,4641	107,7505
	91,13	1,29	8304,6769	1,6641	117,5577
	91,26	1,12	8328,3876	1,2544	102,2112
	99,84	1,29	9968,0256	1,6641	128,7936
	108,55	1,49	11783,1025	2,2201	161,7395
S	819,52	10,68	65008,554	11,4058	858,3991
Katamtaman	68,29	0,89

kaya,

Samakatuwid, sa isang pagtaas sa retail space sa pamamagitan ng 1 libong m2, iba pang mga bagay ay pantay, ang average na taunang turnover ay tumataas ng 67.8871 milyong rubles.

Halimbawa 2.2. Napansin ng pamamahala ng kumpanya na ang taunang turnover ay nakasalalay hindi lamang sa lugar ng pagbebenta ng tindahan (tingnan ang halimbawa 2.1), kundi pati na rin sa average na bilang ng mga bisita. Ang nauugnay na impormasyon ay ipinakita sa talahanayan. 2.3.

Talahanayan 2.3

Solusyon. Ipaalam sa amin tukuyin - ang average na bilang ng mga bisita sa ika na tindahan sa bawat araw, libong tao.

Upang matukoy ang anyo ng functional na relasyon sa pagitan ng mga variable at gagawa tayo ng scatter diagram (Larawan 2.2).

Batay sa scatterplot, maaari nating tapusin na ang taunang turnover ay positibong nakadepende sa average na bilang ng mga bisita bawat araw (ibig sabihin, tataas ang y sa pagtaas ). Ang anyo ng functional dependence ay linear.

kanin. 2.2. Scatterplot para sa Halimbawa 2.2

Talahanayan 2.4

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
Katamtaman	10,65

Sa pangkalahatan, kinakailangan upang matukoy ang mga parameter ng isang two-factor econometric model

y t = a 0 + a 1 x 1t + a 2 x 2t + ε t

Ang impormasyong kinakailangan para sa karagdagang mga kalkulasyon ay ipinakita sa talahanayan. 2.4.

Tantyahin natin ang mga parameter ng isang linear na two-factor econometric model gamit ang least squares method.

kaya,

Ang pagtatantya ng koepisyent =61.6583 ay nagpapakita na, ang iba pang mga bagay ay pantay, na may pagtaas sa retail space ng 1 thousand m 2, ang taunang turnover ay tataas ng average na 61.6583 milyong rubles.

Ang coefficient estimate = 2.2748 ay nagpapakita na, ang iba pang mga bagay ay pantay, na may pagtaas sa average na bilang ng mga bisita sa bawat 1 libong tao. bawat araw, ang taunang turnover ay tataas ng average na 2.2748 milyong rubles.

Halimbawa 2.3. Gamit ang impormasyong ipinakita sa talahanayan. 2.2 at 2.4, tantyahin ang parameter ng one-factor econometric model

kung saan ang nakasentro na halaga ng taunang turnover ng ika na tindahan, milyong rubles; - nakasentro na halaga ng average na pang-araw-araw na bilang ng mga bisita sa t-th store, libong tao. (tingnan ang mga halimbawa 2.1-2.2).

Solusyon. Ang karagdagang impormasyon na kinakailangan para sa mga kalkulasyon ay ipinakita sa talahanayan. 2.5.

Talahanayan 2.5



	-48,53	-2,40	5,7720	116,6013
	-30,20	-0,41	0,1702	12,4589
	-27,34	-1,34	1,8023	36,7084
	-27,21	0,36	0,1278	-9,7288
	-12,00	-2,11	4,4627	25,3570
	0,22	-3,14	9,8753	-0,6809
	6,72	1,71	2,9156	11,4687
	20,76	0,16	0,0348	3,2992
	22,84	-0,76	0,5814	-17,413
	22,97	3,07	9,4096	70,4503
	31,55	1,62	2,6163	51,0267
	40,26	3,27	10,6766	131,5387
Halaga			48,4344	431,0566

Gamit ang formula (2.35), nakukuha namin

kaya,

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

Halimbawa.

