ትንሹ ካሬ ዘዴ፡ አጠቃላይ ትንተና
የሊስት ካሬዎች ዘዴ በስታቲስቲክስ ሪግሬሽን ትንተና ውስጥ ካሉት በጣም መሠረታዊ ቴክኒኮች አንዱ ሲሆን በመረጃ ማመጣጠን፣ ሞዴሊንግ እና ትንበያ ትንተና ውስጥ ወሳኝ ሚና ይጫወታል። በተስተዋሉ እና በተተነበዩ እሴቶች መካከል ያለውን ልዩነት ካሬዎች ድምር የሚቀንስ የሂሳብ አቀራረብ ነው። ይህን በማድረግ፣ ለተሰጠ የውሂብ ነጥቦች ስብስብ በጣም ተስማሚ የሆነ መስመር ወይም ኩርባ ያቀርባል። በዚህ ጽሑፍ ውስጥ፣ የሊስት ካሬዎች ዘዴን መሰረቶች፣ አፕሊኬሽኖች፣ ተዋጽኦዎች እና ገደቦችን እንመረምራለን።
ታሪካዊ አመጣጡ
የሊስት ስኩዌርስ ዘዴ ለመጀመሪያ ጊዜ የተጀመረው በ1795 በካርል ፍሬድሪክ ጋውስ ሲሆን በ18 ዓመቱ እስከ 1809 ድረስ አልታተመም። አድሪያን-ማሪ ሌጀንድሬ የተባለው ሌላ ታዋቂ የሂሳብ ሊቅ በ1805 ተመሳሳይ ዘዴን በተናጥል አዘጋጅቶ አሳትሟል። ይህ ሆኖ ግን የጋውስ ዘዴ ኖት እና መስፋፋት ለዘመናዊ አጠቃቀም መሠረት ጥሏል።
የሂሳብ ፋውንዴሽን
በጣም ቀላሉ በሆነው መልኩ፣ የሊስት ካሬዎች ዘዴ መስመራዊ ሞዴልን ከውሂብ ነጥቦች ስብስብ ጋር ለማስማማት ይጠቅማል። የ`n` የውሂብ ነጥቦች \((x_1፣ y_1)፣ (x_2፣ y_2)፣ …፣ (x_n፣ y_n)\ ስብስብ ከተሰጠ፣ ግቡ በሚታዩት እሴቶች \(y_i\) እና በመስመሩ \(\hat{y}_i\) የተተነበዩ እሴቶች መካከል ያለውን የቋሚ ርቀቶች (ቀሪ) ካሬዎች ድምር የሚቀንስ መስመር \(y = mx + c\) ማግኘት ነው።
በሂሳብ ደረጃ፣ ይህ ዓላማ እንደሚከተለው ሊገለጽ ይችላል፡
\[ S = \sum_{i=1}^{n} (y_i – \hat{y}_i)^2 = \sum_{i=1}^{n} (y_i – (mx_i + c))^2 \]
ይህ እኩልታ የቀሩትን ካሬዎች ድምር ይወክላል፣ \(S\)፣ እና ግባችን \(S\) የሚቀንሱትን \(m\) (ቁልቁለት) እና \(c\) (ኢንተርሴፕት) እሴቶችን ማግኘት ነው።
የተገኘው
የካሬዎች \(S\) ድምርን የሚቀንሱትን \(m\) እና \(c\) እሴቶችን ለማግኘት፣ የ \(S\) ከፊል ተዋጽኦዎችን ከ\(m\) እና \(c\) አንፃር ወስደን ወደ ዜሮ እናስቀምጣቸዋለን።
1. ከ\(m\ ጋር በተያያዘ ከፊል ዴሪቫቲቭ)፡
\[ \frac{\partial S}{\partial m} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-x_i) = 0 \]
2. ከ\(c\) አንፃር ከፊል ዴሪቫቲቭ፡
