უმცირესი კვადრატების მეთოდის განხილვის კითხვების მაგალითი
უმცირესი კვადრატების მეთოდი (LEM) არის სტატისტიკური მეთოდი, რომელიც გამოიყენება მონაცემების ყველაზე ეფექტურად პროგნოზირების საუკეთესო ხაზის მოსაძებნად. ეს მეთოდი ხშირად გამოიყენება წრფივ რეგრესიულ ანალიზში დამოუკიდებელ და დამოკიდებულ ცვლადებს შორის ურთიერთობის დასადგენად. ეს სტატია მოიცავს უმცირესი კვადრატების მეთოდის ძირითად კონცეფციებს, მაგალითებთან და ეტაპობრივ ახსნა-განმარტებებთან ერთად, რათა უფრო ღრმად გავიგოთ, თუ როგორ მუშაობს ეს მეთოდი.
უმცირესი კვადრატების მეთოდის ძირითადი კონცეფციები
უმცირესი კვადრატების მეთოდის მიზანია დაკვირვებულ მნიშვნელობებსა და რეგრესიული მოდელით პროგნოზირებულ მნიშვნელობებს შორის სხვაობების კვადრატების ჯამის მინიმიზაცია. მარტივი წრფივი რეგრესიული ხაზის განტოლება შეიძლება ჩაიწეროს შემდეგნაირად:
\[ y = a + bx \]
სად:
– \(y \) არის დამოკიდებული ცვლადი,
– \(x \) არის დამოუკიდებელი ცვლადი,
– \(a \) არის გადაკვეთის წერტილი (\(y \)-ის მნიშვნელობა, როდესაც \(x = 0 \)),
– \( b \) არის ხაზის დახრილობა (დახრილობა ან რეგრესიის კოეფიციენტი).
უმცირესი კვადრატების მეთოდი აფასებს პარამეტრებს \(a\) და \(b\), რომლებიც მინიმუმამდე ამცირებენ შემდეგ ფუნქციას:
\[ \text{SSE} = \sum_{i=1}^{n} (y_i – \hat{y_i})^2 \]
სადაც SSE არის შეცდომების კვადრატული ჯამი, \(y_i \) არის ფაქტობრივი მნიშვნელობა და \(\hat{y_i} = a + bx_i \) არის პროგნოზირებული მნიშვნელობა.
უმცირესი კვადრატების მეთოდის ნაბიჯები
კონცეფციის გასაგებად, ჩვენ გადავჭრით მაგალითს, რომელიც მოიცავს უმცირესი კვადრატების მეთოდის გამოყენებას.
პრობლემების მაგალითი
შემდეგი მონაცემების გათვალისწინებით:
| x (სასწავლო საათები) | y (გამოცდის ქულა) |
|——————–|——————–|
| 2 | 81 |
| 4 | 93 |
| 6 | 91 |
| 8 | 97 |
| 10 | 103 |
განსაზღვრეთ წრფივი რეგრესიის ხაზი, რომელიც საუკეთესოდ შეესაბამება მონაცემებს.
დისკუსია
1. \( \bar{x} \) და \( \bar{y} \) საშუალოს გამოთვლა
\[
\bar{x} = \frac{\sum x_i}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6
\]
\[
\bar{y} = \frac{\sum y_i}{n} = \frac{81 + 93 + 91 + 97 + 103}{5} = 93
\]
2. პარამეტრის (დახრილობის) გამოთვლა (b)
პარამეტრი \(b \) გამოითვლება შემდეგნაირად:
\[
b = \frac{\sum(x_i – \bar{x})(y_i – \bar{y})}{\sum(x_i – \bar{x})^2}
\]
თითოეული კომპონენტის გაანგარიშება:
\[
\sum (x_i – \bar{x})(y_i – \bar{y}) = (2-6)(81-93) + (4-6)(93-93) + (6-6)(91-93) + (8-6)(97-93) + (10-6)(103-93)
\]
\[
= (-4)(-12) + (-2)(0) + (0)(-2) + (2)(4) + (4)(10)
\]
\[
= 48 + 0 + 0 + 8 + 40 = 96
\]
\[
\sum (x_i – \bar{x})^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2
\]
\[
= (-4)^2 + (-2)^2 + 0^2 + 2^2 + 4^2
\]
\[
= 16 + 4 + 0 + 4 + 16 = 40
\]
ასე რომ:
\[
b = \frac{96}{40} = 2.4
\]
3. პარამეტრის \(a \) (კვეთის) გამოთვლა
\(x) და \(y) საშუალოს გამოყენებით:
\[
a = \bar{y} – b\bar{x} = 93 – 2.4 \times 6 = 93 – 14.4 = 78.6
\]
4. რეგრესიის წრფის განტოლების ჩაწერა
ნაპოვნი პარამეტრებით, შეგვიძლია დავწეროთ რეგრესიული ხაზის განტოლება:
\[
y = 78.6 + 2.4x
\]
ინტერპრეტაცია და ვერიფიკაცია
იმისათვის, რომ უზრუნველვყოთ, რომ ეს რეგრესიული წრფე ემთხვევა, შეგვიძლია გამოვთვალოთ საწყის მონაცემებში თითოეული x-ისთვის პროგნოზირებული y-მნიშვნელობა (\(\hat{y}\)), ასევე გამოვთვალოთ კვადრატული შეცდომების ჯამი (SSE), რათა დავადასტუროთ პროგნოზის სიზუსტე.
| x | y | \(\ქუდი{y}\) | \((y – \hat{y})^2\) |
|—|—-|————|——————–|
| 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|
SSS:
\[
SSE = 5.76 + 23.04 + 4.00 + 0.64 + 0.16 = 33.6
\]
შედარებით მცირე SSE-ით, შეგვიძლია დავასკვნათ, რომ უმცირესი კვადრატების მეთოდით წარმოქმნილი რეგრესიის წრფე კარგად შეესაბამება ამ მონაცემებს.
დასკვნა
უმცირესი კვადრატების მეთოდი არის სტატისტიკური ანალიზის ძლიერი ინსტრუმენტი მონაცემთა ნაკრებისთვის საუკეთესოდ მორგებული ხაზის დასადგენად, გადახრების კვადრატზე დაყრდნობით პროგნოზირების შეცდომის მინიმიზაციის მიზნით. საშუალო მნიშვნელობის გამოთვლის, დახრილობისა და გადაკვეთის შეფასების, ასევე რეგრესიული ხაზის განტოლების ჩაწერისა და გადამოწმების ეტაპების გამოყენებით, ჩვენ შეგვიძლია ზუსტად ვიწინასწარმეტყველოთ დამოკიდებული ცვლადის მნიშვნელობა დამოუკიდებელი ცვლადებიდან.
ამ მეთოდის კარგი გაგება უაღრესად სასარგებლოა ისეთ სფეროებში, როგორიცაა ეკონომიკა, ბიოსტატისტიკა, ინჟინერია და სოციალური მეცნიერებები, სადაც რეგრესიული ანალიზი ხშირად გამოიყენება. ეს სტატია, კონკრეტული მაგალითებით, ასახავს ამ მეთოდოლოგიის მნიშვნელობასა და სარგებლიანობას მონაცემთა ანალიზში.