Pang-eksperimentong data sa mga halaga ng mga variable X At sa ay ibinigay sa talahanayan.

Bilang resulta ng kanilang pagkakahanay, nakuha ang pag-andar

Solusyon.

Sa ating halimbawa n=5. Pinupuno namin ang talahanayan para sa kaginhawaan ng pagkalkula ng mga halaga na kasama sa mga formula ng kinakailangang coefficients.

Ang mga halaga sa ika-apat na hilera ng talahanayan ay nakuha sa pamamagitan ng pagpaparami ng mga halaga ng ika-2 hilera sa mga halaga ng ika-3 hilera para sa bawat numero i.

Ang mga halaga sa ikalimang hilera ng talahanayan ay nakuha sa pamamagitan ng pag-squaring ng mga halaga sa ika-2 hilera para sa bawat numero i.

Ang mga halaga sa huling hanay ng talahanayan ay ang mga kabuuan ng mga halaga sa mga hilera.

Kaya naman, y = 0.165x+2.184- ang nais na tinatayang tuwid na linya.

Ito ay nananatiling alamin kung alin sa mga linya y = 0.165x+2.184 o mas mahusay na tinatantya ang orihinal na data, iyon ay, mga pagtatantya gamit ang pinakamababang paraan ng mga parisukat.

Patunay.

Ang second order differential ay may anyo:

Iyon ay

Samakatuwid, ang matrix ng quadratic form ay may anyo

at ang mga halaga ng mga elemento ay hindi nakasalalay sa A At b.

Ipakita natin na ang matrix ay positibong tiyak. Upang gawin ito, ang mga angular na menor de edad ay dapat na positibo.

Unang order angular minor . Ang hindi pagkakapantay-pantay ay mahigpit, dahil ang mga puntos

Panimulang aralin nang libre;
Ang isang malaking bilang ng mga nakaranasang guro (katutubo at nagsasalita ng Ruso);
Ang mga kurso ay HINDI para sa isang tiyak na panahon (buwan, anim na buwan, taon), ngunit para sa isang tiyak na bilang ng mga aralin (5, 10, 20, 50);
Higit sa 10,000 nasiyahang mga customer.
Ang halaga ng isang aralin sa isang guro na nagsasalita ng Ruso ay mula sa 600 rubles, na may katutubong nagsasalita - mula sa 1500 rubles

Ang kakanyahan ng pamamaraan ng hindi bababa sa mga parisukat ay sa paghahanap ng mga parameter ng isang modelo ng trend na pinakamahusay na naglalarawan sa ugali ng pag-unlad ng anumang random na kababalaghan sa oras o espasyo (isang trend ay isang linya na nagpapakilala sa ugali ng pag-unlad na ito). Ang gawain ng least squares method (LSM) ay bumaba sa paghahanap hindi lang ng ilang trend model, kundi sa paghahanap ng pinakamahusay o pinakamainam na modelo. Ang modelong ito ay magiging pinakamainam kung ang kabuuan ng mga parisukat na paglihis sa pagitan ng naobserbahang aktwal na mga halaga at ang kaukulang kinakalkula na mga halaga ng trend ay minimal (pinakamaliit):

kung saan ang square deviation sa pagitan ng naobserbahang aktwal na halaga

at ang kaukulang kinakalkulang halaga ng trend,

Ang aktwal (naobserbahan) na halaga ng phenomenon na pinag-aaralan,

Ang kinakalkula na halaga ng modelo ng trend,

Bilang ng mga obserbasyon ng phenomenon na pinag-aaralan.

Ang MNC ay bihirang ginagamit sa sarili nitong. Bilang isang patakaran, kadalasan ito ay ginagamit lamang bilang isang kinakailangang teknikal na pamamaraan sa pag-aaral ng ugnayan. Dapat tandaan na ang batayan ng impormasyon ng OLS ay maaari lamang maging isang maaasahang serye ng istatistika, at ang bilang ng mga obserbasyon ay hindi dapat mas mababa sa 4, kung hindi, ang mga pamamaraan ng pagpapakinis ng OLS ay maaaring mawalan ng sentido komun.

