Ең кіші квадраттар әдісін талқылау сұрақтарының мысалы
Ең кіші квадраттар әдісі (LEM) - деректерді ең тиімді болжауға мүмкіндік беретін ең жақсы сәйкестік сызығын табу үшін қолданылатын статистикалық әдіс. Бұл әдіс көбінесе сызықтық регрессиялық талдауда тәуелсіз және тәуелді айнымалылар арасындағы байланысты анықтау үшін қолданылады. Бұл мақалада ең кіші квадраттар әдісінің негізгі ұғымдары, сондай-ақ бұл әдістің қалай жұмыс істейтінін тереңірек түсіну үшін мысалдар мен қадамдық түсіндірмелер қарастырылады.
Ең кіші квадраттар әдісінің негізгі түсініктері
Ең кіші квадраттар әдісінің мақсаты - бақыланатын мәндер мен регрессия моделімен болжанған мәндер арасындағы айырмашылықтардың квадраттарының қосындысын азайту. Қарапайым сызықтық регрессия сызығының теңдеуін келесідей жазуға болады:
\[ y = a + bx \]
Қайда:
– \(y \) тәуелді айнымалы,
– \( x \) тәуелсіз айнымалы,
– \( a \) – қиылысу нүктесі (\( x = 0 \) болғандағы \( y \) мәні),
– \( b \) – сызықтың көлбеуі (көлбеулік немесе регрессия коэффициенті).
Ең кіші квадраттар әдісі келесі функцияны минимумдайтын \( a \) және \( b \) параметрлерін бағалайды:
\[ \text{SSE} = \sum_{i=1}^{n} (y_i – \hat{y_i})^2 \]
Мұндағы SSE – квадраттық қателіктердің қосындысы, \(y_i \) – нақты мән, ал \(\hat{y_i} = a + bx_i \) – болжамды мән.
Ең кіші квадраттар әдісінің қадамдары
Тұжырымдаманы нақтылау үшін ең кіші квадраттар әдісін қолданумен байланысты мысал есебін шешеміз.
Есептер мысалы
Келесі деректерді ескере отырып:
| x (Оқу сағаттары) | y (Емтихан бағасы) |
|——————–|——————–|
| 2 | 81 |
| 4 | 93 |
| 6 | 91 |
| 8 | 97 |
| 10 | 103 |
Деректерге ең жақсы сәйкес келетін сызықтық регрессия сызығын анықтаңыз.
Талқылау
1. \( \bar{x} \) және \( \bar{y} \) мәндерінің орташа мәнін есептеу
\[
\bar{x} = \frac{\sum x_i}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6
\]
\[
\bar{y} = \frac{\sum y_i}{n} = \frac{81 + 93 + 91 + 97 + 103}{5} = 93
\]
2. Параметрді есептеу (көлбеулік)
\(b\) параметрі келесідей есептеледі:
\[
b = \frac{\sum (x_i – \bar{x})(y_i – \bar{y})}{\sum (x_i – \bar{x})^2}
\]
Әрбір компонентті есептеу:
\[
\sum (x_i – \bar{x})(y_i – \bar{y}) = (2-6)(81-93) + (4-6)(93-93) + (6-6)(91-93) + (8-6)(97-93) + (10-6)(103-93)
\]
\[
= (-4)(-12) + (-2)(0) + (0)(-2) + (2)(4) + (4)(10)
\]
\[
= 48 + 0 + 0 + 8 + 40 = 96
\]
\[
\sum (x_i – \bar{x})^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2
\]
\[
= (-4)^2 + (-2)^2 + 0^2 + 2^2 + 4^2
\]
\[
= 16 + 4 + 0 + 4 + 16 = 40
\]
Сондай-ақ:
\[
b = \frac{96}{40} = 2.4
\]
3. Параметрді есептеу (a) (қиылысу нүктесі)
\( \bar{x} \) және \( \bar{y} \ мәндерінің орташа мәнін пайдаланып:
\[
a = \bar{y} – b\bar{x} = 93 – 2.4 \times 6 = 93 – 14.4 = 78.6
\]
4. Регрессия сызығының теңдеуін жазу
Табылған параметрлермен регрессия сызығының теңдеуін жазуға болады:
\[
у = 78.6 + 2.4х
\]
Түсіндіру және тексеру
Бұл регрессия сызығының сәйкес келетініне көз жеткізу үшін бастапқы деректердегі әрбір x үшін болжамды y мәнін (\(\hat{y}\)) есептей аламыз, сондай-ақ болжамның дәлдігін растау үшін квадраттық қателіктердің қосындысын (SSE) есептей аламыз.
| x | у | \(\қалпақ{y}\) | \((y – \hat{y})^2\) |
|—|—-|————|——————–|
| 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|
SSE:
\[
SSE = 5.76 + 23.04 + 4.00 + 0.64 + 0.16 = 33.6
\]
SSE салыстырмалы түрде аз болған кезде, ең кіші квадраттар әдісімен алынған регрессия сызығы бұл деректерге жақсы сәйкес келеді деген қорытынды жасауға болады.
Қорытынды
Ең кіші квадраттар әдісі - деректер жиынтығы үшін ең жақсы сәйкес келетін сызықты анықтауға, ауытқулардың квадратына негізделген болжам қателігін азайтуға арналған қуатты статистикалық талдау құралы. Орташа мәнді есептеу, көлбеу мен қиылысуды бағалау, регрессия сызығының теңдеуін жазу және тексеру қадамдарын пайдалану арқылы біз тәуелсіз айнымалылардан тәуелді айнымалының мәнін дәл болжай аламыз.
Бұл әдісті жақсы түсіну экономика, биостатистика, инженерия және регрессиялық талдау жиі қолданылатын әлеуметтік ғылымдар сияқты салаларда өте пайдалы. Бұл мақала нақты мысалдармен бірге деректерді талдаудағы осы әдіснаманың маңыздылығы мен пайдалылығын көрсетеді.
