Lineaarinen regressio

Regressioanalyysi voidaan lisätä tilastollisia menetelmiä tutkia suhdetta muuttujia (riippuvainen ja riippumaton). Tällöin riippumattomia muuttujia kutsutaan "kovariaatit" ja riippuvainen - "criterial". Kun suoritetaan lineaarinen regressioanalyysi riippuva muuttuja esitys on muodoltaan väli mittakaavassa. On todennäköistä, että läsnä on ei-lineaarisen suhteen liittyviä muuttujia välimatka-asteikko, mutta tämä ongelma on jo ratkaistu menetelmillä ei-lineaarisen regression, joka ei kuulu tämän artikkelin.

Lineaarinen regressio käytettiin varsin menestyksekkäästi kuin matemaattisia laskelmia ja taloudelliset tutkimukset perustuu tilastotietoihin.

Niin pitää tämä regressio enemmän. Näkökulmasta matemaattisen menetelmän määrittämiseksi lineaarinen suhde noin muuttujien lineaarisen regression voidaan esittää kaavalla: y = a + bx. Selitys tästä kaavasta voidaan löytää mistä tahansa oppikirjasta econometrics.

Kun laajeneva määrä havainto (jopa nnen monta kertaa), joka saadaan yksinkertaisella lineaarisella regressiolla, jota edustaa kaava:

yi = A + BXI + ei,

missä EI - itsenäinen, samoin jakautuneita, satunnaismuuttujia.

Tässä artikkelissa haluan kiinnittää enemmän huomiota tämän käsitteen näkökulmasta ennustaminen hinta perustuu aiempiin tietoihin. Tällä alueella, arvioimme lineaarisen regression aktiivisesti käyttäen pienimmän neliösumman menetelmää, joka auttaa rakentaa "sopivimman" suora läpi tietty määrä arvoja hinta pistettä. Syötetyn datan käyttämä hinta, mikä tarkoittaa korkea, matala, sulkeminen tai avaaminen, ja näiden arvojen keskiarvo (esim summa suurimman ja pienimmän jaettuna kahdella). Myös nämä tiedot ennen rakennuksen sopiva rivi voidaan mielivaltaisesti tasoittaa.

Kuten edellä on mainittu, lineaarista regressiota käytetään usein analyytikot määrittää trendi hinnan perusteella ja aika. Tässä tapauksessa, kaltevuuden regressio ilmaisin suuruuden määrittämiseksi hinta muuttuu aikayksikköä kohti. Yksi edellytyksistä oikea päätös tämän indikaattori on käyttää signaaligeneraattorin jälkeen trendi kaltevuuden regressio. Jos positiivinen kulmakerroin (nouseva lineaarinen regressio) hankinta suoritetaan, jos ilmaisin arvo on suurempi kuin nolla. Aikana negatiivinen kulmakerroin (laskeva regressio) myytävänä tulisi olla negatiivisia arvoja indikaattorin (vähemmän kuin nolla).

Kuten käytetään määritettäessä paras rivi vastaa tietty määrä hinta pistettä, pienimmän neliösumman menetelmä merkitsee sitä, että seuraavaa algoritmia:

- on yhteensä ilmentymisen eron neliöiden hintojen ja regressiosuoran;

- suhde on saatu, ja summa useita baareja alueella regressiontietoanalyy- sarja;

- kun tulos lasketaan neliöjuuri, joka vastaa keskihajonta.

Yksinkertainen lineaarinen regressio yhtälö on mallia:

y (x) = f (x) ^,

jossa - tuottavien kohteiden esittelyyn riippuva muuttuja;

x - selittävä tai itsenäinen muuttuja;

^ Osoittaa puuttuminen tiukka toiminnallinen suhde muuttujien välillä x ja y. Siksi kussakin yksittäistapauksessa muuttujan y voi koostua tällaisten ehtojen:

y = yx + ε,

jossa - todellinen tulos data;

uh - teoreettinen tulos tiedot ratkaisemalla regressioyhtälössä ;

ε - satunnainen muuttuja, joka on tyypillistä välinen poikkeama todellisen arvon ja teoreettisen.