Ang toolkit ng MNC ay bumaba sa mga sumusunod na pamamaraan:

Unang pamamaraan. Lumalabas kung may anumang ugali na baguhin ang resultang katangian kapag nagbago ang napiling kadahilanan-argument, o sa madaling salita, mayroon bang koneksyon sa pagitan ng " sa "At" X ».

Pangalawang pamamaraan. Natutukoy kung aling linya (trajectory) ang pinakamahusay na naglalarawan o nagpapakilala sa trend na ito.

Pangatlong pamamaraan.

Halimbawa. Sabihin nating mayroon tayong impormasyon tungkol sa average na ani ng sunflower para sa sakahan na pinag-aaralan (Talahanayan 9.1).

Talahanayan 9.1

Numero ng pagmamasid

Produktibo, c/ha

Dahil ang antas ng teknolohiya sa paggawa ng sunflower sa ating bansa ay nanatiling halos hindi nagbabago sa nakalipas na 10 taon, nangangahulugan ito na, tila, ang mga pagbabagu-bago sa ani sa panahon ng nasuri ay lubos na nakasalalay sa mga pagbabago sa panahon at klimatiko na kondisyon. Totoo ba talaga ito?

Unang pamamaraan ng OLS. Ang hypothesis tungkol sa pagkakaroon ng trend sa sunflower yield ay nagbabago depende sa mga pagbabago sa lagay ng panahon at klimatiko sa loob ng nasuri na 10 taon ay nasubok.

Sa halimbawang ito, para sa " y " ipinapayong kunin ang ani ng mirasol, at para sa " x » – bilang ng naobserbahang taon sa nasuri na panahon. Pagsubok sa hypothesis tungkol sa pagkakaroon ng anumang kaugnayan sa pagitan ng " x "At" y "ay maaaring gawin sa dalawang paraan: mano-mano at paggamit ng mga programa sa computer. Siyempre, kung mayroon kang teknolohiya sa computer, ang problemang ito ay malulutas nang mag-isa. Ngunit upang mas maunawaan ang mga tool ng MNC, ipinapayong subukan ang hypothesis tungkol sa pagkakaroon ng isang relasyon sa pagitan ng " x "At" y » mano-mano, kapag panulat at ordinaryong calculator lang ang nasa kamay. Sa ganitong mga kaso, ang hypothesis tungkol sa pagkakaroon ng isang trend ay pinakamahusay na sinusuri nang biswal sa pamamagitan ng lokasyon ng graphical na imahe ng nasuri na serye ng dynamics - ang patlang ng ugnayan:

Ang patlang ng ugnayan sa aming halimbawa ay matatagpuan sa paligid ng dahan-dahang pagtaas ng linya. Ito mismo ay nagpapahiwatig ng pagkakaroon ng isang tiyak na kalakaran sa mga pagbabago sa mga ani ng mirasol. Imposibleng pag-usapan ang pagkakaroon ng anumang ugali lamang kapag ang patlang ng ugnayan ay mukhang isang bilog, isang bilog, isang mahigpit na patayo o mahigpit na pahalang na ulap, o binubuo ng mga chaotically scattered na mga puntos. Sa lahat ng iba pang mga kaso, ang hypothesis tungkol sa pagkakaroon ng isang relasyon sa pagitan ng " x "At" y ", at magpatuloy sa pananaliksik.

Pangalawang pamamaraan ng OLS. Natutukoy kung aling linya (trajectory) ang pinakamahusay na naglalarawan o nagpapakita ng takbo ng mga pagbabago sa ani ng sunflower sa nasuri na panahon.