\[ \frac{\partial S}{\partial c} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-1) = 0 \]
እነዚህን በተመሳሳይ ጊዜ እኩልታዎች መፍታት መደበኛ እኩልታዎችን ያስከትላል፦
\[ m = \frac{n(\sum x_i y_i) – (\sum x_i)(\sum y_i)}{n (\sum x_i^2) – (\sum x_i)^2} \]
\[ c = \frac{(\sum y_i)(\sum x_i^2) – (\sum x_i)(\sum x_i y_i)}{n(\sum x_i^2) – (\sum x_i)^2} \]
እነዚህ እኩልታዎች የካሬ ቀሪዎችን ድምር የሚቀንሱ የ\(m\) እና \(c\) እሴቶችን ይሰጡናል።
መተግበሪያዎች
የሊስት ካሬዎች ዘዴ በተለያዩ ዘርፎች ላይ ሰፊ አፕሊኬሽኖች አሉት፡
1. ኢኮኖሚክስ እና ፋይናንስ፡- እንደ የሀገር ውስጥ ምርት (GDP)፣ የዋጋ ግሽበት ተመኖች እና የአክሲዮን ዋጋዎች ያሉ ኢኮኖሚያዊ አመልካቾችን ለመተንበይ እና ለመምሰል ጥቅም ላይ ይውላል።
2. ኢንጂነሪንግ፡- ሞዴሎችን ከተግባራዊ መረጃዎች ጋር ለማስማማት በምልክት ማቀነባበሪያ፣ በቁጥጥር ስርዓቶች እና በአስተማማኝነት ሙከራ ውስጥ ተተግብሯል።
3. መድሃኒት፡ የእድገት ኩርባዎችን፣ የመጠን-ምላሽ ኩርባዎችን እና ሌሎች ባዮሎጂያዊ ሂደቶችን ከሙከራ መረጃ ጋር ለማስማማት ይረዳል።
4. የማሽን መማሪያ፡- ብዙውን ጊዜ የሊስት ካሬዎች ዘዴን ለፓራሜትር ግምት የሚጠቀሙት ሊኒያር ሪግሬሽን ሞዴሎች፣ በክትትል በሚደረግ የመማሪያ ቴክኒኮች ውስጥ መሠረታዊ ናቸው።
5. አስትሮኖሚ፡- በታሪክ ጋውስ የሰማይ አካላትን ምህዋር ለማስላት ይጠቀም ነበር።
ልዩነቶች እና ቅጥያዎች
1. የክብደት መቀነስ ዝቅተኛ ካሬዎች፡- ምልከታዎች የተለያዩ ልዩነቶች ባሉባቸው ሁኔታዎች፣ የክብደት መቀነስ ዝቅተኛ ካሬዎች ለእያንዳንዱ የውሂብ ነጥብ ክብደቶችን ይመድባሉ፣ ይህም የክብደት መቀነስን ይቀንሳል።
2. መስመራዊ ያልሆኑ ዝቅተኛ ካሬዎች፡- ብዙውን ጊዜ እንደ ጋውስ-ኒውተን ወይም ሌቨንበርግ-ማርኳርድት ስልተ ቀመሮች ባሉ ተደጋጋሚ ቴክኒኮች አማካኝነት መስመራዊ ያልሆኑ ሞዴሎችን እንዲገጥም ዘዴውን ያራዝመዋል።
3. መደበኛ የሆኑ ዝቅተኛ ካሬዎች (ሪጅ ሪግሬሽን): ከመጠን በላይ እንዳይገጣጠሙ ለመከላከል በካሬዎቹ ድምር ላይ የቅጣት ጊዜን ይጨምራል፣ በተለይም ባለብዙ ኮላላይኔሪቲ ጉዳዮችን በሚመለከት ጠቃሚ ነው።
4. አጠቃላይ ዝቅተኛ ካሬዎች፡- የተዛማጅ ምልከታዎችን ግምት ውስጥ በማስገባት፣ ራስ-ሰር ተዛማጅ እና ሄትሮሴዴስቲክ ስህተቶችን ለማስተናገድ የዝቅተኛ ካሬዎችን ዘዴ በማስፋፋት።
