Sadržaj:
- Definicija - Što znači obična regresija najmanjih kvadrata (OLSR)?
- Tehopedija objašnjava regresiju uobičajenih najmanjih kvadrata (OLSR)
Definicija - Što znači obična regresija najmanjih kvadrata (OLSR)?
Obična regresija najmanjih kvadrata (OLSR) je općenita tehnika linearnog modeliranja. Koristi se za procjenu svih nepoznatih parametara koji su uključeni u model linearne regresije, čiji je cilj minimizirati zbroj kvadrata razlike promatranih varijabli i eksplanatornih varijabli.
Obična regresija najmanjeg kvadrata poznata je i kao obična regresija najmanjih kvadrata ili najmanje kvadrata.
Tehopedija objašnjava regresiju uobičajenih najmanjih kvadrata (OLSR)
Izumio ga je 1795. Carl Friedrich Gauss, smatra se jednom od najranijih poznatih općih metoda predviđanja. OLSR opisuje odnos između ovisne varijable (onoga što se želi objasniti ili predvidjeti) i njezine jedne ili više neovisnih varijabli (objasnjavajuća varijabla). OLSR aplikaciju možete naći u bezbroj područja kao što su psihologija, društvene znanosti, medicina, ekonomija i financije.
Mogu se pojaviti dva odnosa: linearna i krivudava. Linearni odnos je ravna linija koja se provlači kroz središnju tendenciju točaka; dok je krivuljasti odnos zakrivljena linija. Povezanosti između navedenih varijabli prikazuju se pomoću rasipanog zrakoplova. Odnos može biti pozitivan ili negativan, a varijacije rezultata također se razlikuju po jačini.
Na osnovnoj razini, OLSR može ga lako razumjeti i ne-matematičar, a njegova rješenja mogu se lako protumačiti. Njegov je dodatni značaj zahvaljujući tome što zaslužuje nedavne računalne ugrađene algoritme iz linearne algebre. Stoga se brzo može primijeniti na probleme sa stotinama neovisnih varijabli koje učinkovito daju rezultate desecima tisuća točaka podataka.
OLSR se često koristi u ekonometriji jer pruža najbolji linearni nepristrani procjenitelj (BLUE) s obzirom na Gauss-Markovu pretpostavke. Ekonometrija je grana ekonomije u kojoj se statistički metodi primjenjuju na ekonomske podatke. Cilj mu je izdvojiti jednostavne odnose razdvajanjem postojećih ogromnih količina podataka. Ovaj se statistički algoritam također koristi u strojnom učenju i prediktivnoj analizi kako bi se dinamički predvidjeli ishodi temeljeni na dinamički promjenjivim varijablama.