Kung mayroon kang teknolohiya sa computer, awtomatikong nangyayari ang pagpili ng pinakamainam na trend. Sa pagproseso ng "manu-manong", ang pagpili ng pinakamainam na pag-andar ay isinasagawa, bilang isang panuntunan, biswal - sa pamamagitan ng lokasyon ng patlang ng ugnayan. Iyon ay, batay sa uri ng graph, ang equation ng linya na pinakaangkop sa empirical trend (ang aktwal na trajectory) ay pinili.

Tulad ng nalalaman, sa likas na katangian mayroong isang malaking iba't ibang mga functional dependencies, kaya napakahirap na biswal na pag-aralan kahit isang maliit na bahagi ng mga ito. Sa kabutihang palad, sa totoong pang-ekonomiyang kasanayan, karamihan sa mga relasyon ay maaaring ilarawan nang tumpak alinman sa pamamagitan ng isang parabola, o isang hyperbola, o isang tuwid na linya. Sa pagsasaalang-alang na ito, gamit ang "manu-manong" na opsyon sa pagpili ng pinakamahusay na function, maaari mong limitahan ang iyong sarili sa tatlong modelong ito lamang.

		Hyperbola:

Pangalawang order parabola: :

Madaling makita na sa aming halimbawa, ang trend sa mga pagbabago sa ani ng sunflower sa nasuri na 10 taon ay pinakamahusay na nailalarawan sa pamamagitan ng isang tuwid na linya, kaya ang equation ng regression ay magiging equation ng isang tuwid na linya.

Pangatlong pamamaraan. Ang mga parameter ng equation ng regression na nagpapakilala sa linyang ito ay kinakalkula, o sa madaling salita, tinutukoy ang isang analytical formula na naglalarawan sa pinakamahusay na modelo ng trend.

Ang paghahanap ng mga halaga ng mga parameter ng equation ng regression, sa aming kaso ang mga parameter at , ay ang core ng OLS. Ang prosesong ito ay bumababa sa paglutas ng isang sistema ng mga normal na equation.

(9.2)

Ang sistemang ito ng mga equation ay madaling malutas sa pamamagitan ng pamamaraang Gauss. Alalahanin natin na bilang isang resulta ng solusyon, sa aming halimbawa, ang mga halaga ng mga parameter at natagpuan. Kaya, ang nahanap na equation ng regression ay magkakaroon ng sumusunod na anyo:

Ito ay malawakang ginagamit sa econometrics sa anyo ng isang malinaw na pang-ekonomiyang interpretasyon ng mga parameter nito.

Ang linear regression ay bumaba sa paghahanap ng equation ng form

Equation ng form nagbibigay-daan batay sa tinukoy na mga halaga ng parameter X may mga teoretikal na halaga ng nagreresultang katangian, pinapalitan ang aktwal na mga halaga ng kadahilanan dito X.

Ang pagbuo ng linear regression ay bumaba sa pagtatantya ng mga parameter nito - A At V. Ang mga pagtatantya ng parameter ng linear regression ay matatagpuan gamit ang iba't ibang pamamaraan.

Ang klasikal na diskarte sa pagtatantya ng mga parameter ng linear regression ay batay sa paraan ng least squares(MNC).

Ang paraan ng least squares ay nagbibigay-daan sa amin na makakuha ng mga naturang pagtatantya ng parameter A At V, kung saan ang kabuuan ng mga squared deviations ng aktwal na mga halaga ng resultang katangian (y) mula sa kinakalkula (teoretikal) minimum:

Upang mahanap ang minimum ng isang function, kailangan mong kalkulahin ang mga partial derivatives para sa bawat isa sa mga parameter A At b at itakda ang mga ito katumbas ng zero.

Ipahiwatig natin sa pamamagitan ng S, kung gayon:

Sa pagbabago ng formula, nakukuha namin ang sumusunod na sistema ng mga normal na equation para sa pagtatantya ng mga parameter A At V:

Ang paglutas ng sistema ng mga normal na equation (3.5) alinman sa pamamagitan ng paraan ng sunud-sunod na pag-aalis ng mga variable o sa pamamagitan ng paraan ng mga determinant, makikita natin ang mga kinakailangang pagtatantya ng mga parameter. A At V.

