Ən Kiçik Kvadratlar Metodu: Məlumatların Təhlilində Giriş və Tətbiq
Pendahuluan
Ən Kiçik Kvadratlar Metodu, xüsusən də statistika və tətbiqi riyaziyyatda məlumatların təhlilində ən fundamental və geniş istifadə olunan üsullardan biridir. Bu metod, təklif olunan modeldən müşahidə olunan sapmaların kvadratlarının cəmini minimuma endirən parametrləri qiymətləndirməyi hədəfləyir. Bu məqalədə ən kiçik kvadratlar metodunun əsas anlayışlarını, müxtəlif sahələrdə tətbiqlərini və tətbiqi üçün praktik addımları araşdıracağıq.
Ən Kiçik Kvadratlar Metodunun Əsas Konsepsiyaları
Ən Kiçik Kvadratlar metodu sadəcə xətti reqressiya ilə izah edilə bilər. Tutaq ki, \(i = 1, 2, …, n \) cütləri şəklində məlumatlarımız var. Qurmaq istədiyimiz xətti model aşağıdakı kimi ifadə edilə bilər:
\[ y = \beta_0 + \beta_1 x + \epsilon \]
burada \( \beta_0 \) və \( \beta_1 \) qiymətləndirmək istədiyimiz parametrlər, \( \epsilon \) isə sıfır orta qiymətinə malik olması gözlənilən xəta və ya qalıqdır.
Ən kiçik kvadratlar metodunun məqsədi aşağıdakı obyektiv funksiyanı minimuma endirməkdir:
\[ S(\beta_0, \beta_1) = \sum_{i=1}^{n} (y_i – \beta_0 – \beta_1 x_i)^2 \]
Optimal Parametrlərin Tapılması: Riyazi Yanaşma
\( S \) məqsəd funksiyasını minimuma endirən parametr dəyərlərini tapmaq üçün \( S \)-nin \( \beta_0 \) və \( \beta_1 \)-ə görə qismən törəmələrini hesablamalı və sonra aşağıdakı tənliyi həll etməliyik:
\[ \frac{\partial S}{\partial \beta_0} = -2 \sum_{i=1}^n (y_i – \beta_0 – \beta_1 x_i) = 0 \]
\[ \frac{\partial S}{\partial \beta_1} = -2 \sum_{i=1}^n x_i (y_i – \beta_0 – \beta_1 x_i) = 0 \]
Bu xətti tənliklər sistemini həll etməklə, \(\hat{\beta_0}\) və \(\hat{\beta_1}\) qiymətləndiricilərini tapa bilərik:
\[ \hat{\beta_1} = \frac{n \sum_{i=1}^n x_i y_i – \sum_{i=1}^n x_i \sum_{i=1}^n y_i}{n \sum_{i=1}^n x_i^2 – (\sum_{i=1}^n x_i)^2} \]
\[ \hat{\beta_0} = \bar{y} – \hat{\beta_1} \bar{x} \]
burada \(\bar{y}\) və \(\bar{x}\) müvafiq olaraq \(y\) və \(x\)-nin orta qiymətləridir.
Ən Kiçik Kvadratlar Metodunun Tətbiqi
1. İqtisadiyyat və Maliyyə
Ən kiçik kvadratlar metodu ekonometrikada iqtisadi dəyişənlər arasındakı əlaqələri modelləşdirmək üçün geniş istifadə olunur. Məsələn, iqtisadi analitik işsizlik səviyyəsinin inflyasiyaya təsirini modelləşdirmək istəyə bilər. Ən kiçik kvadratlar metodundan istifadə edərək analitik iki dəyişəni əlaqələndirən və əlaqənin gücü və təbiəti haqqında statistik nəticələr çıxaran bir reqressiya modeli hazırlaya bilər.
2. Sosial Elmlər
Sosial elmlərdə ən kiçik kvadratlar metodu insan davranışı ilə digər dəyişənlər arasındakı əlaqəni öyrənmək üçün sorğularda və psixoloji tədqiqatlarda tez-tez istifadə olunur. Klassik bir nümunə, fərdin xoşbəxtlik səviyyəsini onun illik gəliri ilə əlaqələndirən sadə xətti reqressiyadır.
3. Mühəndislik
Mühəndislikdə ən kiçik kvadratlar metodu cihazların kalibrlənməsi və siqnalların emalı üçün istifadə edilə bilər. Məsələn, rəqəmsal təsvirlərin emalında bu metod müşahidə olunan məlumatlara əsaslanan bir model uyğunlaşdırmaqla təsvirlərdəki səs-küyü azaltmaq üçün istifadə olunur.
4. Meteorologiya və Klimatologiya
Meteoroloqlar bu metoddan temperatur, yağıntı və ya digər hava dəyişkənləri ilə bağlı məlumatları təhlil etmək üçün istifadə edirlər. Reqressiya modelləri ilə onlar tarixi məlumatlara əsaslanaraq hava şəraitini proqnozlaşdıra və daha dəqiq proqnozlar yaratmağa kömək edə bilərlər.
Python ilə praktik tətbiq
Ən kiçik kvadratlar metodunu, xüsusən də sadə xətti reqressiyanı praktikada tətbiq etmək üçün `numpy` və `matplotlib` kitabxanalarının köməyi ilə Python proqramlaşdırma dilindən istifadə edə bilərik. Bu prosesi göstərən kod nümunəsi:
“`piton
np şəklində idxal
matplotlib.pyplot faylını plt olaraq idxal edin
Nümunə məlumatları
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 3, 5, 7, 11])
x və y-nin ortalaması
orta_x = np.orta(x)
mean_y = np.mean(y)
Parametrləri hesablayın
surət = np.sum((x – orta_x) (y – orta_y))
məxrəc = np.sum((x – mean_x) 2)
b1 = surət / məxrəc
b0 = orta_y – b1 orta_x
Proqnoz y
y_pred = b0 + b1 x
Süjet nəticələri
plt.scatter(x, y, color='blue', label='Müşahidə Məlumatları')
plt.plot(x, y_pred, color='red', label='Reqressiya Xətti')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()
print(f”Reqressiya əmsalları: b0 = {b0}, b1 = {b1}”)
""
Nəticə
Ən kiçik kvadratlar metodu statistika və məlumatların təhlilində güclü və vacib bir təməldir. Səhvləri minimuma endirmək və model uyğunluğunu maksimum dərəcədə artırmaq qabiliyyəti onu iqtisadiyyatdan mühəndisliyə və sosial elmlərə qədər geniş sahələrdə son dərəcə faydalı edir. Əsas konsepsiya sadə olsa da, metod qeyri-xətti reqressiya, qarışıq effektli modellər və maşın öyrənməsi kimi daha mürəkkəb modellərə də tətbiq oluna bilər. Ən kiçik kvadratlar metodunu yaxşı başa düşmək və kifayət qədər təcrübə ilə məlumatların təhlilinin dəqiqliyini artıra və daha məlumatlı qərarlar qəbul edə bilərik.
Ümid edirəm ki, bu məqalə ən kiçik kvadratlar metodu və onun tətbiqləri haqqında aydın və əhatəli bir məlumat təqdim edir.
