Ən Kiçik Kvadratlar Metodu Müzakirə Suallarına Nümunə
Ən Kiçik Kvadratlar Metodu (ƏKM), məlumatları ən effektiv şəkildə proqnozlaşdıran ən yaxşı uyğunluq xəttini tapmaq üçün istifadə edilən statistik bir metoddur. Bu metod tez-tez xətti reqressiya analizində müstəqil və asılı dəyişənlər arasındakı əlaqəni aşkar etmək üçün istifadə olunur. Bu məqalədə ən kiçik kvadratlar metodunun əsas anlayışları, bu metodun necə işlədiyini daha dərindən anlamaq üçün nümunələr və addım-addım izahatlar əhatə olunacaq.
Ən Kiçik Kvadratlar Metodunun Əsas Konsepsiyaları
Ən kiçik kvadratlar metodunun məqsədi müşahidə edilən dəyərlər ilə reqressiya modeli ilə proqnozlaşdırılan dəyərlər arasındakı fərqlərin kvadratlarının cəmini minimuma endirməkdir. Sadə xətti reqressiya xəttinin tənliyi aşağıdakı kimi yazıla bilər:
y = a + bx
Harada:
– \( y \) asılı dəyişəndir,
– \( x \) müstəqil dəyişəndir,
– \( a \) kəsişmə nöqtəsidir (\( x = 0 \) olduqda \( y \)-nin qiyməti),
– \( b \) xəttin mailliyidir (maillik və ya reqressiya əmsalı).
Ən kiçik kvadratlar metodu aşağıdakı funksiyanı minimuma endirən \( a \) və \( b \) parametrlərini qiymətləndirir:
\[ \text{SSE} = \sum_{i=1}^{n} (y_i – \hat{y_i})^2 \]
Burada SSE Kvadrat Səhvlərin Cəmi, \(y_i \) faktiki dəyər, \( \hat{y_i} = a + bx_i \) isə proqnozlaşdırılan dəyərdir.
Ən Kiçik Kvadratlar Metodu Addımları
Konsepsiyanı aydınlaşdırmaq üçün ən kiçik kvadratlar metodunun istifadəsini əhatə edən nümunə məsələsini həll edəcəyik.
Problem nümunəsi
Aşağıdakı məlumatlar nəzərə alınmaqla:
| x (Dərs saatları) | y (İmtahan balı) |
|——————–|———————–|
| 2 | 81 |
| 4 | 93 |
| 6 | 91 |
| 8 | 97 |
| 10 | 103 |
Məlumatlara ən uyğun xətti reqressiya xəttini təyin edin.
Müzakirə
1. \( \bar{x} \) və \( \bar{y} \)-nin orta qiymətinin hesablanması
\[
\bar{x} = \frac{\sum x_i}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6
\]
\[
\bar{y} = \frac{\sum y_i}{n} = \frac{81 + 93 + 91 + 97 + 103}{5} = 93
\]
2. Parametrin hesablanması \( b \) (Maylış)
\( b \) parametri aşağıdakı düsturla hesablanır:
\[
b = \frac{\sum (x_i – \bar{x})(y_i – \bar{y})}{\sum (x_i – \bar{x})^2}
\]
Hər bir komponentin hesablanması:
\[
\sum (x_i – \bar{x})(y_i – \bar{y}) = (2-6)(81-93) + (4-6)(93-93) + (6-6)(91-93) + (8-6)(97-93) + (10-6)(103-93)
\]
\[
= (-4)(-12) + (-2)(0) + (0)(-2) + (2)(4) + (4)(10)
\]
\[
= 48 + 0 + 0 + 8 + 40 = 96
\]
\[
\sum (x_i – \bar{x})^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2
\]
\[
= (-4)^2 + (-2)^2 + 0^2 + 2^2 + 4^2
\]
\[
= 16 + 4 + 0 + 4 + 16 = 40
\]
Beləliklə:
\[
b = \frac{96}{40} = 2.4
\]
3. Parametrin hesablanması \( a \) (Kəsişmə nöqtəsi)
\( \bar{x} \) və \( \bar{y} \-nin ortalamasından istifadə edərək:
\[
a = \bar{y} – b\bar{x} = 93 – 2.4 \times 6 = 93 – 14.4 = 78.6
\]
4. Reqressiya Xətti Tənliyinin Yazılması
Tapılan parametrlərlə reqressiya xəttinin tənliyini yaza bilərik:
\[
y = 78.6 + 2.4x
\]
Təfsir və Doğrulama
Bu reqressiya xəttinin uyğun olduğundan əmin olmaq üçün ilkin məlumatlardakı hər x üçün proqnozlaşdırılan y dəyərini (\(\hat{y}\)) hesablaya, eləcə də proqnozun dəqiqliyini təsdiqləmək üçün Kvadrat Səhvlərinin Cəmini (SSE) hesablaya bilərik.
| x | y | \(\şapka{y}\) | \((y – \şapka{y})^2\) |
|—|—-|————|——————–|
| 2 | 81 | 83.4 | (81-83.4)^2 = 5.76 |
| 4 | 93 | 88.2 | (93-88.2)^2 = 23.04|
| 6 | 91 | 93.0 | (91-93.0)^2 = 4.00 |
| 8 | 97 | 97.8 | (97-97.8)^2 = 0.64 |
|10 |103 |102.6 | (103-102.6)^2= 0.16|
SSS:
\[
SSE = 5.76 + 23.04 + 4.00 + 0.64 + 0.16 = 33.6
\]
Nisbətən kiçik bir SSE ilə, ən kiçik kvadratlar metodu ilə əldə edilən reqressiya xəttinin bu məlumatlar üçün yaxşı uyğun olduğu qənaətinə gələ bilərik.
Nəticə
Ən Kiçik Kvadratlar Metodu, məlumat dəsti üçün ən uyğun xətti müəyyən etmək, sapmaların kvadratına əsaslanan proqnozlaşdırma xətasını minimuma endirmək üçün güclü bir statistik analiz vasitəsidir. Orta qiyməti hesablamaq, yamac və kəsişmə nöqtəsini qiymətləndirmək, reqressiya xətti tənliyini yazmaq və yoxlamaq addımlarından istifadə etməklə, asılı dəyişənin dəyərini müstəqil dəyişənlərdən dəqiq şəkildə proqnozlaşdıra bilərik.
Bu metodun yaxşı başa düşülməsi iqtisadiyyat, biostatistika, mühəndislik və reqressiya analizinin tez-tez tətbiq olunduğu sosial elmlər kimi sahələrdə son dərəcə faydalıdır. Bu məqalə, konkret nümunələrlə, bu metodologiyanın məlumatların təhlilində əhəmiyyətini və faydalılığını göstərir.