Parameter V tinatawag na regression coefficient. Ang halaga nito ay nagpapakita ng average na pagbabago sa resulta na may pagbabago sa factor ng isang yunit.

Ang equation ng regression ay palaging pupunan ng isang tagapagpahiwatig ng pagiging malapit ng koneksyon. Kapag gumagamit ng linear regression, ang naturang indicator ay ang linear correlation coefficient. Mayroong iba't ibang mga pagbabago ng linear correlation coefficient formula. Ang ilan sa mga ito ay ibinigay sa ibaba:

Gaya ng nalalaman, ang linear correlation coefficient ay nasa loob ng mga limitasyon: -1 ≤ ≤ 1.

Upang masuri ang kalidad ng pagpili ng isang linear function, ang parisukat ay kinakalkula

Tinatawag na linear correlation coefficient koepisyent ng determinasyon. Ang koepisyent ng pagpapasiya ay nagpapakilala sa proporsyon ng pagkakaiba-iba ng nagresultang katangian y, ipinaliwanag sa pamamagitan ng regression sa kabuuang pagkakaiba ng nagresultang katangian:

Alinsunod dito, ang halaga 1 ay nagpapakita ng bahagi ng pagkakaiba y, sanhi ng impluwensya ng iba pang mga kadahilanan na hindi isinasaalang-alang sa modelo.

Mga tanong para sa pagpipigil sa sarili

1. Ang kakanyahan ng pamamaraan ng least squares?

2. Ilang variable ang ibinibigay ng pairwise regression?

3. Anong coefficient ang tumutukoy sa lapit ng koneksyon sa pagitan ng mga pagbabago?

4. Sa loob ng anong mga limitasyon natutukoy ang coefficient of determination?

5. Pagtataya ng parameter b sa pagsusuri ng ugnayan-regression?

1. Christopher Dougherty. Panimula sa econometrics. - M.: INFRA - M, 2001 - 402 p.

2. S.A. Borodich. Econometrics. Minsk LLC "Bagong Kaalaman" 2001.

3. R.U. Rakhmetova Maikling kurso sa econometrics. Gabay sa pag-aaral. Almaty. 2004. -78p.

4. I.I. Eliseeva. - M.: "Panalapi at Istatistika", 2002

5. Buwanang impormasyon at analytical magazine.

Nonlinear na mga modelong pang-ekonomiya. Mga modelo ng nonlinear regression. Pagbabago ng mga variable.

Nonlinear na mga modelo ng ekonomiya..

Pagbabago ng mga variable.

Koepisyent ng pagkalastiko.

Kung mayroong mga nonlinear na ugnayan sa pagitan ng mga pang-ekonomiyang phenomena, kung gayon ang mga ito ay ipinahayag gamit ang kaukulang nonlinear na pag-andar: halimbawa, isang equilateral hyperbola , parabola ng ikalawang antas, atbp.

Mayroong dalawang klase ng nonlinear regressions

1. Mga regression na nonlinear na may kinalaman sa mga nagpapaliwanag na variable na kasama sa pagsusuri, ngunit linear na may kinalaman sa mga tinantyang parameter, halimbawa:

Mga polinomyal ng iba't ibang digri - , ;

Equilateral hyperbola - ;

Semilogarithmic function - .

2. Mga regression na nonlinear sa mga parameter na tinatantya, halimbawa:

Kapangyarihan - ;

Nagpapakita - ;

Exponential - .

Ang kabuuang kabuuan ng mga squared deviations ng mga indibidwal na halaga ng nagresultang katangian sa mula sa average na halaga ay sanhi ng impluwensya ng maraming dahilan. Hatiin natin nang may kondisyon ang buong hanay ng mga dahilan sa dalawang grupo: salik na pinag-aaralan x At iba pang mga kadahilanan.

