Նվազագույն քառակուսիների մեթոդի քննարկման հարցերի օրինակ
Նվազագույն քառակուսիների մեթոդը (ՆՔՄ) վիճակագրական մեթոդ է, որն օգտագործվում է տվյալները ամենաարդյունավետ կանխատեսող լավագույն համապատասխանության գիծը գտնելու համար: Այս մեթոդը հաճախ օգտագործվում է գծային ռեգրեսիոն վերլուծության մեջ՝ անկախ և կախյալ փոփոխականների միջև կապը հայտնաբերելու համար: Այս հոդվածը կներառի նվազագույն քառակուսիների մեթոդի հիմնական հասկացությունները, ինչպես նաև օրինակներ և քայլ առ քայլ բացատրություններ՝ այս մեթոդի աշխատանքի ավելի խորը հասկանալու համար:
Փոքրագույն քառակուսիների մեթոդի հիմնական հասկացությունները
Նվազագույն քառակուսիների մեթոդի նպատակն է նվազագույնի հասցնել դիտարկվող արժեքների և ռեգրեսիոն մոդելով կանխատեսված արժեքների միջև եղած տարբերությունների քառակուսիների գումարը։ Պարզ գծային ռեգրեսիոն գծի հավասարումը կարող է գրվել հետևյալ կերպ.
\[ y = a + bx \]
Որտեղ՝
– \(y \)-ն կախյալ փոփոխականն է,
– \(x \)-ն անկախ փոփոխական է,
– \(a \)-ն հատման կետն է (\(y \)-ի արժեքը, երբ \(x = 0 \)),
– \( b \)-ն գծի թեքությունն է (թեքումը կամ ռեգրեսիայի գործակիցը):
Նվազագույն քառակուսիների մեթոդը գնահատում է հետևյալ ֆունկցիան նվազագույնի հասցնող \(a \) և \(b \) պարամետրերը՝
\[ \text{SSE} = \sum_{i=1}^{n} (y_i – \hat{y_i})^2 \]
Որտեղ SSE-ն սխալների քառակուսիների գումարն է, y(i)-ն իրական արժեքն է, իսկ y(i)-ն՝ կանխատեսված արժեքը։
Նվազագույն քառակուսիների մեթոդի քայլերը
Հայեցակարգը պարզաբանելու համար մենք կլուծենք մի օրինակելի խնդիր, որը ներառում է նվազագույն քառակուսիների մեթոդի կիրառումը։
Խնդիրների օրինակ
Հաշվի առնելով հետևյալ տվյալները՝
| x (Ուսումնական ժամեր) | y (Քննության միավոր) |
|——————–|——————–|
| 2 | 81 |
| 4 | 93 |
| 6 | 91 |
| 8 | 97 |
| 10 | 103 |
Որոշեք գծային ռեգրեսիայի գիծը, որը լավագույնս համապատասխանում է տվյալներին։
Քննարկում
1. \( \bar{x} \) և \( \bar{y} \) միջինի հաշվարկը
\[
\bar{x} = \frac{\sum x_i}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6
\]
\[
\bar{y} = \frac{\sum y_i}{n} = \frac{81 + 93 + 91 + 97 + 103}{5} = 93
\]
2. Պարամետրի (թեքության) հաշվարկը (b)
Պարամետրը \(b \) հաշվարկվում է հետևյալ կերպ՝
\[
b = \frac{\sum(x_i – \bar{x})(y_i – \bar{y})}{\sum(x_i – \bar{x})^2}
\]
Յուրաքանչյուր բաղադրիչի հաշվարկը.
\[
Գումար (x_i – x})(y_i – y}) = (2-6)(81-93) + (4-6)(93-93) + (6-6)(91-93) + (8-6)(97-93) + (10-6)(103-93)
\]
\[
= (-4)(-12) + (-2)(0) + (0)(-2) + (2)(4) + (4)(10)
\]
\[
= 48 + 0 + 0 + 8 + 40 = 96
\]
\[
\sum (x_i – \bar{x})^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2
\]
\[
= (-4)^2 + (-2)^2 + 0^2 + 2^2 + 4^2
\]
\[
= 16 + 4 + 0 + 4 + 16 = 40
\]
Այսպիսով,
\[
b = \frac{96}{40} = 2.4
\]
3. Պարամետրի հաշվարկը \(a \) (հատում)
Օգտագործելով \(x) և \(y) թվերի միջինը՝
\[
a = \bar{y} – b\bar{x} = 93 – 2.4 \times 6 = 93 – 14.4 = 78.6
\]
4. Ռեգրեսիայի գծի հավասարման գրումը
Գտնված պարամետրերով կարող ենք գրել ռեգրեսիայի գծի հավասարումը.
\[
y = 78.6 + 2.4x
\]
Մեկնաբանություն և ստուգում
Այս ռեգրեսիոն գիծը համապատասխանեցնելու համար մենք կարող ենք հաշվարկել սկզբնական տվյալների յուրաքանչյուր x-ի համար կանխատեսված y-արժեքը (\(\hat{y}\)), ինչպես նաև հաշվարկել քառակուսի սխալների գումարը (SSE)՝ կանխատեսման ճշգրտությունը ստուգելու համար։
| x | y | \(\գլխարկ{y}\) | \((y – \hat{y})^2\) |
|—|—-|————|——————–|
| 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|
ՈՒԳԸ:
\[
Հարավ-արևմտյան անկում = 5.76 + 23.04 + 4.00 + 0.64 + 0.16 = 33.6
\]
Համեմատաբար փոքր SSE-ի դեպքում կարող ենք եզրակացնել, որ նվազագույն քառակուսիների մեթոդով ստացված ռեգրեսիոն գիծը լավ համապատասխանում է այս տվյալներին։
Եզրակացություն
Նվազագույն քառակուսիների մեթոդը հզոր վիճակագրական վերլուծության գործիք է տվյալների բազմության համար լավագույն համապատասխանության գիծը որոշելու, շեղումների քառակուսիի վրա հիմնված կանխատեսման սխալը նվազագույնի հասցնելու համար: Օգտագործելով միջինի հաշվարկման, թեքության և հատման կետի գնահատման, ինչպես նաև ռեգրեսիոն գծի հավասարումը գրելու և ստուգելու քայլերը, մենք կարող ենք ճշգրիտ կանխատեսել կախյալ փոփոխականի արժեքը անկախ փոփոխականներից:
Այս մեթոդի լավ ըմբռնումը չափազանց օգտակար է այնպիսի ոլորտներում, ինչպիսիք են տնտեսագիտությունը, կենսաստատիստիկան, ճարտարագիտությունը և հասարակական գիտությունները, որտեղ հաճախ կիրառվում է ռեգրեսիոն վերլուծությունը: Այս հոդվածը, կոնկրետ օրինակներով, ցույց է տալիս այս մեթոդաբանության կարևորությունն ու օգտակարությունը տվյալների վերլուծության մեջ:
