Lineārā regresija

Regresijas analīze var pievienot statistikas metodēm pētot saistību starp konkrētiem mainīgajiem (neatkarīgiem un atkarīgiem). Tādā gadījumā neatkarīgie mainīgie tiek saukti par "ietekmējošie faktori" un atkarīgas - "criterial". Veicot lineārās regresijas analīzi, atkarīgais mainīgais pārstāvība izpaužas intervāla skalas. Pastāv varbūtība klātbūtnes nelineāro attiecības starp rādītājiem, kas saistīti ar intervāla skalu, bet šī problēma jau ir atrisināta ar metodēm, kas nav lineārās regresijas, kas nav priekšmets šajā rakstā.

Lineārā regresijas tika izmantota diezgan veiksmīgi kā matemātiskiem aprēķiniem un ekonomisko pētījumu, pamatojoties uz statistikas datiem.

Tāpēc uzskata, ka tas ir regresijas vairāk. Raugoties no matemātisko noteikšanas metodi lineāru sakarību starp dažiem mainīgajiem lineārā regresija var tikt attēlots kā formulu: y = a + BX. Par paskaidrojumu šīs formulas var atrast jebkurā textbook par ekonometrijas.

Kad paplašinot skaitu novērošanas (līdz n-th skaitu reižu), ko iegūst ar vienkāršu lineārās regresijas, ko attēlo formula:

yi = A + BXI + ei,

kur ei - neatkarīga, identiski izplatīt, izlases mainīgos.

Šajā rakstā es gribētu pievērst lielāku uzmanību šo jēdzienu no viedokļa, prognozējot nākotnes cenu, pamatojoties uz iepriekšējiem datiem. Šajā jomā mēs uzskatām lineāro regresiju aktīvi izmanto mazāko kvadrātu metodi, kas palīdz veidot "vispiemērotāko" taisna līnija ar noteiktu skaitu vērtību cenu punktus. Ieejas dati par cenu punkts, ko izmanto, nozīmē, augsts, zems, aizvērt vai atvērt, un vidējais šo vērtību (piemēram, summa, kas dalīts ar divi maksimālo un minimālo). Arī šie dati pirms veidot piemērotu līniju var patvaļīgi tiek izlīdzināti.

Kā minēts iepriekš, lineārā regresija bieži analītiķi izmanto, lai noteiktu tendenci, pamatojoties uz cenu un laiku. Šajā gadījumā regresijas līknes indikatora noteiks apjomu cenu izmaiņu laika vienībā. Viens no nosacījumiem, lai pareizu lēmumu, izmantojot šo rādītāju, ir izmantot signālu ģenerators, pēc tendence slīpuma regresiju. Ja pozitīvs slīpums (pieaugums lineārā regresijas) pirkums ir veikts, ja indikatora vērtība ir lielāka par nulli. ar negatīvu slīpumu (samazinās regresijas), kas ir pārdošanā laikā jābūt negatīvām vērtībām rādītāja (mazāk par nulli).

Kā izmanto, lai noteiktu vislabāko līniju, kas atbilst noteiktam skaitam cenu punktus, tad mazāko kvadrātu metode nozīmē, ka šādu algoritmu:

- ir kopējais izpausme starpības kvadrātu cenu un regresijas līnijas;

- ir no šīs summas attiecība un skaits bāros diapazonā no regresijas datu sēriju;

- pēc rezultātu aprēķina kvadrātsakni, kas atbilst standarta novirzi.

Vienkāršā lineārā regresijas vienādojums ir modelis:

y (x) = f (x) ^,

kur - objektos iesniegta atkarīgo mainīgo;

x - explanatory vai neatkarīgs mainīgais;

^ Norāda, ka nav stingri funkcionālās attiecības starp mainīgajiem x un y. Tādēļ, katrā konkrētā gadījumā mainīgais y var sastāvēt no šādiem noteikumiem:

y = yx + ε,

kur - faktiskie rezultāts dati;

uh - teorētiskie rezultāts dati noteikti, atrisinot regresijas vienādojumu ;

ε - nejaušais mainīgais, kas raksturo novirze starp faktisko vērtību un teorētiska.