Kung ang kadahilanan ay hindi nakakaimpluwensya sa resulta, ang linya ng regression sa graph ay kahanay sa axis Oh At

Pagkatapos ang buong pagkakaiba-iba ng nagresultang katangian ay dahil sa impluwensya ng iba pang mga kadahilanan at ang kabuuang kabuuan ng mga squared deviations ay mag-tutugma sa nalalabi. Kung ang ibang mga kadahilanan ay hindi nakakaimpluwensya sa resulta, kung gayon nakatali ka Sa X functionally at ang natitirang kabuuan ng mga parisukat ay zero. Sa kasong ito, ang kabuuan ng mga squared deviations na ipinaliwanag ng regression ay pareho sa kabuuang kabuuan ng mga parisukat.

Dahil hindi lahat ng mga punto ng patlang ng ugnayan ay nasa linya ng regression, ang kanilang scatter ay palaging nangyayari bilang isang resulta ng impluwensya ng kadahilanan X, ibig sabihin, regression sa Sa pamamagitan ng X, at sanhi ng iba pang mga sanhi (hindi maipaliwanag na pagkakaiba-iba). Ang pagiging angkop ng isang regression line para sa pagtataya ay depende sa kung anong bahagi ng kabuuang variation ng katangian sa mga account para sa ipinaliwanag na pagkakaiba-iba

Malinaw, kung ang kabuuan ng mga squared deviations dahil sa regression ay mas malaki kaysa sa natitirang kabuuan ng mga parisukat, kung gayon ang regression equation ay istatistikal na makabuluhan at ang factor X ay may malaking epekto sa resulta u.

, ibig sabihin, na may bilang ng kalayaan ng independiyenteng pagkakaiba-iba ng isang katangian. Ang bilang ng mga antas ng kalayaan ay nauugnay sa bilang ng mga yunit ng populasyon n at ang bilang ng mga constant na tinutukoy mula dito. Kaugnay ng problemang pinag-aaralan, ang bilang ng mga antas ng kalayaan ay dapat magpakita kung gaano karaming mga independiyenteng paglihis mula sa n

Ang pagtatasa ng kahalagahan ng regression equation sa kabuuan ay ibinibigay gamit F- Pamantayan ng mangingisda. Sa kasong ito, ang isang null hypothesis ay iniharap na ang regression coefficient ay katumbas ng zero, i.e. b = 0, at samakatuwid ang kadahilanan X hindi nakakaapekto sa resulta u.

Ang agarang pagkalkula ng F-test ay nauuna sa pagsusuri ng pagkakaiba. Ang gitnang lugar dito ay inookupahan ng agnas ng kabuuang kabuuan ng mga squared deviations ng isang variable sa mula sa average na halaga sa sa dalawang bahagi - "ipinaliwanag" at "hindi maipaliwanag":

Kabuuang kabuuan ng mga squared deviations;

Kabuuan ng squared deviation na ipinaliwanag ng regression;

Ang natitirang kabuuan ng mga squared deviations.

Ang anumang kabuuan ng mga squared deviation ay nauugnay sa bilang ng mga degree ng kalayaan , ibig sabihin, na may bilang ng kalayaan ng independiyenteng pagkakaiba-iba ng isang katangian. Ang bilang ng mga antas ng kalayaan ay nauugnay sa bilang ng mga yunit ng populasyon n at sa bilang ng mga constants na tinutukoy mula dito. Kaugnay ng problemang pinag-aaralan, ang bilang ng mga antas ng kalayaan ay dapat magpakita kung gaano karaming mga independiyenteng paglihis mula sa n posibleng kinakailangan upang makabuo ng isang naibigay na kabuuan ng mga parisukat.

Pagpapakalat sa bawat antas ng kalayaanD.