የኮምፒውተር መሳሪያዎች
የተለያዩ የሶፍትዌር መሳሪያዎች እና የፕሮግራም አወጣጥ አካባቢዎች አነስተኛ ካሬዎችን መልሶ ማመጣጠን ለማከናወን አብሮ የተሰሩ ተግባራትን ይሰጣሉ፡
1. ፓይዘን፡ እንደ NumPy እና SciPy ያሉ ቤተ-መጻሕፍት በቅደም ተከተል ለሊኒየር እና ላልተስተካከለ ዝቅተኛ ካሬዎች ተስማሚነት `numpy.linalg.lstsq` እና `scipy.optimize.curve_fit` ተግባራትን ይሰጣሉ።
2. R: እንደ ለሊኒየር ሞዴሎች `lm()` እና ለ R አጠቃላይ የስታቲስቲክስ አካባቢ ላልሆኑ ሞዴሎች `nls()` ያሉ ተግባራት።
3. MATLAB: በMATLAB ውስጥ ያለው የ`lsqcurvefit` ተግባር ለሊኒየር አልጀብራ ስራዎች አብሮ የተሰራ ድጋፍ ያለው መስመራዊ ያልሆነ ፊቲንግ ጥቅም ላይ ይውላል።
ገደቦች
ሰፊ ተግባራዊነት ቢኖረውም፣ የሊስት ካሬዎች ዘዴ ገደቦች አሉት፡
1. ለውጭ አካላት ስሜታዊነት፡- ትንንሽ ካሬዎች ለውጭ አካላት በጣም ስሜታዊ ናቸው፣ ምክንያቱም ስኩዌር የሚለው ቃል የትላልቅ ቅሪቶች ተጽእኖን ስለሚያጎላ።
2. የሊኒያሪቲ ግምት፡- በተለዋዋጮች መካከል መስመራዊ ግንኙነት እንዳለ ይገምታል፣ ይህም ለተወሳሰቡ የውሂብ ስብስቦች እውነት ላይሆን ይችላል።
3. ባለብዙ ኮላላይናሪቲ ጉዳዮች፡- በብዙ መስመራዊ ሪግሬሽን፣ በተተነባቢ ተለዋዋጮች መካከል ያለው ባለብዙ ኮላላይናሪቲ የኮላላይናሪቲ ግምቶችን ሊያዛባ ይችላል።
4. የልዩነት ተመሳሳይነት (ሆሞሴዳስቲክቲ)፡- የስህተት ቃላት ልዩነት በተለያዩ ምልከታዎች ላይ ቋሚ እንደሆነ ያስባል፣ ይህም ሁልጊዜ እንደዚያ ላይሆን ይችላል።
መደምደሚያ
የሊስት ካሬዎች ዘዴ፣ ዕድሜው ቢገፋም፣ በስታቲስቲክስ መረጃ ትንተና እና ሞዴሊንግ ውስጥ የመሠረት ድንጋይ ሆኖ ቀጥሏል። ከመሠረታዊ መስመራዊ ሪግሬሽን እስከ ውስብስብ መስመራዊ ያልሆኑ እና አጠቃላይ ሞዴሎች ድረስ ቀላልነቱ፣ ውጤታማነቱ እና ለተለያዩ ቅርጾች መላመድ እጅግ ጠቃሚ ያደርገዋል። የሂሳብ መሠረቶቹን፣ አፕሊኬሽኖቹን እና ገደቦቹን መረዳት በውሂብ ትንተና ውስጥ ለሚሳተፍ ለማንኛውም ሰው አስፈላጊ ነው፣ ይህም ዘዴው ትርጉም ያለው ግንዛቤ ለማግኘት በአግባቡ መተገበሩን ያረጋግጣል። በአካዳሚክም ሆነ በኢንዱስትሪ ውስጥ፣ የሊስት ካሬዎች ዘዴ በውሂብ ውስጥ ያለውን ግንኙነት ለመረዳት እና በመረጃ ላይ የተመሠረተ ትንበያ ለማድረግ ጠንካራ መሳሪያ ሆኖ ቀጥሏል።