F-ratio (F-test):

Kung ang null hypothesis ay totoo, kung gayon ang salik at natitirang mga pagkakaiba ay hindi naiiba sa bawat isa. Para sa H 0, ang isang pagpapabulaanan ay kinakailangan upang ang kadahilanan ng pagpapakalat ay lumampas sa natitirang pagpapakalat ng maraming beses. Ang English statistician na si Snedekor ay bumuo ng mga talahanayan ng mga kritikal na halaga F-ugnayan sa iba't ibang antas ng kahalagahan ng null hypothesis at iba't ibang bilang ng antas ng kalayaan. Halaga ng talahanayan F-criterion ay ang pinakamataas na halaga ng ratio ng mga pagkakaiba na maaaring mangyari sa kaso ng random divergence para sa isang naibigay na antas ng posibilidad ng pagkakaroon ng null hypothesis. Kinakalkula na halaga F-Ang mga relasyon ay itinuturing na maaasahan kung ang o ay mas malaki kaysa sa talahanayan.

Sa kasong ito, ang null hypothesis tungkol sa kawalan ng isang relasyon sa pagitan ng mga palatandaan ay tinanggihan at ang isang konklusyon ay iginuhit tungkol sa kahalagahan ng relasyon na ito: F katotohanan > F talahanayan Tinanggihan ang H 0.

Kung ang halaga ay mas mababa kaysa sa naka-tabulate F katotohanan ‹, F talahanayan, kung gayon ang posibilidad ng null hypothesis ay mas mataas kaysa sa isang tinukoy na antas at hindi maaaring tanggihan nang walang malubhang panganib na makagawa ng maling konklusyon tungkol sa pagkakaroon ng isang relasyon. Sa kasong ito, ang equation ng regression ay itinuturing na hindi gaanong mahalaga sa istatistika. Ngunit hindi siya lumilihis.

Standard error ng regression coefficient

Upang masuri ang kahalagahan ng koepisyent ng regression, ang halaga nito ay inihambing sa karaniwang error nito, ibig sabihin, ang aktwal na halaga ay tinutukoy. t-T-test ng mag-aaral: na pagkatapos ay inihambing sa halaga ng talahanayan sa isang tiyak na antas ng kahalagahan at bilang ng mga antas ng kalayaan ( n- 2).

Karaniwang error sa parameter A:

Sinusuri ang kahalagahan ng linear correlation coefficient batay sa laki ng error. koepisyent ng ugnayan t r:

Kabuuang pagkakaiba-iba ng katangian X:

Maramihang Linear Regression

Pagbuo ng modelo

Maramihang pagbabalik ay kumakatawan sa isang regression ng isang epektibong katangian na may dalawa o higit pang mga kadahilanan, ibig sabihin, isang modelo ng form

Ang regression ay maaaring magbigay ng magagandang resulta sa pagmomodelo kung ang impluwensya ng iba pang mga salik na nakakaapekto sa bagay ng pag-aaral ay maaaring mapabayaan. Ang pag-uugali ng mga indibidwal na variable na pang-ekonomiya ay hindi makokontrol, ibig sabihin, hindi posible na matiyak ang pagkakapantay-pantay ng lahat ng iba pang mga kondisyon para sa pagtatasa ng impluwensya ng isang kadahilanan sa ilalim ng pag-aaral. Sa kasong ito, dapat mong subukang tukuyin ang impluwensya ng iba pang mga kadahilanan sa pamamagitan ng pagpapakilala sa mga ito sa modelo, ibig sabihin, bumuo ng isang multiple regression equation: y = a+b 1 x 1 +b 2 +…+b p x p + .

Ang pangunahing layunin ng maramihang pagbabalik ay ang bumuo ng isang modelo na may malaking bilang ng mga kadahilanan, habang tinutukoy ang impluwensya ng bawat isa sa kanila nang hiwalay, pati na rin ang kanilang pinagsamang epekto sa modelong tagapagpahiwatig. Kasama sa detalye ng modelo ang dalawang hanay ng mga isyu: pagpili ng mga salik at pagpili ng uri ng regression equation